Bài giảng Thực hành mô hình cấu trúc tuyến tính (SEM) với phần mềm AMOS (Phần 1)

NGUYỄN KHÁNH DUY Giảng viên Khoa Kinh tế Phát Triển Trường ĐH Kinh tế TPHCM BÀI GIẢNG (Bản thảo lần 1) THỰC HÀNH MƠ HÌNH CẤU TRÚC TUYẾN TÍNH (SEM) VỚI PHẦN MỀM AMOS gs_gqs gqs6 e9 gqs5 e8 gqs4 e7 gqs3 e6 gss6 e5 gss5 e4 gss4 e3 gss2 e2 gss1 e1 .80 lcs cos2e17 cos1e16 cgss4e15 cgss1e14 lcs5e13 lcs3e12 lcs2e11 lcs1e10 .77 .71 .63 .69 cs cos8e23 cos7e22 cos6e21 cos5e20 cos4e19 cos3e18 .83 .81 .80 .77 .72 .76 lrs lrs4e27 lrs3e26 lrs2e25 lrs1e24 .78 .75 .66 .67 gts gts6e33 Chi-square= 1595.832 df= 1007 P-value= .000 Chi-square/df= 1.585 TLI= .915 CFI= .921 IFI=.922 RMSEA= .053 gts5e32 gts4e31 gts3e30 gts2e29 gts1e28 2.7 .63.76 .77 .79 .77 aws aws3e36 aws2e35 aws1e34 .78 cfls gss8e38 gss7e37 .75 .73 .74 .76 .79 .82 .80 .67 .67 .82 .79 .88 .86 .69 .71 .72 oss oss3 e41 oss2 40 oss1 e39 .79 .90 .92 ls ls1 e42 ls2 e43 ls3 e44 ls4 e45 ls5 e46 ls6 e47 .81 .95 .95 .88 .87 .65 z2 z3 z1 .20 .15 .24 .50 -.11 .84 .32 .50 .74 .54 .69 .59 .66 .54 .79 .65 .34 .46 .21 .46 .38 .73 .40 .69 .41 .36 .60 Tháng 5/2009 TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM (Lưu hành nội bộ) 1 LỜI NĨI ĐẦU Mơ hình cấu trúc tuyến tính (SEM) được các nhà nghiên cứu trên thế giới sử dụng từ rất lâu. Ở Việt Nam, khoảng từ năm 2000 trở lại đây, SEM đã được nhiều nhà nghiên cứu sử dụng trong các cơng trình nghiên cứu hàn lâm, cũng như các nghiên cứu ứng dụng phục vụ các chương trình tư vấn doanh nghiệp, tư vấn chính sách cho các Tỉnh/thành phố. Gần đây, việc học tập / áp dụng mơ hình cấu trúc tuyến tính (SEM) nĩi riêng cũng như các kỹ thuật phân tích định lượng nĩi chung trong kinh tế, quản trị kinh doanh, tài chính- ngân hàng được đơng đảo bạn trẻ gồm sinh viên đại học, học viên cao học, nghiên cứu sinh quan tâm để giải quyết tốt nhất những mục tiêu nghiên cứu đã đặt ra. Bài giảng này nhằm hỗ trợ các bạn bước đầu tiếp cận SEM dưới gĩc độ thực hành với phần mềm AMOS được dễ dàng hơn, nhanh chĩng hơn mà trước mắt là làm tài liệu học tập mang tính trực quan phục vụ cho chương trình bồi dưỡng cử nhân tài năng do Đồn Khoa Kinh tế phát triển – Trường ĐH Kinh tế TPHCM tổ chức (chủ đề này học trong 2 buổi), hay các khố đào tạo ngắn hạn tại Trung tâm Tư vấn doanh nghiệp và Phát triển kinh tế vùng về Phân tích dữ liệu và dự báo trong kinh doanh. Bên cạnh đĩ, trong quá trình học tập, các bạn sinh viên/ học viên sẽ được phát các tài liệu đọc về mặt lý thuyết SEM, các bài báo khoa học, cơng trình nghiên cứu cĩ áp dụng SEM bằng tiếng Anh/ tiếng Việt khác Do SEM khá phức tạp dưới gĩc độ tốn học và trình độ của tác giả cịn hạn chế nên những sai sĩt trong quá trình biên soạn là khĩ cĩ thể tránh khỏi. Tác giả rất mong nhận được sự đĩng gĩp ý kiến, phê bình của bạn đọc để quyển bài giảng này trong lần tái bản tiếp theo sẽ được hồn thiện hơn, mang lại nhiều lợi ích hơn cho bạn đọc xa gần. Thư gĩp ý xin gửi về: Nguyễn Khánh Duy Khoa Kinh tế Phát triển – Trường ĐH Kinh tế TPHCM Địa chỉ: 1A Hồng Diệu – Quận Phú Nhuận - TPHCM Email: khanhduy@ueh.edu.vn hoặc nkduy2002@yahoo.com Điện thoại: 098.900.1766 Mong rằng bạn đọc sẽ tiếp tục đĩn nhận những quyển sách tốt hơn liên quan đến chủ đề kinh tế lượng, phân tích dữ liệu & dự báo nâng cao do các đồng nghiệp & tơi biên soạn (được xuất bản chính thức) trong tương lai. Xin chân thành cảm ơn và chúc các bạn thành cơng! TP.Hồ Chí Minh, tháng 5 năm 2009 Tác giả Nguyễn Khánh Duy 2 LỜI CẢM ƠN Tài liệu học tập này khơng đồ sộ và chặt chẽ như những quyển sách khác, bởi nĩ được viết dưới gĩc độ trực quan, ứng dụng Nĩ được hồn thành trong thời gian rất ngắn nhằm phục vụ trước mắt cho chương trình bồi dưỡng cử nhân tài năng do Đồn Khoa Kinh tế Phát Triển tổ chức, cũng như các khố học ngắn hạn về “Phân tích dữ liệu và dự báo trong kinh doanh”. Tuy vậy, quyển bài giảng này cũng là một kết quả của sự tích luỹ lâu dài từ trong quá trình học tập, giảng dạy, cơng việc, nghiên cứu từ trước tới nay. Và quá trình ấy, tác giả đã được sự hỗ trợ tận tình của quý thầy cơ giáo, bạn bè, các em sinh viên, và những người thân trong gia đình. Năm 2004, khi AMOS, tài liệu về SEM cịn rất hiếm; cơ Trần Kim Dung, thầy Đinh Thái Hồng (Khoa QTKD, Khoa Tốn-Thống Kê-ĐH Kinh tế TPHCM) đã giới thiệu, khuyến khích, động viên tơi trong quá trình tìm hiểu về SEM, và gửi tặng tơi những tài liệu, phần mềm cĩ liên quan. Nhờ sự giúp đỡ của quý thầy cơ mà việc tìm hiểu về SEM của tơi những thời gian đầu rất thuận lợi. Tơi xin được gửi lời cảm ơn đến Thầy Nguyễn Hữu Lam; thầy đã nhiệt tình hướng dẫn luận văn tốt nghiệp bậc thạc sĩ – nghiên cứu đầu tiên mà tơi sử dụng SEM (năm 2006). Trong mơn phương pháp nghiên cứu, Thầy Lê Nguyễn Hậu với câu nĩi “SEM thật đơn giản!”, “SEM dễ hơn mơ hình hồi quy nhiều!” đã khuyến khích nhiều học viên chúng tơi tìm tịi về nĩ. Tơi chân thành cảm ơn thầy Nguyễn Đình Thọ vì những gợi mở, những hướng dẫn tận tình của thầy đã dành cho chúng tơi. Những nghiên cứu của thầy là những tài liệu rất quý cho những người làm Marketing hay bất cứ ai đang làm nghiên cứu ngành quản trị kinh doanh, và những ai tìm hiểu về SEM... Thời gian học tập ở bậc đại học, sau đại học cĩ biết bao kỷ niệm với bạn bè, và sự tri ân của học viên chúng tơi với tất cả quý thầy cơ đã tham gia giảng dạy. Tơi muốn được gửi lời cảm ơn của mình đến thầy Hồng Trọng vì những quyển sách về phân tích dữ liệu bằng SPSS mà thầy đã tham gia biên soạn (từ 1997 đến nay). Nĩ là những tài liệu thật quý giá đối với tơi cũng như những bạn đam mê, hay muốn tìm hiểu về phân tích dữ liệu trong nghiên cứu; thật khơng ngờ quyển sách đầu tiên của thầy (viết cùng với thầy Võ Văn Huy, cơ Võ Thị Lan) mà tơi ngẫu nhiên tìm được ở nhà sách khi mới bước chân vào giảng đường đại học đã hướng tơi đến việc làm nhiều nghiên cứu khoa học với phương pháp định lượng khi cịn là sinh viên. Tơi xin được chân thành cảm ơn thầy Nguyễn Trọng Hồi, Thầy Cao Hào Thi đã tạo điều kiện hỗ trợ, động viên, hướng dẫn tơi trong cơng việc giảng dạy về phân tích định lượng từ những ngày đầu mùa thu năm 2007 ở chương trình giảng dạy Kinh tế Fulbright. Xin gửi đến Thu Hương lời cảm ơn chân thành vì rất nhiều điều, bạn đã đồng hành, chia sẻ, hỗ trợ tơi trong suốt thời gian học tập/ nghiên cứu ở bậc đại học, sau đại học Xin cảm ơn những bạn đồng nghiệp: anh Quốc Duy, anh Thanh Bình, anh Thanh Vũ và những người bạn khác luơn hỗ trợ, động viên, trao đổi, chia sẻ những kiến thức, kinh nghiệm về phân tích dữ liệu, cũng như hỗ trợ tơi trong cơng việc, trong nghiên cứu. Quyển bài giảng này viết ra chủ yếu dành cho các bạn sinh viên đại học khối kinh tế - quản trị. Cũng nhờ sự ham học tập, sự khát khao khám phá và những tình cảm tốt đẹp mà các bạn sinh viên đại học (mà tơi cĩ dịp gặp gỡ ở Trường ĐH Kinh tế TPHCM, Trường ĐH Ngoại Thương (CS2), Trường ĐH Ngân Hàng TPHCM, chương trình đào tạo đặc biệt của Trường ĐH Mở TPHCM) đã dành cho tơi trong thời gian qua đã giúp tơi luơn cĩ những niềm vui trong cơng việc, và nghiên cứu. Xin chân thành cảm ơn các bạn! 3 Bài giảng này cũng hướng đến nhiều đối tượng bạn đọc khác, đặc biệt hướng đến các bạn sinh viên Khoa Kinh tế phát triển đang tham dự lớp bồi dưỡng cử nhân tài năng do Đồn Khoa tổ chức. Lớp học này khĩ cĩ thể thành cơng nếu khơng được sự hỗ trợ, tạo điều kiện của rất nhiều thầy cơ giáo, của các bạn trong ban tổ chức, các anh chị em phịng quản trị thiết bị, tổ chức hành chính, phịng cơng nghệ thơng tin, phịng điều phối giảng đường – thời khố biểu, chi đồn, chi hội, ban cán sự các lớp và sự nỗ lực của từng bạn sinh viên. Các ví dụ trong quyển bài giảng này; các bài tập/ tình huống kèm theo và các quyển sách trong tương lai