Quan hệ điều tiết moderation, các loại biến điều tiết moderator, mô hình hóa quan hệ điều tiết

Quan hệ điều tiết Moderation là gì?

Quan hệ điều tiết Moderation mô tả một tình huống trong đó mối quan hệ giữa hai biến số không phải là hằng số mà phụ thuộc vào các giá trị của một biến thứ ba, biến thứ 3 này được gọi là biến điều tiết moderator . Biến điều tiết thay đổi cường độ hoặc thậm chí là hướng của mối quan hệ giữa hai biến trong mô hình.

Ví dụ quan hệ điều tiết

Như ảnh bên dưới, M là biến moderator, Y1 là biến độc lập, Y2 là biến phụ thuộc. Biến M có thể thay đổi mối quan hệ giữa Y1 đến Y2 trong mô hình.

Nghiên cứu trước đây đã chỉ ra rằng mối quan hệ giữa sự hài lòng của khách hàng và lòng trung thành của khách hàng có sự khác biệt phụ thuộc vào thu nhập của khách hàng. Chính xác hơn, thu nhập có tác động tiêu cực rõ rệt lên mối quan hệ hài lòng - lòng trung thành. Thu nhập càng cao, mối quan hệ giữa sự hài lòng và lòng trung thành càng yếu. Nói cách khác, thu nhập đóng vai trò biến điều tiết, giải thích cho tính không đồng nhất trong mối liên kết giữa hài lòng-lòng trung thành. Do đó, mối quan hệ này không giống nhau cho tất cả khách hàng mà thay vào đó khác nhau tùy thuộc vào thu nhập của họ. Như vậy, phân tích điều tiết được xem như là một phương tiện để giải thích tính không đồng nhất trong dữ liệu.

Các loại biến điều tiết

Có hai loại biến điều tiết, đó là biến điều tiết dạng phân loại và biến điều tiết liên tục.

• Biến điều tiết dạng phân loại khi mà biến đó dạng định danh, ví dụ Nam/Nữ. Khi biến điều tiết dạng phân loại, lúc đó bộ dữ liệu được chia ra theo các nhóm của biến điều tiết là các bộ dữ liệu nhỏ hơn. Lúc đó kĩ thuật phân tích đa nhóm multigroup được áp dụng.
• Biến điều tiết liên tục khi đó là biến dạng định lượng liên tục,ví dụ thu nhập, độ tuổi( lưu ý không phải là các NHÓM thu nhập, NHÓM tuổi). Khi biến điều tiết dạng liên tục, cũng có một kĩ thuật multigroup, đó là sẽ chia biến này thành các nhóm, dựa trên trung bình hoặc trung vị( mean and median splits). Lúc đó biến được chia này mặc nhiên trở thành biến điều tiết phân loại, và ta áp dụng phân tích đa nhóm multigroup để phân tích biến điều tiết

Các biến điều tiết có thể có mặt trong các mô hình cấu trúc theo các dạng khác nhau. Chúng có thể đại diện cho các đặc điểm quan sát như giới tính, tuổi tác hoặc thu nhập. Nhưng chúng cũng có thể thể hiện thông những đặc điểm không thể quan sát được như thái độ rủi ro, thái độ đối với một thương hiệu . Biến điều tiết có thể được đo bằng một hoặc nhiều câu hỏi nhỏ sử dụng thang đo reflective hoặc formative. Sự khác biệt quan trọng nhất liên quan đến thang đo của biến điều tiết, là thang đo phân loại categorical và thang đo liên tục continuous .

Biến điều tiết phân loại:

Về biến điều tiết phân loại categorical, một ví dụ là biến giới tính, có hai loại Nam/Nữ ( được mã hóa 0/1). Cũng có thể có biến điều tiết 3-4 loại, ví dụ các mức độ tuổi: <30 tuổi, 30-40 tuổi, trên 40 tuổi ( được mã hóa 0/1/2). Trong hầu hết các trường hợp, các nhà nghiên cứu sử dụng biến điều tiết phân loại để chia bộ dữ liệu thành hai hoặc nhiều nhóm và ước tính riêng từng mô hình cho từng nhóm dữ liệu. Cách tiếp cận này cung cấp một kết quả hoàn chỉnh hơn về ảnh hưởng của biến điều tiết đối với kết quả phân tích.

