Lỗi CFI nhỏ hơn 0.9 trong AMOS: cách xử lý đúng

Hiện tượng bạn đang gặp

Bạn chạy mô hình CFA hoặc SEM trong AMOS, mở bảng Model Fit và thấy CFI nhỏ hơn 0.9. Có thể kết quả hiển thị CFI = 0.782, RMSEA = 0.115, CMIN/DF = 4.860, trong khi giảng viên yêu cầu mô hình phải đạt mức phù hợp.

Trước hết, hãy lưu file .amw, file dữ liệu và bảng output hiện tại. Đừng vội xóa biến hoặc kéo mũi tên theo mọi gợi ý trong Modification Indices. CFI thấp là tín hiệu mô hình đang mô tả dữ liệu chưa tốt, nhưng bản thân con số này chưa cho biết phải bỏ biến nào.

CFI là chỉ số so sánh mức phù hợp của mô hình bạn với một mô hình độc lập, trong đó các biến quan sát không liên hệ với nhau. CFI càng gần 1 thì mức cải thiện của mô hình đề xuất so với mô hình độc lập càng rõ. Khi CFI nhỏ hơn 0.9, bạn cần đọc đồng thời các chỉ số khác, đặc biệt là CMIN/DF, RMSEA, SRMR, TLI, tải nhân tố và phần dư chuẩn hóa.

Nếu đang tìm cách đọc toàn bộ nhóm chỉ số này, bạn có thể xem chỉ số độ phù hợp mô hình trong AMOS. Bài hiện tại tập trung vào tình huống bạn đã có output và cần quyết định bước sửa tiếp theo.

Nguyên nhân thường gặp

Không có một nguyên nhân duy nhất cho lỗi CFI nhỏ hơn 0.9 AMOS. Mô hình có thể sai về lý thuyết, thang đo có biến quan sát yếu, dữ liệu không phù hợp với giả định phân phối, hoặc bạn đang yêu cầu một mô hình quá phức tạp so với cỡ mẫu.

Với lỗi mô hình không được nhận dạng AMOS, CFI chưa phải vấn đề cần sửa đầu tiên. Bạn cần làm cho mô hình được nhận dạng rồi mới đánh giá độ phù hợp. Hướng dẫn mô hình không được nhận dạng phải làm sao có thể dùng cho bước kiểm tra đó.

Một nguyên nhân khác là bạn đưa thẳng mô hình cấu trúc vào AMOS khi mô hình đo lường chưa đạt. Quy trình hợp lý là kiểm tra CFA cho các construct, xem độ tin cậy và giá trị hội tụ, sau đó mới thêm các đường hồi quy giữa biến tiềm ẩn. Cách làm hai bước này phù hợp với thực hành SEM được mô tả trong (Anderson và Gerbing, 1988).

Cách xử lý theo thứ tự ưu tiên

Hãy sửa từ lỗi có căn cứ rõ nhất đến thay đổi mang tính mô hình. Mỗi lần chỉ thực hiện một nhóm thay đổi, lưu lại chỉ số trước và sau khi sửa. Việc này giúp bạn giải thích được vì sao mô hình cuối cùng khác mô hình ban đầu.

Kiểm tra dữ liệu và cách khai báo biến

Mở dữ liệu trong SPSS trước khi sửa AMOS. Kiểm tra missing values, mã hóa biến đảo chiều, giá trị ngoài thang đo và các dòng trả lời bất thường. Một biến Likert được nhập từ 1 đến 5 nhưng có vài giá trị 55 hoặc 99 sẽ làm ma trận hiệp phương sai sai lệch rõ rệt.

Kiểm tra lại kiểu dữ liệu trong file .sav. Các biến quan sát phải là biến số, tên biến trong AMOS phải trùng với tên cột dữ liệu và không nên có khoảng trắng hoặc ký tự đặc biệt. Nếu bạn dùng dữ liệu tổng hợp theo construct thay vì dữ liệu từng biến quan sát, CFA trong AMOS sẽ không còn phản ánh đúng mô hình đo lường ban đầu.

Bạn có thể xem thêm chủ đề SPSS để rà lại phần làm sạch dữ liệu và các bước kiểm tra trước khi nhập sang AMOS.

