Mô hình không được nhận dạng phải làm sao trong AMOS

Hiện tượng bạn đang gặp

Bạn mở AMOS, vẽ xong mô hình SEM rồi bấm Calculate Estimates. Phần mềm báo The model is unidentified, Model is not identified hoặc không tạo được các bảng Regression Weights, Standardized Regression Weights và Model Fit. Một số trường hợp AMOS vẫn chạy nhưng xuất hiện cảnh báo về bậc tự do, ma trận hiệp phương sai hoặc ước lượng không xác định.

Lỗi này có nghĩa là mô hình hiện tại chưa có đủ thông tin từ dữ liệu để ước lượng toàn bộ tham số bạn đã vẽ. Bạn chưa nên vội thêm mũi tên hoặc xóa biến theo cảm tính. Trước hết cần biết mô hình đang thiếu điều kiện nhận dạng ở phần đo lường, phần cấu trúc hay ở chính dữ liệu đầu vào.

Nếu bạn đang làm với mô hình cấu trúc tuyến tính SEM trong AMOS, hãy phân biệt hai tình huống. Mô hình không được nhận dạng là vấn đề về khả năng ước lượng tham số. Còn CFI, TLI hoặc RMSEA thấp là vấn đề về mức độ phù hợp sau khi mô hình đã được ước lượng. Hai lỗi này có thể xuất hiện cùng lúc nhưng cách sửa khác nhau. Bạn có thể xem thêm bài chỉ số độ phù hợp mô hình trong AMOS khi AMOS đã chạy ra bảng Model Fit.

Nguyên nhân thường gặp

Trong SEM, số bậc tự do có thể hình dung là số thông tin độc lập trong ma trận hiệp phương sai quan sát trừ đi số tham số cần ước lượng. Một mô hình có thể được nhận dạng khi dữ liệu cung cấp đủ thông tin để tìm ra nghiệm duy nhất cho các tham số. Tuy nhiên, chỉ nhìn vào bậc tự do dương vẫn chưa đủ để kết luận mọi phần của mô hình đều ổn.

Bảng dưới đây giúp bạn khoanh vùng trước khi chỉnh sửa. Cột cuối là việc cần kiểm tra ngay trên file .amw, file dữ liệu .sav hoặc bảng biến trong SPSS.

Một nguyên nhân rất hay gặp là bạn vẽ latent variable nhưng quên cố định một factor loading. Trong AMOS, mỗi biến tiềm ẩn cần có thang đo. Cách phổ biến là cố định một loading bằng 1, hoặc cố định phương sai của latent variable bằng 1. Nếu bạn để cả loading và phương sai cùng tự do, phần mềm có thể không xác định được đơn vị đo của construct.

Nguyên nhân khác nằm ở việc nối sai mũi tên. Mũi tên cong hai đầu biểu thị covariance, mũi tên một đầu biểu thị tác động hồi quy. Khi bạn nối covariance giữa quá nhiều biến nội sinh, thêm covariance giữa các sai số mà không có lý do, số tham số tự do tăng nhanh và mô hình có thể chuyển sang under-identified.

Cách xử lý theo thứ tự ưu tiên

Kiểm tra bậc tự do và ghi lại mô hình ban đầu

Trong AMOS, chọn View > Text Output sau khi chạy hoặc xem phần Notes for Model. Tìm các dòng liên quan đến Number of distinct sample moments, Number of distinct parameters to be estimated và Degrees of freedom. Chụp lại sơ đồ và lưu một phiên bản riêng trước khi sửa, chẳng hạn model_v1_unidentified.amw.

Nếu bậc tự do âm, bạn cần giảm số tham số hoặc bổ sung thông tin hợp lệ cho mô hình. Nếu bậc tự do bằng 0, mô hình có thể vừa đủ xác định nhưng không cho bạn một bài kiểm định độ phù hợp tổng thể có ý nghĩa như mô hình over-identified. Nếu bậc tự do dương mà AMOS vẫn báo lỗi, hãy chuyển sang kiểm tra phần đo lường và dữ liệu.

Cố định thang đo cho từng biến tiềm ẩn

Nhấp đúp vào một mũi tên từ latent variable đến biến quan sát. Trong cửa sổ Object Properties, đặt một factor loading bằng 1 bằng cách bỏ chọn ô Parameter hoặc nhập giá trị cố định tùy phiên bản AMOS. Mỗi latent variable cần được kiểm tra riêng, kể cả khi bạn đã sao chép một construct từ sơ đồ khác.

