CFA là gì? Cách đọc kết quả và đánh giá mô hình đo lường
CFA là gì
CFA, viết đầy đủ là Confirmatory Factor Analysis, thường được gọi là phân tích nhân tố khẳng định. Đây là kỹ thuật dùng để kiểm định một mô hình đo lường đã được xây dựng từ trước. Mô hình đó mô tả biến quan sát nào thuộc về biến tiềm ẩn nào, chẳng hạn các biến SAT1, SAT2 và SAT3 cùng đo sự hài lòng, còn TR1, TR2 và TR3 cùng đo sự tin cậy.
Khi chạy CFA, bạn đưa cấu trúc lý thuyết vào phần mềm trước rồi kiểm tra xem dữ liệu thực tế có phù hợp với cấu trúc đó không. Kết quả thường gồm độ phù hợp tổng thể của mô hình, standardized factor loading, Composite Reliability, AVE và giá trị phân biệt giữa các khái niệm.
CFA thường được thực hiện trong CB-SEM, phổ biến với AMOS, lavaan trong R hoặc các phần mềm SEM tương tự. Quy trình hai bước, kiểm định mô hình đo lường trước rồi mới kiểm định mô hình cấu trúc, được trình bày trong (Anderson và Gerbing, 1988). Vì vậy, CFA không phải là bước thay thế cho EFA. EFA khám phá cấu trúc có thể có trong dữ liệu, còn CFA kiểm định cấu trúc mà bạn đã giả thuyết.
Về bản chất, CFA ước lượng mức độ liên hệ giữa biến tiềm ẩn và các biến quan sát của nó. Nếu gọi biến tiềm ẩn là η, biến quan sát là y, mô hình đo lường có thể được viết khái quát là:
y = λη + ε
Trong đó, λ là factor loading và ε là sai số đo lường. Bạn không cần tự tính công thức này bằng tay. Điều cần làm là xác định đúng mô hình, nhập dữ liệu sạch và đọc đúng các bảng output.
Ý nghĩa của CFA trong nghiên cứu định lượng
CFA trả lời câu hỏi: bộ biến quan sát bạn đang sử dụng có thực sự đo đúng các khái niệm trong mô hình nghiên cứu hay không. Ví dụ, bạn có thể cho rằng bốn biến quan sát đo chất lượng dịch vụ và ba biến quan sát đo ý định sử dụng. CFA kiểm tra giả định đó trên dữ liệu khảo sát của bạn.
Kết quả CFA thường phục vụ bốn quyết định. Thứ nhất, kiểm tra mô hình có phù hợp với dữ liệu ở cấp độ tổng thể hay không. Thứ hai, xem từng biến quan sát có loading đủ lớn và có ý nghĩa thực tế hay không. Thứ ba, đánh giá độ tin cậy và giá trị hội tụ của từng biến tiềm ẩn bằng CR và AVE. Thứ tư, xem các biến tiềm ẩn có phân biệt với nhau hay không.
CFA đặc biệt hữu ích khi thang đo được kế thừa từ nghiên cứu trước, đã có số nhóm nhân tố dự kiến và bạn muốn chứng minh cấu trúc đó phù hợp với bối cảnh nghiên cứu mới. Nếu bạn chưa biết các biến quan sát sẽ gom thành bao nhiêu nhân tố, nên xem quy trình EFA trước. Khi EFA tạo ra các nhóm nhân tố, CFA có thể được dùng ở mẫu khác hoặc giai đoạn tiếp theo để kiểm định cấu trúc.
Bạn cũng cần phân biệt CFA với hồi quy. Hồi quy kiểm tra quan hệ tác động giữa các biến, còn CFA kiểm định cách đo lường các biến tiềm ẩn. Một mô hình hồi quy có p-value đẹp nhưng thang đo chưa đạt thì kết luận về quan hệ giữa các khái niệm vẫn thiếu cơ sở.
CFA bao nhiêu là đạt
Không có một con số duy nhất quyết định mô hình CFA đạt hay không. Bạn cần đọc đồng thời chỉ số phù hợp mô hình, loading, CR, AVE và giá trị phân biệt. Các ngưỡng dưới đây là mốc tham khảo thường dùng, không phải lý do để loại biến máy móc.
| Nhóm đánh giá | Chỉ số và ngưỡng tham khảo | Nguồn trong danh mục cho phép |
|---|---|---|
| Độ phù hợp mô hình CB-SEM | CFI và TLI từ 0.90 trở lên, RMSEA và SRMR không quá 0.08 | (Hu và Bentler, 1999) |
| Factor loading | Từ 0.50 trở lên; loading cao hơn thường cho bằng chứng tốt hơn | (Hair và cộng sự, 2010) |
| Composite Reliability | CR từ 0.70 trở lên | (Fornell và Larcker, 1981) |
| Average Variance Extracted | AVE từ 0.50 trở lên | (Fornell và Larcker, 1981) |
| Giá trị phân biệt | Căn bậc hai AVE lớn hơn tương quan với khái niệm khác | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau về nội dung | (Henseler và cộng sự, 2015) |
Với CFA trong CB-SEM, bạn có thể gặp các chỉ số như Chi-square, degrees of freedom, CMIN/DF, CFI, TLI, RMSEA và SRMR. Khi báo cáo, không nên chỉ viết một chỉ số đạt rồi kết luận toàn bộ mô hình tốt. Hãy trình bày bảng chỉ số chính, nêu ngưỡng đã chọn và giải thích nếu có chỉ số chưa đạt.
