Phân tích đa nhóm Multigroup Analysis trong AMOS là một kỹ thuật quan trọng trong nghiên cứu định lượng, đặc biệt khi sử dụng mô hình cấu trúc tuyến tính (SEM). Phương pháp này cho phép nhà nghiên cứu kiểm tra xem một mô hình lý thuyết có hoạt động giống nhau giữa các nhóm đối tượng khác nhau hay không, ví dụ như nam và nữ, nhóm thu nhập cao và thấp, người đã từng sử dụng sản phẩm và người chưa từng sử dụng,... Trong bối cảnh nghiên cứu khoa học, luận văn và đề tài học thuật, phân tích đa nhóm giúp làm rõ sự khác biệt trong cơ chế tác động giữa các biến, từ đó nâng cao giá trị thực tiễn của nghiên cứu.
1. Khái niệm phân tích đa nhóm trong AMOS
Phân tích đa nhóm (Multigroup Analysis – MGA) là kỹ thuật so sánh mô hình SEM giữa hai hoặc nhiều nhóm dữ liệu khác nhau. Thay vì chạy mô hình riêng lẻ cho từng nhóm rồi so sánh thủ công, AMOS cho phép chúng ta chạy đồng thời nhiều nhóm trong cùng một mô hình và kiểm định xem các hệ số đường dẫn (path coefficients), hệ số tải (factor loadings) hoặc các tham số khác có sự khác biệt có ý nghĩa thống kê hay không.
Ví dụ: Trong nghiên cứu hành vi mua xe điện, bạn có thể muốn kiểm tra xem tác động của Nhận thức về môi trường lên Ý định mua có mạnh hơn ở nhóm nam so với nhóm nữ hay không. Khi đó, giới tính sẽ là biến phân nhóm trong phân tích đa nhóm.
Tránh nhầm lẫn chức năng của "Phân tích đa nhóm Multigroup" với "Phân tích phương sai One-way ANOVA":
- Multigroup Analysis: đánh giá sự khác biệt CÁC MỐI QUAN HỆ TÁC ĐỘNG trong mô hình giữa các giá trị khác nhau của biến định tính. Ví dụ: xem quan hệ Nhận thức về môi trường tác động lên Ý định mua khác nhau như thế nào giữa nam và nữ.
- One-way ANOVA: đánh giá sự khác biệt MỘT BIẾN ĐỊNH LƯỢNG giữa các giá trị khác nhau của biến định tính. Ví dụ: xem biến Ý định mua khác nhau như thế nào giữa nam và nữ.
2. Điều kiện thực hiện phân tích đa nhóm
Trước khi tiến hành Multigroup Analysis trong AMOS, cần đảm bảo một số điều kiện sau:
- Thứ nhất, mô hình đo lường phải đạt yêu cầu (CFA đạt chuẩn). Nghĩa là các chỉ số như Chi-square/df, CFI, TLI, RMSEA… phải đạt ngưỡng chấp nhận được.
- Thứ hai, cỡ mẫu của từng nhóm phải đủ lớn. Thông thường, mỗi nhóm nên có ít nhất 100 quan sát để đảm bảo độ ổn định của ước lượng.
- Thứ ba, biến phân nhóm phải là biến định tính (nominal hoặc ordinal) và được mã hóa rõ ràng trong SPSS trước khi đưa sang AMOS.
Nếu các điều kiện này chưa đảm bảo, kết quả phân tích đa nhóm có thể thiếu độ tin cậy hoặc không thể so sánh được.
3. Cơ chế đánh giá của phân tích đa nhóm Multigroup Analysis
Theo cách tiếp cận truyền thống của Jöreskog (1971), để xác định một mô hình có khác biệt giữa các nhóm đối tượng hay không, nhà nghiên cứu sẽ so sánh sự chênh lệch giá trị Chi-square (Chi bình phương) trong mối quan hệ với bậc tự do (df) giữa hai mô hình: mô hình khả biến (không ràng buộc) và mô hình bất biến (có ràng buộc).
