Chỉ số phù hợp SEM cho biết ma trận hiệp phương sai mà mô hình tái tạo được khớp với ma trận tính từ dữ liệu thực tế đến mức nào. Không chỉ số nào đủ để kết luận một mình. Bạn cần đọc theo nhóm, so với ngưỡng có nguồn và đặt trong bối cảnh cỡ mẫu, số bậc tự do cũng như mục đích nghiên cứu.
Bài viết phân loại các chỉ số thường gặp trong AMOS, giải thích nguồn gốc của những mốc như 0,90 hay 0,95, rồi đưa ra một ví dụ minh họa về cách đọc kết hợp. Phần cuối gợi ý cách viết nhận định để không phóng đại mức độ phù hợp của mô hình.
Tóm tắt nhanh: độ phù hợp tổng thể tốt không chứng minh mô hình đúng, chỉ cho thấy dữ liệu không mâu thuẫn rõ với nó.
Hãy báo cáo đủ bộ chỉ số, kể cả chỉ số chưa đạt, và luôn xem thêm phần dư để phát hiện chỗ lệch cục bộ.
Chỉ số phù hợp SEM thực chất đo điều gì?
Khi ước lượng, phần mềm tìm bộ tham số làm cho ma trận hiệp phương sai dự báo gần nhất với ma trận quan sát. Khoảng cách còn lại giữa hai ma trận là cơ sở của mọi chỉ số phù hợp. Kiểm định chi bình phương đặt giả thuyết không là mô hình khớp hoàn hảo, vì vậy giá trị p lớn mới là kết quả mong muốn.
Vấn đề là chi bình phương tăng theo cỡ mẫu. Với vài trăm quan sát trở lên, sai lệch rất nhỏ cũng đủ làm p nhỏ hơn 0,05. Các chỉ số khác ra đời để bù đắp nhược điểm này, mỗi nhóm nhìn vấn đề từ một góc khác nhau.
Các nhóm chỉ số phù hợp thường gặp
Chỉ số tuyệt đối
Nhóm này đánh giá trực tiếp mức sai lệch của mô hình mà không so với mô hình nào khác. Trong AMOS, đó là CMIN, CMIN/DF, RMSEA và GFI; SRMR được lấy qua plugin Standardized RMR. RMSEA có điểm mạnh là kèm khoảng tin cậy 90% và PCLOSE, tức giá trị p của kiểm định giả thuyết RMSEA tổng thể không vượt 0,05.
Chỉ số gia tăng
CFI, TLI và NFI so sánh mô hình của bạn với mô hình độc lập, nơi mọi biến được giả định không tương quan. Chỉ số càng gần 1 nghĩa là mô hình cải thiện càng nhiều so với mức cơ sở đó. TLI có điều chỉnh theo độ phức tạp nên đôi khi vượt 1, điều này không phải lỗi.
Chỉ số tiết kiệm và chỉ số so sánh
PNFI, PCFI phạt những mô hình dùng quá nhiều tham số. AIC, BIC không có ngưỡng tuyệt đối mà chỉ dùng để so sánh các mô hình cạnh tranh trên cùng bộ dữ liệu, giá trị nhỏ hơn được ưu tiên. Nhóm này hữu ích khi bạn cân nhắc giữa mô hình một bậc và mô hình bậc hai.
Ngưỡng tham khảo và bối cảnh áp dụng
Bảng sau tổng hợp các mốc phổ biến cùng nguồn. Cột ngưỡng nới phản ánh thực tế nhiều luận văn trong nước đang dùng, nhưng bạn cần đối chiếu yêu cầu của giảng viên hoặc tạp chí trước khi chọn.
| Chỉ số | Ngưỡng chặt | Ngưỡng thường được nới | Nguồn và lưu ý |
|---|---|---|---|
| CMIN/df | Dưới 3 | Có tài liệu chấp nhận dưới 5 | Hair và cộng sự dùng mốc 3; nhạy với cỡ mẫu |
| CFI | Từ 0,95 | Từ 0,90 | Hu & Bentler (1999) cho mốc chặt |
| TLI | Từ 0,95 | Từ 0,90 | Có thể lớn hơn 1 |
| RMSEA | Không quá 0,06 | Không quá 0,08 | Hu & Bentler (1999); Browne & Cudeck (1993) |
| SRMR | Không quá 0,08 | Có tài liệu chấp nhận dưới 0,10 | Hu & Bentler (1999) |
| GFI, AGFI | Từ 0,90 trong tài liệu cũ | Không nên dùng làm tiêu chí chính | Phụ thuộc mạnh vào cỡ mẫu |
Vì sao không nên coi ngưỡng là luật vàng?
Các mốc của Hu & Bentler (1999) được rút ra từ mô phỏng với những điều kiện cụ thể về cỡ mẫu và cấu trúc mô hình. Marsh, Hau và Wen (2004) đã cảnh báo việc biến chúng thành quy tắc cứng nhắc. Ví dụ, RMSEA thường bị thổi phồng ở mô hình có ít bậc tự do, còn CFI có thể thấp khi các biến tương quan yếu với nhau.
Đọc đồng thời nhiều chỉ số phù hợp SEM
Hu & Bentler (1999) đề xuất chiến lược hai chỉ số: kết hợp SRMR với một chỉ số như CFI hoặc RMSEA, thay vì dựa vào một con số. Trong thực hành, bạn nên đọc theo ba lớp:
- Chi bình phương và giá trị p để biết mô hình có sai lệch so với dữ liệu hay không.
- Các chỉ số tuyệt đối và gia tăng để đánh giá sai lệch đó lớn hay nhỏ.
