1.

Giới thiệu tổng quan mô hình mạng (SEM) • Một trong những kỹ thuật phức hợp và linh hoạt nhất sử dụng để phân tích mối quan hệ phức tạp trong mô hình nhân quả là mô hình mạng SEM (Structural Equation Modeling). Mô hình SEM đã được sử dụng rộng rãi trong các lĩnh vực nghiên cứu như tâm lý học (Anderson & Gerbing,1988; Hansell và White, 1991), xã hội học (Lavee, 1988; Lorence và Mortimer, 1985), nghiên cứu sự phát triển của trẻ em (Anderson, 1987; Biddle và Marlin,1987) và trong lĩnh vực quản lý (Tharenou, Latimer và Conroy,1994). Đặc biệt mô hình này cũng được ứng dụng trong rất nhiều mô hình thỏa mãn khách hàng như : ngành dịch vụ thông tin di động (M.-K. Kim et al. / Telecommunications Policy 28 (2004) 145–159). • Mô hình SEM là sự mở rộng của mô hình tuyến tính tổng quát (GLM) cho phép nhà nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc. • SEM có thể cho một mô hình phức hợp phù hợp với dữ liệu như các bộ dữ liệu khảo sát trong dài hạn(longitudinal), phân tích nhân tố khẳng định (CFA), các mô hình không chuẩn hoá,cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không chuẩn(Non-Normality) , hay dữ liệu bị thiếu (missing data). Đặc biệt, SEM sử dụng để ước lượng các mô hình đo lường (Mesurement Model) và mô hình cấu trúc (Structure Model) của bài toán lý thuyết đa biến. • Mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (Latent Variables) và các biến quan sát (observed variables).Nó cung cấp thông tin về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị). • Mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ này có thể mô tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm. • Mô hình SEM phối hợp được tất cả các kỹ thuật như hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tương (giữa các phần tử trong sơ đồ mạng) để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mô hình. Khác với những kỹ thuật thống kê khác chỉ cho phép ước lượng mối quan hệ riêng phần của từng cặp nhân tố (phần tử) trong mô hình cổ điển (mô hình đo lường), SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mô hình, ước lượng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn (Latent Constructs) qua các chỉ số kết hợp cả đo lường và cấu trúc của mô hình lý thuyết, đo các mối quan hệ ổn định (recursive) và không ổn định (non-recursive), đo các ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo và tương quan phần dư. Với kỹ thuật phân tích nhân tố khẳng định (CFA) mô hình SEM cho phép linh động tìm kiếm mô hình phù hợp nhất trong các mô hình đề nghị.

2. Công dụng và lợi thế của mô hình mạng (SEM) • Kiểm định các giả thuyết về các quan hệ nhân quả có phù hợp (FIT) với dữ liệu thực nghiệm hay không. • • Kiểm định khẳng định (Confirmating) các quan hệ giữa các biến. Kiểm định các quan hệ giữa các biến quan sát và không quan sát (biến tiềm ẩn).

• Là phương pháp tổ hợp phương pháp hồi quy, phương pháp phân tích nhân tố, phân tích phương sai• Ước lượng độ giá trị khái niệm (cấu trúc nhân tố) của các độ đo trước khi phân tích sơ đồ đường (path analysis) • • Cho phép thực hiện đồng thời nhiều biến phụ thuộc (nội sinh). Cung cấp các chỉ số độ phù hợp cho các mô hình kiểm định.

• Cho phép cải thiện các mô hình kém phù hợp bằng cách sử dụng linh hoạt các hệ số điều chỉnh MI (Modification Indices).

Biến V1. V2. • SEM giúp giả thuyết các mô hình. thì chúng ta sẽ dùng nó. V2. mô hình biến quan sát V1. biến ngoại sinh hay biến độc lập…tùy trường hợp cụ thể. . Các phần tử trong mô hình mạng (SEM) Biến quan sát (Observed variable): còn gọi là biến chỉ báo (cấu tạo/phản ánh). Trái lại thông thường các thủ tục liên kết thường “ẩn tàng”-nếu ta cảm thấy một biến đo được nào đó có chỉ báo tốt của một khái niệm tiềm ẩn nào đó. V3). hoặc là các biến tham gia trong một chuỗi nhân quả. biến đo lường. V3phản ánh biến tiềm ẩn F và biến tiềm ẩn F đóng vai trò biến ngoại sinh (nguyên nhân) trong mô hình SEM. các phần dư và sai số. mô hình biến quan sát được biểu diễn bằng hình chữ nhật (V1. V2. 3.• SEM cung cấp các công cụ có giá trị về thống kê. (sẽ nói kỹ hơn ở phần phân biệt biến chỉ báo cấu tạo và biến chỉ báo phản ánh phía dưới) Hình 1: Mô hình biểu diễn quan hệ giữa các biến quan sát và biến tiềm ẩn Sự liên kết của các biến quan sát (chỉ báo) với các biến tiềm ẩn (không quan sát) là bước đầu tiên trong một thủ tục thống kê hình thức. • SEM giả định có một cấu trúc nhân quả giữa các biến tiềm ẩn có thể là các tổ hợp tuyến tính của các biến quan sát. kiểm định thống kê chúng (vì EFA và hồi quy có thể không bền vững nhất quán về mặt thống kê) • SEM thường là một phức hợp giữa một số lượng lớn các biến quan sát và tiềm ẩn. Trong hình 1b. khi dùng thông tin đo lường để hiệu chuẩn các quan hệ giả thuyết giữa các biến tiềm ẩn. V3 có mũi tên đi ra nên trong trường hợp này còn được gọi là biến ngoại sinh hay biến độc lập (trong mô hình truyền thống).Trong hình 1a.