sẽ cĩ những chất liệu, nguồn dữ liệu từ các nghiên cứu khơng chỉ của tơi, mà cịn của các bạn bè, của các bạn sinh viên, cũng như rất nhiều tác giả khác. Xin chân thành cảm ơn bạn Nguyễn Thị Mỹ Thuận, bạn Mai Thuỳ Ninh, anh Võ Đức Thọ, anh Lê Văn Khoa về những dữ liệu mà các bạn, các anh đã khảo sát rất cơng phu. Xin cảm ơn các tác giả của các quyển sách, tạp chí, bài viết mà tơi đã tham khảo; vì sự đam mê và nghiên cứu nghiêm túc của họ đã giúp tơi hiểu rõ hơn và nhanh hơn những vấn đề chưa biết. Xin cảm ơn anh Phạm Đức Kỳ và thầy Bùi Nguyên Hùng ở Khoa Quản lý cơng nghiệp – ĐH Bách Khoa TPHCM về các bài viết mà quyển bài giảng này đã giới thiệu trong phụ lục để các bạn sinh viên tham khảo thêm. Cuối cùng, tơi khơng quên gửi lời cảm ơn chân thành đến bố, mẹ, em Khánh Hùng và những người thân về tất cả! Nguyễn Khánh Duy 4 MỤC LỤC Lời nĩi đầu Lời cảm ơn Mục lục Trang 1. Trao đổi với các bạn sinh viên lớp bồi dưỡng cử nhân tài năng & giới thiệu mơ hình cấu trúc tuyến tính (SEM), phần mềm AMOS......................................6 2. Phân tích nhân tố khám phá (EFA_ Exploratory Factor Analysis) ..............................14 3. Phân tích nhân tố khẳng định (CFA_Confirmatory Factor Analysis) ..........................20 4. Mơ hình cấu trúc (SEM_Structural Equation Modeling) .............................................48 5. Kiểm định Bootstrap .....................................................................................................54 6. Phân tích cấu trúc đa nhĩm ...........................................................................................57 Lời kết Tài liệu tham khảo Phụ lục 5 1. TRAO ĐỔI VỚI CÁC BẠN SINH VIÊN LỚP BỒI DƯỠNG CỬ NHÂN TÀI NĂNG & GIỚI THIỆU VỀ SEM, PHẦN MỀM AMOS Từ đầu học kỳ đến nay, lớp chúng ta đã học về các chủ đề Tư duy sáng tạo (Thầy Nguyễn Hồng Bảo, trong 3 buổi), phương pháp nghiên cứu nâng cao – đi sâu vào khung phân tích và nghiên cứu định tính (Thầy Trần Tiến Khai, trong 2 buổi), Mơ hình Logit (Thầy Lương Vinh Quốc Duy, trong 1 buổi), Các chủ đề của kinh tế lượng tài chính và dự báo nâng cao ARIMA, SARIMA, ARCH-GARCH (thầy Phùng Thanh Bình, trong 4 buổi), Phân tích kỹ thuật (Thầy Võ Thanh Sơn, trong 2 buổi). Cơ Trương Cơng Thanh Nghị đã chia sẻ với các bạn về kinh nghiệm làm nghiên cứu, và giới thiệu các giải thưởng nghiên cứu khoa học sinh viên, kinh nghiệm học tập của một thủ khoa đầu vào cũng như đầu ra Khố 28 của trường ĐH Kinh tế TPHCM; anh Hồng Anh (Kế hoạch đầu tư K31) đã chia sẻ kinh nghiệm của anh trong việc học tập của một người đội trưởng đạt giải nhất cuộc thi “Kinh tế học - tầm nhìn bạn và tơi” – cuộc thi do Khoa KTPT chúng ta tổ chức với hơn 5000 thí sinh từ 11 trường đại học ở phía Nam - cũng như những nghiên cứu mà anh đang nỗ lực1, anh Nguyễn Ngọc Danh cũng đã trao đổi với các bạn về nghiên cứu của anh về sức khoẻ trẻ em với phương pháp 2SLS (là luận văn tốt nghiệp chương trình cao học Việt Nam-Hà Lan của anh Danh) Bên cạnh đĩ, những bạn sinh viên lớp nhân lực, một số bạn lớp KHĐT, Thẩm định giá cũng đã từng nghe nĩi về SEM cũng như biết được sự phổ biến của nĩ trong các nghiên cứu khi tham dự buổi báo cáo chuyên đề “Ứng dụng phương pháp định lượng trong nghiên cứu quản trị nguồn nhân lực và hành vi tổ chức” do cơ Trần Kim Dung báo cáo. Sáng nay, và chiều nay, một ngày chủ nhật, chúng ta sẽ tìm hiểu những vấn đề quan trọng nhất, cơ bản nhất của SEM, CFA và thử tìm hiểu xem người ta đã vận dụng nĩ trong nghiên cứu về quản trị, Marketing, nhân lực, hành vi trong lĩnh vực tài chính – chứng khốn, tâm lý học ở khu vực tư cũng như khu vực cơng như thế nào để từ đĩ các bạn cĩ thể tự học sâu hơn về SEM và vận dụng một cách sáng tạo vào những nghiên cứu mà các bạn đang ấp ủ. Giờ ra chơi sáng nay, Anh Hồng Nam (Sachvang), là admin và cũng là giảng viên trẻ của Khoa Quản trị Kinh Doanh sẽ giới thiệu với các bạn Forum caohockinhte.info là một diễn đàn rất hấp dẫn và sơi động của cộng đồng cao học kinh tế ở Việt Nam, và trên ấy cũng cĩ một mục dành riêng cho các bạn sinh viên đại học yêu thích hoạt động nghiên cứu khoa học (mục Cử nhân và thạc sĩ tài năng tương lai). Trong những năm gần đây, khơng chỉ nhiều người nghiên cứu trên thế giới và Việt Nam cĩ áp dụng SEM2 (Các bạn xem thêm trong phụ lục, tài liệu phát, các file đã gửi qua email về nghiên cứu của thầy Nguyễn Đình Thọ, cơ Mai Trang, cơ Kim Dung, nghiên cứu của tơi, và nghiên cứu của các tác giả khác) mà một số bạn sinh viên đại học, học viên cao 1 Tối ngày mai, thứ hai (11/5/09), 4 bạn thuộc lớp chúng ta (Hồng – NLK32, Phương – BĐSK32, Hải & Cần TĐG K32) sẽ là 1 đội đại diện cho trường ta tham gia vịng chung kết cuộc thi “Nhà kinh tế tương lai” do trường bạn – ĐH Ngoại Thương (CS2) tổ chức tại Nhà văn hố thanh niên. Tuy mảng quản trị kinh doanh khơng phải thế mạnh của các bạn SV khoa KTPT, nhưng tham gia cuộc thi này cũng là một mơi trường để học tập, rèn luyện, thể hiện bản thân, và giao lưu! Chúc các bạn ấy may mắn, vui, và học tập được nhiều điều bổ ích! 2 Tơi đã cĩ ý định huấn luyện thêm cho lớp về một số chủ đề khác nữa, nhưng những chủ đề này chỉ cĩ một vài nhĩm sử dụng và mất khá nhiều thời gian khi trình bày trên lớp: Mơ hình hệ phương trình (một số nhĩm cĩ thể sử dụng trong dự báo các chỉ tiêu vĩ mơ), Kinh tế lượng với dữ liệu bảng (Nhĩm bạn Mạnh Dũng, Thanh Hằng, Thanh Thuý – lớp Thẩm định giá K32), Khai thác bộ dữ liệu VHLSS với phần mềm STATA (Nhĩm của Thế Hùng về bất bình đẳng trong thu nhập– KHĐT K32, Nhĩm bạn Khương lớp Nhân lực K32) các bạn cĩ thể liên hệ với tơi qua email, hoặc trao đổi trực tiếp tại phịng giáo viên H103 vào trưa thứ năm hàng tuần về những vấn đề này. Và tơi cũng biết, lớp ta cĩ khả năng tự học rất cao! 6 học cũng đã áp dụng SEM trong nghiên cứu của họ. Hai bạn sinh viên đại học Khố 31 mà tơi cĩ dịp hướng dẫn cũng đã sử dụng trong việc đo lường chất lượng dịch vụ khách sạn ở Nha Trang (khảo sát cả khách du lịch quốc tế và khách trong nước), các yếu tố tạo động lực làm việc cho cơng nhân ở các Khu cơng nghiệp tại TPHCM, Bình Dương. Năm ngối, một bạn sinh viên ở Trường ĐH Kinh tế - ĐH Đà Nẵng cũng đã sử dụng trong đề tài NCKH sinh viên của bạn, và tơi biết nhiều bạn sinh viên khác cũng đã làm, sẽ làm AMOS được viết tắt từ Analysis of MOment Structures (Phân tích cấu trúc mơ măng). Phần mềm này dùng để thực hiện một phương pháp chung trong phân tích dữ liệu là Structural Equation Modeling (SEM_ mơ hình cấu trúc tuyến tính). SEM cũng cĩ những tên gọi khác như Analysis of Covariance Structures (Phân tích cấu trúc hiệp phương sai), hay Causal Modeling (mơ hình nhân quả). Trên đường lên tham quan bức tượng Chúa giang tay ở thành phố biển Vũng Tàu (Mũi Nghinh Phong), bạn sẽ thấy một hình ảnh của vị thánh cũng cĩ tên là AMOS! Bạn hãy xem qua một ví dụ về CFA. Pont & Quilken (2002) đã khảo sát 348 khách hàng ở các ngân hàng và sử dụng phân tích nhân tố khẳng định (viết tắt là CFA, Xem Hình 1.1 – cái sơ đồ “lằng nhằng” với mấy cái mĩc hai đầu ở trên) để kiểm định thang đo chất lượng dịch vụ ngân hàng (BANKSERV) do Avkiran đề xuất năm 1994 ở nước Úc (kế thừa 17 item đo lường chất lượng dịch vụ ngân hàng của Avkiran1). Trong phân tích nhân tố khẳng định, Pont và Quilken đã chỉ ra rằng thang đo này hiện nay khơng phù hợp, vì Chi- square=419.15; P=0.001 (2), Các chỉ tiêu TLI=0.86, CFI=0.88, GFI=0.87 (đều <0.9)2 Tuy nhiên, Theo bạn vì sao kết quả lại như thế? Làm thế nào để tốt hơn? (bạn hãy đọc kỹ lại nghiên cứu của Pont và Quilken trong file đã gửi vào email chung!) Bạn cĩ thấy rằng: năm 2002, Pont & Quilken (cĩ lẽ 2 bạn này đang là học viên sau đại học) áp dụng y nguyên thang đo BANKSERV do Avkiran