Biến điều tiết liên tục:

Trong nhiều trường hợp, các nhà nghiên cứu có biến điều tiết liên tục mà họ tin có thể ảnh hưởng đến sức mạnh của một mối quan hệ cụ thể giữa hai biến tiềm ẩn. Ví dụ, giả thuyết rằng mối quan hệ giữa sự hài lòng và lòng trung thành bị ảnh hưởng bởi thu nhập của khách hàng. Chính xác hơn, có thể đưa ra giả thuyết rằng mối quan hệ giữa sự hài lòng của khách hàng và lòng trung thành của khách hàng yếu hơn đối với các khách hàng có thu nhập cao và mạnh mẽ hơn cho các khách hàng có thu nhập thấp. Hiệu ứng của biến điều tiết như vậy sẽ chỉ ra rằng mối quan hệ lòng trung thành hài lòng thay đổi, tùy thuộc vào mức thu nhập. Nếu hiệu ứng điều tiết này không có mặt, chúng ta sẽ giả định rằng sức mạnh của mối quan hệ giữa sự hài lòng và lòng trung thành là không đổi theo thu nhập.

Mô hình hóa quan hệ điều tiết

Để hiểu được cách các hiệu ứng điều tiết được mô hình hoá, hãy xem xét mô hình đường dẫn như sau:

Thu nhập đóng vai trò là biến điều tiết (M), ảnh hưởng đến mối quan hệ giữa sự hài lòng của khách hàng (Y1) và lòng trung thành của khách hàng (Y2). Hiệu ứng điều tiết (p3) được biểu thị bằng một mũi tên chỉ vào hiệu ứng p1 liên kết Y1 và Y2. Hơn nữa, khi bao gồm hiệu ứng điều tiết trong mô hình, cũng có mối quan hệ trực tiếp (p2) từ biến điều tiết đến biến phụ thuộc nội sinh. Mối quan hệ p2 này rất quan trọng (và là thường xuyên bị bỏ sót) vì nó kiểm soát tác động trực tiếp của biến điều tiết lên biến phụ thuộc nội sinh. Nếu đường dẫn p2 bị bỏ qua, hiệu ứng của M trên mối quan hệ giữa Y1 và Y2 (tức là p3) sẽ bị thổi phồng.

Mô hình này diễn giải như sau: Y2   =   ( p1   +   p3*Μ )* Y 1   +   p2*M

Như vậy ảnh hưởng của Y1 lên Y2 không chỉ phụ thuộc vào cường độ của tác động đơn p1 mà còn trên tích số của p3 và M. Để hiểu cách biến điều tiết được tích hợp trong mô hình, chúng ta cần viết lại phương trình như sau:

Y2=p1*Y1+p2*Μ+p3*(Y1*Μ)

Cụm tương tác interaction term là gì?

Phương trình  Y2=p1*Y1+p2*Μ+p3*(Y1*Μ)

Cho thấy mô hình có biến điều tiết cần mô tả ra ảnh hưởng của biến độc lập ngoại sinh (tức là, p1*Y1), ảnh hưởng của biến điều tiết ( p2*M), và tích của p3*(Y1*M), còn được gọi là cụm tương tác interaction term. Kết quả là, hệ số p3 biểu thị hiệu ứng p1 thay đổi như thế nào khi biến điều tiết M tăng hoặc giảm theo một đơn vị độ lệch chuẩn .

Như có thể thấy, mô hình bao gồm cụm tương tác interaction term như một biến tiềm ẩn bổ sung bao gồm tích của biến tiềm ẩn ngoại sinh Y1 và biến điều tiết M. Do cụm tương tác interaction term này, các nhà nghiên cứu thường tham khảo các hiệu ứng tương tác interaction effects khi mô hình hóa biến điều tiết moderator .

Khi diễn giải kết quả phân tích điều tiết, mối quan tâm chính là mức ý nghĩa significance của cụm tương tác interaction term. Nếu mối quan hệ của interaction term lên biến phụ thuộc nội sinh có ý nghĩa thống kê, kết luận rằng biến M có tác động điều tiết có ý nghĩa thống kê đối với mối quan hệ giữa Y1 vàY2. SmartPLS sẽ dùng bootstrapping để đánh giá quan hệ điều tiết này. Trong trường hợp tác động điều tiết có ý nghĩa thống kê, bước tiếp theo là xác định sức mạnh của hiệu ứng điều tiết

So sánh biến điều tiết và biến trung gian

Như vậy, biến điều tiết tương tự như biến trung gian ở chỗ biến số thứ ba (tức là, biến trung gian hoặc biến điều tiết) ảnh hưởng đến sức mạnh của mối quan hệ giữa hai biến tiềm ẩn. Sự khác biệt giữa hai khái niệm là biến điều tiết không phụ thuộc vào biến độc lập ngoại sinh. Ngược lại, với biến trung gian, có hiệu ứng trực tiếp từ biến độc lập ngoại sinh đến biến trung gian.

