Bài giảng Thực hành SEM AMOS: Mô hình cấu trúc tuyến tính (Phần 1)

NGUYỄN KHÁNH DUY Giảng viên Khoa Kinh tế Phát Triển Trường ĐH Kinh tế TPHCM

gts1

e28

gts2

e29

.77 .79 .77

Chi-square= 1595.832 df= 1007 P-value= .000 Chi-square/df= 1.585 TLI= .915 CFI= .921 IFI=.922 RMSEA= .053

gts3

BÀI GIẢNG (Bản thảo lần 1) THỰC HÀNH MÔ HÌNH CẤU TRÚC TUYẾN TÍNH (SEM) VỚI PHẦN MỀM AMOS

e30

.76 .63

gts

gts4

e31

gqs6

gts5

e32

.54

2.7

.40

gqs5

gts6

e33

.65

gqs4

.67

lrs1

e24

.72 .80 .82 .75

.66

gqs3

.66

.20

lrs2

e25

.75

gs_gqs

lrs

gss6

e26

lrs3

gss5

.78

e27

lrs4

.15

.73 .74 .76 .79 .80

.50

gss4

.86

gss7

e37

gss2

cfls

gss8

.32

e38

.41

.69

.88

gss1

.34

lcs1

e10

.73

.54

lcs2

e11

.69 .82 .67

lcs3

e12

.79

.24

e41

oss3

.69

lcs5

e13

lcs

oss2

oss

cgss1

.90

e14

.50

e39

oss1

.46

.92

cgss4

.63 .71 .67 .77 .79

e15

cos1

e16

.84

.36

cos2

e17

.21

.74

-.11

e42

ls1

e18

cos3

ls2

e43

cos4

e19

.81 .95 .95

.76 .72 .77

ls3

e44

cos5

e20

.80

ls4

e45

.81

cos6

e21

.60

ls5

e46

.83

e22

cos7

.88 .87 .65

ls6

e47

cos8

e23

.46

.71

aws1

e34

aws2

e35

aws

aws3

e36

.79 .59 .38 .69 Tháng 5/2009 .78 TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM (Lưu hành nội bộ)

LỜI NÓI ĐẦU

Mô hình cấu trúc tuyến tính (SEM) được các nhà nghiên cứu trên thế giới sử dụng từ rất lâu. Ở Việt Nam, khoảng từ năm 2000 trở lại đây, SEM đã được nhiều nhà nghiên cứu sử dụng trong các công trình nghiên cứu hàn lâm, cũng như các nghiên cứu ứng dụng phục vụ các chương trình tư vấn doanh nghiệp, tư vấn chính sách cho các Tỉnh/thành phố.

Gần đây, việc học tập / áp dụng mô hình cấu trúc tuyến tính (SEM) nói riêng cũng như các kỹ thuật phân tích định lượng nói chung trong kinh tế, quản trị kinh doanh, tài chính- ngân hàng … được đông đảo bạn trẻ gồm sinh viên đại học, học viên cao học, nghiên cứu sinh quan tâm để giải quyết tốt nhất những mục tiêu nghiên cứu đã đặt ra.

Bài giảng này nhằm hỗ trợ các bạn bước đầu tiếp cận SEM dưới góc độ thực hành với phần mềm AMOS được dễ dàng hơn, nhanh chóng hơn mà trước mắt là làm tài liệu học tập mang tính trực quan phục vụ cho chương trình bồi dưỡng cử nhân tài năng do Đoàn Khoa Kinh tế phát triển – Trường ĐH Kinh tế TPHCM tổ chức (chủ đề này học trong 2 buổi), hay các khoá đào tạo ngắn hạn tại Trung tâm Tư vấn doanh nghiệp và Phát triển kinh tế vùng về Phân tích dữ liệu và dự báo trong kinh doanh. Bên cạnh đó, trong quá trình học tập, các bạn sinh viên/ học viên sẽ được phát các tài liệu đọc về mặt lý thuyết SEM, các bài báo khoa học, công trình nghiên cứu có áp dụng SEM bằng tiếng Anh/ tiếng Việt khác…

Do SEM khá phức tạp dưới góc độ toán học và trình độ của tác giả còn hạn chế nên những sai sót trong quá trình biên soạn là khó có thể tránh khỏi. Tác giả rất mong nhận được sự đóng góp ý kiến, phê bình của bạn đọc để quyển bài giảng này trong lần tái bản tiếp theo sẽ được hoàn thiện hơn, mang lại nhiều lợi ích hơn cho bạn đọc xa gần. Thư góp ý xin gửi về:

Nguyễn Khánh Duy Khoa Kinh tế Phát triển – Trường ĐH Kinh tế TPHCM Địa chỉ: 1A Hoàng Diệu – Quận Phú Nhuận - TPHCM Email: khanhduy@ueh.edu.vn hoặc nkduy2002@yahoo.com Điện thoại: 098.900.1766

Mong rằng bạn đọc sẽ tiếp tục đón nhận những quyển sách tốt hơn liên quan đến chủ đề kinh tế lượng, phân tích dữ liệu & dự báo nâng cao do các đồng nghiệp & tôi biên soạn (được xuất bản chính thức) trong tương lai.

Xin chân thành cảm ơn và chúc các bạn thành công!

TP.Hồ Chí Minh, tháng 5 năm 2009 Tác giả Nguyễn Khánh Duy

LỜI CẢM ƠN

Tài liệu học tập này không đồ sộ và chặt chẽ như những quyển sách khác, bởi nó được viết dưới góc độ trực quan, ứng dụng… Nó được hoàn thành trong thời gian rất ngắn nhằm phục vụ trước mắt cho chương trình bồi dưỡng cử nhân tài năng do Đoàn Khoa Kinh tế Phát Triển tổ chức, cũng như các khoá học ngắn hạn về “Phân tích dữ liệu và dự báo trong kinh doanh”. Tuy vậy, quyển bài giảng này cũng là một kết quả của sự tích luỹ lâu dài từ trong quá trình học tập, giảng dạy, công việc, nghiên cứu từ trước tới nay. Và quá trình ấy, tác giả đã được sự hỗ trợ tận tình của quý thầy cô giáo, bạn bè, các em sinh viên, và những người thân trong gia đình.

Năm 2004, khi AMOS, tài liệu về SEM còn rất hiếm; cô Trần Kim Dung, thầy Đinh Thái Hoàng (Khoa QTKD, Khoa Toán-Thống Kê-ĐH Kinh tế TPHCM) đã giới thiệu, khuyến khích, động viên tôi trong quá trình tìm hiểu về SEM, và gửi tặng tôi những tài liệu, phần mềm có liên quan. Nhờ sự giúp đỡ của quý thầy cô mà việc tìm hiểu về SEM của tôi những thời gian đầu rất thuận lợi. Tôi xin được gửi lời cảm ơn đến Thầy Nguyễn Hữu Lam; thầy đã nhiệt tình hướng dẫn luận văn tốt nghiệp bậc thạc sĩ – nghiên cứu đầu tiên mà tôi sử dụng SEM (năm 2006). Trong môn phương pháp nghiên cứu, Thầy Lê Nguyễn Hậu với câu nói “SEM thật đơn giản!”, “SEM dễ hơn mô hình hồi quy nhiều!” đã khuyến khích nhiều học viên chúng tôi tìm tòi về nó. Tôi chân thành cảm ơn thầy Nguyễn Đình Thọ vì những gợi mở, những hướng dẫn tận tình của thầy đã dành cho chúng tôi. Những nghiên cứu của thầy là những tài liệu rất quý cho những người làm Marketing hay bất cứ ai đang làm nghiên cứu ngành quản trị kinh doanh, và những ai tìm hiểu về SEM... Thời gian học tập ở bậc đại học, sau đại học có biết bao kỷ niệm với bạn bè, và sự tri ân của học viên chúng tôi với tất cả quý thầy cô đã tham gia giảng dạy.

Tôi muốn được gửi lời cảm ơn của mình đến thầy Hoàng Trọng vì những quyển sách về phân tích dữ liệu bằng SPSS mà thầy đã tham gia biên soạn (từ 1997 đến nay). Nó là những tài liệu thật quý giá đối với tôi cũng như những bạn đam mê, hay muốn tìm hiểu về phân tích dữ liệu trong nghiên cứu; thật không ngờ quyển sách đầu tiên của thầy (viết cùng với thầy Võ Văn Huy, cô Võ Thị Lan) mà tôi ngẫu nhiên tìm được ở nhà sách khi mới bước chân vào giảng đường đại học đã hướng tôi đến việc làm nhiều nghiên cứu khoa học với phương pháp định lượng khi còn là sinh viên.

Tôi xin được chân thành cảm ơn thầy Nguyễn Trọng Hoài, Thầy Cao Hào Thi đã tạo điều kiện hỗ trợ, động viên, hướng dẫn tôi trong công việc giảng dạy về phân tích định lượng từ những ngày đầu mùa thu năm 2007 ở chương trình giảng dạy Kinh tế Fulbright.

Xin gửi đến Thu Hương lời cảm ơn chân thành vì rất nhiều điều, bạn đã đồng hành,

chia sẻ, hỗ trợ tôi trong suốt thời gian học tập/ nghiên cứu ở bậc đại học, sau đại học…

Xin cảm ơn những bạn đồng nghiệp: anh Quốc Duy, anh Thanh Bình, anh Thanh Vũ … và những người bạn khác luôn hỗ trợ, động viên, trao đổi, chia sẻ những kiến thức, kinh nghiệm về phân tích dữ liệu, cũng như hỗ trợ tôi trong công việc, trong nghiên cứu.

Quyển bài giảng này viết ra chủ yếu dành cho các bạn sinh viên đại học khối kinh tế - quản trị. Cũng nhờ sự ham học tập, sự khát khao khám phá và những tình cảm tốt đẹp mà các bạn sinh viên đại học (mà tôi có dịp gặp gỡ ở Trường ĐH Kinh tế TPHCM, Trường ĐH Ngoại Thương (CS2), Trường ĐH Ngân Hàng TPHCM, chương trình đào tạo đặc biệt của Trường ĐH Mở TPHCM) đã dành cho tôi trong thời gian qua đã giúp tôi luôn có những niềm vui trong công việc, và nghiên cứu. Xin chân thành cảm ơn các bạn!

Bài giảng này cũng hướng đến nhiều đối tượng bạn đọc khác, đặc biệt hướng đến các bạn sinh viên Khoa Kinh tế phát triển đang tham dự lớp bồi dưỡng cử nhân tài năng do Đoàn Khoa tổ chức. Lớp học này khó có thể thành công nếu không được sự hỗ trợ, tạo điều kiện của rất nhiều thầy cô giáo, của các bạn trong ban tổ chức, các anh chị em phòng quản trị thiết bị, tổ chức hành chính, phòng công nghệ thông tin, phòng điều phối giảng đường – thời khoá biểu, chi đoàn, chi hội, ban cán sự các lớp và sự nỗ lực của từng bạn sinh viên.

Các ví dụ trong quyển bài giảng này; các bài tập/ tình huống kèm theo và các quyển sách trong tương lai sẽ có những chất liệu, nguồn dữ liệu từ các nghiên cứu không chỉ của tôi, mà còn của các bạn bè, của các bạn sinh viên, cũng như rất nhiều tác giả khác. Xin chân thành cảm ơn bạn Nguyễn Thị Mỹ Thuận, bạn Mai Thuỳ Ninh, anh Võ Đức Thọ, anh Lê Văn Khoa … về những dữ liệu mà các bạn, các anh đã khảo sát rất công phu. Xin cảm ơn các tác giả của các quyển sách, tạp chí, bài viết … mà tôi đã tham khảo; vì sự đam mê và nghiên cứu nghiêm túc của họ đã giúp tôi hiểu rõ hơn và nhanh hơn những vấn đề chưa biết. Xin cảm ơn anh Phạm Đức Kỳ và thầy Bùi Nguyên Hùng ở Khoa Quản lý công nghiệp – ĐH Bách Khoa TPHCM về các bài viết mà quyển bài giảng này đã giới thiệu trong phụ lục để các bạn sinh viên tham khảo thêm.

