Cơ sở lý thuyết của mô hình phương trình cấu trúc (SEM)

Hướng dẫn thực hành thực tế : Phân tích EFA, CFA và SEM với R

Cơ sở kim chỉ nan của quy mô mạng ( SEM )

(Tác giả: Phạm Đức Kỳ – Nguồn: mba-15.com)

Phần thứ 1: Mô hình phương trình cấu trúc SEM là gì

1.  Giới thiệu tổng quan mô hình mạng (SEM – Structural Equation Modeling) 

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 tại Hàn Quốc (M.-K. Kim et al. / Telecommunications Policy 28 (2004) 145–159), Mô hình nghiên cứu sự trung thành của khách hàng Dịch vụ thông tin di động tại Việt nam (Phạm Đức Kỳ, Bùi Nguyên Hùng, 2007)…

Mô hình SEM là sự lan rộng ra của quy mô tuyến tính tổng quát ( GLM ) cho phép nhà điều tra và nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc .
SEM hoàn toàn có thể cho một quy mô phức tạp tương thích với tài liệu như những bộ tài liệu khảo sát trong dài hạn ( longitudinal ), nghiên cứu và phân tích tác nhân chứng minh và khẳng định ( CFA ), những quy mô không chuẩn hoá, cơ sở tài liệu có cấu trúc sai số tự đối sánh tương quan, tài liệu với những biến số không chuẩn ( Non-Normality ), hay tài liệu bị thiếu ( missing data ) .
Đặc biệt, SEM sử dụng để ước đạt những quy mô giám sát ( Mesurement Model ) và quy mô cấu trúc ( Structure Model ) của bài toán triết lý đa biến .
Mô hình giám sát chỉ rõ quan hệ giữa những biến tiềm ẩn ( Latent Variables ) và những biến quan sát ( observed variables ). Nó cung ứng thông tin về thuộc tính giám sát của biến quan sát ( độ an toàn và đáng tin cậy, độ giá trị ) .
Mô hình cấu trúc chỉ rõ mối quan hệ giữa những biến tiềm ẩn với nhau. Các mối quan hệ này hoàn toàn có thể diễn đạt những dự báo mang tính triết lý mà những nhà nghiên cứu chăm sóc .
Mô hình SEM phối hợp được tổng thể những kỹ thuật như hồi quy đa biến, nghiên cứu và phân tích tác nhân và nghiên cứu và phân tích mối quan hệ hỗ tương ( giữa những thành phần trong sơ đồ mạng ) để được cho phép tất cả chúng ta kiểm tra mối quan hệ phức tạp trong quy mô. Khác với những kỹ thuật thống kê khác chỉ được cho phép ước đạt mối quan hệ riêng phần của từng cặp tác nhân ( thành phần ) trong quy mô cổ xưa ( quy mô giám sát ), SEM được cho phép ước đạt đồng thời những thành phần trong tổng thể và toàn diện quy mô, ước đạt mối quan hệ nhân quả giữa những khái niệm tiềm ẩn ( Latent Constructs ) qua những chỉ số tích hợp cả đo lường và thống kê và cấu trúc của quy mô kim chỉ nan, đo những mối quan hệ không thay đổi ( recursive ) và không không thay đổi ( non-recursive ), đo những tác động ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo và đối sánh tương quan phần dư. Với kỹ thuật nghiên cứu và phân tích tác nhân chứng minh và khẳng định ( CFA ) quy mô SEM được cho phép linh động tìm kiếm quy mô tương thích nhất trong những quy mô đề xuất .

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).

• SEM cung cấp các công cụ có giá trị về thống kê, khi dùng thông tin đo lường để hiệu chuẩn các quan hệ giả thuyết giữa các biến tiềm ẩn.

• SEM giúp giả thuyết các mô hình, 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, các phần dư và sai số.
• 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, hoặc là các biến tham gia trong một chuỗi nhân quả.

Phần thứ 2: Giới thiệu về các khái niệm biến quan sát, tiềm ẩn, bậc tự do, sai số, phần dư, ẩn tàng, tường minh, tính xác định của mô hình…

3. Các phần tử trong mô hình mạng (SEM) 

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 màn biểu diễn quan hệ giữa những biến quan sát và biến tiềm ẩn

Sự link của những biến quan sát ( chỉ báo ) với những biến tiềm ẩn ( không quan sát ) là bước tiên phong trong một thủ tục thống kê hình thức. Trái lại thường thì những thủ tục link 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 tất cả chúng ta sẽ dùng nó .

Biến tiềm ẩn(Latent Variable):còn gọi là nhân tố, biến nội sinh hay biến phụ thuộc trong mô hình truyền thống(hình 1a). Trái lại, trong mô hình SEM, 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. Biến tiềm ẩn (nhân tố) F1 thể hiện một khái niệm lý thuyết, không thể đo trực tiếp được mà phải thông qua các biến quan sát V1, V2,V3. Trường hợp này biến F1 còn được gọi là nhân tố cơ sở (Underlying factor), trong mô hình đo lường.

