Modification indices là gì và đọc thế nào trong SEM

Modification indices là gì

Modification indices, thường viết tắt là MI, là chỉ số do phần mềm SEM tính để ước lượng mức giảm của chi-square nếu bạn giải phóng một tham số đang bị cố định trong mô hình. Tham số đó có thể là một đường dẫn giữa các biến tiềm ẩn, một covariance giữa sai số đo lường, hoặc một tải nhân tố chéo. Bạn thường gặp bảng này trong AMOS, LISREL hoặc các phần mềm CB-SEM khác.

Hiểu đơn giản, MI trả lời câu hỏi: nếu thêm một quan hệ hiện đang bị khóa, độ phù hợp của mô hình có thể cải thiện bao nhiêu. Giá trị MI càng lớn thì phần mềm càng cho rằng mô hình đang bỏ sót một quan hệ đáng chú ý. Tuy nhiên, MI là tín hiệu chẩn đoán từ dữ liệu, không phải mệnh lệnh phải thêm đường liên kết.

Cần đặt đúng phạm vi trước khi đọc. Modification indices thuộc nhóm chỉ số của covariance-based SEM, tức CB-SEM. Các chỉ số này không phải kết quả cốt lõi của PLS-SEM và không nên được dùng để chỉnh mô hình SmartPLS theo cách máy móc. Nếu bạn đang dùng SmartPLS, hãy xem quy trình PLS-SEM và các bảng Outer Loadings, Path Coefficients, HTMT thay vì tìm một bảng MI tương đương.

Về mặt toán học, MI gần với mức thay đổi dự kiến của chi-square khi một tham số được giải phóng. Phần mềm tính toán dựa trên phần dư và thông tin của mô hình hiện tại. Vì vậy, MI phụ thuộc vào mô hình bạn đã chỉ định, dữ liệu đang dùng và các tham số đã được cố định. Cùng một cặp biến có thể cho MI khác nhau khi bạn đổi mẫu, đổi mô hình đo lường hoặc xử lý dữ liệu.

Ý nghĩa của modification indices trong nghiên cứu định lượng

Trong một mô hình SEM, bạn không chỉ quan tâm từng hệ số riêng lẻ. Bạn còn cần xem toàn bộ mô hình có tái hiện hợp lý ma trận hiệp phương sai quan sát hay không. Khi mô hình có một phần dư lớn, MI giúp bạn phát hiện khu vực có thể đang được mô hình hóa chưa đầy đủ.

Ví dụ, mô hình đo lường có hai biến quan sát cùng dùng cách diễn đạt rất giống nhau. Người trả lời có thể phản ứng với phần câu chữ chung, ngoài khái niệm lý thuyết mà bạn muốn đo. Khi đó, AMOS có thể đề xuất covariance giữa hai sai số đo lường. Một trường hợp khác là hai khái niệm có quan hệ lý thuyết nhưng bạn chưa đưa đường covariance giữa chúng vào mô hình.

MI có ba giá trị thực tế. Thứ nhất, nó giúp bạn kiểm tra lại đặc tả mô hình. Thứ hai, nó gợi ý nơi cần xem lại biến quan sát và nội dung thang đo. Thứ ba, nó có thể hỗ trợ bạn giải thích vì sao mô hình chưa phù hợp sau lần chạy đầu tiên.

Điểm cần giữ trong luận văn là thứ tự lập luận. Bạn bắt đầu từ lý thuyết, định nghĩa khái niệm và nội dung biến quan sát. Sau đó mới dùng MI như bằng chứng bổ sung. Nếu bạn nhìn vào mọi MI lớn rồi thêm liên kết cho đến khi các chỉ số fit đẹp, mô hình sẽ phụ thuộc quá nhiều vào chính mẫu dữ liệu đang có. Cách này làm giảm khả năng khái quát và dễ bị hỏi khi bảo vệ.

Bạn có thể xem bối cảnh rộng hơn qua bài SEM là gì, trong đó cần phân biệt mô hình đo lường với mô hình cấu trúc. MI thường được đọc nhiều hơn ở CB-SEM, còn mô hình SEM phải được đánh giá theo loại phần mềm và mục tiêu nghiên cứu cụ thể.