Cuối cùng, tôi không quên gửi lời cảm ơn chân thành đến bố, mẹ, em Khánh Hùng và

những người thân về tất cả!

Nguyễn Khánh Duy

MỤC LỤC

Lời nói đầu Lời cảm ơn Mục lục

Trang

1. Trao đổi với các bạn sinh viên lớp bồi dưỡng cử nhân tài năng &

giới thiệu mô hình cấu trúc tuyến tính (SEM), phần mềm AMOS......................................6

2. Phân tích nhân tố khám phá (EFA_ Exploratory Factor Analysis) ..............................14

3. Phân tích nhân tố khẳng định (CFA_Confirmatory Factor Analysis) ..........................20

4. Mô hình cấu trúc (SEM_Structural Equation Modeling) .............................................48

5. Kiểm định Bootstrap .....................................................................................................54

6. Phân tích cấu trúc đa nhóm ...........................................................................................57

Lời kết Tài liệu tham khảo Phụ lục

1. TRAO ĐỔI VỚI CÁC BẠN SINH VIÊN LỚP BỒI DƯỠNG CỬ NHÂN TÀI NĂNG & GIỚI THIỆU VỀ SEM, PHẦN MỀM AMOS

Từ đầu học kỳ đến nay, lớp chúng ta đã học về các chủ đề Tư duy sáng tạo (Thầy Nguyễn Hoàng Bảo, trong 3 buổi), phương pháp nghiên cứu nâng cao – đi sâu vào khung phân tích và nghiên cứu định tính (Thầy Trần Tiến Khai, trong 2 buổi), Mô hình Logit (Thầy Lương Vinh Quốc Duy, trong 1 buổi), Các chủ đề của kinh tế lượng tài chính và dự báo nâng cao ARIMA, SARIMA, ARCH-GARCH … (thầy Phùng Thanh Bình, trong 4 buổi), Phân tích kỹ thuật (Thầy Võ Thanh Sơn, trong 2 buổi). Cô Trương Công Thanh Nghị đã chia sẻ với các bạn về kinh nghiệm làm nghiên cứu, và giới thiệu các giải thưởng nghiên cứu khoa học sinh viên, kinh nghiệm học tập của một thủ khoa đầu vào cũng như đầu ra Khoá 28 của trường ĐH Kinh tế TPHCM; anh Hoàng Anh (Kế hoạch đầu tư K31) đã chia sẻ kinh nghiệm của anh trong việc học tập của một người đội trưởng đạt giải nhất cuộc thi “Kinh tế học - tầm nhìn bạn và tôi” – cuộc thi do Khoa KTPT chúng ta tổ chức với hơn 5000 thí sinh từ 11 trường đại học ở phía Nam - cũng như những nghiên cứu mà anh đang nỗ lực1, anh Nguyễn Ngọc Danh cũng đã trao đổi với các bạn về nghiên cứu của anh về sức khoẻ trẻ em với phương pháp 2SLS (là luận văn tốt nghiệp chương trình cao học Việt Nam-Hà Lan của anh Danh) …

Bên cạnh đó, những bạn sinh viên lớp nhân lực, một số bạn lớp KHĐT, Thẩm định giá cũng đã từng nghe nói về SEM cũng như biết được sự phổ biến của nó trong các nghiên cứu khi tham dự buổi báo cáo chuyên đề “Ứng dụng phương pháp định lượng trong nghiên cứu quản trị nguồn nhân lực và hành vi tổ chức” do cô Trần Kim Dung báo cáo. Sáng nay, và chiều nay, một ngày chủ nhật, chúng ta sẽ tìm hiểu những vấn đề quan trọng nhất, cơ bản nhất của SEM, CFA… và thử tìm hiểu xem người ta đã vận dụng nó trong nghiên cứu về quản trị, Marketing, nhân lực, hành vi trong lĩnh vực tài chính – chứng khoán, tâm lý học … ở khu vực tư cũng như khu vực công như thế nào để từ đó các bạn có thể tự học sâu hơn về SEM và vận dụng một cách sáng tạo vào những nghiên cứu mà các bạn đang ấp ủ. Giờ ra chơi sáng nay, Anh Hoàng Nam (Sachvang), là admin và cũng là giảng viên trẻ của Khoa Quản trị Kinh Doanh sẽ giới thiệu với các bạn Forum caohockinhte.info là một diễn đàn rất hấp dẫn và sôi động của cộng đồng cao học kinh tế ở Việt Nam, và trên ấy cũng có một mục dành riêng cho các bạn sinh viên đại học yêu thích hoạt động nghiên cứu khoa học (mục Cử nhân và thạc sĩ tài năng tương lai).

Trong những năm gần đây, không chỉ nhiều người nghiên cứu trên thế giới và Việt Nam có áp dụng SEM2 (Các bạn xem thêm trong phụ lục, tài liệu phát, các file đã gửi qua email… về nghiên cứu của thầy Nguyễn Đình Thọ, cô Mai Trang, cô Kim Dung, nghiên cứu của tôi, và nghiên cứu của các tác giả khác) mà một số bạn sinh viên đại học, học viên cao

1 Tối ngày mai, thứ hai (11/5/09), 4 bạn thuộc lớp chúng ta (Hoàng – NLK32, Phương – BĐSK32, Hải & Cần TĐG K32) sẽ là 1 đội đại diện cho trường ta tham gia vòng chung kết cuộc thi “Nhà kinh tế tương lai” do trường bạn – ĐH Ngoại Thương (CS2) tổ chức tại Nhà văn hoá thanh niên. Tuy mảng quản trị kinh doanh không phải thế mạnh của các bạn SV khoa KTPT, nhưng tham gia cuộc thi này cũng là một môi trường để học tập, rèn luyện, thể hiện bản thân, và giao lưu! Chúc các bạn ấy may mắn, vui, và học tập được nhiều điều bổ ích! 2 Tôi đã có ý định huấn luyện thêm cho lớp về một số chủ đề khác nữa, nhưng những chủ đề này chỉ có một vài nhóm sử dụng và mất khá nhiều thời gian khi trình bày trên lớp: Mô hình hệ phương trình (một số nhóm có thể sử dụng trong dự báo các chỉ tiêu vĩ mô), Kinh tế lượng với dữ liệu bảng (Nhóm bạn Mạnh Dũng, Thanh Hằng, Thanh Thuý – lớp Thẩm định giá K32), Khai thác bộ dữ liệu VHLSS với phần mềm STATA (Nhóm của Thế Hùng về bất bình đẳng trong thu nhập– KHĐT K32, Nhóm bạn Khương lớp Nhân lực K32) … các bạn có thể liên hệ với tôi qua email, hoặc trao đổi trực tiếp tại phòng giáo viên H103 vào trưa thứ năm hàng tuần về những vấn đề này. Và tôi cũng biết, lớp ta có khả năng tự học rất cao!

học cũng đã áp dụng SEM trong nghiên cứu của họ. Hai bạn sinh viên đại học Khoá 31 mà tôi có dịp hướng dẫn cũng đã sử dụng trong việc đo lường chất lượng dịch vụ khách sạn ở Nha Trang (khảo sát cả khách du lịch quốc tế và khách trong nước), các yếu tố tạo động lực làm việc cho công nhân ở các Khu công nghiệp tại TPHCM, Bình Dương. Năm ngoái, một bạn sinh viên ở Trường ĐH Kinh tế - ĐH Đà Nẵng cũng đã sử dụng trong đề tài NCKH sinh viên của bạn, và tôi biết nhiều bạn sinh viên khác cũng đã làm, sẽ làm…

AMOS được viết tắt từ Analysis of MOment Structures (Phân tích cấu trúc mô măng). Phần mềm này dùng để thực hiện một phương pháp chung trong phân tích dữ liệu là Structural Equation Modeling (SEM_ mô hình cấu trúc tuyến tính). SEM cũng có những tên gọi khác như Analysis of Covariance Structures (Phân tích cấu trúc hiệp phương sai), hay Causal Modeling (mô hình nhân quả). Trên đường lên tham quan bức tượng Chúa giang tay ở thành phố biển Vũng Tàu (Mũi Nghinh Phong), bạn sẽ thấy một hình ảnh của vị thánh cũng có tên là AMOS!

Bạn hãy xem qua một ví dụ về CFA. Pont & Quilken (2002) đã khảo sát 348 khách hàng ở các ngân hàng và sử dụng phân tích nhân tố khẳng định (viết tắt là CFA, Xem Hình 1.1 – cái sơ đồ “lằng nhằng” với mấy cái móc hai đầu ở trên) để kiểm định thang đo chất lượng dịch vụ ngân hàng (BANKSERV) do Avkiran đề xuất năm 1994 ở nước Úc (kế thừa 17 item đo lường chất lượng dịch vụ ngân hàng của Avkiran1). Trong phân tích nhân tố khẳng định, Pont và Quilken đã chỉ ra rằng thang đo này hiện nay không phù hợp, vì Chi- square=419.15; P=0.001 (<0.05), df = 113, CMIN/df=3.7 (>2), Các chỉ tiêu TLI=0.86, CFI=0.88, GFI=0.87 (đều <0.9)2 Tuy nhiên, Theo bạn vì sao kết quả lại như thế? Làm thế nào để tốt hơn? (bạn hãy đọc kỹ lại nghiên cứu của Pont và Quilken trong file đã gửi vào email chung!)

Bạn có thấy rằng: năm 2002, Pont & Quilken (có lẽ 2 bạn này đang là học viên sau đại học) áp dụng y nguyên thang đo BANKSERV do Avkiran đề xuất từ năm 1994 mà không có sự điều chỉnh nào cả? Pont không bổ sung biến quan sát nào, không hiệu chỉnh gì, không EFA lại … Không cần làm nghiên cứu này cũng biết là áp dụng y nguyên thì nó sẽ không còn phù hợp, bởi qua thời gian mọi điều đã thay đổi. Trong CFA, bạn cũng có thể có cách hiệu chỉnh mô hình, cải thiện mức độ phù hợp với thị trường bằng cách thêm các tương quan giữa sai số … Trong CFA ta còn quan tâm đến nhiều điều khác nữa!

1 Avkiran, N.K, (1999), Developing an instrument to measure customer service quality in branch banking, Internation Journal of Banking Marketing, 12 (6), 10-18 2 Bạn hãy để ý những đẳng thức được in đậm trong ngoặc đơn, nếu các chỉ tiêu tương ứng rơi vào trường hợp như vậy thì mô hình đo lường (hay mô hình nghiên cứu mà bạn sẽ tiếp cận sau này) không phù hợp với thị trường

Hình 1.1

Các biến trong sơ đồ trên được giải thích như sau:

Trong chủ đề này, người ta không chỉ nghĩ đến việc kiểm định mô hình đo lường thông qua CFA, mà điều quan tâm hơn nữa là xây dựng, kiểm định mô hình nghiên cứu1 thông qua mô hình nhân quả, hay thường gọi là mô hình cấu trúc (SEM).

