CFI là gì? Cách đọc chỉ số CFI trong SPSS và SEM
CFI là gì
Bạn thường gặp CFI trong bảng kết quả của AMOS, LISREL hoặc một phần mềm CB-SEM khác, với tên đầy đủ là Comparative Fit Index. Đây là chỉ số so sánh mức độ phù hợp của mô hình nghiên cứu đang chạy với một mô hình cơ sở, thường là mô hình giả định các biến quan sát không có quan hệ với nhau. CFI càng cao thì mô hình đề xuất thường càng phù hợp hơn so với mô hình cơ sở.
Về bản chất, CFI được tính từ sự khác biệt giữa mô hình cơ sở và mô hình nghiên cứu, có điều chỉnh theo bậc tự do. Bạn không cần tự tính CFI bằng tay khi chạy phần mềm. Việc cần làm là xác định đúng loại mô hình, đọc đúng bảng output và báo cáo CFI cùng các chỉ số phù hợp khác.
CFI thuộc nhóm fit indices của Covariance-Based Structural Equation Modeling, viết tắt là CB-SEM. Bạn có thể xem thêm phần nền tảng trong bài SEM là gì, sau đó đối chiếu với CB-SEM là gì nếu đang phân vân giữa AMOS và SmartPLS. CFI thường xuất hiện khi bạn đánh giá mức độ phù hợp tổng thể của mô hình, chứ không phải khi kiểm tra riêng một biến quan sát hay một đường tác động.
Ý nghĩa của CFI trong nghiên cứu định lượng
CFI trả lời câu hỏi: mô hình bạn xây dựng cải thiện được bao nhiêu so với mô hình cơ sở. Chỉ số này có giá trị từ 0 đến 1 trong cách diễn giải thông thường. Giá trị càng gần 1 cho thấy mức độ phù hợp tương đối càng tốt. Tuy nhiên, CFI không cho biết một giả thuyết cụ thể có được chấp nhận hay không.
Ví dụ, bạn có mô hình gồm Chất lượng dịch vụ, Sự hài lòng và Ý định tiếp tục sử dụng. CFI dùng để đánh giá toàn bộ cấu trúc mô hình có tái hiện tốt ma trận hiệp phương sai giữa các biến quan sát hay không. Để biết Chất lượng dịch vụ có tác động đến Sự hài lòng hay không, bạn phải xem hệ số đường dẫn, p-value hoặc khoảng tin cậy, tùy phần mềm và phương pháp ước lượng.
CFI thường được đọc cùng với chi-square, df, p-value của kiểm định chi-square, TLI, RMSEA và SRMR. Một chỉ số riêng lẻ không đủ để kết luận mô hình đạt. CFI cao nhưng RMSEA hoặc SRMR không phù hợp có thể cho thấy bạn cần xem lại toàn bộ bằng chứng về model fit.
Bạn cũng cần phân biệt CFI với R², AVE và outer loading. R² cho biết mức độ giải thích của biến phụ thuộc trong mô hình cấu trúc. AVE và outer loading dùng để đánh giá mô hình đo lường. Các khái niệm về biến tiềm ẩn sẽ giúp bạn tách rõ phần đo lường và phần cấu trúc trước khi đọc output.
CFI bao nhiêu là đạt
Câu hỏi “CFI bao nhiêu là tốt” thường được trả lời bằng một ngưỡng tham khảo. Theo Hu và Bentler, CFI từ 0.90 trở lên thường được dùng như mức chấp nhận trong CB-SEM, nhưng bạn không nên trình bày ngưỡng này như một luật cứng. Nguồn này áp dụng cho các fit index của CB-SEM, không dùng để hợp thức hóa việc đưa CFI vào báo cáo SmartPLS. Ngưỡng CFI từ 0.90 trở lên được tham khảo từ (Hu và Bentler, 1999).