Một latent variable có ba hoặc nhiều biến quan sát thường dễ kiểm tra hơn. Với construct chỉ có hai biến quan sát, bạn cần đặc biệt thận trọng vì số tham số rất hạn chế. Với construct chỉ có một biến quan sát, cần có cách xác định sai số đo lường và phải giải thích rõ cơ sở của cách đo đó trong phương pháp nghiên cứu.

Kiểm tra chiều mũi tên và tham số thừa

Trong mô hình cấu trúc, biến ngoại sinh có thể có covariance với nhau nếu giả thuyết và thiết kế nghiên cứu cho phép. Biến nội sinh thường có một disturbance term. Bạn hãy kiểm tra từng đường dẫn xem có bị vẽ ngược chiều, nối nhầm vào sai số hay tạo vòng lặp ngoài ý định không.

Tạm thời bỏ các covariance giữa sai số và các đường dẫn cấu trúc chưa có trong mô hình lý thuyết, sau đó chạy lại. Nếu mô hình được nhận dạng, bạn thêm lại từng thay đổi một và ghi lý do. Modification indices có thể gợi ý một đường nối, nhưng không nên dùng chúng như danh sách lệnh phải làm theo. Xem Modification Indices trong AMOS để phân biệt gợi ý thống kê với lập luận lý thuyết.

Kiểm tra dữ liệu SPSS trước khi chạy lại

Trong SPSS, vào Analyze > Descriptive Statistics > Descriptives để xem biến nào có độ lệch chuẩn bằng 0 hoặc số quan sát hợp lệ quá thấp. Vào Analyze > Descriptive Statistics > Frequencies để kiểm tra mã missing, giá trị ngoài thang Likert và biến bị nhập thành chuỗi.

Tên biến trong AMOS phải khớp với tên cột trong file dữ liệu. Không dùng khoảng trắng, ký tự đặc biệt hoặc tên trùng nhau. Nếu bạn thay đổi tên biến trong SPSS, hãy cập nhật lại đường dẫn dữ liệu trong AMOS và mở lại file trước khi tính toán.

Dưới đây là một khối output giả lập để bạn biết cần nhìn ở đâu. Đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật.

Nếu Number of distinct parameters to be estimated lớn hơn Number of distinct sample moments, bậc tự do sẽ âm và mô hình chưa thể đánh giá theo cách thông thường. Bảng này chỉ minh họa cách đọc output. Bạn phải dùng đúng con số AMOS in ra từ file của mình.

Chạy lại mô hình đo lường trước mô hình cấu trúc

Tách kiểm tra thành hai vòng. Vòng đầu chỉ giữ các latent variable và các biến quan sát của chúng, không vẽ các đường tác động giữa construct. Vòng sau mới thêm các đường hồi quy theo giả thuyết. Cách làm hai bước này phù hợp với logic đánh giá measurement model rồi mới đánh giá structural model trong SEM, được trình bày trong (Anderson và Gerbing, 1988).

Khi mô hình đo lường chưa được nhận dạng, việc thêm đường tác động giữa các construct sẽ làm bạn khó biết lỗi xuất phát từ đâu. Khi mô hình đo lường đã chạy, bạn xem Standardized Regression Weights, Squared Multiple Correlations và các chỉ số phù hợp rồi mới chuyển sang mô hình đầy đủ.

Khi nào phải quay lại thu thêm dữ liệu

Thêm dữ liệu không tự động sửa lỗi identification. Nếu bạn quên cố định factor loading, vẽ sai mũi tên hoặc tạo quá nhiều tham số, 100 phiếu trả lời mới cũng không giải quyết được nguyên nhân đó.

Bạn nên cân nhắc thu thêm dữ liệu khi đã kiểm tra mô hình và phát hiện dữ liệu hiện có quá ít so với số biến quan sát, nhiều dòng không hợp lệ, missing values tập trung ở một nhóm biến hoặc ma trận hiệp phương sai không ổn định. Cỡ mẫu cần được xem cùng độ phức tạp của mô hình, số biến quan sát và kế hoạch ước lượng. Quy tắc 5 đến 10 quan sát cho một biến quan sát thường được trích dẫn trong (Hair và cộng sự, 2010), nhưng đây là mốc tham khảo chứ không thay thế việc xem xét mô hình cụ thể.

