1. Phân tích nhân tố khẳng định để làm gì?
Phân tích nhân tố khẳng định - Confirmatory Factor Analysis (CFA) là kiểm định được sử dụng để thực hiện các mục đích sau:
- Đánh giá được độ phù hợp tổng thể của dữ liệu dựa trên các chỉ số độ phù hợp mô hình (model fit) như Chisquare/df, CFI, TLI, GFI, RMSEA...
- Đánh giá chất lượng biến quan sát, khẳng định các cấu trúc nhân tố. Nếu EFA làm nhiệm vụ khám phá cấu trúc nhân tố từ một tập hợp các biến quan sát đưa vào và giả định chưa biết biến nào nằm chung trong một thang đo (chung một nhân tố) thì CFA lại khác khá nhiều. Các biến quan sát đưa vào phân tích CFA được giả định là đã xác định được biến quan sát nào thuộc thang đo nào rồi và chức năng của CFA lúc này là đánh giá xem các biến quan sát trong nội bọ thang đo đó đã phù hợp chưa, đạt tiêu chuẩn chưa.
- Đánh giá tính hội tụ, tính phân biệt các cấu trúc biến.
Những cách hiểu sai về phân tích CFA:
1. Phải phân tích EFA trước rồi mới phân tích CFA.
Nhiều luận văn đi theo quy trình Cronbach's Alpha, EFA, CFA, SEM khiến chúng ta đi vào lối nghĩ là lúc nào cũng phải phân tích EFA, sau đó mới thực hiện CFA.
- EFA là phân tích nhân tố khám phá. Giả định của EFA ban đầu là các biến quan sát chưa biết là sẽ thuộc nhân tố nào. Nhiệm vụ của phân tích này nhằm khám phá xem các biến quan sát sẽ hội tụ về bao nhiêu nhân tố. Ví dụ: bạn có 20 biến quan sát khảo sát theo thước đo 5 mức độ Likert, bạn muốn biết 20 biến quan sát này thực sự sẽ được phân thành bao nhiêu nhân tố và mỗi nhân tố sẽ gồm các biến quan sát nào. Bạn đưa vào phân tích EFA thì công cụ trích xuất ra được 4 nhân tố: nhân tố 1 (gồm biến quan sát 1,4,7,8), nhân tố 2 (gồm biến quan sát 2,3,10,11,12,19,20), nhân tố 3 (gồm biến quan sát 5,6,9,13,14), nhân tố 4 (gồm biến quan sát 15,16,17,18).
- CFA là phân tích nhân tố khẳng định. Giả định của CFA ban đầu là các biến quan sát đã được xác định thuộc các nhân tố nào rồi. Nhiệm vụ của phân tích này nhằm xem biến quan sát được phân nhóm như vậy là đã chính xác chưa. Ví dụ: bạn có 20 biến quan sát khảo sát theo thước đo 5 mức độ Likert, từ nền tảng cơ sở lý thuyết bạn đã xác định 20 biến quan sát này thuộc 4 nhân tố: nhân tố 1 (gồm biến quan sát 1,4,7,8), nhân tố 2 (gồm biến quan sát 2,3,10,11,12,19,20), nhân tố 3 (gồm biến quan sát 5,6,9,13,14), nhân tố 4 (gồm biến quan sát 15,16,17,18). Bạn đưa vào phân tích CFA thì công cụ đánh giá biến quan sát 5 không phải thuộc về nhân tố 3 mà thuộc về nhân tố 1, biến quan sát 20 kém chất lượng không thể hiện được đặc tính nhân tố 2 cần được loại bỏ.
Như vậy, chức năng của EFA và CFA là khác nhau. Nếu bạn không muốn khám phá nhân tố, thì bạn có thể thực hiện phần định lượng theo quy trình Cronbach's Alpha, CFA, SEM là phù hợp. Nếu bạn muốn khám phá nhân tố, bạn có thể thực hiện phần định lượng theo quy trình EFA, Cronbach's Alpha, SEM.
