RMSEA là gì? Cách đọc chỉ số RMSEA trong SPSS và SEM

RMSEA là gì

RMSEA là viết tắt của Root Mean Square Error of Approximation, một chỉ số đánh giá mức độ phù hợp của mô hình trong Structural Equation Modeling, đặc biệt là covariance-based SEM, thường chạy bằng AMOS, LISREL hoặc Mplus. Trong thực tế làm luận văn, bạn thường gặp RMSEA trong bảng Model Fit hoặc Model Fit Summary sau khi chạy mô hình đo lường hay mô hình cấu trúc bằng AMOS.

RMSEA ước lượng mức sai số xấp xỉ của mô hình trong tổng thể. Chỉ số càng thấp thì phần sai lệch giữa ma trận hiệp phương sai do mô hình dự đoán và dữ liệu quan sát thường càng nhỏ. Tuy vậy, RMSEA không nên được đọc một mình. Bạn cần đặt nó cạnh CMIN/DF, CFI, TLI và SRMR để đánh giá mô hình tổng thể.

Công thức RMSEA thường được biểu diễn theo dạng:

RMSEA = √[max((χ²/df - 1), 0) / (N - 1)]

Trong đó, χ² là chi-square của mô hình, df là bậc tự do và N là cỡ mẫu. Phần công thức giúp bạn hiểu RMSEA phụ thuộc vào độ lệch của mô hình, bậc tự do và cỡ mẫu. Bạn không cần tự tính lại khi phần mềm đã xuất chỉ số này, nhưng cần biết RMSEA không phải là hệ số tải, p-value hay R².

Nếu bạn đang học tổng quan về SEM là gì, hãy nhớ một điểm quan trọng: RMSEA thường thuộc nhóm chỉ số fit của CB-SEM. Nó không phải chỉ số mặc định để đánh giá mô hình PLS-SEM trong SmartPLS.

Ý nghĩa của RMSEA trong nghiên cứu định lượng

RMSEA trả lời câu hỏi: mô hình lý thuyết của bạn còn sai số xấp xỉ ở mức nào khi dùng để giải thích ma trận hiệp phương sai của dữ liệu. Ví dụ, bạn xây dựng mô hình gồm chất lượng dịch vụ, sự hài lòng và ý định tiếp tục sử dụng. Sau khi mô hình được ước lượng, RMSEA cho biết mô hình đó phù hợp với dữ liệu quan sát đến đâu xét trên khía cạnh sai số xấp xỉ.

Trong nghiên cứu định lượng, RMSEA có ba ý nghĩa thực tế. Thứ nhất, nó giúp bạn đánh giá mô hình đo lường trước khi diễn giải quan hệ giữa các biến tiềm ẩn. Nếu mô hình đo lường có độ phù hợp thấp, việc kết luận giả thuyết cấu trúc sẽ thiếu nền tảng. Bạn có thể xem thêm khái niệm biến tiềm ẩn là gì nếu chưa phân biệt được biến quan sát với biến tiềm ẩn.

Thứ hai, RMSEA giúp so sánh các mô hình có cấu trúc khác nhau, nhưng chỉ khi các mô hình được xây dựng trên cùng bộ dữ liệu và có cách diễn giải hợp lý. Bạn không nên thêm hoặc xóa đường dẫn chỉ để làm RMSEA giảm. Một mô hình fit tốt nhưng không còn phù hợp với cơ sở lý thuyết vẫn là một kết quả khó bảo vệ.

Thứ ba, RMSEA là một phần trong nhóm bằng chứng về model fit. CFI và TLI thường phản ánh mức cải thiện của mô hình so với mô hình độc lập, còn SRMR phản ánh sai số chuẩn hóa giữa tương quan quan sát và tương quan được mô hình tái tạo. RMSEA tập trung vào sai số xấp xỉ theo bậc tự do. Vì mỗi chỉ số nhìn mô hình từ một góc khác nhau, bạn nên báo cáo một nhóm chỉ số thay vì chọn riêng chỉ số đẹp nhất.

RMSEA đặc biệt gắn với CB-SEM. Nếu bạn đang chạy PLS-SEM bằng SmartPLS, bộ chỉ số chính thường gồm outer loading, Cronbach's Alpha, CR, AVE, HTMT, VIF, path coefficient, R², f² và Q². Các ngưỡng CFI, TLI, RMSEA của CB-SEM không nên được đưa nguyên xi sang bài phân tích SmartPLS.

