Cài đặt plugin Pattern Matrix Builder cho phần mềm AMOS

    Giữa tháng 10/2014, admin giới thiệu với các bạn đam mê nghiên cứu phần mềm AMOS, công cụ Pattern Matrix Builder . Công cụ này giúp việc vẽ model được nhanh và chính xác hơn rất nhiều.

    Thay vì phải vẽ bằng tay toàn bộ mô hình, công cụ này cho phép vẽ tự động một lần, danh sách các biến được lấy từ  Pattern Matrix khi chạy EFA.

Cách cài đặt:

     1.Đầu tiên các bạn download file phantichspss.com/PatternMatrixBuilder.dll về máy tính. File này được nhóm sưu tầm trên mạng, nhưng không biết tác giả là ai, nhóm chia sẻ với mục đích học tập.

     2.Chép vào thư mục Plugins trong thư mục cài đặt của AMOS, ví dụ nếu cài mặc định thì sẽ nằm trong đường dẫn sau: "C:\Program Files (x86)\IBM\SPSS\Amos\22\Plugins\PatternMatrixBuilder.dll" .

     3. Chạy chương trình AMOS, lúc này trong Menu : Plugins đã xuất hiện thêm mục Pattern Matrix Builder( nếu chưa hiện thì bấm chuột phải vào file PatternMatrixBuilder.dll vừa được copy, chọn Property, bấm nút UnBlock, sau đó nhấn OK

     4. Như vậy việc cài đặt plugin đã hoàn thành. Việc sử dụng các bạn có thể tham khảo video của nhóm, đại khái là copy ma trận kết quả EFA Pattern Matrix vào màn hình của plugin này.

 Mọi thắc mắc khó khăn khi nghiên cứu SEM, AMOS, hoặc cần hỗ trợ hướng dẫn xử lý số liệu làm luận văn các bạn cứ chát vào https://facebook.com/HoTroAMOS/ hoặc  mail hotrospss@gmail.com do nhóm MBA Bách Khoa HCM hỗ trợ :)

Move Objects - Sức mạnh của công cụ Preserve Symmetries

Hôm nay ad và các bạn giải bài toán sau: 

-Làm sao đưa các phần tử trong hình màu đỏ về vị trí bên tay trái, mà ít tốn công sức chỉnh sửa nhất, và  hình dạng của khối đó được giữ nguyên như cũ. Thực hiện với phần mềm AMOS 22.

-Cách làm thông thường: dời từng phần tử bằng cách nhất nút move objects  , và kết quả sẽ là thực hiện rất lâu, chậm. Và các phần tử được sắp xếp lại không đồng đều về vị trí, vì phải dời nhiều lần tất cả các phần dư, các biến quan sát, biến tiềm ẩn

-Cách làm thông minh: Nhấn vào nút Preserve Symmetries, sau đó nhấn nút hình chiếc xe ( move objects), tiếp theo nhấn,giữ chuột trái vào biến behavior hình elip như mũi tên chỉ, sau đó di chuyển chuột đến vị trí cần thiết và thả ra.

Như vậy là ta đã di chuyển toàn bộ khối hình vẽ đi

Ngoài ra nút Preserve Symmetries còn có công dụng rất mạnh, như ta cần di chuyển đồng thời các phần dư, di chuyển đồng thời các biến quan sát.... 

Thực hành kiểm định bootstrap trong mô hình SEM với phần mềm AMOS

     Chiều mưa đầu tháng 10/2014, admin giới thiệu các bạn kiểm định bootstrap, thông thường đây là một trong những kiểm định cuối cùng, và là phần việc cuối cùng khi phân tích dữ liệu mô hình SEM, với phần mềm AMOS.

     Việc kiểm định bootstrap được tiến hành để kiểm tra lại mô hình. Bootstrap là phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai trò đám đông.
      Trước tiên chạy chương trình AMOS, vào menu View-Analysis Properties để hiện lên hộp thoại Analysis Properties.

     Chọn Tab Bootstrap, check vào Perfom bootstrap, chọn 1000, sau đó đóng cửa sổ này lại.

     Sau đó nhấn nút calculates estimate để thực hiện tính toán. Cửa sổ output sẽ xuất hiện thêm khái niệm bootstrap standard errors. Ta chọn mục Standardized Regression Weights và Bootstrap standard errors như trong hình vẽ.