Bảng dưới đây giúp bạn đặt CFI vào đúng nhóm chỉ số. Mỗi ngưỡng cần được đọc cùng điều kiện áp dụng và nguồn tương ứng.
| Chỉ số | Ngưỡng tham khảo | Cách hiểu và nguồn |
|---|---|---|
| CFI | Từ 0.90 trở lên | Mức phù hợp thường được tham khảo trong CB-SEM, (Hu và Bentler, 1999) |
| TLI | Từ 0.90 trở lên | Dùng cùng nhóm fit index của CB-SEM, (Hu và Bentler, 1999) |
| RMSEA | Không quá 0.08 | Mức sai số xấp xỉ thường được tham khảo trong CB-SEM, (Hu và Bentler, 1999) |
| SRMR | Không quá 0.08 | Mức sai số phần dư thường được tham khảo trong CB-SEM, (Hu và Bentler, 1999) |
| CFI trong SmartPLS | Không đặt ngưỡng CFI | PLS-SEM tập trung vào nhóm chỉ số khác như R², Q², HTMT và path coefficient, (Hair và cộng sự, 2022) |
Nếu luận văn của bạn dùng AMOS để chạy CB-SEM, CFI bằng 0.92 có thể được mô tả là đạt mức tham khảo 0.90. Bạn vẫn cần báo cáo các chỉ số liên quan và nêu rõ cách đánh giá. Nếu CFI bằng 0.88, đừng tự động sửa mô hình chỉ để đẩy số lên. Hãy xem lại lý thuyết, biến quan sát, dữ liệu và chỉ số điều chỉnh mà phần mềm cung cấp.
Nếu nghiên cứu dùng SmartPLS, bạn không nên lấy CFI làm tiêu chí chính. Hãy chuyển sang quy trình PLS-SEM, trong đó mô hình đo lường được xem xét bằng outer loading, CR, AVE và HTMT, còn mô hình cấu trúc được xem xét bằng VIF, path coefficient, R², f² và Q². Các ngưỡng như CFI, TLI và RMSEA thuộc họ chỉ số phù hợp của CB-SEM, không phải bộ tiêu chí trung tâm của PLS-SEM.
Cách đọc CFI trên output
CFI trong SPSS và AMOS
SPSS Statistics thông thường không xuất CFI sau khi bạn chạy Cronbach's Alpha, EFA hay hồi quy tuyến tính. Nếu bạn tìm CFI trong các bảng Reliability Statistics, KMO and Bartlett's Test, Rotated Component Matrix hoặc Coefficients, bạn sẽ không thấy vì các thủ tục đó không tính fit index của mô hình SEM.
Trong thực tế, cụm tìm kiếm “CFI trong SPSS” thường chỉ việc người học dùng SPSS để xử lý dữ liệu rồi chuyển sang AMOS để chạy CFA hoặc SEM. Đường dẫn trong AMOS không giống menu SPSS. Bạn mở file dữ liệu, vẽ mô hình đo lường hoặc mô hình cấu trúc, chọn phương pháp ước lượng rồi chạy Calculate Estimates. CFI thường nằm trong bảng Model Fit hoặc phần CMIN, Baseline Comparisons tùy phiên bản và cách xuất output.
Cách đọc bảng Model Fit
Ví dụ dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thực tế. Tên cột được trình bày theo cách người học thường gặp trong output CB-SEM.
| Model | CMIN | DF | CFI | TLI | RMSEA | SRMR |
|---|---|---|---|---|---|---|
| Default model | 214.638 | 148 | 0.927 | 0.914 | 0.056 | 0.061 |
| Saturated model | 0.000 | 0 | 1.000 | 1.000 | 0.000 | 0.000 |
| Independence model | 1,486.210 | 171 | 0.000 | 0.000 | 0.241 | 0.318 |
Ở dòng Default model, CFI bằng 0.927. Nếu nghiên cứu của bạn dùng CB-SEM, giá trị này cao hơn ngưỡng tham khảo 0.90 theo (Hu và Bentler, 1999). TLI bằng 0.914 cũng cao hơn 0.90, RMSEA bằng 0.056 và SRMR bằng 0.061 đều không vượt quá 0.08 theo cùng nguồn. Đây là cách mô tả số liệu minh họa, không phải kết luận cho dữ liệu của bạn.
Dòng Saturated model không phải mô hình bạn dùng để kiểm định giả thuyết. Dòng này cho biết một mô hình có đầy đủ quan hệ tự do giữa các biến và thường có độ phù hợp tối đa. Dòng Independence model là mô hình cơ sở để phần mềm so sánh. Khi viết chương 4, bạn thường tập trung vào Default model, đồng thời ghi rõ các chỉ số được báo cáo.
Nếu output có nhiều nhóm mẫu, chẳng hạn nam và nữ, hoặc nhóm khách hàng mới và cũ, hãy kiểm tra CFI của từng nhóm và của mô hình chung. Đừng lấy một dòng có CFI cao nhất để thay cho kết quả của mô hình được giả thuyết đề xuất.