Kiểm tra tải nhân tố và biến quan sát yếu

Trong output, mở Standardized Regression Weights. Tải nhân tố thấp cho thấy biến quan sát liên hệ yếu với construct. Mức 0.5 thường được dùng làm mốc tham khảo cho factor loading trong nghiên cứu khám phá (Hair và cộng sự, 2010), nhưng bạn không nên xóa biến chỉ vì một con số.

Đọc cả nội dung biến quan sát. Nếu hai biến có câu chữ gần như trùng nhau, chúng có thể tạo tương quan sai số. Nếu một biến đo một khía cạnh khác với các biến còn lại, việc xóa biến có thể hợp lý hơn việc thêm covariance. Sau khi bỏ một biến, chạy lại CFA và ghi rõ mã biến, loading trước khi xóa, lý do xóa và chỉ số sau khi chạy lại.

Không nên xóa liên tiếp nhiều biến để đẩy CFI lên. Khi còn quá ít biến quan sát cho một construct, giá trị nội dung của thang đo có thể suy giảm, dù output trông đẹp hơn.

Kiểm tra mô hình đo lường trước mô hình cấu trúc

Tạm thời bỏ các đường hồi quy giữa những biến tiềm ẩn và chạy CFA. Xem Model Fit, Standardized Regression Weights, Squared Multiple Correlations và phần dư. Nếu CFA đã có CFI thấp, việc thêm các giả thuyết H1, H2, H3 sẽ khiến bạn khó biết vấn đề nằm ở thang đo hay quan hệ cấu trúc.

Bạn cũng cần kiểm tra độ tin cậy và giá trị hội tụ bằng các chỉ số phù hợp. CR từ 0.7 và AVE từ 0.5 thường được dùng làm mốc tham khảo (Fornell và Larcker, 1981). Đây là thông tin bổ sung cho quyết định sửa mô hình, không phải lý do tự động để bỏ biến.

Đọc Modification Indices có chọn lọc

Modification Indices ước lượng mức giảm Chi-square nếu bạn thêm một tham số đang bị cố định. AMOS có thể đề xuất nối covariance giữa hai sai số, thêm đường dẫn giữa các construct hoặc thay đổi cách khai báo. Gợi ý có MI cao chỉ nói rằng dữ liệu đang muốn một quan hệ khác với mô hình hiện tại.

Chỉ thêm covariance giữa sai số khi hai biến quan sát có lý do đo lường rõ ràng, chẳng hạn cùng cách diễn đạt, cùng bối cảnh hoặc có phần nội dung chồng lấn. Không thêm hàng loạt covariance giữa các sai số chỉ vì MI cao. Bạn có thể đọc hướng dẫn riêng về Modification Indices trong AMOS trước khi quyết định.

Xem các chỉ số thay thế cùng lúc

Một mô hình có CFI dưới 0.9 nhưng RMSEA, SRMR và TLI ở mức chấp nhận được cần được xem xét khác với mô hình có tất cả chỉ số đều xấu. Các ngưỡng CFI và TLI từ 0.90, RMSEA và SRMR không quá 0.08 thường được trích cho CB-SEM từ (Hu và Bentler, 1999). Đây là mốc tham khảo để báo cáo, không phải giấy phép sửa mô hình vô hạn.

CMIN/DF quá lớn thường đi kèm với lỗi Chi-square trên df quá lớn AMOS. Chi-square nhạy với cỡ mẫu, nhưng điều đó không biến một mô hình sai thành mô hình đạt. Bạn cần xem phần dư, tải nhân tố, lý thuyết và tính hợp lý của từng đường dẫn.

Kiểm tra lỗi Heywood và vòng lặp

Nếu output có phương sai sai số âm, loading chuẩn hóa lớn hơn 1 hoặc sai số chuẩn bất thường, bạn có thể gặp lỗi phương sai âm Heywood AMOS. Kiểm tra biến nào có variance âm trong bảng Variances, sau đó xem construct đó có quá ít biến quan sát, các biến quá tương quan hoặc mô hình bị định dạng sai không.

Khi AMOS báo lỗi vượt giới hạn vòng lặp AMOS, hãy kiểm tra đường dẫn vòng, mô hình có quan hệ đệ quy hay không, giá trị khởi tạo và biến có phương sai gần bằng 0. Đừng tăng số vòng lặp trước khi hiểu nguyên nhân. Tăng giới hạn chỉ làm phần mềm chạy lâu hơn nếu mô hình vẫn không ổn định.

