Chỉ số độ phù hợp mô hình trong AMOS: cách đọc và đánh giá

Khi nào dùng chỉ số độ phù hợp mô hình trong AMOS

Bạn dùng chỉ số độ phù hợp mô hình trong AMOS khi đã xây dựng mô hình đo lường hoặc mô hình cấu trúc và muốn kiểm tra mô hình có tái hiện hợp lý ma trận hiệp phương sai của dữ liệu hay không. Tình huống thường gặp là bạn chạy CFA để xác nhận các biến quan sát thuộc đúng biến tiềm ẩn, hoặc chạy SEM để kiểm định các giả thuyết giữa các biến tiềm ẩn.

Các chỉ số này trả lời một câu hỏi về toàn bộ mô hình. Chúng không cho biết riêng một giả thuyết như H1 có được chấp nhận hay không. Để kết luận H1, bạn còn phải đọc Regression Weights, hệ số ước lượng, Critical Ratio và P-value. Vì vậy, một mô hình có fit tốt vẫn có thể có đường dẫn không có ý nghĩa thống kê.

AMOS thuộc nhóm covariance-based SEM, thường được gọi là CB-SEM. Vì vậy, các chỉ số CFI, TLI, RMSEA và SRMR phù hợp với bối cảnh này. Bạn không nên lấy R², Q² hoặc HTMT của SmartPLS để thay thế cho bảng Model Fit của AMOS. Nếu cần xem lại toàn bộ quy trình phân tích, bạn có thể mở chủ đề SPSS, nhưng phần dưới đây tập trung vào AMOS.

Chuẩn bị dữ liệu trước khi chạy

Trước khi nhìn vào model fit, hãy kiểm tra dữ liệu và mô hình. Nhiều trường hợp chỉ số xấu bắt nguồn từ biến nhập sai, dữ liệu thiếu hoặc mô hình được vẽ thiếu covariance, chứ chưa chắc do lý thuyết nghiên cứu có vấn đề.

Bạn nên đặt tên biến quan sát ngắn, không dấu, không có khoảng trắng, chẳng hạn PU1, PU2, PU3. Mỗi dòng dữ liệu là một người trả lời, mỗi cột là một biến quan sát. Thang đo Likert cần được mã hóa cùng chiều. Nếu một biến là câu hỏi đảo chiều, hãy recode trước khi đưa vào AMOS. Khi một biến đáng lẽ điểm cao thể hiện thái độ tích cực nhưng lại đang có chiều ngược, covariance và hệ số tải có thể bị ảnh hưởng mạnh.

Kiểm tra missing values trong SPSS trước khi xuất sang AMOS. Bạn có thể dùng Analyze > Descriptive Statistics > Frequencies để xem số lượng giá trị thiếu, giá trị ngoài khoảng Likert và các mã bất thường. Nếu một người trả lời bỏ trống quá nhiều biến, cần đặt tiêu chí loại quan sát trước khi chạy, thay vì xóa tùy ý sau khi thấy model fit không đạt.

Cũng cần xác định mô hình có nhận dạng hay không. Mỗi biến tiềm ẩn phải có thang đo, thường bằng cách cố định một factor loading bằng 1 hoặc cố định phương sai của nhân tố. Nếu AMOS báo mô hình không được nhận dạng, hãy xem hướng dẫn mô hình không được nhận dạng phải làm sao trước khi đánh giá fit. Một mô hình chưa được nhận dạng chưa tạo ra kết quả để bạn diễn giải.

Cuối cùng, kiểm tra cỡ mẫu, phân phối và các quan sát ngoại lệ. AMOS có thể nhạy với dữ liệu lệch hoặc outlier đa biến. Bạn nên lưu một bản dữ liệu gốc, ghi lại các bước làm sạch và chỉ chạy lại mô hình sau khi đã ghi rõ lý do xử lý. Đừng xóa từng dòng chỉ vì nó làm CFI tăng lên.

Các bước chạy chỉ số độ phù hợp mô hình trong SPSS

AMOS không chạy từ menu Analyze của SPSS. Bạn chuẩn bị dữ liệu trong SPSS rồi mở AMOS Graphics để vẽ và ước lượng mô hình. Cách chạy chỉ số độ phù hợp mô hình trong AMOS có thể thực hiện theo các bước sau.