Chị Mai Thuỳ Ninh (sinh viên đại học ngành kế hoạch đầu tư Khoá 31 mà tôi may mắn có dịp hướng dẫn) đang làm đề tài tốt nghiệp về đánh giá mức độ thoả mãn của khách du lịch đối với chất lượng dịch vụ khách sạn tại thành phố Nha Trang. Ninh đã phát triển thang đo chất lượng dịch vụ khách sạn (Qualification of Hotel Service) của Saleh and Ryan (1990) và thang đo chất lượng dịch vụ du lịch của Kanampully (2001) với một số thành phần mới như vị trí, thông tin, và quan tâm đến yếu tố giá cả. Khảo sát 107 khách du lịch quốc tế và 73 khách nội địa, sau khi EFA, Ninh đã làm CFA và đạt yêu cầu, sau đó thực hiện mô hình cấu trúc để xem xét ảnh hưởng của chất lượng, vị trí, giá cả …đến sự thoả mãn và lòng trung thành thì một kết quả ban đầu như Hình 1.2: Bạn nhận xét sơ bộ gì về mức độ phù hợp của mô hình? Có cách nào để cải thiện mô hình được tốt hơn? - Bạn sẽ nhận định rằng mô hình này chưa tốt, chưa phù hợp phải không? Đúng thế! - Có nhiều cách thức để hiệu chỉnh mô hình. Ví dụ như: thêm vào các hệ số tương quan giữa các sai số; điều chỉnh mối quan hệ giữa các khái niệm; bỏ bớt một số biến quan sát, một số khái niệm trong mô hình nghiên cứu không đạt yêu cầu; thực hiện lại các phân tích trước đó - EFA … - Còn cách nào khác nữa không? Khi tôi đang viết bài giảng này, các em có biết chị Ninh đang làm gì không? Mặc dù chuyên đề tốt nghiệp đã xong, chị cũng đang chuẩn bị để bảo vệ, và tham gia đề tài NCKH sinh viên, mô hình đã tạm được (Không phải là mô hình như Hình 1.2), nhưng chị đang trên chuyến tàu về Nha Trang để khảo sát thêm khoảng 100 khách quốc tế, 100 khách nội địa nữa tại các khách sạn, phòng chờ ở sân bay, một số khu du lịch và chú trọng hơn chất lượng của cuộc phỏng vấn… ngoài ra, chị cũng chú trọng thêm về khảo sát định tính. Tôi nghĩ, có lẽ chị ấy muốn khám phá, và khẳng định một điều gì đó, muốn đóng góp một điều gì đó có ý nghĩa, muốn nghiên cứu này không chỉ bỏ vào trong thư viện để các khoá sau tham khảo, hay chỉ đăng trên các tạp chí hàn lâm!

1 Mô hình thể hiện các quan hệ tương quan, và quan hệ nhân quả giữa các khái niệm. Nó thường được biểu diễn bởi sơ đồ, phương trình.

Hình 1.2

.60

.51

.63

.80

.12

.81

.32

.74

chi-square= 2406.583 ; df= 534 ; p= .000 ; chi-square/df= 4.507 ; cfi= .811 ; tli= .790 ; rmsea= .140

.23

.79

.25

.79

.15

.83

.46

.78

.23

.77

.06

.74

.29

.77 .72 .90 .90 .86 .89 .89 .91 .88 .88 .86

.25

chatluong

e39

e38

.67

.85

.62

.89

.85 .92 .88 .94 .89 .80 .91 .73

.53

.79

.87

.15

thoa man

trung thanh

.82 .85 .76

.97

.82

.91

.94

.90

.78

.30

.91

.93

.81

.67

.88 .86 .93

.87 .95

.89 .94

.73

.53

sat1

sat2

sat3

loy1

loy3

loy4

.82 loy2

.81

.75

.11

.83

.86

.81

.24

e33

e32

e31

e34

e35

e36

e37

.66

-.63

.66

.13

.32

che1 che3 reab1 reab2 reab3 reab4 res1 res2 res3 res4 res5 res6 res7 ser1 ser2 ser3 ser4 ser5 ser6 ser7 tang1 tang4 tang5

e1 e2 e3 e4 e5 e6 e7 e8 e9 e10 e11 e12 e13 e14 e15 e16 e17 e18 e19 e20 e21 e22 e23

.18

.76

.87

.33

.72

vitri

loc1 loc2

e26 e27

.88

.48

.85 .94

.88

gia ca

.59 .35

.94

pri1 pri2 foo2

e28 e29 e30

Sau khi học xong chủ đề này, bạn sẽ không chỉ có những hiểu biết căn bản về mô hình cấu trúc, những thao tác trên AMOS, mà còn giúp bạn biết cách xây dựng, hiệu chỉnh, hoàn chỉnh mô hình. Và bạn có đủ kiến thức nền tảng để có thể dễ dàng hiểu được các nghiên cứu (có áp dụng SEM) mà các tác giả trong và ngoài nước đã làm! Điều này giúp bạn đi nhanh, và xa hơn trong tiếp cận những tri thức mới, và tạo ra tri thức mới trong khoa học.

Trong gần 100 em đang học ở đây, đề tài của nhóm em nào có thể áp dụng CFA, SEM?

Dĩ nhiên, sẽ có nhiều em có thể làm được, và nhiều đề tài có thể sử dụng SEM, bởi các em học lớp này là để làm tốt hơn các nghiên cứu mà các em đang làm, để đóng góp một điều gì đó có ý nghĩa cho xã hội ngay trong khoảng thời gian ở giảng đường đại học, và chuẩn bị hành trang cho công việc/học tập sau khi tốt nghiệp đại học! Ví dụ những đề tài của một số nhóm: chất lượng dịch vụ bệnh viện, ký túc xá, máy bán hàng tự động, dịch vụ vận tải hành khách của tàu Thống Nhất, dịch vụ giáo dục; động lực làm việc của nhân viên trong khu vực công, yếu tố ảnh hưởng đến kết quả làm việc của nhân viên, xu hướng mua, hành vi của nhà đầu tư trên thị trường chứng khoán, văn hoá tổ chức, phong cách lãnh đạo …1.

Một số nhóm sử dụng kinh tế lượng với dữ liệu bảng (như đề tài các yếu tố ảnh ưởng đến FDI vào các quốc gia đang phát triển), hay đề tài áp dụng kỹ thuật kinh tế lượng truyền thống (ước lượng TFP, các yếu tố tác động đến thu nhập của lao động trẻ ở Việt Nam…), kỹ thuật dự báo với ARIMA, SARIMA, VAR, ARCH-GARCH (dự báo giá vàng, khách du lịch, FDI trong bối cảnh khủng hoảng… kiểm định tính hiệu quả của thị trường chứng khoán, thị trường vàng …) hay chỉ áp dụng thống kê mô tả… cũng đừng lo lắng, và hãy tiếp tục hoàn thiện nghiên cứu theo hướng đó! Phương pháp nghiên cứu nào, phương pháp phân tích dữ liệu nào…tất cả chỉ là cách thức, công cụ để các em đạt được mục tiêu nghiên cứu! Vấn đề quan trọng là lựa chọn phương pháp phù hợp để đạt được mục tiêu mà thôi!

Thời gian gần đây, trong một buổi huấn luyện về phân tích dữ liệu với SPSS cho các bạn SV nghiên cứu khoa học của Khoa Thương Mại – Du Lịch – Marketing do Đoàn Khoa bên ấy tổ chức, một nhóm bạn sinh viên có trao đổi với tôi về nghiên cứu sự thoả mãn của khách hàng đi xe bus với mô hình Kano (sử dụng EFA, và thống kê mô tả)... Hay một số bạn sinh viên ở các Khoa trong trường chúng ta tham gia khoá huấn luyện về phân tích dữ liệu nghiên cứu với SPSS do Đoàn Trường tổ chức cũng trao đổi về những nghiên cứu: Các yếu tố ảnh hưởng đến tình hình phá sản (anh Bảo - Khoa TCDN, áp dụng phân tích phân biệt), các yếu tố ảnh hưởng đến xác suất rơi vào tình hình nợ xấu của các doanh nghiệp (anh Thành – Khoa TCDN, áp dụng Logit), đề tài về ngân hàng điện tử (EFA, Hồi quy), Marketing địa phương (anh Chinh – Khoa KTPT, áp dụng Thống kê mô tả, nghiên cứu định tính), định vị thương hiệu Vĩnh Tiến (chị Phương Linh, khoa KTPT, áp dụng EFA, Hồi quy, MDS) … Rất nhiều bạn bè (Khoá 32), các anh chị sinh viên (Khoá 31) trong trường cũng đang làm các nghiên cứu như các em!

Một gợi ý nghiên cứu dành cho các bạn sinh viên kế hoạch đầu tư, bất động sản, thẩm định giá…?

Hãy xem qua bài viết “Investment Management and personality type” của Mayfield, Perdue, Wooten vừa đăng trên tạp chí Financial Service Review, số 17 năm 2008 (đã được gửi qua email). Hình 1.3 thể hiện một mô hình mà các tác giả đã làm ở Hoa Kỳ. Các bạn thử nghiên cứu vấn đề này ở Việt Nam! Một một ngân hàng có mở sàn giao dịch vàng cũng đặt hàng tôi nghiên cứu hành vi của các nhà đâu tư trên thị trường vàng ở Việt Nam, các bạn thử xem xem liệu rằng nghiên cứu của Mayfield & ctg (2008) này có hỗ trợ gì không? 1 Chúng ta còn nhớ vào giữa tháng 6/2009, Đoàn Khoa KTPT sẽ tổ chức hội thảo khoa học về “Các vấn đề Kinh tế Xã hội của Việt Nam và thế giới qua phân tích định lượng”, mà người báo cáo, người tham dự chính là các em, và một số bạn sinh viên NCKH của khoa bạn, trường bạn, và một số anh chị Khoá 31.

Hình 1.3

Mô hình trên có Chi-square=183.63, df=141, P=0.009; GFI=0.91, CFI=0.95 Trong mô hình những yếu tố ảnh hưởng đến ý định đầu tư ngắn hạn trên (bên cạnh đó, các tác giả cũng nghiên cứu mô hình đối với ý định đầu tư dài hạn), một số biến quan sát để đo lường các khái niệm được trình bày ở trang 13

Trong bài học này, có 1 ví dụ xuyên suốt; chúng ta sẽ sử dụng dữ liệu mà chị Nguyễn Thị Mỹ Thuận1 khảo sát để phục vụ cho đề tài NCKH sinh viên của chị để làm ví dụ phân tích. Đề tài của chị Thuận sử dụng các công cụ phân tích EFA, Cronbach’s Alpha, Regression (các chủ đề này các bạn đều đã được học trong môn phân tích dữ liệu và dự báo). Và bây giờ, các bạn hãy thử phát triển thêm bằng cách sử dụng CFA, SEM xem thế nào! Tình huống đơn giản và gần gũi này sẽ giúp bạn dễ hiểu hơn về CFA, SEM – với các thao tác chính trên AMOS. Những tình huống với các mô hình rất phức tạp khác mà bạn sẽ tìm hiểu, sẽ làm được sau này cũng tương tự như thế thôi! 2. PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (Nhắc lại sơ lược vì đã học)