     Ở đây cột Mean là hệ số  hồi quy của ước lượng bootstrap, cột Bias là chênh lệch giữa cột hệ số  hồi quy Mean và giá trị hệ số  hồi quy Estimate khi chạy không có Bootstrap. Cột SE-Bias là Standard errors của cột Bias. Ở đây chúng ta cần tính giá trị tới hạn  C.R Critical Ratios cho nó. Các bạn copy kết quả vào excel và tính toán giá trị tới hạn bằng cách lấy giá trị Bias chia cho Se_Bias.

     Sau đó so sánh giá trị C.R này với 1.96 ( do 1.96 là giá trị của phân phối chuẩn ở mức .9750 , nghĩa là 2.5% một phía, 2 phía sẽ là 5%).  Cột P <5% thì kết luận là giả thuyết Bias khác 0  có ý nghĩa thống kê. Do giả thuyết H0 : Bias =0, Ha: Bias <>0

Nếu giá trị C.R này > 1.96 thì suy ra p-value < 5%, chấp nhập Ha, kết luận độ lệch khác 0 có ý nghĩa thống kê ở mức tin cậy 95%.

Còn nếu C.R < 1.96 , suy ra p-value > 5%, bác bỏ Ha, chấp nhận H0, kết luận độ lệch khác 0 không có ý nghĩa thống kê ở mức tin cậy 95%, và như thế ta kết luận được mô hình ước lượng (lúc trước khi check vào option bootstrap) có thể tin cậy được. Thông thường đây là kết quả mong đợi khi phân tích SEM.

Sau đây là phần lý thuyết ( theo Phạm Đức Kỳ-  Bùi Nguyên Hùng):

Kiểm tra ước lượng mô hình bằng phương pháp Bootstrap

Mô hình cuối cùng cũng như các mô hình phù hợp khác cần thiết phải có bộ dữ liệu độc lập với nhau, hay cỡ mẫu ban đầu khá lớn. Trong phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu, thông thường chúng ta phải chia mẫu thành 02 mẫu con. Mẫu con thứ nhất dùng để ước lượng các tham số mô hình và mẫu con thứ hai dùng để đánh giá lại:

a. Định cỡ mẫu con thứ nhất dùng để khám phá,
b. Dùng cỡ mẫu con thứ hai để đánh giá chéo (Cross-Validation)

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. Chỉ số CVI nhỏ nhất cho phép kỳ vọng trạng thái mẫu lặp lại càng ổn định. 

Cách khác là lặp lại nghiên cứu bằng một mẫu khác. 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, chi phí [Anderson & Gerbing 1998]. Trong những trường hợp như vậy thì Boostrap là phương pháp phù hợp để thay thế[Schumacker & Lomax 1996]. Bootstrap là phương pháp lấy mẫu lại có thay thế trong đó mẫu ban đầu đóng vai trò đám đông.

Phương pháp Boostrap thực hiện với số mẫu lặp lại là N lần. 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. Khoảng chênh lệch giữa giá trị trung bình ước lượng bằng Bootstrap 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. 

Liên hệ hỏi đáp amos: hotrospss@gmail.com

Cách sử dụng text macro hiển thị kết quả trong AMOS

Hôm nay nhóm giới thiệu đến các bạn cách hiển thị macro để hiển thị ra các chỉ số model fit trong AMOS, các chỉ số cơ bản là dạng như sau:

Chi-square=\cmin ; df=\df ; P=\p;

Chi-square/df=\cmindf ;

GFI=\gfi ; TLI=\tli ; CFI=\cfi ;

RMSEA=\rmsea

Cách này rất hiệu quả trong khi hiệu chỉnh mô hình, tăng cường model fit, vì mỗi lần ta thực hiện chạy lại mô hình AMOS thì chỉ cần nhìn trực tiếp lên màn hình sẽ thấy được các kết quả.

Macro trong AMOS được biểu thị , ví dụ như "Chi-square=\cmin", đây là kết quả sẽ được thay bằng số khi chạy ra kết quả, và kết quả sẽ là "Chi-square=340.530" trong ví dụ ở bài này.