Biến tiềm ẩn (nhân tố) F1 thể hiện một khái niệm lý thuyết. Trái lại. Trường hợp này biến F1 còn được gọi là nhân tố cơ sở (Underlying factor). Hình 2: Ví dụ về một mô hình đo lường Các biến tiềm ẩn hay các nhân tố cơ sở (F1.V3. biến tiềm ẩn trực tiếp ảnh hưởng kết quả hay giá trị của biến quan sát và biểu diễn dưới dạng hình ellipse(F1) như hình 2. trong mô hình SEM. biến nội sinh hay biến phụ thuộc trong mô hình truyền thống(hình 1a).Biến tiềm ẩn(Latent Variable): còn gọi là nhân tố. Hình 3:Ví dụ một mô hình cấu trúc Số hạng sai số và phần dư (Error & Disturbance): .e3) có thể tương quan với nhau ( mũi tên 2 chiều) hay có thể ảnh hưởng trực tiếp biến tiềm ẩn khác (mũi tên 1 chiều). F3) hay các sai số đo lường (e1. trong mô hình đo lường.e2. V2. không thể đo trực tiếp được mà phải thông qua các biến quan sát V1. Biến F3 trên hình vẽ có các mũi tên đi vào nên còn được gọi là biến nội sinh hay biến phụ thuộc ( trong mô hình hồi quy hay mô hình cấu trúc). F2.

nó thể hiện tính không chắc chắn và không chính xác của sự đo lường. Trong mô hình đo lường của SEM (hình 4). . Một mô hình SEM đặc trưng là một phức hợp giữa một số lượng lớn các biến quan sát và không quan sát. đồng thời nó còn thể hiện tính chất này cho cả các biến chưa được phát hiện và không được đo lường trong mô hình. mỗi biến nội sinh có một số hạng sai số (ei) hay nhiễu (di). F2) chỉ có mũi tên đi ra (không có bất kỳ nhiễu d hay bất kỳ sai số e nào). trong khi di biểu thị cho nhiễu hoặc sai số liên quan với giá trị dự báo của các nhân tố(biến) nội sinh từ các nhân tố(biến) ngoại sinh hay còn gọi là phần dư của ước lượng hồi quy. Hệ số tải (factor loadings) trong khi mũi tên một chiều giữa các khái niệm tiềm ẩn và các biến quan sát lại biểu thị hệ số hồi quy (regression coefficients) Tóm lại.Số hạng sai số ei biểu thị sai số của các biến đo lường.V6 và F3) có mũi tên vào/ra. còn biến ngoại sinh là biến không phụ thuộc vào biến khác (F1. Hình 4: các phần tử cơ bản trong mô hình SEM Lưu ý rằng biến nội sinh là biến phụ thuộc vào biến khác ( V1.V2…. các số hạng phần dư và các sai số.

Biến trung gian (Mediator): Gọi X là biến nguyên nhân gốc. Nếu các tác động trung gian không được xem xét thích hợp ta có thể bị nhầm lẫn về sự quan trọng tương đối của các nhân tố khác nhau trong sự tác động lên một khái niệm. và Y là biến kết quả. Các biến ngọai sinh nếu là biến trung gian một phần(tức là một liên kết trực tiếp hay gián tiếp với một biến phụ thuộc) thường là các biến dự báo quan trọng hơn cho một biến phụ thuộc. Hình 5: Biến trung gia trong mô hình SEM Nếu một khái niệm ( construct) làm trung gian trong tác động của các biến ngọai sinh lên một biến phụ thuộc.> M : M liên quan với X. hơn là các biến tương tự: biến trung gian toàn phần. khi đó: i) Nếu liên kết : X -. c) Chứng minh rằng M --. Phân biệt khái niệm “Ẩn tàng” và khái niệm “Tường minh” . M là biến trung gian tiềm năng (hình 5). b) Chứng minh rằng X ---. phải đưa các quan hệ chức năng này vào mô hình.>Y có ý nghĩa ở c) : M trung gian một phần. Để xác định M là biến trung gian: a) Chứng minh rằng X ---. ii) Nếu liên kết : X --.>Y không có ý nghĩa ở c) : M trung gian toàn phần.> Y là liên kết có ý nghĩa trong hồi quy hai biến dự báo d) Giả định các kiểm định trên đều thỏa mãn.> Y : Y liên quan với X.

• Biến chỉ báo phản ánh (Reflective Indicators) có quan hệ liên đới với nhau. do vậy không áp dụng đo tính nhất quán. • Biến chỉ báo cấu tạo (Formative Indicators) không cần thiết có liên quan với nhau. 4. sự thay đổi của một biến chỉ báo này kéo theo sự thay đổi của biến chỉ báo khác thể hiện qua tính nhất quán cục bộ được đo bằng hệ số Cronbach’s Alpha. Hai khái niệm này được phối hợp lại trong mô hình nghiên cứu trong đó biến chỉ báo cấu tạo là nguyên nhân trong khi biến chỉ báo phản ánh thì phản ánh kết quả. sự thay đổi của một biến chỉ báo này không ảnh hưởng đến các biến chỉ báo khác. Tính xác định của mô hình SEM .