Bảng câu hỏi của chị Thuận (xem phụ lục) dựa trên nghiên cứu của Dung (2005) đã hiệu chỉnh cho Việt Nam. Từ nghiên cứu định tính, chị Thuận đã hiệu chỉnh một số biến quan sát (Item), bỏ đi một số Item không phù hợp với nhân viên trong lĩnh vực Tài chính- ngân hàng, bất động sản, công nghệ thông tin (những ngành mũi nhọn của TPHCM) mà chị đang quan tâm… Chị Thuận đã phải EFA lại, vì cấu trúc của thang đo trong tình huống của chị Thuận chưa chắc đã giống với nghiên cứu trước của Dung và Nam (2005), và dĩ nhiên có thể càng không giống với kết quả nghiên cứu của Stanton và Crossley (2000) cũng như của Crossman và Bassem (2003) mà Dung đã kế thừa. Chị Thuận với mục tiêu là sau EFA sẽ chạy Regression vì thế khi EFA cho thang đo JDI (Thoả mãn của nhân viên với công việc) chị có thể sử dụng phương pháp Principal Components với phép xoay Varimax cũng được. Còn bạn, sau EFA bạn sẽ làm tiếp CFA và SEM nên rất quan tâm đến cấu trúc của thang đo, các khái niệm sau khi rút ra có thể tương quan với nhau, và cũng rất quan tâm đến sự phân biệt rõ ràng giữa các nhân tố. Vì vậy bạn nên làm EFA với những đổi mới sau:

• Sử dụng phương pháp trích Principal Axis Factoring với phép xoay Promax2 • Quan tâm đến tiêu chuẩn3: |Factor Loading| lớn nhất của mỗi Item >=0.5 • Quan tâm đến tiêu chuẩn: Tại mỗi Item, chênh lệch |Factor Loading| lớn nhất và

|Factor Loading| bất kỳ phải >=0.3 (Jabnoun & Al-Tamimi, 2003)

• Tổng phương sai trích >=50% (Gerbing & Anderson, 1988) • KMO>=0.5, Kiểm định Bartlett có ý nghĩa thống kê (Sig<0.05)4

a. Khái niệm sự thoả mãn của nhân viên với công việc

1 Chị Thuận là sinh viên khoá 30 ngành kế hoạch đầu tư khoa KTPT (mà tôi hướng dẫn đề tài NCKH sinh viên), chị Thuận cũng là liên chi hội phó hội sinh viên của Khoa KTPT, đề tài của chị đạt giải khuyến khích cấp Bộ. Hiện nay chị Thuận đã ra trường được 1 năm và đang làm việc tại ngân hàng ACB 2 Theo Gerbing & Anderson (1988), Phương pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax (Orthogonal) 3 Theo Hair & ctg (1998,111), Factor loading laø chæ tieâu ñeå ñaûm baûo möùc yù nghóa thieát thöïc cuûa EFA (ensuring practical significance). Factor loading > 0.3 ñöôïc xem laø ñaït ñöôïc möùc toái thieåu, Factor loading > 0.4 ñöôïc xem laø quan troïng, ≥ 0.5 ñöôïc xem laø coù yù nghóa thöïc tieãn. Hair & ctg (1998,111) cuõng khuyeân baïn ñoïc nhö sau: neáu choïn tieâu chuaån factor loading > 0.3 thì côõ maãu cuûa baïn ít nhaát phaûi laø 350, neáu côõ maãu cuûa baïn khoaûng 100 thì neân choïn tieâu chuaån factor loading > 0.55, neáu côõ maãu cuûa baïn khoaûng 50 thì Factor loading phaûi > 0.75 4 KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0.5≤KMO≤1 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu kiểm định này có ý nghĩa thống kê (Sig < 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể (Trọng & Ngọc, 2008)

Bạn còn nhớ thao tác EFA trong phần mềm SPSS? Analyze\Data Reduction\Factor Hình 1.4

Hình 1.5

Hình 1.7 Hình 1.6

Hình 1.8

Kết quả ban đầu

Pattern Matrixa

Factor 1 2 3 5 6 7 4

prom1 .863

.753 .689 .651 .436

.811 .784 .758 .664 .482 .411 .378 .351 .268

.211

.325 -.282 .889 .770 .607 .549 .488 .485

Các con số trong bảng này gọi là các Factor loading (hệ số tải nhân tố) .283 .297 .293 .271 .207 .814 .810 .810 .454

.982 .977 .592 .264

.334 .768 .541 .514

-.279 .331 -.301 .432 .246 .541 .478 .232 prom3 prom2 prom4 work4 sup6 sup5 sup3 sup7 sup4 sup2 sup1 pay4 pay5 pay2 ben4 pay3 pay1 cow1 cow3 cow2 cow4 ben3 ben2 ben1 env3 work3 work2 work1 env2 env1 env4 Env4 bị loại đầu tiên .223 vì con số này nhỏ hơn 0.5, và “tệ” nhất .213

Extraction Method: Principal Axis Factoring. Rotation Method: Promax with Kaiser Normalization.

a. Rotation converged in 7 iterations. Lần lượt loại từng biến không đạt yêu cầu (biến nào “tệ” nhất bị loại trước): Env4, env3, sup1, sup2, work4, cow4, env2, env1, pay3, pay1, pay2, Và ben1

Kết quả EFA lần cuối

Pattern Matrixa

Factor

1 2 3 4 5 6

Các con số trong bảng này gọi là các Factor loading (hệ số tải nhân tố)

sup6

sup5

sup3

sup7

sup4 .841 .826 .758 .628 .520 prom1

prom2

prom3

prom4

.899 .707 .670 .602

cow1

cow2

cow3

.913 .795 .768

pay4

pay5

ben4

.278 .907 .817 .593

ben2

ben3

.961 .952

work3 .915

work2 .791

.270

Extraction Method: Principal Axis Factoring. Rotation Method: Promax with Kaiser Normalization. a. Rotation converged in 6 iterations.

work1 .545

Bạn có nhận xét gì từ kết quả EFA? Có 6 nhân tố được rút ra. Nhân tố 1: gồm các biến quan sát sup3-sup7 (cid:198) được đặt tên là “Lãnh đạo” Nhân tố 2: gồm prom1-prom4 (cid:198) “Thăng tiến” Nhân tố 3: gồm cow1-cow3 (cid:198) “Đồng nghiệp” Nhân tố 4: gồm pay4, pay5, ben4 (cid:198) “lương-thưởng” Nhân tố 5: gồm ben2, ben3 (cid:198) “bảo hiểm” Nhân tố 6: gồm work1-work4 (cid:198) “bản chất công việc”

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadingsa Factor Total % of Variance Cumulative % Total % of Variance Cumulative % Total

35.080 43.712 50.849 56.685 61.793 65.352 35.080 8.632 7.138 5.835 5.109 3.558 5.210 5.142 4.015 3.801 2.615 4.584 7.378 1.880 1.752 1.512 1.359 1.067 36.889 9.401 8.759 7.560 6.794 5.334 1 2 3 4 5 6 7 .722 3.612

8 .564 2.821

9 .537 2.683

10 .461 2.306

11 .403 2.014

12 .395 1.973

13 .365 1.826

14 .341 1.704

15 .306 1.530

16 .252 1.260

17 .244 1.221

18 .212 1.062

19 .182 .911

20 .068 .340

Tổng phương sai trích/ hay tổng biến thiên được giải thích bởi các nhân tố

Extraction Method: Principal Axis Factoring. 36.889 7.016 46.290 1.726 55.049 1.428 62.609 1.167 69.403 1.022 74.737 .712 78.349 81.169 83.853 86.159 88.173 90.146 91.971 93.676 95.206 96.466 97.687 98.749 99.660 100.000

a. When factors are correlated, sums of squared loadings cannot be added to obtain a total variance.

KMO and Bartlett's Test

.847 Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

Bartlett's Test of Sphericity Approx. Chi-Square 2327.451

190 df

.000 Sig.

Hai bảng trên cho bạn nhận xét gì? - Tổng phương sai trích (hay tổng biến thiên được giải thích) bằng 65.35% (>50%) - KMO = 0.847 (>0.5) và kiểm định Bartlett có ý nghĩa thống kê (Sig<0.05) Nên EFA là phù hợp.

b. Khái niệm lòng trung thành Khái niệm lòng trung thành là 1 khái niệm đơn hướng (khi EFA, các biến quan sát rút thành 1 nhân tố), nên có thể thử sử dụng phương pháp trích Principal Component Analysis vì phương pháp trích này sẽ làm cho tổng phương sai trích tốt hơn. Bạn có nhận xét gì nếu có kết quả từ EFA cho các biến quan sát thuộc khái niệm lòng trung thành như sau?

KMO and Bartlett's Test

.701 Kaiser-Meyer-Olkin Measure of Sampling Adequacy.

Bartlett's Test of Sphericity Approx. Chi-Square 188.787

df 3

.000 Sig.

Total Variance Explained

Initial Eigenvalues Extraction Sums of Squared Loadings Compo

nent Total % of Variance Cumulative % Total % of Variance Cumulative %

71.523 2.146 71.523 2.146 71.523 1

.487 16.230 2

.367 12.247 3

71.523 87.753 100.000

Extraction Method: Principal Component Analysis.

Component Matrixa

Bảng này chỉ có 1 cột, cho thấy loy1, loy2, loy3 rút thành 1 nhân tố

Component

.874 loy1

.834 loy3

.829 loy2

Extraction Method: Principal Component

Analysis.

- Chỉ có 1 nhân tố được rút ra, nhân tố này cũng được đặt tên là “Trung thành” - EFA cũng phù hợp vì Tổng phương sai trích bằng 71.53 (>50%), KMO = 0.701 (>0.5), Sig của kiểm định Bartlett=0.000 (<0.05)

Mô hình cấu trúc tuyến tính (SEM) bao gồm nhiều kỹ thuật thống kê khác nhau như phân tích đường dẫn (Path Analysis), phân tích nhân tố khẳng định (Confirmatory Factor Analysis), Mô hình nhân quả với các biến tiềm ẩn (Causal modeling with Latent variable, và cũng thường gọi là SEM), và thậm chí cả phân tích phương sai (Analysis of Variance), mô hình hồi quy tuyến tính bội (Multiple Linear Regression). Chúng ta sẽ tìm hiểu CFA, SEM.

a. 1 components extracted.

3. PHÂN TÍCH NHÂN TỐ KHẲNG ĐỊNH (CFA) Từ kết quả của EFA, giờ bạn thấy rằng ta có 7 khái niệm chính sử dụng trong mô hình nghiên cứu sau này. Đó là

• “Lãnh đạo” được đo lường bởi các biến quan sát sup3-sup7 • “Thăng tiến” được đo lường bởi các biến quan sát prom1-prom4 • “Đồng nghiệp” được đo lường bởi các biến quan sát cow1-cow3 • “Lương-thưởng” được đo lường bởi các biến quan sát pay4, pay5, ben4 • “Bảo hiểm” được đo lường bởi các biến quan sát ben2, ben3 • “Bản chất công việc” được đo lường bởi các biến quan sát work1-work4 • “Lòng trung thành”: được đo lường bởi loy1, loy2, loy3