Mở dữ liệu và tạo mô hình

Mở AMOS Graphics, chọn File > Data Files rồi trỏ đến file .sav của SPSS. Tiếp theo, dùng công cụ vẽ ellipse cho biến tiềm ẩn và rectangle cho biến quan sát. Kéo tên biến quan sát từ danh sách biến vào sơ đồ, sau đó vẽ mũi tên một chiều từ biến tiềm ẩn đến các biến quan sát.

Với CFA, mỗi biến tiềm ẩn thường nối đến các biến quan sát của chính nó. Với SEM, thêm các mũi tên một chiều giữa các biến tiềm ẩn theo giả thuyết. Các biến ngoại sinh có thể cần mũi tên hai chiều thể hiện covariance nếu mô hình lý thuyết cho phép chúng tương quan.

Kiểm tra sai số và nhận dạng

Mỗi biến quan sát cần có sai số đo lường, thường ký hiệu e1, e2, e3. Trong AMOS, bạn có thể dùng công cụ thêm unique variable để tạo các sai số này. Đặt một ràng buộc nhận dạng cho mỗi nhân tố, chẳng hạn cố định loading đầu tiên bằng 1.

Chọn Analyze > Analysis Properties. Trong thẻ Estimation, xem phương pháp ước lượng đang dùng. Maximum Likelihood thường được dùng khi dữ liệu có đặc điểm phù hợp với giả định của phương pháp. Nếu dữ liệu vi phạm mạnh giả định phân phối, bạn cần báo cáo cách xử lý và trao đổi với giảng viên thay vì tự đổi nhiều tùy chọn để tìm kết quả đẹp.

Chọn các chỉ số cần xuất

Trong cửa sổ Analysis Properties, mở thẻ Output. Đánh dấu Squared multiple correlations, Standardized estimates, Residual moments và Modification indices. Bạn cũng có thể đặt ngưỡng Modification Indices, nhưng việc chọn ngưỡng không thay thế cho lập luận lý thuyết.

Sau đó chọn biểu tượng tính toán mô hình hoặc Analyze > Calculate Estimates. Khi mô hình chạy xong, mở View Text ở cửa sổ kết quả. Bảng bạn cần tìm gồm Model Fit, CMIN, Baseline Comparisons, RMSEA và có thể có SRMR tùy phiên bản, thiết lập và loại output.

Kiểm tra cảnh báo trước khi đọc fit

Nếu AMOS xuất hiện cảnh báo về non-positive definite matrix, negative variance hoặc standardized estimate lớn bất thường, hãy dừng lại để kiểm tra. Một chỉ số CFI cao trong khi mô hình có phương sai sai số âm không phải là kết quả có thể trình bày bình thường.

Nếu cần sửa mô hình, hãy lưu phiên bản mới với tên riêng, chẳng hạn CFA_v2.amos. Ghi lại biến nào bị loại, covariance nào được thêm và lý do. Modification Indices trong AMOS chỉ nên được dùng như tín hiệu chẩn đoán, không phải danh sách lệnh để nối mọi sai số có MI cao.

Đọc kết quả output

Trong cửa sổ View Text, phần Model Fit Summary hoặc Model Fit thường cung cấp nhiều nhóm chỉ số. Bạn cần đọc ít nhất Chi-square, bậc tự do, CMIN/DF hoặc normed chi-square, CFI, TLI, RMSEA và SRMR nếu có. Không nên chỉ chụp một dòng CFI rồi kết luận mô hình đạt.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo cách AMOS thường hiển thị trong output. Khi làm bài, bạn thay bằng số trong file của mình.

Chi-square kiểm tra sự khác biệt giữa ma trận hiệp phương sai quan sát và ma trận được mô hình ước lượng. Khi p-value nhỏ, bạn có cơ sở bác bỏ giả thuyết mô hình phù hợp tuyệt đối. Tuy nhiên, Chi-square nhạy với cỡ mẫu, nên không nên dùng riêng p-value để loại mô hình.

CMIN/DF là Chi-square chia cho bậc tự do. CFI và TLI so sánh mô hình của bạn với mô hình cơ sở. RMSEA phản ánh mức sai số xấp xỉ theo bậc tự do, còn SRMR phản ánh độ lớn trung bình của phần dư chuẩn hóa. Các chỉ số này nhìn vào những khía cạnh khác nhau, nên cần đọc theo một nhóm.