2. Phải có ma trận xoay EFA thì mới vẽ được diagram CFA, SEM.
Các bạn tham khảo nhiều video, bài viết các tác giả sử dụng plugin Pattern Matrix Builder để vẽ diagram CFA từ ma tận xoay ở bước EFA nên một số bạn hiều nhầm là muốn thực hiện CFA bắt buộc phải chạy EFA để lấy được ma trận xoay.
Thực sự không phải như vậy, AMOS đã có sẵn toàn bộ các công cụ để bạn vẽ diagram mà không cần dùng plugin hay ma trận xoay EFA. Plugin là công cụ hỗ trợ rút ngắn thao tác, không phải không có plugin thì chúng ta không vẽ được diagram.
Bạn phân tích độ tin cậy thang đo Cronbach's Alpha xong, không muốn thực hiện EFA vì các cấu trúc biến đã được xác định rõ ràng trên cơ sở lý thuyết, bạn muốn đi vào phân tích CFA luôn, thì bạn mở AMOS và dùng menu công cụ của AMOS để vẽ diagram bình thường.
2. Phân tích nhân tố khẳng định CFA
Phần hướng dẫn bên dưới sẽ sử dụng ví dụ mô hình như sau:
Cấu trúc biến:
- QC gồm 5 biến quan sát.
- QH gồm 5 biến quan sát.
- KM gồm 4 biến quan sát.
- BH gồm 6 biến quan sát. Trong đó BH6 bị loại ở bước Cronbach's Alpha nên không sử dụng lại ở CFA.
- NB gồm 4 biến quan sát.
- TT gồm 5 biến quan sát.
Bước 1: Khai báo dữ liệu SPSS cho phần mềm AMOS, vẽ diagram CFA
Ở bài viết Cách sử dụng AMOS để vẽ diagram CFA, SEM mình đã hướng dẫn cách khai báo dữ liệu SPSS vào phần mềm AMOS và vẽ diagram CFA, nếu bạn chưa biết cách thực hiện bước ban đầu này, bạn xem lại bài viết này rồi mới xem tiếp nội dung bên dưới.
Mình sẽ sử dụng lại tệp dữ liệu DATA AMOS.sav đã được giới thiệu tại bài viết vừa đề cập trên để hướng dẫn tiếp phần phân tích CFA sau đây. Diagram CFA sau khi được vẽ và khai báo hoàn thiện sẽ như sau:
Bước 2: Thiết lập phân tích CFA
Từ giao diện AMOS, chọn vào biểu tượng Analysis Properties để thiết lập cài đặt CFA.
Chuyển sang thẻ Output, tích chọn vào các mục như ảnh bên dưới. Một số mục đáng lưu ý:
- Standardized estimates: hiển thị hệ số chuẩn hóa.
- Squared multiple correlations: hiển thị hệ số xác định R bình phương.
- Residual moments: hiển thị phần dư.
- Modification indices: hiển thị chỉ số MI xác định các vấn đề làm giảm độ phù hợp của mô hình. Xem chi tiết cách sử dụng chỉ số này tại bài viết Chỉ số MI - Modification Indices trong AMOS.
Sau khi tích chọn xong, nhấp vào nút X ở góc trên bên phải để xác nhận tùy chọn và thoát khỏi giao diện.
Bước 3: Thực hiện phân tích CFA
Chọn vào biểu tượng Calculate Estimates để tiến hành chạy phân tích CFA.
Ngoài các thông số cơ bản được hiển thị trực tiếp trên diagram, các bạn nhấp vào nút View Text để xem các đầy đủ toàn bộ kết quả phân tích CFA.
3. Đọc kết quả phân tích CFA trên AMOS
Chúng ta sẽ đọc kết quả CFA qua các tiêu chí: độ phù hợp mô hình tổng thể, ý nghĩa biến quan sát, độ tin cậy, tính hội tụ, tính phân biệt các cấu trúc biến.
3.1 Độ phù hợp mô hình (model fit)
CFA là phân tích nhân tố khẳng định, nhiệm vụ của nó là khẳng định các cấu trúc nhân tố khai báo ban đầu là phù hợp hay chưa. Nếu các cấu trúc nhân tố khai báo này là phù hợp, model fit của mô hình sẽ đảm bảo, ngược lại, nếu cấu trúc nhân tố khai báo là chưa phù hợp, model fit mô hình sẽ vi phạm.
