CB-SEM trong SPSS là gì và đọc kết quả thế nào

CB-SEM trong SPSS là gì

CB-SEM là viết tắt của Covariance-Based Structural Equation Modeling, tức mô hình phương trình cấu trúc dựa trên hiệp phương sai. Phương pháp này dùng dữ liệu quan sát để ước lượng mức độ phù hợp giữa mô hình lý thuyết bạn đề xuất và ma trận hiệp phương sai thực tế của mẫu. Khi nói “chạy CB-SEM trong SPSS”, cần hiểu chính xác rằng SPSS thường được dùng để làm sạch dữ liệu, mô tả mẫu, kiểm tra thang đo và hồi quy sơ bộ, còn phần CB-SEM thường được thực hiện bằng AMOS, phần mềm đi kèm hệ sinh thái IBM SPSS.

Trong CB-SEM, bạn xây dựng đồng thời hai phần. Mô hình đo lường mô tả mối liên hệ giữa biến tiềm ẩn và các biến quan sát. Mô hình cấu trúc mô tả các đường tác động giữa các biến tiềm ẩn, chẳng hạn như Nhận thức hữu ích tác động đến Ý định sử dụng. Bạn có thể xem thêm phần giải thích nền tảng tại bài SEM là gì, trước khi đi vào các bảng output cụ thể.

Về mặt kỹ thuật, CB-SEM tìm bộ tham số khiến ma trận hiệp phương sai được mô hình dự đoán gần với ma trận hiệp phương sai quan sát. Các tham số này gồm factor loading, covariance, path coefficient và sai số đo lường. Sau đó, phần mềm cung cấp nhóm chỉ số Model Fit như Chi-square, CFI, TLI, RMSEA và SRMR để bạn đánh giá mức độ phù hợp tổng thể.

Ý nghĩa của CB-SEM trong nghiên cứu định lượng

CB-SEM phù hợp khi đề tài của bạn bắt đầu từ một lý thuyết tương đối rõ, có mô hình được đặc tả trước và mục tiêu chính là kiểm định mô hình lý thuyết. Bạn thường gặp lựa chọn này trong các nghiên cứu kiểm định TAM, TPB, UTAUT, chất lượng dịch vụ hoặc các mô hình đã có cấu trúc được nghiên cứu nhiều lần.

Quy trình đọc kết quả nên đi theo hai tầng. Tầng thứ nhất là mô hình đo lường: các biến quan sát có đo đúng khái niệm hay không, factor loading có đủ lớn không, độ tin cậy và giá trị hội tụ có đạt không. Tầng thứ hai là mô hình cấu trúc: các đường tác động có phù hợp với giả thuyết không, hệ số tác động có ý nghĩa thống kê không và mô hình tổng thể có fit với dữ liệu không. Cách chia hai tầng này phù hợp với logic đánh giá mô hình đo lường trước rồi mới diễn giải mô hình cấu trúc được trình bày bởi (Anderson và Gerbing, 1988).

CB-SEM giúp bạn trả lời câu hỏi về mức độ phù hợp của toàn bộ mô hình, thay vì chỉ xem từng hệ số hồi quy riêng lẻ. Tuy nhiên, Model Fit tốt không tự động chứng minh mọi giả thuyết đều đúng. Một mô hình có CFI và TLI tốt vẫn có thể có một path coefficient không có ý nghĩa, hoặc có biến quan sát tải yếu.

Bạn cũng cần phân biệt CB-SEM với PLS-SEM. PLS-SEM thường được dùng khi trọng tâm là dự báo, mô hình có tính khám phá hơn hoặc dữ liệu và mô hình có những đặc điểm phù hợp với phương pháp PLS. CB-SEM thiên về kiểm định mức độ phù hợp của mô hình lý thuyết với dữ liệu. Hai phương pháp này có thể cùng dùng khái niệm SEM, nhưng không nên trộn ngưỡng và cách báo cáo của chúng trong cùng một phân tích.

CB-SEM trong SPSS bao nhiêu là đạt

Không có một con số duy nhất quyết định CB-SEM đạt hay không đạt. Bạn cần đọc nhiều chỉ số cùng lúc, đồng thời xem xét lý thuyết, cỡ mẫu, phân phối dữ liệu và cách đặc tả mô hình. Các ngưỡng dưới đây là mốc báo cáo thường được sử dụng cho CB-SEM, trong đó CFI, TLI, RMSEA và SRMR thuộc nhóm chỉ số Model Fit.

