Biến đổi mô hình chưa phù hợp thành phù hợp

Biến đổi mô hình chưa phù hợp thành phù hợp
 
Nguồn tham khảo: Hair và cộng sự (2014), Nghiên cứu định lượng
 
Từ khóa: hồi quykiểm định, eview, stataspssluận văn, luận haybảng hỏimô hình

Mô tả lại mô hình chưa phù hợp

Việc điều chỉnh hay biến đổi một mô hình không phù hợp thành một mô hình phù hợp có phải luôn là mục tiêu cần hướng tới. Ở đây, có sự tranh luận giữa nhóm thiên về kiểm định lý thuyết và nhóm theo đuổi một sự phù hợp tốt. Mong muốn để đạt được một sự phù hợp tốt có thể sẽ không đạt được sự thỏa hiệp với lý thuyết cần kiểm định. Vì vậy, trong thực tế nỗ lực gia tăng độ phù hợp của mô hình có thể dẫn đến nhiều hệ lụy xấu trong việc mô tả mô hình.
 
Mỗi một trường hợp bên dưới có thể làm gia tăng sự phù hợp của mô hình nhưng có thể làm suy yếu lý thuyết kiểm định. Việc điều chỉnh này sẽ chỉ phù hợp trong một vài trường hợp cụ thể chứ không phải luôn đúng hoặc cần thiết trong mọi trường hợp bởi vì nó tiềm ẩn các vấn đề về ràng buộc quá mức của SEM để cung cấp một kiểm định thực của một mô hình. Hơn nữa, điều quan trọng là chúng ta không chỉ học từ các lý thuyết đã được xác nhận mà còn xem xét những kì vọng lý thuyết chưa được kiểm chứng.

Biến đổi một mô hình không phù hợp thành mô hình phù hợp trong mô hình SEM có thể sử dụng một trong số ba cách sau:
·         (i) giảm số mục hỏi trên mỗi khái niệm;
·         (ii) phân tích riêng rẽ mỗi khái niệm thay vì đánh giá tổng thể toàn bộ mô hình;
·         (iii) giảm cở mẫu.
Hệ lụy đầu tiên liên quan đến số mục hỏi cho mỗi khái niệm. Một lỗi chung là để làm giảm số mục hỏi trên mỗi khái niệm chỉ từ 2 đến 3. Mặc dù làm như vậy có thể gia tăng sự phù hợp của mô hình bằng cách làm giảm tổng số các chỉ mục và thậm chí cải thiện độ tin cậy của khái niệm, tuy nhiên, điều này gần như đánh mất ý nghĩa lý thuyết và tính giá trị vô hạn của các khái niệm. Vấn đề này càng nghiêm trọng hơn khi sử dụng một mục hỏi để mô tả cho một khái niệm. Các mục hỏi riêng rẻ chỉ nên được sử dụng khi khái niệm đúng là chỉ và có thể được đo lường bởi một mục hỏi (chẳng hạn biến nhị phân như mua hàng/không mua hàng; thành công/thất bại; có/không). Cuối cùng là một kiểm định của một mô hình đo lường nên thực hiện với đầy đủ các mục hỏi. Việc chia nhỏ đầy đủ các mục hỏi (ví dụ 15 mục hỏi cho một khái niệm) thành những tập nhỏ hơn (3 nhóm với 5 mục hỏi cho mỗi nhóm) có thể làm giảm sự phức tạp của mô hình nhưng sẽ che khuất chất lượng của những mục hỏi riêng rẽ. Vì vậy, việc chia nhỏ các mục hỏi chỉ nên được thực hiện khi toàn bộ mục hỏi đã được đánh giá (Hair và cộng sự, 2014 tr.583).
Một hệ lụy thực tiễn khác là đánh giá độ phù hợp mô hình đo lường thông qua phân tích riêng rẽ mỗi khái niệm thay vì phân tích một lần toàn bộ mô hình. Điều này không phù hợp với ý nghĩa sử dụng của các chỉ số GOF khi mà chúng được xây dựng để kiểm định toàn bộ mô hình chứ không phải một khái niệm riêng rẽ tại một thời điểm. Kết quả không chỉ là một kiểm định không hoàn hảo của mô hình tổng thể mà còn bị thiên chệch theo hướng xác nhận mô hình bởi vì nó dễ dàng hơn cho một khái niệm thỏa mãn các chỉ số phù hợp hơn là đạt được sự phù hợp chấp nhận cho toàn bộ mô hình. Ngoài ra, tiềm ẩn các vấn đề liên quan đến kiểm định về giá trị phân biệt và tiềm ẩn vấn đề tải chéo.
Cuối cùng là phần lớn các chỉ số phù hợp có thể được cải thiện bằng cách giảm cở mẫu. Cách này mặc dù cải thiện độ phù hợp của mô hình nhưng không đảm bảo được tính đại diện và khả năng tổng quát của mẫu. Hơn nữa, việc giảm cở mẫu có thể làm gia tăng các vấn đề thống kê như sự hội tụ của mô hình, tham số ước lượng kém chính xác và năng lực giải thích thấp hơn.