Đánh giá độ phù hợp mô hình bản chất là đánh giá về nội bộ cấu trúc nhân tố và quan hệ giữa các cấu trúc nhân tố với nhau. Những yếu tố làm giảm độ phù hợp mô hình gồm: các biến quan sát trong một nhân tố trùng lặp nhau, biến quan sát trong một nhân tố giải thích yếu cho nhân tố mẹ, biến quan sát thuộc nhân tố này nhưng giải thích mạnh cho nhân tố khác, có sự cộng tuyến giữa nhân tố này với nhân tố khác...
Sau khi chạy xong phân tích, để hiện thông số chuẩn hoá trên diagram, bạn nhấp vào mục Standardized estimates.
Một số chỉ số cơ bản về độ phù hợp mô hình như Chi-square/df, GFI, CFI, TLI, RMSEA, PCLOSE được hiển thị ngay trên phần macro chèn vào diagram để chúng ta đánh giá nhanh.
Để xem thêm các chỉ số độ phù hợp mô hình khác, chúng ta xem ở mục Model Fit trong View Text.
Nhấp vào mục Model Fit ở bên trái. Giao diện bên phải sẽ hiển thị toàn bộ các bảng liên quan đến độ phù hợp mô hình. CMIN chính là Chi-square.
Theo Hu & Bentler (1999), Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives, Structural Equation Modeling các chỉ số được xem xét để đánh giá Model Fit phổ biến gồm
- CMIN/df ≤ 3 là tốt, CMIN/df ≤ 5 là chấp nhận được
- CFI ≥ 0.9 là tốt, CFI ≥ 0.95 là rất tốt, CFI ≥ 0.8 là chấp nhận được (CFA dao động trong vùng 0 đến 1)
- GFI ≥ 0.9 là tốt, GFI ≥ 0.95 là rất tốt (chỉ số này bạn cần đọc thêm phần lưu ý cuối bài viết)
- TLI ≥ 0.9 là tốt
- RMSEA ≤ 0.06 là tốt, RMSEA ≤ 0.08 là chấp nhận được
- PCLOSE ≥ 0.05 là tốt, PCLOSE ≥ 0.01 là chấp nhận được
Trường hợp riêng của GFI lớn hơn 0.8 và nhỏ hơn 0.9
Một số đề tài do sự giới hạn về cỡ mẫu nên trị số GFI khó đạt được mức 0.9 bởi chỉ số này phụ thuộc rất nhiều vào số nhân tố, số biến quan sát và cỡ mẫu. Chính điều này mà GFI trở lên ít được đưa vào đánh giá độ phù hợp mô hình trong những năm gần đây, thậm chí là được khuyến cáo không nên sử dụng (Kline, 2005; Sharma et al., 2005).
Nếu bạn bắt buộc phải đánh giá chỉ số này trong bài luận, nhưng ngưỡng của nó dưới 0.9, bạn có thể chấp nhận ngưỡng 0.8 theo 2 công trình nghiên cứu của Baumgartner and Homburg (1995) và của Doll, Xia, and Torkzadeh (1994). Nguồn trích dẫn:
1. Baumgartner, H., Homburg, C.: Applications of Structural Equation Modeling in Marketing and Consumer Research: a review. International Journal of Research in Marketing 13(2), 139-161 (1996).
2. Doll, W.J., Xia, W., Torkzadeh, G.: A confirmatory factor analysis of the end-user computing satisfaction instrument, MIS Quarterly 18(4), 357–369 (1994).
Với các trường hợp các chỉ số không đạt được các ngưỡng chấp nhận, để cải thiện độ phù hợp mô hình Model Fit trong CFA, chúng ta sẽ sử dụng tới chỉ số MI, xem chi tiết tại đây.
