Nhóm Thạc Sĩ QTKD Bách Khoa giới thiệu đến các bạn các phần sau trong bài:
-
Khái niệm độ phù hợp mô hình model fit.
-
Các chỉ số đo độ phù hợp của mô hình
-
Cách cải thiện độ phù hợp của mô hình dùng chỉ số MI Modification indices
-
Cách cải thiện độ phù hợp của mô hình dùng chỉ số Standardized Residual Covariances (SRCs).
Độ phù hợp mô hình model fit là gì?
Sự phù hợp của mô
hình được xác định bởi sự tương ứng giữa ma trận hiệp phương sai quan
sát được và một ma trận hiệp phương sai ước lượng lấy kết quả từ mô hình
được đề xuất proposed model.
SEM sử dụng một chuỗi các đo lường để miêu tả giả thiết nghiên cứu giải
thích dữ liệu input như thế nào. Dữ liệu input tạo thành ma trận hiệp
phương sai giữa các biến đo lường.
Nếu chúng ta giải thích được đến tất cả các mối tương quan chính vốn
có trong tập dữ liệu (liên quan đến các biến trong mô hình của chúng ta)
thì chúng ta sẽ có mô hình phù hợp good fit. Nếu có sự khác biệt giữa
những mối tương quan đề xuất và những mối tương quan quan sát được,
chúng ta sẽ có một mô hình có độ phù hợp thấp poor fit. Mô hình đề xuất
không "phù hợp" với mô hình quan sát, mô hình ước lượng.
Các chỉ số đo độ phù hợp của mô hình
Các chỉ số đo độ
phù hợp của mô hình, goodness of fit được liệt kê dưới đây, kèm theo với
ngưỡng giá trị chấp nhận. Độ phù hợp mô hình nghịch đảo với kích cỡ mẫu
và số biến quan sát trong mô hình. Vì thế, ngưỡng dưới đây chỉ là hướng
dẫn chung thôi nhé. Chi tiết về ngưỡng cụ thể, xem bảng 12-4 trong sách
Hair et al. 2010 trang 654(Hair, J., Black, W., Babin, B., and
Anderson, R. (2010). Multivariate data analysis (7th ed.):
Prentice-Hall, Inc. Upper Saddle River, NJ, USA.).
|
Chỉ số
|
Ngưỡng chấp nhận
|
|
Chi-square/df (cmin/df)
|
<3 thì tốt, <5 đôi khi chấp nhận được
|
|
CFI
|
>0.9
|
|
GFI
|
>0.9
|
|
TLI
|
>0.9
|
|
RMSEA
|
<0.05
|
|
PCLOSE
|
>0.05
|
Khi chương trình chạy ra ta sẽ xem các giá trị model fit như hình sau:
Ngoài ra còn một số chỉ số đo lường độ phù hợp khác, cụ thể chi tiết các chỉ số như sau:
χ2 / df < 3 : dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình, dùng so sánh model với data, càng nhỏ càng tốt.
SRMR :
standardized root mean square residua: là sự khác biệt giữa phần data
thực tế và phần mô hình dự đoán. Dao động từ 0->1,càng nhỏ càng tốt,
SRMR=0 thì mô hình dự đoán hoàn toàn trùng khớp với dữ liệu, <=5% thì
tốt.
CFI: comparative
fix index. Lấy độ phù hợp của một mô hình với một bộ data và so sánh
với độ phù hợp của một mô hình khác với chính data đó. Dao động từ
0->1 , càng lớn càng tốt. CFI>=90% . Những chỉ số dạng này :TLI
(Tucker–Lewis index), BL89 (Bollen's fitndex), RNI (relative
noncentrality index). CFI là một phiên bản được hiệu chỉnh của RNI. CFI
dùng để tránh đánh giá thấp độ phù hợp khi cỡ mẫu nhỏ khi sử dụng NFI.
Vì thế, ưu điểm của CFI so với NNFI là ít bị tác động của cỡ mẫu.
