TLI là gì? Cách đọc chỉ số TLI trong kết quả SEM

TLI là gì

Bạn mở bảng kết quả SEM và thấy dòng Tucker-Lewis Index hoặc viết tắt TLI, nhưng chưa biết con số đó đang nói gì về mô hình. TLI là chỉ số đánh giá độ phù hợp tổng thể của mô hình, thường xuất hiện trong CB-SEM, chẳng hạn AMOS, LISREL hoặc Mplus. TLI so sánh mô hình bạn xây dựng với một mô hình cơ sở, đồng thời có điều chỉnh theo mức độ phức tạp của mô hình.

Về cách hiểu, TLI xem mô hình đề xuất cải thiện độ phù hợp đến đâu so với mô hình độc lập, trong đó các biến quan sát được giả định không có quan hệ với nhau. Chỉ số này có thể lớn hơn 1 hoặc nhỏ hơn 0 trong một số trường hợp bất thường, nhưng trên thực tế bạn thường gặp giá trị nằm gần khoảng 0 đến 1. Giá trị càng cao thường cho thấy mô hình phù hợp hơn với dữ liệu.

TLI không phải là hệ số tải, R², p-value hay Cronbach's Alpha. Nó trả lời một câu hỏi ở cấp độ toàn mô hình: cấu trúc quan hệ giữa các biến tiềm ẩn và biến quan sát có tái hiện dữ liệu quan sát đủ tốt hay không. Nếu bạn đang cần nền tảng về cấu trúc phương trình, có thể xem thêm bài SEM là gì và bài về mô hình SEM.

Ý nghĩa của TLI trong nghiên cứu định lượng

TLI được dùng để đánh giá model fit trong CB-SEM. Khi bạn kiểm định mô hình đo lường hoặc mô hình cấu trúc bằng AMOS, TLI thường được đọc cùng với Chi-square, CMIN/DF, CFI, RMSEA và SRMR. Một chỉ số riêng lẻ không đủ để kết luận mô hình tốt, vì mỗi chỉ số phản ánh một khía cạnh khác nhau của độ phù hợp.

TLI có điểm đáng chú ý là có tính đến độ phức tạp của mô hình. Hai mô hình có mức cải thiện tương tự nhau, nhưng mô hình dùng quá nhiều tham số có thể không được TLI đánh giá cao bằng mô hình gọn hơn. Vì vậy, việc thêm đường dẫn giữa các biến chỉ để làm chỉ số đẹp hơn có thể khiến hội đồng hỏi ngược về cơ sở lý thuyết.

Trong một luận văn, TLI thường hỗ trợ quyết định xem mô hình đo lường hoặc mô hình SEM có thể tiếp tục được diễn giải hay cần xem lại. Bạn vẫn phải kiểm tra tải nhân tố, giá trị hội tụ, giá trị phân biệt và ý nghĩa của các đường dẫn. Nội dung này thuộc nhóm CB-SEM, khác với PLS-SEM, nơi bạn thường tập trung vào R², Q², f², outer loading, CR, AVE và HTMT.

Nếu file của bạn chỉ có dữ liệu .sav và bạn chạy hồi quy trong SPSS, bạn sẽ không tự động có TLI. SPSS có thể được dùng để chuẩn bị dữ liệu hoặc chạy một số phân tích nền, nhưng TLI thường đến từ phần mềm SEM như AMOS. Vì vậy, cụm tìm kiếm “TLI trong SPSS” dễ gây nhầm lẫn. Bạn cần xác định chính xác mình đang chạy SPSS, AMOS hay SmartPLS trước khi đọc bảng kết quả.

TLI bao nhiêu là đạt

Trong nhiều tài liệu thực hành CB-SEM, TLI từ 0.90 trở lên thường được dùng như mốc phù hợp chấp nhận được. Mốc 0.95 đôi khi được xem là mức phù hợp tốt hơn, nhưng bạn không nên biến một mốc tham khảo thành quy tắc cứng áp dụng cho mọi mô hình. (Hu và Bentler, 1999) đề xuất cách xem xét các chỉ số fit cùng nhau, trong đó CFI và TLI từ 0.90 trở lên, RMSEA và SRMR ở mức 0.08 trở xuống được dùng cho CB-SEM.

Bảng dưới đây giúp bạn đọc nhanh. Mỗi ngưỡng cần được đặt cạnh nguồn và bối cảnh, vì TLI không phải tiêu chí của SmartPLS.

TLI đạt từ 0.90 không có nghĩa là mô hình chắc chắn đúng về lý thuyết. Ngược lại, TLI thấp cũng không tự động chứng minh đề tài sai. Chỉ số có thể bị ảnh hưởng bởi cỡ mẫu, đặc điểm dữ liệu, mức độ phức tạp của mô hình và cách bạn đặc tả quan hệ giữa các biến.