Khi CFI không đạt thì xử lý thế nào
Bước đầu tiên là kiểm tra bạn có đang đọc đúng phần mềm hay không. Nếu mô hình chạy bằng SmartPLS, việc tìm cách tạo CFI thường dẫn đến báo cáo sai hệ tiêu chí. Nếu mô hình chạy bằng AMOS hoặc một phần mềm CB-SEM, bạn kiểm tra lại bảng Model Fit, tên mô hình và dữ liệu đầu vào.
Bước tiếp theo là xem các chỉ số cùng nhóm. CFI thấp kèm RMSEA hoặc SRMR cao cho thấy mô hình tổng thể chưa phù hợp theo các ngưỡng tham khảo của (Hu và Bentler, 1999). CFI thấp nhưng các chỉ số khác tương đối ổn vẫn cần được giải thích, không nên tự chọn chỉ số có kết quả đẹp nhất.
Sau đó, kiểm tra các biến quan sát có tải yếu, sai số bất thường, dữ liệu thiếu, mã hóa ngược và các quan hệ được giả thuyết. Một biến quan sát có nội dung không phù hợp bối cảnh có thể làm giảm độ phù hợp của mô hình đo lường. Tuy nhiên, bạn chỉ nên loại biến khi có lý do phương pháp và lý thuyết. Không loại liên tục nhiều biến chỉ vì modification index gợi ý điều đó.
Nếu cần thêm covariance giữa các sai số, phải có lý do nội dung hoặc lý thuyết rõ ràng. Việc nối các sai số để CFI tăng nhưng không giải thích được trong luận văn dễ bị hỏi ở buổi bảo vệ. Bạn cũng cần ghi lại mô hình ban đầu, thay đổi đã thực hiện và lý do của từng thay đổi.
Cuối cùng, nếu CFI vẫn không đạt, hãy trao đổi với giảng viên về việc giữ mô hình, điều chỉnh mô hình có căn cứ hoặc chuyển phương pháp. Chạy lại nhiều lần cho đến khi có CFI mong muốn không làm kết quả đáng tin hơn. Nếu nguyên nhân nằm ở bảng hỏi hoặc mẫu dữ liệu, phần mềm không thể sửa thay bạn.
Phân biệt CFI với các chỉ số dễ nhầm
CFI và TLI đều là fit index của CB-SEM, nhưng chúng không phải cùng một chỉ số. CFI so sánh mức cải thiện của mô hình đề xuất với mô hình cơ sở. TLI cũng so sánh hai mô hình nhưng có điều chỉnh mạnh hơn theo mức độ phức tạp và bậc tự do. Vì vậy, hai giá trị thường gần nhau nhưng có thể khác đáng kể.
CFI và RMSEA cũng dễ bị gọi chung là chỉ số độ phù hợp. CFI càng cao thường càng tốt, còn RMSEA càng thấp thường càng tốt. CFI phản ánh mức cải thiện tương đối, trong khi RMSEA tập trung vào sai số xấp xỉ theo bậc tự do. Bạn không được diễn giải CFI bằng câu “sai số của mô hình bằng 0.92”.
CFI khác R². R² là tỷ lệ biến thiên của một biến nội sinh được các biến dự báo giải thích trong mô hình cấu trúc. Một mô hình có R² tốt vẫn có thể có vấn đề về mô hình đo lường hoặc fit tổng thể. Ngược lại, CFI không cho biết một biến phụ thuộc được giải thích bao nhiêu phần trăm.
CFI cũng khác outer loading, CR, AVE và HTMT. Đây là các chỉ số thường gặp khi bạn dùng SmartPLS. Khi đọc tài liệu về mô hình SEM, hãy tách ba câu hỏi: mô hình đo lường có đáng tin không, các khái niệm có phân biệt được không, và các quan hệ giả thuyết có được ủng hộ không.
Lỗi thường gặp
Lỗi đầu tiên là viết “CFI càng cao thì giả thuyết càng được chấp nhận”. CFI chỉ đánh giá mức phù hợp của mô hình tổng thể. Kết luận giả thuyết phải dựa vào path coefficient, p-value hoặc khoảng tin cậy của đường tác động.
Lỗi thứ hai là dùng CFI cho SmartPLS rồi trích ngưỡng RMSEA, TLI và CFI của CB-SEM. Bạn cần ghi rõ phương pháp ước lượng và phần mềm. SmartPLS sử dụng PLS-SEM, nên báo cáo theo bộ chỉ số phù hợp với PLS-SEM, chẳng hạn CR, AVE, HTMT, VIF, R², f² và Q² theo (Hair và cộng sự, 2022).
Lỗi thứ ba là chỉ báo cáo CFI mà bỏ qua model fit khác. Một bảng kết quả tối thiểu cần cho người đọc biết bạn đã đánh giá những chỉ số nào, ngưỡng lấy từ đâu và quyết định dựa trên nguyên tắc nào.
Lỗi thứ tư là tự ý sửa mô hình theo modification index. Modification index có thể gợi ý một quan hệ mới, nhưng không thay thế cho lập luận lý thuyết. Mọi biến bị loại hoặc quan hệ được thêm cần được ghi lại trong phương pháp và phần kết quả.
Lỗi cuối là nhầm CFI với chỉ số trong output SPSS cơ bản. Cronbach's Alpha, corrected item-total correlation, KMO, Bartlett, eigenvalue và factor loading thuộc các bước khác nhau. Bạn nên lưu riêng output của từng bước để khi viết chương 4 không trộn tiêu chí.
Câu hỏi thường gặp
CFI là gì trong SEM?
CFI là Comparative Fit Index, dùng để so sánh mức độ phù hợp của mô hình nghiên cứu với mô hình cơ sở. CFI thường được báo cáo trong CB-SEM, đặc biệt khi bạn chạy CFA hoặc SEM bằng AMOS.
CFI không trực tiếp kiểm định một giả thuyết riêng. Nó cho biết mô hình tổng thể có phù hợp với dữ liệu ở mức nào.
CFI bao nhiêu là tốt?
Trong CB-SEM, CFI từ 0.90 trở lên thường được dùng làm ngưỡng tham khảo theo (Hu và Bentler, 1999). Bạn vẫn cần xem thêm TLI, RMSEA, SRMR và bối cảnh mô hình.
Nếu CFI dưới 0.90, hãy kiểm tra dữ liệu, biến quan sát và cấu trúc mô hình trước khi sửa. Không có cơ sở để khẳng định mọi mô hình phải đạt một con số duy nhất.
CFI trong SPSS nằm ở bảng nào?
SPSS thông thường không tạo CFI trong các thủ tục Cronbach's Alpha, EFA hoặc hồi quy. CFI thường được xem trong output CFA hoặc SEM của AMOS, không phải các bảng output SPSS cơ bản.
Nếu bạn dùng SPSS để làm sạch dữ liệu rồi dùng AMOS để chạy mô hình, hãy mở phần Model Fit hoặc Baseline Comparisons trong output AMOS để tìm CFI.
SmartPLS có chỉ số CFI không?
Khi dùng SmartPLS, bạn không nên lấy CFI của CB-SEM làm tiêu chí trung tâm. PLS-SEM thường được đánh giá qua mô hình đo lường và mô hình cấu trúc với các chỉ số như outer loading, CR, AVE, HTMT, VIF, R², f² và Q².
Nếu đề cương yêu cầu CFI, bạn cần hỏi lại giảng viên xem nghiên cứu đang theo CB-SEM hay PLS-SEM. Hai phương pháp có mục tiêu và hệ tiêu chí báo cáo khác nhau.
CFI thấp thì phải làm sao?
Bạn kiểm tra đúng phần mềm, đúng dòng Default model, chất lượng dữ liệu, biến quan sát và các chỉ số fit liên quan. Sau đó, chỉ điều chỉnh mô hình khi có căn cứ lý thuyết và ghi lại các thay đổi.
Không nên loại biến hoặc nối sai số chỉ để tăng CFI. Một mô hình có CFI đẹp nhưng thiếu căn cứ vẫn có thể bị hỏi về tính hợp lệ khi bảo vệ.
Để xử lý ngay trong file của bạn, hãy xác định trước bạn đang chạy CB-SEM hay PLS-SEM, chụp lại bảng output chứa CFI, rồi ghi CFI cùng TLI, RMSEA và SRMR nếu là CB-SEM. Nếu cần chạy và diễn giải dữ liệu .sav hoặc .csv theo đúng mô hình, bạn có thể dùng M4 phân tích của DoThesis.