Xử lý và đánh giá kết quả cấu trúc biến tiềm ẩn bậc hai (2-order hay second-order) có đôi chút phức tạp hơn so với dạng cấu trúc biến tiềm ẩn bậc một (1-order hay first-order). Bài viết này sẽ đi vào giới thiệu khái niệm và cách phân tích CFA biến bậc hai trên AMOS.
1. Biến bậc hai (second-order) và biến bậc một (first-order)
Trong thuật ngữ thống kê chúng ta gọi là biến bậc hai - biến bậc một. Còn trong trao đổi, nói chuyện chúng ta có thể sử thêm cụm biến mẹ - biến con hoặc biến mẹ - biến thành phần để hiểu một cách trực quan hơn đó là một biến mẹ sẽ chứa các biến con bên trong.
Xét cấu trúc biến bậc hai như sau: Biến bậc hai MKT (Marketing) gồm 4 thành phần biến bậc một là PP (Phân phối), GC (Phân phối), SP (Sản phẩm), KM (Khuyến mãi). Khi biểu diễn trên mô hình lý thuyết, có thể vẽ dạng như sau:
Thông tin biến:
- MKT: Biến bậc 2, không có biến quan sát. Lưu ý rằng, biến bậc 2 được đo lường thông qua các biến bậc 1, do đó biến bậc 2 không có biến quan sát.
- PP: Biến bậc 1, gồm 2 biến quan sát, là biến thành phần của biến MKT.
- GC: Biến bậc 1, gồm 4 biến quan sát, là biến thành phần của biến MKT.
- SP: Biến bậc 1, gồm 4 biến quan sát, là biến thành phần của biến MKT.
- KM: Biến bậc 1, gồm 2 biến quan sát, là biến thành phần của biến MKT.
- GTCN: Biến bậc 1, gồm 3 biến quan sát.
- YDMH: Biến bậc 1, gồm 4 biến quan sát.
Đặc điểm của biến bậc hai:
- Không có biến quan sát đo lường trực tiếp
- Được đo lường thông qua các biến bậc một thành phần
- Khi biểu diễn trên phần mềm SEM, nó là biến tiềm ẩn và được vẽ bằng hình tròn hoặc elip.
- Nếu có biến bậc hai chỉ đánh giá được mối quan hệ biến bậc hai lên các biến khác, không thể cùng lúc đánh giá biến bậc hai và biến bậc một thành phần lên các biến khác.
- Nếu muốn đánh giá cả mối quan hệ biến bậc hai và biến thành phần bậc một lên các biến khác, sẽ vẽ 2 diagram và đánh giá riêng ở mỗi diagram.
Có hai mô hình mối quan hệ từ biến bậc hai lên biến bậc một là nguyên nhân (formative) và kết quả (reflective). Bạn nên xem lại bài viết Lý thuyết mô hình đo lường Formative, Reflective để hiểu rõ về 2 dạng mô hình này. Tùy dạng mô hình mà giả định về quan hệ giữa các biến bậc một của một biến bậc hai sẽ có tương quan mạnh hay yếu với nhau, điều này có ảnh hưởng quyết định khi đánh giá tính hội tụ của biến bậc hai.
- Với mô hình nguyên nhân, các biến bậc một giả định không nhất thiết có sự tương quan mạnh với nhau. Do sự tương quan yếu giữa các biến bậc một này nên những chỉ số đo lường tính hội tụ như độ tin cậy tổng hợp (CR), phương sai trích trung bình (AVE) của biến bậc hai không đạt ngưỡng CR > 0.7 hay AVE > 0.5 là điều bình thường.
- Với mô hình kết quả, các biến bậc một giả định có sự tương quan mạnh với nhau. Do sự tương quan mạnh giữa các biến bậc một này nên những chỉ số đo lường tính hội tụ như độ tin cậy tổng hợp (CR), phương sai trích trung bình (AVE) của biến bậc hai cần đạt ngưỡng CR > 0.7 hay AVE > 0.5.
2. Phân tích CFA biến bậc hai trên AMOS
Theo Zainudin, A. (2012). A handbook on SEM: Structural equation model- ling using amos graphics (2th ed.). Kelantan: University Technology MARA Press, để xử lý biến bậc hai trong CFA, chúng ta sẽ đánh giá:
#1: Chất lượng biến bậc hai. Các tiêu chí đánh giá gồm: chất lượng biến quan sát của biến bậc một; tính hội tụ, tính phân biệt của biến bậc một; ý nghĩa đóng góp của biến bậc một vào biến bậc hai.