“Kém xác định. Bậc tự do là sự khác biệt giữa tổng số dữ liệu quan sát đầu vào (data points) và tổng số các thông số ước lượng trong SEM . Mô hình “quá xác định” xảy ra khi mỗi thông số được xác định và ít nhất một thông số thì “quá xác định” (có nhiều hơn một phương trình cho ước lượng thông số này). được xác định bằng công thức sau: df = 1/2[(p + q)(p + q +1)] – t Trong đó: p= số các biến chỉ báo nội sinh q= số các biến chỉ báo ngoại sinh (p+q = số biến quan sát) t= Số các thông số ước lượng ½[(p+q)(p+q+1) = Số quan sát hay hiệp phương sai trong ma trận (data points) • Mô hình “vừa xác định” (Just Identification): Mô hình có df =0 và chỉ có một lời giải khả dĩ cho mỗi ước lượng thông số.Tính xác định có nghĩa là có ít nhất một lời giải độc nhất cho mỗi ước lượng thông số trong một mô hình SEM.Over Identification” thì cần phải tính toán số bậc tự do của mô hình. Vi dụ : 2x +y =7. • Mô hình “quá xác định”(Over Identification): Mô hình có df > 0 và có hơn một lời giải khả dĩ (nhưng có một lời giải tối ưu hay tốt nhất đối với mỗi ước lượng thông số). Mục tiêu là đạt được df càng lớn càng tốt.Under Identification” hay “Quá xác định. Thông thường mô hình “quá xác định” được ưa thích hơn. 3x+2y=11 • Mô hình “kém xác định” (Under Identification): Mô hình có df < 0 và có vô số các giá trị ước lượng thông số. . Số thông số cần ước lượng bằng số phương sai (Variance) hay hiệp phương sai(Covariance) của các biến ngoại sinh (biến quan sát hay không quan sát) và các tác động trực tiếp của các biến quan sát lên các biến nội sinh.Just Identification”. có bậc tự do dương (df>0). Ví dụ: 2x+y =7. Để xác định mô hình nghiên cứu thuộc loại mô hình nào trong ba loại mô hình “Vừa xác định.

• Trong nghiên cứu mô hình SEM cần cố gắng xác định nguyên nhân của tính kém xác định là do cấu trúc hay kém xác định do thực nghiệm. Các mô hình đo lường cho các biến độc lập có thể đơn hướng. Các biến tiềm ẩn được nối kết bằng các quan hệ dạng hồi quy chuẩn hoá. Deregouska. Cả hai mô hình đều được xác định cụ thể bởi nhà nghiên cứu: 5.1 Mô hình đo lường: Mô hình đo lường còn gọi là mô hình nhân tố.• Việc đặt các hạn chế (ràng buộc) trên mô hình “quá xác định” cho chúng ta kiểm định các giả thuyết (dùng Chi Square và các chỉ số khác). ta có thể dùng để chuẩn hoá mô hình cấu trúc cơ bản. độ giá trị) của các biến quan sát. • Sự “kém xác định” trong thực nghiệm xuất hiện khi có một thông số ước lượng tính “xác định” của mô hình có giá trị gần bằng 0. đồng thời diễn tả các đặc tính đo lường ( độ tin cậy. Mô hình đo lường ( hình 7) cho thấy các liên hệ thống kê giữa các biến quan sát. một thông số ước lượng (phương sai chẳng hạn) bắt đầu với giá trị dương và tiến dần về giá trị 0. mô hình ngoài diễn tả cách các biến quan sát thể hiện và giải thích các biến tiềm ẩn thế nào: tức là diễn tả cấu trúc nhân tố (biến tiềm ẩn). 5. o Nếu kém xác định do cấu trúc: Xác định lại mô hình.2003 thì mô hình SEM gồm hai mô hình có liên quan với nhau là mô hình đo lường và mô hình cấu trúc. • Sự “xác định” là một yêu cầu về cấu trúc hay toán học để có thể tiến hành phân tích SEM. tức là ước lượng các giá trị cho các hệ số hồi quy. o Nếu kém xác định do thực nghiệm: điều chỉnh bằng cách thu thập thêm dữ liệu hay xác định lại mô hình. Do tính chất lặp của ước lượng SEM. . CÁC DẠNG MÔ HÌNH Theo Vinod Kumar. có thể tương quan hay có thể xác định các biến tiềm ẩn bậc cao hơn.