Chạy lại và lập bảng theo dõi thay đổi

Sau mỗi vòng, lưu một bản riêng như CFA_v1.amw, CFA_v2_bo_X3.amw. Bảng theo dõi dưới đây giúp bạn không nhầm giữa các phiên bản.

Bảng trên là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Khi viết bài, bạn thay bằng con số trong bảng Model Fit của chính file AMOS. Nếu một thay đổi làm CFI tăng nhưng khiến loading, AVE hoặc ý nghĩa lý thuyết xấu đi, hãy cân nhắc quay lại phiên bản trước.

Khi nào phải quay lại thu thêm dữ liệu

Phần mềm không thể sửa một mẫu dữ liệu thiếu đại diện. Bạn nên trao đổi về việc thu thêm dữ liệu khi cỡ mẫu quá nhỏ so với số tham số, nhiều nhóm trả lời không đúng đối tượng, missing values tập trung ở một số biến, hoặc dữ liệu có nhiều dòng trả lời theo một mẫu lặp lại.

Cỡ mẫu không có một con số chung cho mọi mô hình. Với phân tích nhân tố, bạn có thể đối chiếu tỷ lệ quan sát trên biến quan sát theo (Hair và cộng sự, 2010) và xem xét mức độ phức tạp của mô hình. Với hồi quy, quy tắc n từ 50 + 8m được nêu trong (Tabachnick và Fidell, 2013), nhưng SEM còn phụ thuộc số construct, số chỉ báo, phân phối dữ liệu và số tham số cần ước lượng.

Thu thêm dữ liệu không bảo đảm CFI sẽ vượt 0.9. Nó chỉ có ý nghĩa khi mẫu hiện tại thực sự chưa đủ hoặc có vấn đề thu thập được xác định. Nếu cùng một thang đo sai nội dung, thêm 200 dòng trả lời không giải quyết được lỗi đo lường.

Cách giải trình với giảng viên hướng dẫn

Bạn nên mang cả mô hình ban đầu, các phiên bản đã chạy, bảng thay đổi và lý do lý thuyết. Đừng chỉ gửi ảnh chụp phiên bản cuối có CFI cao hơn. Giảng viên thường hỏi vì sao bỏ biến, vì sao nối hai sai số và thay đổi đó có làm mất ý nghĩa thang đo hay không.

Cách viết vào luận văn: “Kết quả CFA ban đầu cho thấy mô hình có CFI = [CFI_1], RMSEA = [RMSEA_1] và CMIN/DF = [CMINDF_1]. Sau khi xem xét loading của biến [MÃ BIẾN] và cơ sở nội dung của covariance giữa [SAI SỐ 1] và [SAI SỐ 2], nghiên cứu điều chỉnh mô hình. Kết quả sau điều chỉnh đạt CFI = [CFI_2], RMSEA = [RMSEA_2] và CMIN/DF = [CMINDF_2].”

Đoạn này cần thay bằng số liệu thật và mô tả đúng việc bạn đã làm. Nếu CFI vẫn thấp nhưng mô hình có lý thuyết rõ, hãy báo cáo hạn chế thay vì tạo một mô hình chỉ tối ưu theo output.

Cách phòng từ bước thiết kế

Ngay từ lúc xây dựng bảng hỏi, bạn cần dùng biến quan sát có nguồn, câu chữ rõ và cùng hướng đo lường trong một construct. Tránh gộp các khái niệm gần nhau vào một latent variable chỉ vì muốn mô hình ngắn. Mỗi giả thuyết cần có lý do lý thuyết và cách đo tương ứng.

Trước khi thu chính thức, kiểm tra tên biến, mã hóa thang Likert, biến đảo chiều và quy tắc xử lý missing. Giữ lại bảng hỏi, codebook và phiên bản dữ liệu gốc. Khi đưa dữ liệu vào AMOS, chạy CFA riêng trước SEM và khóa quy trình phân tích trước khi nhìn Modification Indices.