#2: Mô hình tổng thể. Các tiêu chí đánh giá gồm: độ phù hợp tổng thể mô hình; chất lượng biến quan sát; tính hội tụ, tính phân biệt của biến bậc hai với các biến khác trong mô hình tổng thể.
2.1 Đánh giá chất lượng biến bậc hai
Để xem xét các tiêu chí đánh giá chất lượng biến bậc hai, chúng ta lần lượt đi qua hai diagram.
DIAGRAM 1:
Diagram này dùng để đánh giá chất lượng biến quan sát của biến bậc một, tính hội tụ, tính phân biệt của biến bậc một.
A. Đánh giá chất lượng biến quan sát
Để đánh giá chất lượng biến quan sát trong CFA, chúng ta dựa vào hai bảng kết quả là Regression Weights và Standardized Regression Weights. Từ output kết quả, chúng ta vào Estimates > Scalars > Regression Weights.
→ Tất cả các biến quan sát đều có ý nghĩa trong mô hình do p-value đều nhỏ hơn 0.05.
(Trong AMOS, giá trị p-value = 0.000 sẽ được ký hiệu là 3 dấu ***. Các hàng có Estimate = 1.000 và không có các giá trị ở những cột phía sau bởi vì đó là các biến tham chiếu, mặc định các biến quan sát này luôn có ý nghĩa trong mô hình).
Chúng ta tiếp tục nhấp vào Estimates > Scalars > Standardized Regression Weights.
→ Tất cả các trọng số chuẩn hóa (cột Estimate trong bảng Standardized Regression Weights) đều lớn hơn 0.5. Như vậy các biến quan sát đều có mức phù hợp cao.
B. Đánh giá tính hội tụ, tính phân biệt của các biến bậc một
Sử dụng plugin Validity and Reliability Test để đánh giá tính hội tụ, tính phân biệt theo hướng dẫn tại bài viết Đánh giá tính hội tụ, tính phân biệt trong phân tích CFA.
→ Giá trị CR đều lớn hơn 0.7 và AVE đều lớn hơn 0.5, như vậy các thang đo đều đảm bảo tính hội tụ.
→ Căn bậc hai của AVE (các số bôi đậm) lớn hơn các tương quan giữa các biến tiềm ẩn với nhau (hệ số tương quan nằm ở phần dưới đường chéo in đậm), giá trị MSV nhỏ hơn AVE, do vậy tính phân biệt được đảm bảo.
DIAGRAM 2:
Diagram này dùng để đánh giá ý nghĩa đóng góp của biến bậc một vào biến bậc hai.
Những chú ý khi biểu diễn biến bậc hai trên CFA AMOS:
1. Trong các mũi tên đường dẫn từ biến bậc 2 sang biến bậc 1 thành phần, phải gán hệ số chặn 1 ở mục Regression weight cho một trong các mũi tên đường dẫn này.
2. Mỗi biến bậc một thành phần phải có phần dư (sai số), cụ thể trong ảnh ở trên 4 phần dư có tên tương ứng là e20 đến e23.
Từ output kết quả, chúng ta vào Estimates > Scalars > Regression Weights.
→ Tất cả các mối tác động từ biến bậc hai lên các biến bậc một thành phần của nó đều có p-value đều nhỏ hơn 0.05. Như vậy, các biến bậc một thành phần đều phù hợp và giải thích tốt cho biến bậc hai.
Chúng ta tiếp tục nhấp vào Estimates > Scalars > Standardized Regression Weights.
→ Giá trị hệ số tải (factor loading – trong amos lúc này là standardized regression weights) của các biến bậc một thành phần cao đáng kể so với mức 0.5 (Hair và cộng sự (2009). Như vậy, các biến bậc một đều đóng góp vào biến bậc hai rất tốt. Trị tuyệt đối hệ số tải nào lớn hơn sẽ cho thấy biến bậc một đó đóng góp nhiều hơn vào biến bậc hai.
2.2 Đánh giá CFA mô hình tổng thể
Để xem xét các tiêu chí đánh giá CFA mô hình tổng thể, chúng ta xét qua diagram sau đây.
Thêm một chú ý khi biểu diễn biến bậc hai trên CFA với mô hình tổng thể đó là mũi tên hai chiều biểu diễn covariance giữa các biến tiềm ẩn sẽ được nối từ biến bậc hai tới các biến tiềm ẩn khác, không nối từ các biến bậc một thành phần. Cụ thể trong ảnh ở trên, có 3 mũi tên hai chiều được nối giữa các biến MKT, GTCN, YDMH, không nối ở các biến PP, GC, SP, KM.
