Tin mới

Mô hình SEM (phần 1)

Admin| 12/10/2017
Cơ sở lý thuyết mô hình SEM – phần 1

Nguồn tham khảo: Ts. Nguyễn Duy Khánh (2009)

Tác giả: Luanhay.vn
 
Từ khóa: hồi quykiểm định, eview, stataspss, luận văn, luận hay, bảng hỏi, mô hình

1. Giới thiệu tổng quan mô hình mạng (SEM)
Một trong những kỹ thuật phức hợp và linh hoạt nhất sử dụng để phân tích mối quan hệ phức tạp trong mô hình nhân quả là mô hình mạng SEM (Structural Equation Modeling). Mô hình SEM đã được sử dụng rộng rãi trong các lĩnh vực nghiên cứu như tâm lý học (Anderson & Gerbing,1988; Hansell và White, 1991), xã hội học (Lavee, 1988; Lorence và Mortimer, 1985), nghiên cứu sự phát triển của trẻ em (Anderson, 1987; Biddle và Marlin,1987) và trong lĩnh vực quản lý (Tharenou, Latimer và Conroy,1994).
Mô hình SEM là sự mở rộng của mô hình tuyến tính tổng quát (GLM) cho phép nhà nghiên cứu kiểm định một tập hợp phương trình hồi quy cùng một lúc. SEM có thể cho một mô hình phức hợp phù hợp với dữ liệu như các bộ dữ liệu khảo sát trong dài hạn (longitudinal), phân tích nhân tố khẳng định (CFA), các mô hình không chuẩn hoá, cơ sở dữ liệu có cấu trúc sai số tự tương quan, dữ liệu với các biến số không chuẩn(Non-Normality), hay dữ liệu bị thiếu (missing data). Đặc biệt, SEM sử dụng để ước lượng các mô hình đo lường (Mesurement Model) và mô hình cấu trúc (Structure Model) của bài toán lý thuyết đa biến.
Mô hình đo lường chỉ rõ quan hệ giữa các biến tiềm ẩn (Latent Variables) và các biến quan sát (observed variables).Nó cung cấp thông tin về thuộc tính đo lường của biến quan sát (độ tin cậy, độ giá trị).
Mô hình cấu trúc chỉ rõ mối quan hệ giữa các biến tiềm ẩn với nhau. Các mối quan hệ này có thể mô tả những dự báo mang tính lý thuyết mà các nhà nghiên cứu quan tâm.
Mô hình SEM phối hợp được tất cả các kỹ thuật như hồi quy đa biến, phân tích nhân tố và phân tích mối quan hệ hỗ tương (giữa các phần tử trong sơ đồ mạng) để cho phép chúng ta kiểm tra mối quan hệ phức hợp trong mô hình. Khác với những kỹ thuật thống kê khác chỉ cho phép ước lượng mối quan hệ riêng phần của từng cặp nhân tố (phần tử) trong mô hình cổ điển (mô hình đo lường), SEM cho phép ước lượng đồng thời các phần tử trong tổng thể mô hình, ước lượng mối quan hệ nhân quả giữa các khái niệm tiềm ẩn (Latent Constructs) qua các chỉ số kết hợp cả đo lường và cấu trúc của mô hình lý thuyết, đo các mối quan hệ ổn định (recursive) và không ổn định (non-recursive), đo các ảnh hưởng trực tiếp cũng như gián tiếp, kể cả sai số đo và tương quan phần dư.
Với kỹ thuật phân tích nhân tố khẳng định (CFA) mô hình SEM cho phép linh động tìm kiếm mô hình phù hợp nhất trong các mô hình đề nghị.

2. Công dụng và lợi thế của mô hình mạng (SEM)
Kiểm định các giả thuyết về các quan hệ nhân quả có phù hợp (FIT) với dữ liệu thực nghiệm hay không.
Kiểm định khẳng định (Confirmating) các quan hệ giữa các biến.
Kiểm định các quan hệ giữa các biến quan sát và không quan sát (biến tiềm ẩn).
Là phương pháp tổ hợp phương pháp hồi quy, phương pháp phân tích nhân tố, phân tích phương sai-
Ước lượng độ giá trị khái niệm (cấu trúc nhân tố) của các độ đo trước khi phân tích sơ đồ đường (path analysis)
 