3.2 Ý nghĩa các biến quan sát (Indicator reliability)
Với CFA, chúng ta xác định biến quan sát nào thuộc nhân tố nào ngay từ đầu. Tuy nhiên, việc xác định này là chúng ta đang dựa vào cơ sở lý thuyết. Chúng ta cần kiểm nghiệm lại nó với dữ liệu thực tế của chính đề tài mà các bạn đang thực hiện. Do vậy, chúng ta sẽ cần đánh giá xem các biến quan sát của nhân tố đó có thực sự là phù hợp chưa.
a. Hệ số Regression Weights
Cũng từ giao diện Amos Output (View Text), nhấp vào mục Estimates > Scalars > Regression Weights (bảng hệ số tác động chưa chuẩn hóa) để đánh giá các biến quan sát có ý nghĩa thống kê hay không.
- Cột Estimate: Hệ số tác động chưa chuẩn hóa từ nhân tố mẹ lên biến quan sát. Ví dụ hệ số tác động chưa chuẩn hóa từ BH lên BH2 là 0.992. Ở cột này, một số hệ số mang giá trị 1.000 bởi vì các quan hệ này là quan hệ tham chiếu trong nhân tố đó. Quay lại diagram vẽ từ đầu, các bạn để ý sẽ thấy mũi tên từ BH lên BH4 hay từ TT lên TT1 đều được gán giá trị tham chiếu 1 lên Regression Weights. Nên ở trong bảng kết quả Regression Weights, mặc định các quan hệ này đều có Estimate là 1.000. Bạn có thể tùy ý đổi giá trị tham chiếu 1 cho bất cứ mũi tên nào trong nhân tố đó mà không làm thay đổi bản chất chỉ số của mô hình. Tuy nhiên, việc thay đổi quan hệ tham chiếu, các quan hệ khác trong nhân tố phải thay đổi theo nên giá trị Estimate bảng Regression Weights cũng bị thay đổi. Chính vì vậy, dù cùng một bộ dữ liệu, cùng số lượng biến đó nhưng khi khai báo quan hệ tham chiếu 1 ở mũi tên các biến quan sát khác nhau trong một nhân tố thì giá trị Estimate ở bảng này sẽ khác nhau.
- Cột C.R.: Đây là critical ratio của phép kiểm định ý nghĩa hệ số tác động, giá trị này giống như t-value ở nhiều phần mềm khác.
- Cột P.: Đây là p-value của phép kiểm định ý nghĩa hệ số tác động, giá trị này giống như sig ở nhiều phần mềm khác. Đây là cột giá trị trọng tâm trong bảng Regression Weights chúng ta thường sử dụng để đánh giá ý nghĩa các biến quan sát. Nếu P nhỏ hơn 0.05 (nghiên cứu này sử dụng mức ý nghĩa 5%), biến quan sát có ý nghĩa giải thích cho nhân tố mẹ. Trong AMOS, khi P = 0.000 sẽ được ký hiệu là ba dấu ***. Ở cột này, một số vị trí không có giá trị P bởi vì các quan hệ này là quan hệ tham chiếu trong nhân t, mặc định P của nó nhỏ hơn 0.05. Vấn đề đặt ra lúc này, lỡ biến quan sát tham chiếu không có ý nghĩa thì làm sao nhận diện được? Chúng ta sẽ dựa tiếp vào bảng thứ hai ngay sau đây.
b. Hệ số Standardized Regression Weights
Cũng từ giao diện Amos Output (View Text), nhấp vào mục Estimates > Scalars > Standardized Regression Weights (bảng hệ số tác động chưa chuẩn hóa) để đánh giá mức độ giải thích của biến quan sát lên nhân tố mẹ.
Hair và cộng sự (2009), Multivariate Data Analysis, 7th Edition, Prentice Hall, Upper Saddle River cho rằng nếu biến quan sát có hệ số tác động chuẩn hóa ở cột Estimate lớn hơn hoặc bằng 0.5 thì biến quan sát có ý nghĩa giải thích tốt cho nhân tố mẹ. Đối với bảng này, dù bạn gán giá trị tham chiếu cho quan hệ nào nào đi nữa thì hệ số chuẩn hóa ở các quan hệ vẫn không thay đổi.
3.3 Độ tin cậy, tính hội tụ, tính phân biệt thang đo
Xem tại bài viết: Đánh giá tính hội tụ, tính phân biệt trong phân tích CFA AMOS