Modification indices bao nhiêu là đạt

Câu hỏi “modification indices bao nhiêu là tốt” dễ dẫn đến cách hiểu sai. MI không phải thang đo có một ngưỡng đạt giống Cronbach's Alpha, AVE hay HTMT. Một MI lớn chỉ cho biết một tham số bị cố định có thể đang làm mô hình kém phù hợp. Bạn vẫn phải kiểm tra ý nghĩa lý thuyết, hướng quan hệ và tác động đến mô hình đo lường.

Trong kiểm định chi-square, MI thường được diễn giải như mức chi-square dự kiến giảm nếu giải phóng một tham số. Một số tài liệu thực hành dùng mốc khoảng 3.84 để sàng lọc vì đây gần với giá trị chi-square ở một bậc tự do và mức ý nghĩa 0.05. Tuy nhiên, mốc này không phải ngưỡng chung được phép áp dụng tự động cho mọi mô hình. Với yêu cầu chỉ dùng nguồn đã kiểm chứng trong bài, bạn nên trình bày MI như chỉ báo chẩn đoán và tránh gọi nó là “đạt” hoặc “không đạt”.

Bảng dưới đây giúp bạn ra quyết định thận trọng hơn. Các giá trị MI trong bảng là cách minh họa diễn giải, không phải kết quả của một nghiên cứu thật.

Các nguồn trên giúp đặt MI vào bối cảnh SEM, nhưng không biến một con số thành quy tắc cứng. Khi viết chương 4, bạn nên báo cáo mô hình ban đầu, lý do điều chỉnh, mô hình sau điều chỉnh và sự thay đổi của các chỉ số phù hợp. Nếu chỉ nêu “MI lớn nên thêm covariance”, phần giải thích còn thiếu.

Đừng đưa các ngưỡng CFI, TLI, RMSEA hoặc SRMR của CB-SEM vào bài viết về SmartPLS. Các ngưỡng fit này thuộc bối cảnh CB-SEM và được trình bày trong (Hu và Bentler, 1999). Bạn có thể xem CB-SEM là gì để phân biệt rõ hơn với PLS-SEM.

Cách đọc modification indices trên output

Trong AMOS, sau khi chạy mô hình, bạn có thể mở bảng Modification Indices. Bảng thường hiển thị tên tham số hoặc cặp biến, cột M.I. và đôi khi có Par Change. Cột M.I. là mức cải thiện chi-square dự kiến. Par Change cho biết ước lượng của tham số có thể thay đổi theo hướng nào nếu bạn giải phóng nó.

Ví dụ dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật.

Bạn đọc từng dòng theo bốn bước. Trước hết, xác định tham số đang bị khóa. Dòng e3 <--> e4 là covariance giữa hai sai số, còn Y1 <--- X2 là một đường hồi quy dự kiến. Tiếp theo, xem MI có lớn hơn các dòng khác rõ rệt không. Sau đó, đọc Par Change để biết hướng và độ lớn dự kiến, nhưng không dùng cột này thay cho kiểm định giả thuyết.

Cuối cùng, mở lại bảng câu hỏi. Nếu e3 và e4 là hai biến quan sát có cùng cụm từ, cùng bối cảnh trả lời hoặc nội dung gần như lặp lại, covariance có thể có lý do phương pháp. Nếu hai biến đo hai khái niệm hoàn toàn khác nhau, MI cao chưa đủ để nối chúng.

Trong AMOS, đường covariance giữa sai số thường được vẽ bằng mũi tên cong hai đầu. Sau khi thêm một đường, bạn phải chạy lại mô hình, lưu output mới và ghi lại lý do. Không nên thêm liên tiếp nhiều đường trong một lần mà không biết chỉ số nào thay đổi do đường nào.

Với “modification indices trong SPSS”, cần phân biệt công cụ. SPSS Statistics thông thường không tạo bảng MI cho mô hình SEM như AMOS. SPSS có thể chạy Analyze > Regression > Linear, Analyze > Dimension Reduction > Factor hoặc các thủ tục khác, nhưng các output đó không phải Modification Indices. Nếu bạn đang chạy hồi quy trong SPSS, hãy đọc Coefficients, Model Summary và kiểm tra giả định tương ứng. Nếu cần CB-SEM, AMOS là lựa chọn cùng hệ sinh thái IBM; nếu dùng SmartPLS, hãy theo quy trình PLS-SEM thay vì cố tìm MI.