Mô hình khả biến là mô hình trong đó các hệ số tác động của các đường dẫn được để tự do ước lượng ở từng nhóm, tức là không áp đặt điều kiện bằng nhau giữa các nhóm. Ngược lại, mô hình bất biến là mô hình mà tại đó một hoặc một số hệ số đường dẫn được cố định bằng nhau giữa các nhóm nhằm kiểm định xem các mối quan hệ đó có thực sự khác biệt hay không. Việc để hệ số tự do hay ràng buộc sẽ được thực hiện thông qua thao tác gán nhãn tham số trong AMOS và sẽ được minh họa cụ thể trong phần ví dụ thực hành.
Sau khi chạy SEM cho cả hai mô hình (khả biến và bất biến), chúng ta thu được giá trị Chi-square và df tương ứng của từng mô hình. Tiếp theo, tiến hành kiểm định sự khác biệt Chi-square (Chi-square difference test) giữa hai mô hình dựa trên phần chênh lệch Chi-square và chênh lệch df. Giả thuyết kiểm định được đặt ra như sau:
- H0: Không có sự khác biệt giữa mô hình bất biến và mô hình khả biến.
- H1: Có sự khác biệt giữa mô hình bất biến và mô hình khả biến.
Nếu kết quả kiểm định cho thấy không đủ cơ sở bác bỏ H0 (tức là sự chênh lệch Chi-square không có ý nghĩa thống kê), ta kết luận rằng việc ràng buộc các hệ số là phù hợp và có thể chọn mô hình bất biến để diễn giải kết quả, vì mô hình này có bậc tự do cao hơn và mang tính tiết kiệm hơn về mặt tham số.
Ngược lại, nếu H0 bị bác bỏ (sự khác biệt Chi-square có ý nghĩa thống kê), điều đó cho thấy tồn tại sự khác biệt đáng kể giữa hai mô hình. Khi đó, mô hình khả biến sẽ được lựa chọn để giải thích kết quả, vì các hệ số tác động thực sự khác nhau giữa các nhóm nghiên cứu.
Từ cơ chế kiểm định sự khác biệt Chi-square giữa mô hình khả biến và mô hình bất biến, chúng ta có thể xác định trước những nội dung cần chuẩn bị khi thực hiện phân tích cấu trúc đa nhóm như sau:
- Thứ nhất, mỗi lần phân tích đa nhóm chỉ thực hiện cho một biến định tính. Nếu nghiên cứu có nhiều biến định tính (ví dụ: giới tính, độ tuổi, thu nhập…), chúng ta sẽ tiến hành phân tích lần lượt cho từng biến, không gộp nhiều biến phân nhóm trong cùng một lần kiểm định.
- Thứ hai, để phân tích đa nhóm cho một biến định tính, cần xây dựng hai diagram SEM riêng biệt cho biến đó. Một diagram đại diện cho mô hình bất biến (MHBB), tức là mô hình có ràng buộc các hệ số cần kiểm định giữa các nhóm. Diagram còn lại đại diện cho mô hình khả biến (MHKB), trong đó các hệ số được để tự do ước lượng ở từng nhóm. Như vậy, nếu nghiên cứu có hai biến định tính cần kiểm định, chúng ta sẽ phải xây dựng tổng cộng bốn diagram SEM tương ứng.
- Thứ ba, trong mỗi lần phân tích đa nhóm, cần thu thập hai thông số quan trọng từ từng mô hình (MHBB và MHKB), đó là giá trị Chi-square và bậc tự do (df). Đây là cơ sở để thực hiện bước so sánh sự khác biệt giữa hai mô hình.
- Cuối cùng, cần tiến hành kiểm định sự khác biệt Chi-square theo chênh lệch bậc tự do giữa hai mô hình nhằm tính ra p-value. Giá trị p này sẽ được sử dụng để đưa ra kết luận về việc chấp nhận hay bác bỏ giả thuyết đã đặt ra ban đầu liên quan đến sự khác biệt giữa các nhóm trong mô hình nghiên cứu.