Factor loading từ 0.50 trở lên được Hair và cộng sự sử dụng như một mốc tham khảo (Hair và cộng sự, 2010). CR từ 0.70 và AVE từ 0.50 được dùng để xem xét độ tin cậy tổng hợp và giá trị hội tụ (Fornell và Larcker, 1981). Nếu mô hình khám phá hoặc thang đo mới, bạn cần giải trình bối cảnh thay vì tự động áp dụng một ngưỡng duy nhất.
Các ngưỡng CFI, TLI, RMSEA và SRMR trong bảng trên thuộc CB-SEM (Hu và Bentler, 1999). Bạn không nên lấy nhóm chỉ số này để đánh giá mô hình PLS-SEM trên SmartPLS. Khi làm PLS-SEM, nhóm chỉ số thường gặp sẽ là outer loading, CR, AVE, HTMT, VIF, R², f² và Q².
Cách đọc CFA trên output
Tên bảng phụ thuộc phần mềm bạn dùng. Với AMOS, bạn thường xem bảng Model Fit Summary, Regression Weights, Standardized Regression Weights, Squared Multiple Correlations và các bảng covariances. Với R, tên bảng phụ thuộc gói phân tích, nhưng logic đọc vẫn xoay quanh các nhóm chỉ số tương tự.
Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Bảng được rút gọn theo cách sinh viên thường tổng hợp sau khi chạy CFA.
| Nhóm kết quả | Chỉ số hoặc biến | Estimate minh họa | Ngưỡng tham khảo | Cách đọc |
|---|---|---|---|---|
| Model Fit Summary | CMIN/DF | 2.41 | Cần xem cùng các chỉ số fit khác | Mức độ lệch giữa dữ liệu và mô hình theo cách tổng quát |
| Model Fit Summary | CFI | 0.934 | ≥ 0.90 | Mức phù hợp gia tăng của mô hình |
| Model Fit Summary | TLI | 0.921 | ≥ 0.90 | Chỉ số phù hợp có điều chỉnh độ phức tạp |
| Model Fit Summary | RMSEA | 0.061 | ≤ 0.08 | Sai số xấp xỉ của mô hình |
| Model Fit Summary | SRMR | 0.052 | ≤ 0.08 | Sai số phần dư chuẩn hóa |
| Standardized Regression Weights | SAT2 <--- SAT | 0.782 | ≥ 0.50 | SAT2 có loading đạt mốc tham khảo |
| Standardized Regression Weights | SAT3 <--- SAT | 0.846 | ≥ 0.50 | SAT3 liên hệ khá rõ với SAT |
| Reliability summary | SAT, CR | 0.887 | ≥ 0.70 | Độ tin cậy tổng hợp đạt mốc tham khảo |
| Reliability summary | SAT, AVE | 0.663 | ≥ 0.50 | Giá trị hội tụ đạt mốc tham khảo |
Cách đọc nên đi từ tổng thể đến chi tiết. Trước hết, xem nhóm Model Fit Summary. Trong ví dụ, CFI và TLI đều vượt 0.90, còn RMSEA và SRMR thấp hơn 0.08. Đây là số liệu minh họa được đặt cạnh các ngưỡng (Hu và Bentler, 1999), không phải bằng chứng rằng mô hình của bạn chắc chắn sẽ đạt các giá trị tương tự.
Tiếp theo, mở Standardized Regression Weights và đọc cột Estimate chuẩn hóa. Dấu mũi tên SAT2 <--- SAT cho biết SAT2 được giải thích bởi biến tiềm ẩn SAT. Loading 0.782 nghĩa là biến này có liên hệ đáng kể về mặt đo lường với SAT trong ví dụ. Bạn cũng cần kiểm tra p-value hoặc dấu hiệu ý nghĩa thống kê theo cách phần mềm hiển thị.
Sau đó, tổng hợp CR và AVE theo từng biến tiềm ẩn. CR và AVE thường không xuất hiện trực tiếp trong bảng mặc định của AMOS, nên bạn có thể phải tính từ standardized loading hoặc dùng bảng tổng hợp riêng. Đừng nhầm AVE với phần trăm phương sai trích của EFA. AVE đánh giá giá trị hội tụ của một biến tiềm ẩn trong mô hình đo lường.