Hướng dẫn thiết lập mô hình phù hợp

Không có một nguyên tắc xác định giá trị tới hạn duy nhất cho các chỉ số nhằm phân biệt được các mô hình tốt với các mô hình xấu cho mọi trường hợp. Vì vậy, không một giá trị cụ thể nào cho mỗi chỉ số có thể phân biệt các mô hình có độ phù hợp chấp nhận và không chấp nhận được. Tuy nhiên, nhiều hướng dẫn thông thường được sử dụng kết hợp có thể hỗ trợ việc xác định độ phù hợp chấp nhận cho một mô hình cho trước:
Sử dụng nhiều loại chỉ số khác nhau: thông thường sử dụng 3 đến 4 chỉ số phù hợp để cung cấp bằng chứng đầy đủ về độ phù hợp của mô hình. Các nghiên cứu hiện nay đề nghị một tập hợp các chỉ số thực hiện đầy đủ trên một diện rộng các tình huống và nhà nghiên cứu không nhất thiết phải trình bày tất cả các chỉ số GOF bởi vì chúng thường thừa (ý nghĩa trùng lắp). Tuy nhiên, nhà nghiên cứu nên báo cáo ít nhất một chỉ số phù hợp tăng cường và một chỉ số phù hợp tuyệt đối, công thêm giá trị chi – bình phương và bậc tự do liên quan. Vì vậy, trình bày giá trị chi – bình phương và bậc tự do, chỉ số CFI hoặc TLI và RMSEA thường cung cấp đủ thông tin để đánh giá một mô hình. Chỉ số SRMR có thể thay thế RMSEA để mô tả tính không phù hợp của mô hình. Khi so sánh các mô hình có độ phức tạp khác nhau thì nhà nghiên cứu cũng có thể bổ sung thêm PNFI.
Bảng 4 bên dưới cung cấp một số hướng dẫn để sử dụng các chỉ số phù hợp trong các tình huống khác nhau. Các hướng dẫn này chủ yếu dựa trên các nghiên cứu mô phỏng với việc xem xét các cở mẫu khác nhau, độ phức tạp và mức độ của sai số trong xác định mô hình để xem xét mức độ chính xác của các chỉ số khác nhau. Một nhận xét quan trọng rút ra từ bảng hướng dẫn này là các mô hình càng đơn giản và cở mẫu càng nhỏ thì cần được đánh giá nghiêm ngặt hơn so với các mô hình phức tạp với cở mẫu lớn. Tương tự như vậy, các mô hình phức tạp hơn với cở mẫu nhỏ hơn có thể yêu cầu tiêu chuẩn ít nghiêm ngặt hơn để đánh giá với nhiều chỉ số phù hợp.
So sánh các mô hình với nhau: mặc dù khó khăn để xác định chính xác khi nào một mô hình là tốt hay xấu nhưng sẽ dễ dàng hơn để xác định một mô hình là tốt hơn mô hình khác. Các chỉ số ở bảng 4 có thể cho thấy sự ưu tiên tương đối của một mô hình so với mô hình khác. Một mô hình có chỉ số CFI bằng 0.95 cho thấy tốt hơn một mô hình tương tự với chỉ có CFI là 0.85.

                                                                                                                                                                                Nguồn: Hair và cộng sự (2014, tr.584)
 
Xem thêm lý thuyết về:   Xác định mô hình cấu trúc, Ước lượng các mối quan hệ sử dụng phân tích nhánh, Các thuật ngữ chính trong CFA,  Phân biệt CFA với EFA, Xây dựng mô hình đo lường – CFA, Số biến trên mỗi nhân tố – CFA, Phân biệt khái niệm Reflective với khái niệm Formative, Thiết kế nghiên cứu – CFA,  Đánh giá tính hợp lí mô hình đo lường – CFA, Chẩn đoán mô hình đo lường – CFA  , Biến nội sinh trong các ước lượng OLS, IV, GMMGiới thiệu về vấn đề nội sinhKiểm định Jarque bera Kiểm định tham số - Phi tham số Khái quát về kiểm định phi tham sốGiới thiệu về tương quan biếntự tương quanHausman testXem thêm một số bài nghiên cứu ứng dụng lý thuyết   Tra cứu giá trị thống kê qua bảng tính sẵn giá trị,  hồi quy,  kiểm định, eview, stataspss
 
Để có thêm thông tin chi tiết liên hệ: Luanhay.vn  - 081 800 1762/  097 9696 222 – hoặc email: luanhay@luanhay.com – luanvanhay@gmail.com
 
 

 

Đăng ký tuyển sinh

Hide Buttons