Chỉ số phù hợp mô hình là gì và đọc thế nào
Chỉ số phù hợp mô hình là gì
Chỉ số phù hợp mô hình là nhóm chỉ số dùng để đánh giá mức độ tương thích giữa mô hình nghiên cứu bạn xây dựng và dữ liệu quan sát. Nói đơn giản, các chỉ số này trả lời câu hỏi: mô hình có mô tả dữ liệu đủ hợp lý để tiếp tục diễn giải các mối quan hệ hay không.
Khi mở output, bạn có thể gặp các tên như Chi-square, CMIN/DF, CFI, TLI, RMSEA, SRMR, NFI hoặc GoF. Tuy nhiên, không phải chỉ số nào cũng thuộc cùng một trường phái SEM. CFI, TLI, RMSEA và Chi-square thường xuất hiện trong CB-SEM, chẳng hạn AMOS. Với PLS-SEM trên SmartPLS, bạn tập trung vào các chỉ số của measurement model và structural model như outer loading, Cronbach's Alpha, CR, AVE, HTMT, VIF, R², f², Q² và path coefficient.
Bạn có thể xem phần nền tảng tại bài SEM là gì, sau đó đối chiếu với bài PLS-SEM nếu đang chạy SmartPLS. Điểm quan trọng là xác định đúng loại mô hình trước khi tìm một con số “đạt”.
Trong CB-SEM, Chi-square đo chênh lệch giữa ma trận hiệp phương sai quan sát và ma trận do mô hình ước lượng. Một dạng thường được báo cáo là Chi-square chia cho bậc tự do, viết là χ²/df hoặc CMIN/DF. Công thức khái quát là:
χ²/df = Chi-square / degrees of freedom
Chỉ số này không phải toàn bộ kết luận về mô hình. Nó chỉ là một phần trong bộ chỉ số phù hợp. Trong PLS-SEM, mục tiêu chính là tối đa hóa khả năng giải thích và dự báo phương sai của biến nội sinh, vì vậy cách đánh giá khác với CB-SEM.
Ý nghĩa của chỉ số phù hợp mô hình trong nghiên cứu định lượng
Trước hết, chỉ số phù hợp giúp bạn kiểm tra mô hình lý thuyết có đang lệch quá xa dữ liệu hay không. Nếu mô hình không phù hợp, việc diễn giải hệ số đường dẫn và kết luận giả thuyết có thể thiếu cơ sở. Tuy vậy, một chỉ số đơn lẻ không đủ để chứng minh mô hình tốt.
Trong CB-SEM, bạn thường xem đồng thời Chi-square, χ²/df, CFI, TLI, RMSEA và SRMR. Chi-square nhạy với cỡ mẫu, nên mẫu lớn có thể khiến kiểm định trở nên có ý nghĩa thống kê dù mức chênh lệch thực tế không lớn. Vì vậy, cần đọc nó cùng các chỉ số khác và phần lý thuyết của mô hình. Các ngưỡng CFI, TLI, RMSEA và SRMR thuộc CB-SEM được trình bày trong (Hu và Bentler, 1999).
Trong PLS-SEM, câu hỏi chính chuyển sang khả năng giải thích và dự báo. Bạn cần xem R² của biến nội sinh, f² của từng tác động, Q², VIF, hệ số đường dẫn và khoảng tin cậy từ bootstrapping. (Hair và cộng sự, 2011) nêu các mức tham khảo của R² là 0.75, 0.50 và 0.25. (Hair và cộng sự, 2022) mô tả quy trình PLS-SEM hiện hành và việc đánh giá lần lượt measurement model rồi structural model.
Điều này giải thích vì sao tìm “chỉ số phù hợp mô hình trong SPSS” nhưng lại đọc output SmartPLS có thể gây nhầm. SPSS là phần mềm, còn loại chỉ số phụ thuộc vào thủ tục bạn chạy. SPSS có thể dùng cho hồi quy, EFA, CFA qua phần mềm phù hợp hoặc PROCESS. SmartPLS dùng PLS-SEM. AMOS thường dùng CB-SEM.