Cho phép thực hiện đồng thời nhiều biến phụ thuộc (nội sinh). Cung cấp các chỉ số độ phù hợp cho các mô hình kiểm định.
Cho phép cải thiện các mô hình kém phù hợp bằng cách sử dụng linh hoạt các hệ số điều chỉnh MI (Modification Indices).
SEM cung cấp các công cụ có giá trị về thống kê, khi dùng thông tin đo lường để hiệu chuẩn các quan hệ giả thuyết giữa các biến tiềm ẩn.
SEM giúp giả thuyết các mô hình, kiểm định thống kê chúng (vì EFA và hồi quy có thể không bền vững nhất quán về mặt thống kê)
SEM thường là một phức hợp giữa một số lượng lớn các biến quan sát và tiềm ẩn, các phần dư và sai số.
SEM giả định có một cấu trúc nhân quả giữa các biến tiềm ẩn có thể là các tổ hợp tuyến tính của các biến quan sát, hoặc là các biến tham gia trong một chuỗi nhân quả.
3. Các phần tử trong mô hình mạng (SEM)
Biến quan sát (Observed variable): còn gọi là biến chỉ báo (cấu tạo/phản ánh), biến đo lường, biến ngoại sinh hay biến độc lập…tùy trường hợp cụ thể.Trong hình 1a, mô hình biến quan sát được biểu diễn bằng hình chữ nhật (V1, V2, V3). Biến V1, V2, V3 có mũi tên đi ra nên trong trường hợp này còn được gọi là biến ngoại sinh hay biến độc lập (trong mô hình truyền thống). Trong hình 1b, mô hình biến quan sát V1, V2, V3 phản ánh biến tiềm ẩn F và biến tiềm ẩn F đóng vai trò biến ngoại sinh (nguyên nhân) trong mô hình SEM. (sẽ nói kỹ hơn ở phần phân biệt biến chỉ báo cấu tạo và biến chỉ báo phản ánh phía dưới) Hình 1: Mô hình biểu diễn quan hệ giữa các biến quan sát và biến tiềm ẩn

Sự liên kết của các biến quan sát (chỉ báo) với các biến tiềm ẩn (không quan sát) là bước đầu tiên trong một thủ tục thống kê hình thức. Trái lại thông thường các thủ tục liên kết thường “ẩn tàng”-nếu ta cảm thấy một biến đo được nào đó có chỉ báo tốt của một khái niệm tiềm ẩn nào đó, thì chúng ta sẽ dùng nó.
Biến tiềm ẩn (Latent Variable): còn gọi là nhân tố, biến nội sinh hay biến phụ thuộc trong mô hình truyền thống(hình 1a). Trái lại, trong mô hình SEM, biến tiềm ẩn trực tiếp ảnh hưởng kết quả hay giá trị của biến quan sát và biểu diễn dưới dạng hình ellipse(F1) như hình 2. Biến tiềm ẩn (nhân tố) F1 thể hiện một khái niệm lý thuyết, không thể đo trực tiếp được mà phải thông qua các biến quan sát V1, V2,V3. Trường hợp này biến F1 còn được gọi là nhân tố cơ sở (Underlying factor), trong mô hình đo lường. Hình 2: Ví dụ về một mô hình đo lường

Các biến tiềm ẩn hay các nhân tố cơ sở (F1, F2, F3) hay các sai số đo lường (e1,e2,e3) có thể tương quan với nhau ( mũi tên 2 chiều) hay có thể ảnh hưởng trực tiếp biến tiềm ẩn khác (mũi tên 1 chiều). Biến F3 trên hình vẽ có các mũi tên đi vào nên còn được gọi là biến nội sinh hay biến phụ thuộc ( trong mô hình hồi quy hay mô hình cấu trúc). Hình 3:Ví dụ một mô hình cấu trúc

Số hạng sai số và phần dư (Error & Disturbance):
Số hạng sai số ei biểu thị sai số của các biến đo lường, trong khi di biểu thị cho nhiễu hoặc sai số liên quan với giá trị dự báo của các nhân tố(biến) nội sinh từ các nhân tố(biến) ngoại sinh hay còn gọi là phần dư của ước lượng hồi quy.
Trong mô hình đo lường của SEM (hình 4), mỗi biến nội sinh có một số hạng sai số (ei) hay nhiễu (di), nó thể hiện tính không chắc chắn và không chính xác của sự đo lường, đồng thời nó còn thể hiện tính chất này cho cả các biến chưa được phát hiện và không được đo lường trong mô hình. Hình 4: các phần tử cơ bản trong mô hình SEM
 