Để đánh giá độ giá trị (hội tụ và phân biệt) của các biến quan sát sử dụng kỹ thuật phân tích nhân tố khẳng định(CFA) và ma trận Covariance dựa trên mô hình SEM.Hình 7 : Mô hình đo lường Mô hình đo lường dùng phân tích nhân tố để đánh giá mức độ mà biến quan sát tải lên các khái niệm tiềm ẩn của chúng. hay từ 3 đến tối đa là 7 biến quan sát. Biến tiềm ẩn được ước lượng bằng hồi quy bội của các biến quan sát. tạo thành cấu trúc nhân quả cơ bản. và gán cho chúng các phương sai giải thích và chưa giải thích. 5. 2000] Mô hình SEM có thể có nhiều dạng khác nhau: . Mô hình SEM không cho phép sử dụng khái niệm biểu thị bởi biến quan sát đơn.Thông thường biến tiềm ẩn đo lường bởi ít nhất là trên một biến.2 Mô hình cấu trúc: Xác định các liên kết (quan hệ nhân quả) giữa các biến tiềm ẩn bằng mũi tên nối kết. Chap 11..[Hair et al.

c) Một biến tiềm ẩn độc lập có thể dự báo một biến tiềm ẩn khác. và luôn được xác định (được trình bày cụ thể trong phần 2. rồi biến này lại dự báo một biến thứ ba 5. b) Vài biến tiềm ẩn có thể tương quan trong dự báo một biến phụ thuộc nào đó.3 Mô hình xác lập (recursive) Mô hình có 02 đặc điểm cơ bản : • • Các số hạng sai số của nó không có tương quan với nhau Mọi tác động nhân quả đều đơn hướng.3.Hình 8: Mô hình SEM và các phần tử cơ bản của nó a) Một biến tiềm ẩn độc lập đơn có thể dự báo một biến tiềm ẩn phụ thuộc đơn.3 Tính xác định của mô hình) . có tính ổn định hơn nhiều so với mô hình Non-Recursive. • Mô hình Recursive được sử dụng phổ biến trong các mô hình nghiên cứu nhờ ưu điểm là dễ mô hình hoá.

4 Mô hình không xác lập (Non-Recursive) Hình 10: Mô hình SEM với trạng thái chưa xác lập (không ổn định) Mô hình Non-Recursive có vòng lặp phản hồi giữa các biến nội sinh. hoặc: • • Khi hai biến nội sinh ảnh hưởng lẫn nhau. 5. mô hình recursive dễ sử dụng nên thông thường nếu có thể các nhà nghiên cứu thường quy đổi mô hình Non-Recursive về mô hình Recursive. Đây là mô hình ít hạn chế(ràng buộc) nhất mà nó có thể phù hợp với bộ dữ liệu. tức là có vòng lặp phản hồi (1) .5 Mô hình bão hoà (Saturated Model): Mô hình bão hoà (hình 11) chứa rất nhiều các thông số cần ước lượng bằng với số đầu vào(input) trong phân tích. hoặc: Có vòng lặp giữa hai biến nội sinh và các số hạng sai số của hai biến nội sinh (2) Mô hình Non-recursive chỉ có tính tạm thời. không ổn định so với mô hình Recursive.Hình 9: Mô hình SEM với trạng thái xác lập (ổn định) của nó X. .Vì vậy mô hình này không có bậc tư do(df=0). Z: Biến nội sinh <---> Covariance (Tương quan ) 5. Y : Biến ngoại sinh E: Số hạng sai số W. Ngòai ra.

Hình 11: Mô hình bão hòa của SEM 5.6 Mô hình độc lập (Independence Model) Mô hình độc lập (Hình 12) là mô hình có nhiều ràng buộc nhất mà nó có thể phù hợp với bộ dữ liệu. Nó chỉ chứa các ước lượng phương sai của các biến quan sát. có tối đa số bậc tự do. tức là giả định các quan hệ giữa các biến quan sát không có. .

làm nền tảng cho một tập hợp các phép đo để rút gọn hay giảm bớt số biến quan sát tải lên các nhân tố cơ sở. Khi xây dựng CFA. Phương pháp phân tích nhân tố khẳng định CFA chấp nhận các giả thuyết của các nhà nghiên cứu.Như vậy CFA là bước tiếp theo của EFA nhằm kiểm định xem có một mô hình lý thuyết có trước làm nền tảng cho một tập hợp các quan sát không. Trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được các nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê.7 Mô hình SEM tổng quát : Cho phép mô hình gồm nhiều khái niệm tiềm ẩn được chỉ báo bởi các biến quan sát ( độc lập và phụ thuộc) và cho cả các quan hệ ổn định (Recursive) và không ổn định (nonrecursive) giữa các biến khái niệm. Phân tích nhân tố khám phá EFA rất hữu dụng trong bước thực nghiệm ban đầu hay mở rộng kiểm định. bởi vì chúng cùng ” tải” lên khái niệm lý thuyết cơ sở. CFA cũng là một dạng của SEM. các biến quan sát cũng là các biến chỉ báo trong mô hình đo lường. 6.2 Phân tích nhân tố khẳng định (CFA): sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc biến tiềm ẩn cơ sở. Tóm lại mô hình SEM là sự kết hợp giữa mô hình đo lường và mô hình cấu trúc 6. trong đó chúng ràng buộc nhau bằng cách xoay các vector trực giao nhau để không xảy ra hiện tượng tương quan.1 Phân tích nhân tố khám phá( EFA) : được dùng đến trong trường hợp mối quan hệ giữa các biến quan sát và biến tiềm ẩn là không rõ ràng hay không chắc chắn. được xác định căn cứ theo quan hệ giữa mỗi biến và một hay nhiều hơn một nhân tố.Hình 12: Mô hình độc lập của SEM 5. Các nhân tố cơ sở là tổ hợp tuyến tính (sơ đồ cấu tạo) của các biến mô tả bằng hệ phương trình sau: Số lượng các nhân tố cơ sở tuỳ thuộc vào mô hình nghiên cứu.Phân tích EFA theo đó được tiến hành theo kiểu khám phá để xác định xem phạm vi. Sau đây là một mô hình SEM sử dụng kỹ thuật phân tích CFA: . mức độ quan hệ giữa các biến quan sát và các nhân tố cơ sở như thế nào.