6 khái niệm đầu tiên là các khái niệm thành phần của khái niệm “Sự thoả mãn của nhân viên với công việc”. Cấu trúc của thang đo “Sự thoả mãn nhân viên với công việc” gồm có 6 khái niệm thành phần như trên, và các biến quan sát tương ứng cho từng khái niệm cũng đã được liệt kê như trên. Các biến quan sát quan sát sup3-sup7; prom1-prom4; cow1-cow3; pay4, pay5, ben4; ben2, ben3; work1-work4 tạo thành một thang đo để đo lường khái niệm “Sự thoả mãn của nhân viên với công việc”. Các biến quan sát loy1, loy2, loy3 tạo thành một thang đo để đo lường khái niệm “lòng trung thành”. Những điều trên tạo thành một mô hình đo lường các khái niệm sử dụng trong nghiên cứu của bạn. Và bây giờ Chúng ta cần kiểm định xem Mô hình đo lường này có đạt được yêu cầu không? Các thang đo có đạt được yêu cầu của một thang đo tốt không? Việc này chúng ta cần sử dụng đến phân tích nhân tố khẳng định (CFA) Trong CFA ta có thể thực hiện cho từng khái niệm, một số khái niệm, hoặc thực hiện với tất cả các khái niệm có trong mô hình (gọi là mô hình tới hạn) Veà maët lyù thuyeát, trong CFA, chuùng ta chuù yù ñeán moät soá vaán ñeà sau: Ñeå ño löôøng möùc ñoä phuø hôïp cuûa moâ hình vôùi thoâng tin thò tröôøng, ngöôøi ta thöôøng söû duïng Chi-square (CMIN); Chi-square ñieàu chænh theo baäc töï do (CMIN/df); chæ soá thích hôïp so saùnh (CFI_ Comparative Fit Index). Chæ soá Tucker & Lewis (TLI_ Tucker & Lewis Index); Chæ soá RMSEA (Root Mean Square Error Approximation). Moâ hình ñöôïc xem laø thích hôïp vôùi döõ lieäu thò tröôøng khi kieåm ñònh Chi-square coù P-value > 0.05. Tuy nhieân Chi-square coù nhöôïc ñieåm laø phuï thuoäc vaøo kích thöôùc maãu. Neáu moät moâ hình nhaän ñöôïc caùc giaù trò GFI, TLI, CFI ≥0.9 (Bentler & Bonett, 1980); CMIN/df ≤ 2, moät soá tröôøng hôïp CMIN/df coù theå ≤ 3 (Carmines & McIver, 1981); RMSEA ≤ 0.08, RMSEA ≤ 0.05 ñöôïc xem laø raát toát (Steiger, 1990); thì moâ hình ñöôïc xem laø phuø hôïp vôùi döõ lieäu thò tröôøng, hay töông thích vôùi döõ lieäu thò tröôøng. Thoï & Trang (2008) cho raèng Neáu moâ hình nhaän ñöôïc caùc giaù trò TLI, CFI ≥0.9, CMIN/df ≤ 2, RMSEA ≤ 0.08 thì moâ hình phuø hôïp (töông thích) vôùi döõ lieäu thò tröôøng. Quy taéc naøy cuõng ñöôïc söû duïng ñeå ñaùnh giaù möùc ñoä phuø hôïp cuûa moâ hình caáu truùc ôû muïc 4. Khi CFA, neân thöïc hieän caùc ñaùnh giaù khaùc nhö1:

1 Xem thêm Thọ & Trang (2008)

)

) (Joreskog 1971 ), vaø toång phöông sai trích (ρVC

(1) Ñaùnh giaù ñoä tin caäy cuûa thang ño thoâng qua: (a) Heä soá tin caäy toång hôïp (composite reliability) vaø (b) Toång phöông sai trích ñöôïc (variance extracted), (c) Heä soá Cronbach’s Alpha Ñoä tin caäy toång hôïp (ρC (Fornell & Larcker 1981) ñöôïc tính theo coâng thöùc sau:

)

∑

λ i

1 =

( i

p λ ∑ i 1 = 2

ρ

)

∑

)

−

λ i

1( λ − i

)

∑

1 =

λ i

1 =

( i

p λ ∑ i 1 =

laø phöông sai cuûa sai

,ρVC

Trong ñoù λi laø troïng soá chuaån hoaù cuûa bieán quan saùt thöù i; 1-λi soá ño löôøng bieán quan saùt thöù i, p laø soá bieán quan saùt cuûa thang ño. Chæ tieâuρC phaûi ñaït yeâu caàu töø 0.5 trôû leân Theo Hair (1998, 612):”phöông sai trích (Variance Extracted) cuûa moãi khaùi nieäm neân vöôït quaù 0.5”; vaø phöông sai trích cuõng laø moät chæ tieâu ño löôøng ñoä tin caäy. Noù phaûn aùnh löôïng bieán thieân chung cuûa caùc bieán quan saùt ñöôïc tính toaùn bôûi bieán tieàm aån Schumacker & Lomax (2006, 178) cho raèng trong CFA, moät vaán ñeà quan troïng caàn phaûi quan taâm khaùc laø ñoä tin caäy cuûa taäp hôïp caùc bieán quan saùt ño löôøng moät khaùi nieäm (nhaân toá); vaø nhö truyeàn thoáng, heä soá tin caäy Cronbach’s Alpha vaãn thöôøng ñöôïc söû duïng. Noù ño löôøng tính kieân ñònh noäi taïi xuyeân suoát taäp hôïp caùc bieán quan saùt cuûa caùc caâu traû lôøi Trong kieåm ñònh Cronbach’s Alpha, caùc bieán quan saùt coù heä soá töông quan bieán-toång (item-total correlation) nhoû hôn 0.3 seõ bò loaïi vaø tieâu chuaån choïn thang ño khi heä soá Cronbach’s Alpha töø 0.6 trôû leân (Nunnally & Burnstein, 1994). Tuy nhieân, cuõng caàn löu yù raèng neáu Cronbach’s Apha quaù cao (>0.95) thì coù khaû naêng xuaát hieän bieán quan saùt thöøa (Redundant items) ôû trong thang ño. Bieán quan saùt thöøa laø bieán ño löôøng moät khaùi nieäm haàu nhö truøng vôùi bieán ño löôøng khaùc, töông töï nhö tröôøng hôïp coäng tuyeán (collinearity) trong hoài quy, khi ñoù bieán thöøa neân ñöôïc loaïi boû. (2) Tính ñôn höôùng/ ñôn nguyeân (unidimensionality) - Theo Steenkamp & Van Trijp (1991), möùc ñoä phuø hôïp cuûa moâ hình vôùi döõ lieäu thò tröôøng cho chuùng ta ñieàu kieän caàn vaø ñuû ñeå cho taäp bieán quan saùt ñaït ñöôïc tính ñôn höôùng, tröø tröôøng hôïp caùc sai soá cuûa caùc bieán quan saùt coù töông quan vôùi nhau. (3) Giaù trò hoäi tuï (Convergent validity) - Gerbring & Anderson (1988) cho raèng thang ño ñaït ñöôïc giaù trò hoäi tuï khi caùc troïng soá chuaån hoaù cuûa thang ño ñeàu cao (>0.5); vaø coù yù nghóa thoáng keâ (P <0.05)

(4) Giaù trò phaân bieät (Discriminant validity) - Coù theå kieåm ñònh giaù trò phaân bieät cuûa caùc khaùi nieäm trong moâ hình tôùi haïn (saturated model) moâ hình maø caùc khaùi nieäm nghieân cöùu ñöôïc töï do quan heä vôùi nhau). Coù theå thöïc hieän kieåm ñònh heä soá töông quan xeùt treân phaïm vi toång theá giöõa caùc khaùi nieäm coù thöïc söï khaùc bieät so vôùi 1 hay khoâng. Neáu noù thöïc söï khaùc bieät thì caùc thang ño ñaït ñöôïc giaù trò phaân bieät. Ví duï: Moät thang ño coù 2 khaùi nieäm spatial vaø verbal, soá quan saùt= 73

r

SE=SQRT((1-r2)/(n-2))

(1-r)/SE

P-value

spatial

<-->

verbal

0.104

4.949

0.000

0.487

TINV(0.05,71)=1.993 TDIST(4.95,71,2)=0.000 (<0.05) baùc boû giaû thuyeát cho raèng ρ(spatial,verbal)=1 Ghi chuù quy taéc kieåm ñònh1: Ho: ρ = ρo H1: ρ ≠ ρo r |

−

Tính T =

n 2 −

; Tra baûng phaân phoái Student t

α , , 2

oρ r − 2 − thì baùc boû Ho

n 2 −

α , , 2

Neáu T > t (5) Giaù trò lieân heä lyù thuyeát (Nomological validity) - Caùc vaán ñeà töø 1 ñeán 4 ñöôïc ñaùnh giaù thoâng qua moâ hình ño löôøng. Rieâng giaù trò lieân heä lyù thuyeát ñöôïc ñaùnh giaù trong moâ hình lyù thuyeát (Anderson & Gerbing, 1988) Khi caùc vaán ñeà treân thoaû maõn thì moâ hình ño löôøng laø toát. Tuy nhieân, raát hieám moâ hình ño löôøng naøo ñaït ñöôïc taát caû caùc vaán ñeà treân! Ví duï, moâ hình ño löôøng vaãn coù theå ñöôïc söû duïng khi thang ño khoâng ñaït ñöôïc tính ñôn höôùng… 1 Xem Hoaøi (2001)

Amos Graphics1

(cid:198)

Amos Graphics

Program

AMOS 16

Dùng để vẽ biến quan sát

Dùng để vẽ biến tiềm ẩn

Dùng để vẽ biến tiềm ẩn và các biến quan sát

Dùng để vẽ yếu tố sai số

Veà maët thöïc haønh, ta söû duïng phaàn meàm AMOS với cách thức Khởi động AMOS? Start Công dụng của các nút? Hình 3.1

Vẽ hệ số đường dẫn, hệ số hồi quy Vẽ hiệp phương sai, hệ số tương quan

Liệt kê danh sách biến

Ngón tay: chọn 1 đối tượng Bàn tay dài: Chọn tất cả đối tượng Bàn tay ngắn: Không chọn nữa

Di chuyển đối tượng

Xoá đối tượng

Máy phô tô: Copy đối tượng

Xoay đối tượng

Chỉnh kích cỡ đối tượng

Tính toán các ước lượng

Di chuyển các tham số ước lượng

Copy sơ đồ đường dẫn vào Clipboard

Xem kết quả dạng văn bản/ bảng biểu

1 Trong AMOS, ngoài AMOS Graphics có một cách thức khác nữa là gõ các lệnh VB.NET hay C#

Tạo file mới? File\New Mở file dữ liệu? File\Data Files (Ctrl-D) (cid:198) Chọn File Name (cid:198) Chọn kiểu file và chỉ đến file cần mở (cid:198) OK Hình 3.2

Hiển thị danh sách biến? Chọn nút sau Hình 3.3

Khi đó bạn sẽ thấy một hộp thoại nhỏ xuất hiện, liệt kê các biến có trong dữ liệu Hình 3.4

Vẽ các biến tiêm ẩn, các biến quan sát tương ứng? Bước 1. Chọn nút Hình 3.5

Bước 2. Rê đến vị trí tương ứng để vẽ ra 1 vòng tròn, nhấp chuột 5 trái năm cái, bạn sẽ có đối tượng như Hình 3.6 Hình 3.6

Bước 3. Nhấp bàn tay dài, để chọn cả đối tượng

Bước 6. Nhấp ô tô để di chuyển đối tượng sao cho đẹp

Bước 4. Nhấp nút này để xoay đối tượng sao cho như Hình 3.7

Bước 5. Nhấp nút này để Chỉnh sửa kích cỡ của đối tượng sao cho đẹp

Hình 3.7

Copy đối tượng? Hiện nay chỉ có một Biến tiềm ẩn với 5 biến quan sát như Hình 3.7. Đầu tiên bạn sẽ chọn đối tượng cần Copy bằng cách nhấp nút bàn tay dài, rồi nhấp cái máy Photocopy, sau đó rê chuột đến vị trí cần dán đối tượng được copy. Bạn sẽ có Hình như Hình 3.8

Hình 3.8

Bước 1. Chọn nút này để đánh dấu đối tượng cần Copy

Đt mới

Bước 2. Chọn máy Photocopy để copy, sau đó rê chuột đến vị trí mới bạn sẽ có thêm một đối tượng nữa

Bây giờ bạn đã Copy xong rồi, thì hãy nhấp nút bàn tay ngắn, để không chọn gì nữa. Tuy nhiên đối tượng mới của bạn chỉ cần có 4 biến quan sát thôi. Do đó bạn cần xoá đi 1 biến quan sát. Xoá 1 cái gì đó?

sau đó di chuyển chột đến đối tượng cần xoá, nhấp chuột vào đối tượng đó

Chọn nút Bạn hãy kết hợp các nút và tạo ra sơ đồ như Hình 3.9:

Hình 3.9

Vẽ các các mũi tên 2 đầu? (Thể hiện cho hiệp phương sai/ hệ số tương quan) Hình 3.10

Bạn hãy tự vẽ ra tiếp để được như Hình 3.11 nhé

Hình 3.11

Gắp các biến quan sát vào các hình chữ nhật (hình vuông) đại diện cho các biến quan sát trên sơ đồ ? Hình 3.12

Nhấp biến tương ứng trong danh sách và gắp sang

Sau khi đã gắp các biến quan sát vào các hình chữ nhật tương ứng. Bạn sẽ được sơ đồ như Hình 3.13. Bây giờ, bạn nên gán tên cho các biến tiềm ẩn (Hình elip) bằng cách

Chọn nút ngón tay Nhấp vào Hình elip đầu tiên, Click phải chuột, Chọn Object Properties (Hình 3.13) Hộp thoại như Hình 14, xuất hiện. Bạn hãy nhập tên biến vào ô Variable name

, sau đó lần lượt nhấp vào các Elip còn lại, đặt tên cho

Bạn hãy nhấp vào nút ngón tay, các biến tiềm ẩn này. Hãy làm tương tự trong việc đặt tên cho các sai số: e1, e2 ... (Hình 3.15) Và bây giờ bạn đã vẽ song Sơ đồ như Hình 3.16.