Cách thực hiện:

1. Chọn vào biểu tượng Figure Captions, hoặc vào menu Diagram-> Figure Captions

2. Vẽ Figure Captions trên màn hình amos, gõ nội dung sau vào:

Chi-square=\cmin ; df=\df ; P=\p;

Chi-square/df=\cmindf ;

GFI=\gfi ; TLI=\tli ; CFI=\cfi ;

RMSEA=\rmsea

3. Thực hiện chạy lại AMOS bằng cách nhấn vào nút Calculate Estimates

4. Nhìn lại kết quả, sẽ như hình vẽ.

Các macro thông dụng trong AMOS

\cmin : hiển thị giá trị Chi bình phương Chi-square

\df : hiển thị số bậc tự do, cái này nhóm hotrospss@gmail.com sẽ có một bài nói về làm sao tính được df bằng tay, để các bạn hiểu rõ được bản chất của nó

\p : p-value

\cmindf : tỉ số Chi-square/df, cái này rất quan trọng để ước lượng độ phù hợp của mô hình

\gfi : chỉ số GFI Goodness of Fix Index

\tli : chỉ số  Tucker–Lewis index

\cfi : chỉ số CFI Comparative Fix Index.

\rmsea :chỉ số RMSEA Root Mean Square Errors of Approximation

Còn sau đây là tất cả các text macro trong AMOS, các bạn nghiên cứu sâu có thể tham khảo thêm:

\cmin is a "text macro", a code that Amos fills in with the minimum value of the discrepancy function, C (see Appendix B), once the minimum value is known. Similarly, \df is a text macro that Amos fills in with the number of degrees of freedom for testing the model and \p is a text macro that Amos fills in with the "p value" for testing the null hypothesis that the model is correct. Here is a list of text macros.

\agfi Adjusted goodness of fit index (AGFI)

\aic Akaike information criterion (AIC)

\bcc Browne-Cudeck criterion (BCC)

\bic Bayes information criterion (BIC)

\caic Consistent AIC (CAIC)

\cfi Comparative fit index (CFI)

\cmin Minimum value of the discrepancy function C in Appendix B

\cmindf Minimum value of the discrepancy function divided by degrees of freedom

\datafilename The name of the data file. \longdatafilename displays the fully qualified path name of the data file.

\datatablename The name of the data table (for those file formats that allow a single file to contain multiple data tables, such as Excel workbooks.)

\date Today's date in short format. \longdate displays today's date in long format. The displayed date is made current whenever the path diagram is read from a file, saved or printed.

\df Degrees of freedom

\ecvi Expected cross-validation index (ECVI)

\ecvihi Upper bound of 90% confidence interval on ECVI

\ecvilo Lower bound of 90% confidence interval on ECVI

\f0 Estimated population discrepancy (F0)

\f0hi Upper bound of 90% confidence interval on F0

\f0lo Lower bound of 90% confidence interval on F0

\filename Name of the current AMW file. Use \longfilename to display the complete path to the current AMW file.

\fmin Minimum value of discrepancy function F in Appendix B

\format Format name (See Formats tab.)

\gfi Goodness of fit index (GFI)

\group Group name (See Manage groups.)

\hfive Hoelter's critical N for =.05

\hone Hoelter's critical N for =.01

\ifi Incremental fit index (IFI)

\longdatafilenameThe fully qualified path name of the data file. \datafilename displays the data file name without the path.

\longdate Today's date in long format. \date display's today's date in short format. The displayed date is made current whenever the path diagram is read from a file, saved or printed.

\longfilename Fully qualified path name of the current AMW file. Use \filename to display the file name without the path.

\longtime The time in long format. \time displays the time in short format. The displayed time is made current whenever the path diagram is read from a file, saved or printed.

\mecvi Modified ECVI (MECVI)

\model Model name (See Manage models.)

\ncp Estimate of non-centrality parameter (NCP)

\ncphi Upper bound of 90% confidence interval on NCP

\ncplo Lower bound of 90% confidence interval on NCP

\nfi Normed fit index (NFI)

\npar Number of distinct parameters

\p "p value" associated with discrepancy function (test of perfect fit)

\pcfi Parsimonious comparative fit index (PCFI)

\pclose "p value" for testing the null hypothesis of close fit (RMSEA < .05)

\pgfi Parsimonious goodness of fit index (PGFI)

\pnfi Parsimonious normed fit index (PNFI)

\pratio Parsimony ratio

\rfi Relative fit index

\rmr Root mean square residual

\rmsea Root mean square error of approximation (RMSEA)

\rmseahi Upper bound of 90% confidence interval on RMSEA

\rmsealo Lower bound of 90% confidence interval on RMSEA

\time The time in short format. \longtime displays the time in long format. The displayed time is made current whenever the path diagram is read from a file, saved or printed.