3. Cách phân tích đa nhóm Multigroup Analysis trong AMOS
Bước phân tích đa nhóm thường sẽ triển khai sau phân tích mô hình cấu trúc tuyến tính SEM. Chúng ta sẽ tận dụng diagram SEM để thực hiện tiếp phân tích MGA.
Xét một đề tài nghiên cứu với mô hình lý thuyết được xây dựng như hình minh họa bên dưới.
Mỗi biến tiềm ẩn của mô hình được đo lường thông qua các biến quan sát tương ứng và toàn bộ cấu trúc đã được biểu diễn bằng diagram SEM trên phần mềm AMOS như sau:
Bộ dữ liệu mẫu sử dụng trong nghiên cứu gồm hai biến định tính dùng để phân nhóm, cụ thể:
- Giới tính: Nam; Nữ
- Độ tuổi: Dưới 18 tuổi; Từ 18–35 tuổi; Từ 36–50 tuổi; Trên 50 tuổi
Chúng ta sẽ thực hiện phân tích cấu trúc đa nhóm (Multigroup Analysis) nhằm kiểm tra xem mô hình SEM có sự khác biệt giữa các nhóm giá trị của từng biến định tính hay không. Nghĩa là, chúng ta sẽ xem xét liệu các mối quan hệ trong mô hình có thay đổi theo giới tính hoặc theo nhóm độ tuổi hay không. Trong ví dụ minh họa bên dưới, toàn bộ các đường dẫn trong mô hình SEM sẽ được đưa vào kiểm định.
Cần lưu ý rằng, khi xây dựng mô hình bất biến (MHBB), việc cố định hệ số hồi quy phải phù hợp với mục tiêu kiểm định. Nếu chỉ muốn đánh giá sự khác biệt của một đường dẫn cụ thể, ta chỉ cần ràng buộc (cố định bằng nhau) hệ số hồi quy của riêng đường dẫn đó giữa các nhóm, còn các đường dẫn khác vẫn để tự do ước lượng. Ngược lại, nếu mục tiêu là đánh giá sự khác biệt của toàn bộ cấu trúc mô hình, thì cần cố định tất cả các hệ số đường dẫn trong mô hình khi thiết lập MHBB.
3.1 Phân tích cấu trúc đa nhóm cho biến Giới tính
Bước 1: Như đã đề cập ở phần thông tin chuẩn bị, chúng ta cần 2 file diagram tương ứng với MHBB và MHKB cho biến Giới tính. Chúng ta sẽ tạo lần lượt từng file. Lưu diagram SEM thành một file mới với tên GT-BB.
Bước 2: Chèn macro lấy giá trị Chi-square và df ra ngoài diagram. Nếu trước đó phân tích SEM các bạn đã có 2 macro này rồi thì không cần thay đổi. Cấu trúc macro như sau:
Chi-square=\cmin
df=\df
Bước 3: Cố định hệ số tác động vào các đường dẫn mô hình cấu trúc bằng cách nhấp đôi chuột vào đường dẫn > Chuyển sang thẻ Parameters > Điền hệ số tác động vào ô Regression weight. Giả sử không muốn xem xét Multigroup cho đường dẫn từ BH lên TT thì để trống mục Regression weight của mũi tên từ BH lên TT.
Có thể dùng ký hiệu là B1, B2, B3... để cố định toàn bộ các đường dẫn mô hình cấu trúc. Kết quả cuối cùng có được như sau.
Bước 4: Khai báo các nhóm giá trị của biến Giới tính. Nhìn bên trái giao diện AMOS, chúng ta sẽ thấy dòng Group number 1, nhấp đôi vào dòng này.
Bảng Manage Groups xuất hiện, tại đây chúng ta khai báo hai giá trị Nam/Nữ vào. Đổi tên Group number 1 thành "Nam", sau đó tiếp tục nhấp New để tiền vào "Nữ".
