CFA trong SPSS là gì? Cách đọc và đánh giá kết quả

CFA trong SPSS là gì

CFA, viết tắt của Confirmatory Factor Analysis, là phân tích nhân tố khẳng định. Bạn dùng CFA khi đã có mô hình đo lường tương đối rõ, trong đó mỗi biến quan sát được giả định thuộc về một nhân tố cụ thể. CFA kiểm tra xem dữ liệu thực tế có phù hợp với cấu trúc thang đo mà bạn đề xuất hay không.

Có một điểm dễ gây nhầm khi bạn tìm kiếm “CFA trong SPSS”: SPSS Statistics không có lệnh CFA trực tiếp như Cronbach's Alpha, EFA hay hồi quy. Trong hệ sinh thái IBM, CFA thường được chạy bằng AMOS, sau đó dữ liệu có thể được chuẩn bị từ file SPSS .sav. Vì vậy, quy trình đúng thường là chuẩn bị dữ liệu trong SPSS, mở mô hình trong AMOS, chạy CFA và đọc các bảng kết quả của AMOS.

Nếu bạn đang xem một mô hình chưa biết các biến quan sát gom thành nhóm nào, hãy bắt đầu bằng EFA. Nếu bạn đã có giả thuyết rõ về số nhân tố và quan hệ giữa từng biến quan sát với nhân tố, CFA phù hợp hơn. CFA cũng khác với principal component analysis, vì PCA chủ yếu rút gọn dữ liệu còn CFA kiểm định một mô hình đo lường đã được chỉ định.

Về bản chất, CFA ước lượng mức độ phù hợp giữa ma trận hiệp phương sai quan sát được và ma trận hiệp phương sai do mô hình lý thuyết tạo ra. Mô hình thường gồm biến tiềm ẩn, biến quan sát, sai số đo lường và các đường liên kết được xác định trước.

Ý nghĩa của CFA trong nghiên cứu định lượng

CFA trả lời câu hỏi: các biến quan sát có thực sự đo đúng những khái niệm mà mô hình nghiên cứu giả định hay không. Ví dụ, bạn có thang đo “chất lượng dịch vụ” gồm năm biến quan sát. Mô hình CFA sẽ kiểm tra xem năm biến này có cùng phản ánh một nhân tố chất lượng dịch vụ, đồng thời phân biệt được với “sự hài lòng” hay không.

Kết quả CFA thường được dùng để đánh giá bốn nhóm vấn đề. Thứ nhất là độ phù hợp chung của mô hình, thể hiện qua các chỉ số như CMIN/df, CFI, TLI, RMSEA và SRMR. Thứ hai là độ tin cậy của thang đo, thường xem qua Composite Reliability hoặc các chỉ số liên quan. Thứ ba là giá trị hội tụ, trong đó factor loading và AVE được chú ý. Thứ tư là giá trị phân biệt giữa các biến tiềm ẩn.

CFA thường đứng sau bước làm sạch dữ liệu và đánh giá sơ bộ thang đo. Nếu bạn đang xử lý bảng Rotated Component Matrix, đó là bối cảnh của EFA, không phải CFA. Ma trận xoay giúp bạn xem biến quan sát tải lên các nhân tố như thế nào khi cấu trúc chưa được khẳng định. CFA bắt đầu từ một cấu trúc đã được vẽ trước trong AMOS hoặc phần mềm SEM khác.

Trong luận văn, CFA có thể giúp bạn bảo vệ lập luận rằng thang đo đã đạt giá trị đo lường trước khi kiểm định mô hình cấu trúc. Cách tiếp cận hai bước, đánh giá mô hình đo lường trước rồi mới đánh giá mô hình cấu trúc, được trình bày trong (Anderson và Gerbing, 1988). Với AMOS, bạn đang làm CB-SEM. Vì vậy, các chỉ số fit của CB-SEM cần được phân biệt với các chỉ số PLS-SEM trong SmartPLS.