\tli Tucker-Lewis index (TLI)

( liên hệ hotrospss@gmail.com)

Về khái niệm listwise và pairwise trong thống kê với SPSS

Gần đây ad nhận được câu hỏi của một số bạn về hai khái niệm  listwise deletion  và pairwise deletion  khi phân tích với dữ liệu missing values, ad viết bài sau đây là chia sẻ  để các bạn có thể tham khảo thêm thông tin.
Khi thu thập dữ liêu nghiên cứu, có thể có trường hợp ta không thu thập đủ thông tin, những giá trị đó gọi là missing values. Phân tích dữ liệu với SPSS , hoặc AMOS chia ra như sau:
- Exclude Case Listwise : khi phân tích sẽ loại bỏ hoàn toàn dòng dữ liệu đó ra khỏi các phân tích liên quan.
- Exclude Case Pairwise : khi phân tích chỉ loại bỏ những giá trị trống của dòng dữ liệu đó, các cột có dữ liệu vẫn được phân tích bình thường.
Ví dụ khi phân tích tương quan, mục option có mục chọn như sau

Và dữ liệu như sau, chúng ta sẽ phân tích tương quan cho 3 biến RELIABILITY1 2 3

Chỉ có một missing value là RELIABILITY1 ở dòng thứ nhì. Trong phương pháp listwise deletetion thì phân tích bỏ hẵn dòng này ra, kể cả RELIABILITY2 và RELIABILITY3 không hề có missing value vẫn bị loại bỏ dòng thứ nhì ra, mẫu chỉ còn 3 dòng. Trong khi đó, phương pháp pairwise chỉ loại bỏ giá trị dòng thứ 2 liên quan đến biến RELIABILITY1 , còn các dòng không liên quan , mẫu vẫn là 4 dòng như các giá trị tô màu đỏ trong hình.

 

Mô hình cấu trúc: cách nhận biết

Phần trong mô hình mô tả các biến tiềm ẩn liên quan với nhau như thế nào được gọi là mô hình cấu trúc structural model.
(The portion of the model that specifies how the latent variables are related to each other 
is sometimes called the structural model.)

Mô hình đo lường trong amos : cách nhận biết

Mô hình đo lường measurement model: phần trong mô hình chỉ rõ biến quan sát (observed) phụ thuộc vào biến tiềm ẩn như thế nào được gọi là mô hình đo lường.

Ví dụ mô hình sau đây :.

Có 4 mô hình đo lường con phân biệt:

Trường hợp mô hình con KNOWLEDGE , hai kiểm định được thiếp lập:  1knowledge và 2knowledge được giả định phụ thuộc vào khái niệm cơ sở, nhưng không đo lường trực tiếp được, là knowledge. Theo mô hình này, hệ số hồi quy của hai kiểm định con có thể khác nhau, bởi vì ảnh hưởng của error3 và error4 ( đại diện cho sai số của hai kiểm định con này). 1knowledge và 2knowledge được gọi là indicators của biến tiềm ẩn knowledge.

( liên hệ hotrospss@gmail.com Facebook: https://www.facebook.com/HoTroAMOS )

Cách đọc các giá trị variance, covariance, coefficient of correlation trong amos

Nhóm hỗ trợ AMOS giới thiệu đến các bạn cách phân biệt giữa các chỉ số variance, covariance, coefficient of correlation ( tương  ứng với phương sai, hiệp phương sai, hệ số tương quan) và cách đọc các chỉ số này trên mô hình, đây cũng là phần rất cơ bản tuy nhiên dễ gây nhầm lẫn, nên hôm nay nhóm giới thiệu cho các bạn một ví dụ cụ thể để phân biệt 3 giá trị trên.

Giả sử mô hình AMOS đơn giản bao gồm 2 biến AGE và VOCABULARY, chúng ta kéo một đường covariance giữa hai biến như sau:

Sau khi đã gán giá trị số liệu cho 2 biến này, chúng ta thực hiện Calculate Estimates thì sẽ ra được kết quả như sau:

Trên phía bên phải của mỗi ô hình chữ nhật, giá trị màu đỏ đó chính là variance ( phương sai) của mỗi biến quan sát.