ξ ‘. Θ = E(δδ’) Với x’. Phương sai của một nhân tố xác định là duy nhất. Phương trình biểu diễn mô hình một cách tổng quát dạng ma trận của x như sau: x = Λx ξ +δ Cov(x. (ξ i là các nhân tố chung.Hình 13: Mô hình đo lường và mô hình cấu trúc của SEM X1 = λ11 ξ1 + δ1 X2 = λ22 ξ2 + δ2 X3 = λ31 ξ1 + λ32 ξ2 + δ3. Λx’. Xi là các nhân tố xác định) Trong đó: λ là các hệ số tải. ξ) = Σ = E(xx’) = E [(Λx ξ +δ)(Λx ξ +δ)’] = E[(Λx ξ +δ)(Λ’x ξ ‘+δ’)] = Λx E(ξξ’)Λx’ + ΛxE(ξδ’)Λx’ + E(δ’δ’) Biết : Σ = E(xx’). Λx. các nhân tố xác định Xi cũng có thể tương quan với nhau. các nhân tố chung ξ i có thể có tương quan với nhau. ξ .δ. Cuối cùng phương trình Covariance được viết gọn như sau: Σx = Λx Φξ Λ’x + Θx . Φ = E(ξξ’). δ’ lần lược là ma trận chuyển vị của ma trận x.

nó chỉ ra mức độ phù hợp của mô hình với dữ liệu như thế nào (Chi square không có ý nghĩa (p > 0. Tổng quát thủ tục SEM xác định một ma trận lý thuyết hàm ý(ma trận tương quan kỳ vọng) bởi mô hình nghiên cứu. Kiểm định Chi square bao gồm cả tương quan của biến quan sát và tương quan kỳ vọng .) Mục đích của ma trận VAR và COV trong SEM dùng để xác định các mối quan hệ giữa các phần tử trong mô hình bằng cách ước lượng ma trận tương quan kỳ vọng (tổng thể). với vài thông số ban đầu được gán giá trị cố định và các thông số cần ước lượng (mean. COV. MA TRẬN CẤU TRÚC CỦA MÔ HÌNH MẠNG (CSM) (hình 14) Đơn vị phân tích trong mô hình mạng (SEM) là các ma trận phương sai (VAR) hay hiệp phương sai(COV). so sánh với ma trận tương quan của dữ liệu quan sát (mẫu) thông qua kiểm định Chi square. Mô hình bao gồm một tập hợp các phương trình đề xuất. regression weight. Do vậy các đầu vào cần thiết của SEM là các dữ liệu thô hay môment mẫu được tính từ dữ liệu ( VAR. variance.. hệ số tương quan hay các moment khác) và mô hình đang được đánh giá.05) biểu thị một sự phù hợp tốt). Sự khác biệt giữa tương quan “ước lượng” và tương quan “quan sát” của hai ma trận này thể hiện trong sự thay đổi giá trị Chi square.Tương tự đối với phương trình dạng ma trận của y và ma trận Covariance: y = Λyη + ε Σy = Λy Φη Λ’y + Θy 7.

Trong trường hợp các điều kiện ước lượng ML không thoả mãn.Hình 14: Mô hình cấu trúc hiệp phương sai (CSM. như các biến phân loại (categorical) chẳng hạn thì phải sử dụng phương pháp ước lượng LS. Đồng thời sai số phương trình trong mô hình cấu trúc giữa các biến tiềm ẩn độc lập và tiềm ẩn phụ thuộc thì không tương quan với các sai số đo lường của các biến chỉ báo quan sát ( x và y). tức là ζ không được tương quan với δ (hay ε). tức là δ (hay ε) không tương quan với các biến tiềm ẩn độc lập ξ (hay phụ thuộc η). 8. Với giả định này cho phép dùng phương pháp ML ( Maximum Likelihood) để ước lượng các hệ số trong mô hình.Covariance Structural Modeling) SEM giả định các thành phần sai số ngẫu nhiên trong mô hình có phân phối chuẩn đa biến ( biểu diễn bằng hình ellipse). SƠ ĐỒ ĐƯỜNG (Path Diagram) . Tất cả các phương pháp ước lượng trong SEM đều đòi hỏi kích thước mẫu lớn. Ngoài ra các thành phần ngẫu nhiên trong SEM cũng đòi hỏi sai số đo lường của x (hay của y).