RMSEA bao nhiêu là đạt

Câu hỏi “RMSEA bao nhiêu là tốt” thường xuất hiện khi bạn nhìn thấy một con số trong bảng output và cần viết chương 4. Theo (Hu và Bentler, 1999), RMSEA ở mức 0.08 trở xuống thường được dùng trong đánh giá fit của CB-SEM. Đây là ngưỡng tham khảo khi báo cáo mô hình, không phải quy tắc cho phép bạn bỏ qua các chỉ số và kiểm tra khác.

Bảng dưới đây tóm tắt cách đọc thường dùng. Mỗi dòng đều ghi rõ nguồn để bạn có thể giải trình khi giảng viên hỏi cơ sở của ngưỡng.

Bạn không nên viết rằng RMSEA dưới 0.05 chắc chắn chứng minh mô hình đúng. Chỉ số này vẫn chịu ảnh hưởng của cỡ mẫu, bậc tự do và cách đặc tả mô hình. Một RMSEA thấp không thể tự chứng minh thang đo có giá trị hội tụ hoặc giá trị phân biệt.

Cũng cần phân biệt RMSEA với các ngưỡng của PLS-SEM. Trong tài liệu hướng dẫn SmartPLS, bạn sẽ thấy trọng tâm nằm ở chất lượng mô hình đo lường và mô hình cấu trúc. Với CB-SEM, (Hu và Bentler, 1999) cho phép bạn báo cáo CFI và TLI từ 0.90 trở lên, RMSEA và SRMR không quá 0.08. Các tiêu chí này chỉ áp dụng cho CB-SEM, không dùng để kết luận một mô hình SmartPLS đạt hay không đạt.

Cách đọc RMSEA trên output

Nếu bạn chạy AMOS, hãy tìm bảng Model Fit Summary. Trong bảng này, RMSEA thường nằm ở nhóm chỉ số đánh giá absolute fit hoặc approximate fit. Một số phiên bản phần mềm hiển thị thêm RMSEA, LO 90, HI 90 và PCLOSE. LO 90 và HI 90 là cận dưới và cận trên của khoảng tin cậy 90% cho RMSEA. PCLOSE là kiểm định liên quan đến giả thuyết RMSEA không vượt quá một mức nhỏ được phần mềm quy định.

Dưới đây là khối số liệu minh họa có cấu trúc gần với output bạn có thể gặp. Các con số chỉ nhằm hướng dẫn cách đọc, không phải kết quả của một nghiên cứu cụ thể.

Với dòng RMSEA bằng 0.062, bạn có thể ghi nhận mô hình có mức phù hợp chấp nhận được theo ngưỡng tham khảo. Sau đó, kiểm tra CFI, TLI và SRMR có cùng hướng đánh giá hay không. Nếu RMSEA đạt nhưng CFI rất thấp, bạn không nên kết luận mô hình phù hợp chỉ dựa vào RMSEA.

Nếu bạn đang tìm “RMSEA trong SPSS”, cần biết SPSS Statistics thông thường không xuất RMSEA từ quy trình hồi quy, Cronbach's Alpha hay EFA. RMSEA xuất hiện trong các phần mềm hoặc module SEM như AMOS khi bạn ước lượng mô hình hiệp phương sai. SPSS có thể là nơi bạn làm sạch dữ liệu, kiểm tra mô tả, EFA hoặc hồi quy, còn AMOS đảm nhiệm phần CB-SEM.

Khi báo cáo, hãy ghi rõ phần mềm và loại mô hình. Câu mẫu bạn có thể điều chỉnh là: “Kết quả minh họa cho thấy chỉ số RMSEA đạt [giá trị], nằm [dưới/trong khoảng] ngưỡng tham khảo 0.08. Kết hợp với CFI = [giá trị], TLI = [giá trị] và SRMR = [giá trị], mô hình được đánh giá có mức độ phù hợp [diễn giải phù hợp] theo (Hu và Bentler, 1999).”

