Phân tích mô hình cấu trúc tuyến tính SEM trên AMOS dùng để:
– Đánh giá được độ phù hợp mô hình SEM qua các chỉ số độ phù hợp mô hình (model fit) như Chisquare/df, CFI, TLI, GFI, RMSEA…
– Đánh giá ý nghĩa các quan hệ tác động trực tiếp, quan hệ trung gian trong mô hình.
– Đánh giá chiều tác động, mức tác động mạnh/yếu của các quan hệ, các biến trong mô hình.
Trong bài viết hướng dẫn phân tích CFA trên AMOS, mình đã giới thiệu mô hình nghiên cứu như bên dưới, trong bài viết SEM này, chúng ta sẽ sử dụng lại mô hình này:
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.
Nghiên cứu này cần đánh giá 7 giả thuyết sau:
H1: Quảng cáo có sự tác động lên Nhận biết thương hiệu
H2: Quan hệ công chúng có sự tác động lên Nhận biết thương hiệu
H3: Khuyến mãi có sự tác động lên Nhận biết thương hiệu
H4: Bán hàng trực tiếp có sự tác động lên Nhận biết thương hiệu
H5: Quảng cáo có sự tác động lên Trung thành thương hiệu
H6: Bán hàng trực tiếp có sự tác động lên Trung thành thương hiệu
H7: Nhận biết thương hiệu có sự tác động lên Trung thành thương hiệu
1. Vẽ diagram SEM từ diagram CFA
Nếu trước SEM, bạn có phân tích CFA, bạn có thể tận dụng diagram CFA để chuyển đổi về SEM mà không mất thêm thời gian vẽ lại. Tại giao diện diagram CFA trên AMOS, các bạn vào File > Save as, đặt tên cho file mới là SEM.
Nếu dạng mô hình nghiên cứu của bạn biểu diễn tốt trên khổ giấy dọc, bạn để nguyên khổ giấy gốc. Nếu dạng mô hình phù hợp biểu diễn trên khổ giấy ngang, các bạn cần tiến hàn đổi khổ giấy trước. Từ cửa sổ AMOS, vào View > Interface Properties.
Trong giao diện cửa số mở ra, tại thẻ Page Layout, trong mục Paper Size, chúng ta chọn Landscape – Letter, sau đó nhấp dấu X góc trên bên phải để xác nhận thay đổi và thoát khỏi cửa sổ.
Dùng công cụ xóa đối tượng của AMOS để xóa bỏ toàn bộ các mũi tên 2 chiều Covariance giữa các biến tiềm ẩn. Nếu các bạn chưa biết cách sử dụng các công cụ trên AMOS, bạn xem video hướng dẫn trong bài viết Cách sử dụng AMOS để vẽ diagram CFA, SEM .
Sau khi đã xóa xong, dùng các công cụ di chuyển, cân bằng, và xoay hướng cấu trúc để kéo thả các biến tiềm ẩn tương ứng với vị trí các yếu tố trong hình vẽ mô hình lý thuyết. Dùng công cụ Title để chèn các các chỉ số model fit vào diagram. Nên bố trí có khoảng trống bên phải các biến độc lập để dành không gian vẽ mũi tên 2 chiều Covariance.
Dùng mũi tên 2 chiều nối các biến tiềm ẩn có vai trò độc lập lại với nhau. Lưu ý rằng, các biến có vai trò độc lập nghĩa là trong mô hình nghiên cứu, biến đó chỉ hướng mũi tên tác động lên biến khác và không nhận mũi tên tác động vào nó.