Cuối cùng, kiểm tra tương quan giữa các biến tiềm ẩn và HTMT nếu quy trình của bạn có báo cáo chỉ số này. Một mô hình có fit tổng thể tốt vẫn có thể gặp vấn đề giá trị phân biệt nếu hai khái niệm đo gần như cùng một nội dung.
Khi CFA không đạt thì xử lý thế nào
Trước khi loại biến, hãy xác định chính xác chỉ số nào không đạt. Loading thấp, RMSEA cao, HTMT cao và một biến có sai số lớn là các tình huống khác nhau, nên cách xử lý cũng khác nhau.
Kiểm tra lại dữ liệu và mô hình nhập vào
Mở lại file dữ liệu, kiểm tra tên biến, chiều của biến đảo, dữ liệu thiếu và cách mã hóa thang Likert. Một biến nhập ngược chiều hoặc một cột bị đọc thành text có thể làm kết quả sai. Kiểm tra xem mô hình CFA có nối đúng biến quan sát với biến tiềm ẩn theo giả thuyết ban đầu hay không.
Xem biến có loading thấp
Nếu loading thấp, đọc nội dung biến quan sát và xem biến đó có thực sự thuộc khái niệm đang đo không. Bạn có thể cân nhắc loại biến khi có cơ sở về lý thuyết, nội dung đo lường và kết quả thống kê. Việc xóa liên tục đến khi chỉ số fit đẹp mà không ghi lại lý do là cách dễ bị hội đồng hỏi lại.
Kiểm tra Modification Indices có lý do lý thuyết
Modification Indices có thể gợi ý thêm đường liên hệ giữa các sai số hoặc thay đổi cấu trúc mô hình. Bạn không nên nối các sai số chỉ vì phần mềm đề xuất con số lớn. Chỉ điều chỉnh khi hai biến có nội dung rất gần nhau hoặc có lý do đo lường rõ ràng, sau đó ghi lại mô hình ban đầu, mô hình điều chỉnh và lý do.
Xem lại cấu trúc thang đo
Nếu nhiều chỉ số cùng không đạt, vấn đề có thể nằm ở cấu trúc thang đo hoặc bối cảnh áp dụng, không chỉ ở một biến. Khi đó, hãy đối chiếu lại cơ sở lý thuyết, bản dịch, cách diễn đạt và mẫu khảo sát. Bạn có thể cần chạy lại mô hình đo lường đã điều chỉnh, nhưng mọi thay đổi phải được báo cáo minh bạch.
EFA, CFA và principal component analysis không phải là ba tên gọi cho cùng một việc. PCA là phép giảm chiều dữ liệu, còn EFA và CFA liên quan trực tiếp hơn đến việc khám phá hoặc kiểm định cấu trúc nhân tố. Bạn có thể xem thêm communality và eigenvalue nếu đang đọc output EFA, nhưng các chỉ số đó không thay thế cho đánh giá CFA.
Phân biệt CFA với EFA và PCA
CFA bắt đầu từ mô hình đã có. Bạn quyết định trước biến nào thuộc nhân tố nào, sau đó kiểm tra mức phù hợp của mô hình. Đây là lý do CFA thường xuất hiện sau phần cơ sở lý thuyết và trước kiểm định các quan hệ giả thuyết.
EFA bắt đầu cởi mở hơn. Phần mềm tìm cấu trúc nhóm biến dựa trên dữ liệu, thường dùng khi thang đo chưa rõ hoặc khi bạn muốn kiểm tra bối cảnh mới. EFA thường có KMO, Bartlett, Total Variance Explained và Rotated Component Matrix. Nếu bạn đang nhìn ma trận xoay, nhiều khả năng bạn đang ở bước EFA chứ chưa phải CFA.
PCA tìm các thành phần tổng hợp để giảm số chiều, trong khi CFA mô hình hóa biến tiềm ẩn và sai số đo lường. Vì vậy, không nên dùng kết quả PCA để viết rằng bạn đã xác nhận mô hình đo lường bằng CFA.
Trong luận văn, bạn có thể trình bày logic như sau: cơ sở lý thuyết đề xuất các khái niệm và biến quan sát, EFA được dùng nếu cần khám phá cấu trúc trong giai đoạn sơ bộ, CFA kiểm định mô hình đo lường, sau đó mô hình cấu trúc kiểm định các giả thuyết tác động. Trình tự cụ thể còn phụ thuộc thiết kế nghiên cứu và phần mềm bạn sử dụng.
Lỗi thường gặp
Lỗi đầu tiên là gọi mọi phân tích nhân tố là CFA. Nếu bạn chỉ chạy Analyze > Dimension Reduction > Factor trong SPSS và đọc Rotated Component Matrix, đó thường là EFA hoặc PCA, chưa phải CFA theo nghĩa CB-SEM.