Tóm  lại, nhóm Thạc Sỹ QTKD Bách Khoa đã giới thiệu về Quan hệ điều tiết moderation, các loại biến điều tiết moderator, mô hình hóa quan hệ điều tiết. Khi xử lý bên phần mềm AMOS thì áp dụng kĩ thuật phân tích đa nhóm multigroup để xử lý. Còn phần mềm SmartPLS thì áp dụng chức năng MGA Multi-Group Analysis để thực hiện.

Các bạn khi xử lý số liệu gặp vấn đề khó khăn cứ liên hệ nhóm nhé:

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

– Chat Facebook: http://facebook.com/hoidapSPSS/

– Email:                 hotrospss@gmail.com

Mô hình biến trung gian mediator: năm loại kết quả có thể xuất hiện

Bài  này nhóm MBA Bách Khoa sẽ giới thiệu về các khái niệm cơ bản của biến trung gian, kiểm định sobel, và kiểm định biến trung gian bằng bootstrap(chỉ áp dụng cho SmartPLS)

Ví dụ về biến trung gian, tác động trực tiếp, tác động gián tiếp, tác động tổng hợp.

 

M là biến trung gian, Y1 là biến độc lập, Y2 là biến thụ thuộc. Hệ số p3 là tác động trực tiếp direct effect, p1*p2 là tác động gián tiếp indirect effect. Tác động tổng hợp total effect là p3+p1*p2.

Để phân tích một mô hình có biến trung gian, Zhao et al. (2010) đề xuất một mô hình như sau(Hair et al. (2017) cũng đề xuất ).

Năm loại kết quả có thể xuất hiện của mô hình biến trung gian mediation:

1. Direct-only nonmediation- không trung gian , chỉ trục tiếp: Tác động trực tiếp có ý nghĩa thống kê nhưng tác động gián tiếp không có ý nghĩa thống kê
2. No-effect nonmediation – không trung gian, không tác động: Tác động trực tiếp và tác động gián tiếp đều không có ý nghĩa thống kê
3. Complementary mediation - trung gian bổ sung : Tác động trực tiếp và tác động gián tiếp đều có ý nghĩa thống kê và cùng chiều
4. Competitive mediation - trung gian cạnh tranh: Tác động trực tiếp và tác động gián tiếp đều có ý nghĩa thống kê và khác chiều.
5. Indirect-only mediation - chỉ có tác động gián tiếp: Tác động trực tiếp không có ý nghĩa thống kê nhưng tác động gián tiếp có ý nghĩa thống kê

Kiểm định Sobel là gì?

Sobel(1982) test dùng để kiểm định mức ý nghĩa của tác động trung gian. Kiểm định Sobel này so sánh tác động trực tiếp của biến độc lập và biến phụ thuộc với tác động gián tiếp giữa biến độc lập và biến phụ thuộc có bao gồm biến trung gian (Helm et al., 2010). Tuy nhiên Sobel test đòi hỏi giả định phân phối chuẩn, tuy nhiên giả định này lại không thích hợp với phương thức phi tham số PLS-SEM. Hơn nữa, giả định tham số của kiểm định Sobel chưa kiểm soát được vấn đề này: biến indirect effect p1*p2 có thể không phải có phân phối chuẩn. Vì việc nhân hai biến có phân phối chuẩn lại sẽ tạo ra một biến không có phân phối chuẩn. Hơn nữa, Sobel test yêu cầu hệ số hồi quy chưa chuẩn hóa để làm đầu vào và thiếu sức mạnh thống kê , đặc biệt khi cỡ mẫu nhỏ.

Vì những lý do đó, các nhà nghiên cứu không xài Sobel test để phân tích biến trung gian nữa, đặc biệt là các nghiên cứu sử dụng PLS-SEM.(e.g., Klarner et al.,2013; Sattler et al., 2010).

Phần từ đây về sau dành cho SmartPLS

Thay vì sử dụng Sobel, nhà nghiên cứu tiến hành boostrap phân phối mẫu của hiệu ứng gián tiếp.

Quá trình bootstrapping không cần giả định về loại phân phối của biến , và có thể tự tin áp dụng cho cỡ mẫu nhỏ.