Các biến tiềm ẩn hay những tác nhân cơ sở ( F1, F2, F3 ) hay những sai số đo lường và thống kê ( e1, e2, e3 ) hoàn toàn có thể đối sánh tương quan với nhau ( mũi tên 2 chiều ) hay hoàn toàn có thể tác động ảnh hưởng trực tiếp biến tiềm ẩn khác ( mũi tên 1 chiều ). Biến F3 trên hình vẽ có những mũi tên đi vào nên còn được gọi là biến nội sinh hay biến phụ thuộc vào ( trong quy mô hồi quy hay quy mô cấu trúc ) .
Hình 3 : Ví dụ một quy mô cấu trúc

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

Số hạng sai số ei biểu thị sai số của những biến đo lường và thống kê, trong khi di biểu lộ cho nhiễu hoặc sai số tương quan với giá trị dự báo của những tác nhân ( biến ) nội sinh từ những tác nhân ( biến ) ngoại sinh hay còn gọi là phần dư của ước đạt hồi quy .
Trong quy mô giám sát của SEM ( hình 4 ), mỗi biến nội sinh có 1 số ít hạng sai số ( ei ) hay nhiễu ( di ), nó bộc lộ tính không chắc như đinh và không đúng mực của sự thống kê giám sát, đồng thời nó còn biểu lộ đặc thù này cho cả những biến chưa được phát hiện và không được giám sát trong quy mô .
Hình 4 : những thành phần cơ bản trong quy mô SEM

Lưu ý rằng biến nội sinh là biến nhờ vào vào biến khác ( V1, V2 …, V6 và F3 ) có mũi tên vào / ra, còn biến ngoại sinh là biến không nhờ vào vào biến khác ( F1, F2 ) chỉ có mũi tên đi ra ( không có bất kể nhiễu d hay bất kể sai số e nào ) Ngoài ra, cũng cần phân biệt mũi tên một chiều giữa những biến tiềm ẩn và những biến quan sát biểu lộ những thông số tải ( factor loadings ) trong khi mũi tên một chiều giữa những khái niệm tiềm ẩn và những biến quan sát lại bộc lộ thông số hồi quy ( regression coefficients )
Tóm lại, Một quy mô SEM đặc trưng là một phức tạp giữa một số lượng lớn những biến quan sát và không quan sát, những số hạng phần dư và những sai số .

Biến trung gian ( Mediator): Gọi X là biến nguyên nhân gốc, M là biến trung gian tiềm năng(hình 5), và Y là biến kết quả. Để xác định M là biến trung gian:

a ) Chứng minh rằng X — – > Y : Y tương quan với X ,
b ) Chứng minh rằng X — – > M : M tương quan với X ,
c ) Chứng minh rằng M — > Y là link có ý nghĩa trong hồi quy hai biến dự báo
Hình 5 : Biến trung gian trong quy mô SEM

d ) Giả định những kiểm định trên đều thỏa mãn nhu cầu, khi đó :

1. i) Nếu liên kết : X — >Y không có ý nghĩa ở c) : M trung gian toàn phần;
2. ii) Nếu liên kết : X — >Y có ý nghĩa ở c) : M trung gian một phần.

Nếu một khái niệm ( construct ) làm trung gian trong tác động ảnh hưởng của những biến ngọai sinh lên một biến phụ thuộc vào, phải đưa những quan hệ tính năng này vào quy mô. Các biến ngọai sinh nếu là biến trung gian một phần ( tức là một link trực tiếp hay gián tiếp với một biến nhờ vào ) thường là những biến dự báo quan trọng hơn cho một biến phụ thuộc vào, hơn là những biến tương tự như : biến trung gian toàn phần. Nếu những tác động ảnh hưởng trung gian không được xem xét thích hợp ta hoàn toàn có thể bị nhầm lẫn về sự quan trọng tương đối của những tác nhân khác nhau trong sự tác động ảnh hưởng lên một khái niệm .

Phân biệt khái niệm “Ẩn tàng” và khái niệm “Tường minh”

Biến chỉ báo phản ánh (Reflective Indicators) có quan hệ liên đới với nhau, 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.

Biến chỉ báo cấu tạo (Formative Indicators) không cần thiết có liên quan với nhau, sự thay đổi của một biến chỉ báo này không ảnh hưởng đến các biến chỉ báo khác, do vậy không áp dụng đo tính nhất quán.

Hai khái niệm này được phối hợp lại trong quy mô điều tra và nghiên cứu trong đó biến chỉ báo cấu trúc là nguyên do trong khi biến chỉ báo phản ánh thì phản ánh tác dụng .

4. Tính xác định của mô hình SEM

        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. 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.