cường độ của các quan hệ trực tiếp và gián tiếp. X5 chỉ ảnh hưởng trực tiếp bởi X2 Y gồm ảnh hưởng của X4 và X5 Ảnh hưởng gián tiếp: Là ảnh hưởng của một biến thông qua một biến khác. tập trung vào việc khảo sát mạng lưới quan hệ giữa các biến đo lường.Nếu cấu trúc của một mô hình chỉ biểu thị bằng các phương trình thì rất phức tạp và khó hiểu. Khái niệm biến nội sinh η được dự báo bởi một hay nhiều khái niệm khác. ví dụ: X1 ảnh hưởng lên X4 thông qua X3 . Khái niệm biến ngoại sinh ξ trong mô hình còn gọi là biến nguồn hay biến độc lập vì nó không chịu tác động của biến dự báo hay biến nào khác trong mô hình. Trong sơ đồ nhân quả trên ta có: Ảnh hưởng trực tiếp : X3 gồm ảnh hưởng của X1 và X2. Phương trình cấu trúc : Trong phân tích sơ đồ đường các phần tử biến có quan hệ ảnh hưởng trực tiếp và gián tiếp nhau. người ta biểu diễn mối quan hệ các nhân tố dưới dạng sơ đồ đường của cả mô hình đo lường và mô hình cấu trúc. mối quan hệ nhân quả giữa hai hay nhiều biến. Để đơn giản hoá và thuận tiện trong phân tích. 9. X4 gồm ảnh hưởng của X2 và X3. có thể phân tích cả các quan hệ trung gian (X>Y->Z). PHÂN TÍCH SƠ ĐỒ ĐƯỜNG (Path Analysis) Phân tích sơ đồ đường hay còn gọi là mô hình nhân quả.

p32 + py5. p21 qua X2) ŕ23 = p32 + p31. Ảnh hưởng giữa các biến biểu thị bằng các hệ số tương quan. p21 lên X3 và X2) (p: heä soá hoài quy rieâng phaàn chuaån hoùa) (ảnh hưởng trực tiếp của X1 lên X3 cộng với ảnh hưởng gián tiếp (ảnh hưởng trực tiếp của X2 lên X3 cộng với ảnh hưởng của X1 . r25 = p52 ry = py4. p32 + p42. Toàn bộ các ảnh hưởng giữa các biến trong mô hình SEM tạo nên ma trận tương quan cấu trúc: r13 = p31 . r23 = p32 .0 X2 r12 1.p42 + py4 . Giả sử có ma trận tương quan của các biến quan sát X1. p43. p31 r24 =p43.0 X3 r13 r23 1.0 Giả thiết một mô hình cấu trúc (M1) dùng để kiểm định là : Mô hình này được biểu diễn bằng các phương trình sau ŕ12 = p21 ŕ13 = p31 +p32. X2 và X3 như sau: X1 X1 X2 X3 1.X1 ảnh hưởng lên Y một cách gián tiếp thông qua X3 và X4. r14 =p43 .p52 Quy tắc: Tương quan cấu trúc giữa hai biến thì bằng tổng các tác động trực tiếp và gián tiếp có khả năng xảy ra.

Tương quan của các quan sát bằng dữ liệu: X1 X1 X2 X3 1.ŕij biểu diễn tương quan “tái cấu trúc” hay tương quan “ước lượng” trên cơ sở mô hình lý thuyết trên đây. Giả sử mô hình lý thuyết ở trên bây giờ là (M2) Hầu hết các mô hình nhân quả đều tiến hành so sánh để chọn ra mô hình phù hợp nhất. Mỗi mô hình có một giá trị Chi square ứng với số bậc tự do nhất định.0 r23(o) 1. Hai mô hình M1 và M2 giống nhau nhưng M2 bỏ đi mối quan hệ X1 và X2. Ý nghĩa của sự tăng /giảm độ phù hợp trong trường hợp này là : χ2(1)-χ2(2) với df = df1 – df2 (hay còn xác định bằng chỉ số sự thay đổi của Chi square trên một bậc tự do) .0 Tương quan tái cấu trúc trên cơ sở mô hình sơ đồ đường: X1 X1 X2 X3 1.0 X2 X3 r 12(o) r13(o) 1.0 So sánh các phần tử của hai ma trận tương quan này càng giống nhau thì giá trị Chi square càng nhỏ.0 X3 ŕ13(e) ŕ23(e) 1. Lưu ý rằng mỗi mô hình thay thế có một tập tương quan kỳ vọng khác nhau làm cho mô hình tốt hơn hoặc xấu đi. Hệ số hồi quy có thể ước lượng bằng phương pháp hồi quy đa biến trên cơ sở mô hình đã cho và có thể dùng để “tái cấu trúc lại” ma trận tương quan.0 X2 ŕ12 (e) 1.

không được kiểm định để xác định hướng. là các liên kết giả thuyết giữa các biến ngoại sinh và biến nội sinh.96 để có ý nghĩa tại p=0. CR > 1. Segar. là hiệu ứng trực tiếp hay chính là hệ số hồi quy. 1998.5 tại mức ý nghĩa 0. Phân tích nhân quả là phân tích các tập hợp con của mô hình SEM như hình dưới đây: Hình 15: Mô hình đo lường con và sự kết hợp của chúng trong mô hình cấu trúc của SEM Phân tích nhân quả chỉ đề cập đến các biến đo lường.[Hair et al. là sự mở rộng của hồi quy. 1997] Ước lượng các hệ số hồi quy và tvalue . Phân tích nhân quả là kỹ thuật xác định quan hệ trực tiếp và gián tiếp giữa các biến số. có tính đồng thời và dùng độ đo tổng hợp.05 hay CR = 2.01. Hệ số nhân quả bằng hệ số tương quan hay hồi quy (thường chuẩn hoá) liên kết các biến số. Ý nghĩa của hệ số nhân quả chính là tỷ số giới hạn CR = β/SEβ = Z-Statistic. TÓM TẮT CÁC BƯỚC THỐNG KÊ TRONG SEM 1) Kiểm tra độ tin cậy của thang đo • • Bằng hệ số Cronbach’s Alpha.Nếu chỉ có một liên kết giữa hai biến số. 10. hệ số nhân quả bằng hệ số tương quan.Mỗi đường biểu diễn một quan hệ giữa hai biến thì tương ứng với một giả thuyết nghiên cứu. Liên kết gián tiếp (hay hiệu ứng gián tiếp) qua biến trung gian bằng tích của hai hay nhiều hệ số hồi quy.

