CFI nhỏ hơn 0.9 phải làm sao? Cách xử lý trong AMOS

Hiện tượng bạn đang gặp

Bạn chạy mô hình trong AMOS, mở bảng Model Fit, rồi thấy dòng CFI nhỏ hơn 0.9. Chẳng hạn, CFI = 0.842 hoặc CFI = 0.887. Đây là lúc nhiều bạn vội xóa biến quan sát, nối thêm các mũi tên hiệp phương sai hoặc chạy lại đến khi có một con số đẹp hơn.

CFI, viết đầy đủ là Comparative Fit Index, so sánh mức độ phù hợp của mô hình bạn xây dựng với một mô hình cơ sở rất hạn chế. Chỉ số này thường được đọc cùng CMIN/DF, RMSEA, SRMR, TLI và các chỉ số khác trong bảng Model Fit. Ngưỡng CFI từ 0.90 trở lên, cùng TLI từ 0.90 trở lên, thường được trình bày theo (Hu và Bentler, 1999). Nguồn này thuộc nhóm CB-SEM, phù hợp với AMOS, không dùng để đánh giá mô hình SmartPLS.

Bạn có thể xem thêm bài chỉ số độ phù hợp mô hình trong AMOS để hiểu vai trò của từng chỉ số. Bài này tập trung vào câu hỏi thực tế hơn: CFI dưới 0.9 thì kiểm tra gì trước, sửa ở đâu, và khi nào nên dừng việc chỉnh mô hình.

Nguyên nhân thường gặp

CFI thấp không tự động có nghĩa là một biến duy nhất bị sai. Nó có thể xuất hiện vì mô hình đo lường chưa phù hợp, quan hệ giữa các khái niệm được đặt chưa đúng, dữ liệu có vấn đề hoặc mô hình quá phức tạp so với cỡ mẫu. Trước khi sửa, bạn nên lưu lại file .amw và ghi lại các chỉ số ban đầu.

CFI không nên được đọc tách khỏi bối cảnh. Nếu bạn chỉ nhìn một con số rồi xóa biến, bạn có thể làm mất nội dung quan trọng của thang đo. CFI thấp cũng không được cải thiện một cách có ý nghĩa chỉ bằng cách đổi tên biến trong AMOS.

Cách xử lý theo thứ tự ưu tiên

1. Lưu mô hình gốc và kiểm tra bạn đang đọc đúng bảng

Trong AMOS, chọn View Text sau khi chạy mô hình, sau đó mở nhóm Model Fit. Kiểm tra xem bạn đang đọc Default model hay một mô hình khác. Ghi lại CFI, TLI, RMSEA, CMIN/DF, số quan sát và bậc tự do.

Bạn nên tạo các phiên bản như model_01_original, model_02_remove_X3 và model_03_covar_error. Mỗi lần chỉ thay đổi một nhóm nhỏ có lý do rõ ràng. Cách này giúp bạn biết thay đổi nào làm CFI tăng hoặc giảm, đồng thời có thể giải trình với giảng viên.

2. Kiểm tra dữ liệu trước khi chỉnh mô hình

Mở file dữ liệu trong SPSS và kiểm tra missing values, giá trị ngoài thang đo, biến đảo chiều và các dòng trả lời bất thường. Một biến Likert đáng lẽ nằm từ 1 đến 5 nhưng lại có giá trị 55 hoặc 0 có thể làm kết quả ước lượng sai. Bạn cũng cần xem các biến có bị nhập dạng chữ hay không.

Kiểm tra outlier bằng các thống kê phù hợp và xem dữ liệu có quá lệch hay không. Nếu loại một dòng dữ liệu, bạn cần có tiêu chí trước khi loại, chẳng hạn một bản trả lời thiếu quá nhiều biến hoặc có dấu hiệu trả lời một cột duy nhất. Không xóa các dòng chỉ vì chúng làm CFI giảm.