Tới đây chúng ta đã khai báo đủ 2 giá trị của biến Giới tính, do vậy sẽ nhấp vào Close để kết thúc quá trình khai báo. Nếu một biến định tính có 3 giá trị, chúng ta sẽ tiếp tục nhấp New và điền vào giá trị thứ ba và chọn Close. Cứ như vậy đến khi chúng ta hoàn thành nhập xong toàn bộ các giá trị của biến định tính.
Bước 5: Nhập dữ liệu cho các giá trị biến Giới tính. Nhấp vào nút Select data file(s).
Cửa sổ Data Files hiện ra, tại đây chúng ta sẽ đưa dữ liệu vào các giá trị đã khai báo. Chúng ta thực hiện theo thứ tự đánh số 1, 2, 3, 4 cho từng nhóm giá trị biến Giới tính. Nhấp vào nhóm "Nam" > Nhấp vào File Name, tìm và mở file dữ liệu SPSS chạy SEM, cụ thể ở đây là file DATA-AMOS.sav.
Nhấp vào Grouping Variable, một cửa số xuất hiện, tại đây tìm và chọn biến Giới tính, cụ thể ở đây là Gioi Tinh. Sau đó chọn OK.
Lúc này mục số 4 - Group Value sẽ sáng lên, nhấp vào đó và chọn giá trị mã hóa tương ứng với tên nhóm. Biến Giới tính mã hóa 1 là Nam, 2 là Nữ. Chúng ta đang nhập dữ liệu cho nhóm Nam, do đó sẽ chọn giá trị 1 và nhấp vào OK để trở về cửa sổ Data Files. Tiếp tục nhấp OK để kết thúc.
Thực hiện tương tự cho nhóm "Nữ", nhớ là mục số 4 - Group Value chúng ta sẽ chọn giá trị 2 tương ứng cho nhóm "Nữ".
Kết quả hoàn chỉnh sau khi đã nhập dữ liệu cho các giá trị của biến Giới tính như sau. Thực hiện lưu lại file và kết thúc quá trình xây dựng diagram MHBB.
Bước 5: Tạo MHKB cho biến Giới tính bằng cách lưu mới (Save as) file GT-BB vừa thực hiện xong thành một file mới với tên GT-KB. Chúng ta thực hiện lại thao tác khai báo nhóm giá trị, nhập dữ liệu vào cho nhóm giá trị... giống như MHBB. Tuy nhiên, nhờ việc lưu mới kết quả từ file GT-BB nên các thông tin này đều được giữ từ MHBB rồi, chúng ta không cần phải làm lại nữa. Việc chúng ta cần làm là xóa toàn bộ các hệ số tác động B1, B2, B3... ở các đường dẫn đi để chuyển MHBB thành MHKB.
Kết thúc quá trình này, chúng ta đã tạo ra được 2 file MHBB và MHKB lần lượt là GT-BB.amw và GT-KB.amw. Lưu ý, trong khi phân tích CFA, SEM, tạo MHBB, MHKB,.. AMOS sẽ sinh ra các file tạm, các file này không cần dùng đến nên khi hoàn thành bài, các bạn có thể xóa nó đi, chỉ giữ lại các file định dạng .amw.
Bước 6: Lấy giá trị Chi-square và df ở hai mô hình bất biến và khả biến. Thực hiện phân tích SEM cho từng mô hình bằng cách nhấp vào nút Calculate estimates.
Bước 7: Tính toán giá trị p-value sai biệt Chi-square theo bậc tự do df. Các bạn tải file excel đã nhập công thức tính sẵn tại đây về máy.
Nhập giá trị Chi-square và df tương ứng ở 2 hàng Bất biến và Khả biến, các chỉ số ở hàng Sai biệt và P-value sẽ tự động tính toán.
