Chạy CFA và CB-SEM online: chỉ số phù hợp, CR, AVE, HTMT

Cách dùng

1. Chuẩn bị file. Mỗi dòng một phiếu, mỗi cột một biến quan sát, tên cột theo mã khái niệm + số (CL1, CL2, HL1…). File đã làm sạch bằng công cụ làm sạch dữ liệu dùng được ngay. Câu đảo chiều ghi ở ô riêng để công cụ đảo điểm trước khi phân tích.
2. Mô hình đo lường. Công cụ tự nhóm biến theo tên cột thành các khái niệm. Kéo biến sang khái niệm khác, bấm × để bỏ biến đã loại ở bước Cronbach hay EFA, hoặc chọn vài biến rồi tạo khái niệm mới. Trên điện thoại, chạm chọn biến rồi chạm vào ô khái niệm.
3. Mô hình cấu trúc. Chỉ chạy CFA thì để trống. Chạy SEM thì chọn hai khái niệm rồi bấm “Thêm đường”, hoặc lấy các mũi tên đã vẽ ở Vẽ mô hình nghiên cứu. Mọi thứ hiện ở ô cú pháp kiểu lavaan: HL =~ HL1 + HL2 + HL3 cho khái niệm, TT ~ HL + NT cho đường dẫn, HL1 ~~ HL2 cho hiệp phương sai sai số, CAP =~ HL + NT cho khái niệm bậc hai.
4. Chạy và đọc kết quả. Đọc bảng chỉ số phù hợp trước, rồi hệ số tải, CR, AVE, giá trị phân biệt, cuối cùng mới đến giả thuyết. Bấm Tải Word để có bảng APA, hình mô hình và đoạn diễn giải; đổi số mục, số bảng cho khớp chương 4 của bạn.

Công cụ tính những gì

• Ước lượng hợp lý cực đại (ML) trên ma trận hiệp phương sai, với các mặc định của AMOS và lavaan: biến đầu tiên của mỗi khái niệm có hệ số tải cố định bằng 1, khái niệm ngoại sinh được tương quan tự do, sai số chuẩn theo ma trận thông tin kỳ vọng, phiếu thiếu dữ liệu bị loại (listwise). χ² tính như lavaan (N·F) hoặc như AMOS ((N − 1)·F), tuỳ bạn chọn.
• Chỉ số phù hợp: χ², df, p, CMIN/df, CFI, TLI, NFI, IFI, GFI, AGFI, RMSEA với khoảng tin cậy 90% và PCLOSE, SRMR, AIC, BIC; mỗi chỉ số kèm ngưỡng và nguồn (Hu & Bentler, 1999; Browne & Cudeck, 1993; Hair và cộng sự, 2019).
• Mô hình đo lường: hệ số tải chưa chuẩn hoá và chuẩn hoá, S.E., C.R., p; độ tin cậy tổng hợp CR, AVE, MSV, √AVE, bảng Fornell–Larcker và HTMT.
• Mô hình cấu trúc: hệ số đường dẫn (β chuẩn hoá và ước lượng gốc), R² của từng khái niệm nội sinh, mọi tác động gián tiếp theo từng chuỗi với sai số chuẩn delta (Sobel), giống tham số := của lavaan.
• Chỉ số hiệu chỉnh (MI) và giá trị dự kiến (EPC) cho tải chéo và hiệp phương sai sai số, kèm lời nhắc chỉ sửa mô hình khi có lý do nội dung.
• Khái niệm bậc hai và khái niệm một biến (hệ số tải 1, phương sai sai số 0) đều ước lượng được.

Ngưỡng đánh giá lấy theo trang ngưỡng chấp nhận; cách đọc từng chỉ số phù hợp ở bài chỉ số phù hợp mô hình CFA trong AMOS.

