So sánh loa trần và loa amos năm 2024
|
- Biến tiềm ẩn (construct) không được biết đến và cũng không cần thiết trong ước lượng tham số của mô hình. Biến tiềm ẩn và mối quan hệ các biến tiềm ẩn sẽ được xây dựng dựa trên ma trận hiệp phương sai của biến quan sát thuộc biến tiềm ẩn đó và biến quan sát thuộc các biến tiềm ẩn khác. Show - Yêu cầu dữ liệu phải có phân phối chuẩn hoặc xấp xỉ chuẩn. - Yêu cầu cỡ mẫu lớn, thường tối thiểu là 200. - Chỉ dùng được khi cho mối quan hệ reflective (xem khái niệm tại bài viết Lý thuyết mô hình đo lường Formative, Reflective, Causal). - Đánh giá được độ phù hợp mô hình tổng thể (good of fitness) với rất nhiều chỉ số thống kê quan trọng, nhờ đó đánh giá rất tốt mô hình so với lý thuyết. 1.2 Đặc điểm PLS-SEM (Partial Least Squares SEM)- Phù hợp cho các nghiên cứu khám phá, nghiên cứu có nền tảng lý thuyết chưa phát triển. Tuy nhiên, vẫn có thể áp dụng được cho nghiên cứu khẳng định. - Biến tiềm ẩn (construct) được hình thành dựa trên trọng số của các biến quan sát của thuộc biến tiềm ẩn đó. - Là phương pháp xử lý phi tham số, không yêu cầu dữ liệu có phân phối chuẩn. - Phần mềm sử dụng nhiều hiện nay tại Việt Nam: SMARTPLS - Cỡ mẫu lớn nhỏ đều có thể xử lý tốt, cỡ mẫu tối thiểu thường là 20. - Dùng được cho cả mối quan hệ reflective và formative. - Khả năng đánh giá độ phù hợp mô hình tổng thể thấp nên việc sử dụng nó để kiểm định và khẳng định lý thuyết bị giới hạn. ** Phần so sánh giữa CB-SEM và PLS-SEM ở trên được tổng hợp và trích dẫn từ các công trình của Hsu et al. 2006; Henseler et al. 2009; Hair et al. 2011; Hair et al. 2014. 2. Nhận xét chung về CB-SEM và PLS-SEM- CB-SEM và PLS-SEM không thay thế cho nhau bởi cả hai phương pháp khác nhau ở quan điểm thống kê, được thiết kế để đạt các mục tiêu khác nhau và dựa trên các lý thuyết đo lường khác nhau. Do đó, không phải kỹ thuật này cao hơn hẳn kỹ thuật còn lại và không phải kỹ thuật nào cũng thích hợp cho mọi tình huống. - Với tập dữ liệu lớn (cỡ mẫu từ 250 trở lên) kết quả của CB-SEM và PLS-SEM là rất tương đồng. - Nếu nghiên cứu mà mô hình kế thừa lại từ nghiên cứu trước đó (dạng nghiên cứu khẳng định) thì CB-SEM là một giải pháp tối ưu. Nếu nghiên cứu xuất hiện các biến tiềm ẩn mới, biến quan sát mới thì nên cân nhắc sử dụng PLS-SEM. Nếu dữ liệu không đạt phân phối chuẩn hoặc cỡ mẫu nhỏ thì nên sử dụng PLS-SEM. Nếu cần đánh giá độ phù hợp tổng thể mô hình thì cần sử dụng CB-SEM. Các chỉ số đo độ phù hợp của mô hình
Sự phù hợp của mô hình được xác định bởi sự tương ứng giữa ma trận hiệp phương sai quan sát được và một ma trận hiệp phương sai ước lượng lấy kết quả từ mô hình được đề xuất proposed model. SEM sử dụng một chuỗi các đo lường để miêu tả giả thiết nghiên cứu giải thích dữ liệu input như thế nào. Dữ liệu input tạo thành ma trận hiệp phương sai giữa các biến đo lường. Nếu chúng ta giải thích được đến tất cả các mối tương quan chính vốn có trong tập dữ liệu (liên quan đến các biến trong mô hình của chúng ta) thì chúng ta sẽ có mô hình phù hợp good fit. Nếu có sự khác biệt giữa những mối tương quan đề xuất và những mối tương quan quan sát được, chúng ta sẽ có một mô hình có độ phù hợp thấp poor fit. Mô hình đề xuất không “phù hợp” với mô hình quan sát, mô hình ước lượng. Các chỉ số đo độ phù hợp của mô hìnhCác chỉ số đo độ phù hợp của mô hình, goodness of fit được liệt kê dưới đây, kèm theo với ngưỡng giá trị chấp nhận. Độ phù hợp mô hình nghịch đảo với kích cỡ mẫu và số biến quan sát trong mô hình. Vì thế, ngưỡng dưới đây chỉ là hướng dẫn chung thôi nhé. Chi tiết về ngưỡng cụ thể, xem bảng 12-4 trong sách Hair et al. 2010 trang 654(Hair, J., Black, W., Babin, B., and Anderson, R. (2010). Multivariate data analysis (7th ed.): Prentice-Hall, Inc. Upper Saddle River, NJ, USA.). Chỉ số Ngưỡng chấp nhận Chi-square/df (cmin/df) <3 