GFI là gì? Cách đọc chỉ số GFI trong SEM

GFI là gì

Bạn mở bảng kết quả SEM và thấy dòng Goodness-of-Fit Index, thường viết tắt là GFI. Chỉ số này mô tả mức độ phù hợp tổng thể giữa ma trận hiệp phương sai quan sát được từ dữ liệu và ma trận được mô hình SEM ước lượng. Nói dễ hiểu, GFI trả lời câu hỏi: mô hình bạn xây dựng tái hiện dữ liệu thực tế tốt đến mức nào.

GFI thuộc nhóm model fit indices, thường xuất hiện trong quy trình covariance-based SEM, chẳng hạn AMOS. Bạn có thể xem thêm SEM là gì nếu đang phân biệt giữa mô hình đo lường, mô hình cấu trúc và các chỉ số fit. GFI không phải là Cronbach's Alpha, outer loading, AVE hay R² của một biến phụ thuộc.

Về mặt diễn giải, GFI được tính từ phần sai khác giữa ma trận hiệp phương sai quan sát và ma trận hiệp phương sai do mô hình dự đoán. Giá trị của nó thường được biểu diễn trong khoảng từ 0 đến 1, trong đó giá trị cao hơn cho thấy mức độ phù hợp tốt hơn theo logic của chỉ số. Tuy vậy, bạn không nên nhìn riêng GFI rồi kết luận mô hình đạt hay không đạt.

Điểm cần nhớ ngay từ đầu là GFI gắn với CB-SEM nhiều hơn PLS-SEM. Nếu bạn đang chạy SmartPLS, hãy đọc các nhóm chỉ số phù hợp với PLS-SEM như R², f², Q², path coefficient, CR, AVE, HTMT và VIF. Bài PLS-SEM sẽ giúp bạn tách hai hướng phân tích này trước khi đọc output.

Ý nghĩa của GFI trong nghiên cứu định lượng

GFI được dùng để đánh giá mức độ phù hợp tổng thể của mô hình, chứ không cho biết một giả thuyết riêng lẻ có được chấp nhận hay không. Ví dụ, GFI không trả lời trực tiếp việc “chất lượng dịch vụ có tác động đến sự hài lòng hay không”. Câu hỏi đó cần được xem qua hệ số đường dẫn, p-value, critical ratio hoặc khoảng tin cậy, tùy phần mềm và cách ước lượng.

Trong một nghiên cứu dùng CB-SEM, bạn thường đánh giá mô hình theo hai lớp. Lớp thứ nhất là measurement model, xem các biến quan sát có đo đúng các biến tiềm ẩn hay không. Lớp thứ hai là structural model, xem các mối quan hệ giả thuyết có phù hợp với dữ liệu hay không. GFI chủ yếu cung cấp thông tin về độ phù hợp tổng thể của mô hình đã chỉ định.

GFI có ích khi bạn muốn phát hiện một mô hình đang lệch khá xa dữ liệu. Chẳng hạn, mô hình lý thuyết đề xuất bốn biến tiềm ẩn, nhưng các hiệp phương sai giữa các biến quan sát trong dữ liệu không tương thích với cấu trúc đó. Khi ấy, nhóm chỉ số fit có thể cảnh báo rằng mô hình cần được xem xét lại.

Tuy nhiên, fit tốt không chứng minh lý thuyết đúng, cũng không biến một mô hình thiếu cơ sở lý thuyết thành mô hình tốt. Bạn vẫn phải kiểm tra nội dung thang đo, cỡ mẫu, dữ liệu thiếu, outlier, phân phối và cách chỉ định quan hệ giữa các biến. Khi trình bày SEM, quy trình đánh giá measurement model trước structural model được thảo luận trong (Anderson và Gerbing, 1988).

GFI cũng không thay thế cho các chỉ số khác. Với CB-SEM, các chỉ số như CFI, TLI, RMSEA và SRMR thường được đọc cùng nhau. Ngưỡng CFI, TLI, RMSEA và SRMR trong (Hu và Bentler, 1999) chỉ áp dụng cho CB-SEM. Bạn không nên lấy các ngưỡng fit của CB-SEM đưa nguyên vào bài phân tích SmartPLS.