Trong SmartPLS 3 đã tích hợp sẵn vấn đề bootstrap này. Và có ưu điểm hơn hẳn khi so với Sobel test. Ví dụ nhìn vào hình dưới, tác động gián tiếp từ COMP->CUSL có p-value=0.038<5%. Nghĩa là PLS có thể đánh giá mức ý nghĩa của tác động trực tiếp và gián tiếp. Từ đó kết luận quan hệ điều tiết thuộc loại nào trong 5 loại ở trên.

Như vậy, Nhóm MBA đã giới thiệu mô hình biến trung gian mediator: năm loại kết quả có thể xuất hiện, đồng thời về phương pháp kiểm định sobel, và kiểm định biến trung gian bằng bootstrap( chỉ áp dụng cho SmartPLS)

Các bạn cần trao đổi thêm cứ trao đổi với nhóm nhé.

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

– Chat Facebook: http://facebook.com/hoidapSPSS/

– Email:                 hotrospss@gmail.com

Hạn chế của Cronbach’s alpha và sự cần thiết phải sử dụng độ tin cậy tổng hợp composite reliability

Cronbach’s alpha dùng để đo độ tin cậy của thang đo, nói lên tính nhất quán nội bộ của thang đo đó. Công thức tính dựa trên sự tương quan lẫn nhau giữa các biến quan sát. Cronbach’s alpha giả định rằng tất cả các biến quan sát indicator đều có mức độ tin cậy như nhau, nghĩa là có hệ số regression weight (outer loading) vào biến khái niệm construct như nhau. Hơn nữa, Cronbach’s alpha bị nhạy cảm với số lượng biến quan sát trong thang đo, và thường có xu hướng đánh giá thấp tính nhất quán nội tại. Do những hạn chế đó, có một kĩ thuật phù hợp hơn để đo tính nhất quán nội tại, được gọi là độ tin cậy tổng hợp composite reliability. Phương pháp này hoàn toàn dựa vào standardized outer loading(còn gọi là hệ số hồi quy chuẩn hóa standardized regression weight)

Cronbach’s alpha là một thước đo thận trọng về độ tin cậy (tức là, nó dẫn đến các giá trị độ tin cậy tương đối thấp). Ngược lại, độ tin cậy tổng hợp có xu hướng đánh giá quá cao độ tin cậy nhất quán nội bộ, do đó dẫn đến ước tính độ tin cậy tương đối cao hơn. Vì vậy, nên xem xét và báo cáo cả hai tiêu chí. Khi phân tích và đánh giá độ tin cậy nội bộ của các thang đo, độ tin cậy thực sự thường nằm giữa Cronbach’s Alpha (đại diện cho giới hạn dưới) và độ tin cậy tổng hợp (đại diện cho giới hạn trên).

Link chi tiết về cronbach's alpha:  http://phantichspss.com/phan-tich-do-tin-cay-cronbachs-alpha.html

Link chi tiết về độ tin cậy tổng hợp composite reliability :  http://phantichspss.com/cach-tinh-do-tin-cay-tong-hop-composite-reliability-trong-amos.html

 

Mô hình Reflective và Formative: nên chọn mô hình nào?

Trong AMOS, chỉ có một dạng là thang đo reflective, trong khi đó, SmartPLS có thể xử lý được cho thang đo reflective hoặc formative. Nhóm Ths QTKD ĐH Bách Khoa sẽ giới thiệu đến các bạn hai phương pháp sử dụng thang đo này để bạn quyết định sử dụng loại nào cho phù hợp.

Mô hình Reflective

Trong reflective model, tất cả các thang đo đều do cùng một nhân tố tiềm ẩn tạo ra, các thang đo chỉ báo liên quan đến một cấu trúc cụ thể phải tương quan chặt chẽ với nhau. Ngoài ra, các thang đo riêng lẻ nên có thể hoán đổi cho nhau và bất kỳ thang đo nào có thể được bỏ qua mà không thay đổi ý nghĩa của cấu trúc, miễn là cấu trúc có độ tin cậy đủ.