RMSEA: root mean
square errors of approximation, cũng dạng như SRMR, nhưng sự phù hợp sẽ
xấu đi khi số biến trong mô hình tăng, <=8% thì tốt. , nên SRMR được
ưu tiên dùng hơn.
GFI(goodness of
fix index): dao động từ 0.0 đến 1.0 , đôi khi âm, >=90% là tốt. đo
lượng quan hệ của phương sai và hiệp phương sai trong ma trận hiệp
phương sai. Ý là mô hình phù hợp cỡ nào khi so sánh với mô hình null (
các tham số đã được fix về 0)
AGFI : (Adjusted
Goodness of Fix) dao động từ 0.0 đến 1.0 , >=85 % là tốt. điều
chỉnh kết quả của một mô hình phức tạp , điều chỉnh bậc tự do df với số
biến quan sát , vì thế đề cao những mô hình đơn giản với ít biết quan
sát.
Cách cải thiện độ phù hợp của mô hình
Chỉ số MI Modification indices
Chỉ số MI đưa ra
các biện pháp khắc phục cho các sai lệch giữa mô hình được đề xuất và mô
hình ước lượng estimated model. Trong CFA, chúng ta không thể thêm các
đường hồi qui để sửa mô hình phù hợp, vì tất cả các đường hồi qui giữa
các biến tiềm ẩn và biến quan sát được đã có sẵn. Vì vậy, trong CFA,
chúng ta xem xét các chỉ số sửa đổi cho hiệp phương sai. Nói chung,
chúng ta không được sử dụng các mũi tên hiệp phương sai covariances giữa
phần dư (error terms) với biến quan sát hoặc biến tiềm ẩn. Đồng thời
cũng không được sử dụng giữa những error terms mà không thuộc cùng một
nhân tố. Do đó, cách phù hợp nhất để sử dụng chỉ số MI là nối các mũi
tên hai chiều hiệp phương sai giữa các phần dư trong cùng một nhân tố.
Mô hình có
Chi-square càng nhỏ càng tốt. Cột MI gợi ý cho bạn xem nên móc mũi tên
hai đầu vào cặp sai số nào để có thể cải thiện Chi-square Khi đó
GFI, TLI, CFI … cũng sẽ được cải thiện. Bạn nên chọn những trường hợp
mà có MI lớn để ưu tiên móc trước. Sau đó, chạy lại mô hình, và xem
nên móc tiếp giữa hai sai số nào để tiếp tục cải thiện… Tuy nhiên, một
mô hình không nên móc quá nhiều mũi tên hai đầu giữa các cặp sai số!
Hình dưới đây minh hoạ hướng dẫn này
Chỉ số Standardized Residual Covariances (SRCs).
Có một cách cải
thiện độ phù hợp của mô hình ngoài chỉ số MI, đó là dùng Standardized
Residual Covariances (SRCs). Chỉ số này cũng giống như modification
indices , nghĩa là chỉ ra sự khác nhau giữa mô hình đề xuất và mô hình
ước lượng(proposed and estimated models). Tuy nhiên, những sai lệch đó
có đáng kể mới được sử dụng. Hệ số standardized residual covariance đáng
kể khi có giá trị tuyệt đối lớn hơn 2,58. Những giá trị đó làm giảm
đáng kể độ phù hợp mô hình của bạn. Các quy tắc cải thiện mô hình cũng
tương tự như chỉ số MI( nghĩa là chỉ số nào lớn thì xử lý trước). Tuy
nhiên, cần lưu ý rằng trong thực tế, việc áp dụng cách này nên hạn chế,
bởi vì việc giải quyết theo cách này đòi hỏi phải loại bỏ các items
trong bài của mình. Nghĩa là xóa luôn một vài câu hỏi trong bài, chứ
không đơn thuần là móc chỉ số covariances như khi áp dụng MI
Liên hệ:
-Zalo/viber qua số điện thoại 
-Facebook: http://facebook.com/hoidapSPSS/
-Email: hotrospss@gmail.com