GFI bao nhiêu là tốt

Cụm tìm kiếm “GFI bao nhiêu là tốt” thường xuất hiện khi bạn đã có bảng output trước mặt và cần một con số để kết luận. Vấn đề là bộ nguồn được sử dụng trong bài này không đưa ra một ngưỡng GFI riêng. Vì vậy, không nên tự gắn một con số cho GFI rồi xem đó là quy tắc bắt buộc.

Bạn có thể dùng bảng dưới đây như một checklist về vai trò của từng nhóm chỉ số. Các dòng có ngưỡng số đều ghi rõ nguồn. Riêng GFI được mô tả theo chức năng, vì bài viết không tự tạo ra ngưỡng không có trong nguồn cho phép.

Bảng trên cho thấy lý do cần xác định phần mềm và trường phái SEM trước khi tìm ngưỡng. Các chỉ số CFI, TLI, RMSEA và SRMR thuộc nhóm fit của CB-SEM. Trong SmartPLS, bạn không dùng GFI để đánh giá mô hình theo cách của AMOS. Nếu đang dùng SmartPLS, hãy chuyển sang nhóm tiêu chí PLS-SEM được nêu trong mô hình SEM và tài liệu phương pháp phù hợp.

Khi viết luận văn, bạn nên nêu rõ phần mềm, phương pháp ước lượng, nhóm chỉ số đã dùng và lý do chọn chúng. Một đoạn có thể điều chỉnh như sau: “Kết quả đánh giá độ phù hợp cho thấy mô hình [tên mô hình] được xem xét đồng thời qua [các chỉ số], phù hợp với hướng tiếp cận [CB-SEM hoặc PLS-SEM] và các tiêu chí được lựa chọn từ [nguồn].”

Cách đọc GFI trên output

Nếu bạn chạy AMOS, GFI thường nằm trong bảng Model Fit hoặc phần CMIN, RMR, GFI và Baseline Comparisons, tùy phiên bản và cách xuất output. Hãy tìm đúng nhãn Goodness-of-Fit Index, sau đó ghi lại giá trị, số quan sát, phương pháp ước lượng và các chỉ số fit đi kèm.

Còn “GFI trong SPSS” thì cần phân biệt rõ. SPSS Statistics có thể chạy hồi quy, EFA, Cronbach's Alpha và nhiều kiểm định khác, nhưng bảng output SPSS cơ bản không tự động cung cấp GFI của một mô hình SEM. Nếu bạn chỉ chạy Analyze > Regression > Linear, dòng GFI sẽ không xuất hiện. Bạn có thể dùng SPSS để làm sạch dữ liệu và chuẩn bị file, sau đó dùng AMOS cho CB-SEM. SmartPLS là một hướng khác, với bộ chỉ số và cách diễn giải khác.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng thường gặp trong báo cáo SEM để bạn nhận ra vị trí cần đọc. Giá trị chỉ nhằm minh họa cách ghi chép output, không phải ngưỡng kết luận.

Với bảng minh họa này, bạn không nên viết “GFI bằng 0.912 nên toàn bộ mô hình chắc chắn đúng”. Cách thận trọng hơn là ghi nhận GFI trong nhóm chỉ số fit, sau đó đối chiếu CFI, TLI, RMSEA, SRMR, chi-square, bậc tự do và cơ sở lý thuyết.

Nếu output của bạn chỉ có KMO and Bartlett's Test, Total Variance Explained hoặc Rotated Component Matrix, bạn đang ở bước EFA chứ chưa ở bảng kết quả SEM. Nếu output có Reliability Statistics, bạn đang kiểm tra độ tin cậy thang đo. Nếu có Coefficients, bạn đang xem hồi quy. Đọc đúng bảng trước khi tìm GFI sẽ giúp bạn tránh sửa nhầm dữ liệu.

Khi GFI không đạt thì xử lý thế nào

Trước tiên, kiểm tra bạn có thực sự chạy CB-SEM hay không. Nếu bạn dùng SmartPLS mà cố tìm GFI, vấn đề nằm ở việc chọn sai nhóm chỉ số, không phải mô hình tự nhiên bị lỗi. Hãy xác định lại mục tiêu nghiên cứu, loại mô hình và phần mềm. Trang SmartPLS có các nội dung riêng cho quy trình PLS-SEM.