Từ mô hình giả thiết. ii) Tỷ số Chi-Square/bậc tự do (X2/df ): cũng dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình. Nếu các giá trị này bằng 1. Grover. 1993] & [Chin & Todd.9 được xem là mô hình phù hợp tốt. AGFI. NFI. hay < 3 (khi cỡ mẫu N < 200) thì mô hình được xem là phù hợp tốt [Kettinger và Lee. có khả năng giải thích tối đa sự phù hợp giữa mô hình với bộ dữ liệu thu thập thực tế. 1993] và cho rằng χ2/df < 3:1 [Chin & Todd.. Một số tác giả đề nghị 1 < χ2/df < 3 [Hair et al. ….GFI. 1995] Ngoài ra. nên thực tế người ta dùng chỉ số χ2 / df để đánh giá. 1989] 2) Mức độ phù hợp của tổng thể mô hình Bản chất của mô hình SEM là đòi hỏi các nhà nghiên cứu trước hết thực hiện khai báo các giá trị xuất phát ban đầu được gọi là mô hình giả thiết. Có thể thực hiện kiểm định CFA trên từng mô hình con (Sub Model) trước khi kiểm định mô hình tổng thể(tập hợp các mô hình con để kiểm định đồng thời). 1989]. ta nói mô hình là hoàn hảo.• Phân tích nhân tố khẳng định (CFA): thực hiện trên mô hình đo lường để loại các biến có hệ số tải nhân tố tiềm ẩn thấp. một số khác đề nghịχ2 càng nhỏ càng tốt [Segar. Grover. CFI. SMC là phương sai giải thích của mỗi khái niệm tiềm ẩn [Bollen. iii) Các chỉ số liên quan khác:. có giá trị > 0. 1998]. thông qua một chuỗi vòng lặp các chỉ số biến đổi để cuối cùng cung cấp cho nhà nghiên cứu một mô hình xác lập. 1995] • GFI: đo độ phù hợp tuyệt đối ( không điều chỉnh bậc tự do) của mô hình cấu trúc và mô hình đo lường với bộ dữ liệu khảo sát. trong một số nghiên cứu thực tế người ta phân biệt ra 2 trường hợp : χ2/df < 5(với mẫu N >200) .05 [Joserkog & Sorbom. . [Segar. • AGFI: Điều chỉnh giá trị GFI theo bậc tự do trong mô hình.1995]. Sự phù hợp của toàn bộ mô hình trên thực tế được đánh giá thông qua các tiêu chí về mức độ phù hợp như sau: i) Kiểm định Chi-Square (χ2) : biểu thị mức độ phù hợp tổng quát của toàn bộ mô hình tại mức ý nghĩa pv = 0. • Thống kê SMC ( Square Multiple Correlation) cho mỗi khái niệm tiềm ẩn ngoại sinh (kết quả phân tích CFA của mô hình đo lường nêu trên). tương tự hệ số R2 trong hồi quy tuyến tính. Điều này thực tế rất khó xảy ra bởi vì χ2 rất nhạy với kích thước mẫu lớn và độ mạnh của kiểm định.

cho phép ta đề nghị một mối quan hệ làm tăng độ phù hợp của mô hình.χ2 proposed) / χ2 null = (χ2 Mo . 1998].05 thì mô hình phù hợp tốt. RMR yêu cầu < 0.9 [Hair et al. [Taylor. Chiều mũi tên biểu diễn chiều tác động của biến này lên biến kia. 1989].84 (ứng với một bậc tự do). • RMSEA : là một chỉ tiêu quan trọng. Ứng với một mối quan hệ ta có một giả thuyết tương ứng (như đã trình bày ở phần đầu chương này về các giả thuyết và mô hình nghiên cứu).05)[Cohen. Tác động của các biến ngoại sinh lên các biến nội sinh và tác động của các biến nội sinh lên các biến nội sinh được đánh giá qua các hệ số hồi quy. 1999. NFI: đo sự khác biệt phân bố chuẩn của χ2 giữa mô hình độc lập (đơn nhân tố.1988] 3) Chỉ số điều chỉnh mô hình (MI . Cronin và Bullard.. tức là không tìm kiếm được mô hình nào tốt hơn mô hình hiện tại) Ngoài ra các quan hệ riêng lẻ cũng được đánh giá tốt dựa trên các mức ý nghĩa thống kê. 1998] & [Chin & Todd. Điều này có nghĩa rằng không thể bác bỏ giả thuyết H0 (là giả thuyết mô hình tốt). Điều này cũng tương tự như đưa từng biến độc lập vào trong mô hình hồi quy tuyến tính. tất cả các mối quan hệ nhân quả đề nghị có độ tin cậy ở mức 95% (p = . NFI = (χ2 null . Sharland. iv) Mức xác suất : giá trị > . Rupp và Segal.Modification Indices) Chỉ số điều chỉnh mô hình là chỉ số ước lượng sự thay đổi của χ2 ứng với mỗi trường hợp thêm vào một mối quan hệ khả dĩ (ứng với một bậc tự do). Mn : Mô hình phù hợp Giá trị đề nghị NFI > 0. Tuy vậy nhà nghiên cứu nên thận trọng bởi vì mối quan hệ thêm vào mô hình .[Arbuckle và Wothke. so sánh thay đổi χ2 giữa mô hình M1 & M2). . có các hệ số bằng 0) với phép đo phương sai và mô hình đa nhân tố. nó xác định mức độ phù hợp của mô hình so với tổng thể. mặt khác đánh giá tương quan phần dư của một biến quan sát này với tương quan phần dư của một biến quan sát khác. 1993].08 mô hình được chấp nhận. Trong các nghiên cứu thuộc lĩnh vực khoa học xã hội. nó phản ánh một mô hình có độ phù hợp không tốt.05 được xem là mô hình phù hợp tốt. (xem lại phần 3 – Phân tích sơ đồ đường. các tác giả cho rằng chỉ số RMSEA. Trong tạp chí nghiên cứu IS. Nếu ∆ χ 2 >3. Trong một số trường hợp giá trị này < 0.• RMR: Một mặt đánh giá phương sai phần dư của biến quan sát.[Hair et al. Giá trị RMR càng lớn nghĩa là phương sai phần dư càng cao. Mối quan hệ giữa các biến được biểu thị bằng mũi tên trên mô hình.χ2 Mn) / χ2 Mo Mo : Mô hình gốc. 1995] .