Để xác lập quy mô nghiên cứu và điều tra thuộc loại quy mô nào trong ba loại quy mô “ Vừa xác lập – Just Identification ” ; “ Kém xác lập – Under Identification ” hay “ Quá xác lập – Over Identification ” thì cần phải tính toán số bậc tự do của quy mô .
Bậc tự do là sự độc lạ giữa tổng số tài liệu quan sát nguồn vào ( data points ) và tổng số những thông số kỹ thuật ước đạt trong SEM, được xác lập bằng công thức sau :

df = 1/2[(p + q)(p + q +1)] – t

 Trong đó:

p = số những biến chỉ báo nội sinh
q = số những biến chỉ báo ngoại sinh
( p + q = số biến quan sát )
t = Số những thông số kỹ thuật ước đạt
½ [ ( p + q ) ( p + q + 1 ) = Số quan sát hay hiệp phương sai trong ma trận ( data points )

1) 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. Ví dụ: 2x+y =7; 3x+2y=11

2) Mô hình “kém xác định” (Under Identification): Mô hình có df < 0 và có vô số các giá trị ước lượng thông số. Vi dụ : 2x +y =7

3) 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). 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). Thông thường mô hình “quá xác định” được ưa thích hơn, có bậc tự do dương (df>0). Mục tiêu là đạt được df càng lớn càng tốt.

Việc đặt những hạn chế ( ràng buộc ) trên quy mô “ quá xác lập ” cho tất cả chúng ta kiểm định những giả thuyết ( dùng Chi Square và những chỉ số khác ) .
Sự “ xác lập ” là một nhu yếu về cấu trúc hay toán học để hoàn toàn có thể triển khai nghiên cứu và phân tích SEM .
Sự “ kém xác lập ” trong thực nghiệm Open khi có một thông số kỹ thuật ước đạt tính “ xác lập ” của quy mô có giá trị gần bằng 0. Do đặc thù lặp của ước đạt SEM, một thông số kỹ thuật ước đạt ( phương sai ví dụ điển hình ) mở màn với giá trị dương và tiến dần về giá trị 0 .
Trong nghiên cứu và điều tra quy mô SEM cần nỗ lực xác lập nguyên do của tính kém xác lập là do cấu trúc hay kém xác lập do thực nghiệm .
– Nếu kém xác lập do cấu trúc : Xác định lại quy mô
– Nếu kém xác lập do thực nghiệm : kiểm soát và điều chỉnh bằng cách tích lũy thêm tài liệu hay xác lập lại quy mô .

  Phần thứ 3: Giới thiệu về các dạng mô hình chủ yếu khi phân tích SEM:mô hình đo lường, mô hình cấu trúc, mô hình xác lập, mô hình không xác lập, mô hình bão hòa, mô hình độc lập…

5. CÁC DẠNG MÔ HÌNH

Theo Vinod Kumar, Deregouska, 2003 thì quy mô SEM gồm hai quy mô có tương quan với nhau là quy mô giám sát và quy mô cấu trúc. Cả hai quy mô đều được xác lập đơn cử bởi nhà nghiên cứu :

5.1 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 và thống kê

Mô hình thống kê giám sát dùng nghiên cứu và phân tích tác nhân để nhìn nhận mức độ mà biến quan sát tải lên những khái niệm tiềm ẩn của chúng. Để nhìn nhận độ giá trị ( quy tụ và phân biệt ) của những biến quan sát sử dụng kỹ thuật nghiên cứu và phân tích tác nhân khẳng định chắc chắn ( CFA ) và ma trận Covariance dựa trên quy mô SEM, .

5.2 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 hoàn toàn có thể có nhiều dạng khác nhau :
Hình 8 : Mô hình SEM và những thành phần cơ bản của nó

1. a) Một biến tiềm ẩn độc lập đơn có thể dự báo một biến tiềm ẩn phụ thuộc đơn.
2. b) Vài biến tiềm ẩn có thể tương quan trong dự báo một biến phụ thuộc nào đó.
3. 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,

5.3 Mô hình xác lập (recursive)

Mô hình có 02 đặc thù cơ bản :
– Các số hạng sai số của nó không có đối sánh tương quan với nhau
– Mọi tác động ảnh hưởng nhân quả đều đơn hướng .
Mô hình Recursive được sử dụng thông dụng trong những quy mô điều tra và nghiên cứu nhờ ưu điểm là dễ mô hình hoá, có tính không thay đổi hơn nhiều so với quy mô Non-Recursive, và luôn được xác lập ( được trình diễn đơn cử trong phần 2.3.3 Tính xác lập của quy mô )
Hình 9 : Mô hình SEM với trạng thái xác lập ( không thay đổi ) của nó

X, Y : Biến ngoại sinh E : Số hạng sai số
W, Z : Biến nội sinh < — > Covariance ( Tương quan )

5.4 Mô hình không xác lập (Non-Recursive)

Hình 10 : Mô hình SEM với trạng thái chưa xác lập ( không không thay đổi )

Mô hình Non-Recursive có vòng lặp phản hồi giữa những 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 trong thời điểm tạm thời, không không thay đổi so với quy mô Recursive, ngoài những, quy mô recursive dễ sử dụng nên thường thì nếu hoàn toàn có thể những nhà nghiên cứu thường quy đổi quy mô Non-Recursive về quy mô Recursive .