Tiếp theo, kiểm tra dữ liệu đầu vào. Xem biến quan sát có bị nhập sai chiều, đặt sai kiểu dữ liệu, có giá trị thiếu hàng loạt hoặc mã hóa ngược chưa được xử lý hay không. Một biến đáng lẽ có thang Likert từ 1 đến 5 nhưng lại chứa giá trị 55 sẽ làm kết quả bị méo. Bạn cũng cần xem outlier và phân phối nếu phương pháp ước lượng yêu cầu các giả định tương ứng.

Sau đó, kiểm tra measurement model. Một biến quan sát có nội dung không phù hợp, tải lên nhân tố khác hoặc tương quan sai hướng có thể kéo fit của mô hình xuống. Tuy nhiên, loại biến chỉ vì muốn chỉ số đẹp là cách giải trình yếu. Mỗi lần loại biến cần có lý do từ nội dung thang đo, kết quả thống kê và mô hình lý thuyết.

Bước tiếp theo là xem lại cấu trúc mô hình. Bạn có thể đã đưa vào quá nhiều đường dẫn, cho phép các quan hệ không có cơ sở hoặc bỏ sót một quan hệ quan trọng theo lý thuyết. Modification indices có thể gợi ý nơi mô hình chưa phù hợp, nhưng không nên thêm covariance hoặc đường dẫn chỉ để làm đẹp output.

Cuối cùng, chạy lại mô hình sau khi ghi lại từng thay đổi. Lưu các phiên bản dữ liệu, syntax hoặc file AMOS, cùng bảng trước và sau khi điều chỉnh. Hội đồng thường hỏi “vì sao loại biến này” và “cơ sở nào để thêm đường dẫn”, chứ không chỉ hỏi con số GFI.

Nếu fit không đạt vì mô hình lý thuyết không phù hợp với dữ liệu, phần mềm không thể sửa thay bạn. Thu thập thêm dữ liệu cũng không bảo đảm GFI sẽ cải thiện. Bạn cần trao đổi với giảng viên về việc giữ mô hình ban đầu, điều chỉnh có cơ sở hay chuyển sang cách phân tích phù hợp hơn.

Phân biệt GFI với các chỉ số dễ nhầm

GFI dễ bị nhầm với các chỉ số fit khác vì chúng thường nằm gần nhau trong bảng Model Fit. CFI và TLI cũng đánh giá độ phù hợp mô hình, nhưng chúng thuộc nhóm chỉ số khác và không có ý nghĩa đồng nhất với GFI. RMSEA và SRMR tập trung vào sai số xấp xỉ hoặc phần dư, nên cũng không thể thay thế trực tiếp cho GFI.

GFI còn dễ bị nhầm với R². R² cho biết tỷ lệ biến thiên của một biến nội sinh được mô hình giải thích. GFI cho biết mức phù hợp tổng thể của mô hình theo hướng CB-SEM. Một mô hình có R² khá cao vẫn có thể cần xem xét về fit, và một mô hình có fit tốt không tự động chứng minh mọi quan hệ trong mô hình đều có ý nghĩa.

GFI cũng không phải outer loading. Outer loading là tải của một biến quan sát lên biến tiềm ẩn trong PLS-SEM. CR và AVE dùng để đánh giá độ tin cậy tổng hợp và giá trị hội tụ. HTMT dùng để xem giá trị phân biệt. Nếu bạn đang học các khái niệm này, biến tiềm ẩn là gì là điểm bắt đầu phù hợp.

Cuối cùng, đừng nhầm GFI với một chỉ số có sẵn trong mọi quy trình SPSS. SPSS, AMOS và SmartPLS có giao diện, thuật toán và nhóm output khác nhau. CB-SEM là gì sẽ giúp bạn hiểu vì sao GFI thường được nhắc trong AMOS hơn là trong SmartPLS.