Bảng trên không có nghĩa là bạn chỉ cần đếm số chỉ số vượt ngưỡng rồi kết luận. (Hu và Bentler, 1999) là nguồn được dùng cho CFI, TLI, RMSEA và SRMR trong CB-SEM. Các ngưỡng này không được đem sang bài viết về SmartPLS để đánh giá PLS-SEM. Đây là lỗi thường gặp vì cả hai đều có chữ SEM trong tên.

Với mô hình đo lường, bạn cần xem thêm Corrected Item-Total Correlation nếu đã kiểm tra thang đo trên SPSS. Mốc từ 0.3 trở lên thường được dùng theo (Nunnally và Bernstein, 1994). Cronbach's Alpha từ 0.7 trở lên được xem là mức chấp nhận theo (Nunnally, 1978), trong khi thang đo khám phá có thể được xem xét ở mức thấp hơn theo (Hair và cộng sự, 2010). Hãy ghi rõ bối cảnh nghiên cứu thay vì chọn ngưỡng thấp chỉ vì kết quả chưa đẹp.

Cách đọc CB-SEM trên output

Nếu bạn chạy dữ liệu bằng SPSS rồi chuyển sang AMOS, tên bảng sẽ khác với các bảng Cronbach's Alpha hoặc EFA. Bạn thường cần đọc theo thứ tự: Model Fit Summary, Regression Weights, Standardized Regression Weights, Squared Multiple Correlations và các bảng về validity, reliability nếu phần mềm cung cấp.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng thường gặp trong output AMOS và các báo cáo CB-SEM. Bạn cần thay bằng số liệu trong file của mình.

Trong bảng Regression Weights, cột Estimate là hệ số chưa chuẩn hóa. Cột S.E. là sai số chuẩn, C.R. là Critical Ratio, thường được đọc tương tự một tỷ số kiểm định, còn P là p-value. Ký hiệu *** trong AMOS thường biểu thị p-value rất nhỏ theo cách hiển thị của phần mềm. Khi viết luận văn, bạn nên ghi đúng ký hiệu mà output hiển thị và tránh tự thay thành một số cụ thể nếu bảng không cung cấp số đó.

Khi so sánh mức độ tác động giữa các biến, hãy dùng bảng Standardized Regression Weights, vì hệ số đã được chuẩn hóa. Với ví dụ trên, hệ số chuẩn hóa 0.51 của PU lên BI có thể được so sánh với 0.18 của PEU lên BI. Cột Estimate của bảng chưa chuẩn hóa không nên được dùng để so sánh trực tiếp nếu các biến có thang đo khác nhau.

Bảng Model Fit cần được đọc như một nhóm. Nếu CFI và TLI đạt nhưng RMSEA cao, bạn phải kiểm tra lại đặc tả mô hình, phân phối dữ liệu, cỡ mẫu và các mối quan hệ được giả định. Không nên tự ý thêm covariance giữa các sai số chỉ để làm chỉ số đẹp hơn. Modification Indices có thể gợi ý vấn đề, nhưng mọi điều chỉnh phải có lý do lý thuyết và được ghi lại trong phương pháp nghiên cứu.

Bạn có thể đối chiếu khái niệm biến tiềm ẩn trước khi đọc loading tại bài biến tiềm ẩn là gì. Nếu đang xây dựng mô hình tổng thể, bài mô hình SEM sẽ giúp bạn tách phần mô hình đo lường khỏi phần mô hình cấu trúc.

Khi CB-SEM không đạt thì xử lý thế nào

Hãy xử lý theo thứ tự từ kiểm tra dữ liệu đến kiểm tra lý thuyết. Cách làm này giúp bạn tránh việc xóa biến hoặc thêm đường tác động chỉ vì muốn đạt một con số.

Trước hết, kiểm tra file dữ liệu trong SPSS. Xem missing values, các biến nhập ngược chiều, mã hóa thang Likert, outlier và các dòng trả lời bất thường. Một biến bị nhập sai mã có thể làm loading giảm hoặc khiến ma trận hiệp phương sai không ổn định.