Việc nối mũi tên 2 chiều giữa các biến độc lập dùng để khai báo cho phần mềm AMOS rằng sẽ xem xét sự tương quan giữa các biến này với nhau trong quá trình phân tích quan hệ tác động trong mô hình. Nếu bạn không vẽ mũi tên 2 chiều nối các biến có vai trò độc lập với nhau, nghĩa là bạn đang yêu cầu AMOS chỉ phân tích các tác động trong mô hình và không xem xét có tồn tại tương quan giữa các biến có vai trò độc lập với nhau. Điều này là không thực sự phù hợp, bởi các biến độc lập khi tác động lên cùng một biến phụ thuộc sẽ có sự tương tác với nhau chứ không tồn tại cô lập. Đồng thời việc không xét tương quan giữa các biến độc lập sẽ bỏ qua vấn đề cộng tuyến giữa các biến độc lập khi cùng tác động vào một biến phụ thuộc.
Thử nối mũi tên Covariance này theo chiều biến trên xuống biến dưới hoặc biến dưới lên biến trên để xem hướng đường cong quay phần lồi về hướng nào, nên vẽ theo chiều để phần lồi nằm ở không gian trắng, không bị chèn lên các hình vẽ có sẵn.
Sau khi nối mũi tên 2 chiều xong, dùng công cụ làm đẹp, nhấp lần lượt vào các biến tiềm ẩn để tối ưu hiển thị.
Dựa vào mô hình nghiên cứu, vẽ các mũi tên 1 chiều biểu diễn mối quan hệ tác động giữa các biến với nhau. Sau khi vẽ, các bạn cứ liên tục dùng công cụ làm đẹp nhấp vào các biến tiềm ẩn để tối ưu hiển thị.
Với 2 biến NB và TT nhận mũi tên hướng về nó, nghĩa là 2 biến này có vai trò phụ thuộc, chịu tác động từ biến khác. Do vậy, cần biểu diễn phần dư cho 2 biến NB, TT. Chọn vào biểu tượng phần dư/sai số, các bạn nhấp chuột vào biến NB. Khi nhấp lần đầu, phần dư sẽ xoay lên trên, nếu bạn muốn đổi hướng xoay của phần dư, bạn tiếp tục nhấp chuột vào biến NB đến khi hướng xoay của phần dư phù hợp thì dừng. Thao tác tương tự cho biến TT.
Phần dư gán vào 2 biến NB, TT lúc này chưa có tên, chúng ta cần khai báo tên cho nó. Các bạn có thể nhấp đôi vào và đặt tên bình thường hoặc bạn có thể dùng plugin để thực hiện hàng loạt bằng cách vào Plugins > Name Unobserved Variables. Lúc này chúng ta hoàn thành xong phần vẽ diagram cho SEM.
2. Phân tích SEM trên AMOS
Bước 1: Khai báo dữ liệu SPSS cho phần mềm AMOS
Nhấp chuột vào biểu tượng Select Data file như hình bên dưới:
Tại cửa sổ hiện ra, chọn File Name, sau đó chọn file dữ liệu SPSS đầu vào.
Trong ví dụ này, file dữ liệu có tên là DATA AMOS.sav. Sau khi chọn xong file dữ liệu, chọn vào Open để kết thúc thao tác.
Tiếp tục nhấp vào OK để AMOS nhận file dữ liệu SPSS.
Bước 2: Thiết lập phân tích SEM
Từ giao diện AMOS, chọn vào biểu tượng Analysis Properties để thiết lập cài đặt SEM.
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 SEM
Chọn vào biểu tượng Calculate Estimates để tiến hành chạy phân tích SEM.
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 SEM.
3. Đọc kết quả phân tích SEM trên AMOS
Chúng ta sẽ đọc kết quả SEM qua các kết quả chính gồm: bảng hệ số tác động chưa chuẩn hóa Regression Weights, bảng hệ số tác động chuẩn hóa Standardized Regression Weights, bảng hệ số xác định Squared Multiple Correlations.
3.1 Bảng hệ số tác động chưa chuẩn hóa Regression Weights
Bảng này cung cấp cho chúng ta các cột giá trị gồm:
- Estimate: Hệ số tác động (hệ số hồi quy) chưa chuẩn hóa. Hệ số này mang dấu dương là tác động thuận chiều (positive), mang đấu âm là tác động nghịch chiều (negative).