Nếu đề tài của bạn có biến tiềm ẩn và mô hình cấu trúc, hãy xem thêm bài mô hình SEM và biến tiềm ẩn là gì trước khi chọn bộ chỉ số báo cáo.
Chỉ số phù hợp mô hình bao nhiêu là đạt
Câu hỏi “chỉ số phù hợp mô hình bao nhiêu là tốt” chỉ có ý nghĩa sau khi bạn biết mình đang dùng CB-SEM hay PLS-SEM. Bảng dưới đây tách hai nhóm để tránh lấy ngưỡng của AMOS áp vào SmartPLS.
| Chỉ số hoặc tiêu chí | Ngưỡng tham khảo | Phạm vi sử dụng và nguồn |
|---|---|---|
| Chi-square và p-value | Đọc cùng các chỉ số khác | CB-SEM, (Hu và Bentler, 1999) |
| χ²/df hoặc CMIN/DF | Cần xem cùng bộ chỉ số phù hợp | CB-SEM, không dùng như tiêu chí duy nhất |
| CFI | Từ 0.90 trở lên | CB-SEM, (Hu và Bentler, 1999) |
| TLI | Từ 0.90 trở lên | CB-SEM, (Hu và Bentler, 1999) |
| RMSEA | Không quá 0.08 | CB-SEM, (Hu và Bentler, 1999) |
| SRMR | Không quá 0.08 | CB-SEM, (Hu và Bentler, 1999) |
| Outer loading | Từ 0.70 trở lên | PLS-SEM, (Chin, 1998) hoặc (Hair và cộng sự, 2022) |
| CR | Từ 0.70 trở lên | PLS-SEM, (Fornell và Larcker, 1981) |
| AVE | Từ 0.50 trở lên | PLS-SEM, (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | PLS-SEM, (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | PLS-SEM, (Hair và cộng sự, 2019) |
| R² | 0.75 đáng kể, 0.50 trung bình, 0.25 yếu | PLS-SEM, (Hair và cộng sự, 2011) |
| Q² | Lớn hơn 0 | PLS-SEM, (Stone, 1974) hoặc (Hair và cộng sự, 2022) |
Bảng này không có nghĩa mô hình phải đạt mọi con số ở mức cao nhất. Chẳng hạn, R² phụ thuộc vào lĩnh vực, biến phụ thuộc và mục tiêu dự báo. Tương tự, outer loading thấp hơn 0.70 không tự động buộc bạn xóa biến. Bạn còn phải xem CR, AVE, nội dung của biến quan sát và tác động của việc loại biến.
Nếu đang dùng AMOS hoặc một quy trình CB-SEM, bạn có thể đọc thêm bài CB-SEM là gì. Các chỉ số CFI, TLI, RMSEA và SRMR ở trên không nên được đưa vào phần đánh giá một mô hình SmartPLS chỉ để làm bảng kết quả dài hơn.
Với câu hỏi “chi square trên bậc tự do bao nhiêu là tốt”, tài liệu và giảng viên có thể dùng các mốc khác nhau tùy bối cảnh. Vì danh sách nguồn hiện có không quy định một mốc duy nhất cho χ²/df, bạn nên báo cáo giá trị thực tế, bậc tự do, các chỉ số đi kèm và nguồn tiêu chí mà trường hoặc người hướng dẫn yêu cầu. Đừng tự gắn nhãn “đạt” chỉ dựa trên một mốc không có nguồn.
Cách đọc chỉ số phù hợp mô hình trên output
Hãy xác định phần mềm và bảng output trước. Nếu bạn đang đọc AMOS hoặc một output CB-SEM, tìm Model Fit hoặc CMIN. Nếu đang đọc SmartPLS 4, mở phần Quality Criteria, rồi xem các nhóm Construct Reliability and Validity, Discriminant Validity, Collinearity Statistics, R Square, f Square và Model Fit nếu phiên bản hoặc thiết lập của bạn cung cấp nhóm này.