Khi modification indices không đạt thì xử lý thế nào

Trước tiên, đừng gọi MI thấp là lỗi. MI thấp thường chỉ có nghĩa là phần mềm không dự kiến cải thiện lớn nếu giải phóng tham số đó. Nếu các chỉ số phù hợp và kết quả lý thuyết ổn, bạn có thể giữ mô hình ban đầu.

Nếu mô hình có MI cao hoặc fit chưa phù hợp, hãy xử lý theo thứ tự sau.

Kiểm tra lại mô hình lý thuyết

Xem đường liên kết được đề xuất có xuất hiện trong mô hình khái niệm, giả thuyết hoặc tài liệu nền tảng không. Một đường mới phải có cách giải thích về quan hệ giữa các biến. Nếu không, ghi nhận MI trong phần chẩn đoán nhưng không thêm nó vào mô hình chính.

Kiểm tra nội dung biến quan sát

Đọc nguyên văn hai biến liên quan, mã hóa đảo chiều, thang đo gốc và bản dịch. Hai biến có thể tạo sai số tương quan vì diễn đạt giống nhau, cùng nhắc đến một tình huống hoặc cùng yêu cầu người trả lời suy nghĩ về một chi tiết cụ thể. Nếu biến bị trùng ý, bạn có thể cân nhắc loại một biến, nhưng phải chạy lại độ tin cậy và giá trị thang đo.

Điều chỉnh một thay đổi có lý do

Nếu giảng viên chấp nhận thêm covariance giữa hai sai số có cùng khái niệm, hãy thực hiện một thay đổi có kiểm soát. Chạy lại AMOS, lưu model fit, standardized estimates và MI mới. Ghi rõ đây là điều chỉnh có cơ sở nội dung, không phải thao tác để ép chỉ số đẹp.

Giữ lại mô hình ban đầu khi cần

Trong nhiều trường hợp, mô hình có ý nghĩa lý thuyết nhưng fit chưa tốt do mẫu, phân phối dữ liệu hoặc cách đo lường. Việc thêm nhiều covariance làm mô hình càng khó giải thích. Bạn có thể báo cáo mô hình ban đầu và nêu giới hạn, thay vì tạo một mô hình hậu nghiệm có quá nhiều đường.

Điểm hội đồng thường hỏi là: “Tại sao em thêm đường này”. Câu trả lời cần bắt đầu từ nội dung thang đo hoặc lý thuyết, sau đó mới nhắc đến MI. Không nên trả lời rằng phần mềm đề xuất nên em thêm.

Phân biệt modification indices với chỉ số dễ nhầm

MI dễ bị nhầm với các chỉ số dùng để đánh giá chất lượng mô hình. Bảng dưới đây tách chúng theo câu hỏi mà mỗi chỉ số trả lời.

MI cũng khác với p-value. MI là đề xuất dựa trên tham số đang bị cố định, còn p-value thường dùng để kiểm tra một hệ số đã được ước lượng trong mô hình. Một đường dẫn mới có MI cao vẫn có thể không có ý nghĩa lý thuyết, và một đường đã có trong mô hình vẫn cần được đánh giá bằng ước lượng, sai số chuẩn và p-value.

MI càng khác với R², AVE và CR. R² nói về phương sai của biến nội sinh được giải thích; AVE và CR nói về giá trị hội tụ và độ tin cậy tổng hợp. Các chỉ số này không thay thế cho nhau. Nếu bạn đang làm SmartPLS, hãy đọc bài về biến tiềm ẩn là gì để không trộn chỉ số đo lường với chỉ số chỉnh sửa mô hình.

Lỗi thường gặp

Lỗi đầu tiên là tìm một con số “MI bao nhiêu là tốt” rồi thêm mọi đường vượt mốc đó. Cách làm này biến mô hình thành sản phẩm của mẫu dữ liệu, không còn là mô hình xuất phát từ giả thuyết.

Lỗi thứ hai là thêm covariance giữa các sai số chỉ vì chúng thuộc cùng một nhân tố. Hai sai số cùng thuộc một khái niệm chưa tự động có covariance. Bạn vẫn cần lý do về nội dung biến quan sát hoặc cách đo lường.

Lỗi thứ ba là không lưu các phiên bản output. Sau khi chỉnh, bạn nên đặt tên file rõ ràng như model_ban_dau, model_sua_e3_e4 và model_final. Điều này giúp bạn biết fit thay đổi do thao tác nào và giải trình được với giảng viên.