Mô hình Formative

Trong khi đó, formative model được tạo ra dựa trên giả định rằng các thang đo indicator, bằng sự kết hợp tuyến tính, tạo ra cấu trúc tiềm ẩn. Điều quan trọng đối với dạng này là các thang đo indicator không thay thế cho nhau được, và nếu bỏ đi 1 thang đo thì sẽ ảnh hưởng nghiêm trọng đến ngữ nghĩa của khái niệm tiềm ẩn

Ví dụ về thang đo “Sự hài lòng khi ở khách sạn ” ở hai dạng reflective và formative

Như vậy câu hỏi Mô hình Reflective và Formative: nên chọn mô hình nào đã được trả lời, các bạn có cần trao đổi, xử lý cứ liên hệ nhóm nhé.

 

Phân biệt mô hình đo lường và mô hình cấu trúc

Một mô hình đường dẫn SEM bao gồm hai phần tử là mô hình đo lường và mô hình cấu trúc:

1. Đầu tiên, có một mô hình cấu trúc structural model (còn được gọi là inner model trong ngữ cảnh của PLS-SEM) đại diện cho các cấu trúc (hình tròn hoặc hình bầu dục). Mô hình cấu trúc cũng hiển thị các mối quan hệ (đường dẫn) giữa các cấu trúc.
2. Thứ hai, có các mô hình đo lường mesurement models (còn được gọi là các outer models trong PLS-SEM) của các cấu trúc hiển thị các mối quan hệ giữa các cấu trúc và các biến chỉ báo (hình chữ nhật).

Như vậy, mô hình đo lường và mô hình cấu trúc là hai thành phần không thể thiếu của một mô hình đường dẫn. Việc đánh giá các giả thiết trong một bài nghiên cứu dựa vào các quan hệ giữa các biến trong mô hình cấu trúc structural model.

So sánh biến tiềm ẩn và biến quan sát

Trong SEM có hai loại biến chính là biến là biến tiềm ẩn và biến quan sát.

Biến tiềm ẩn constructs (tức là, các biến không được đo trực tiếp) được trình bày trong các mô hình đường dẫn dưới dạng vòng tròn hoặc hình bầu dục. Ví dụ biến Y3 trong hình dưới

Các chỉ báo indicators, còn được gọi là các items hoặc biến quan sát, là các biến được đo trực tiếp có chứa dữ liệu thô. Chúng được biểu diễn trong các mô hình đường dẫn dưới dạng hình chữ nhật . Ví dụ x7, x8,x9 như trên ảnh

Mối quan hệ giữa các nhân tố tiềm ẩn cũng như giữa các nhân tố và các thành phần con của nó được hiển thị dưới dạng mũi tên.

Trong PLS-SEM, các mũi tên luôn có 1 đầu, thể hiện mối quan hệ đơn hướng. Mũi tên một đầu được coi là mối quan hệ tiên đoán và nếu có lý thuyết mạnh mẽ hỗ trợ, có thể được hiểu là mối quan hệ nhân quả.

Trong CB-SEM, mũi tên có thể có 2 đầu, thể hiện giá trị covariance hoặc correlation

 

Lịch sử hình thành của SEM Structural Equation Modeling

Phân tích thống kê là một công cụ thiết yếu cho các nhà nghiên cứu khoa học xã hội trong hơn một thế kỷ. Các ứng dụng của phương pháp thống kê đã mở rộng đáng kể với sự ra đời của phần cứng và phần mềm máy tính, đặc biệt trong những năm gần đây với các phần mềm có giao diện đồ họa trực quan. Các nhà nghiên cứu ban đầu dựa vào phân tích đơn biến và hai biến để hiểu dữ liệu và mối quan hệ. Để hiểu được các mối quan hệ phức tạp hơn liên quan đến các hướng nghiên cứu hiện tại trong các ngành khoa học xã hội, ngày càng cần áp dụng các phương pháp phân tích dữ liệu đa biến phức tạp hơn.

Phân tích đa biến bao gồm việc áp dụng các phương pháp thống kê đồng thời phân tích nhiều biến. Các biến thường đại diện cho các phép đo liên quan đến cá nhân, công ty, sự kiện, hoạt động, tình huống, v.v. Các phép đo thường thu được từ các khảo sát hoặc quan sát được sử dụng để thu thập dữ liệu sơ cấp, nhưng chúng cũng có thể thu được từ các cơ sở dữ liệu bao gồm dữ liệu thứ cấp. Hình sau trình bày một số loại phương pháp thống kê chính liên quan đến phân tích dữ liệu đa biến.