A. Đánh giá độ phù hợp tổng thể
Đánh giá độ phù hợp tổng thể mô hình qua các chỉ số model fit, chi tiết các đánh giá bạn xem tại bài viết Kiểm định độ phù hợp mô hình Model Fit trong CFA.
CMIN/DF = 1.122 < 3GFI = 0.922 > 0.9CFI = 0.992 > 0.9TLI = 0.991 > 0.9RMSEA = 0.025 < 0.08PCLOSE = 0.993 > 0.05
Như vậy mô hình đạt được độ phù hợp tốt.
B. Chất lượng biến quan sát
Tương tự như đánh giá biến quan sát ở phần biến bậc hai, chúng ta dựa vào hai bảng kết quả là Regression Weights và Standardized Regression Weights. Từ giao diện bên trái của output, nhấp vào Regression Weights.
→ Tất cả các biến quan sát đều có ý nghĩa trong mô hình do p-value đều nhỏ hơn 0.05.
→ Tất cả các trọng số chuẩn hóa (cột Estimate trong bảng Standardized Regression Weights) đều lớn hơn 0.5. Như vậy các biến quan sát đều có mức phù hợp cao.
C. Tính hội tụ, tính phân biệt các biến trong mô hình tổng thể
Sử dụng plugin Validity and Reliability Test để đánh giá tính hội tụ, tính phân biệt.
Đối với phần đánh giá tính hội tụ của biến bậc hai cần hết sức lưu ý về đặc điểm mô hình quan hệ giữa biến bậc hai - bậc một đã đề cập ở đầu nội dung bài viết. Phải xác định chính xác được mối quan hệ này là dạng nguyên nhân hay kết quả. Bởi xác định sai, dẫn đến đánh giá sai có thể đảo ngược hoàn toàn kết quả từ đạt thành vi phạm.
NHẮC LẠI:
- Với mô hình kết quả, các biến bậc một giả định có sự tương quan mạnh với nhau. Do sự tương quan mạnh giữa các biến bậc một này nên những chỉ số đo lường tính hội tụ như độ tin cậy tổng hợp (CR), phương sai trích trung bình (AVE) của biến bậc hai cần đạt ngưỡng CR > 0.7 hay AVE > 0.5.
- Với mô hình nguyên nhân, các biến bậc một giả định không nhất thiết có sự tương quan mạnh với nhau. Do sự tương quan yếu giữa các biến bậc một này nên những chỉ số đo lường tính hội tụ như độ tin cậy tổng hợp (CR), phương sai trích trung bình (AVE) của biến bậc hai không cần đạt ngưỡng CR > 0.7 hay AVE > 0.5.
Khi quan hệ biến bậc hai - bậc một là dạng nguyên nhân, kết quả phân tích có CR < 0.7 và AVE < 0.5. Bạn áp ngưỡng đánh giá của mô hình kết quả vào mô hình nguyên nhân: CR phải trên 0.7 và AVE phải trên 0.5 thì biến bậc hai này đã vi phạm tính hội tụ, bị loại khỏi mô hình, mô hình thất bại. Trong khi đó, biến bậc hai này là hoàn toàn có ý nghĩa, nhưng vì bạn không có kiến thức về đánh giá dạng quan hệ biến mà kết luận sai hoàn toàn.
Với mô hình ví dụ mẫu ở trên, tác giả xây dựng quan hệ bậc hai - bậc một là dạng kết quả nên sẽ xét ngưỡng CR > 0.7 và AVE > 0.5. Kết quả phân tích cho thấy:
→ Giá trị CR đều lớn hơn 0.7 và AVE đều lớn hơn 0.5, như vậy các thang đo đều đảm bảo tính hội tụ.
→ Căn bậc hai của AVE (các số bôi đậm) lớn hơn các tương quan giữa các biến tiềm ẩn với nhau (hệ số tương quan nằm ở phần dưới đường chéo in đậm), giá trị MSV nhỏ hơn AVE, do vậy tính phân biệt được đảm bảo.
------
Ngoài ra, chúng ta có thể sử dụng một quy trình phân tích CFA biến bậc hai phổ biến nữa là:
(1) Đánh giá mô hình tới hạn: Toàn bộ các biến bậc một sẽ được đưa vào phân tích chung CFA với nhau và đánh giá kết quả như một phép CFA bình thường: chất lượng biến quan sát, độ phù hợp mô hình, độ tin cậy, tính hội tụ, tính phân biệt.
(1) Đánh giá mô hình tổng thể: Đánh giá tổng thể mô hình có biến bậc hai, giống như phần quy trình bên trên đã trình bày.