Lưu ý rằng biến nội sinh là biến phụ thuộc vào biến khác ( V1,V2…,V6 và F3) có mũi tên vào/ra, còn biến ngoại sinh là biến không phụ thuộc vào biến khác (F1, F2) chỉ có mũi tên đi ra (không có bất kỳ nhiễu d hay bất kỳ sai số e nào).
Hệ số tải (factor loadings) trong khi mũi tên một chiều giữa các khái niệm tiềm ẩn và các biến quan sát lại biểu thị hệ số hồi quy (regression coefficients)
Tóm lại, Một mô hình SEM đặc trưng là một phức hợp giữa một số lượng lớn các biến quan sát và không quan sát, các số hạng phần dư và các sai số.
Biến trung gian (Mediator): Gọi X là biến nguyên nhân gốc, M là biến trung gian tiềm năng (hình 5), và Y là biến kết quả. Để xác định M là biến trung gian:
a) Chứng minh rằng X ---- > Y : Y liên quan với X,
b) Chứng minh rằng X ---- > M : M liên quan với X,
c) Chứng minh rằng M --- > Y là liên kết có ý nghĩa trong hồi quy hai biến dự báo
d) Giả định các kiểm định trên đều thỏa mãn, khi đó: (i) Nếu liên kết : X -- >Y không có ý nghĩa ở c) : M trung gian toàn phần; (ii) Nếu liên kết : X --- >Y có ý nghĩa ở c) : M trung gian một phần. Hình 5: Biến trung gia trong mô hình SEM
 

Nếu một khái niệm ( construct) làm trung gian trong tác động của các biến ngọai sinh lên một biến phụ thuộc, phải đưa các quan hệ chức năng này vào mô hình. Các biến ngọai sinh nếu là biến trung gian một phần(tức là một liên kết trực tiếp hay gián tiếp với một biến phụ thuộc) thường là các biến dự báo quan trọng hơn cho một biến phụ thuộc, hơn là các biến tương tự: biến trung gian toàn phần. Nếu các tác động trung gian không được xem xét thích hợp ta có thể bị nhầm lẫn về sự quan trọng tương đối của các nhân tố khác nhau trong sự tác động lên một khái niệm.
Phân biệt khái niệm “Ẩn tàng” và khái niệm “Tường minh”

Biến chỉ báo phản ánh (Reflective Indicators) có quan hệ liên đới với nhau, sự thay đổi của một biến chỉ báo này kéo theo sự thay đổi của biến chỉ báo khác thể hiện qua tính nhất quán cục bộ được đo bằng hệ số Cronbach’s Alpha.
Biến chỉ báo cấu tạo (Formative Indicators) không cần thiết có liên quan với nhau, sự thay đổi của một biến chỉ báo này không ảnh hưởng đến các biến chỉ báo khác, do vậy không áp dụng đo tính nhất quán.
Hai khái niệm này được phối hợp lại trong mô hình nghiên cứu trong đó biến chỉ báo cấu tạo là nguyên nhân trong khi biến chỉ báo phản ánh thì phản ánh kết quả.


Xem thêm lý thuyết về: Hướng dẫn hồi quy FEM/REM với Stata, Mô hình hồi quy tuyến tính, FEM và REM,  phân tích Tương quan và Đa cộng tuyến; phương sai sai số thay đổi ; tự tương quan, Hausman test; kiểm định phi tham số, VAR, MDS; EFA, VECM, CFA, SEM, PMG. Xem thêm một số bài nghiên cứu ứng dụng lý thuyết   Tra cứu giá trị thống kê qua bảng tính sẵn giá trịhồi quykiểm định, eview, stataspss
 
Để có thêm thông tin chi tiết liên hệ:Mr.Quân – Luanhay.vn  - 0127 800 1762/  097 9696 222 – hoặc email: luanhay@luanhay.comluanvanhay@gmail.com  – Add: Tầng 8, tòa nhà Sáng tạo, số 1 Lương Yên, Hai Bà Trưng, Hà Nội
 

Đăng ký tuyển sinh

Hide Buttons