Hình 3.13

Hình 3.14

Hình 3.15

Hình 3.16

sup3

sup4

lanh dao

sup5

sup6

sup7

prom1

prom2

thang tien

prom3

prom4

cow1

e10

dong nghiep

cow2

e11

cow3

e12

pay4

e13

luong thuong

pay5

e14

ben4

e15

ben2

e16

bao hiem

ben3

e17

work1

e18

cong viec

work2

e19

work3

e20

loy1

e21

trung thanh

loy2

e22

loy3

e23

Thể hiện một số chỉ tiêu lên màn hình? Nếu bạn muốn thể hiện một số chỉ tiêu lên màn hình sơ đồ đường dẫn, hãy chọn nút Title

, nhâp chuột tại 1 vị trí muốn thể hiện, gõ các Macro sau

Hình 3.17

Khi đó trên sơ đồ sẽ có các dòng tương ứng (Hình 3.18) Hình 3.18

Khai báo các thuộc tính cần tính toán? Từ thanh Menu chọn View\Analysis Properties Hình 3.19

Sau đó đánh dấu chọn như Hình 3.20, Hình 3.21

Hình 3.20

Hình 3.21

Lưu lại file Sơ đồ sơ đồ? Files \ Save hoặc Save As Trước khi tính toán, bạn nên lưu lại file sơ đồ đường dẫn

Tính toán các ước lượng? Nhấp nút

Các kết quả sẽ được tính toán Thể hiện kết quả? Hình 3.22

Chọn nút này để thể tính hiện kết quả toán lên sơ đồ

Chuyển đổi cách thể hiện dạng không chuẩn hoá/ chuẩn hoá

Kết quả dạng sơ đồ chưa chuẩn hoá Hình 3.23

.73 1

sup3

.98 1

1.48

.92 .65

sup4

.92

.71 1

lanh dao

Chi-square= 403.140 ; df= 209 ; P= .000 ; Chi-square/df = 1.929 ; GFI= .858 ; TLI = .909 ; CFI = .925 ; RMSEA= .068

sup5

.92 1

sup6

.89 1.00

1.07 1

sup7

.96

1.18 1

prom1

1.07

1.43

.81 1

1.03

prom2

.65

thang tien

1.39 1

prom3

.83

.67

.95 1

1.00

.60

prom4

.52 1

.52

1.23

1.04

cow1

e10

.71

.61 1

.87

dong nghiep

cow2

e11

.97

.71 1

.39

1.00

cow3

e12

.97

.41

.78 1

1.34

1.14

1.02

pay4

e13

.71 1

.41

luong thuong

pay5

e14

1.14

1.00

1.77 1

.73

.47

ben4

e15

1.00

2.40

.05 1

1.10

ben2

e16

.62

bao hiem

ben3

e17

.40 1 1.01 1

.45

1.59

1.00 .88

1.03

work1

e18

.34

.78 1

cong viec

work2

e19

.95

1.00

work3

e20

.94

.93 1 .83 1

1.62

1.00

loy1

e21

1.68 1

trung thanh

loy2

e22

.99

1.15 1

1.00

loy3

e23

Kết quả dạng sơ đồ đã chuẩn hoá Hình 3.24

.63

sup3

.39

.79 .62

sup4

.64

.80

lanh dao

Chi-square= 403.140 ; df= 209 ; P= .000 ; Chi-square/df = 1.929 ; GFI= .858 ; TLI = .909 ; CFI = .925 ; RMSEA= .068

sup5

.56

sup6

.58

.75 .76

sup7

.66

.58

prom1

.76

.65

.81

prom2

.48

.41

thang tien

prom3

.64

.60

.48

.78

.45

prom4

.72

.28

.85

e10

cow1

.66

.51

.57

dong nghiep

e11

cow2

.63

.81

.21

.80

e12

cow3

.63

.69

.32

.83

.67

e13

pay4

.71

.24

luong thuong

e14

pay5

.43

.84

.66

.52

.26

e15

ben4

.66

.98

.99

e16

ben2

.86

.44

.43

bao hiem

e17

ben3

.55

.93

.23

.74

.70

e18

work1

.65

.17

cong viec

e19

work2

.63

.80

.79

e20

work3

.66

.59

.81

e21

loy1

.48

trung thanh

e22

loy2

.58

.70

.76

e23

loy3

Kết quả dạng các bảng số liệu

, cửa số Amos Output sẽ xuất hiện

Chọn nút Hình 3.25

Nhấp vào các mục tương ứng bên trái của cửa số Output, bạn sẽ xem các kết quả khác nhau:

Regression Weights: (Group number 1 - Default model) – Bảng các trọng số chưa chuẩn hoá

Estimate S.E. C.R.

P Label

.085 10.533 *** .082 11.273 *** .076 8.637 *** .082 11.192 ***

.084 11.619 *** .122 9.353 ***

sup7 <--- lanhdao sup6 <--- lanhdao sup5 <--- lanhdao sup4 <--- lanhdao sup3 <--- lanhdao prom4 <--- thangtien prom3 <--- thangtien prom2 <--- thangtien prom1 <--- thangtien cow1 <--- dongnghiep cow3 <--- dongnghiep cow2 <--- dongnghiep pay4 <--- luong_thuong ben4 <--- luong_thuong pay5 <--- luong_thuong work1 <--- congviec

1.000 .895 .919 .654 .917 1.000 .826 1.030 1.075 1.037 1.000 .974 1.138 1.000 1.141 .881

.093 8.890 *** .091 11.360 *** .100 10.735 *** .087 11.968 ***

.121 9.411 *** .086 10.224 ***

Estimate S.E. C.R.

P Label

.086 11.012 ***

.101 10.804 *** .093 10.774 ***

work3 <--- congviec work2 <--- congviec ben3 <--- baohiem ben2 <--- baohiem loy1 <--- trungthanh loy3 <--- trungthanh loy2 <--- trungthanh

1.000 .952 1.000 1.096 .999 1.000 .985

.106 9.338 ***

Standardized Regression Weights: (Group number 1 - Default model)

Các trọng số (đã chuẩn hoá) này cần > 0.5 để thang đo có thể đạt được giá trị hội tụ. Trường hợp biến quan sát nào có trọng số <0.5 thì bạn lần lượt loại ra.

Estimate .762 .750 .799 .625 .793 .776 .643 .808 .764 .846 .795 .811 .830 .656 .843 .740 .793 .805 .925 .992 .812 .764 .695

Covariances: (Group number 1 - Default model) Hiệp phương sai

Estimate S.E. C.R.

P Label

lanhdao lanhdao lanhdao lanhdao lanhdao

<--> thangtien <--> dongnghiep <--> luong_thuong <--> baohiem <--> congviec

.961 .646 .671 .519 .875

.158 6.070 *** .130 4.974 *** .143 4.686 *** .158 3.287 .001 .158 5.542 ***

Estimate S.E. C.R.

P Label

<--> trungthanh <--> dongnghiep <--> luong_thuong <--> baohiem <--> congviec <--> trungthanh

lanhdao thangtien thangtien thangtien thangtien thangtien dongnghiep <--> luong_thuong dongnghiep <--> baohiem dongnghiep <--> congviec dongnghiep <--> trungthanh luong_thuong <--> baohiem luong_thuong <--> congviec luong_thuong <--> trungthanh congviec baohiem congviec

<--> baohiem <--> trungthanh <--> trungthanh

.970 .602 .707 .389 1.017 1.002 .408 .408 .729 .618 .470 .621 1.029 .454 .338 .941

.168 5.791 *** .127 4.745 *** .145 4.873 *** .152 2.561 .010 .166 6.136 *** .168 5.948 *** .118 3.466 *** .141 2.886 .004 .139 5.237 *** .136 4.536 *** .154 3.058 .002 .145 4.287 *** .179 5.735 *** .163 2.784 .005 .162 2.085 .037 .170 5.528 ***

Correlations: (Group number 1 - Default model) Hệ số tương quan

<--> thangtien <--> dongnghiep <--> luong_thuong <--> baohiem <--> congviec <--> trungthanh <--> dongnghiep <--> luong_thuong <--> baohiem <--> congviec <--> trungthanh

lanhdao lanhdao lanhdao lanhdao lanhdao lanhdao thangtien thangtien thangtien thangtien thangtien dongnghiep <--> luong_thuong dongnghiep <--> baohiem dongnghiep <--> congviec dongnghiep <--> trungthanh luong_thuong <--> baohiem luong_thuong <--> congviec luong_thuong <--> trungthanh congviec baohiem congviec

<--> baohiem <--> trungthanh <--> trungthanh

Estimate .661 .480 .478 .276 .572 .628 .454 .511 .210 .675 .658 .318 .238 .523 .439 .262 .426 .699 .233 .171 .588

Variances: (Group number 1 - Default model) Phương sai

Estimate S.E. C.R.