CFA trong SPSS bao nhiêu là đạt

Không nên nhìn một chỉ số đơn lẻ rồi kết luận mô hình CFA đạt. Bạn cần xem đồng thời độ phù hợp chung, factor loading, độ tin cậy, giá trị hội tụ và giá trị phân biệt. Bảng dưới đây là bộ ngưỡng tham khảo thường xuất hiện trong luận văn. Mỗi dòng đều kèm nguồn để bạn có thể giải trình khi giảng viên hỏi.

Các ngưỡng CFI, TLI, RMSEA và SRMR trong bảng thuộc CB-SEM, phù hợp với bối cảnh AMOS, LISREL hoặc lavaan. Bạn không nên lấy các ngưỡng này đưa vào bài viết về SmartPLS, vì PLS-SEM thường tập trung vào outer loading, CR, AVE, HTMT, VIF, R², f² và Q².

Một số tài liệu hướng dẫn dùng ngưỡng factor loading 0.7, trong khi nhiều luận văn chấp nhận từ 0.5 tùy bối cảnh và chất lượng thang đo. Bạn cần trình bày nhất quán một tiêu chí, nêu rõ nguồn và giải thích quyết định loại hay giữ biến. Việc xóa biến chỉ để làm đẹp CFI không thay thế cho lập luận về nội dung thang đo.

Cách đọc CFA trên output

Sau khi chạy mô hình trong AMOS, bạn sẽ gặp các bảng và sơ đồ khác với output SPSS thông thường. Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Các con số được đưa vào để bạn nhận ra vị trí và cách đọc output.

Trong bảng Regression Weights, cột Estimate là hệ số chưa chuẩn hóa. Cột S.E. là sai số chuẩn, C.R. là Critical Ratio và P là p-value. Khi cần báo cáo mức độ biến quan sát phản ánh nhân tố, bạn thường lấy hệ số trong bảng Standardized Regression Weights, không lấy nhầm Estimate chưa chuẩn hóa.

Nếu output hiển thị *** ở cột P, AMOS đang báo p-value rất nhỏ theo cách trình bày của phần mềm. Bạn có thể viết rằng mối liên hệ có ý nghĩa thống kê theo output, nhưng không nên tự đổi dấu *** thành một con số cụ thể nếu bảng không hiển thị con số đó.

Squared Multiple Correlations gần với R² của từng biến quan sát trong mô hình đo lường. Ví dụ minh họa 0.61 cho thấy nhân tố giải thích khoảng 61% phương sai của biến quan sát đó. Chỉ số này không phải AVE của toàn bộ thang đo và cũng không phải R² của biến phụ thuộc trong mô hình hồi quy.

Khi đọc Model Fit Summary, hãy xem toàn bộ nhóm chỉ số. Chi-square thường nhạy với cỡ mẫu, vì vậy một mô hình có p-value của Chi-square thấp chưa đủ để kết luận mô hình hoàn toàn không sử dụng được. Bạn cần xem CFI, TLI, RMSEA, SRMR, lý thuyết của thang đo và các chỉ số sửa đổi trong cùng một lập luận.

Khi CFA không đạt thì xử lý thế nào

Bước đầu tiên là kiểm tra dữ liệu, không chỉnh mô hình ngay. Mở file .sav và kiểm tra biến có bị nhập sai chiều, mã hóa ngược chưa được xử lý, có giá trị thiếu bất thường hoặc có dòng trả lời không hợp lệ hay không. Nếu một biến quan sát đáng lẽ có thang điểm từ 1 đến 5 nhưng lại chứa giá trị 55, mô hình có thể bị ảnh hưởng từ lỗi nhập dữ liệu.

Bước thứ hai là xem factor loading và phần dư chuẩn hóa. Một biến có loading thấp có thể không phản ánh tốt khái niệm. Tuy nhiên, bạn chỉ nên cân nhắc loại biến khi có lý do về nội dung, lý thuyết và kết quả thống kê. Xóa hàng loạt biến để kéo chỉ số fit lên thường tạo ra thang đo khó giải thích khi bảo vệ.