Số liệu minh họa: output CB-SEM
Bảng sau là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng thường gặp trên output AMOS hoặc SPSS/AMOS để bạn biết vị trí cần đọc.
| Model Fit / CMIN | Chi-square | df | p-value | CMIN/DF | CFI | RMSEA | SRMR |
|---|---|---|---|---|---|---|---|
| Default model | 214.680 | 164 | 0.006 | 1.309 | 0.956 | 0.039 | 0.047 |
| Saturated model | 0.000 | 0 | 1.000 | 0.000 | 0.000 | ||
| Independence model | 1,286.430 | 190 | 6.770 | 0.000 | 0.192 | 0.241 |
Ở dòng Default model, CMIN/DF được tính bằng 214.680 chia cho 164, xấp xỉ 1.309. p-value của Chi-square là 0.006, nhưng không nên kết luận ngay rằng mô hình hỏng. Bạn cần đọc CFI, RMSEA và SRMR trong cùng bộ. Các số ở đây chỉ minh họa cách đọc, không phải cam kết rằng mô hình của bạn sẽ có kết quả tương tự.
Số liệu minh họa: output SmartPLS
Bảng dưới đây cũng là số liệu minh họa. SmartPLS thường không trình bày χ²/df theo cách bạn thấy trong CB-SEM. Bạn đọc nhóm chỉ số phù hợp với PLS-SEM và báo cáo đúng tên cột.
| Construct | R Square | f Square | Q Square | VIF | Path Coefficient | p-values |
|---|---|---|---|---|---|---|
| Ý định sử dụng | 0.512 | 0.184 | 0.296 | 1.842 | 0.438 | 0.001 |
| Sự hữu ích cảm nhận | 0.347 | 0.092 | 0.211 | 2.116 | 0.276 | 0.018 |
| Ảnh hưởng xã hội | 0.021 | 1.734 | 0.097 | 0.164 |
Trong ví dụ này, R Square của Ý định sử dụng là 0.512. Theo các mức tham khảo của (Hair và cộng sự, 2011), bạn có thể mô tả mức giải thích ở khoảng trung bình, nhưng vẫn phải đặt trong bối cảnh đề tài. Q Square lớn hơn 0 là dấu hiệu mô hình có liên quan dự báo theo tiêu chí của (Stone, 1974). Path coefficient 0.097 với p-values 0.164 chưa đủ để kết luận tác động có ý nghĩa ở mức 5 phần trăm nếu bạn đang dùng quy tắc p-value dưới 0.05.
Khi chạy Bootstrapping, nên kiểm tra số lần mẫu lặp mà đề tài yêu cầu. (Hair và cộng sự, 2022) đưa ra quy trình với 5.000 bootstrap subsamples. Bạn cần ghi lại lựa chọn này trong phương pháp để người đọc biết hệ số và khoảng tin cậy được tạo ra như thế nào.
Khi chỉ số phù hợp mô hình không đạt thì xử lý thế nào
Bước đầu tiên là kiểm tra bạn có dùng đúng bộ tiêu chí hay không. Một lỗi thường gặp là lấy CFI, TLI và RMSEA của CB-SEM để đánh giá SmartPLS. Lỗi thứ hai là nhìn thấy một chỉ số chưa đẹp rồi xóa biến ngay mà không xem nội dung thang đo.
Kiểm tra lại dữ liệu và cấu trúc mô hình
Mở lại file .sav hoặc .csv, kiểm tra biến bị thiếu, mã hóa ngược, tên biến và kiểu dữ liệu. Trong SmartPLS, một cột dữ liệu bị đọc thành text hoặc chứa ký hiệu lạ có thể làm sai quá trình ước lượng. Kiểm tra cả mối quan hệ trong mô hình, vì nối nhầm mũi tên hoặc đặt sai biến nội sinh sẽ thay đổi R² và path coefficient.
