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)