5.5 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.Vì vậy mô hình này không có bậc tư do(df=0). Đây là mô hình ít hạn chế(ràng buộc) nhất mà nó có thể phù hợp với bộ dữ liệu.

Hình 11 : Mô hình bão hòa của SEM

5.6 Mô hình độc lập (Independence Model)

Mô hình độc lập ( Hình 12 ) là quy mô có nhiều ràng buộc nhất mà nó hoàn toàn có thể tương thích với bộ tài liệu, có tối đa số bậc tự do. Nó chỉ chứa những ước đạt phương sai của những biến quan sát, tức là giả định những quan hệ giữa những biến quan sát không có .
Hình 12 : Mô hình độc lập của SEM

5.7 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 (non-recursive) giữa các biến khái niệm. Tóm lại mô hình SEM là sự kết hợp giữa mô hình đo lường và mô hình cấu trúc.

Khi làm bài luận thạc sĩ trong thực tiễn, quy mô sẽ có dạng tương tự như như sau :

Phần thứ 4: Giới thiệu về phân tích EFA, CFA, ma trận cấu trúc hiệp phương sai, sơ đồ đường path diagram,direct effect, indirect effect 

6. PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (EFA) VÀ KHẲNG ĐỊNH (CFA)

6.1 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. Phân tích EFA theo đó được tiến hành theo kiểu khám phá để xác định xem phạm vi, mức độ quan hệ giữa các biến quan sát và các nhân tố cơ sở như thế nào, 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. 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 những tác nhân cơ sở tùy thuộc vào quy mô điều tra và nghiên cứu, trong đó chúng ràng buộc nhau bằng cách xoay những vector trực giao nhau để không xảy ra hiện tượng kỳ lạ đối sánh tương quan. Phân tích tác nhân mày mò EFA rất hữu dụng trong bước thực nghiệm khởi đầu hay lan rộng ra kiểm định .

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. 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 nghiên cứu và phân tích tác nhân chứng minh và khẳng định CFA gật đầu những giả thuyết của những nhà nghiên cứu, được xác lập địa thế căn cứ theo quan hệ giữa mỗi biến và một hay nhiều hơn một tác nhân. Sau đây là một quy mô SEM sử dụng kỹ thuật nghiên cứu và phân tích CFA :
Hình 13 : Mô hình giám sát và quy mô cấu trúc của SEM

X1 = λ11 ξ1 + δ1
X2 = λ22 ξ2 + δ2
X3 = λ31 ξ1 + λ32 ξ2 + δ3 ,
( ξi là những tác nhân chung, Xi là những tác nhân xác lập )
Trong đó : λ là những thông số tải, những tác nhân chung ξ i hoàn toàn có thể có đối sánh tương quan với nhau, những tác nhân xác lập Xi cũng hoàn toàn có thể đối sánh tương quan với nhau. Phương sai của một tác nhân xác lập là duy nhất .
Phương trình trình diễn quy mô 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 so với phương trình dạng ma trận của y và ma trận Covariance :

y = Λyη + ε

Σy = Λy Φη Λ’y + Θy

7. MA TRẬN CẤU TRÚC CỦA MÔ HÌNH MẠNG (CSM) (hình 14)

Đơn vị nghiên cứu và phân tích trong quy mô mạng ( SEM ) là những ma trận phương sai ( VAR ) hay hiệp phương sai ( COV ). Tổng quát thủ tục SEM xác lập một ma trận kim chỉ nan hàm ý ( ma trận đối sánh tương quan kỳ vọng ) bởi quy mô điều tra và nghiên cứu. Do vậy những nguồn vào thiết yếu của SEM là những tài liệu thô hay moment mẫu được tính từ tài liệu ( VAR, COV, thông số đối sánh tương quan hay những moment khác ) và quy mô đang được nhìn nhận. Mô hình gồm có một tập hợp những phương trình đề xuất kiến nghị, với vài thông số kỹ thuật khởi đầu được gán giá trị cố định và thắt chặt và những thông số kỹ thuật cần ước đạt ( mean, variance, regression weight .. )
Mục đích của ma trận VAR và COV trong SEM dùng để xác lập những mối quan hệ giữa những thành phần trong quy mô bằng cách ước đạt ma trận đối sánh tương quan kỳ vọng ( tổng thể và toàn diện ), so sánh với ma trận đối sánh tương quan của tài liệu quan sát ( mẫu ) trải qua kiểm định Chi square. Sự độc lạ giữa đối sánh tương quan “ ước đạt ” và đối sánh tương quan “ quan sát ” của hai ma trận này biểu lộ trong sự đổi khác giá trị Chi square, nó chỉ ra mức độ tương thích của quy mô với tài liệu như thế nào ( Chi square không có ý nghĩa ( p > 0.05 ) biểu lộ một sự tương thích tốt ). Kiểm định Chi square gồm có cả đối sánh tương quan của biến quan sát và đối sánh tương quan kỳ vọng

Hình 14: Mô hình cấu trúc hiệp phương sai

( CSM – Covariance Structural Modeling )
SEM giả định những thành phần sai số ngẫu nhiên trong quy mô có phân phối chuẩn đa biến ( màn biểu diễn bằng hình ellipse ). Với giả định này được cho phép dùng giải pháp ML ( Maximum Likelihood ) để ước đạt những thông số trong quy mô. Trong trường hợp những điều kiện kèm theo ước đạt ML không thỏa mãn nhu cầu, như những biến phân loại ( categorical ) ví dụ điển hình thì phải sử dụng chiêu thức ước đạt LS. Tất cả những chiêu thức ước đạt trong SEM đều yên cầu size mẫu lớn .