Bạn cũng cần phân biệt dữ liệu ít với mô hình không được nhận dạng. Dữ liệu ít có thể làm ước lượng không ổn định hoặc không hội tụ. Mô hình không được nhận dạng là cấu trúc tham số chưa cho phép AMOS tìm một nghiệm duy nhất. Hãy sửa sơ đồ trước, sau đó mới đánh giá có cần thu thêm dữ liệu hay không.

Nếu mô hình sau khi sửa chạy được nhưng chỉ số phù hợp kém, bạn không nên xóa hàng loạt biến để làm đẹp output. CFI, TLI từ 0.90 trở lên và RMSEA, SRMR không vượt quá 0.08 là các ngưỡng thường được dùng cho CB-SEM theo (Hu và Bentler, 1999), nhưng cần đọc cùng lý thuyết, cỡ mẫu và các chỉ số khác. Các ngưỡng này không phải tiêu chí nhận dạng mô hình.

Cách giải trình với giảng viên hướng dẫn

Bạn nên đưa cho giảng viên ba thứ: sơ đồ trước khi sửa, thông báo lỗi của AMOS và sơ đồ sau khi sửa. Đừng chỉ gửi ảnh output cuối cùng vì người hướng dẫn cần biết bạn đã thay đổi tham số nào và lý do thay đổi.

Cách viết vào luận văn: “Mô hình ban đầu chưa được AMOS nhận dạng do [mô tả nguyên nhân đã kiểm tra]. Tác giả đã [cố định factor loading thứ nhất của các biến tiềm ẩn/loại bỏ đường dẫn không thuộc giả thuyết/kiểm tra lại biến dữ liệu] theo cơ sở [lý thuyết hoặc thiết kế đo lường]. Sau điều chỉnh, mô hình có [số] bậc tự do và được tiếp tục đánh giá bằng các chỉ số phù hợp.”

Bạn thay các phần trong ngoặc vuông bằng thông tin thật từ file của mình. Nếu đã dùng modification indices, hãy ghi rõ đường nối nào được thêm, căn cứ lý thuyết là gì và kết quả thay đổi ra sao. Không nên viết rằng “AMOS tự động đề xuất nên tác giả thêm vào”, vì đó chưa phải là lập luận phương pháp.

Khi phần mềm chạy được nhưng CFI vẫn thấp, bạn có thể tham khảo bài lỗi CFI nhỏ hơn 0 9 AMOS. Khi mô hình có mediator, việc kiểm định hiệu ứng gián tiếp cần trình bày riêng, chẳng hạn quy trình kiểm định trung gian bằng Bootstrap trong AMOS.

Cách phòng từ bước thiết kế

Trước khi mở AMOS, hãy vẽ mô hình trên giấy hoặc trong một sơ đồ đơn giản và lập danh sách cho từng construct: mã latent variable, các biến quan sát, loading được cố định, sai số đo lường và các đường dẫn dự kiến. Danh sách này giúp bạn phát hiện một latent variable bị bỏ sót chỉ báo hoặc một mũi tên được nối nhầm.

Hãy tách file theo phiên bản. model_v1_measurement.amw dùng cho mô hình đo lường, model_v2_structural.amw dùng cho mô hình đầy đủ và model_v3_revised.amw dùng cho phiên bản có điều chỉnh. Lưu thêm file output dạng text và bảng kết quả SPSS để có thể quay lại khi giảng viên hỏi.

Trước khi thu thập dữ liệu, đặt mã biến ngắn, nhất quán và không đổi tên giữa bảng hỏi, file Excel, SPSS và AMOS. Kiểm tra thử một bản dữ liệu với vài dòng trước khi nhập toàn bộ mẫu. Bước này thường phát hiện sớm lỗi mã hóa, biến chuỗi và cột bị thiếu.