đề xuất từ năm 1994 mà khơng cĩ sự điều chỉnh nào cả? Pont khơng bổ sung biến quan sát nào, khơng hiệu chỉnh gì, khơng EFA lại Khơng cần làm nghiên cứu này cũng biết là áp dụng y nguyên thì nĩ sẽ khơng cịn phù hợp, bởi qua thời gian mọi điều đã thay đổi. Trong CFA, bạn cũng cĩ thể cĩ cách hiệu chỉnh mơ hình, cải thiện mức độ phù hợp với thị trường bằng cách thêm các tương quan giữa sai số Trong CFA ta cịn quan tâm đến nhiều điều khác nữa! 1 Avkiran, N.K, (1999), Developing an instrument to measure customer service quality in branch banking, Internation Journal of Banking Marketing, 12 (6), 10-18 2 Bạn hãy để ý những đẳng thức được in đậm trong ngoặc đơn, nếu các chỉ tiêu tương ứng rơi vào trường hợp như vậy thì mơ hình đo lường (hay mơ hình nghiên cứu mà bạn sẽ tiếp cận sau này) khơng phù hợp với thị trường 7 Hình 1.1 Các biến trong sơ đồ trên được giải thích như sau: 8 Trong chủ đề này, người ta khơng chỉ nghĩ đến việc kiểm định mơ hình đo lường thơng qua CFA, mà điều quan tâm hơn nữa là xây dựng, kiểm định mơ hình nghiên cứu1 thơng qua mơ hình nhân quả, hay thường gọi là mơ hình cấu trúc (SEM). Chị Mai Thuỳ Ninh (sinh viên đại học ngành kế hoạch đầu tư Khố 31 mà tơi may mắn cĩ dịp hướng dẫn) đang làm đề tài tốt nghiệp về đánh giá mức độ thoả mãn của khách du lịch đối với chất lượng dịch vụ khách sạn tại thành phố Nha Trang. Ninh đã phát triển thang đo chất lượng dịch vụ khách sạn (Qualification of Hotel Service) của Saleh and Ryan (1990) và thang đo chất lượng dịch vụ du lịch của Kanampully (2001) với một số thành phần mới như vị trí, thơng tin, và quan tâm đến yếu tố giá cả. Khảo sát 107 khách du lịch quốc tế và 73 khách nội địa, sau khi EFA, Ninh đã làm CFA và đạt yêu cầu, sau đĩ thực hiện mơ hình cấu trúc để xem xét ảnh hưởng của chất lượng, vị trí, giá cả đến sự thoả mãn và lịng trung thành thì một kết quả ban đầu như Hình 1.2: Bạn nhận xét sơ bộ gì về mức độ phù hợp của mơ hình? Cĩ cách nào để cải thiện mơ hình được tốt hơn? - Bạn sẽ nhận định rằng mơ hình này chưa tốt, chưa phù hợp phải khơng? Đúng thế! - Cĩ nhiều cách thức để hiệu chỉnh mơ hình. Ví dụ như: thêm vào các hệ số tương quan giữa các sai số; điều chỉnh mối quan hệ giữa các khái niệm; bỏ bớt một số biến quan sát, một số khái niệm trong mơ hình nghiên cứu khơng đạt yêu cầu; thực hiện lại các phân tích trước đĩ - EFA - Cịn cách nào khác nữa khơng? Khi tơi đang viết bài giảng này, các em cĩ biết chị Ninh đang làm gì khơng? Mặc dù chuyên đề tốt nghiệp đã xong, chị cũng đang chuẩn bị để bảo vệ, và tham gia đề tài NCKH sinh viên, mơ hình đã tạm được (Khơng phải là mơ hình như Hình 1.2), nhưng chị đang trên chuyến tàu về Nha Trang để khảo sát thêm khoảng 100 khách quốc tế, 100 khách nội địa nữa tại các khách sạn, phịng chờ ở sân bay, một số khu du lịch và chú trọng hơn chất lượng của cuộc phỏng vấn ngồi ra, chị cũng chú trọng thêm về khảo sát định tính. Tơi nghĩ, cĩ lẽ chị ấy muốn khám phá, và khẳng định một điều gì đĩ, muốn đĩng gĩp một điều gì đĩ cĩ ý nghĩa, muốn nghiên cứu này khơng chỉ bỏ vào trong thư viện để các khố sau tham khảo, hay chỉ đăng trên các tạp chí hàn lâm! 1 Mơ hình thể hiện các quan hệ tương quan, và quan hệ nhân quả giữa các khái niệm. Nĩ thường được biểu diễn bởi sơ đồ, phương trình. 9 Hình 1.2 chatluong .51 che3e2 .60 che1e1 .72 .77 .80 reab1e3 .90 .81 reab2e4 .90 .74 reab3e5 .86 .79 reab4e6 .89 .79 res1e7 .89 .83 res2e8 .91 .78 res3e9 .88 .77 res4e10 .88.74 res5e11 .86.85 res6e12 .92 .88 res7e13 .94 .80 ser1e14 .89 .73 ser2e15 .85 .82 ser3e16 .91 .76 ser4e17 .87 .78 ser5e18 .88 .73 ser6e19 .85 .75 ser7e20 .86 .86 tang1e21 .93 .66 tang4e22 .81 .66 tang5e23 .81 vitri .76 loc1e26 .72 loc2e27 .85 .87 chi-square= 2406.583 ; df= 534 ; p= .000 ; chi-square/df= 4.507 ; cfi= .811 ; tli= .790 ; rmsea= .140 .63 .53 .46 .12 .23 .29 .30 .15 .15 .23 .32 .25 .06 .25 gia ca .88 pri1e28 .88 pri2e29 .94 .94 .35 foo2e30 .59 .89 thoa man .87 sat1 e33 .91 sat2 e32 .93 sat3 e31 .95 .94 .62 trung thanh .82 loy1 e34 .89 loy2 e35 .81 loy3 e36 .94 .91 .90 .67 loy4 e37 .82 e38 e39 .67 .97 .79 .13.32 .33 .53 .48 .83 .24 .11 -.63 .18 Sau khi học xong chủ đề này, bạn sẽ khơng chỉ cĩ những hiểu biết căn bản về mơ hình cấu trúc, những thao tác trên AMOS, mà cịn giúp bạn biết cách xây dựng, hiệu chỉnh, hồn chỉnh mơ hình. Và bạn cĩ đủ kiến thức nền tảng để cĩ thể dễ dàng hiểu được các nghiên cứu (cĩ áp dụng SEM) mà các tác giả trong và ngồi nước đã làm! Điều này giúp bạn đi nhanh, và xa hơn trong tiếp cận những tri thức mới, và tạo ra tri thức mới trong khoa học. 10 Trong gần 100 em đang học ở đây, đề tài của nhĩm em nào cĩ thể áp dụng CFA, SEM? Dĩ nhiên, sẽ cĩ nhiều em cĩ thể làm được, và nhiều đề tài cĩ thể sử dụng SEM, bởi các em học lớp này là để làm tốt hơn các nghiên cứu mà các em đang làm, để đĩng gĩp một điều gì đĩ cĩ ý nghĩa cho xã hội ngay trong khoảng thời gian ở giảng đường đại học, và chuẩn bị hành trang cho cơng việc/học tập sau khi tốt nghiệp đại học! Ví dụ những đề tài của một số nhĩm: chất lượng dịch vụ bệnh viện, ký túc xá, máy bán hàng tự động, dịch vụ vận tải hành khách của tàu Thống Nhất, dịch vụ giáo dục; động lực làm việc của nhân viên trong khu vực cơng, yếu tố ảnh hưởng đến kết quả làm việc của nhân viên, xu hướng mua, hành vi của nhà đầu tư trên thị trường chứng khốn, văn hố tổ chức, phong cách lãnh đạo 1. Một số nhĩm sử dụng kinh tế lượng với dữ liệu bảng (như đề tài các yếu tố ảnh ưởng đến FDI vào các quốc gia đang phát triển), hay đề tài áp dụng kỹ thuật kinh tế lượng truyền thống (ước lượng TFP, các yếu tố tác động đến thu nhập của lao động trẻ ở Việt Nam), kỹ thuật dự báo với ARIMA, SARIMA, VAR, ARCH-GARCH (dự báo giá vàng, khách du lịch, FDI trong bối cảnh khủng hoảng kiểm định tính hiệu quả của thị trường chứng khốn, thị trường vàng ) hay chỉ áp dụng thống kê mơ tả cũng đừng lo lắng, và hãy tiếp tục hồn thiện nghiên cứu theo hướng đĩ! Phương pháp nghiên cứu nào, phương pháp phân tích dữ liệu nàotất cả chỉ là cách thức, cơng cụ để các em đạt được mục tiêu nghiên cứu! Vấn đề quan trọng là lựa chọn phương pháp phù hợp để đạt được mục tiêu mà thơi! Thời gian gần đây, trong một buổi huấn luyện về phân tích dữ liệu với SPSS cho các bạn SV nghiên cứu khoa học của Khoa Thương Mại – Du Lịch – Marketing do Đồn Khoa bên ấy tổ chức, một nhĩm bạn sinh viên cĩ trao đổi với tơi về nghiên cứu sự thoả mãn của khách hàng đi xe bus với mơ hình Kano (sử dụng EFA, và thống kê mơ tả)... Hay một số bạn sinh viên ở các Khoa trong trường chúng ta tham gia khố huấn luyện về phân tích dữ liệu nghiên cứu với SPSS do Đồn Trường tổ chức cũng trao đổi về những nghiên cứu: Các yếu tố ảnh hưởng đến tình hình phá sản (anh Bảo - Khoa TCDN, áp dụng phân tích phân biệt), các yếu tố ảnh hưởng đến xác suất rơi vào tình hình nợ xấu của các doanh nghiệp (anh Thành – Khoa TCDN, áp dụng Logit), đề tài về ngân hàng điện tử (EFA, Hồi quy), Marketing địa phương (anh Chinh – Khoa KTPT, áp dụng Thống kê mơ tả, nghiên cứu định tính), định vị thương hiệu Vĩnh Tiến (chị Phương Linh, khoa KTPT, áp dụng EFA, Hồi quy, MDS) Rất nhiều bạn bè (Khố 32), các anh chị sinh viên (Khố 31) trong trường cũng đang làm các nghiên cứu như các em! Một gợi ý nghiên cứu dành cho các bạn sinh viên kế hoạch đầu tư, bất động sản, thẩm định giá? Hãy xem qua bài viết “Investment Management and personality type” của Mayfield, Perdue, Wooten vừa đăng trên tạp chí Financial Service Review, số 17 năm 2008 (đã được gửi qua email). Hình 1.3 thể hiện một mơ hình mà các tác giả đã làm ở Hoa Kỳ. Các bạn thử nghiên cứu vấn đề này ở Việt Nam! Một một ngân hàng cĩ mở sàn giao dịch vàng cũng đặt hàng tơi nghiên cứu hành vi của các nhà đâu tư trên thị trường vàng ở Việt Nam, các bạn thử xem xem liệu rằng nghiên cứu của Mayfield & ctg (2008) này cĩ hỗ trợ gì khơng? 