	Phân tích khám phá	Phân tích khẳng định
Kĩ thuật giai đoạn đầu	Phân tích cụm Phân tích EFA Phân tích Multidimensional Scaling	Phân tích phương sai variance Hồi quy nhị phân Hồi quy đa biến Phân tích nhân tố khẳng định Confirmatory Factor Analysis
Kĩ thuật giai đoạn thứ nhì	Mô hình PLS-SEM Partial least squares structural equation modeling	Mô hình CB-SEM Covariance-based structural equation modeling

Các phương pháp thống kê thường được các nhà khoa học xã hội sử dụng thường được gọi là kỹ thuật thế hệ thứ nhất (Fornell, 1982, 1987). Các kỹ thuật này, bao gồm các phương pháp dựa trên hồi quy như hồi quy đa biến, hồi quy logistic và phân tích phương sai nhưng cũng có các kỹ thuật như phân tích nhân tố khám phá và khẳng định, phân tích cụm. Khi áp dụng cho một câu hỏi nghiên cứu, các phương pháp này có thể được sử dụng để xác nhận một lý thuyết được thiết lập trước hoặc xác định các mối quan hệ của dữ liệu. Cụ thể, khẳng định confirmatory khi kiểm tra các giả thuyết về các lý thuyết và khái niệm hiện có. Khám phá exploratory khi chúng tìm kiếm các mẫu trong dữ liệu trong trường hợp không có hoặc chỉ có ít kiến ​​thức trước về cách các biến liên quan với nhau như thế nào, nghĩa là ta sẽ khám phá ra các sự liên quan đó.

Điều quan trọng cần lưu ý là sự khác biệt giữa phân tích khẳng định và khám phá không phải lúc nào cũng rõ ràng. Ví dụ, khi chạy phân tích hồi quy, các nhà nghiên cứu thường chọn các biến phụ thuộc và độc lập dựa trên các lý thuyết và khái niệm được thiết lập trước đó. Mục tiêu của phân tích hồi quy là để kiểm tra các lý thuyết và khái niệm này. Tuy nhiên, kỹ thuật này cũng có thể được sử dụng để khám phá xem có thêm các biến độc lập bổ sung nào khác có thể có tác động đến biến phụ thuộc là khái niệm đang được kiểm tra hay không.

Các nghiên cứu thường tập trung đầu tiên vào các biến độc lập là các yếu tố dự báo có ý nghĩa thống kê của biến phụ thuộc duy nhất (xác nhận nhiều hơn) và sau đó xem các biến độc lập nào dự đoán tốt hơn về biến phụ thuộc (khám phá nhiều hơn).

Theo cách tương tự, khi phân tích nhân tố khám phá được áp dụng cho tập dữ liệu, phương pháp tìm kiếm mối quan hệ giữa các biến nhằm giảm số lượng biến lớn thành tập hợp các yếu tố tổng hợp nhỏ hơn (tức là kết hợp biến). Các yếu tố cấu thành các yếu tố cuối cùng là kết quả của việc khám phá các mối quan hệ trong dữ liệu và báo cáo các mối quan hệ được tìm thấy (nếu có). Tuy nhiên, các nhà nghiên cứu đã có kiến thức sẵn về số lượng nhóm có thể quyết định về số lượng các yếu tố sẽ được trích xuất từ ​​dữ liệu (Sarstedt & Mooi, 2014).( nghĩa là trong lúc phân tích nhân tố sẽ chọn số lượng nhân tố là cố định fixed factor)

Ngược lại, phân tích nhân tố khẳng định Confirmation cho phép kiểm tra và chứng minh một yếu tố được xác định trước và các chỉ số đo lường của nó.

Các kỹ thuật thế hệ thứ nhất đã được các nhà nghiên cứu khoa học xã hội áp dụng rộng rãi. Tuy nhiên, trong 20 năm qua, nhiều nhà nghiên cứu đã ngày càng chuyển sang kỹ thuật thế hệ thứ hai để khắc phục những điểm yếu của các phương pháp thế hệ thứ nhất . Những phương pháp này, được gọi là mô hình phương trình cấu trúc (SEM), cho phép các nhà nghiên cứu kết hợp các biến tìm ẩn( được đo gián tiếp bởi các biến con của nó).

Như vậy nhóm MBA Bách Khoa đã giới thiệu về Lịch sử hình thành của SEM Structural Equation Modeling. Phần này được lược dịch từ các tài liệu liên quan của ông Joseph F Hair , Jr . Kennesaw State University

Nhóm có thể tư vấn, hướng dẫn quá trình chạy SEM

– Zalo, Viber, SMS

– Facebook: http://facebook.com/hoidapSPSS/

– Email:        hotrospss@gmail.com