Xem measurement model trước
Kiểm tra outer loading, Cronbach's Alpha, CR, AVE và HTMT. Alpha từ 0.70 trở lên thường được xem là chấp nhận được theo (Nunnally, 1978), còn corrected item-total correlation từ 0.30 trở lên có thể tham khảo (Nunnally và Bernstein, 1994). Với thang đo khám phá, (Hair và cộng sự, 2010) cho phép xem xét Alpha từ 0.60, nhưng bạn cần giải thích bối cảnh và không xóa biến chỉ để làm đẹp bảng.
Nếu một outer loading thấp, xem biến đó có bị nhập sai hoặc mã hóa ngược hay không. Nếu việc loại biến làm CR hoặc AVE tốt hơn nhưng khiến khái niệm bị mất nội dung quan trọng, hãy trao đổi với giảng viên trước. Một quyết định có lý do phương pháp sẽ dễ bảo vệ hơn việc xóa liên tục đến khi mọi con số đều vượt ngưỡng.
Kiểm tra structural model và chạy lại có kiểm soát
Sau khi measurement model ổn, kiểm tra VIF, R², f², Q² và kết quả Bootstrapping. VIF dưới 5 là mốc tham khảo trong (Hair và cộng sự, 2019). Ghi lại mỗi vòng chỉnh sửa: biến nào bị loại, lý do, chỉ số trước và sau. Không thay đổi mô hình chỉ vì một giả thuyết không có ý nghĩa thống kê.
Nếu mô hình CB-SEM có fit chưa phù hợp, modification indices có thể gợi ý các quan hệ sai số hoặc đường dẫn. Nhưng thêm đường dẫn chỉ vì phần mềm đề xuất là rủi ro. Mọi điều chỉnh cần có lý do từ mô hình lý thuyết và phải được báo cáo minh bạch. Nếu dữ liệu hoặc mô hình ban đầu không đủ, phần mềm không thể biến một thiết kế yếu thành kết quả đáng tin cậy.
Phân biệt chỉ số phù hợp mô hình với chỉ số dễ nhầm
“Chi square trên bậc tự do là gì” thường bị trộn với Chi-square của kiểm định. Chi-square là một thống kê riêng, còn χ²/df là Chi-square chia cho degrees of freedom. CMIN/DF trong nhiều output là cách ghi tương đương về mặt diễn giải với χ²/df. Bạn cần nhìn tên bảng và phần mềm để biết cột nào đang được báo cáo.
Chi-square và p-value cũng không phải cùng một thứ. Chi-square là giá trị thống kê, còn p-value hỗ trợ quyết định về giả thuyết kiểm định. Một p-value nhỏ không tự động cho biết mô hình có giá trị ứng dụng kém, nhất là khi cỡ mẫu lớn và bạn đang xem CB-SEM.
CFI và TLI là chỉ số so sánh mô hình đề xuất với mô hình độc lập trong CB-SEM. RMSEA phản ánh mức sai số xấp xỉ, còn SRMR phản ánh phần dư chuẩn hóa. Các chỉ số này không thay thế cho R², f² hoặc Q² trong PLS-SEM.
R² cũng dễ bị gọi nhầm là “độ phù hợp mô hình”. R² cho biết tỷ lệ phương sai của một biến nội sinh được giải thích bởi các biến dự báo trong mô hình, theo cách diễn giải của PLS-SEM. Nó không phải bằng chứng rằng toàn bộ mô hình có fit tốt theo CB-SEM. Tương tự, AVE đánh giá giá trị hội tụ của một construct, không phải chỉ số phù hợp toàn mô hình.
Lỗi thường gặp
Lấy một ngưỡng làm kết luận cuối cùng
Bạn thấy CMIN/DF dưới một mốc rồi ghi “mô hình phù hợp hoàn toàn”. Cách viết này quá mạnh nếu chưa xem CFI, TLI, RMSEA, SRMR và lý thuyết. Hãy mô tả từng chỉ số, nêu nguồn, rồi đưa ra nhận định có điều kiện.