3. Xem mô hình đo lường trước mô hình cấu trúc

Nếu bạn đang chạy SEM, hãy kiểm tra CFA trước khi diễn giải các đường dẫn giữa các khái niệm. Theo cách tiếp cận hai bước, mô hình đo lường được đánh giá trước, sau đó mới đánh giá mô hình cấu trúc (Anderson và Gerbing, 1988).

Trong output, xem Standardized Regression Weights, Squared Multiple Correlations, Standardized Residual Covariances và Modification Indices. Một loading rất thấp có thể cho thấy biến quan sát không đại diện tốt cho khái niệm. Tuy vậy, ngưỡng cụ thể cần được đọc cùng với nội dung thang đo và cơ sở lý thuyết, không dùng một con số làm lý do duy nhất để xóa biến.

Nếu thang đo có nhiều biến quan sát, chạy kiểm tra độ tin cậy bằng SPSS trước có thể giúp phát hiện biến có Corrected Item-Total Correlation thấp. Mức từ 0.3 trở lên thường được dùng theo (Nunnally và Bernstein, 1994). Kết quả Cronbach's Alpha từ 0.7 trở lên được xem là chấp nhận được theo (Nunnally, 1978), còn thang đo khám phá đôi khi dùng mức alpha từ 0.6 theo (Hair và cộng sự, 2010).

4. Đọc Modification Indices nhưng không chạy theo nó

Modification Indices cho biết mức giảm kỳ vọng của một đại lượng kiểm định nếu bạn thêm một tham số vào mô hình. Cặp sai số có MI cao thường khiến người chạy AMOS muốn nối hai error terms. Việc này chỉ có thể bảo vệ được khi hai biến quan sát có nội dung gần nhau, cùng cách diễn đạt hoặc có cơ sở phương pháp rõ ràng.

Không thêm hàng loạt covariance giữa các sai số chỉ để CFI vượt 0.9. Mô hình sau khi chỉnh có thể vừa khớp mẫu hiện tại nhưng mất ý nghĩa khi áp dụng cho mẫu khác. Nếu thêm một covariance, ghi lại cặp biến, giá trị MI, lý do lý thuyết và CFI trước, sau thay đổi. Bạn có thể đọc hướng dẫn riêng về Modification Indices trong AMOS.

5. Kiểm tra quan hệ giữa các khái niệm

Sau khi mô hình đo lường ổn định, xem lại các mũi tên trong mô hình cấu trúc. Một giả thuyết đặt sai hướng, bỏ sót quan hệ có cơ sở lý thuyết hoặc đưa mediator vào sai vị trí đều có thể làm độ phù hợp giảm.

Hãy đối chiếu từng đường dẫn với mô hình nghiên cứu và giả thuyết trong chương 2, thay vì thêm đường dẫn vì MI. Nếu bạn đang kiểm định biến trung gian, phân biệt rõ đường dẫn trực tiếp, gián tiếp và tổng. Cách kiểm định trung gian bằng bootstrap trong AMOS được trình bày tại kiểm định trung gian bằng bootstrap trong AMOS.

6. Chạy lại từng thay đổi và so sánh cả nhóm chỉ số

Sau mỗi thay đổi có lý do, chạy lại mô hình và lập bảng theo dõi. CFI tăng nhưng RMSEA tăng mạnh hoặc bậc tự do giảm quá nhiều chưa chắc là cải thiện đáng chấp nhận. Hãy ghi cả chỉ số phù hợp, số tham số, biến bị loại và căn cứ lý thuyết.

số liệu minh họa: Bảng trên chỉ là ví dụ về hình dạng theo dõi, không phải kết quả của một nghiên cứu thật. Khi báo cáo, bạn lấy số trực tiếp từ bảng Model Fit trong file AMOS của mình. Việc Model 03 có CFI vượt 0.9 không đủ để kết luận mô hình tốt nếu covariance giữa e4 và e5 không có căn cứ.

Khi nào phải quay lại thu thêm dữ liệu

Phần mềm không thể sửa một bảng hỏi đo sai khái niệm. Nếu nhiều biến quan sát có loading thấp, residual lớn và người trả lời hiểu câu hỏi theo nhiều cách, việc thêm đường dẫn trong AMOS chỉ che dấu vấn đề. Bạn nên trao đổi lại với giảng viên về thang đo và khả năng thu thêm dữ liệu nếu cỡ mẫu hiện tại quá nhỏ hoặc mẫu không đúng đối tượng nghiên cứu.