Tiếp theo, xem mô hình đo lường. Nếu một biến quan sát có loading thấp, bạn đọc nội dung biến, nguồn thang đo và ý nghĩa lý thuyết trước khi loại. Loại biến vì lý do thống kê nhưng không giải thích được về mặt khái niệm sẽ dễ bị hỏi khi bảo vệ. Sau mỗi lần loại, chạy lại mô hình và lưu output của từng vòng.

Sau đó, kiểm tra mô hình cấu trúc. Xem các đường dẫn có đặt sai hướng không, biến trung gian có được khai báo đúng không và có đường tác động nào không có cơ sở lý thuyết không. Nếu mô hình có quá nhiều đường dẫn, kết quả có thể khó diễn giải và độ ổn định giảm.

Cuối cùng, xem Modification Indices như một gợi ý chẩn đoán, không phải danh sách lệnh phải làm theo. Chỉ thêm covariance hoặc path khi có cơ sở từ lý thuyết và tài liệu của đề tài. Nếu mô hình vẫn không phù hợp, bạn nên báo cáo hạn chế, xem xét đặc tả mô hình thay thế hoặc trao đổi với giảng viên. Phần mềm không thể biến một mô hình lý thuyết thiếu cơ sở thành một mô hình có giá trị.

Phân biệt CB-SEM với PLS-SEM

CB-SEM và PLS-SEM đều có thể phân tích quan hệ giữa biến tiềm ẩn, nhưng mục tiêu và cách đánh giá khác nhau. CB-SEM tập trung vào mức độ mô hình lý thuyết tái tạo ma trận hiệp phương sai quan sát. Vì vậy, các chỉ số Model Fit như CFI, TLI, RMSEA và SRMR thường xuất hiện trong báo cáo.

PLS-SEM tập trung nhiều hơn vào khả năng giải thích và dự báo các biến nội sinh. Khi chạy SmartPLS, bạn thường đọc Outer Loadings, CR, AVE, HTMT, VIF, R², f², Q² và Path Coefficients. R² ở mức 0.75, 0.50 và 0.25 lần lượt được diễn giải là đáng kể, trung bình và yếu theo (Hair và cộng sự, 2011). VIF dưới 5 là mốc tham khảo trong báo cáo PLS-SEM theo (Hair và cộng sự, 2019).

Trong CB-SEM, bạn không nên lấy R² hoặc HTMT làm căn cứ duy nhất để kết luận Model Fit. Ngược lại, trong PLS-SEM, bạn cũng không nên bê nguyên CFI, TLI và RMSEA vào phần đánh giá mô hình theo SmartPLS. Bài CB-SEM là gì phù hợp khi bạn muốn so sánh sâu hơn về mục tiêu, dữ liệu và phần mềm của hai hướng tiếp cận.

Về công cụ, SPSS phù hợp cho làm sạch dữ liệu, thống kê mô tả, Cronbach's Alpha, EFA và hồi quy. AMOS thường được dùng để vẽ và ước lượng CB-SEM. SmartPLS phù hợp với PLS-SEM. JASP hoặc R có thể là lựa chọn tiết kiệm chi phí, nhưng bạn phải tự làm quen với giao diện hoặc mã lệnh. Thuê dịch vụ chạy SPSS có thể giảm thời gian thao tác, nhưng rủi ro là bạn không hiểu output để giải trình. Khi bảo vệ, người hỏi thường quan tâm vì sao chọn mô hình, vì sao loại biến và vì sao kết luận giả thuyết, không chỉ nhìn vào bảng kết quả.

Lỗi thường gặp

Lỗi đầu tiên là gọi mọi phân tích SEM thực hiện trên SPSS là CB-SEM. SPSS tự nó không phải là phần mềm chuyên dụng để ước lượng đầy đủ CB-SEM. Bạn cần ghi rõ phần mềm nào thực hiện bước nào, chẳng hạn SPSS dùng để làm sạch và kiểm tra sơ bộ, AMOS dùng để ước lượng mô hình.

Lỗi thứ hai là kết luận mô hình đạt chỉ từ một chỉ số. CFI cao chưa đủ, cũng như RMSEA thấp chưa đủ. Hãy báo cáo một nhóm chỉ số, nêu ngưỡng có nguồn và giải thích các điểm chưa phù hợp nếu có.