Ngoài ra các thành phần ngẫu nhiên trong SEM cũng đòi hỏi sai số đo lường của x (hay của y), tức là δ (hay ε) không tương quan với các biến tiềm ẩn độc lập ξ (hay phụ thuộc η). 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).

8. SƠ ĐỒ ĐƯỜNG (Path Diagram)

Nếu cấu trúc của một quy mô chỉ bộc lộ bằng những phương trình thì rất phức tạp và khó hiểu. Để đơn giản hoá và thuận tiện trong nghiên cứu và phân tích, người ta trình diễn mối quan hệ những tác nhân dưới dạng sơ đồ đường của cả quy mô đo lường và thống kê và quy mô cấu trúc .

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. Khái niệm biến nội sinh η được dự báo bởi một hay nhiều khái niệm khác.

9. PHÂN TÍCH SƠ ĐỒ ĐƯỜNG (Path Analysis)

Phân tích sơ đồ đường hay còn gọi là quy mô nhân quả, tập trung chuyên sâu vào việc khảo sát mạng lưới quan hệ giữa những biến đo lường và thống kê, mối quan hệ nhân quả giữa hai hay nhiều biến, cường độ của những quan hệ trực tiếp và gián tiếp, hoàn toàn có thể nghiên cứu và phân tích cả những quan hệ trung gian ( X -> Y -> Z ) .

Phương trình cấu trúc :

Trong nghiên cứu và phân tích sơ đồ đường những thành phần biến có quan hệ tác động ảnh hưởng trực tiếp và gián tiếp nhau. Trong sơ đồ nhân quả trên ta có :

Ảnh hưởng trực tiếp :

X3 gồm tác động ảnh hưởng của X1 và X2 ,
X4 gồm ảnh hưởng tác động của X2 và X3 ,
X5 chỉ ảnh hưởng tác động trực tiếp bởi X2
Y gồm tác động ảnh hưởng của X4 và X5

Ảnh hưởng gián tiếp:

Là ảnh hưởng tác động của một biến trải qua một biến khác, ví dụ :
X1 tác động ảnh hưởng lên X4 trải qua X3
X1 tác động ảnh hưởng lên Y một cách gián tiếp trải qua X3 và X4 .
Ảnh hưởng giữa những biến bộc lộ bằng những thông số đối sánh tương quan. Toàn bộ những ảnh hưởng tác động giữa những biến trong quy mô SEM tạo nên ma trận đối sánh tương quan cấu trúc :
r13 = p31 ; r23 = p32 ; r14 = p43. p31
r24 = p43. p32 + p42 ; r25 = p52
ry = py4. p42 + py4. p43. p32 + py5. p52
Quy tắc : Tương quan cấu trúc giữa hai biến thì bằng tổng những tác động ảnh hưởng trực tiếp và gián tiếp có năng lực xảy ra .
Giả sử có ma trận đối sánh tương quan của những biến quan sát X1, X2 và X3 như sau :

        X1      X2      X3
X1      1.0       r12     r13
X2                 1.0      r23
X3                           1.0

Giả thiết một quy mô cấu trúc ( M1 ) dùng để kiểm định là :

Mô hình này được trình diễn bằng những phương trình sau
ŕ12 = p21 ( p : thông số hồi quy riêng phần chuẩn hóa )
ŕ13 = p31 + p32. p21 ( tác động ảnh hưởng trực tiếp của X1 lên X3 cộng với tác động ảnh hưởng gián tiếp qua X2 )
ŕ23 = p32 + p31. p21 ( ảnh hưởng tác động trực tiếp của X2 lên X3 cộng với ảnh hưởng tác động của X1 lên X3 và X2 )
ŕij trình diễn đối sánh tương quan “ tái cấu trúc ” hay đối sánh tương quan “ ước đạt ” trên cơ sở quy mô kim chỉ nan trên đây. Hệ số hồi quy hoàn toàn có thể ước đạt bằng giải pháp hồi quy đa biến trên cơ sở quy mô đã cho và hoàn toàn có thể dùng để “ tái cấu trúc lại ” ma trận đối sánh tương quan .

• Tương quan của các quan sát bằng dữ liệu:

X1      X2          X3
X1      1.0      r 12(o)    r13(o)
X2                 1.0         r23(o)
X3                             1.0

• Tương quan tái cấu trúc trên cơ sở mô hình sơ đồ đường:

X1         X2          X3
X1      1.0         ŕ12 (e)    ŕ13(e)
X2                   1.0          ŕ23(e)

X3                               1.0

So sánh những thành phần của hai ma trận đối sánh tương quan này càng giống nhau thì giá trị Chi square càng nhỏ .