Dưới giữa đường covariance nối giữa hai biến quan sát, giá trị màu xanh chính là covariance (hiệp phương sai) giữa hai biến quan sát.

Để xem được coefficient of correlation( hệ số tương quan) , ta chọn giá trị Standardized Estimates như trong hình, giá trị -.09 chính là hệ số tương quan coefficient of correlation

 Đó chỉ là các hiển thị cơ bản trên màn hình, cụ thể hơn ta có thể xem ở mục cửa sổ kết quả của AMOS, các giá trị được hiển thị cụ thể hơn ở đây.

Mong một chút thông tin giúp ích được cho cho các bạn quan tâm, các bạn có thắc mắc có thể mail về nhóm MBA tại địa chỉ hotrospss@gmail.com để được tư vấn thêm

First-Order Factors và Second-Order Factors.

Khi làm luận văn với AMOS, các bạn sẽ đọc được một số từ khóa, trong đó có First-Order Factor và Second-Order Factor. 

Kèm theo 2 hình vẽ để dễ hiểu, nhân tố bậc hai Second-Order Factors được phản ảnh qua các nhân tố bậc 1, nó đại diện cho các nhân tố bậc một. Thông thường đây chính là các nhân tố bậc 1 là các latent variables trong AMOS, và các nhân tố bậc 2 cũng được biểu thị bằng các latent variables.

Trong mô hình CFA với nhiều nhân tố, cấu trúc phương sai, hiệp phương sai của các nhân tố có thể được phân tích thêm bởi việc sử dụng second-order factors nếu thỏa điều kiện sau:
1. Các nhân tố trong mô hình nhân tố bậc 1 First-order factors có thực sự tương quan với nhau.
2.Các nhân tố trong mô hình nhân tố bậc 2 second-order factors có thể đóng góp vào sự biến thiên giữa các nhân tố trong mô hình nhân tố bậc 1 first-order factors (Wang & Wang, 2012).
Nguyên bản tiếng anh: " In a CFA model with multiple factors, the variance/covariance structure of the factors may be further analyzed by introducing second-order factors into the model if (1) the first-order factors are substantially correlated with each other, and (2) the second-order factors may be hypothesized to account for the variation among the first- order factors (Wang & Wang, 2012). "
(hotrospss@gmail.com)

https://www.facebook.com/HoTroAMOS 

Phân tích nhân tố khẳng định Confirmatory Factor Analysis (CFA)

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. 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.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. CFA cũng là một dạng của SEM. Khi xây dựng CFA, các biến quan sát cũng là các biến chỉ báo trong mô hình đo lường, bởi vì chúng cùng ” tải” lên khái niệm lý thuyết cơ sở.

Phương pháp phân tích nhân tố khẳng định CFA chấp nhận các giả thuyết của các nhà nghiên cứu, được xác định căn cứ theo quan hệ giữa mỗi biến và một hay nhiều hơn một nhân tố. Sau đây là một mô hình SEM sử dụng kỹ thuật phân tích CFA:

Hình : 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,

(ξ i là các nhân tố chung, Xi là các nhân tố xác định)

Trong đó: λ là các hệ số tải, các nhân tố chung ξ i có thể có tương quan với nhau, các nhân tố xác định Xi cũng có thể tương quan với nhau. 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) = 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’)

Đặt : Σ = E(xx’); Φ = E(ξξ’); Θ = E(δδ’)

Với x’; Λx’; ξ ‘; δ’ lần lượt là ma trận chuyển vị của ma trận x; Λx; ξ ;δ.

Cuối cùng phương trình Covariance được viết gọn như sau:

Σx = Λx Φξ Λ’x + Θx

Tương tự đối với phương trình dạng ma trận của y và ma trận Covariance:

y = Λyη + ε

Σy = Λy Φη Λ’y + Θy
( Theo Phạm Đức Kỳ)

Mô hình xác lập (recursive) và Mô hình không xác lập (Non-Recursive)

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.

Mô hình Recursive được sử dụng phổ biến trong các mô hình nghiên cứu nhờ ưu điểm là dễ mô hình hoá, có tính ổn định hơn nhiều so với mô hình Non-Recursive, và luôn được xác định  

Hình 9: Mô hình SEM với trạng thái xác lập (ổn định) của nó

X, Y : Biến ngoại sinh E: Số hạng sai số

W, Z: Biến nội sinh <---> Covariance (Tương quan )

 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, tức là có vòng lặp phản hồi (1) , 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, Ngòai ra, 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.