Lỗi thứ tư là dùng MI của AMOS để biện minh cho mô hình SmartPLS. Hai hướng tiếp cận có mục tiêu, thuật toán và cách đánh giá khác nhau. Chọn phần mềm theo mô hình nghiên cứu, cỡ mẫu, mục tiêu dự báo hoặc kiểm định lý thuyết, sau đó dùng đúng hệ chỉ số của phần mềm đó.

Lỗi cuối là chỉ báo cáo mô hình cuối cùng. Người đọc cần biết bạn đã điều chỉnh gì, tại sao điều chỉnh, đường nào được thêm hoặc bỏ, và kết quả thay đổi ra sao. Nếu có nhiều điều chỉnh hậu nghiệm, hãy trình bày giới hạn của kết quả và tránh diễn đạt như thể mô hình đã được xác nhận độc lập.

Câu hỏi thường gặp

Modification indices là gì trong AMOS?

Đó là chỉ số cho biết chi-square dự kiến giảm bao nhiêu nếu bạn giải phóng một tham số đang bị cố định trong mô hình. Tham số có thể là đường hồi quy hoặc covariance giữa hai sai số.

MI giúp chẩn đoán mô hình, không quyết định thay bạn. Bạn cần đối chiếu với lý thuyết, nội dung biến quan sát và mục tiêu nghiên cứu.

Modification indices bao nhiêu là tốt?

MI không có ngưỡng “tốt” giống Cronbach's Alpha hay AVE. MI lớn cho thấy một tham số có thể làm mô hình phù hợp hơn nếu được giải phóng, nhưng không chứng minh rằng bạn nên thêm tham số đó.

Bạn có thể dùng một mốc sàng lọc trong output, nhưng phải ghi rõ đây là tham khảo và giải thích bằng lý thuyết. Đừng dùng một mốc duy nhất để tự động sửa toàn bộ mô hình.

Modification indices trong SPSS có ở đâu?

SPSS Statistics thông thường không có bảng Modification Indices cho SEM. Bạn có thể đang nhầm với các bảng Coefficients, Model Summary hoặc output EFA trong SPSS.

Nếu cần MI, bạn thường xem output từ AMOS hoặc phần mềm CB-SEM tương ứng. SmartPLS cũng không đánh giá mô hình bằng bảng MI như AMOS.

Có nên thêm covariance giữa hai sai số khi MI cao không?

Chỉ nên cân nhắc khi hai biến quan sát có cơ sở nội dung hoặc phương pháp rõ ràng, chẳng hạn cách diễn đạt gần nhau hoặc cùng bối cảnh trả lời. Sau khi thêm, bạn phải chạy lại mô hình và báo cáo thay đổi.

Nếu chỉ thêm vì MI cao, mô hình có nguy cơ bị overfit. Đây là điểm dễ bị hỏi khi bảo vệ vì đường liên kết mới có thể không xuất phát từ giả thuyết ban đầu.

MI thấp thì có phải mô hình bị sai không?

Không. MI thấp chỉ cho thấy việc giải phóng các tham số đang bị khóa không được dự kiến làm chi-square giảm nhiều. Nếu mô hình có cơ sở lý thuyết và các chỉ số phù hợp chấp nhận được, bạn có thể giữ nguyên.

Hãy xem đồng thời chất lượng thang đo, mô hình đo lường, mô hình cấu trúc và dữ liệu. Không nên sửa mô hình chỉ vì một bảng output riêng lẻ.

Có thể dùng modification indices trong SmartPLS không?

Bạn không nên bê nguyên cách đọc MI của AMOS sang SmartPLS. PLS-SEM dùng các bảng và tiêu chí như Outer Loadings, CR, AVE, HTMT, VIF, R², f², Q² và Path Coefficients.

Nếu đề tài của bạn cần kiểm định fit theo hướng CB-SEM, hãy xác định rõ lý do chọn AMOS hoặc phần mềm phù hợp ngay từ phương pháp. Nếu mục tiêu là dự báo và đánh giá mô hình PLS, hãy theo quy trình SmartPLS riêng.

Mở lại file AMOS hoặc output bạn đang dùng, đánh dấu từng dòng MI lớn, rồi kiểm tra nội dung biến quan sát và giả thuyết trước khi thay đổi một đường liên kết. Nếu bạn cần chạy và diễn giải phân tích trên chính file .sav hoặc .csv, hãy xem M4 phân tích của DoThesis.