P Label

1.476 1.431 1.227 1.337 1.586 2.402 1.619 1.066 .920 .707 .985 .730 .947 1.388 .807 1.177 .713 .607 .525 1.765 .706 .781 .403 .049 .934 .781 1.014 1.154 1.680 .834

.243 6.068 *** .232 6.158 *** .194 6.336 *** .274 4.879 *** .255 6.228 *** .349 6.888 *** .273 5.932 *** .131 8.165 *** .111 8.297 *** .092 7.660 *** .108 9.147 *** .094 7.746 *** .123 7.683 *** .156 8.926 *** .113 7.120 *** .150 7.849 *** .099 7.167 *** .089 6.816 *** .089 5.873 *** .202 8.718 *** .126 5.601 *** .130 5.988 *** .214 1.885 .059 .194 .847 .253 .136 6.855 *** .118 6.599 *** .130 7.775 *** .155 7.456 *** .202 8.325 *** .129 6.481 ***

lanhdao thangtien dongnghiep luong_thuong congviec baohiem trungthanh e5 e4 e3 e2 e1 e9 e8 e7 e6 e12 e11 e10 e15 e14 e13 e17 e16 e20 e19 e18 e23 e22 e21

Squared Multiple Correlations: (Group number 1 - Default model) thường gọi là R2

Estimate .659 .483 .584 .548 .648 .629 .983 .856 .689 .711 .431 .715 .657 .632 .584 .653 .413 .602 .629 .390 .638 .562 .581

loy1 loy2 loy3 work1 work2 work3 ben2 ben3 pay4 pay5 ben4 cow1 cow2 cow3 prom1 prom2 prom3 prom4 sup3 sup4 sup5 sup6 sup7

CMIN

CMIN DF 403.140 209

P CMIN/DF 1.929

.000

NPAR 67 276 23 2831.904 253

.000

11.193

Model Default model Saturated model Independence model

RMR, GFI

GFI AGFI PGFI RMR .650 .813 .858 .142 .000 1.000 .240 .195 .262 .812

Model Default model Saturated model Independence model

Baseline Comparisons

Model

CFI

TLI rho2 .909

NFI Delta1 .858 1.000 .000

RFI rho1 .828 .000

IFI Delta2 .926 1.000 .000

.000

.925 1.000 .000

Default model Saturated model Independence model

RMSEA

.068 .226

.058 .219

.078 .234

RMSEA LO 90 HI 90 PCLOSE .002 .000

Model Default model Independence model Bạn hãy dựa vào các kết quả trên và đánh giá về mô hình đo lường? Mức độ phù hợp chung? - Chi-square/df = 1.93 (<2); TLI = 0.909 ; CFI=0.925; RMSEA=0.068 (<0.08) nên có thể nói là mô hình phù hợp với dữ liệu thị trường. Tuy nhiên, có 1 số chỉ tiêu chưa đạt, theo bạn cải thiện các chỉ tiêu này bằng cách nào? Giá trị hội tụ? - Các trọng số (chuẩn hoá) đều > 0.5 và các trọng số (chưa chuẩn hoá) đều có ý nghĩa thống kê nên các khái niệm đạt được giá trị hội tụ. Tính đơn nguyên? Mô hình này đo lường này phù hợp với dữ liệu thị trường, và không có tương quan giữa các sai số đo lường nên nó đạt được tính đơn nguyên.

Độ tin cậy? Áp dụng công thức và tính Độ tin cậy tổng hợp? Tổng phương sai trích? Và dễ nhất là sử dụng Cronbach’s Alpha Bạn còn nhớ thao tác trên SPSS? Analyze\ Scale\ Reliability Analysis Hình 3.26

Ví dụ: Với thang đo lãnh đạo

Reliability Statistics

Hệ số Cronbach’s Alpha = 0.86 (>0.6) và Các hệ số tương quan biến – tổng đều > 0.3 nên thang đo “lãnh đạo” đạt được độ tin cậy

Cronbach's N of Items

Alpha

.860 5

Item-Total Statistics

Cronbach's

Scale Mean if Scale Variance if Corrected Item- Alpha if Item

Deleted Item Deleted Item Deleted Total Correlation

.728 20.31 21.391 .819 sup3

.563 19.70 24.163 .858 sup4

.736 20.06 21.343 .817 sup5

.699 19.80 21.340 .826 sup6

.674 20.44 20.529 .835 sup7

Với thang đo thăng tiến

Bạn có nhận xét gì?

Reliability Statistics

Cronbach's

Alpha N of Items

.835 4

Item-Total Statistics

Cronbach's

Scale Mean if Scale Variance if Corrected Item- Alpha if Item

Item Deleted Item Deleted Total Correlation Deleted

prom1 13.57 14.758 .696 .778

prom2 13.73 15.726 .707 .774

prom3 13.11 16.826 .587 .825

Và tương tự với thang đo cho các khái niệm khác

prom4 13.29 15.897 .677 .787

Độ tin cậy tổng hợp, tổng phương sai trích? bạn hãy tính bằng Excel

Bạn hãy tính độ tin cậy tổng hợp, tổng phương sai trích cho các khái niệm khác nhé!

Giá trị phân biệt? Cách dễ nhất là hệ số tương quan giữa các khái niệm thành phần của một khái niệm lớn phải <0.9 thì mới đạt được giá trị phân biệt. Một cách khác, cẩn thận hơn, bạn kiểm định xem hệ số tương quan có khác biệt so với 1 hay không (làm bằng Excel)

n=200

TINV(0.05,198)

1.972

Correlations: (Group number 1 - Default model)

r

SE= SQRT((1-r2)/(n-2))

CR= (1-r)/SE

P-value

<--> lanhdao <--> lanhdao <--> lanhdao <--> lanhdao <--> lanhdao <--> lanhdao <--> thangtien <--> thangtien <--> thangtien <--> thangtien <--> thangtien <--> dongnghiep <--> dongnghiep <--> dongnghiep dongnghiep <--> luong_thuong <--> luong_thuong <--> luong_thuong <--> <--> congviec <--> baohiem <--> congviec

thangtien dongnghiep luong_thuong baohiem congviec trungthanh dongnghiep luong_thuong baohiem congviec trungthanh luong_thuong baohiem congviec trungthanh baohiem congviec trungthanh baohiem trungthanh trungthanh

0.053 0.062 0.062 0.068 0.058 0.055 0.063 0.061 0.069 0.052 0.054 0.067 0.069 0.061 0.064 0.069 0.064 0.051 0.069 0.070 0.057

6.36 8.34 8.36 10.60 7.34 6.73 8.62 8.00 11.37 6.20 6.39 10.12 11.04 7.87 8.79 10.76 8.93 5.92 11.10 11.84 7.17

0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Estimate 0.661 0.48 0.478 0.276 0.572 0.628 0.454 0.511 0.21 0.675 0.658 0.318 0.238 0.523 0.439 0.262 0.426 0.699 0.233 0.171 0.588

Hàm tính P-value trong Excel ở trên là TDIST(|CR|, n-2, 2) Bạn sẽ thấy P-value đều <0.05 nên Hệ số tương quan của từng cặp khái niệm khác biệt so với 1 ở độ tin cậy 95% (Mà là hệ số tương quan thì bạn có thể suy ra tiếp rằng nó < 1). Do đó, các khái niệm đạt được giá trị phân biệt.

4. MÔ HÌNH CẤU TRÚC (SEM) Anh chị hãy lưu lại file trên với 1 tên khác, ví dụ là SEM JDI Loy 1.amw Sau đó vẽ lại sơ đồ như sau. Chú ý elip của khái niệm trung thành có 1 sai số e24 (bạn có thể ký hiệu khác, ví dụ là z1 cũng được). Mỗi một biến phụ thuộc trong mô hình cấu trúc phải có 1 sai số. Hình 4.1 1

sup3

sup4

lanh dao

sup5

sup6

sup7

prom1

prom2

thang tien

e23 1

e22 1

e21 1

prom3

loy3

loy2

loy1

prom4

cow1

e10

dong nghiep

cow2

e11

trung thanh

cow3

e12

pay4

e13

e24

luong thuong

pay5

e14

ben4

e15

ben2

e16

bao hiem

ben3

e17

work1

e18

cong viec

work2

e19

e20

work3

, bạn sẽ có kết quả

Tính toán bằng cách bấm vào nút

Hình 4.2

.63

sup3

.39

.79 .62

sup4

.64

.80

lanh dao

Chi-square= \chi-square ; df= 209 ; P= .000 ; Chi-square/df = 1.929 ; GFI= .858 ; TLI = .909 ; CFI = .925 ; RMSEA= .068

sup5

.56

sup6

.58

.75 .76

sup7

.66

.58

prom1

.76

.65

.20

.81

e23

e22

e21

prom2

.48

.41

thang tien

.58

.48

.66

prom3

.64

.60

loy3

.48 .19

.78

loy1

.45

prom4

.72

.28

loy2 .81 .70

.85

.66

.76

cow1

e10

.66

.51

.06

.57

.67

dong nghiep

cow2

trung thanh

e11

.63

.81

.21

.80

cow3

e12

.69

.32

.45

-.09

.83

pay4

e13

.71

.14

e24

.24

luong thuong

pay5

e14

.43

.84

.52

.26

ben4

e15

.66

.98

.99

ben2

e16

.86

.43

bao hiem

ben3

e17

.55

.93

.23

.74

work1

e18

.65

cong viec

work2

e19

.63

.80

.79

work3

e20

Nghiên cứu của Dung & Nam (2005) chỉ ra rằng các thành phần của sự thoả mãn của nhân viên với công việc ảnh hưởng đến lòng trung thành, và điều này cũng được kiểm định bởi nhiều tác giả khác như Yousef(2000), Schepker (2001), Jernigan & ctg (20002). Vì vậy, mô hình nghiên cứu của bạn dự định có thể như Hình 4.1 và kết quả ước lượng lần đầu tiên như Hình 4.2

Kết quả dạng bảng số liệu

Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R.

P Label

Đồng nghiệp không có ý nghĩa thống kê ở độ tin cậy 90% vì P-value >0.1

trungthanh <--- lanhdao trungthanh <--- thangtien trungthanh <--- dongnghiep trungthanh <--- luong_thuong trungthanh <--- baohiem trungthanh <--- congviec

.212 .204 .068 .495 -.073 .142

.101 2.096 .036 .119 1.713 .087 .755 .450 .090 .099 4.983 *** .050 -1.470 .142 .104 1.372 .170

Khái niệm nào không có ý nghĩa thống kê ở độ tin cậy 90% ta sẽ loại lần lượt ra khỏi mô hình. (Dĩ nhiên là để tìm được mô hình tốt, bạn có thể phải thử nhiều mô hình khác nhau) Lưu lại file SEM JDI Loy 1.amw để giữ lại sơ đồ (khi cần, có thể sử dụng lại) Lưu file SEM JDI Loy 1.amw với tên khác SEM JDI Loy 2.amw … Hình 4.3

.62

sup3

.39

Chi-square= 188.523 ; df= 84 ; P= .000 ; Chi-square/df = 2.244 ; GFI= .894 ; TLI = .912 ; CFI = .929 ; RMSEA= .079

.79 .62

sup4

.64

.80

lanh dao

sup5

e23

e22

e21

.57

.48

.67

sup6

.58

.23

.75 .76

loy3

loy2

loy1

sup7

.66

.59

.82

.70

prom1

.76

.77

.64

.65

.81

.27

prom2

trung thanh

.42

thang tien

prom3

.65

.59

.48

.77

prom4

e24

.45

.52

.67

.82

pay4

e13

.74

luong thuong

pay5

e14

.41

.86

.64

ben4

e15

Regression Weights: (Group number 1 - Default model)

Estimate S.E. C.R.