Nếu đề tài có mediator, hãy xác định trước mô hình trung gian và cách kiểm định. Việc kiểm định hiệu ứng gián tiếp bằng bootstrap trong AMOS có thể tham khảo kiểm định trung gian bằng bootstrap trong AMOS, nhưng bạn vẫn cần hoàn tất phần đo lường trước khi diễn giải quan hệ trung gian.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là xem CFI dưới 0.9 như một nút cần bật tắt bằng cách xóa biến. CFI là chỉ số của toàn bộ mô hình, nên mọi thay đổi phải được kiểm tra cùng loading, sai số, lý thuyết và các chỉ số phù hợp khác.

Lỗi thứ hai là thêm tất cả covariance có MI cao. Cách này có thể làm output đẹp hơn nhưng khiến mô hình phụ thuộc quá nhiều vào chính mẫu hiện tại. Khi bảo vệ, bạn sẽ khó giải thích nếu hai sai số không có điểm chung về nội dung.

Lỗi thứ ba là trộn tiêu chí của PLS-SEM vào AMOS. AMOS thường được dùng cho CB-SEM, vì vậy không nên lấy R² hoặc outer loading của SmartPLS để thay thế toàn bộ đánh giá model fit của AMOS.

Lỗi thứ tư là bỏ qua lỗi phân phối, outlier và mã hóa. Nếu dữ liệu đầu vào sai, chạy lại cùng một mô hình nhiều lần không tạo ra bằng chứng mới. Cuối cùng, đừng báo cáo số liệu minh họa như kết quả nghiên cứu của bạn.

Câu hỏi thường gặp

CFI nhỏ hơn 0.9 trong AMOS có bắt buộc phải sửa không?

CFI dưới 0.9 là dấu hiệu cần kiểm tra, nhưng quyết định sửa phải dựa trên toàn bộ output và cơ sở lý thuyết. Hãy xem thêm TLI, RMSEA, SRMR, CMIN/DF, loading và phần dư trước khi kết luận mô hình không đạt.

Lỗi RMSEA lớn hơn 0.08 AMOS có liên quan đến CFI thấp không?

Có thể có liên quan vì cả hai đều phản ánh độ phù hợp tổng thể, nhưng chúng đo các khía cạnh khác nhau. Nếu CFI thấp và RMSEA cùng cao, khả năng mô hình đang bỏ sót quan hệ hoặc có vấn đề ở thang đo sẽ đáng chú ý hơn.

Có nên xóa biến để CFI vượt 0.9 không?

Chỉ xóa khi biến có loading thấp, nội dung không phù hợp, sai mã hóa hoặc có lý do phương pháp rõ ràng. Bạn cần ghi lại từng vòng chạy và giải thích việc xóa biến trong luận văn, thay vì chọn biến dựa duy nhất vào CFI.

CMIN/DF quá lớn trong AMOS xử lý thế nào?

Kiểm tra dữ liệu, outlier, loading, phần dư và mức độ phức tạp của mô hình. Chi-square và CMIN/DF có thể nhạy với cỡ mẫu, nhưng không nên dùng lý do đó để bỏ qua một mô hình có nhiều dấu hiệu không phù hợp.

Phương sai âm Heywood trong AMOS có phải do cỡ mẫu nhỏ không?

Cỡ mẫu có thể góp phần làm ước lượng không ổn định, nhưng Heywood case còn có thể xuất phát từ biến quan sát quá tương quan, construct có quá ít chỉ báo hoặc mô hình khai báo sai. Hãy kiểm tra bảng Variances và cấu trúc mô hình trước khi thu thêm dữ liệu.

Tôi có nên chuyển từ AMOS sang SmartPLS để tránh CFI thấp không?

Chuyển phần mềm không tự sửa được thang đo hoặc dữ liệu. AMOS và SmartPLS dựa trên các cách ước lượng khác nhau, nên bạn chỉ nên chọn công cụ theo mục tiêu nghiên cứu, loại mô hình và lập luận phương pháp đã nêu trong đề cương.

Mở file .amw của bạn, ghi lại CFI, TLI, RMSEA, CMIN/DF, loading và các cảnh báo ở phiên bản hiện tại, sau đó kiểm tra dữ liệu trước khi sửa một đường dẫn. Nếu cần chạy lại CFA hoặc SEM trên chính file .sav, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.