Bước thứ ba là xem Modification Indices. AMOS có thể gợi ý nối covariance giữa hai sai số đo lường hoặc thêm một đường liên kết. Gợi ý này chỉ là thông tin chẩn đoán. Bạn cần có lý do lý thuyết, chẳng hạn hai biến quan sát có cách diễn đạt rất gần nhau, trước khi thêm covariance. Việc nối nhiều sai số chỉ dựa trên con số MI làm mô hình phụ thuộc quá mức vào chính mẫu dữ liệu.

Bước thứ tư là chạy lại CFA sau mỗi thay đổi và lưu từng phiên bản. Hãy đặt tên file theo vòng, ví dụ CFA_v1, CFA_v2, CFA_v3, đồng thời ghi rõ biến nào bị loại và lý do. Nếu mô hình vẫn không đạt, cần quay lại xem cách xây dựng thang đo, thay vì tiếp tục sửa các mũi tên trong AMOS.

Bạn cũng có thể gặp trường hợp dữ liệu thực tế không ủng hộ cấu trúc lý thuyết ban đầu. Khi đó, EFA có thể được dùng ở giai đoạn khám phá nếu mô hình chưa đủ chắc chắn. Tham khảo thêm communality để phân biệt phần phương sai được nhân tố giải thích với factor loading. CFA và EFA có thể xuất hiện trong cùng một nghiên cứu, nhưng mục đích và thứ tự lập luận phải rõ.

Phân biệt CFA với EFA, PCA và hồi quy

CFA và EFA đều liên quan đến nhân tố, nhưng câu hỏi nghiên cứu khác nhau. EFA khám phá cấu trúc tiềm ẩn, cho phép dữ liệu gợi ý biến quan sát thuộc nhóm nào. CFA kiểm định cấu trúc đã được bạn chỉ định trước. Vì vậy, việc xem một bảng tải nhân tố của EFA rồi gọi đó là kết quả CFA là lỗi thuật ngữ.

PCA tạo các thành phần tổng hợp từ biến quan sát để giảm số chiều dữ liệu. Nó không mô hình hóa biến tiềm ẩn và sai số đo lường theo cách CFA thực hiện. Nếu mục tiêu của bạn là tạo một số lượng nhỏ thành phần để phân tích tiếp, PCA có thể phù hợp. Nếu mục tiêu là xác nhận thang đo gồm các khái niệm lý thuyết, CFA phù hợp hơn.

Hồi quy kiểm tra quan hệ giữa biến độc lập và biến phụ thuộc. CFA kiểm tra mô hình đo lường, tức là quan hệ giữa biến tiềm ẩn và biến quan sát. Bạn có thể dùng CFA trước hồi quy hoặc SEM, nhưng hai thủ tục này trả lời hai câu hỏi khác nhau.

CFA cũng không đồng nghĩa với Cronbach's Alpha. Alpha đánh giá độ nhất quán nội tại theo một cách tiếp cận nhất định. CFA cho phép bạn xem cấu trúc nhân tố, factor loading, sai số đo lường, giá trị hội tụ và giá trị phân biệt. Bạn có thể xem thêm CFA để đặt CFA trong quy trình phân tích thang đo, nhưng đừng dùng một chỉ số Alpha để thay thế toàn bộ đánh giá CFA.

Lỗi thường gặp

Lỗi đầu tiên là nói “chạy CFA trong SPSS” nhưng không nêu công cụ thực tế. Bạn có thể viết chính xác hơn rằng dữ liệu được chuẩn bị và kiểm tra trong SPSS, còn CFA được thực hiện bằng AMOS. Nếu dùng R, Mplus hoặc SmartPLS, hãy ghi đúng phần mềm và loại SEM tương ứng.

Lỗi thứ hai là dùng CFI, TLI, RMSEA và SRMR cho một bài SmartPLS mà không giải thích. Các chỉ số fit kiểu CB-SEM cần được tách khỏi nhóm chỉ số PLS-SEM. Lỗi thứ ba là chỉ báo cáo CFI mà bỏ qua loading, CR, AVE và giá trị phân biệt.