Giá trị p-value là 0.044 < 0.05 (độ tin cậy 95%), bác bỏ giả thiết H0, như vậy có sự khác biệt Chi-square giữa mô hình khả biến và mô hình bất biến. Nghiên cứu chọn mô hình khả biến để đọc kết quả. Kết luận: Có sự khác biệt mối tác động các biến trong mô hình giữa các đáp viên có giới tính khác nhau.
Khi có sự khác biệt mô hình giữa Nam/Nữ, chúng ta sẽ đánh giá sự khác biệt đó cụ thể thế nào thông qua 3 giá trị chính đã đề cập ở đầu bài viết là:
- Giá trị sig hoặc p-value (AMOS ký hiệu là p-value) dùng để xem mối tác động đó có ý nghĩa hay không lần lượt ở Nam/Nữ.
- Giá trị standardized regression weights (hệ số hồi quy chuẩn hóa) dùng để xem sự tác động ở Nam thấp hay cao hơn Nữ.
- Giá trị squared multiple correlation (R bình phương) dùng để xem mức độ giải thích của biến độc lập lên biến phụ thuộc trong một mối quan hệ tác động giữa Nam/Nữ cao thấp ra sao.
Chúng ta sẽ mở output của kết quả phân tích tại file GT-KB để đọc kết quả khác biệt. Phần đọc kết quả hoàn toàn tương tự như đọc kết quả phân tích SEM bình thường, chúng ta tập trung vào 3 bảng Regression Weights, Standardized Regression Weights, Squared Multiple Correlations. Sự khác biệt đó là lúc này 3 bảng kết quả này sẽ khác nhau khi chúng ta nhấp chọn Nam/Nữ ở phần bên dưới.
Đầu tiên, các bạn nên nhấp vào Nam, rồi đọc kết quả lần lượt ở 3 bảng 1, 2, 3. Sau đó, nhấp vào Nữ, đọc kết quả lần lượt ở 3 bảng. Để dễ so sánh sự khác biệt mô hình giữa Nam/Nữ, các bạn nên lập ra một bảng như mẫu bên dưới, các bạn có thể tải bảng này tại đây.
Diễn giải kết quả các bạn sẽ tự linh hoạt nhận xét, do sẽ có những mối tác động quan trọng/ít quan trọng cần nhấn mạnh giữa 2 nhóm đối tượng Nam/Nữ. Nhưng suy ra về cấu trúc nhận xét chung, các bạn sẽ xoay quay so sánh giữa Nam và Nữ thì mối quan hệ tác động nào có ý nghĩa, mối quan hệ nào không; với Nam thì biến A tác động lên C mạnh hơn so với B tác động lên C, trong khi đó với Nữ thì B tác động lên C mạnh hơn so với A.
3.2 Phân tích cấu trúc đa nhóm cho biến Độ tuổi
Thực hiện tương tự các bước với biến Độ tuổi. Biến định tính này có 4 nhóm giá trị, do vậy chúng ta cần tạo đủ 4 Group Name.
Kết quả đánh giá sai biệt Chi-square theo bậc tự do giữa hai mô hình khả biến và bất biến của biến Độ tuổi như sau.
Giá trị p-value là 0.396 > 0.05 (độ tin cậy 95%), chấp nhận giả thiết H0, như vậy không có sự khác biệt Chi-square giữa mô hình khả biến và mô hình bất biến. Nghiên cứu chọn mô hình bất biến để đọc kết quả vì có bậc tự do cao hơn. Kết luận: Không có sự khác biệt mối tác động các biến trong mô hình giữa các đáp viên có độ tuổi khác nhau. Lúc này chúng ta sẽ đọc kết quả các chỉ số dựa theo file MHBB.
Thường với trường hợp không có sự khác biệt, chúng ta sẽ dừng ở phần kết luận không có khác biệt và không đi sâu vào đọc kết quả 3 giá trị chính ở file MHBB như cách đọc kết quả ở phần khác biệt. Bởi nếu không có khác biệt thì giữa các độ tuổi khác nhau mô hình đều như vậy, không có thông tin đặc biệt gì để chúng ta đi sâu vào phân tích.