Đọc kết quả theo thứ tự nào

1. Chỉ số phù hợp: CFI và TLI từ 0,90 (tốt từ 0,95), RMSEA dưới 0,08 (tốt dưới 0,06), SRMR dưới 0,08, CMIN/df dưới 3. χ² có p < 0,05 là bình thường khi mẫu vài trăm phiếu, đừng kết luận mô hình sai chỉ vì χ².
2. Hệ số tải chuẩn hoá từ 0,50 (lý tưởng 0,70) và có ý nghĩa thống kê. Hệ số tải âm thường là câu đảo chiều chưa đảo điểm.
3. CR từ 0,70, AVE từ 0,50; MSV nhỏ hơn AVE và HTMT dưới 0,85 cho giá trị phân biệt (HTMT và giá trị phân biệt).
4. Giả thuyết: chỉ đọc hệ số đường dẫn khi mô hình đo lường đã đạt. Đường dẫn có p < 0,05 và đúng chiều kỳ vọng thì giả thuyết được ủng hộ.

Chỉ số nào không đạt, xem cách xử lý hợp lệ ở Bác sĩ kết quả trước khi nối sai số hay loại biến theo MI.

Ví dụ có số: CFA ba nhân tố trên dữ liệu Holzinger–Swineford

Dữ liệu Holzinger và Swineford (1939): 301 học sinh làm 9 bài kiểm tra năng lực, ba nhân tố thị giác (x1–x3), ngôn ngữ (x4–x6) và tốc độ (x7–x9). Bấm nút “Holzinger–Swineford” ở bước 1 để chạy lại. Kết quả:

• Phù hợp mô hình: χ²(24) = 85,306, p < 0,001, CMIN/df = 3,554, CFI = 0,931, TLI = 0,896, RMSEA = 0,092 (KTC 90%: 0,071 đến 0,114), SRMR = 0,065. CFI và SRMR đạt mức chấp nhận được, TLI và RMSEA chưa đạt.
• Hệ số tải chuẩn hoá từ 0,424 (x2) đến 0,855 (x5); AVE của nhân tố thị giác 0,371 và tốc độ 0,430, dưới 0,50.
• MI lớn nhất: x9 tải chéo lên nhân tố thị giác (MI = 36,41) và sai số x7–x8 (MI = 34,15), đúng như sách giáo khoa lavaan.

Các con số này trùng từng chữ số với kết quả kinh điển của lavaan cho cùng mô hình. Ví dụ đầy đủ, cách viết thành đoạn chương 4 và cách xử lý MI có trong bài chạy CFA và SEM online không cần AMOS.

Khác gì so với AMOS

Cùng thuật toán ML trên cùng ma trận hiệp phương sai, nên ước lượng chuẩn hoá, CFI, TLI, RMSEA, SRMR, GFI giống AMOS. Chọn “Như AMOS” ở ô cách tính χ² thì χ², CMIN/df và sai số chuẩn cũng theo quy ước N − 1 của AMOS; để mặc định thì theo quy ước N của lavaan, hai cách chỉ chênh nhau hệ số N/(N − 1). AMOS mặc định không in sai số chuẩn của hệ số chuẩn hoá; công cụ tính chúng bằng phương pháp delta như lavaan. Công cụ chưa có bootstrap, ước lượng khi dữ liệu thiếu (FIML), phân tích đa nhóm và kiểm định bất biến đo lường; đề tài cần các phần đó vẫn dùng AMOS hoặc lavaan.

Công cụ tính đúng các con số; chọn mô hình, quyết định loại biến hay nối sai số và diễn giải kết quả vẫn là trách nhiệm của bạn. Nếu khoa yêu cầu bản in từ AMOS, dùng công cụ để kiểm tra trước rồi chạy AMOS với cùng mô hình.

Câu hỏi thường gặp

CFA và SEM khác nhau thế nào?

CFA chỉ kiểm tra mô hình đo lường: các biến quan sát có đo đúng khái niệm hay không, nên mọi khái niệm được tương quan với nhau. SEM thêm các đường dẫn giả thuyết giữa khái niệm. Thứ tự trong khoá luận là CFA trước, đạt rồi mới SEM.

Cỡ mẫu bao nhiêu là đủ cho CB-SEM?