Trộn CB-SEM và PLS-SEM
Đây là lỗi dễ bị hỏi trong buổi bảo vệ. Nếu bạn chạy SmartPLS, không đưa CFI, TLI và RMSEA vào bảng chỉ vì đã thấy chúng trên một bài dùng AMOS. Nếu bạn chạy CB-SEM, đừng dùng R² như chỉ số duy nhất để kết luận model fit.
Dùng số liệu minh họa như kết quả thật
Một bảng ví dụ chỉ dùng để học cách đọc output. Khi viết luận văn, bạn phải thay bằng số liệu từ file của mình, ghi rõ cỡ mẫu, phương pháp ước lượng, thiết lập bootstrapping và tiêu chí đã chọn.
Xóa biến liên tục để đạt ngưỡng
Việc loại biến cần dựa trên thống kê, nội dung thang đo và mô hình lý thuyết. Xóa nhiều biến có thể làm construct mất ý nghĩa hoặc khiến mô hình không còn giống thiết kế ban đầu. Hãy lưu từng phiên bản file và ghi nhật ký phân tích.
Cách viết vào luận văn
Bạn có thể điều chỉnh đoạn sau theo output thật: “Kết quả đánh giá [CB-SEM/PLS-SEM] cho thấy [tên chỉ số] đạt [giá trị], so với ngưỡng tham khảo [ngưỡng] theo [nguồn]. Các chỉ số [liệt kê] lần lượt là [giá trị], do đó mô hình được xem là [phù hợp ở mức nào] trong phạm vi nghiên cứu này.”
Câu hỏi thường gặp
Chỉ số phù hợp mô hình trong SPSS là gì?
SPSS không có một bảng duy nhất tên là “chỉ số phù hợp mô hình”. Chỉ số bạn thấy phụ thuộc vào thủ tục, chẳng hạn hồi quy, EFA hoặc quy trình kết hợp với AMOS. Với SEM, hãy xác định bạn đang chạy CB-SEM hay PLS-SEM trước khi chọn tiêu chí.
Chi square trên bậc tự do bao nhiêu là tốt?
Không nên trả lời bằng một mốc duy nhất nếu chưa biết nguồn và loại CB-SEM đang dùng. χ²/df cần được đọc cùng CFI, TLI, RMSEA, SRMR, bậc tự do, cỡ mẫu và lý thuyết mô hình. Nếu trường có quy định riêng, dùng đúng tài liệu mà giảng viên yêu cầu và trích dẫn nhất quán.
SmartPLS có dùng Chi-square trên bậc tự do không?
PLS-SEM không được đánh giá theo cùng cách với CB-SEM. Khi chạy SmartPLS, bạn nên tập trung vào outer loading, CR, AVE, HTMT, VIF, R², f², Q², path coefficient và bootstrapping. Không lấy bảng tiêu chí của AMOS áp nguyên vào SmartPLS.
Chỉ số phù hợp mô hình không đạt thì có phải thu thêm dữ liệu không?
Chưa thể kết luận ngay. Trước tiên kiểm tra nhập liệu, missing values, mã hóa ngược, cấu trúc mô hình và lựa chọn tiêu chí. Thu thêm dữ liệu chỉ hợp lý khi thiết kế mẫu ban đầu chưa đủ hoặc dữ liệu hiện có không đáp ứng kế hoạch nghiên cứu, không phải như một cách tự động sửa mọi chỉ số.
Có nên xóa biến để chỉ số phù hợp mô hình đẹp hơn không?
Chỉ xóa khi có lý do phương pháp rõ ràng, xem xét đồng thời chỉ số thống kê và nội dung khái niệm. Ghi lại biến bị loại, lý do, kết quả trước và sau. Nếu việc xóa làm thay đổi đáng kể thang đo hoặc giả thuyết, cần trao đổi với giảng viên hướng dẫn trước khi chốt mô hình.
Mở file của bạn ngay bây giờ, ghi rõ đang dùng SPSS, AMOS hay SmartPLS, sau đó lập một bảng gồm tên chỉ số, giá trị thực tế, ngưỡng có nguồn và quyết định báo cáo; nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể xem M4 phân tích dữ liệu.