Lưu ý rằng mỗi quy mô sửa chữa thay thế có một tập đối sánh tương quan kỳ vọng khác nhau làm cho quy mô tốt hơn hoặc xấu đi. Giả sử quy mô triết lý ở trên giờ đây là ( M2 )

Hầu hết những quy mô nhân quả đều triển khai so sánh để chọn ra quy mô tương thích nhất. Mỗi quy mô có một giá trị Chi square ứng với số bậc tự do nhất định. Hai quy mô M1 và M2 giống nhau nhưng M2 bỏ đi mối quan hệ X1 và X2. Ý nghĩa của sự tăng / giảm độ tương thích trong trường hợp này là : với df = df1 – df2 ( hay còn xác lập bằng chỉ số sự biến hóa của Chi square trên một bậc tự do )
Mỗi đường trình diễn một quan hệ giữa hai biến thì tương ứng với một giả thuyết điều tra và nghiên cứu, không được kiểm định để xác lập hướng. Phân tích nhân quả là nghiên cứu và phân tích những tập hợp con của quy mô SEM như hình dưới đây :
Hình 15 : Mô hình giám sát con và sự phối hợp của chúng trong quy mô cấu trúc của SEM

Phân tích nhân quả chỉ đề cập đến những biến đo lường và thống kê, là sự lan rộng ra của hồi quy, có tính đồng thời và dùng độ đo tổng hợp .
Phân tích nhân quả là kỹ thuật xác lập quan hệ trực tiếp và gián tiếp giữa những biến số, là những link giả thuyết giữa những biến ngoại sinh và biến nội sinh, là hiệu ứng trực tiếp hay chính là thông số hồi quy. Liên kết gián tiếp ( hay hiệu ứng gián tiếp ) qua biến trung gian bằng tích của hai hay nhiều thông số hồi quy. Hệ số nhân quả bằng thông số đối sánh tương quan hay hồi quy ( thường chuẩn hoá ) link những biến số. Nếu chỉ có một link giữa hai biến số, thông số nhân quả bằng thông số đối sánh tương quan. Ý nghĩa của thông số nhân quả chính là tỷ số số lượng giới hạn CR = β / SEβ = Z-Statistic ; CR > 1.96 để có ý nghĩa tại p = 0.05 hay CR = 2.5 tại mức ý nghĩa 0.01 .

   Phần thứ 5 gồm: Kiểm tra độ tin cậy của thang đo ,Mức độ phù hợp của tổng thể mô hình,Kiểm định Chi-Square (χ2),Tỷ số Chi-Square/bậc tự do: χ2 / df ,GFI, AGFI, CFI, NFI, Chỉ số điều chỉnh mô hình (MI – Modification Indices), Kiểm tra ước lượng mô hình bằng phương pháp Boostrap, các công cụ AMOS, LISREL, EQS, MPLUS…

10. TÓM TẮT CÁC BƯỚC THỐNG KÊ TRONG SEM

1) Kiểm tra độ tin cậy của thang đo

– Bằng thông số Cronbach’s Alpha. [ Hair et al, 1998, Segar, 1997 ]
– Ước lượng những thông số hồi quy và tvalue
– Phân tích tác nhân chứng minh và khẳng định ( CFA ) : thực thi trên quy mô thống kê giám sát để loại những biến có thông số tải tác nhân tiềm ẩn thấp. Có thể thực thi kiểm định CFA trên từng quy mô con ( Sub Model ) trước khi kiểm định quy mô tổng thể và toàn diện ( tập hợp những quy mô con để kiểm định đồng thời ) .
– Thống kê SMC ( Square Multiple Correlation ) cho mỗi khái niệm tiềm ẩn ngoại sinh ( tác dụng nghiên cứu và phân tích CFA của quy mô đo lường và thống kê nêu trên ), tương tự như thông số R2 trong hồi quy tuyến tính, SMC là phương sai lý giải của mỗi khái niệm tiềm ẩn [ Bollen, 1989 ]