Khi RMSEA không đạt thì xử lý thế nào

Nếu RMSEA lớn hơn 0.08, bạn nên xử lý theo thứ tự từ dữ liệu và mô hình đo lường đến đặc tả mô hình. Đừng lập tức xóa một đường dẫn hoặc thêm covariance giữa các sai số chỉ vì modification indices đề xuất.

Trước tiên, kiểm tra dữ liệu đầu vào. Xem biến có bị nhập sai mã, đảo chiều chưa đúng, giá trị thiếu hoặc có trường hợp trả lời bất thường hay không. Một biến Likert bị nhập ngược mã có thể làm tương quan giữa các biến quan sát sai lệch, từ đó ảnh hưởng đến mô hình đo lường.

Tiếp theo, kiểm tra từng thang đo. Xem factor loading, standardized residuals và các chỉ số độ tin cậy. Nếu một biến quan sát có loading thấp hoặc nội dung không phù hợp với khái niệm, bạn chỉ nên cân nhắc loại biến khi có lý do phương pháp và lý thuyết. Việc xóa nhiều biến cùng lúc để kéo RMSEA xuống sẽ làm mô hình khó giải trình.

Sau đó, xem modification indices. Chỉ số này gợi ý nơi mô hình có thể cải thiện, nhưng không tự động chứng minh quan hệ đó tồn tại. Bạn chỉ nên thêm covariance giữa sai số khi có cơ sở nội dung rõ ràng, chẳng hạn hai biến quan sát có cách diễn đạt rất gần nhau hoặc cùng một nguồn đo lường. Mọi điều chỉnh cần được ghi lại theo từng vòng chạy.

Cuối cùng, cân nhắc mô hình thay thế có cơ sở lý thuyết. Có thể mô hình ban đầu đặt một cấu trúc nhân tố chưa hợp lý, gộp hai khái niệm quá gần nhau hoặc bỏ sót một quan hệ quan trọng. Nếu mô hình điều chỉnh được chọn, bạn cần báo cáo lý do, các chỉ số trước và sau điều chỉnh, cùng ảnh hưởng của thay đổi đó đến giả thuyết.

Có những trường hợp RMSEA không đạt vì mô hình quá phức tạp, cỡ mẫu hạn chế hoặc dữ liệu không phù hợp với giả định của CB-SEM. Khi đó, đổi sang SmartPLS không phải cách sửa tự động. Bạn cần xem câu hỏi nghiên cứu, mục tiêu dự báo, loại thang đo và chiến lược phân tích trước khi lựa chọn mô hình SEM phù hợp.

Phân biệt RMSEA với CFI và SRMR

RMSEA, CFI và SRMR đều là chỉ số model fit nhưng không đo cùng một khía cạnh. RMSEA tập trung vào sai số xấp xỉ của mô hình theo bậc tự do. CFI so sánh mô hình đang xét với mô hình độc lập. SRMR phản ánh độ chênh giữa tương quan quan sát và tương quan được mô hình tái tạo sau khi chuẩn hóa.

Vì vậy, một mô hình có RMSEA ở mức chấp nhận được nhưng CFI chưa đạt vẫn cần được xem xét thêm. Ngược lại, chỉ nhìn CFI cao cũng chưa đủ để kết luận mô hình phù hợp. Khi đọc output, hãy đặt các chỉ số vào cùng một bảng báo cáo và giải thích khi chúng cho kết quả không đồng nhất.

RMSEA cũng khác R². R² trong mô hình cấu trúc cho biết một biến phụ thuộc được giải thích bao nhiêu phương sai bởi các biến dự báo. Với PLS-SEM, R² ở mức 0.75, 0.50 và 0.25 lần lượt được diễn giải theo các mức mạnh, vừa và yếu theo (Hair và cộng sự, 2011). RMSEA không trả lời câu hỏi đó.

RMSEA còn khác p-value. p-value được dùng trong kiểm định một giả thuyết hoặc kiểm tra mức ý nghĩa của một ước lượng. RMSEA là chỉ số phù hợp tổng thể theo một cách tiếp cận mô hình khác. Bạn không thể nói RMSEA “có ý nghĩa” chỉ vì nó nhỏ, cũng không thể thay RMSEA bằng p-value của một đường dẫn.

Lỗi thường gặp

Lỗi đầu tiên là dùng RMSEA cho mọi loại SEM. Nếu bạn chạy PLS-SEM bằng SmartPLS, hãy tập trung vào bộ chỉ số phù hợp với PLS-SEM như outer loading, CR, AVE, HTMT, VIF, path coefficient, R², f² và Q². RMSEA, CFI và TLI thuộc nhóm chỉ số thường gắn với CB-SEM.

Lỗi thứ hai là ghi “RMSEA càng thấp càng tốt” rồi dừng ở đó. Câu này thiếu điều kiện về loại mô hình, nguồn ngưỡng và các chỉ số đi kèm. Bạn cần ghi con số thực tế từ output, khoảng tin cậy nếu có và cách kết luận có giới hạn.

Lỗi thứ ba là gọi RMSEA là chỉ số đo độ tin cậy thang đo. Cronbach's Alpha, Composite Reliability và rho_A mới liên quan đến độ tin cậy. RMSEA đánh giá mức phù hợp của mô hình, không đánh giá riêng một thang đo.

Lỗi thứ tư là chỉnh mô hình theo modification indices mà không ghi lại lý do. Trong buổi bảo vệ, giảng viên có thể hỏi vì sao hai sai số được nối với nhau hoặc vì sao một biến bị loại. Bạn cần có nhật ký phân tích gồm mô hình ban đầu, thay đổi đã thực hiện và căn cứ của từng thay đổi.

Lỗi cuối là trích dẫn ngưỡng nhưng không nói đó là ngưỡng cho CB-SEM. (Hu và Bentler, 1999) được dùng cho CFI, TLI, RMSEA và SRMR trong bối cảnh CB-SEM. Ghi rõ phạm vi áp dụng giúp phần phương pháp của bạn nhất quán hơn.

Câu hỏi thường gặp

RMSEA là gì trong SPSS?

RMSEA là chỉ số đánh giá mức độ phù hợp của mô hình SEM, nhưng SPSS Statistics thông thường không xuất RMSEA khi bạn chạy hồi quy, EFA hoặc Cronbach's Alpha. Nếu dùng AMOS cùng hệ sinh thái IBM, bạn sẽ thấy RMSEA trong bảng Model Fit Summary sau khi chạy CB-SEM.

RMSEA bao nhiêu là tốt?

Theo (Hu và Bentler, 1999), RMSEA không quá 0.08 thường được dùng như một ngưỡng tham khảo cho CB-SEM, còn RMSEA không quá 0.05 thường được diễn giải là mức phù hợp tốt hơn. Bạn vẫn phải đọc cùng CFI, TLI, SRMR, khoảng tin cậy và đặc điểm mô hình.

RMSEA 0.09 có đạt không?

RMSEA bằng 0.09 cao hơn ngưỡng 0.08 trong bảng tham khảo của (Hu và Bentler, 1999), vì vậy mô hình có dấu hiệu chưa phù hợp. Hãy kiểm tra dữ liệu, mô hình đo lường, residuals và cơ sở lý thuyết trước khi điều chỉnh. Không nên xóa biến hoặc nối sai số chỉ để giảm con số này.

SmartPLS có chỉ số RMSEA không?

RMSEA không phải chỉ số trọng tâm của quy trình đánh giá PLS-SEM. Với SmartPLS, bạn nên kiểm tra outer loading, Cronbach's Alpha, CR, AVE, HTMT, VIF, path coefficient, R², f² và Q² theo mục tiêu phân tích. Các ngưỡng RMSEA của CB-SEM không nên chuyển thẳng sang SmartPLS.

RMSEA khác SRMR như thế nào?

RMSEA phản ánh sai số xấp xỉ của mô hình theo bậc tự do, còn SRMR phản ánh độ chênh chuẩn hóa giữa tương quan quan sát và tương quan do mô hình tái tạo. Hai chỉ số bổ sung cho nhau, nên báo cáo cùng các chỉ số fit khác thay vì chọn một chỉ số duy nhất.

Mở file output của bạn, xác định trước mình đang chạy CB-SEM bằng AMOS hay PLS-SEM bằng SmartPLS, sau đó ghi RMSEA cùng các chỉ số phù hợp vào bảng kết quả và diễn giải có nguồn. Nếu bạn cần chạy phân tích trên chính file .sav hoặc .csv, M4 phân tích của DoThesis thực hiện bước này bằng SPSS và SmartPLS.