Hair và cộng sự (2019) gợi ý tối thiểu 100 đến 150 quan sát cho mô hình đến 5 khái niệm, mỗi khái niệm từ 3 biến và hệ số tải cao; mô hình 7 khái niệm trở lên hoặc hệ số tải thấp cần 300 đến 500. Một mốc khác là 5 quan sát cho mỗi tham số tự do (Bentler & Chou, 1987). Tính cho đề tài của bạn bằng máy tính cỡ mẫu.

Chọn CB-SEM hay PLS-SEM?

CB-SEM hợp với mục tiêu kiểm định lý thuyết và cần chỉ số phù hợp như CFI, RMSEA; PLS-SEM hợp với mục tiêu dự báo, mô hình nhiều khái niệm, có khái niệm cấu tạo hoặc mẫu nhỏ. Cùng dữ liệu có thể chạy cả hai ở công cụ này và công cụ PLS-SEM; trả lời vài câu ở chọn phương pháp phân tích nếu còn phân vân.

Có được nối sai số theo MI không?

Chỉ khi hai câu hỏi cùng một khái niệm có nội dung hoặc cách diễn đạt gần nhau, và bạn ghi lý do vào bài. Nối sai số khác khái niệm hoặc thêm tải chéo chỉ để CFI vượt 0,90 là chỉnh mô hình theo dữ liệu, hội đồng có thể hỏi lại.

Dữ liệu của tôi có bị gửi đi đâu không?

Không. File được đọc và mô hình được ước lượng ngay trong trình duyệt của bạn; link “Gửi cho GVHD” chỉ chứa mô hình và thiết lập, không chứa dữ liệu khảo sát.

Kiểm chứng

Bộ kiểm tra tự động (scripts/check-cbsem.mjs, chạy trước mỗi lần cập nhật trang) so lõi tính toán với gói R lavaan 0.7 và semTools trên sáu mô hình: CFA ba nhân tố Holzinger–Swineford theo cả hai quy ước χ², CFA bậc hai, CFA có tải chéo và hiệp phương sai sai số, mô hình cấu trúc ECSI trên dữ liệu mobi (có khái niệm một biến và tác động gián tiếp nhiều bước) và CFA 25 biến Big Five trên dữ liệu bfi. Ước lượng, sai số chuẩn, hệ số chuẩn hoá và sai số chuẩn của chúng, tác động gián tiếp lệch lavaan tối đa 3·10⁻⁵; χ², CFI, TLI, RMSEA và khoảng tin cậy, SRMR, GFI, AGFI, AIC, BIC lệch dưới 10⁻⁶; HTMT khớp semTools tới 10⁻¹³. Ở cả sáu mô hình, χ² của công cụ không lớn hơn χ² tại nghiệm của lavaan, tức công cụ đạt cực tiểu ít nhất cũng tốt như lavaan. Bảng so sánh ở trang kiểm chứng kết quả.

Chưa đủ phiếu để chạy CB-SEM? CB-SEM cần mẫu lớn hơn hồi quy, tính trước bằng máy tính cỡ mẫu. Nếu kênh miễn phí đã cạn, có thể thuê người trả lời qua Genius Data (link giới thiệu, chúng tôi có thể nhận hoa hồng): bạn chọn nhóm người trả lời, tự đặt mức thưởng mỗi câu và chỉ trả cho phản hồi được duyệt.

Tài liệu tham khảo

• Bentler, P. M., & Chou, C.-P. (1987). Practical issues in structural modeling. Sociological Methods & Research, 16(1), 78–117. https://doi.org/10.1177/0049124187016001004
• Browne, M. W., & Cudeck, R. (1993). Alternative ways of assessing model fit. In K. A. Bollen & J. S. Long (Eds.), Testing structural equation models (pp. 136–162). Sage.
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
• Holzinger, K. J., & Swineford, F. (1939). A study in factor analysis: The stability of a bi-factor solution (Supplementary Educational Monographs No. 48). University of Chicago.
• Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
• Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
• Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312. https://doi.org/10.2307/270723