Lỗi thứ ba là trộn CB-SEM với PLS-SEM trong cùng một bảng tiêu chí. CFI, TLI và RMSEA theo (Hu và Bentler, 1999) thuộc bối cảnh CB-SEM. Các chỉ số như HTMT, Q² và bootstrapping 5.000 mẫu thường được báo cáo trong PLS-SEM theo (Henseler và cộng sự, 2015) và (Hair và cộng sự, 2022).

Lỗi thứ tư là xóa hàng loạt biến quan sát để đạt loading đẹp. Mỗi biến bị loại làm thay đổi nội dung khái niệm và độ bao phủ của thang đo. Bạn cần lưu lý do loại, số vòng chạy và phiên bản output, sau đó trình bày nhất quán trong chương 4.

Khi viết đoạn kết quả, bạn có thể điều chỉnh câu sau: “Kết quả cho thấy mô hình có CFI = [giá trị], TLI = [giá trị], RMSEA = [giá trị] và SRMR = [giá trị]. Các chỉ số được đối chiếu với ngưỡng tham khảo của (Hu và Bentler, 1999). Đường tác động từ [biến độc lập] đến [biến phụ thuộc] có hệ số chuẩn hóa là [β], p-value = [p], vì vậy giả thuyết [H] được [chấp nhận/không được chấp nhận] trong mẫu nghiên cứu.” Đây là mẫu để bạn thay số liệu thật, không phải kết luận có sẵn cho đề tài của bạn.

Câu hỏi thường gặp

CB-SEM trong SPSS có phải chạy trực tiếp trên SPSS không?

SPSS thường đảm nhiệm các bước chuẩn bị và phân tích dữ liệu như làm sạch file, thống kê mô tả, Cronbach's Alpha, EFA và hồi quy. CB-SEM thường được ước lượng bằng AMOS hoặc phần mềm SEM chuyên dụng. Khi viết phương pháp, bạn nên nêu rõ công cụ dùng cho từng bước thay vì ghi chung là “chạy CB-SEM bằng SPSS”.

CB-SEM bao nhiêu là đạt?

Bạn cần xem đồng thời Model Fit và mô hình đo lường. Các mốc thường được tham khảo gồm CFI và TLI từ 0.90 trở lên, RMSEA và SRMR không vượt quá 0.08 theo (Hu và Bentler, 1999), factor loading từ 0.50 trở lên theo (Hair và cộng sự, 2010), CR từ 0.70 và AVE từ 0.50 theo (Fornell và Larcker, 1981).

Đây là mốc tham khảo, không phải điều kiện để chỉnh dữ liệu đến khi đạt. Bạn vẫn phải xem lý thuyết, cỡ mẫu, chất lượng dữ liệu và tính hợp lý của mô hình.

CB-SEM và PLS-SEM khác nhau thế nào?

CB-SEM thường được chọn để kiểm định mức độ phù hợp của mô hình lý thuyết với dữ liệu. PLS-SEM thường nhấn mạnh khả năng giải thích và dự báo, với các chỉ số như R², f², Q², HTMT và VIF. Vì mục tiêu khác nhau, tiêu chí đánh giá và cách báo cáo cũng khác nhau.

RMSEA cao nhưng CFI đạt thì phải làm sao?

Bạn nên kiểm tra lại dữ liệu, cỡ mẫu, mô hình đo lường, phân phối và các đường quan hệ đã đặc tả. Sau đó xem Modification Indices để phát hiện điểm cần xem xét, nhưng chỉ điều chỉnh khi có cơ sở lý thuyết. Không nên thêm covariance giữa các sai số chỉ để kéo RMSEA xuống.

Có cần loại biến khi factor loading dưới 0.5 không?

Loading thấp là tín hiệu cần xem xét, không phải lệnh tự động xóa biến. Bạn cần đọc nội dung biến, kiểm tra cách mã hóa, xem độ tin cậy và cân nhắc tác động của việc loại đến giá trị khái niệm. Nếu loại biến, hãy ghi lại lý do và chạy lại mô hình một cách minh bạch.

Bạn nên mở lại file dữ liệu, xác định mình đang dùng SPSS cho bước nào và kiểm tra từng bảng Model Fit, Regression Weights, Standardized Regression Weights theo đúng mô hình đã đăng ký. Nếu cần chạy CB-SEM trên dữ liệu .sav hoặc .csv và chuyển kết quả thành phần phân tích có thể giải trình, M4 phân tích của DoThesis là module dành cho bước này.