Chỉ số CVI nhỏ nhất cho phép kỳ vọng trạng thái mẫu lặp lại càng ổn định. 4) Kiểm tra ước lượng mô hình bằng phương pháp Boostrap Mô hình cuối cùng cũng như các mô hình phù hợp khác cần thiết phải có bộ dữ liệu độc lập với nhau. Cách khác là lặp lại nghiên cứu bằng một mẫu khác. LISREL. Kết quả ước lượng từ N mẫu được tính trung bình và giá trị này có xu hướng gần đến ước lượng của tổng thể. Trong phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu. Một trong những công cụ phổ biến nhất là phần mềm AMOS với ưu điểm là : (a) dễ sử dụng nhờ module tích hợp chung với phần mềm phổ biến là SPSS và (b) dễ dàng xây dựng các mối quan hệ giữa các biến. Hai cách trên đây thường không thực tế vì phương pháp phân tích mô hình cấu trúc thường đòi hỏi mẫu lớn nên việc làm này tốn kém nhiều thời gian.chỉ được xem xét khi nó ủng hộ lý thuyết và không nên cố gắng mọi cách để cải thiện các chỉ số nhằm làm cho mô hình phù hợp hơn [Bullock et al. Phương pháp Boostrap thực hiện với số mẫu lặp lại là N lần. Dùng cỡ mẫu con thứ hai để đánh giá chéo Chỉ số đánh giá chéo CVI (Cross-Validation Index) đo khoảng cách giữa ma trận Covariance phù hợp trong mẫu con thứ nhất với ma trận Covariance của mẫu. Boostrap la phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai trò đám đông. hay cỡ mẫu ban đầu khá lớn. Định cỡ mẫu con thứ nhất dùng để khám phá. phân tích và xác định mô hìnhSEM như : AMOS. Mẫu con thứ nhất dùng để ước lượng các tham số mô hình và mẫu con thứ hai dùng để đánh giá lại: a. MPLUS… được các nhà nghiên cứu sử dụng rất phổ biến trong các đề tài nghiên cứu. b. nhưng chúng không có nghĩa rằng mô hình lựa chọn là chính xác hay là mô hình tốt nhất trong số các mô hình khả thi về mặt lý thuyết. 1998]. CÔNG CỤ THỐNG KÊ ỨNG DỤNG TRONG SEM Hiện nay có nhiều công cụ phần mềm hỗ trợ quá trình thống kê.Các chỉ số phù hợp tốt chỉ ra rằng dữ liệu ủng hộ mô hình đề nghị. 11. 1994. chi phí [Anderson & Gerbing 1998]. EQS. Khoảng chênh lệch giữa giá trị trung bình ước lượng bằng Boostrap và ước lượng mô hình với mẫu ban đầu càng nhỏ cho phép kết luận các ước lượng mô hình có thể tin cậy được. Hair et al. nhân tố (phần tử . Trong những trường hợp như vậy thì Boostrap là phương pháp phù hợp để thay thế[Schumacker & Lomax 1996]. thông thường chúng ta phải bằng cách chia mẫu thành 02 mẫu con.

nhà nghiên cứu căn cứ vào các chỉ số để kiểm định các giả thuyết. Kết quả được biểu thị trực tiếp trên mô hình hình học.mô hình) bằng trực quan hình học nhờ công cụ AMOS Graphics. nhanh chóng. Phạm Đức Kỳ . Phần ứng dụng chi tiết công cụ AMOS để phân tích dữ liệu sẽ được trình trong một loạt bài khác. Mời quý vị đón đọc. độ phù hợp của tổng thể mô hình một cách dễ dàng.

Sign up to vote on this title
UsefulNot useful