1 Chúng ta cịn nhớ vào giữa tháng 6/2009, Đồn Khoa KTPT sẽ tổ chức hội thảo khoa học về “Các vấn đề Kinh tế Xã hội của Việt Nam và thế giới qua phân tích định lượng”, mà người báo cáo, người tham dự chính là các em, và một số bạn sinh viên NCKH của khoa bạn, trường bạn, và một số anh chị Khố 31. 11 Hình 1.3 Mơ hình trên cĩ Chi-square=183.63, df=141, P=0.009; GFI=0.91, CFI=0.95 Trong mơ hình những yếu tố ảnh hưởng đến ý định đầu tư ngắn hạn trên (bên cạnh đĩ, các tác giả cũng nghiên cứu mơ hình đối với ý định đầu tư dài hạn), một số biến quan sát để đo lường các khái niệm được trình bày ở trang 13 12 13 Trong bài học này, cĩ 1 ví dụ xuyên suốt; chúng ta sẽ sử dụng dữ liệu mà chị Nguyễn Thị Mỹ Thuận1 khảo sát để phục vụ cho đề tài NCKH sinh viên của chị để làm ví dụ phân tích. Đề tài của chị Thuận sử dụng các cơng cụ phân tích EFA, Cronbach’s Alpha, Regression (các chủ đề này các bạn đều đã được học trong mơn phân tích dữ liệu và dự báo). Và bây giờ, các bạn hãy thử phát triển thêm bằng cách sử dụng CFA, SEM xem thế nào! Tình huống đơn giản và gần gũi này sẽ giúp bạn dễ hiểu hơn về CFA, SEM – với các thao tác chính trên AMOS. Những tình huống với các mơ hình rất phức tạp khác mà bạn sẽ tìm hiểu, sẽ làm được sau này cũng tương tự như thế thơi! 2. PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (Nhắc lại sơ lược vì đã học) Bảng câu hỏi của chị Thuận (xem phụ lục) dựa trên nghiên cứu của Dung (2005) đã hiệu chỉnh cho Việt Nam. Từ nghiên cứu định tính, chị Thuận đã hiệu chỉnh một số biến quan sát (Item), bỏ đi một số Item khơng phù hợp với nhân viên trong lĩnh vực Tài chính- ngân hàng, bất động sản, cơng nghệ thơng tin (những ngành mũi nhọn của TPHCM) mà chị đang quan tâm Chị Thuận đã phải EFA lại, vì cấu trúc của thang đo trong tình huống của chị Thuận chưa chắc đã giống với nghiên cứu trước của Dung và Nam (2005), và dĩ nhiên cĩ thể càng khơng giống với kết quả nghiên cứu của Stanton và Crossley (2000) cũng như của Crossman và Bassem (2003) mà Dung đã kế thừa. Chị Thuận với mục tiêu là sau EFA sẽ chạy Regression vì thế khi EFA cho thang đo JDI (Thoả mãn của nhân viên với cơng việc) chị cĩ thể sử dụng phương pháp Principal Components với phép xoay Varimax cũng được. Cịn bạn, sau EFA bạn sẽ làm tiếp CFA và SEM nên rất quan tâm đến cấu trúc của thang đo, các khái niệm sau khi rút ra cĩ thể tương quan với nhau, và cũng rất quan tâm đến sự phân biệt rõ ràng giữa các nhân tố. Vì vậy bạn nên làm EFA với những đổi mới sau: • Sử dụng phương pháp trích Principal Axis Factoring với phép xoay Promax2 • Quan tâm đến tiêu chuẩn3: |Factor Loading| lớn nhất của mỗi Item >=0.5 • Quan tâm đến tiêu chuẩn: Tại mỗi Item, chênh lệch |Factor Loading| lớn nhất và |Factor Loading| bất kỳ phải >=0.3 (Jabnoun & Al-Tamimi, 2003) • Tổng phương sai trích >=50% (Gerbing & Anderson, 1988) • KMO>=0.5, Kiểm định Bartlett cĩ ý nghĩa thống kê (Sig<0.05)4 a. Khái niệm sự thoả mãn của nhân viên với cơng việc 1 Chị Thuận là sinh viên khố 30 ngành kế hoạch đầu tư khoa KTPT (mà tơi hướng dẫn đề tài NCKH sinh viên), chị Thuận cũng là liên chi hội phĩ hội sinh viên của Khoa KTPT, đề tài của chị đạt giải khuyến khích cấp Bộ. Hiện nay chị Thuận đã ra trường được 1 năm và đang làm việc tại ngân hàng ACB 2 Theo Gerbing & Anderson (1988), Phương pháp trích Principal Axis Factoring với phép xoay Promax (Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay Varimax (Orthogonal) 3 Theo Hair & ctg (1998,111), Factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA (ensuring practical significance). Factor loading > 0.3 được xem là đạt được mức tối thiểu, Factor loading > 0.4 được xem là quan trọng, ≥ 0.5 được xem là có ý nghĩa thực tiễn. Hair & ctg (1998,111) cũng khuyên bạn đọc như sau: nếu chọn tiêu chuẩn factor loading > 0.3 thì cỡ mẫu của bạn ít nhất phải là 350, nếu cỡ mẫu của bạn khoảng 100 thì nên chọn tiêu chuẩn factor loading > 0.55, nếu cỡ mẫu của bạn khoảng 50 thì Factor loading phải > 0.75 4 KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0.5≤KMO≤1 thì phân tích nhân tố là thích hợp. Kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng khơng trong tổng thể. Nếu kiểm định này cĩ ý nghĩa thống kê (Sig < 0.05) thì các biến quan sát cĩ tương quan với nhau trong tổng thể (Trọng & Ngọc, 2008) 14 Bạn cịn nhớ thao tác EFA trong phần mềm SPSS? Analyze\Data Reduction\Factor Hình 1.4 Hình 1.5 Hình 1.7 Hình 1.6 Hình 1.8 15 Kết quả ban đầu Pattern Matrixa Factor 1 2 3 4 5 6 7 prom1 .863 prom3 .753 prom2 .689 prom4 .651 work4 .436 sup6 .811 sup5 .784 sup3 .758 sup7 .664 .325 sup4 .482 sup2 .351 .411 sup1 .268 .378 -.282 .283 pay4 .889 pay5 .770 pay2 .607 .297 ben4 .331 .549 .211 pay3 -.301 .488 .293 pay1 .485 .271 cow1 .814 cow3 .810 cow2 .810 .207 cow4 .432 .454 ben3 .982 ben2 .977 ben1 .334 .592 env3 .264 work3 .768 work2 .541 work1 .246 .223 .514 env2 .541 env1 -.279 .478 env4 .213 .232 Extraction Method: Principal Axis Factoring. Rotation Method: Promax with Kaiser Normalization. a. Rotation converged in 7 iterations. Các con số trong bảng này gọi là các Factor loading (hệ số tải nhân tố) Env4 bị loại đầu tiên vì con số này nhỏ hơn 0.5, và “tệ” nhất Lần lượt loại từng biến khơng đạt yêu cầu (biến nào “tệ” nhất bị loại trước): Env4, env3, sup1, sup2, work4, cow4, env2, env1, pay3, pay1, pay2, Và ben1 16 Kết quả EFA lần cuối Pattern Matrixa Factor 1 2 3 4 5 6 sup6 .841 sup5 .826 sup3 .758 sup7 .628 .278 sup4 .520 prom1 .899 prom2 .707 prom3 .670 prom4 .602 cow1 .913 cow2 .795 cow3 .768 pay4 .907 pay5 .817 ben4 .270 .593 ben2 .961 ben3 .952 work3 .915 work2 .791 work1 .545 Extraction Method: Principal Axis Factoring. Rotation Method: Promax with Kaiser Normalization. a. Rotation converged in 6 iterations. Các con số trong bảng này gọi là các Factor loading (hệ số tải nhân tố) Bạn cĩ nhận xét gì từ kết quả EFA? Cĩ 6 nhân tố được rút ra. Nhân tố 1: gồm các biến quan sát sup3-sup7 Ỉ được đặt tên là “Lãnh đạo” Nhân tố 2: gồm prom1-prom4 Ỉ “Thăng tiến” Nhân tố 3: gồm cow1-cow3 Ỉ “Đồng nghiệp” Nhân tố 4: gồm pay4, pay5, ben4 Ỉ “lương-thưởng” Nhân tố 5: gồm ben2, ben3 Ỉ “bảo hiểm” Nhân tố 6: gồm work1-work4 Ỉ “bản chất cơng việc” 17 Total Variance Explained Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadingsa Factor Total % of Variance Cumulative % Total % of Variance Cumulative % Total 1 7.378 36.889 36.889 7.016 35.080 35.080 5.210 2 1.880 9.401 46.290 1.726 8.632 43.712 5.142 3 1.752 8.759 55.049 1.428 7.138 50.849 4.015 4 1.512 7.560 62.609 1.167 5.835 56.685 3.801 5 1.359 6.794 69.403 1.022 5.109 61.793 2.615 6 1.067 5.334 74.737 .712 3.558 65.352 4.584 7 .722 3.612 78.349 8 .564 2.821 81.169 9 .537 2.683 83.853 10 .461 2.306 86.159 11 .403 2.014 88.173 12 .395 1.973 90.146 13 .365 1.826 91.971 14 .341 1.704 93.676 15 .306 1.530 95.206 16 .252 1.260 96.466 17 .244 1.221 97.687 18 .212 1.062 98.749 19 .182 .911 99.660 20 .068 .340 100.000 Extraction Method: Principal Axis Factoring. a. When factors are correlated, sums of squared loadings cannot be added to obtain a total variance. Tổng phương sai trích/ hay tổng biến thiên được giải thích bởi các nhân tố KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .847 Approx. Chi-Square 2327.451 df 190 Bartlett's Test of Sphericity Sig. .000 Hai bảng trên cho bạn nhận xét gì? - Tổng phương sai trích (hay tổng biến thiên được giải thích) bằng 65.35% (>50%) - KMO = 0.847 (>0.5) và kiểm định Bartlett cĩ ý nghĩa thống kê (Sig<0.05) Nên EFA là phù hợp. 18 b. Khái niệm lịng trung