AMOS và CB-SEM: đọc chỉ số phù hợp mô hình mà không chạy theo ngưỡng

Chỉ số phù hợp trong AMOS cho biết ma trận hiệp phương sai do mô hình tái tạo lệch dữ liệu bao nhiêu, mỗi chỉ số đo một khía cạnh. Đọc nhiều chỉ số cùng lúc, coi ngưỡng như CFI 0,95 hay RMSEA 0,06 là tham khảo, và đừng nối sai số chỉ vì chỉ số điều chỉnh gợi ý.

Rất nhiều luận văn dùng AMOS trình bày một bảng chỉ số phù hợp với cột “ngưỡng” và cột “đạt”, như thể mô hình qua một kỳ thi. Phản biện có kinh nghiệm biết rằng mô hình có thể đạt mọi ngưỡng mà vẫn sai, và ngược lại. Bài này giải thích từng chỉ số AMOS xuất ra nghĩa là gì, thao tác lấy chúng, và cách viết phần báo cáo để người đọc tin.

Các chỉ số trong bảng Model Fit của AMOS nói gì?

Sau khi chạy, mở Text Output, mục Model Fit. Bảng dưới gom các chỉ số hay dùng.

Thao tác lấy đủ chỉ số trong AMOS

Mở các tuỳ chọn đầu ra

Vào View > Analysis Properties, thẻ Output, tick Standardized estimates, Squared multiple correlations, Residual moments và Modification indices. Ô ngưỡng của chỉ số điều chỉnh mặc định là 4; có thể để nguyên khi chỉ xem tham khảo.

Lấy SRMR

SRMR không hiện trong bảng Model Fit. Vào menu Plugins > Standardized RMR, để cửa sổ đó mở, rồi chạy lại mô hình; giá trị hiện trong cửa sổ plugin.

Khi có dữ liệu khuyết

Nếu dữ liệu có ô trống, AMOS yêu cầu tick Estimate means and intercepts để dùng ước lượng hợp lý cực đại thông tin đầy đủ. Khi đó một số đầu ra, trong đó có chỉ số điều chỉnh, không được tính. Đây là lý do nhiều người lặng lẽ xoá hết dòng thiếu để có chỉ số điều chỉnh, một lựa chọn cần nêu rõ trong bài vì nó làm thay đổi mẫu.

Dữ liệu lệch chuẩn

Ước lượng mặc định là hợp lý cực đại, giả định phân phối chuẩn đa biến. Kiểm tra bằng tuỳ chọn Tests for normality and outliers. Khi lệch chuẩn rõ, AMOS có bootstrap Bollen–Stine để điều chỉnh giá trị p của chi-bình phương, và bootstrap thông thường cho sai số chuẩn của tham số.

Vì sao không nên chạy theo ngưỡng?

Bộ ngưỡng được dẫn nhiều nhất đến từ nghiên cứu mô phỏng của Hu và Bentler năm 1999, đề xuất kết hợp như CFI gần 0,95, RMSEA gần 0,06, SRMR gần 0,08. Chính các tác giả và nhiều nghiên cứu sau đó, nổi bật là bài “In search of golden rules” của Marsh, Hau và Wen, cảnh báo rằng các mốc này rút ra từ một số dạng mô hình và điều kiện mô phỏng cụ thể, không áp nguyên cho mọi mô hình.

Các chỉ số phụ thuộc vào cỡ mẫu, số chỉ báo mỗi nhân tố, độ lớn tải nhân tố, và bậc tự do. Một mô hình có tải nhân tố thấp có thể cho RMSEA đẹp vì dữ liệu ít thông tin để bác bỏ mô hình; một mô hình tải cao, đo lường tốt lại có thể bị RMSEA phạt nặng. Đọc chỉ số phù hợp đúng nghĩa là xem chúng cùng với phần dư chuẩn hoá, độ lớn tham số và ý nghĩa lý thuyết, rồi trả lời: mô hình sai ở đâu và sai đó có quan trọng không.

Hai bước: mô hình đo lường trước, mô hình cấu trúc sau

Cách tiếp cận hai bước do Anderson và Gerbing đề xuất cuối thập niên 1980 vẫn là cách làm chuẩn: chạy phân tích nhân tố khẳng định cho toàn bộ thang đo, trong đó mọi nhân tố được phép tương quan tự do, rồi mới thay các tương quan bằng đường dẫn giả thuyết. Lý do đơn giản: nếu phần đo lường đã kém, mọi chỉ số phù hợp của mô hình cấu trúc phía sau đều lẫn lộn giữa lỗi đo lường và lỗi lý thuyết, và không ai biết vấn đề nằm ở đâu.