Cỡ mẫu không có một con số chung cho mọi mô hình. Số biến quan sát, số khái niệm, số tham số cần ước lượng và mức độ phức tạp đều ảnh hưởng đến kết quả. Khi dùng quy tắc số quan sát trên mỗi biến quan sát, một số nghiên cứu tham khảo mức 5 đến 10 quan sát cho mỗi biến theo (Hair và cộng sự, 2010), nhưng đây chỉ là căn cứ thiết kế, không phải bảo đảm CFI sẽ đạt.

Bạn nên thu thêm dữ liệu khi số bản trả lời hợp lệ thấp, nhiều nhóm quan trọng không được đại diện hoặc dữ liệu có tỷ lệ thiếu quá lớn. Thu thêm dữ liệu không phải cách hợp lệ nếu mục đích duy nhất là làm CFI tăng. Mẫu mới cần được thu theo cùng tiêu chí chọn mẫu và phải được làm sạch nhất quán.

Cách giải trình với giảng viên hướng dẫn

Khi CFI ban đầu nhỏ hơn 0.9, hãy mang theo mô hình gốc, bảng thay đổi, output trước và sau, cùng lý do loại hoặc giữ từng biến. Một cuộc trao đổi cụ thể về biến X3, nội dung thang đo và MI sẽ có giá trị hơn câu nói rằng mô hình đã được chỉnh cho đẹp.

Cách viết vào luận văn: “Kết quả CFA ban đầu cho thấy chỉ số CFI = [giá trị], TLI = [giá trị] và RMSEA = [giá trị]. Sau khi kiểm tra [loading/residuals/Modification Indices] và đối chiếu với cơ sở lý thuyết, nghiên cứu [giữ nguyên mô hình/loại biến X3/thêm covariance giữa e4 và e5]. Mô hình sau điều chỉnh có CFI = [giá trị], TLI = [giá trị] và RMSEA = [giá trị].”

Nếu mô hình cuối vẫn có CFI dưới 0.9, hãy báo cáo trung thực các chỉ số và giải thích phạm vi nghiên cứu, thay vì giấu kết quả ban đầu. Bạn có thể nêu rằng mô hình được điều chỉnh có căn cứ lý thuyết, đồng thời trình bày những giới hạn còn lại. CFI không nên được viết thành “mô hình hoàn toàn phù hợp” nếu các chỉ số chưa ủng hộ kết luận đó.

Cách phòng từ bước thiết kế

Ngay khi thiết kế bảng hỏi, viết định nghĩa cho từng khái niệm và xác định biến quan sát nào đo khía cạnh nào. Tránh hai biến có nội dung gần như trùng nhau, câu quá dài, câu phủ định khó hiểu hoặc một biến quan sát chứa hai ý khác nhau.

Bạn nên thử nghiệm bảng hỏi với một nhóm nhỏ phù hợp trước khi thu chính thức, kiểm tra cách hiểu và thời gian trả lời. Nếu có biến đảo chiều, đánh dấu rõ trong codebook và đảo mã trước khi chạy phân tích. Tên biến trong SPSS cần nhất quán với bảng hỏi, chẳng hạn PU1, PU2, PU3, thay vì các tên tự động khó truy lại.

Khi lập mô hình AMOS, kiểm tra mô hình có được nhận dạng hay không trước khi chạy CFA. Nếu xuất hiện cảnh báo nhận dạng, hãy xem bài mô hình không được nhận dạng phải làm sao. Với mô hình dùng AMOS, bạn cũng nên phân biệt rõ các chỉ số fit của CB-SEM với chỉ số của PLS-SEM. Các ngưỡng CFI, TLI, RMSEA và SRMR từ (Hu và Bentler, 1999) dành cho CB-SEM, không nên đưa nguyên xi sang SmartPLS.