thành Khái niệm lịng trung thành là 1 khái niệm đơn hướng (khi EFA, các biến quan sát rút thành 1 nhân tố), nên cĩ thể thử sử dụng phương pháp trích Principal Component Analysis vì phương pháp trích này sẽ làm cho tổng phương sai trích tốt hơn. Bạn cĩ nhận xét gì nếu cĩ kết quả từ EFA cho các biến quan sát thuộc khái niệm lịng trung thành như sau? KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .701 Approx. Chi-Square 188.787 df 3 Bartlett's Test of Sphericity Sig. .000 Total Variance Explained Initial Eigenvalues Extraction Sums of Squared Loadings Compo nent Total % of Variance Cumulative % Total % of Variance Cumulative % 1 2.146 71.523 71.523 2.146 71.523 71.523 2 .487 16.230 87.753 3 .367 12.247 100.000 Extraction Method: Principal Component Analysis. Component Matrixa Component 1 loy1 .874 loy3 .834 loy2 .829 Extraction Method: Principal Component Analysis. a. 1 components extracted. Bảng này chỉ cĩ 1 cột, cho thấy loy1, loy2, loy3 rút thành 1 nhân tố - Chỉ cĩ 1 nhân tố được rút ra, nhân tố này cũng được đặt tên là “Trung thành” - EFA cũng phù hợp vì Tổng phương sai trích bằng 71.53 (>50%), KMO = 0.701 (>0.5), Sig của kiểm định Bartlett=0.000 (<0.05) Mơ hình cấu trúc tuyến tính (SEM) bao gồm nhiều kỹ thuật thống kê khác nhau như phân tích đường dẫn (Path Analysis), phân tích nhân tố khẳng định (Confirmatory Factor Analysis), Mơ hình nhân quả với các biến tiềm ẩn (Causal modeling with Latent variable, và cũng thường gọi là SEM), và thậm chí cả phân tích phương sai (Analysis of Variance), mơ hình hồi quy tuyến tính bội (Multiple Linear Regression). Chúng ta sẽ tìm hiểu CFA, SEM. 19 3. PHÂN TÍCH NHÂN TỐ KHẲNG ĐỊNH (CFA) Từ kết quả của EFA, giờ bạn thấy rằng ta cĩ 7 khái niệm chính sử dụng trong mơ hình nghiên cứu sau này. Đĩ là • “Lãnh đạo” được đo lường bởi các biến quan sát sup3-sup7 • “Thăng tiến” được đo lường bởi các biến quan sát prom1-prom4 • “Đồng nghiệp” được đo lường bởi các biến quan sát cow1-cow3 • “Lương-thưởng” được đo lường bởi các biến quan sát pay4, pay5, ben4 • “Bảo hiểm” được đo lường bởi các biến quan sát ben2, ben3 • “Bản chất cơng việc” được đo lường bởi các biến quan sát work1-work4 • “Lịng trung thành”: được đo lường bởi loy1, loy2, loy3 6 khái niệm đầu tiên là các khái niệm thành phần của khái niệm “Sự thoả mãn của nhân viên với cơng việc”. Cấu trúc của thang đo “Sự thoả mãn nhân viên với cơng việc” gồm cĩ 6 khái niệm thành phần như trên, và các biến quan sát tương ứng cho từng khái niệm cũng đã được liệt kê như trên. Các biến quan sát quan sát sup3-sup7; prom1-prom4; cow1-cow3; pay4, pay5, ben4; ben2, ben3; work1-work4 tạo thành một thang đo để đo lường khái niệm “Sự thoả mãn của nhân viên với cơng việc”. Các biến quan sát loy1, loy2, loy3 tạo thành một thang đo để đo lường khái niệm “lịng trung thành”. Những điều trên tạo thành một mơ hình đo lường các khái niệm sử dụng trong nghiên cứu của bạn. Và bây giờ Chúng ta cần kiểm định xem Mơ hình đo lường này cĩ đạt được yêu cầu khơng? Các thang đo cĩ đạt được yêu cầu của một thang đo tốt khơng? Việc này chúng ta cần sử dụng đến phân tích nhân tố khẳng định (CFA) Trong CFA ta cĩ thể thực hiện cho từng khái niệm, một số khái niệm, hoặc thực hiện với tất cả các khái niệm cĩ trong mơ hình (gọi là mơ hình tới hạn) Về mặt lý thuyết, trong CFA, chúng ta chú ý đến một số vấn đề sau: Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, người ta thường sử dụng Chi-square (CMIN); Chi-square điều chỉnh theo bậc tự do (CMIN/df); chỉ số thích hợp so sánh (CFI_ Comparative Fit Index). Chỉ số Tucker & Lewis (TLI_ Tucker & Lewis Index); Chỉ số RMSEA (Root Mean Square Error Approximation). Mô hình được xem là thích hợp với dữ liệu thị trường khi kiểm định Chi-square có P-value > 0.05. Tuy nhiên Chi-square có nhược điểm là phụ thuộc vào kích thước mẫu. Nếu một mô hình nhận được các giá trị GFI, TLI, CFI ≥0.9 (Bentler & Bonett, 1980); CMIN/df ≤ 2, một số trường hợp CMIN/df có thể ≤ 3 (Carmines & McIver, 1981); RMSEA ≤ 0.08, RMSEA ≤ 0.05 được xem là rất tốt (Steiger, 1990); thì mô hình được xem là phù hợp với dữ liệu thị trường, hay tương thích với dữ liệu thị trường. Thọ & Trang (2008) cho rằng Nếu mô hình nhận được các giá trị TLI, CFI ≥0.9, CMIN/df ≤ 2, RMSEA ≤ 0.08 thì mô hình phù hợp (tương thích) với dữ liệu thị trường. Quy tắc này cũng được sử dụng để đánh giá mức độ phù hợp của mô hình cấu trúc ở mục 4. Khi CFA, nên thực hiện các đánh giá khác như1: 1 Xem thêm Thọ & Trang (2008) 20 (1) Đánh giá độ tin cậy của thang đo thông qua: (a) Hệ số tin cậy tổng hợp (composite reliability) và (b) Tổng phương sai trích được (variance extracted), (c) Hệ số Cronbach’s Alpha Độ tin cậy tổng hợp (ρC ) (Joreskog 1971 ), và tổng phương sai trích (ρVC ) (Fornell & Larcker 1981) được tính theo công thức sau: ∑ = −+∑ = ∑ == p i C i p i i p i i 1 2 2 2 )1( 1 1 )( )( λλ λρ ∑∑ ∑ == = −+ = p i p i p i VC ii i 1 2 1 2 1 2 )1( λλ λρ Trong đó λ i là trọng số chuẩn hoá của biến quan sát thứ i; 1-λ i2 là phương sai của sai số đo lường biến quan sát thứ i, p là số biến quan sát của thang đo. Chỉ tiêuρC ,ρVC phải đạt yêu cầu từ 0.5 trở lên Theo Hair (1998, 612):”phương sai trích (Variance Extracted) của mỗi khái niệm nên vượt quá 0.5”; và phương sai trích cũng là một chỉ tiêu đo lường độ tin cậy. Nó phản ánh lượng biến thiên chung của các biến quan sát được tính toán bởi biến tiềm ẩn Schumacker & Lomax (2006, 178) cho rằng trong CFA, một vấn đề quan trọng cần phải quan tâm khác là độ tin cậy của tập hợp các biến quan sát đo lường một khái niệm (nhân tố); và như truyền thống, hệ số tin cậy Cronbach’s Alpha vẫn thường được sử dụng. Nó đo lường tính kiên định nội tại xuyên suốt tập hợp các biến quan sát của các câu trả lời Trong kiểm định Cronbach’s Alpha, các biến quan sát có hệ số tương quan biến-tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại và tiêu chuẩn chọn thang đo khi hệ số Cronbach’s Alpha từ 0.6 trở lên (Nunnally & Burnstein, 1994). Tuy nhiên, cũng cần lưu ý rằng nếu Cronbach’s Apha quá cao (>0.95) thì có khả năng xuất hiện biến quan sát thừa (Redundant items) ở trong thang đo. Biến quan sát thừa là biến đo lường một khái niệm hầu như trùng với biến đo lường khác, tương tự như trường hợp cộng tuyến (collinearity) trong hồi quy, khi đó biến thừa nên được loại bỏ. (2) Tính đơn hướng/ đơn nguyên (unidimensionality) - Theo Steenkamp & Van Trijp (1991), mức độ phù hợp của mô hình với dữ liệu thị trường cho chúng ta điều kiện cần và đủ để cho tập biến quan sát đạt được tính đơn hướng, trừ trường hợp các sai số của các biến quan sát có tương quan với nhau. (3) Giá trị hội tụ (Convergent validity) - Gerbring & Anderson (1988) cho rằng thang đo đạt được giá trị hội tụ khi các trọng số chuẩn hoá của thang đo đều cao (>0.5); và có ý nghĩa thống kê (P <0.05) 21 (4) Giá trị phân biệt (Discriminant validity) - Có thể kiểm định giá trị phân biệt của các khái niệm trong mô hình tới hạn (saturated model) mô hình mà các khái niệm nghiên cứu được tự do quan hệ với nhau). Có thể thực hiện kiểm định hệ số tương quan xét trên phạm vi tổng thế giữa các khái niệm có thực sự khác biệt so với 1 hay không. Nếu nó thực sự khác biệt thì các thang đo đạt được giá trị phân biệt. Ví dụ: Một thang đo có 2 khái niệm spatial và verbal, số quan sát= 73 r SE=SQRT((1-r2)/(n-2)) (1-r)/SE P-value spatial verbal 0.487 0.104 4.949 0.000 TINV(0.05,71)=1.993 TDIST(4.95,71,2)=0.000 (<0.05) bác bỏ giả thuyết cho rằng ρ (spatial,verbal)=1 Ghi chú quy tắc kiểm định1: Ho: ρ = ρ o H1: ρ ≠ ρo Tính T = 2 1 || 2 − − − n r r oρ ; Tra bảng phân phối Student t n 2, 2 , −α Nếu T > t n 2, 2 , −α thì bác bỏ Ho (5) Giá trị liên hệ lý thuyết (Nomological validity) - Các vấn đề từ 1 đến 4 được đánh giá thông qua mô hình đo lường. Riêng giá trị liên hệ lý thuyết được đánh giá trong mô hình lý thuyết (Anderson & Gerbing, 1988) Khi các vấn đề trên thoả mãn thì mô hình đo lường là tốt. Tuy nhiên, rất hiếm mô hình đo lường nào đạt được tất cả các vấn đề trên! Ví dụ, mô hình đo lường vẫn có thể được sử dụng khi thang đo không đạt được tính đơn hướng 1 Xem Hoài (2001) 22 Amos Graphics1Về mặt thực hành, ta sử dụng phần mềm AMOS với cách thức Khởi động AMOS? Start Program AMOS 16 Amos Graphics Ỉ Ỉ Ỉ Cơng dụng của các nút? Hình 3.1 Dùng để vẽ biến tiềm ẩn và các biến quan sát Di chuyển đối tượng Ngĩn tay: chọn 1 đối tượng Bàn tay dài: Chọn tất cả đối tượng Bàn tay ngắn: Khơng chọn nữa Xố đối tượng Máy phơ tơ: Copy đối tượng Xoay đối tượng Chỉnh kích cỡ đối tượng Copy sơ đồ đường dẫn vào Clipboard Tính tốn các ước lượng Xem kết quả dạng văn bản/ bảng biểu Di chuyển các tham số ước lượng Liệt kê danh sách biến Dùng để vẽ yếu tố sai số Dùng để vẽ biến tiềm ẩn Dùng để vẽ biến quan sát Vẽ hệ số đường dẫn, hệ số hồi quy Vẽ hiệp phương sai, hệ số tương quan 1 Trong AMOS, ngồi AMOS Graphics cĩ một cách thức khác nữa là gõ các lệnh VB.NET hay C# 23 Tạo file mới? File\New Mở file dữ liệu? File\Data Files (Ctrl-D) Ỉ Chọn File Name Ỉ Chọn kiểu file và chỉ đến file cần mở Ỉ OK Hình 3.2 Hiển thị danh sách biến? Chọn nút sau Hình 3.3 Khi đĩ bạn sẽ thấy một hộp thoại nhỏ xuất hiện, liệt kê các biến cĩ trong dữ liệu Hình 3.4 Vẽ các biến tiêm ẩn, các biến quan sát tương ứng? Bước 1. Chọn nút Hình 3.5 24 Bước 2. Rê đến vị trí tương ứng để vẽ ra 1 vịng trịn, nhấp chuột 5 trái năm cái, bạn sẽ cĩ đối tượng như Hình 3.6 Hình 3.6 Bước 3. Nhấp bàn tay dài, để chọn cả đối tượng Bước 4. Nhấp nút này để xoay đối tượng sao cho như Hình 3.7 Bước 6. Nhấp ơ tơ để di chuyển đối tượng sao cho đẹp Bước 5. Nhấp nút này để Chỉnh sửa kích cỡ của đối tượng sao cho đẹp Hình 3.7 Copy đối tượng? Hiện nay chỉ cĩ một Biến tiềm ẩn với 5 biến quan sát như Hình 3.7. Đầu tiên bạn sẽ chọn đối tượng cần Copy bằng cách nhấp nút bàn tay dài, rồi nhấp cái máy Photocopy, sau đĩ rê chuột đến vị trí cần dán đối tượng được copy. Bạn sẽ cĩ Hình như Hình 3.8 25 Hình 3.8 Bước 2. Chọn máy Photocopy để copy, sau đĩ rê chuột đến vị trí mới bạn sẽ cĩ thêm một đối tượng nữa Bước 1. Chọn nút này để đánh dấu đối tượng cần Copy Đt mới Bây giờ bạn đã Copy xong rồi, thì hãy nhấp nút bàn tay ngắn, để khơng chọn gì nữa. Tuy nhiên đối tượng mới của bạn chỉ cần cĩ 4 biến quan sát thơi. Do đĩ bạn cần xố đi 1 biến quan sát. Xố 1 cái gì đĩ? Chọn nút sau đĩ di chuyển chột đến đối tượng cần xố, nhấp chuột vào đối tượng đĩ Bạn hãy kết hợp các nút và tạo ra sơ đồ như Hình 3.9: 26 Hình 3.9 Vẽ các các mũi tên 2 đầu? (Thể hiện cho hiệp phương sai/ hệ số tương quan) Hình 3.10 Bạn hãy tự vẽ ra tiếp để được như Hình 3.11 nhé 27 Hình 3.11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 28 Gắp các biến quan sát vào các hình chữ nhật (hình vuơng) đại diện cho các biến quan sát trên sơ đồ ? Hình 3.12 Nhấp biến tương ứng trong danh sách và gắp sang Sau khi đã gắp các biến quan sát vào các hình chữ nhật tương ứng. Bạn sẽ được sơ đồ như Hình 3.13. Bây giờ, bạn nên gán tên cho các biến tiềm ẩn (Hình elip) bằng cách Chọn nút ngĩn tay Nhấp vào Hình elip đầu tiên, Click phải chuột, Chọn Object Properties (Hình 3.13) Hộp thoại như Hình 14, xuất hiện. Bạn hãy nhập tên biến vào ơ Variable name Bạn hãy nhấp vào nút ngĩn tay, , sau đĩ lần lượt nhấp vào các Elip cịn lại, đặt tên cho các biến tiềm ẩn này. Hãy làm tương tự trong việc đặt tên cho các sai số: e1, e2 ... (Hình 3.15) Và bây giờ bạn đã vẽ song Sơ đồ như Hình 3.16. 29 Hình 3.13 Hình 3.14 30 Hình 3.15 31 Hình 3.16 lanh dao sup7e5 1 1 sup6e4 1 sup5e3 1 sup4e2 1 sup3e1 1 thang tien prom4e9 prom3e8 prom2e7 prom1e6 1 1 1 1 1 dong nghiep cow3e12 cow2e11 cow1e10 1 1 1 1 luong thuong ben4e15 pay5e14 pay4e13 1 1 1 1 bao hiem ben3e17 ben2e16 1 1 cong viec work3e20 work2e19 work1e18 1 1 1 1 1 trung thanh loy3e23 loy2e22 loy1e21 1 1 1 1 32 Thể hiện một số chỉ tiêu lên màn hình? Nếu bạn muốn thể hiện một số chỉ tiêu lên màn hình sơ đồ đường dẫn, hãy chọn nút Title , nhâp chuột tại 1 vị trí muốn thể hiện, gõ các Macro sau Hình 3.17 Khi đĩ trên sơ đồ sẽ cĩ các dịng tương ứng (Hình 3.18) Hình 3.18 Khai báo các thuộc tính cần tính tốn? Từ thanh Menu chọn View\Analysis Properties Hình 3.19 Sau đĩ đánh dấu chọn như Hình 3.20, Hình 3.21 33 Hình 3.20 Hình 3.21 Lưu lại file Sơ đồ sơ đồ? Files \ Save hoặc Save As Trước khi tính tốn, bạn nên lưu lại file sơ đồ đường dẫn 34 Tính tốn các ước lượng? Nhấp nút Các kết quả sẽ được tính tốn Thể hiện kết quả? Hình 3.22 Chọn nút này để thể hiện kết quả tính tốn lên sơ đồ Chuyển đổi cách thể hiện dạng khơng chuẩn hố/ chuẩn hố 35 Kết quả dạng sơ đồ chưa chuẩn hố Hình 3.23 1.48 lanh dao sup7 1.07 e5 1.001 sup6 .92 e4 .89 1 sup5 .71 e3 .921 sup4 .98 e2 .65 1 sup3 .73 e1 .92 1 1.43 thang tien prom4 .95 e9 prom3 1.39 e8 prom2 .81 e7 prom1 1.18 e6 1.001 .83 1 1.031 1.07 1 1.23 dong nghiep cow3 .71 e12 cow2 .61 e11 cow1 .52 e10 1 1 1 1.04 1.00 .97 1.34 luong thuong ben4 1.77 e15 pay5 .71 e14 pay4 .78 e13 1 1 1 1.14 1.00 1.14 2.40 bao hiem ben3 .40 e17 ben2 .05 e16 1 1 1.59 cong viec work3 .93 e20 work2 .78 e19 work1 1.01 e18 1 1 1 .88 1.00 .95 1.00 1.10 1.62 trung thanh loy3 1.15 e23 loy2 1.68 e22 loy1 .83 e21 1 1 1 1.00 1.00 .99 .96 .65 .67 .52 .87 .97 .60 .71 .39 1.02 1.00 .41 .41 .73 .62 .47 .62 1.03.45 .34 .94 Chi-square= 403.140 ; df= 209 ; P= .000 ; Chi-square/df = 1.929 ; GFI= .858 ; TLI = .909 ; CFI = .925 ; RMSEA= .068 36 Kết quả dạng sơ đồ đã chuẩn hố Hình 3.24 lanh dao .58 sup7e5 .76 .56 sup6e4 .75 .64 sup5e3 .80 .39 sup4e2 .62 .63 sup3e1 .79 thang tien .60 prom4e9 .41 prom3e8 .65 prom2e7 .58 prom1e6 .78 .64 .81 .76 dong nghiep .63 cow3e12 .66 cow2e11 .72 cow1e10 .85 .80 .81 luong thuong .43 ben4e15 .71 pay5e14 .69 pay4e13 .83 .66 .84 bao hiem.86 ben3e17 .98 ben2e16 cong viec .63 work3e20 .65 work2e19 .55 work1e18 .74 .79 .80 .93 .99 trung thanh .58 loy3e23 .48 loy2e22 .66 loy1e21 .81 .76 .70 .66 .48 .48 .28 .57 .63 .45 .51 .21 .67 .66 .32 .24 .52 .44 .26 .43 .70.23 .17 .59 Chi-square= 403.140 ; df= 209 ; P= .000 ; Chi-square/df = 1.929 ; GFI= .858 ; TLI = .909 ; CFI = .925 ; RMSEA= .068 37 Kết quả dạng các bảng số liệu Chọn nút , cửa số Amos Output sẽ xuất hiện Hình 3.25 Nhấp vào các mục tương ứng bên trái của cửa số Output, bạn sẽ xem các kết quả khác nhau: Regression Weights: (Group number 1 - Default model) – Bảng các trọng số chưa chuẩn hố Estimate S.E. C.R. P Label sup7 <--- lanhdao 1.000 sup6 <--- lanhdao .895 .085 10.533 *** sup5 <--- lanhdao .919 .082 11.273 *** sup4 <--- lanhdao .654 .076 8.637 *** sup3 <--- lanhdao .917 .082 11.192 *** prom4 <--- thangtien 1.000 prom3 <--- thangtien .826 .093 8.890 *** prom2 <--- thangtien 1.030 .091 11.360 *** prom1 <--- thangtien 1.075 .100 10.735 *** cow1 <--- dongnghiep 1.037 .087 11.968 *** cow3 <--- dongnghiep 1.000 cow2 <--- dongnghiep .974 .084 11.619 *** pay4 <--- luong_thuong 1.138 .122 9.353 *** ben4 <--- luong_thuong 1.000 pay5 <--- luong_thuong 1.141 .121 9.411 *** work1 <--- congviec .881 .086 10.224 *** 38 Estimate S.E. C.R. P Label work3 <--- congviec 1.000 work2 <--- congviec .952 .086 11.012 *** ben3 <--- baohiem 1.000 ben2 <--- baohiem 1.096 .101 10.804 *** loy1 <--- trungthanh .999 .093 10.774 *** loy3 <--- trungthanh 1.000 loy2 <--- trungthanh .985 .106 9.338 *** Standardized Regression Weights: (Group number 1 - Default model) Estimate sup7 <--- lanhdao .762 sup6 <--- lanhdao .750 sup5 <--- lanhdao .799 sup4 <--- lanhdao .625 sup3 <--- lanhdao .793 prom4 <--- thangtien .776 prom3 <--- thangtien .643 prom2 <--- thangtien .808 prom1 <--- thangtien .764 cow1 <--- dongnghiep .846 cow3 <--- dongnghiep .795 cow2 <--- dongnghiep .811 pay4 <--- luong_thuong .830 ben4 <--- luong_thuong .656 pay5 <--- luong_thuong .843 work1 <--- congviec .740 work3 <--- congviec .793 work2 <--- congviec .805 ben3 <--- baohiem .925 ben2 <--- baohiem .992 loy1 <--- trungthanh .812 loy3 <--- trungthanh .764 loy2 <--- trungthanh .695 Các trọng số (đã chuẩn hố) này cần > 0.5 để thang đo cĩ thể đạt được giá trị hội tụ. Trường hợp biến quan sát nào cĩ trọng số <0.5 thì bạn lần lượt loại ra. Covariances: (Group number 1 - Default model) Hiệp phương sai Estimate S.E. C.R. P Label lanhdao thangtien .961 .158 6.070 *** lanhdao dongnghiep .646 .130 4.974 *** lanhdao luong_thuong .671 .143 4.686 *** lanhdao baohiem .519 .158 3.287 .001 lanhdao congviec .875 .158 5.542 *** 39 Estimate S.E. C.R. P Label lanhdao trungthanh .970 .168 5.791 *** thangtien dongnghiep .602 .127 4.745 *** thangtien luong_thuong .707 .145 4.873 *** thangtien baohiem .389 .152 2.561 .010 thangtien congviec 1.017 .166 6.136 *** thangtien trungthanh 1.002 .168 5.948 *** dongnghiep luong_thuong .408 .118 3.466 *** dongnghiep baohiem .408 .141 2.886 .004 dongnghiep congviec .729 .139 5.237 *** dongnghiep trungthanh .618 .136 4.536 *** luong_thuong baohiem .470 .154 3.058 .002 luong_thuong congviec .621 .145 4.287 *** luong_thuong trungthanh 1.029 .179 5.735 *** congviec baohiem .454 .163 2.784 .005 baohiem trungthanh .338 .162 2.085 .037 congviec trungthanh .941 .170 5.528 *** Correlations: (Group number 1 - Default model) Hệ số tương quan Estimate lanhdao thangtien .661 lanhdao dongnghiep .480 lanhdao luong_thuong .478 lanhdao baohiem .276 lanhdao congviec .572 lanhdao trungthanh .628 thangtien dongnghiep .454 thangtien luong_thuong .511 thangtien baohiem .210 thangtien congviec .675 thangtien trungthanh .658 dongnghiep luong_thuong .318 dongnghiep baohiem .238 dongnghiep congviec .523 dongnghiep trungthanh .439 luong_thuong baohiem .262 luong_thuong congviec .426 luong_thuong trungthanh .699 congviec baohiem .233 baohiem trungthanh .171 congviec trungthanh .588 40 Variances: (Group number 1 - Default model) Phương sai Estimate S.E. C.R. P Label lanhdao 1.476 .243 6.068 *** thangtien 1.431 .232 6.158 *** dongnghiep 1.227 .194 6.336 *** luong_thuong 1.337 .274 4.879 *** congviec 1.586 .255 6.228 *** baohiem 2.402 .349 6.888 *** trungthanh 1.619 .273 5.932 *** e5 1.066 .131 8.165 *** e4 .920 .111 8.297 *** e3 .707 .092 7.660 *** e2 .985 .108 9.147 *** e1 .730 .094 7.746 *** e9 .947 .123 7.683 *** e8 1.388 .156 8.926 *** e7 .807 .113 7.120 *** e6 1.177 .150 7.849 *** e12 .713 .099 7.167 *** e11 .607 .089 6.816 *** e10 .525 .089 5.873 *** e15 1.765 .202 8.718 *** e14 .706 .126 5.601 *** e13 .781 .130 5.988 *** e17 .403 .214 1.885 .059 e16 .049 .253 .194 .847 e20 .934 .136 6.855 *** e19 .781 .118 6.599 *** e18 1.014 .130 7.775 *** e23 1.154 .155 7.456 *** e22 1.680 .202 8.325 *** e21 .834 .129 6.481 *** 41 Squared Multiple Correlations: (Group number 1 - Default model) thường gọi là R2 Estimate loy1 .659 loy2 .483 loy3 .584 work1 .548 work2 .648 work3 .629 ben2 .983 ben3 .856 pay4 .689 pay5 .711 ben4 .431 cow1 .715 cow2 .657 cow3 .632 prom1 .584 prom2 .653 prom3 .413 prom4 .602 sup3 .629 sup4 .390 sup5 .638 sup6 .562 sup7 .581 CMIN Model NPAR CMIN DF P CMIN/DF Default model 67 403.140 209 .000 1.929 Saturated model 276 .000 0 Independence model 23 2831.904 253 .000 11.193 RMR, GFI Model RMR GFI AGFI PGFI Default model .142 .858 .813 .650 Saturated model .000 1.000 Independence model .812 .262 .195 .240 42 Baseline Comparisons Model NFI Delta1 RFI rho1 IFI Delta2 TLI rho2 CFI Default model .858 .828 .926 .909 .925 Saturated model 1.000 1.000 1.000 Independence model .000 .000 .000 .000 .000 RMSEA Model RMSEA LO 90 HI 90 PCLOSE Default model .068 .058 .078 .002 Independence model .226 .219 .234 .000 Bạn hãy dựa vào các kết quả trên và đánh giá về mơ hình đo lường? Mức độ phù hợp chung? - Chi-square/df = 1.93 (<2); TLI = 0.909 ; CFI=0.925; RMSEA=0.068 (<0.08) nên cĩ thể nĩi là mơ hình phù hợp với dữ liệu thị trường. Tuy nhiên, cĩ 1 số chỉ tiêu chưa đạt, theo bạn cải thiện các chỉ tiêu này bằng cách nào? Giá trị hội tụ? - Các trọng số (chuẩn hố) đều > 0.5 và các trọng số (chưa chuẩn hố) đều cĩ ý nghĩa thống kê nên các khái niệm đạt được giá trị hội tụ. Tính đơn nguyên? Mơ hình này đo lường này phù hợp với dữ liệu thị trường, và khơng cĩ tương quan giữa các sai số đo lường nên nĩ đạt được tính đơn nguyên. 43 Độ tin cậy? Áp dụng cơng thức và tính Độ tin cậy tổng hợp? Tổng phương sai trích? Và dễ nhất là sử dụng Cronbach’s Alpha Bạn cịn nhớ thao tác trên SPSS? Analyze\ Scale\ Reliability Analysis Hình 3.26 Ví dụ: Với thang đo lãnh đạo Reliability Statistics Cronbach's Alpha N of Items .860 5 Item-Total Statistics Scale Mean if Item Deleted Scale Variance if Item Deleted Corrected Item- Total Correlation Cronbach's Alpha if Item Deleted sup3 20.31 21.391 .728 .819 sup4 19.70 24.163 .563 .858 sup5 20.06 21.343 .736 .817 sup6 19.80 21.340 .699 .826 sup7 20.44 20.529 .674 .835 Hệ số Cronbach’s Alpha = 0.86 (>0.6) và Các hệ số tương quan biến – tổng đều > 0.3 nên thang đo “lãnh đạo” đạt được độ tin cậy 44 Với thang đo thăng tiến Reliability Statistics Cronbach's Alpha N of Items .835 4 Bạn cĩ nhận xét gì? Item-Total Statistics Scale Mean if Item Deleted Scale Variance if Item Deleted Corrected Item- Total Correlation Cronbach's Alpha if Item Deleted prom1 13.57 14.758 .696 .778 prom2 13.73 15.726 .707 .774 prom3 13.11 16.826 .587 .825 prom4 13.29 15.897 .677 .787 Và tương tự với thang đo cho các khái niệm khác 45 Độ tin cậy tổng hợp, tổng phương sai trích? bạn hãy tính bằng Excel Bạn hãy tính độ tin cậy tổng hợp, tổng phương sai trích cho các khái niệm khác nhé! 46 Giá trị phân biệt? Cách dễ nhất là hệ số tương quan giữa các khái niệm thành phần của một khái niệm lớn phải <0.9 thì mới đạt được giá trị phân biệt. Một cách khác, cẩn thận hơn, bạn kiểm định xem hệ số tương quan cĩ khác biệt so với 1 hay khơng (làm bằng Excel) n=200 TINV(0.05,198) 1.972 Correlations: (Group number 1 - Default model) r SE= SQRT((1-r2)/(n-2)) CR= (1-r)/SE P-value Estimate lanhdao thangtien 0.661 0.053 6.36 0.000 lanhdao dongnghiep 0.48 0.062 8.34 0.000 lanhdao luong_thuong 0.478 0.062 8.36 0.000 lanhdao baohiem 0.276 0.068 10.60 0.000 lanhdao congviec 0.572 0.058 7.34 0.000 lanhdao trungthanh 0.628 0.055 6.73 0.000 thangtien dongnghiep 0.454 0.063 8.62 0.000 thangtien luong_thuong 0.511 0.061 8.00 0.000 thangtien baohiem 0.21 0.069 11.37 0.000 thangtien congviec 0.675 0.052 6.20 0.000 thangtien trungthanh 0.658 0.054 6.39 0.000 dongnghiep luong_thuong 0.318 0.067 10.12 0.000 dongnghiep baohiem 0.238 0.069 11.04 0.000 dongnghiep congviec 0.523 0.061 7.87 0.000 dongnghiep trungthanh 0.439 0.064 8.79 0.000 luong_thuong baohiem 0.262 0.069 10.76 0.000 luong_thuong congviec 0.426 0.064 8.93 0.000 luong_thuong trungthanh 0.699 0.051 5.92 0.000 congviec baohiem 0.233 0.069 11.10 0.000 baohiem trungthanh 0.171 0.070 11.84 0.000 congviec trungthanh 0.588 0.057 7.17 0.000 Hàm tính P-value trong Excel ở trên là TDIST(|CR|, n-2, 2) Bạn sẽ thấy P-value đều <0.05 nên Hệ số tương quan của từng cặp khái niệm khác biệt so với 1 ở độ tin cậy 95% (Mà là hệ số tương quan thì bạn cĩ thể suy ra tiếp rằng nĩ < 1). Do đĩ, các khái niệm đạt được giá trị phân biệt. 47 4. MƠ HÌNH CẤU TRÚC (SEM) Anh chị hãy lưu lại file trên với 1 tên khác, ví dụ là SEM JDI Loy 1.amw Sau