Trong AMOS, cách làm là lưu hai tệp sơ đồ riêng: một tệp CFA với các mũi tên hai đầu nối mọi cặp nhân tố, một tệp mô hình cấu trúc. Khi mô hình cấu trúc có số đường dẫn ít hơn số tương quan trong CFA, chênh lệch chi-bình phương giữa hai mô hình cho biết các ràng buộc lý thuyết làm mô hình kém đi bao nhiêu. Báo cáo cả hai bước giúp phản biện thấy bạn đã kiểm phần đo lường độc lập với giả thuyết.

Ở bước CFA, cũng nên xem phần dư chuẩn hoá trong mục Residual moments: một cặp câu hỏi có phần dư lớn chỉ ra chỗ mô hình sai cụ thể hơn mọi chỉ số tổng thể.

Chỉnh mô hình theo chỉ số điều chỉnh: lợi và hại

Chỉ số điều chỉnh nói gì

Mỗi chỉ số điều chỉnh (modification index) ước lượng chi-bình phương sẽ giảm bao nhiêu nếu giải phóng một tham số đang cố định, thường là nối hiệp phương sai giữa hai sai số hoặc thêm một đường dẫn. AMOS liệt kê kèm giá trị ước tính thay đổi của tham số (Par Change).

Rủi ro

Nối sai số liên tục theo chỉ số lớn nhất là khớp mô hình vào đặc thù ngẫu nhiên của mẫu. Nghiên cứu của MacCallum và cộng sự từ đầu thập niên 1990 đã cho thấy các chỉnh sửa dựa trên dữ liệu như vậy khó lặp lại ở mẫu khác. Mỗi lần nối, mô hình đẹp hơn nhưng lý thuyết mờ đi, và giá trị p của các kiểm định sau đó không còn ý nghĩa danh nghĩa.

Khi nào chấp nhận được

Một chỉnh sửa có lý do nội dung trước khi nhìn vào số liệu, ví dụ hai câu hỏi dùng cùng cách diễn đạt phủ định, hai câu đo cùng thời điểm, hoặc cùng một câu hỏi lặp ở hai đợt đo. Số chỉnh sửa ít, được báo cáo từng cái, và tốt nhất được kiểm tra lại trên mẫu khác hoặc nửa mẫu còn lại.

Báo cáo minh bạch trong bài báo hay luận án

Một phần kết quả CB-SEM đáng tin cần có:

1. Phần mềm và phiên bản IBM SPSS Amos, phương pháp ước lượng, cách xử lý dữ liệu khuyết và lệch chuẩn.
2. Chi-bình phương, bậc tự do và p, cùng CFI, TLI, RMSEA có khoảng tin cậy 90%, SRMR.
3. Chỉ số phù hợp của mô hình ban đầu trước mọi chỉnh sửa, đặt cạnh mô hình cuối.
4. Danh sách từng chỉnh sửa, lý do nội dung, và mức thay đổi chỉ số phù hợp.
5. Tải nhân tố chuẩn hoá, độ tin cậy, phần dư lớn đáng chú ý nếu có.
6. Nếu so sánh mô hình lồng nhau, báo cáo kiểm định chênh lệch chi-bình phương; mô hình không lồng nhau dùng AIC hoặc BIC.

Câu văn nên mô tả thay vì phán xử: “mô hình cho thấy mức phù hợp chấp nhận được theo các chỉ số tương đối, RMSEA ở mức trung bình” hữu ích hơn “mô hình đạt mọi ngưỡng”.

Việc không cần làm

Một số thói quen tốn công mà không thêm giá trị:

• Không cần liệt kê hơn chục chỉ số phù hợp; bốn tới sáu chỉ số đại diện là đủ.
• Không cần cột “đạt hay không đạt” trong bảng chỉ số.
• Không xoá chỉ báo chỉ để tăng CFI khi chỉ báo đó quan trọng về nội dung.
• Không gọi mô hình là “được khẳng định” khi đã chỉnh sửa nhiều vòng theo dữ liệu; lúc đó nó mang tính khám phá.

Câu hỏi thường gặp