2) Mức độ phù hợp của tổng thể mô hình

Bản chất của quy mô SEM là yên cầu những nhà nghiên cứu trước hết triển khai khai báo những giá trị xuất phát ban đầu được gọi là quy mô giả thiết. Từ quy mô giả thiết, trải qua một chuỗi vòng lặp những chỉ số biến hóa để ở đầu cuối phân phối cho nhà nghiên cứu một quy mô xác lập, có năng lực lý giải tối đa sự tương thích giữa quy mô với bộ tài liệu tích lũy thực tiễn .
Sự tương thích của hàng loạt quy mô trên thực tiễn được nhìn nhận trải qua những tiêu chuẩn về mức độ tương thích như sau :
i ) Kiểm định Chi-Square ( χ2 ) :
Biểu thị mức độ tương thích tổng quát của hàng loạt quy mô tại mức ý nghĩa p-value = 0.05 [ Joserkog và Sorbom, 1989 ]. Điều này thực tiễn rất khó xảy ra chính bới χ2 rất nhạy với kích cỡ mẫu lớn và độ mạnh của kiểm định, nên trong thực tiễn người ta dùng chỉ số χ2 / df để nhìn nhận ,
ii ) Tỷ số Chi-Square / bậc tự do : χ2 / df
Cũng dùng để đo mức độ tương thích một cách chi tiết cụ thể hơn của cả quy mô. Một số tác giả đề xuất 1 < χ2 / df < 3 [ Hair et al, 1998 ] ; một số ít khác đề xuất χ2 càng nhỏ càng tốt [ Segar, Grover, 1993 ] và cho rằng χ2 / df < 3 : 1 [ Chin và Todd, 1995 ] Ngoài ra, trong 1 số ít điều tra và nghiên cứu trong thực tiễn người ta phân biệt ra 2 trường hợp : χ2 / df < 5 ( với mẫu N > 200 ) ; hay < 3 ( khi cỡ mẫu N < 200 ) thì quy mô được xem là tương thích tốt [ Kettinger và Lee, 1995 ] . iii ) Các chỉ số tương quan khác : GFI, AGFI, CFI, NFI, … .. có giá trị > 0.9 được xem là quy mô tương thích tốt. Nếu những giá trị này bằng 1, ta nói quy mô là hoàn hảo nhất. [ Segar, Grover, 1993 ] và [ Chin và Todd, 1995 ]
GFI : đo độ tương thích tuyệt đối ( không kiểm soát và điều chỉnh bậc tự do ) của quy mô cấu trúc và quy mô đo lường và thống kê với bộ tài liệu khảo sát .
AGFI : Điều chỉnh giá trị GFI theo bậc tự do trong quy mô .
RMR : Một mặt nhìn nhận phương sai phần dư của biến quan sát, mặt khác nhìn nhận đối sánh tương quan phần dư của một biến quan sát này với đối sánh tương quan phần dư của một biến quan sát khác .. Giá trị RMR càng lớn nghĩa là phương sai phần dư càng cao, nó phản ánh một quy mô có độ tương thích không tốt .
RMSEA : là một chỉ tiêu quan trọng, nó xác lập mức độ tương thích của quy mô so với tổng thể và toàn diện .
Trong tạp chí nghiên cứu và điều tra IS, những tác giả cho rằng chỉ số RMSEA, RMR nhu yếu < 0.05 thì quy mô tương thích tốt. Trong 1 số ít trường hợp giá trị này < 0.08 quy mô được gật đầu. [ Taylor, Sharland, Cronin và Bullard, 1993 ] . NFI : đo sự độc lạ phân bổ chuẩn của χ2 giữa quy mô độc lập ( đơn nhân tố, có những thông số bằng 0 ) với phép đo phương sai và quy mô đa tác nhân . NFI = ( χ2 null – χ2 proposed ) / χ2 null = ( χ2 Mo – χ2 Mn ) / χ2 Mo Mo : Mô hình gốc ; Mn : Mô hình tương thích Giá trị đề xuất NFI > 0.9 [ Hair et al, 1998 ] và [ Chin và Todd, 1995 ]
iv ) Mức Phần Trăm :
Giá trị >. 05 được xem là quy mô tương thích tốt. [ Arbuckle và Wothke, 1999 ; Rupp và Segal, 1989 ]. Điều này có nghĩa rằng không hề bác bỏ giả thuyết H0 ( là giả thuyết quy mô tốt ), tức là không tìm kiếm được quy mô nào tốt hơn quy mô hiện tại )
Ngoài ra những quan hệ riêng không liên quan gì đến nhau cũng được nhìn nhận tốt dựa trên những mức ý nghĩa thống kê. Tác động của những biến ngoại sinh lên những biến nội sinh và ảnh hưởng tác động của những biến nội sinh lên những biến nội sinh được nhìn nhận qua những thông số hồi quy. Mối quan hệ giữa những biến được bộc lộ bằng mũi tên trên quy mô. Chiều mũi tên màn biểu diễn chiều tác động ảnh hưởng của biến này lên biến kia. Ứng với một mối quan hệ ta có một giả thuyết tương ứng ( như đã trình diễn ở phần đầu chương này về những giả thuyết và quy mô điều tra và nghiên cứu ). Trong những nghiên cứu và điều tra thuộc nghành nghề dịch vụ khoa học xã hội, toàn bộ những mối quan hệ nhân quả đề xuất có độ an toàn và đáng tin cậy ở mức 95 % ( p =. 05 ) [ Cohen, 1988 ]

3) Chỉ số điều chỉnh mô hình (MI – Modification Indices)