Bạn cũng cần phân biệt TLI với các ngưỡng của SmartPLS. Các chỉ số CFI, TLI và RMSEA thuộc nhóm chỉ số fit thường dùng trong CB-SEM, không nên lấy chúng để đánh giá một mô hình PLS-SEM chỉ vì SmartPLS hiển thị nhiều bảng kết quả. Nếu đề tài dùng SmartPLS, hãy xem hướng dẫn tại chủ đề SmartPLS và giữ đúng nhóm chỉ số của PLS-SEM.

Cách đọc TLI trên output

Trong AMOS, bạn thường mở bảng Model Fit hoặc phần CMIN, Baseline Comparisons và RMSEA. TLI thường nằm trong nhóm Baseline Comparisons, cạnh NFI, RFI, IFI và CFI. Tên cột có thể thay đổi nhẹ tùy phiên bản hoặc cách xuất kết quả, nên hãy tìm đúng dòng Tucker-Lewis Index thay vì chỉ nhìn một con số gần cuối bảng.

Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Bảng được trình bày theo dạng người dùng thường gặp khi đọc output CB-SEM.

Với dòng Default model trong ví dụ, TLI bằng 0.921. Con số này vượt mốc 0.90 được nêu trong (Hu và Bentler, 1999), đồng thời CFI, RMSEA và SRMR trong bảng cũng nằm ở vùng tham khảo tương ứng. Cách diễn giải thận trọng là mô hình có độ phù hợp chấp nhận được theo các chỉ số đang báo cáo, sau đó mới chuyển sang kiểm tra mô hình đo lường và các đường dẫn.

Bạn không lấy TLI của dòng Independence model để kết luận. Dòng đó là mô hình cơ sở dùng làm điểm so sánh. Trong một số output, TLI có thể xuất hiện ở bảng tổng hợp Model Fit Summary; nguyên tắc đọc vẫn giống nhau: xác định đúng mô hình mặc định, đọc đúng dòng, đối chiếu với CFI và các chỉ số sai số.

Nếu bạn đang dùng SPSS, hãy lưu ý Analyze > Regression > Linear chỉ cho bạn bảng Model Summary, ANOVA và Coefficients, không tạo ra TLI. Nếu cần chạy CB-SEM, quy trình thường chuyển sang AMOS sau khi dữ liệu đã được làm sạch. Bạn có thể xem thêm bài CB-SEM là gì để phân biệt cách tiếp cận này với PLS-SEM.

Khi TLI không đạt thì xử lý thế nào

Trước hết, kiểm tra bạn có đang đọc đúng loại mô hình và đúng phần mềm không. Nếu bạn chạy SmartPLS, việc tìm TLI để kết luận mô hình đạt hay không là sai hướng. Nếu bạn chạy AMOS nhưng TLI dưới 0.90, hãy xử lý theo thứ tự có thể giải trình được dưới đây.

Kiểm tra dữ liệu và đặc tả mô hình

Xem lại biến đảo chiều, dữ liệu thiếu, giá trị ngoại lệ, phân phối dữ liệu và mã hóa biến. Một biến quan sát nhập sai thang đo hoặc một nhóm biến bị đặt nhầm quan hệ có thể làm fit giảm. Đồng thời kiểm tra mô hình có đúng với mô hình lý thuyết và giả thuyết đã trình bày ở chương 2, chương 3 hay không.

Kiểm tra mô hình đo lường

Xem tải nhân tố chuẩn hóa, sai số đo lường và các biến quan sát có tải thấp. Bạn chỉ nên cân nhắc loại biến khi có lý do thống kê và lý thuyết, đồng thời phải ghi lại biến nào bị loại ở vòng nào. Việc xóa hàng loạt biến chỉ vì Modification Indices gợi ý có thể làm mô hình đẹp hơn trên mẫu hiện tại nhưng yếu về khả năng bảo vệ.

Xem Modification Indices có cơ sở

Modification Indices có thể gợi ý thêm covariance giữa các sai số hoặc thêm đường dẫn. Chỉ dùng gợi ý này khi có cơ sở từ nội dung biến quan sát, cách đo lường hoặc lý thuyết đã công bố. Không nối mọi cặp sai số có MI cao để ép TLI vượt ngưỡng.

Chạy lại và ghi rõ từng vòng

Sau mỗi thay đổi, lưu một phiên bản file riêng, ghi biến bị loại, lý do, TLI, CFI, RMSEA và SRMR. Nếu mô hình vẫn không phù hợp, bạn có thể báo cáo hạn chế thay vì tiếp tục chỉnh đến khi có con số mong muốn. Một mô hình đơn giản, có lý thuyết rõ ràng thường dễ giải trình hơn một mô hình nhiều đường dẫn nhưng được sửa theo output.

Phân biệt TLI với CFI và RMSEA

TLI, CFI và RMSEA đều xuất hiện trong các bảng đánh giá model fit, nhưng chúng không phải cùng một chỉ số. TLI và CFI thường được đọc như nhóm chỉ số so sánh mô hình đề xuất với mô hình cơ sở. RMSEA tập trung vào sai số xấp xỉ, còn SRMR phản ánh phần dư chuẩn hóa.