- Phần dư chuẩn hóa để tìm vị trí cụ thể của sai lệch trong mô hình.
Ví dụ minh họa cách diễn giải
Giả sử mô hình đo lường của một đề tài giả định cho kết quả: CMIN/df bằng 2,4; CFI bằng 0,93; TLI bằng 0,92; RMSEA bằng 0,061 với khoảng tin cậy từ 0,054 đến 0,068, PCLOSE bằng 0,01; SRMR bằng 0,052. Theo ngưỡng nới, mô hình chấp nhận được; theo mốc chặt của Hu & Bentler, CFI và TLI còn thấp.
Viết nhận định cho kết quả ở vùng giáp ranh
Nhận định trung thực trong trường hợp này là mô hình đạt mức phù hợp chấp nhận được, chưa đạt mức tốt. Bạn nêu rõ cả hai bộ ngưỡng, giải thích lựa chọn của mình và không viết rằng mô hình phù hợp hoàn toàn với dữ liệu. Câu chữ thận trọng như vậy thường thuyết phục hội đồng hơn một bảng toàn chữ “đạt”.
Kiểm tra phù hợp cục bộ
Ngay cả khi chỉ số tổng thể đẹp, mô hình vẫn có thể sai ở một vài quan hệ. Bật mục Residual moments trong Analysis Properties để xem bảng Standardized Residual Covariances. Các giá trị tuyệt đối lớn hơn khoảng 2,58 gợi ý cặp biến mà mô hình giải thích kém, cần xem lại nội dung câu hỏi trước khi quyết định gì thêm.
Nếu bạn đang phân vân nên báo cáo ngưỡng nào hoặc diễn giải thế nào khi chỉ số mâu thuẫn nhau, dịch vụ phân tích dữ liệu bằng AMOS của Luận Văn 360 có thể cùng bạn rà soát đầu ra. Bạn nhận góp ý để tự viết phần nhận định theo cách hiểu của mình.
Trình bày chỉ số có thận trọng
Phần trình bày nên giúp người đọc tự kiểm chứng. Một bảng chỉ số phù hợp đầy đủ thường gồm các thông tin sau:
- Giá trị gốc: chi bình phương, bậc tự do và giá trị p, kể cả khi p nhỏ hơn 0,05.
- Bộ chỉ số chính: CMIN/df, CFI, TLI, RMSEA kèm khoảng tin cậy 90% và SRMR.
- Cột ngưỡng có nguồn: ghi tên tác giả, năm, không chỉ ghi chữ “đạt”.
- So sánh mô hình: nếu có điều chỉnh, đặt mô hình ban đầu và mô hình cuối cạnh nhau.
Khi so sánh hai mô hình lồng nhau, tức mô hình này là trường hợp đặc biệt của mô hình kia, bạn có thể dùng kiểm định chênh lệch chi bình phương. Với mô hình không lồng nhau, hãy so sánh AIC hoặc BIC. Cách tổ chức các bảng này được hướng dẫn chi tiết trong danh mục trình bày kết quả CFA/SEM.
Kinh nghiệm từ Luận Văn 360: một lỗi chúng tôi gặp khá thường xuyên là bảng chỉ số chỉ giữ lại những chỉ số đạt ngưỡng, còn RMSEA hoặc chi bình phương bị lược đi.
Người phản biện có kinh nghiệm sẽ nhận ra ngay vì AMOS luôn xuất đủ các chỉ số này. Báo cáo đầy đủ và giải thích lý do một chỉ số chưa đạt luôn an toàn hơn việc giấu nó.
Lỗi thường gặp khi đọc chỉ số phù hợp
Đánh giá mô hình bão hòa
Mô hình có bậc tự do bằng 0, ví dụ mô hình đường dẫn nối mọi cặp biến, luôn cho CFI bằng 1 và RMSEA bằng 0. Đó không phải bằng chứng phù hợp mà chỉ phản ánh việc không còn gì để kiểm định. Trường hợp này hay gặp khi làm phân tích đường dẫn bằng AMOS.
Dùng ngưỡng của PLS-SEM cho CB-SEM
SRMR trong SmartPLS và trong AMOS được tính từ hai cách tiếp cận khác nhau, nên mốc tham khảo không hoàn toàn chuyển đổi được. Nếu chưa rõ khác biệt giữa hai trường phái, bạn nên đọc bài khác biệt giữa CB-SEM và PLS-SEM trước khi chọn tiêu chí.
Sửa mô hình để chỉ số đạt ngưỡng
Thêm đường nối theo Modification Indices cho đến khi CFI vượt 0,90 là cách làm thiếu căn cứ. Mỗi tham số bổ sung phải có lý do lý thuyết hoặc lý do về nội dung câu hỏi. Quy trình rà soát từng bước có trong bài CFA bằng AMOS: quy trình và chỉ số cần xem.
Kết luận
Đọc chỉ số phù hợp SEM đúng cách nghĩa là xem nhiều nhóm chỉ số cùng lúc, hiểu nguồn gốc của từng ngưỡng và kiểm tra thêm phần dư cục bộ. Ngưỡng chỉ là mốc tham khảo; điều hội đồng đánh giá cao là sự minh bạch và lập luận của bạn khi kết quả không hoàn hảo.
Để tra cứu bài gốc của Hu & Bentler (1999) hoặc Marsh và cộng sự (2004), bạn có thể dùng Google Scholar. Khi cần người cùng rà soát bảng kết quả trước khi nộp, hãy tìm hiểu dịch vụ hỗ trợ phân tích CFA, SEM bằng AMOS của Luận Văn 360.