P .098 2.463 .014 .106 2.748 .006 .102 4.886 ***

lãnh của P-value thăng tiến, đạo, lương thưởng đều <0.05. Nên các biến này đều thực sự ảnh hưởng lòng đến trung thành

.085 10.580 *** .082 11.271 *** .076 8.569 *** .082 11.126 ***

.095 8.886 *** .094 11.100 *** .103 10.571 *** .126 9.120 ***

thuận đến

Và, các trọng số chưa chuẩn hoá mang dấu dương cũng cho thấy lãnh đạo, các biến thăng lương tiến, thưởng ảnh hưởng tỷ lệ trung thành

.128 9.267 *** .108 9.245 *** .095 10.653 ***

trungthanh <--- lanhdao trungthanh <--- thangtien trungthanh <--- luong_thuong sup7 sup6 sup5 sup4 sup3 prom4 prom3 prom2 prom1 pay4 ben4 pay5 loy2 loy1 loy3

<--- lanhdao <--- lanhdao <--- lanhdao <--- lanhdao <--- lanhdao <--- thangtien <--- thangtien <--- thangtien <--- thangtien <--- luong_thuong <--- luong_thuong <--- luong_thuong <--- trungthanh <--- trungthanh <--- trungthanh

.241 .291 .496 1.000 .898 .919 .648 .911 1.000 .844 1.039 1.089 1.146 1.000 1.186 .994 1.014 1.000

Standardized Regression Weights: (Group number 1 - Default model)

- Các trọng số chuẩn hoá đều dương, nên các biến lãnh đạo, thăng tiến, lương thưởng ảnh hưởng thuận chiều đến trung thành - lương thưởng tác động mạnh nhất đến lòng trung thành vì trị tuyệt đối của trọng số chuẩn hoá là 0.446, lớn nhất trong 3 số 0.446, 0.273, 0.232.

trungthanh <--- lanhdao trungthanh <--- thangtien trungthanh <--- luong_thuong sup7 sup6 sup5 sup4 sup3 prom4 prom3 prom2 prom1 pay4 ben4 pay5 loy2 loy1 loy3

Estimate .232 .273 .446 .763 .754 .800 .621 .790 .769 .651 .808 .767 .820 .644 .860 .696 .818 .758

Squared Multiple Correlations: (Group number 1 - Default model)

Estimate .636

trungthanh

Modification Indices (Group number 1 - Default model)

Covariances: (Group number 1 - Default model)

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. Nếu móc giữa e6 và e13 thì hiệp phương sai giữa chúng sẽ là -0.33 và Chi-square sẽ giảm một lượng là 13.166 so với Chi- square của mô hình ban đầu. Khi đó GFI, TLI, CFI … cũng sẽ được cải thiện. Khi thêm 1 tham số, nếu Chi- square giảm khoảng từ 4 trở lên thì gọi là có sự thay đổi đáng kể. 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!

e22 <--> luong_thuong 4.741 4.312 e22 <--> lanhdao 9.951 e13 <--> thangtien 6.609 e15 <--> thangtien 4.899 e6 <--> lanhdao 13.166 e6 <--> e13 5.793 e6 <--> e15 7.529 e7 <--> e6 5.466 e9 <--> lanhdao 7.447 e9 <--> e14 6.705 e9 <--> e7 e1 <--> luong_thuong 10.649 5.395 e1 <--> thangtien e1 <--> e22 5.827 4.866 e1 <--> e9 e2 <--> luong_thuong 4.322 e2 <--> e7 6.723 e5 <--> luong_thuong 24.137 7.505 e5 <--> e14 4.470 e5 <--> e2

M.I. Par Change .232 -.215 -.243 .264 -.196 -.330 .290 .234 .189 .217 -.202 -.238 .160 -.229 .164 .164 -.198 .421 .223 -.173

Bạn có nhận xét gì về mô hình trên? - Mô hình ở Hình 4.3 có thể nói là phù hợp với dữ liệu thị trường vì Chi-square=2.24 (<3), TLI=0.912, CFI=0.929 (>0.9); RMSEA=0.079 (<0.08). Tuy nhiên các chỉ tiêu này chưa phải tốt lắm! -Xem bảng Regression Weights, ta thấy cả ba khái niệm Lãnh đạo, thăng tiến, lương thưởng đều ảnh hưởng thuận chiều đến trung thành và có ý nghĩa thống kê. -Xem bảng Standardized Regression Weights, ta thấy các trọng số đã chuẩn hoá. Trị tuyệt đối của các trọng số này càng lớn thì khái niệm độc lập tương ứng tác động càng mạnh đến khái niệm phụ thuộc. Trường hợp này lương thưởng là yếu tố tác động mạnh nhất (trọng số hồi quy đã chuẩn hoá bằng 0.446); Mạnh nhì là thăng tiên (trọng số hồi quy đã chuẩn hoá là 0.273) và cuối cùng là lãnh đạo (trọng số hồi quy đã chuẩn hoá là 0.232) -Ba khái niệm Lãnh đạo, thăng tiến, lương thưởng giải thích được 63.6% biến thiên của trung thành.

Làm sao để mô hình SEM tốt hơn? - Dựa vào chỉ tiêu MI, bạn sẽ có thể cải thiện mô hình tốt hơn. Hãy xem mô hình ở Hình 4.4 Hình 4.4

.63

sup3

.39

Chi-square= 164.976 ; df= 81 ; P= .000 ; Chi-square/df = 2.037 ; GFI= .908 ; TLI = .927 ; CFI = .943 ; RMSEA= .072

.79 .62

sup4

.64

.80

lanh dao

sup5

e23

e22

e21

.57

.58

.48

.66

sup6

.58

.23

.75 .76

loy3

loy2

loy1

sup7

.68

.46

.81

.70

prom1

.76

.68

.63

.31

.80

.28

prom2

trung thanh

.41

thang tien

-.33

prom3

.64

.71

.48

.84

prom4

e24

.44

.54

-.20

.67

.82

pay4

e13

.75

luong thuong

pay5

e14

.40

.87

.64

ben4

e15

Bạn hãy thử so sánh các chỉ tiêu đánh giá mức độ phù hợp của mô hình ở Hình 4.3 và mô hình ở Hình 4.4?

Bài giảng Thực hành mô hình cấu trúc tuyến tính (SEM) với phần mềm AMOS: Phần 1

Chủ đề:

NGUYỄN KHÁNH DUY Giảng viên Khoa Kinh tế Phát Triển Trường ĐH Kinh tế TPHCM

BÀI GIẢNG (Bản thảo lần 1) THỰC HÀNH MÔ HÌNH CẤU TRÚC TUYẾN TÍNH (SEM) VỚI PHẦN MỀM AMOS

.54

.20

.15

.32

.24

.50

.84

-.11

LỜI NÓI ĐẦU

LỜI CẢM ƠN

MỤC LỤC

1. TRAO ĐỔI VỚI CÁC BẠN SINH VIÊN LỚP BỒI DƯỠNG CỬ NHÂN TÀI NĂNG & GIỚI THIỆU VỀ SEM, PHẦN MỀM AMOS

Trong gần 100 em đang học ở đây, đề tài của nhóm em nào có thể áp dụng CFA, SEM?

Một gợi ý nghiên cứu dành cho các bạn sinh viên kế hoạch đầu tư, bất động sản, thẩm định giá…?

a. Khái niệm sự thoả mãn của nhân viên với công việc

Bạn còn nhớ thao tác EFA trong phần mềm SPSS? Analyze\Data Reduction\Factor Hình 1.4

Kết quả ban đầu

Kết quả EFA lần cuối

.899 .707 .670 .602

.913 .795 .768

.278 .907 .817 .593

.961 .952

Hai bảng trên cho bạn nhận xét gì? - Tổng phương sai trích (hay tổng biến thiên được giải thích) bằng 65.35% (>50%) - KMO = 0.847 (>0.5) và kiểm định Bartlett có ý nghĩa thống kê (Sig<0.05) Nên EFA là phù hợp.

3. PHÂN TÍCH NHÂN TỐ KHẲNG ĐỊNH (CFA) Từ kết quả của EFA, giờ bạn thấy rằng ta có 7 khái niệm chính sử dụng trong mô hình nghiên cứu sau này. Đó là

)

∑

λ i

( i

ρ

ρ

∑

∑

λ i

)

∑

λ i

( i

r

SE=SQRT((1-r2)/(n-2))

(1-r)/SE

P-value

Veà maët thöïc haønh, ta söû duïng phaàn meàm AMOS với cách thức Khởi động AMOS? Start Công dụng của các nút? Hình 3.1

Tạo file mới? File\New Mở file dữ liệu? File\Data Files (Ctrl-D) (cid:198) Chọn File Name (cid:198) Chọn kiểu file và chỉ đến file cần mở (cid:198) OK Hình 3.2

Hiển thị danh sách biến? Chọn nút sau Hình 3.3

Vẽ các biến tiêm ẩn, các biến quan sát tương ứng? Bước 1. Chọn nút Hình 3.5

Bước 2. Rê đến vị trí tương ứng để vẽ ra 1 vòng tròn, nhấp chuột 5 trái năm cái, bạn sẽ có đối tượng như Hình 3.6 Hình 3.6

Bước 3. Nhấp bàn tay dài, để chọn cả đối tượng

Bước 6. Nhấp ô tô để di chuyển đối tượng sao cho đẹp

Bước 4. Nhấp nút này để xoay đối tượng sao cho như Hình 3.7

Bước 5. Nhấp nút này để Chỉnh sửa kích cỡ của đối tượng sao cho đẹp

Bây giờ bạn đã Copy xong rồi, thì hãy nhấp nút bàn tay ngắn, để không chọn gì nữa. Tuy nhiên đối tượng mới của bạn chỉ cần có 4 biến quan sát thôi. Do đó bạn cần xoá đi 1 biến quan sát. Xoá 1 cái gì đó?

Vẽ các các mũi tên 2 đầu? (Thể hiện cho hiệp phương sai/ hệ số tương quan) Hình 3.10

Gắp các biến quan sát vào các hình chữ nhật (hình vuông) đại diện cho các biến quan sát trên sơ đồ ? Hình 3.12

Sau khi đã gắp các biến quan sát vào các hình chữ nhật tương ứng. Bạn sẽ được sơ đồ như Hình 3.13. Bây giờ, bạn nên gán tên cho các biến tiềm ẩn (Hình elip) bằng cách

Chọn nút ngón tay Nhấp vào Hình elip đầu tiên, Click phải chuột, Chọn Object Properties (Hình 3.13) Hộp thoại như Hình 14, xuất hiện. Bạn hãy nhập tên biến vào ô Variable name

Bạn hãy nhấp vào nút ngón tay, các biến tiềm ẩn này. Hãy làm tương tự trong việc đặt tên cho các sai số: e1, e2 ... (Hình 3.15) Và bây giờ bạn đã vẽ song Sơ đồ như Hình 3.16.

Thể hiện một số chỉ tiêu lên màn hình? Nếu bạn muốn thể hiện một số chỉ tiêu lên màn hình sơ đồ đường dẫn, hãy chọn nút Title

Khai báo các thuộc tính cần tính toán? Từ thanh Menu chọn View\Analysis Properties Hình 3.19

Lưu lại file Sơ đồ sơ đồ? Files \ Save hoặc Save As Trước khi tính toán, bạn nên lưu lại file sơ đồ đường dẫn

Tính toán các ước lượng? Nhấp nút

Các kết quả sẽ được tính toán Thể hiện kết quả? Hình 3.22

Kết quả dạng sơ đồ chưa chuẩn hoá Hình 3.23

Chi-square= 403.140 ; df= 209 ; P= .000 ; Chi-square/df = 1.929 ; GFI= .858 ; TLI = .909 ; CFI = .925 ; RMSEA= .068

Kết quả dạng sơ đồ đã chuẩn hoá Hình 3.24

Chi-square= 403.140 ; df= 209 ; P= .000 ; Chi-square/df = 1.929 ; GFI= .858 ; TLI = .909 ; CFI = .925 ; RMSEA= .068

Kết quả dạng các bảng số liệu

Regression Weights: (Group number 1 - Default model) – Bảng các trọng số chưa chuẩn hoá

Standardized Regression Weights: (Group number 1 - Default model)

Covariances: (Group number 1 - Default model) Hiệp phương sai

Correlations: (Group number 1 - Default model) Hệ số tương quan

Variances: (Group number 1 - Default model) Phương sai

Squared Multiple Correlations: (Group number 1 - Default model) thường gọi là R2

CMIN

CMIN DF 403.140 209

P CMIN/DF 1.929

.000