PCLOSE thường liên quan đến kiểm định RMSEA có đủ nhỏ hay không. Bạn có thể báo cáo nó nếu giảng viên yêu cầu, nhưng không nên dùng PCLOSE để che khuất một RMSEA cao hoặc các chỉ số khác không phù hợp.

Tiêu chí đánh giá

Các ngưỡng dưới đây là mốc tham khảo thường được dùng trong CB-SEM, không phải công thức tự động quyết định mô hình. Cùng một chỉ số có thể chịu ảnh hưởng bởi cỡ mẫu, số biến quan sát, độ phức tạp và cách đặc tả mô hình. Các tiêu chí CFI, TLI, RMSEA và SRMR trong bảng dựa trên (Hu và Bentler, 1999). Việc báo cáo quy trình SEM có thể tham khảo (Kline, 2015) và (Byrne, 2010).

Với bảng minh họa ở trên, CFI bằng 0.962 và TLI bằng 0.955 vượt mốc 0.90, RMSEA bằng 0.037 và SRMR bằng 0.041 thấp hơn 0.08. Chi-square có p-value bằng 0.008, nhưng bạn không nên kết luận mô hình không đạt chỉ vì dòng này. Cách diễn giải hợp lý là các chỉ số phù hợp gia tăng và chỉ số sai số cho thấy mô hình có mức độ phù hợp chấp nhận được, trong khi kiểm định Chi-square vẫn có ý nghĩa thống kê.

Nếu CFI nhỏ hơn 0.9, hãy xem riêng hướng dẫn CFI nhỏ hơn 0.9 phải làm sao. Bạn cần kiểm tra mô hình đo lường, tải nhân tố, covariance giữa các nhân tố và dữ liệu trước khi sửa. Lỗi CFI nhỏ hơn 0.9 trong AMOS cũng thường liên quan đến mô hình bị đặc tả sai hoặc một số biến quan sát không đại diện tốt cho khái niệm.

Cách viết kết quả vào luận văn

Cách viết vào luận văn: “Kết quả CFA cho thấy mô hình đo lường có Chi-square = [giá trị], df = [bậc tự do], CMIN/DF = [giá trị], CFI = [giá trị], TLI = [giá trị], RMSEA = [giá trị] và SRMR = [giá trị]. Các chỉ số [nêu chỉ số đạt] đáp ứng các mốc tham khảo, do đó mô hình có mức độ phù hợp [chấp nhận được/tốt] với dữ liệu nghiên cứu. Riêng Chi-square có p-value = [giá trị], kết quả này được xem xét cùng các chỉ số fit khác do Chi-square nhạy với cỡ mẫu.”

Bạn cần thay toàn bộ phần trong ngoặc vuông bằng output thật. Không ghi “mô hình hoàn hảo” khi chỉ số đạt mốc tham khảo. Nếu đã loại biến hoặc thêm covariance, hãy mô tả số vòng điều chỉnh, biến bị xử lý và căn cứ lý thuyết. Một đoạn viết tốt cho hội đồng biết bạn đã kiểm tra mô hình theo quy trình, không chỉ chọn các con số đẹp.

Trong chương kết quả, nên có bảng tổng hợp chỉ số fit và một đoạn diễn giải ngắn. Phần kiểm định giả thuyết đặt sau đó, dựa trên Regression Weights. Nếu bạn dùng bootstrap cho hiệu ứng trung gian, hãy tách kết quả đó khỏi model fit và xem thêm kiểm định trung gian bằng bootstrap trong AMOS.

Lỗi thường gặp khi chạy chỉ số độ phù hợp mô hình trong SPSS

Lỗi đầu tiên là dùng thuật ngữ “chỉ số độ phù hợp mô hình trong SPSS” nhưng thực tế lại đọc output của AMOS. SPSS là nơi bạn làm sạch dữ liệu và có thể chạy các phân tích nền, còn sơ đồ SEM và bảng Model Fit được tạo trong AMOS. Khi viết, hãy gọi đúng công cụ để tránh nhầm giữa quy trình.

Lỗi thứ hai là lấy một ngưỡng duy nhất làm điều kiện đậu. CFI đạt 0.90 nhưng RMSEA cao vẫn cần kiểm tra. Ngược lại, Chi-square có p-value nhỏ chưa đủ để phủ định toàn bộ mô hình. Hãy báo cáo một nhóm chỉ số và giải thích bối cảnh cỡ mẫu.