TLI và CFI thường đi cùng nhau vì cả hai đều giúp bạn xem mức cải thiện của mô hình so với mô hình độc lập. Tuy nhiên, chúng có công thức và mức phạt độ phức tạp khác nhau, nên hai con số có thể không giống nhau. RMSEA lại có thể tăng khi mô hình hoặc dữ liệu có vấn đề dù CFI và TLI vẫn ở mức tương đối cao.

Đừng nhầm TLI với R² trong SmartPLS. R² cho biết mức độ giải thích phương sai của biến nội sinh, còn TLI đánh giá độ phù hợp tổng thể của mô hình CB-SEM. Cũng đừng nhầm TLI với VIF, vì VIF dùng để xem xét đa cộng tuyến giữa các biến dự báo. Nếu bạn đang làm việc với biến tiềm ẩn, bài biến tiềm ẩn là gì sẽ giúp bạn tách khái niệm đo lường khỏi chỉ số fit.

Lỗi thường gặp

Lỗi đầu tiên là viết “TLI trong SPSS” nhưng không nói rõ phần mềm nào tạo ra kết quả. SPSS không tự tạo TLI trong hồi quy tuyến tính thông thường. Nếu bạn dùng AMOS đi kèm hệ sinh thái IBM, hãy ghi đúng là kết quả CB-SEM bằng AMOS, không gộp tất cả thành “chạy SPSS”.

Lỗi thứ hai là kết luận mô hình đạt chỉ dựa trên TLI. Một TLI trên 0.90 cần được đọc cùng CFI, RMSEA, SRMR, Chi-square và bối cảnh mô hình. Nếu các chỉ số mâu thuẫn, bạn cần giải thích sự khác biệt thay vì chọn riêng con số đẹp nhất.

Lỗi thứ ba là dùng ngưỡng CFI, TLI, RMSEA của CB-SEM để viết cho SmartPLS. PLS-SEM có nhóm đánh giá khác, gồm mô hình đo lường và mô hình cấu trúc. Bạn nên xác định phương pháp ngay từ chương phương pháp để tránh trộn tiêu chí.

Lỗi thứ tư là xóa biến quan sát hoặc nối covariance giữa sai số mà không ghi lý do. Hội đồng có thể hỏi vì sao biến bị loại, thay đổi đó dựa vào lý thuyết nào và kết quả có ổn định khi chạy lại hay không. File dữ liệu gốc, file phân tích từng vòng và bảng theo dõi thay đổi sẽ giúp bạn trả lời cụ thể hơn.

Câu hỏi thường gặp

TLI là gì trong SEM?

TLI là viết tắt của Tucker-Lewis Index, một chỉ số đánh giá độ phù hợp tổng thể của mô hình, thường dùng trong CB-SEM. TLI so sánh mức phù hợp của mô hình đề xuất với mô hình cơ sở và có xem xét độ phức tạp của mô hình.

TLI bao nhiêu là tốt?

TLI từ 0.90 trở lên thường được xem là mức phù hợp chấp nhận được trong bối cảnh CB-SEM theo (Hu và Bentler, 1999). Mức cao hơn có thể là tín hiệu tích cực, nhưng bạn vẫn phải đọc cùng CFI, RMSEA, SRMR và cơ sở lý thuyết của mô hình.

TLI trong SPSS có chạy được không?

Nếu bạn chỉ chạy hồi quy bằng SPSS, output thông thường không có TLI. TLI thường xuất hiện khi bạn chạy mô hình CB-SEM bằng AMOS hoặc phần mềm SEM tương tự. Vì vậy, hãy kiểm tra tên phần mềm và bảng output trước khi tìm ngưỡng.

SmartPLS có dùng TLI không?

TLI không phải chỉ số trọng tâm để đánh giá mô hình PLS-SEM trong SmartPLS. Với SmartPLS, bạn thường đánh giá outer loading, CR, AVE, HTMT, VIF, path coefficient, R², f², Q² và kết quả bootstrapping theo thiết kế nghiên cứu.

TLI không đạt thì phải làm sao?

Bạn kiểm tra lại dữ liệu, biến đảo chiều, biến quan sát, mô hình đo lường và đặc tả lý thuyết trước khi chỉnh sửa. Có thể tham khảo Modification Indices, nhưng chỉ thêm hoặc bỏ quan hệ khi có lý do học thuật và phải ghi lại từng vòng phân tích trong luận văn.

Mở lại file phân tích của bạn, xác định TLI đang đến từ AMOS hay một output khác, sau đó đối chiếu TLI với CFI, RMSEA, SRMR và mô hình lý thuyết trước khi viết kết luận. Nếu bạn cần chạy các chỉ số trên chính file .sav hoặc .csv của mình, M4 phân tích của DoThesis hỗ trợ bước phân tích SPSS và SmartPLS.