Lỗi thứ tư là loại biến chỉ vì p-value của một đường liên kết chưa đạt, trong khi chưa xem lại mã hóa và mô hình đo lường. CFA tập trung vào sự phù hợp của mô hình và thang đo, không phải cứ đường nào có p-value cao là tự động xóa.

Lỗi cuối là đưa bảng output minh họa vào chương kết quả như thể đó là số liệu nghiên cứu. Bạn cần thay toàn bộ số liệu bằng output từ file của mình, giữ lại tên bảng đúng với phần mềm và ghi rõ cách xử lý các biến bị loại.

Cách viết vào luận văn: “Kết quả CFA cho thấy mô hình đo lường gồm [số lượng nhân tố] nhân tố có mức độ phù hợp với dữ liệu, với CFI = [giá trị], TLI = [giá trị], RMSEA = [giá trị] và SRMR = [giá trị]. Các biến quan sát có standardized factor loading từ [giá trị thấp nhất] đến [giá trị cao nhất]. CR và AVE của các khái niệm lần lượt nằm trong khoảng [khoảng CR] và [khoảng AVE], qua đó cung cấp bằng chứng cho độ tin cậy và giá trị hội tụ của thang đo.”

Câu hỏi thường gặp

SPSS có chạy CFA trực tiếp được không

SPSS Statistics không có thủ tục CFA trực tiếp trong các menu phân tích cơ bản. Bạn thường dùng SPSS để nhập, làm sạch, kiểm tra dữ liệu và lưu file .sav, sau đó dùng AMOS để vẽ và chạy mô hình CFA. Khi viết phương pháp, hãy nêu rõ cả hai phần mềm nếu bạn thực sự dùng cả hai.

CFA và EFA nên chạy cái nào trước

Nếu thang đo đã có cấu trúc rõ từ lý thuyết hoặc nghiên cứu trước, bạn có thể thiết kế mô hình và chạy CFA. Nếu cấu trúc nhân tố còn chưa chắc chắn, EFA thường được dùng ở giai đoạn khám phá trước khi xác nhận bằng CFA. Quyết định cần dựa vào mô hình nghiên cứu, nguồn thang đo và mục tiêu của đề tài.

CFA đạt khi CFI lớn hơn 0.9 nhưng RMSEA lớn hơn 0.08 không

Một chỉ số đạt chưa đủ để kết luận toàn bộ mô hình đạt. Bạn cần xem CFI, TLI, RMSEA, SRMR, loading, CR, AVE và lý do lý thuyết của các điều chỉnh. Các ngưỡng là mốc tham khảo, không phải giấy phép để bỏ qua một chỉ số đang cho thấy mô hình cần xem lại.

Có nên nối covariance giữa các sai số trong AMOS không

Bạn chỉ nên nối khi có lý do nội dung hoặc lý thuyết rõ ràng, chẳng hạn hai biến quan sát có cách diễn đạt gần nhau hoặc cùng một dạng câu hỏi. Không nên nối hàng loạt covariance chỉ vì Modification Indices gợi ý. Mỗi điều chỉnh cần được ghi lại và giải trình trong luận văn.

CFA có thay thế Cronbach's Alpha không

CFA và Cronbach's Alpha đánh giá những khía cạnh khác nhau của thang đo. CFA cho bạn thông tin về cấu trúc nhân tố, loading, giá trị hội tụ và giá trị phân biệt, còn Alpha phản ánh độ nhất quán nội tại theo chỉ số Alpha. Khi đề cương yêu cầu cả hai, hãy báo cáo đúng vai trò của từng kiểm định.

Mở file dữ liệu của bạn, kiểm tra trước biến quan sát và mã hóa, sau đó xác định rõ bạn đang cần EFA hay CFA trước khi chọn phần mềm. Nếu cần chạy CFA, đọc output AMOS theo từng nhóm chỉ số và lưu từng vòng điều chỉnh; M4 phân tích dữ liệu hỗ trợ bạn thực hiện bước này trên chính file .sav hoặc .csv của mình.