thì tốt, <5 đôi khi chấp nhận được CFI \>0.9 GFI \>0.9 TLI \>0.9 RMSEA <0.05 PCLOSE \>0.05 Khi chương trình chạy ra ta sẽ xem các giá trị model fit như hình sau: Ngoài ra còn một số chỉ số đo lường độ phù hợp khác, cụ thể chi tiết các chỉ số như sau: χ2 / df < 3 : dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình, dùng so sánh model với data, càng nhỏ càng tốt. SRMR : standardized root mean square residua: là sự khác biệt giữa phần data thực tế và phần mô hình dự đoán. Dao động từ 0->1,càng nhỏ càng tốt, SRMR=0 thì mô hình dự đoán hoàn toàn trùng khớp với dữ liệu, <=5% thì tốt. CFI: comparative fix index. Lấy độ phù hợp của một mô hình với một bộ data và so sánh với độ phù hợp của một mô hình khác với chính data đó. Dao động từ 0->1 , càng lớn càng tốt. CFI>=90% . Những chỉ số dạng này :TLI (Tucker–Lewis index), BL89 (Bollen’s fitndex), RNI (relative noncentrality index). CFI là một phiên bản được hiệu chỉnh của RNI. CFI dùng để tránh đánh giá thấp độ phù hợp khi cỡ mẫu nhỏ khi sử dụng NFI. Vì thế, ưu điểm của CFI so với NNFI là ít bị tác động của cỡ mẫu. RMSEA: root mean square errors of approximation, cũng dạng như SRMR, nhưng sự phù hợp sẽ xấu đi khi số biến trong mô hình tăng, <=8% thì tốt. , nên SRMR được ưu tiên dùng hơn. GFI(goodness of fix index): dao động từ 0.0 đến 1.0 , đôi khi âm, >=90% là tốt. đo lượng quan hệ của phương sai và hiệp phương sai trong ma trận hiệp phương sai. Ý là mô hình phù hợp cỡ nào khi so sánh với mô hình null ( các tham số đã được fix về 0) AGFI : (Adjusted Goodness of Fix) dao động từ 0.0 đến 1.0 , >=85 % là tốt. điều chỉnh kết quả của một mô hình phức tạp , điều chỉnh bậc tự do df với số biến quan sát , vì thế đề cao những mô hình đơn giản với ít biết quan sát. Cách cải thiện độ phù hợp của mô hìnhChỉ số MI Modification indicesChỉ số MI đưa ra các biện pháp khắc phục cho các sai lệch giữa mô hình được đề xuất và mô hình ước lượng estimated model. Trong CFA, chúng ta không thể thêm các đường hồi qui để sửa mô hình phù hợp, vì tất cả các đường hồi qui giữa các biến tiềm ẩn và biến quan sát được đã có sẵn. Vì vậy, trong CFA, chúng ta xem xét các chỉ số sửa đổi cho hiệp phương sai. Nói chung, chúng ta không được sử dụng các mũi tên hiệp phương sai covariances giữa phần dư (error terms) với biến quan sát hoặc biến tiềm ẩn. Đồng thời cũng không được sử dụng giữa những error terms mà không thuộc cùng một nhân tố. Do đó, cách phù hợp nhất để sử dụng chỉ số MI là nối các mũi tên hai chiều hiệp phương sai giữa các phần dư trong cùng một nhân tố. 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 Khi đó GFI, TLI, CFI … cũng sẽ được cải thiện. 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! Hình dưới đây minh hoạ hướng dẫn này Chỉ số Standardized Residual Covariances (SRCs).Có một cách cải thiện độ phù hợp của mô hình ngoài chỉ số MI, đó là dùng Standardized Residual Covariances (SRCs). Chỉ số này cũng giống như modification indices , nghĩa là chỉ ra sự khác nhau giữa mô hình đề xuất và mô hình ước lượng(proposed and estimated models). Tuy nhiên, những sai lệch đó có đáng kể mới được sử dụng. Hệ số standardized residual covariance đáng kể khi có giá trị tuyệt đối lớn hơn 2,58. Những giá trị đó làm giảm đáng kể độ phù hợp mô hình của bạn. Các quy tắc cải thiện mô hình cũng tương tự như chỉ số MI( nghĩa là chỉ số nào lớn thì xử lý trước). Tuy nhiên, cần lưu ý rằng trong thực tế, việc áp dụng cách này nên hạn chế, bởi vì việc giải quyết theo cách này đòi hỏi phải loại bỏ các items trong bài của mình. Nghĩa là xóa luôn một vài câu hỏi trong bài, chứ không đơn thuần là móc chỉ số covariances như khi áp dụng MI Trên đây là Mức độ phù hợp mô hình Model Fit và các chỉ số đo độ phù hợp mô hình trong phân tích AMOS, các bạn cần hỗ trợ khi làm bài, xử lý số liệu cứ liên hệ nhóm nhé. |