(Theo Phạm Đức Kỳ)

Mô hình cấu trúc trong phân tích SEM

 Mô hình cấu trúc: Xác định các liên kết (quan hệ nhân quả) giữa các biến tiềm ẩn bằng mũi tên nối kết, và gán cho chúng các phương sai giải thích và chưa giải thích, tạo thành cấu trúc nhân quả cơ bản. Biến tiềm ẩn được ước lượng bằng hồi quy bội của các biến quan sát. 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, hay từ 3 đến tối đa là 7 biến quan sát.[Hair et al, Chap 11, 2000]

Mô hình SEM có thể có nhiều dạng khác nhau:

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.

b) Vài biến tiềm ẩn có thể tương quan trong dự báo một biến phụ thuộc nào đó.

c) Một biến tiềm ẩn độc lập có thể dự báo một biến tiềm ẩn khác, rồi biến này lại dự báo một biến thứ ba,

Mô hình đo lường là gì

Mô hình đo lường: (còn gọi là mô hình nhân tố, 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), đồng thời diễn tả các đặc tính đo lường ( độ tin cậy, độ giá trị) của các biến quan sát. Các mô hình đo lường cho các biến độc lập có thể đơn hướng, có thể tương quan hay có thể xác định các biến tiềm ẩn bậc cao hơn. Mô hình đo lường ( hình 7) cho thấy các liên hệ thống kê giữa các biến quan sát, ta có thể dùng để chuẩn hoá mô hình cấu trúc cơ bản. Các biến tiềm ẩn được nối kết bằng các quan hệ dạng hồi quy chuẩn hoá, tức là ước lượng các giá trị cho các hệ số hồi quy.

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. 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,.

( Theo Phạm Đức Kỳ)

Số hạng sai số và phần dư (Error & Disturbance):

Số hạng sai số và phần dư (Error & Disturbance):

Số hạng sai số e_i biểu thị sai số của các biến đo lường, trong khi d_i 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.

Trong mô hình đo lường của SEM (hình 4), mỗi biến nội sinh có một số hạng sai số(e_i) hay nhiễu(d_i), nó thể hiện tính không chắc chắn và không chính xác của sự đo lường, 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.

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…,V6 và F3) có mũi tên vào/ra, còn biến ngoại sinh là biến không phụ thuộc vào biến khác (F1, F2) chỉ có mũi tên đi ra (không có bất kỳ nhiễu d hay bất kỳ sai số e nào)

_{Ngoài ra, cũng cần phân biệt mũi tên một chiều giữa các biến tiềm ẩn và các biến quan sát biểu thị các 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, Một mô hình SEM đặc trưng là một phức hợp giữa một số lượng lớn các biến quan sát và không quan sát, các số hạng phần dư và các sai số.}
( Theo Phạm Đức Kỳ)

Biến quan sát (Observed variable)

Biến quan sát (Observed variable): còn gọi là biến chỉ báo (cấu tạo/phản ánh), biến đo lường, biến ngoại sinh hay biến độc lập…tùy trường hợp cụ thể.Trong hình 1a, mô hình biến quan sát được biểu diễn bằng hình chữ nhật (V1, V2, V3). Biến V1, V2, 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 1b, mô hình biến quan sát V1, V2, V3 phản ánh biến tiềm ẩn F và biến tiềm ẩn F đóng vai trò biến ngoại sinh (nguyên nhân) trong mô hình SEM. (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. 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, thì chúng ta sẽ dùng nó.

( Theo Phạm Đức Kỳ)

Video hướng dẫn phân tích CFA trong AMOS

Phần này sẽ làm các bước:
- Chạy ma trận pattern matrix trong SPSS
- Cách vẽ các biến tiềm ẩn, biến quan sát, latent variables, observed variables, covariances, error terms.
- Thực hiện đọc các chỉ số độ phù hợp của mô hình Model Fit: CMIN/DF, GFI, CFI, AGFI.
- Các phương pháp cải thiện độ phù hợp Model Fix của mô hình: vẽ Covariances, Modification Indices MI, Significant standardized residual.
- Các hiển thị các chỉ số CFI, GFI.... trên màn hình chính
- Thực hiện xây dựng mô hình tự động với Plugins Pattern Matrix Builder của AMOS
- Phân tích CFA chuẩn bị cho chạy mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling)