RMSEA lớn hơn 0.08 phải làm sao?

Hiện tượng bạn đang gặp

Bạn chạy mô hình CFA hoặc SEM bằng AMOS, mở bảng Model Fit và thấy RMSEA lớn hơn 0.08. Có thể kết quả hiện là RMSEA = 0.096, 0.112 hoặc cao hơn. Cùng lúc đó, CFI, TLI, GFI hoặc Chi-square/df cũng có thể chưa đạt. Đây là lúc nhiều bạn vội xóa biến, nối các mũi tên covariance hoặc chạy lại mô hình cho đến khi chỉ số đẹp.

RMSEA là chỉ số thường dùng để đánh giá mức độ sai lệch xấp xỉ của mô hình trong CB-SEM. Mốc 0.08 được sử dụng rộng rãi trong thực hành báo cáo, nhưng việc một mô hình vượt mốc này chưa tự động cho biết phải xóa biến nào. (Hu và Bentler, 1999) đề cập các ngưỡng chỉ số phù hợp trong CB-SEM, trong đó RMSEA ở mức 0.08 trở xuống thường được xem là phù hợp hơn.

Trước hết, bạn cần xác nhận mình đang dùng AMOS hoặc một phần mềm CB-SEM. RMSEA, CFI và TLI không phải nhóm chỉ số để đánh giá mô hình PLS-SEM trong SmartPLS. Nếu bạn đang đọc output AMOS, có thể xem thêm hướng dẫn về chỉ số độ phù hợp mô hình trong AMOS để phân biệt từng bảng trước khi sửa.

Nguyên nhân thường gặp

RMSEA cao có thể đến từ mô hình lý thuyết, dữ liệu, đặc điểm mẫu hoặc cách đặc tả mô hình. Bạn nên bắt đầu từ các kiểm tra ít can thiệp nhất, vì thay đổi mô hình chỉ để kéo RMSEA xuống sẽ tạo ra vấn đề khi bị hỏi ở buổi bảo vệ.

Không nên xem Modification Indices như danh sách lệnh phải làm theo. AMOS có thể đề xuất nối covariance giữa hai sai số, nhưng phần mềm không biết hai biến có nội dung giống nhau hay quan hệ đó có cơ sở lý thuyết hay không. Một đường nối được thêm chỉ vì có MI lớn có thể làm mô hình đẹp hơn trên chính mẫu hiện tại nhưng yếu về lập luận.

Bạn cũng nên kiểm tra mình có đang trộn tiêu chí giữa CB-SEM và PLS-SEM hay không. Các chỉ số CFI, TLI, RMSEA và SRMR theo (Hu và Bentler, 1999) được dùng cho CB-SEM. Nếu cần xử lý đồng thời lỗi CFI, bạn có thể đối chiếu bài CFI nhỏ hơn 0.9 phải làm sao, nhưng vẫn phải giữ đúng bối cảnh AMOS.

Cách xử lý theo thứ tự ưu tiên

1. Kiểm tra lại loại mô hình và dữ liệu đầu vào

Mở file .sav và kiểm tra các biến đã được nhập đúng chiều chưa. Những biến đảo chiều nhưng chưa reverse code có thể làm tương quan giữa các biến quan sát bị giảm, từ đó ảnh hưởng đến CFA và SEM. Bạn cũng cần kiểm tra mã missing, giá trị ngoài thang Likert và những dòng trả lời không hợp lệ.

Trong SPSS, mở Analyze > Descriptive Statistics > Frequencies để xem giá trị nhỏ nhất, lớn nhất và tần suất của từng biến. Nếu bảng hỏi dùng Likert 1 đến 5 mà một biến xuất hiện giá trị 55 hoặc 99, đó có thể là mã missing chưa được xử lý. Đừng sửa trực tiếp trong AMOS trước khi xác định dữ liệu gốc có vấn đề gì.

2. Đọc toàn bộ nhóm chỉ số trong bảng Model Fit

Trong AMOS, xem bảng Model Fit và ghi lại Chi-square, degrees of freedom, CMIN/DF, CFI, TLI, GFI, AGFI, RMSEA và PCLOSE nếu có. Không nên kết luận rằng mô hình thất bại chỉ vì RMSEA cao, cũng không nên tuyên bố mô hình đạt chỉ vì CFI vượt một mốc riêng lẻ.

Một mô hình có RMSEA = 0.085 và CFI = 0.91 cần được giải thích khác với mô hình có RMSEA = 0.150, CFI = 0.68 và TLI = 0.61. Trường hợp thứ hai thường cho thấy vấn đề rộng hơn về mô hình hoặc dữ liệu. Hãy lưu output ban đầu thành một phiên bản riêng trước khi điều chỉnh.

3. Kiểm tra loading và biến quan sát có vấn đề

Trong bảng Standardized Regression Weights, xem loading của từng biến quan sát. Loading thấp cho thấy biến đó liên hệ yếu với biến tiềm ẩn, nhưng quyết định loại biến cần kết hợp với ý nghĩa nội dung. Một biến có loading thấp nhưng là khía cạnh bắt buộc của khái niệm không nên bị xóa máy móc.

Bạn có thể chạy CFA theo từng nhóm thang đo để phát hiện nhóm nào gây ra độ phù hợp kém. Cách này giúp khoanh vùng vấn đề, nhưng mô hình cuối cùng vẫn phải được đánh giá lại trên cấu trúc đầy đủ. Nếu xóa biến, hãy ghi lại mã biến, lý do và chỉ số trước và sau khi xóa.

4. Kiểm tra Modification Indices có cơ sở lý thuyết

Trong AMOS, mở View > Text Output, sau đó xem phần Modification Indices. Một MI lớn giữa hai sai số không đủ làm bằng chứng để nối chúng. Bạn chỉ nên cân nhắc covariance khi hai biến có nội dung gần nhau, cùng cách diễn đạt hoặc có lý do phương pháp rõ ràng được nêu trong thiết kế thang đo.

Việc nối quá nhiều sai số khiến mô hình phụ thuộc mạnh vào mẫu hiện tại. Nếu mô hình chỉ đạt sau nhiều lần nối covariance nhưng không có lý do lý thuyết, bạn nên giữ phiên bản hợp lý hơn và trình bày hạn chế thay vì che giấu quy trình. Trường hợp mô hình không chạy hoặc không được nhận dạng, xem thêm mô hình không được nhận dạng phải làm sao.

5. Kiểm tra outlier, normality và cỡ mẫu

RMSEA có thể bị ảnh hưởng khi dữ liệu có outlier đa biến hoặc phân phối lệch đáng kể. Trong AMOS, xem các chỉ báo liên quan đến normality và Mahalanobis distance. Một dòng có khoảng cách rất lớn cần được đối chiếu với dữ liệu gốc, không được xóa chỉ vì nó làm chỉ số xấu.

Bạn cần ghi rõ tiêu chí làm sạch dữ liệu và áp dụng nhất quán. Nếu loại một quan sát, hãy lưu file trước và sau xử lý, đồng thời nêu lý do. Cỡ mẫu quá nhỏ cũng làm ước lượng kém ổn định, nhất là khi mô hình có nhiều tham số. Vì vậy, sửa mô hình không thể thay thế hoàn toàn cho việc có dữ liệu đủ phù hợp.

6. So sánh mô hình cạnh tranh một cách có lý do

Nếu lý thuyết cho phép nhiều cấu trúc, bạn có thể so sánh mô hình một nhân tố, mô hình các nhân tố tương quan và mô hình bậc cao hơn. Mỗi mô hình phải được xây dựng từ lập luận nghiên cứu, không phải từ việc thử mọi sơ đồ đến khi RMSEA thấp nhất.

Bạn cũng cần phân biệt mô hình đo lường và mô hình cấu trúc. Trước khi diễn giải các giả thuyết, mô hình đo lường cần có bằng chứng hợp lý về độ tin cậy, giá trị hội tụ và giá trị phân biệt. Cách tiếp cận kiểm tra mô hình đo lường trước rồi mới kiểm tra mô hình cấu trúc phù hợp với logic hai bước được trình bày trong (Anderson và Gerbing, 1988).

Bảng số liệu minh họa

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Các cột được trình bày theo dạng thường gặp trong phần Model Fit của AMOS để bạn biết cần chép lại những gì khi so sánh các phiên bản mô hình.

Các con số trên chỉ nhằm minh họa cách đọc output. Bạn không được thay số liệu của mình bằng các giá trị này. Khi viết chương 4, hãy lấy trực tiếp từ file output AMOS của chính bạn và lưu cả phiên bản mô hình ban đầu để có thể giải thích quá trình.

7. Chạy lại mô hình và ghi lại từng vòng điều chỉnh

Sau mỗi thay đổi, xuất lại output và đặt tên file theo thứ tự, chẳng hạn CFA_v1, CFA_v2 và CFA_final. Bảng theo dõi nên có biến bị loại hoặc đường dẫn được thêm, lý do, RMSEA, CFI, TLI và ghi chú về cơ sở lý thuyết.

Nếu đã thử vài điều chỉnh hợp lý mà RMSEA vẫn cao, dừng lại để hỏi giảng viên hướng dẫn. Tiếp tục tối ưu theo MI có thể làm bạn mất kiểm soát mô hình và không còn biết kết quả cuối cùng trả lời cho giả thuyết nào.

Khi nào phải quay lại thu thêm dữ liệu

Bạn nên cân nhắc thu thêm dữ liệu khi cỡ mẫu hiện tại thấp so với số biến quan sát và số tham số, dữ liệu có nhiều dòng không hợp lệ, hoặc các nhóm đối tượng quan trọng bị thiếu. Thu thêm dữ liệu không bảo đảm RMSEA sẽ giảm, nhưng có thể giúp ước lượng ổn định hơn nếu nguyên nhân chính là mẫu quá nhỏ hoặc mất cân bằng.

Không nên thu thêm chỉ để săn một RMSEA dưới 0.08. Trước khi mở lại bảng hỏi, hãy kiểm tra xem vấn đề nằm ở thiết kế thang đo, câu hỏi đảo chiều, chất lượng trả lời hay mô hình lý thuyết. Nếu các biến đo cùng một khái niệm nhưng nội dung trùng lặp hoặc mơ hồ, thêm người trả lời không sửa được lỗi đo lường.

Khi loại quan sát, hãy đặt ra tiêu chí trước và áp dụng cho toàn bộ dữ liệu. Việc xóa những dòng chỉ làm RMSEA đẹp hơn nhưng không có lý do phương pháp sẽ khó giải trình hơn việc báo cáo một mô hình chưa hoàn hảo nhưng minh bạch.

Cách giải trình với giảng viên hướng dẫn

Bạn nên mang theo ba phần: output mô hình ban đầu, bảng thay đổi từng vòng và lý do lý thuyết cho phiên bản cuối. Đừng chỉ gửi một ảnh chụp Model Fit sau khi đã xóa biến, vì người hướng dẫn cần biết mô hình đã thay đổi như thế nào.

Cách viết vào luận văn: “Kết quả CFA ban đầu cho thấy mô hình có RMSEA = [giá trị], CFI = [giá trị] và TLI = [giá trị]. Sau khi kiểm tra [biến quan sát hoặc quan hệ sai số], nhóm nghiên cứu điều chỉnh [nội dung điều chỉnh] dựa trên [cơ sở lý thuyết hoặc lý do đo lường]. Mô hình sau điều chỉnh có RMSEA = [giá trị], CFI = [giá trị] và TLI = [giá trị].”

Nếu RMSEA vẫn lớn hơn 0.08 nhưng các chỉ số khác và nội dung lý thuyết có thể chấp nhận, hãy viết đúng kết quả thay vì đổi số. Bạn có thể nêu rằng độ phù hợp chưa hoàn toàn tối ưu và trình bày các giới hạn liên quan đến mẫu, thang đo hoặc đặc tả mô hình. Cách giải thích này có giá trị hơn một mô hình đẹp nhưng không thể bảo vệ.

Cách phòng từ bước thiết kế

Ngay từ chương 3, bạn cần xác định rõ mỗi biến quan sát đo khía cạnh nào của biến tiềm ẩn. Tránh đưa nhiều biến có wording gần như giống nhau chỉ để tăng số lượng item. Một bảng hỏi dài nhưng các biến không rõ nội dung có thể tạo ra tương quan bất thường và làm CFA khó đạt.

Trước khi thu chính thức, kiểm tra mã hóa, biến đảo chiều và quy tắc xử lý missing. Chạy thử quy trình nhập .sav bằng một bản dữ liệu mẫu giúp phát hiện lỗi tên biến và giá trị trước khi có hàng trăm dòng trả lời.

Bạn cũng nên xác định trước phần mềm phù hợp. AMOS phục vụ CB-SEM và có các chỉ số fit như RMSEA, CFI, TLI. SmartPLS dùng logic PLS-SEM, nên không lấy RMSEA làm tiêu chí trung tâm. Nếu cần xem thêm các lỗi liên quan đến AMOS, bạn có thể tham khảo lỗi CFI nhỏ hơn 0.9 trong AMOS và kiểm định trung gian bằng bootstrap trong AMOS. Các hướng dẫn SPSS liên quan khác được gom tại chủ đề SPSS.

Lỗi thường gặp khi sửa

Lỗi đầu tiên là xem mốc 0.08 như một luật cứng rồi xóa biến liên tục. Ngưỡng chỉ là điểm tham chiếu, còn quyết định cuối cùng cần dựa trên toàn bộ chỉ số, lý thuyết và chất lượng đo lường. (Hu và Bentler, 1999) là nguồn bạn có thể dùng khi trình bày các chỉ số fit của CB-SEM, nhưng không biến một mốc đơn lẻ thành bằng chứng cho mô hình.

Lỗi thứ hai là nối covariance giữa mọi cặp sai số có MI lớn. Nếu không giải thích được vì sao hai sai số liên quan, bạn không nên thêm đường nối đó. Lỗi thứ ba là báo cáo mô hình cuối cùng mà không nói các biến đã bị loại, khiến kết quả khó tái lập.

Lỗi thứ tư là dùng tiêu chí của SmartPLS cho AMOS hoặc ngược lại. Hãy ghi rõ phần mềm, loại mô hình, bảng output và nguồn của ngưỡng. Lỗi cuối cùng là thay số trong luận văn bằng số minh họa trên Internet. Bảng minh họa chỉ giúp bạn nhận diện cột, không thay thế dữ liệu thật.

Câu hỏi thường gặp

RMSEA lớn hơn 0.08 có bắt buộc phải xóa biến không?

Không. Bạn cần xem loading, các chỉ số fit còn lại, dữ liệu và cơ sở lý thuyết trước khi quyết định. Xóa biến chỉ vì RMSEA cao có thể làm mất nội dung quan trọng của thang đo.

RMSEA bằng 0.09 có được chấp nhận trong luận văn không?

Bạn không nên tự kết luận chỉ từ con số 0.09. Hãy báo cáo cùng CFI, TLI, Chi-square/df, khoảng tin cậy nếu output có cung cấp, và giải thích chất lượng mô hình. Nếu vẫn dùng mô hình, cần nêu rõ điểm hạn chế và lý do lựa chọn.

Có nên nối covariance giữa hai sai số khi Modification Indices lớn không?

Chỉ nên cân nhắc khi quan hệ đó có lý do lý thuyết hoặc lý do đo lường rõ ràng, chẳng hạn hai biến có nội dung tương tự. MI là gợi ý kỹ thuật, không phải bằng chứng tự động cho việc thêm đường dẫn.

RMSEA cao nhưng CFI đạt thì nên tin chỉ số nào?

Hãy giữ cả hai trong báo cáo và kiểm tra nguyên nhân chênh lệch. CFI và RMSEA phản ánh các khía cạnh khác nhau của độ phù hợp, nên việc một chỉ số tốt không xóa được cảnh báo từ chỉ số còn lại. Bạn cần xem cả mô hình, cỡ mẫu và degrees of freedom.

Thu thêm dữ liệu có làm RMSEA giảm chắc chắn không?

Không. Thu thêm dữ liệu chỉ là một hướng xử lý khi mẫu hiện tại quá nhỏ, chất lượng dữ liệu thấp hoặc thiếu nhóm đối tượng cần thiết. Nếu nguyên nhân nằm ở thang đo hoặc mô hình lý thuyết, thêm người trả lời không giải quyết được vấn đề.

Mở file AMOS của bạn, lưu lại output mô hình ban đầu, ghi RMSEA cùng CFI và TLI, rồi kiểm tra dữ liệu trước khi xóa hay nối bất kỳ đường nào; nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể xem module M4 tại DoThesis.