- S.E (Standard Error): Sai số.
- C.R (Criteria Ratio): giá trị kiểm định t đánh giá ý nghĩa thống kê của hệ số hồi quy, xem quan hệ tác động đó có ý nghĩa hay không. Giá trị này chúng ta cần đối chiếu với bảng tra giá trị nên sẽ mất thời gian và không thuận tiện. Thay vào đó, chúng ta sẽ sử dụng giá trị P (p-value) ngay sau đây sẽ nhanh hơn.
- P: giá trị p-value (sig) đánh giá ý nghĩa thống kê của hệ số hồi quy, xem quan hệ tác động đó có ý nghĩa hay không. Giả sử chúng ta sử dụng độ tin cậy 95% (tương ứng mức ý nghĩa 5% = 0.05), thì chúng ta sẽ so sánh giá trị P này với 0.05. Nếu P < 0.05, hệ số hồi quy có ý nghĩa thống kê hoặc quan hệ tác động có ý nghĩa thống kê. Nếu P > 0.05, hệ số hồi quy không có ý nghĩa thống kê hoặc quan hệ tác động không có ý nghĩa thống kê.
Đi vào ví dụ kết quả thực tế ở mô hình bên trên, chúng ta có bảng Regression Weights như sau:
Bảng này sẽ hiển thị toàn bộ quan hệ tác động của các biến tiềm ẩn, đồng thời của biến tiềm ẩn với biến quan sát của nó. Nên các bạn lưu ý, chỉ đọc kết quả phần bôi vàng là giữa các biến tiềm ẩn trong mô hình với nhau thôi, phần các biến quan sát bạn bỏ qua.
→ Ngoại trừ mối tác động TT <— QC không có ý nghĩa do p-value = 0.357 > 0.05, tất cả các mối tác động còn lại đều có ý nghĩa do p-value đều nhỏ hơn 0.05. Dấu *** trong AMOS ký hiệu cho giá trị p-value bằng 0.000.
→ Hệ số hồi quy các quan hệ tác động đều mang dấu dương, như vậy các tác động trong mô hình là thuận chiều.
Lưu ý rằng, biến không có ý nghĩa trong SEM thì không loại biến đó và chạy lại phân tích, lý do vì sao bạn xem chi tiết tại bài viết Biến không có ý nghĩa ở hồi quy, SEM có cần loại chạy lại không?.
Lúc này chúng ta quay lại phần giả thuyết của mô hình đặt ra ban đầu, có 7 giả thuyết:
H1: Quảng cáo có sự tác động lên Nhận biết thương hiệu
H2: Quan hệ công chúng có sự tác động lên Nhận biết thương hiệu
H3: Khuyến mãi có sự tác động lên Nhận biết thương hiệu
H4: Bán hàng trực tiếp có sự tác động lên Nhận biết thương hiệu
H5: Quảng cáo có sự tác động lên Trung thành thương hiệu
H6: Bán hàng trực tiếp có sự tác động lên Trung thành thương hiệu
H7: Nhận biết thương hiệu có sự tác động lên Trung thành thương hiệu
Các giả thuyết tác động trực tiếp đặt ra sẽ được kết luận tại bước đánh giá bảng Regression Weights này. Giả thuyết H5 bị bác bỏ, 6 giả thuyết còn lại được chấp nhận.
3.2 Bảng hệ số tác động chuẩn hóa Standardized Regression Weights
Bảng này cung cấp cho chúng ta duy nhất một cột giá trị là Estimate: Hệ số tác động (hệ số hồi quy) chuẩn hóa. Hệ số này mang dấu dương là tác động thuận chiều (positive), mang đấu âm là tác động nghịch chiều (negative).