Chỉ số kiểm soát và điều chỉnh quy mô là chỉ số ước đạt sự biến hóa của χ2 ứng với mỗi trường hợp thêm vào một mối quan hệ khả dĩ ( ứng với giảm một bậc tự do ). Nếu MI chỉ ra rằng lượng giảm ∆ χ 2 > 3.84 ( ứng với giảm một bậc tự do ), thì được cho phép ta đề xuất một mối quan hệ làm tăng độ tương thích của quy mô. . [ Hair et al, 1998 ]. ( xem lại phần 3 – Phân tích sơ đồ đường, so sánh biến hóa χ2 giữa quy mô M1 và M2 ). Điều này cũng tựa như như đưa từng biến độc lập vào trong quy mô hồi quy tuyến tính. Tuy vậy nhà nghiên cứu và điều tra nên thận trọng chính do mối quan hệ thêm vào quy mô chỉ được xem xét khi nó ủng hộ lý thuyết và không nên nỗ lực mọi cách để cải tổ những chỉ số nhằm mục đích làm cho quy mô tương thích hơn [ Bullock et al, 1994 ; Hair et al, 1998 ]. Các chỉ số tương thích tốt chỉ ra rằng tài liệu ủng hộ quy mô đề xuất, nhưng chúng không có nghĩa rằng quy mô lựa chọn là đúng mực hay là quy mô tốt nhất trong số những quy mô khả thi về mặt kim chỉ nan. Như vậy sẽ sống sót 1 số ít quy mô với mức độ kiểm soát và điều chỉnh độ tương thích khác nhau, tuỳ theo quan điểm nhà nghiên cứu và điều tra. Các quy mô này được gọi là những quy mô cạnh tranh đối đầu .

4) Kiểm tra ước lượng mô hình bằng phương pháp Boostrap

Mô hình ở đầu cuối cũng như những quy mô tương thích khác thiết yếu phải có bộ tài liệu độc lập với nhau, hay cỡ mẫu bắt đầu khá lớn. Trong chiêu thức điều tra và nghiên cứu định lượng bằng chiêu thức lấy mẫu, thường thì tất cả chúng ta phải chia mẫu thành 02 mẫu con. Mẫu con thứ nhất dùng để ước đạt những tham số quy mô và mẫu con thứ hai dùng để nhìn nhận lại :

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

Chỉ số nhìn nhận chéo CVI ( Cross-Validation Index ) đo khoảng cách giữa ma trận Covariance tương thích trong mẫu con thứ nhất với ma trận Covariance của mẫu. Chỉ số CVI nhỏ nhất cho phép kỳ vọng trạng thái mẫu tái diễn càng không thay đổi .
Cách khác là lặp lại nghiên cứu và điều tra bằng một mẫu khác. Hai cách trên đây thường không trong thực tiễn vì giải pháp nghiên cứu và phân tích quy mô cấu trúc thường yên cầu mẫu lớn nên việc làm này tốn kém nhiều thời hạn, ngân sách [ Anderson và Gerbing 1998 ]. Trong những trường hợp như vậy thì Boostrap là giải pháp tương thích để sửa chữa thay thế [ Schumacker và Lomax 1996 ]. Boostrap la chiêu thức lấy mẫu lại có sửa chữa thay thế trong đó mẫu bắt đầu đóng vai trò đám đông .
Phương pháp Boostrap thực thi với số mẫu lặp lại là N lần. Kết quả ước đạt từ N mẫu được tính trung bình và giá trị này có khuynh hướng gần đến ước đạt của toàn diện và tổng thể. Khoảng chênh lệch giữa giá trị trung bình ước đạt bằng Boostrap và ước đạt quy mô với mẫu khởi đầu càng nhỏ được cho phép Tóm lại những ước đạt quy mô hoàn toàn có thể an toàn và đáng tin cậy được .

11. CÔNG CỤ THỐNG KÊ ỨNG DỤNG TRONG SEM

Hiện nay có nhiều công cụ phần mềm hỗ trợ quá trình thống kê, phân tích và xác định mô hình SEM như : AMOS, LISREL, EQS, MPLUS… được các nhà nghiên cứu sử dụng rất phổ biến trong các đề tài nghiên cứu. 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, nhân tố (phần tử mô hình) bằng trực quan hình học nhờ chức năng AMOS Graphics. Kết quả được biểu thị trực tiếp trên mô hình hình học, nhà nghiên cứu căn cứ vào các chỉ số để kiểm định các giả thuyết, độ phù hợp của tổng thể mô hình một cách dễ dàng, nhanh chóng. Minh họa cho phương pháp phân tích dữ liệu sử dụng công cụ AMOS có thể tham khảo nghiên cứu của tác giả.

Ghi chú : THỰC HÀNH MÔ HÌNH CẤU TRÚC TUYẾN TÍNH ( SEM ) VỚI PHẦN MỀM AMOS
http://www.idr.edu.vn/diendannghiencuu/showthread.php?t=865

Xem thêm [http://letanphung.blogspot.com]:

Hướng dẫn thực hành mô hình SEM trên phần mềm R

Ứng dụng của mô hình Phương trình cấu trúc (SEM) tại Việt Nam:

————-&&————-

Share this:

• Twitter
• Facebook

Thích bài này:

Thích

Đang tải…

Có liên quan

Filed under : Kinh tế lượng |

Source: https://mindovermetal.org
Category: Wiki công nghệ