Nếu đề tài của bạn dùng PLS-SEM thay vì CB-SEM, đừng chuyển nguyên xi các tiêu chí CFI, TLI và RMSEA sang SmartPLS. PLS-SEM có nhóm chỉ số riêng như R², f², Q², outer loading, CR, AVE và HTMT. Việc chọn AMOS hay SmartPLS phải xuất phát từ mục tiêu nghiên cứu và cấu trúc mô hình, không chỉ từ việc phần mềm nào báo ít lỗi hơn.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là xóa biến quan sát ngay khi thấy AMOS báo không được nhận dạng. Xóa biến có thể làm thay đổi nội dung của construct và làm thang đo không còn đúng với cơ sở lý thuyết. Chỉ loại biến khi có lý do đo lường rõ ràng, được ghi lại và được người hướng dẫn chấp thuận.

Lỗi thứ hai là thêm covariance giữa mọi cặp sai số để tăng độ phù hợp. Hai sai số chỉ nên được liên hệ khi có cơ sở về cách diễn đạt, cùng nguồn đo lường hoặc nội dung tương tự. Thêm quá nhiều covariance làm mô hình phụ thuộc vào mẫu hiện tại và khó giải trình khi bảo vệ.

Lỗi thứ ba là nhầm unidentified với unfit. Mô hình unidentified chưa thể đọc CFI hay RMSEA vì AMOS chưa ước lượng được mô hình. Mô hình unfit đã có output nhưng các chỉ số phù hợp chưa đạt. Bạn cần xác định đúng trạng thái trước khi chọn cách xử lý.

Lỗi thứ tư là sửa trực tiếp trên một file duy nhất rồi không nhớ đã thay đổi gì. Với mỗi vòng chạy, hãy ghi ngày, tên phiên bản, thay đổi, lý do và kết quả. Một bảng theo dõi ngắn sẽ có giá trị hơn việc cố nhớ các bước sau nhiều lần chạy.

Câu hỏi thường gặp

Mô hình không được nhận dạng có phải do cỡ mẫu nhỏ không?

Có thể cỡ mẫu nhỏ làm mô hình không hội tụ hoặc cho ước lượng không ổn định, nhưng đó không phải nguyên nhân duy nhất của lỗi identification. Bạn cần kiểm tra bậc tự do, số tham số và cách cố định thang đo trước khi quyết định thu thêm dữ liệu.

Bậc tự do bằng 0 trong AMOS có được chấp nhận không?

Bậc tự do bằng 0 cho biết mô hình vừa đủ xác định. AMOS có thể tính một số ước lượng, nhưng mô hình không còn bậc tự do để kiểm định độ phù hợp tổng thể theo cách thông thường. Bạn nên trao đổi với giảng viên trước khi dùng mô hình này làm bằng chứng chính cho giả thuyết.

Có nên dùng Modification Indices để sửa lỗi không?

Modification indices chỉ là gợi ý dựa trên dữ liệu hiện tại. Bạn chỉ nên thêm đường dẫn hoặc covariance khi có cơ sở lý thuyết và ghi rõ điều chỉnh trong luận văn. Dùng hàng loạt gợi ý để làm CFI tăng có thể khiến mô hình khó bảo vệ.

Mô hình SEM trong AMOS và SmartPLS có xử lý lỗi giống nhau không?

Không hoàn toàn. AMOS thuộc hướng CB-SEM, thường đánh giá Model Fit bằng CFI, TLI, RMSEA và SRMR. SmartPLS dùng PLS-SEM với các nhóm tiêu chí như outer loading, AVE, HTMT, R², f² và Q², nên bạn không nên lấy một bộ ngưỡng áp cho phần mềm còn lại.

Khi nào nên dùng AMOS thay vì SPSS?

SPSS phù hợp với các bước như làm sạch dữ liệu, Cronbach's Alpha, EFA và hồi quy. AMOS phù hợp khi bạn cần kiểm định mô hình đo lường và mô hình cấu trúc có biến tiềm ẩn. Nếu bạn chỉ có các biến quan sát độc lập và phụ thuộc, hồi quy trong SPSS có thể phù hợp hơn một mô hình SEM phức tạp.

Mở lại file AMOS của bạn, kiểm tra Notes for Model, cố định thang đo của từng latent variable, rà từng mũi tên rồi chạy riêng mô hình đo lường trước khi chạy mô hình cấu trúc. Nếu cần xử lý file .sav, .csv và toàn bộ bước phân tích thật thay vì dùng số liệu minh họa, bạn có thể xem module M4 phân tích dữ liệu.