Ý nghĩa của hệ số chuẩn hóa là chúng ta có thể so sánh sự tác động mạnh/yếu của các biến độc lập cùng tác động lên một biến phụ thuộc. Nếu biến độc lập có trị tuyệt đối hệ số chuẩn hóa lớn hơn, thì biến đó tác động vào biến phụ thuộc mạnh hơn. Lưu ý rằng, chúng ta chỉ so sánh giữa các biến độc lập cùng tác động vào chung một biến phụ thuộc.
Đi vào ví dụ kết quả thực tế ở mô hình bên trên, chúng ta có bảng Standardized Regression Weights như sau:
→ Thứ tự tác động từ mạnh đến yếu của các biến độc lập tác động lên NB là: KM > BH > QC > QH. Cần nhớ là lấy trị tuyệt đối, hay nói cách khác là độ lớn của hệ số chuẩn hóa, không sử dụng dấu âm/dương trong so sánh độ lớn.
→ Thứ tự tác động từ mạnh đến yếu của các biến độc lập tác động lên TT là: NB > BH. Biến QC chúng ta đã kết luận không có tác động lên TT ở phần trước nên sẽ không cần đưa vào so sánh.
Trường hợp chỉ có một biến độc lập tác động lên phụ thuộc, chúng ta không cần so sánh.
3.3 Bảng hệ số xác định Squared Multiple Correlations
Bảng này cung cấp cho chúng ta duy nhất một cột giá trị là Estimate: Hệ số xác định R bình phương. Hệ số R2 (R bình phương) này dao động từ 0 đến 1, nếu xảy ra tình trạng lớn hơn 1 nghĩa là dữ liệu đã bị lỗi ở đâu đó hoặc do vấn đề cộng tuyến giữa các biến độc lập. R bình phương tiến gần về 1 nghĩa là mức độ giải thích cho biến phụ thuộc cao, tiến gần về 0 nghĩa là mức độ giải thích cho biến phụ thuộc thấp.
R2 biểu thị cho mức độ giải thích của các biến độc lập lên một biến phụ thuộc trong mô hình. Trong mô hình có bao nhiêu biến có vai trò phụ thuộc thì sẽ có bấy nhiêu hệ số R2. Ví dụ trong mô hình ở trên, có hai biến có vai trò phụ thuộc là NB và TT, nên sẽ có hai giá trị R2 cho hai biến này.
Hair và cộng sự (2017) cho rằng rất khó khăn để đưa ra quy tắc kinh nghiệm chấp nhận giá trị R2, điều này phụ thuộc vào sự phức tạp của mô hình (ít hay nhiều biến độc lập tác động vào biến phụ thuộc, xuất hiện quan hệ trung gian…) và lĩnh vực nghiên cứu. Chính vì vậy, không có ngưỡng thuyết phục nào để chúng ta đánh giá R bình phương đạt hay không đạt. Quan điểm cho rằng R2 lớn hơn 0.5 thì đạt, còn nhỏ hơn 0.5 thì vi phạm là một quan điểm sai lầm nghiêm trọng trong thống kê, cần được bác bỏ.
Đi vào ví dụ kết quả thực tế ở mô hình bên trên, chúng ta có bảng Squared Multiple Correlations như sau:
→ Giá trị R bình phương của NB là 0.879 = 87.9%, như vậy các biến độc lập QC, QH, KM, BH giải thích được 87.9% sự biến thiên của NB.
→ Giá trị R bình phương của TT là 0.572 = 57.2%, như vậy các biến độc lập QC, BH, NB giải thích được 57.2% sự biến thiên của TT. Mặc dù chúng ta kết luận QC không có tác động lên TT ở phần đầu, tuy nhiên biến này vẫn tương tác với các biến độc lập khác và có sự ảnh hưởng lên R2, nên ở đây chúng ta vẫn đưa biến này vào trong đánh giá R2.
Nếu bạn gặp các vấn đề về xử lý dữ liệu trên AMOS như Model Fit không đạt, SEM các mối quan hệ không mang lại kết quả kỳ vọng, các bạn có thể tham khảo qua dịch vụ AMOS của DVS để tối ưu về kết quả và thời gian làm bài nhé.