Lỗi thường gặp khi sửa

Lỗi phổ biến nhất là xóa liên tục cho đến khi CFI đạt 0.9 nhưng không ghi lại lý do. Cách này làm thang đo mất nội dung và khiến hội đồng hỏi vì sao biến quan sát gốc không còn trong mô hình.

Lỗi thứ hai là thêm covariance giữa tất cả error terms có MI cao. Hai sai số chỉ nên được liên kết khi có lý do từ cách đo hoặc nội dung biến. Nếu không giải thích được mối liên hệ, hãy giữ mô hình đơn giản hơn.

Lỗi thứ ba là báo cáo riêng CFI mà bỏ qua TLI, RMSEA, SRMR, CMIN/DF, bậc tự do và các chỉ số kiểm định liên quan. Một bảng kết quả đầy đủ giúp người đọc đánh giá cân bằng hơn.

Lỗi thứ tư là dùng ngưỡng của AMOS cho SmartPLS hoặc ngược lại. AMOS là CB-SEM, còn SmartPLS dùng họ chỉ số khác như R², f², Q², outer loading, AVE và HTMT. Nếu bài của bạn dùng AMOS, có thể tham khảo thêm bài viết về lỗi CFI nhỏ hơn 0.9 trong AMOS để đối chiếu các tình huống gần giống.

Câu hỏi thường gặp

CFI nhỏ hơn 0.9 có bắt buộc phải sửa mô hình không?

Bạn cần kiểm tra mô hình, nhưng không bắt buộc phải sửa bằng mọi giá. Hãy xem đồng thời CFI, TLI, RMSEA, SRMR, residuals, loading và cơ sở lý thuyết. Nếu điều chỉnh không có căn cứ, giữ mô hình và báo cáo giới hạn có thể bảo vệ được hơn việc thêm nhiều đường dẫn.

CFI = 0.89 có được xem là đạt không?

CFI = 0.89 nằm dưới ngưỡng 0.90 thường được trích dẫn theo (Hu và Bentler, 1999). Bạn nên trình bày đây là kết quả gần ngưỡng, đọc cùng các chỉ số khác và giải thích căn cứ giữ hoặc điều chỉnh mô hình. Không nên tự đổi cách làm tròn để biến 0.89 thành 0.90.

Có nên xóa biến có loading thấp để tăng CFI không?

Bạn chỉ nên cân nhắc xóa khi loading thấp đi kèm lý do nội dung hoặc thống kê rõ ràng, và việc xóa không làm mất một khía cạnh quan trọng của khái niệm. Hãy lưu mô hình trước khi xóa, chạy lại và so sánh toàn bộ chỉ số, bậc tự do cùng cấu trúc thang đo.

Modification Indices cao có nghĩa là phải nối hai sai số không?

Không. MI là tín hiệu để bạn kiểm tra khả năng mô hình đang bỏ sót quan hệ, nhưng nó không thay thế lý thuyết. Chỉ thêm covariance khi hai biến có cơ sở nội dung hoặc phương pháp đo đủ thuyết phục, sau đó ghi rõ quyết định trong luận văn.

CFI thấp do cỡ mẫu thì có thể tăng mẫu để xử lý không?

Tăng mẫu có thể giúp ước lượng ổn định hơn nếu cỡ mẫu ban đầu quá nhỏ, nhưng không bảo đảm CFI sẽ tăng. Nếu nguyên nhân nằm ở thang đo sai, dữ liệu không phù hợp hoặc mô hình đặc tả sai, thêm người trả lời không giải quyết được gốc vấn đề. Hãy kiểm tra dữ liệu và mô hình trước khi quay lại thu mẫu.

Bạn hãy mở lại file AMOS, lưu mô hình gốc, chép các chỉ số trong Model Fit vào bảng theo dõi, rồi kiểm tra dữ liệu và mô hình đo lường theo đúng thứ tự trên; nếu cần chạy và diễn giải phân tích trên file .sav hoặc .csv của mình, bạn có thể dùng M4 phân tích của DoThesis.