Lỗi thường gặp

Lỗi đầu tiên là lấy một con số GFI từ bài mẫu rồi dùng như quy tắc tuyệt đối cho mọi đề tài. Cách làm này bỏ qua loại mô hình, phương pháp ước lượng, cỡ mẫu và bộ chỉ số đi kèm. Nếu nguồn bạn đang đọc không thuộc danh sách tài liệu được phép trích dẫn, hãy kiểm tra lại với giảng viên thay vì tự thêm một citation.

Lỗi thứ hai là dùng GFI để kết luận giả thuyết. GFI nói về mức phù hợp tổng thể. Để kết luận H1, H2 hoặc H3, bạn phải đọc path coefficient, p-value hoặc khoảng tin cậy theo output của mô hình.

Lỗi thứ ba là dùng fit index của CB-SEM cho SmartPLS. Trong PLS-SEM, bạn cần đánh giá measurement model và structural model theo nhóm tiêu chí tương ứng. Ví dụ, VIF dưới 5 được nêu trong (Hair và cộng sự, 2019), còn Q² lớn hơn 0 được dùng trong logic cross-validated relevance theo (Stone, 1974).

Lỗi thứ tư là sửa mô hình nhiều lần nhưng không lưu lịch sử. Khi bị hỏi về biến đã loại hoặc covariance đã thêm, bạn sẽ không nhớ quyết định nào đến từ dữ liệu và quyết định nào chỉ là thử ngẫu nhiên. Hãy đặt tên file theo vòng chạy, chẳng hạn model_v1, model_v2, và ghi lý do thay đổi trong một bảng riêng.

Lỗi cuối là viết “GFI đạt” nhưng không báo cáo các chỉ số liên quan. Một đoạn kết quả có giá trị cần nêu phần mềm, loại SEM, bảng output, các chỉ số được chọn, giá trị minh họa hoặc giá trị thực tế của chính dữ liệu bạn, rồi mới diễn giải thận trọng.

Câu hỏi thường gặp

GFI là gì trong SEM?

GFI là Goodness-of-Fit Index, một chỉ số mô tả mức độ phù hợp tổng thể giữa dữ liệu quan sát và mô hình được ước lượng. Chỉ số này thường được gặp trong CB-SEM, chẳng hạn AMOS, và cần được đọc cùng các chỉ số fit khác.

GFI bao nhiêu là tốt?

Không nên lấy một con số không có nguồn để kết luận GFI. Hãy kiểm tra tài liệu phương pháp mà đề tài và giảng viên chấp nhận, sau đó báo cáo GFI cùng CFI, TLI, RMSEA, SRMR và các thông tin về mô hình. Bài này không tự gán ngưỡng GFI vì danh mục nguồn được phép không cung cấp ngưỡng đó.

GFI trong SPSS nằm ở bảng nào?

SPSS Statistics cơ bản không tự động tạo GFI khi bạn chạy hồi quy, EFA hay Cronbach's Alpha. GFI thường xuất hiện trong output SEM của AMOS. Nếu bạn đang xem output SmartPLS, hãy dùng nhóm tiêu chí PLS-SEM thay vì cố tìm dòng GFI.

SmartPLS có chỉ số GFI không?

SmartPLS không được đọc theo bộ chỉ số GFI của CB-SEM. Khi chạy SmartPLS, bạn cần đánh giá outer loading, CR, AVE, HTMT, VIF, R², f², Q² và path coefficient theo thiết kế mô hình. Không đưa CFI, TLI, RMSEA hoặc GFI vào bài chỉ vì bạn thấy chúng trong một nghiên cứu dùng AMOS.

GFI không đạt thì phải làm sao?

Kiểm tra lại phần mềm, dữ liệu, biến quan sát, measurement model và cấu trúc mô hình theo thứ tự. Chỉ loại biến hoặc thêm quan hệ khi có lý do thống kê và lý thuyết rõ ràng. Lưu từng phiên bản chạy để giải trình với giảng viên, thay vì chỉnh mô hình liên tục cho đến khi có một con số đẹp.

Bạn hãy mở lại file kết quả, xác định mình đang dùng AMOS, SPSS hay SmartPLS, rồi ghi riêng các chỉ số đúng với phương pháp đã chọn trước khi sửa mô hình; nếu cần chạy và diễn giải trên chính file .sav hoặc .csv, bạn có thể xem module M4 phân tích dữ liệu.