Lỗi thứ hai là dùng ngưỡng của PLS-SEM cho AMOS, hoặc lấy CFI, TLI, RMSEA để đánh giá SmartPLS. Hãy xác định bạn đang dùng CB-SEM hay PLS-SEM trước khi chọn bộ chỉ số báo cáo.
Lỗi thứ ba là chỉ nhìn p-value của Chi-square. Chi-square có thể nhạy với cỡ mẫu, nên cần xem cùng CFI, TLI, RMSEA, SRMR và cấu trúc mô hình. Không nên kết luận chỉ từ một con số.
Lỗi thứ tư là xóa biến hàng loạt theo Modification Indices. Mỗi biến bị loại làm thay đổi nội dung khái niệm. Bạn cần lưu các phiên bản output và ghi rõ lý do loại biến trong phần phương pháp hoặc kết quả.
Lỗi thứ năm là báo cáo CR, AVE nhưng không cho biết cách tính và không kiểm tra giá trị phân biệt. Một bảng CFA đầy đủ cần cho người đọc thấy cả độ phù hợp tổng thể lẫn chất lượng từng biến tiềm ẩn.
Cách viết vào luận văn: “Kết quả CFA cho thấy mô hình đo lường có các chỉ số phù hợp gồm CFI = [giá trị], TLI = [giá trị], RMSEA = [giá trị] và SRMR = [giá trị]. Các factor loading nằm trong khoảng [giá trị thấp nhất] đến [giá trị cao nhất], CR của các khái niệm đạt từ [giá trị] và AVE đạt từ [giá trị], qua đó cung cấp bằng chứng về độ tin cậy và giá trị hội tụ theo các tiêu chí đã lựa chọn.” Bạn thay toàn bộ placeholder bằng output thật của mình và ghi nguồn ngưỡng phù hợp.
Câu hỏi thường gặp
CFA là gì và dùng khi nào?
CFA là Confirmatory Factor Analysis, dùng để kiểm định mô hình đo lường đã được giả thuyết trước. Bạn dùng CFA khi đã có cơ sở lý thuyết hoặc thang đo tham khảo, biết biến quan sát nào thuộc từng biến tiềm ẩn và muốn kiểm tra cấu trúc đó trên dữ liệu khảo sát.
CFA có chạy được trong SPSS không?
SPSS thông thường hỗ trợ EFA và hồi quy, nhưng không phải công cụ chính để chạy CFA theo CB-SEM. CFA thường được chạy bằng AMOS, R với gói SEM hoặc phần mềm SEM tương ứng. Bạn vẫn có thể dùng SPSS để làm sạch dữ liệu trước khi chuyển sang công cụ CFA.
CFA bao nhiêu là đạt?
Bạn cần xem một nhóm tiêu chí, gồm độ phù hợp mô hình, factor loading, CR, AVE và giá trị phân biệt. Một số mốc thường dùng là CFI và TLI từ 0.90, RMSEA và SRMR không quá 0.08 (Hu và Bentler, 1999), CR từ 0.70 và AVE từ 0.50 (Fornell và Larcker, 1981). Đây là mốc tham khảo cần đặt trong bối cảnh mô hình, cỡ mẫu và cơ sở lý thuyết.
CFA không đạt thì có phải thu thêm dữ liệu không?
Chưa chắc. Bạn nên kiểm tra lỗi nhập dữ liệu, biến đảo chiều, dữ liệu thiếu, cấu trúc mô hình và nội dung biến trước. Nếu mô hình không phù hợp vì thang đo không hợp bối cảnh, thu thêm dữ liệu từ cùng một bảng hỏi chưa chắc giải quyết được vấn đề. Khi đã rà soát hợp lý mà bằng chứng vẫn không đủ, bạn cần trao đổi với giảng viên về việc điều chỉnh mô hình hoặc thang đo.
CFA khác EFA như thế nào?
EFA khám phá cấu trúc nhân tố từ dữ liệu, còn CFA kiểm định cấu trúc đã được chỉ định trước. EFA thường đọc KMO, Bartlett và ma trận xoay. CFA thường đọc Model Fit, standardized loading, CR, AVE và giá trị phân biệt. Hai bước có thể cùng xuất hiện trong một luận văn, nhưng không nên gọi kết quả EFA là kết quả CFA.
Bạn hãy mở lại file dữ liệu, xác định mình đang chạy CB-SEM hay PLS-SEM, sau đó lập một bảng riêng gồm Model Fit, loading, CR, AVE và giá trị phân biệt trước khi viết chương kết quả; nếu cần chạy CFA trên file .sav hoặc .csv và kiểm tra từng vòng điều chỉnh, bạn có thể dùng M4 phân tích dữ liệu.