đĩ vẽ lại sơ đồ như sau. Chú ý elip của khái niệm trung thành cĩ 1 sai số e24 (bạn cĩ thể ký hiệu khác, ví dụ là z1 cũng được). Mỗi một biến phụ thuộc trong mơ hình cấu trúc phải cĩ 1 sai số. Hình 4.1 lanh dao sup7e5 11 sup6e4 1 sup5e3 1 sup4e2 1 sup3e1 1 thang tien prom4e9 prom3e8 prom2e7 prom1e6 11 1 1 1 dong nghiep cow3e12 cow2e11 cow1e10 1 1 1 1 luong thuong ben4e15 pay5e14 pay4e13 1 1 1 1 bao hiem ben3e17 ben2e16 1 1 cong viec work3e20 work2e19 work1e18 1 1 1 1 1 trung thanh loy3 e23 loy2 e22 loy1 e21 1 1 1 1 e24 1 Tính tốn bằng cách bấm vào nút , bạn sẽ cĩ kết quả 48 Hình 4.2 lanh dao .58 sup7e5 .76 .56 sup6e4 .75 .64 sup5e3 .80 .39 sup4e2 .62 .63 sup3e1 .79 thang tien .60 prom4e9 .41 prom3e8 .65 prom2e7 .58 prom1e6 .78 .64 .81 .76 dong nghiep .63 cow3e12 .66 cow2e11 .72 cow1e10 .85 .80 .81 luong thuong .43 ben4e15 .71 pay5e14 .69 pay4e13 .83 .66 .84 bao hiem.86 ben3e17 .98 ben2e16 cong viec .63 work3e20 .65 work2e19 .55 work1e18 .74 .79 .80 .93 .99 .66 trung thanh .58 loy3 e23 .48 loy2 e22 .66 loy1 e21 .70 .66 .48 .48 .28 .57 .45 .51 .21 .67 .32 .24 .52.26 .43 .23 Chi-square= \chi-square ; df= 209 ; P= .000 ; Chi-square/df = 1.929 ; GFI= .858 ; TLI = .909 ; CFI = .925 ; RMSEA= .068 .81 .76 .20 .19 .06 .45 -.09 .14 e24 Nghiên cứu của Dung & Nam (2005) chỉ ra rằng các thành phần của sự thoả mãn của nhân viên với cơng việc ảnh hưởng đến lịng trung thành, và điều này cũng được kiểm định bởi nhiều tác giả khác như Yousef(2000), Schepker (2001), Jernigan & ctg (20002). Vì vậy, mơ hình nghiên cứu của bạn dự định cĩ thể như Hình 4.1 và kết quả ước lượng lần đầu tiên như Hình 4.2 49 Kết quả dạng bảng số liệu Regression Weights: (Group number 1 - Default model) Estimate S.E. C.R. P Label trungthanh <--- lanhdao .212 .101 2.096 .036 trungthanh <--- thangtien .204 .119 1.713 .087 trungthanh <--- dongnghiep .068 .090 .755 .450 trungthanh <--- luong_thuong .495 .099 4.983 *** trungthanh <--- baohiem -.073 .050 -1.470 .142 trungthanh <--- congviec .142 .104 1.372 .170 Đồng nghiệp khơng cĩ ý nghĩa thống kê ở độ tin cậy 90% vì P-value >0.1 Khái niệm nào khơng cĩ ý nghĩa thống kê ở độ tin cậy 90% ta sẽ loại lần lượt ra khỏi mơ hình. (Dĩ nhiên là để tìm được mơ hình tốt, bạn cĩ thể phải thử nhiều mơ hình khác nhau) Lưu lại file SEM JDI Loy 1.amw để giữ lại sơ đồ (khi cần, cĩ thể sử dụng lại) Lưu file SEM JDI Loy 1.amw với tên khác SEM JDI Loy 2.amw Hình 4.3 lanh dao .58 sup7e5 .76 .57 sup6e4 .75 .64 sup5e3 .80 .39 sup4e2 .62 .62 sup3e1 .79 thang tien .59 prom4e9 .42 prom3e8 .65 prom2e7 .59 prom1e6 .77 .65 .81 .77 luong thuong .41 ben4e15 .74 pay5e14 .67 pay4e13 .82 .64 .86 .64 trung thanh .57 loy3 e23 .48 loy2 e22 .67 loy1 e21 .70 Chi-square= 188.523 ; df= 84 ; P= .000 ; Chi-square/df = 2.244 ; GFI= .894 ; TLI = .912 ; CFI = .929 ; RMSEA= .079 .82 .76 e24 .66 .52 .45 .23 .48 .27 50 Regression Weights: (Group number 1 - Default model) Estimate S.E. C.R. P trungthanh <--- lanhdao .241 .098 2.463 .014 trungthanh <--- thangtien .291 .106 2.748 .006 trungthanh <--- luong_thuong .496 .102 4.886 *** sup7 <--- lanhdao 1.000 sup6 <--- lanhdao .898 .085 10.580 *** sup5 <--- lanhdao .919 .082 11.271 *** sup4 <--- lanhdao .648 .076 8.569 *** sup3 <--- lanhdao .911 .082 11.126 *** prom4 <--- thangtien 1.000 prom3 <--- thangtien .844 .095 8.886 *** prom2 <--- thangtien 1.039 .094 11.100 *** prom1 <--- thangtien 1.089 .103 10.571 *** pay4 <--- luong_thuong 1.146 .126 9.120 *** ben4 <--- luong_thuong 1.000 pay5 <--- luong_thuong 1.186 .128 9.267 *** loy2 <--- trungthanh .994 .108 9.245 *** loy1 <--- trungthanh 1.014 .095 10.653 *** loy3 <--- trungthanh 1.000 P-value của lãnh đạo, thăng tiến, lương thưởng đều <0.05. Nên các biến này đều thực sự ảnh hưởng đến lịng trung thành Và, các trọng số chưa chuẩn hố mang dấu dương cũng cho thấy các biến lãnh đạo, thăng tiến, lương thưởng ảnh hưởng tỷ lệ thuận đến trung thành Standardized Regression Weights: (Group number 1 - Default model) Estimate trungthanh <--- lanhdao .232 trungthanh <--- thangtien .273 trungthanh <--- luong_thuong .446 sup7 <--- lanhdao .763 sup6 <--- lanhdao .754 sup5 <--- lanhdao .800 sup4 <--- lanhdao .621 sup3 <--- lanhdao .790 prom4 <--- thangtien .769 prom3 <--- thangtien .651 prom2 <--- thangtien .808 prom1 <--- thangtien .767 pay4 <--- luong_thuong .820 ben4 <--- luong_thuong .644 pay5 <--- luong_thuong .860 loy2 <--- trungthanh .696 loy1 <--- trungthanh .818 loy3 <--- trungthanh .758 - Các trọng số chuẩn hố đều dương, nên các biến lãnh đạo, thăng tiến, lương thưởng ảnh hưởng thuận chiều đến trung thành - lương thưởng tác động mạnh nhất đến lịng trung thành vì trị tuyệt đối của trọng số chuẩn hố là 0.446, lớn nhất trong 3 số 0.446, 0.273, 0.232. 51 Squared Multiple Correlations: (Group number 1 - Default model) Estimate trungthanh .636 Modification Indices (Group number 1 - Default model) Covariances: (Group number 1 - Default model) M.I. Par Change e22 luong_thuong 4.741 .232 e22 lanhdao 4.312 -.215 e13 thangtien 9.951 -.243 e15 thangtien 6.609 .264 e6 lanhdao 4.899 -.196 e6 e13 13.166 -.330 e6 e15 5.793 .290 e7 e6 7.529 .234 e9 lanhdao 5.466 .189 e9 e14 7.447 .217 e9 e7 6.705 -.202 e1 luong_thuong 10.649 -.238 e1 thangtien 5.395 .160 e1 e22 5.827 -.229 e1 e9 4.866 .164 e2 luong_thuong 4.322 .164 e2 e7 6.723 -.198 e5 luong_thuong 24.137 .421 e5 e14 7.505 .223 e5 e2 4.470 -.173 Mơ hình cĩ Chi-square càng nhỏ càng tốt. Cột MI gợi ý cho bạn xem nên mĩc mũi tên hai đầu vào cặp sai số nào để cĩ thể cải thiện Chi-square. Nếu mĩc giữa e6 và e13 thì hiệp phương sai giữa chúng sẽ là -0.33 và Chi-square sẽ giảm một lượng là 13.166 so với Chi- square của mơ hình ban đầu. Khi đĩ GFI, TLI, CFI cũng sẽ được cải thiện. Khi thêm 1 tham số, nếu Chi- square giảm khoảng từ 4 trở lên thì gọi là cĩ sự thay đổi đáng kể. Bạn nên chọn những trường hợp mà cĩ MI lớn để ưu tiên mĩc trước. Sau đĩ, chạy lại mơ hình, và xem nên mĩc tiếp giữa hai sai số nào để tiếp tục cải thiện Tuy nhiên, một mơ hình khơng nên mĩc quá nhiều mũi tên hai đầu giữa các cặp sai số! Bạn cĩ nhận xét gì về mơ hình trên? - Mơ hình ở Hình 4.3 cĩ thể nĩi là phù hợp với dữ liệu thị trường vì Chi-square=2.24 (<3), TLI=0.912, CFI=0.929 (>0.9); RMSEA=0.079 (<0.08). Tuy nhiên các chỉ tiêu này chưa phải tốt lắm! -Xem bảng Regression Weights, ta thấy cả ba khái niệm Lãnh đạo, thăng tiến, lương thưởng đều ảnh hưởng thuận chiều đến trung thành và cĩ ý nghĩa thống kê. -Xem bảng Standardized Regression Weights, ta thấy các trọng số đã chuẩn hố. Trị tuyệt đối của các trọng số này càng lớn thì khái niệm độc lập tương ứng tác động càng mạnh đến khái niệm phụ thuộc. Trường hợp này lương thưởng là yếu tố tác động mạnh nhất (trọng số hồi quy đã chuẩn hố bằng 0.446); Mạnh nhì là thăng tiên (trọng số hồi quy đã chuẩn hố là 0.273) và cuối cùng là lãnh đạo (trọng số hồi quy đã chuẩn hố là 0.232) -Ba khái niệm Lãnh đạo, thăng tiến, lương thưởng giải thích được 63.6% biến thiên của trung thành. 52 Làm sao để mơ hình SEM tốt hơn? - Dựa vào chỉ tiêu MI, bạn sẽ cĩ thể cải thiện mơ hình tốt hơn. Hãy xem mơ hình ở Hình 4.4 Hình 4.4 lanh dao .58 sup7e5 .76 .57 sup6e4 .75 .64 sup5e3 .80 .39 sup4e2 .62 .63 sup3e1 .79 thang tien .71 prom4e9 .41 prom3e8 .63 prom2e7 .46 prom1e6 .84 .64 .80 .68 luong thuong .40 ben4e15 .75 pay5e14 .67 pay4e13 .82 .64 .87 .63 trung thanh .58 loy3 e23 .48 loy2 e22 .66 loy1 e21 .70 Chi-square= 164.976 ; df= 81 ; P= .000 ; Chi-square/df = 2.037 ; GFI= .908 ; TLI = .927 ; CFI = .943 ; RMSEA= .072 .81 .76 e24 .68 .54 .44 .23 .48 .28 .31 -.33 -.20 Bạn hãy thử so sánh các chỉ tiêu đánh giá mức độ phù hợp của mơ hình ở Hình 4.3 và mơ hình ở Hình 4.4? 53