Lỗi thứ ba là thêm covariance giữa các sai số chỉ vì Modification Indices đề xuất. Hai sai số có thể tương quan vì cách diễn đạt gần nhau hoặc cùng phương pháp đo, nhưng lý do đó phải phù hợp với nội dung biến quan sát và mô hình lý thuyết. Nếu thêm quá nhiều đường nối, mô hình có thể fit tốt trên chính mẫu hiện tại nhưng kém khả năng khái quát.

Lỗi thứ tư là loại biến sau nhiều lần chạy nhưng không lưu lịch sử. Bạn nên giữ output của mô hình ban đầu, ghi lý do loại biến, sau đó mới trình bày mô hình cuối. Việc này giúp bạn trả lời khi giảng viên hỏi vì sao thang đo ban đầu có số biến khác với mô hình sau cùng.

Lỗi thứ năm là bỏ qua mô hình đo lường. Nếu CFA chưa có tải nhân tố phù hợp, giá trị hội tụ và giá trị phân biệt chưa được kiểm tra, việc chạy SEM và diễn giải các đường dẫn sẽ thiếu nền tảng. AMOS có thể cho ra rất nhiều bảng, nhưng số lượng output không thay thế cho logic nghiên cứu.

Đọc thêm: cfi nhỏ hơn 0 9 phải làm sao, kiểm định trung gian bằng bootstrap trong amos, lỗi cfi nhỏ hơn 0 9 amos, mô hình không được nhận dạng phải làm sao, modification indices trong amos, chủ đề spss.

Câu hỏi thường gặp

Chi-square trên df quá lớn phải làm sao?

Bạn cần xác định “Chi-square trên df” đang chỉ CMIN/DF, đồng thời xem CFI, TLI, RMSEA và SRMR. CMIN/DF cao có thể liên quan đến mô hình sai đặc tả, số biến nhiều, cỡ mẫu hoặc phần dư lớn. Đừng thêm covariance ngẫu nhiên chỉ để kéo chỉ số xuống.

Hãy kiểm tra standardized residuals, factor loading, dữ liệu ngoại lệ và các quan hệ được mô hình lý thuyết dự đoán. Nếu chỉ số vẫn cao, bạn có thể báo cáo trung thực kết quả và nêu giới hạn, thay vì sửa mô hình không có cơ sở.

Chi-square có p-value nhỏ thì mô hình có bị loại không?

Không nên loại mô hình chỉ dựa trên p-value của Chi-square. Kiểm định này nhạy với cỡ mẫu, nên các chỉ số bổ sung giúp đánh giá mức độ phù hợp theo nhiều góc nhìn hơn. Hãy ghi rõ Chi-square, df, p-value và các chỉ số fit còn lại.

CFI và TLI khác nhau thế nào?

Cả hai đều là incremental fit indices, so sánh mô hình đề xuất với mô hình cơ sở. TLI có cơ chế điều chỉnh theo độ phức tạp mô hình nên có thể thấp hơn CFI. Hai chỉ số nên được đọc cùng RMSEA và SRMR, không cần tìm cách làm cho chúng bằng nhau.

Có được sửa mô hình theo Modification Indices không?

Có thể dùng Modification Indices để phát hiện quan hệ hoặc phần dư đáng kiểm tra, nhưng chỉ thêm đường dẫn khi có giải thích lý thuyết hoặc nội dung đo lường hợp lý. Ghi lại từng thay đổi và không sửa liên tục cho đến khi đạt ngưỡng mong muốn.

AMOS có cần báo cáo SRMR không?

Nếu output và thiết lập phân tích của bạn cung cấp SRMR, nên báo cáo cùng các chỉ số chính. Nếu phiên bản hoặc loại output không hiển thị, hãy báo cáo những chỉ số thực sự có trong file và nêu rõ cách đánh giá. Không tự điền một giá trị SRMR không có trong output.

Mở file .sav của bạn, kiểm tra lại bảng Model Fit và lập một bảng riêng gồm Chi-square, df, CMIN/DF, CFI, TLI, RMSEA và SRMR trước khi viết chương kết quả. Nếu cần chạy phân tích trên dữ liệu thật bằng SPSS, AMOS hoặc SmartPLS, bạn có thể dùng M4 phân tích của DoThesis.