Tin mới
Bài viết
Quy trình 6 bước ước lượng mô hình SEM

Quy trình 6 bước ước lượng mô hình SEM

Một mô hình SEM có thể được ước lượng thông qua 6 bước như sau: • Xác định các khái niệm riêng rẽ • Phát triển và xác định mô hình đo lường • Thiết kế nghiên cứu thực nghiệm • Đánh giá tính hợp lí của mô hình đo lường • Xác định mô hình cấu trúc • Đánh giá tính hợp lí của mô hình cấu trúc ...
read more
Phương pháp phân tích phân tách – Stata

Phương pháp phân tích phân tách – Stata

Hàm phân tách tuyến tính, chẳng hạn phân tích phân tách (discriminant analysis) được sử dụng để thực hiện một kiểm định đa biến về sự khác nhau giữa các nhóm. Ngoài ra, phân tích phân tích còn được sử dụng để xác định số nhóm tối thiểu cần thiết để mô tả các sự khác nhau này. Bài viết này sẽ minh họa thực hiện phân tích phân tách trên phần mềm Stata....
read more
Measurement model và Structural model trong mô hình SEM

Measurement model và Structural model trong mô hình SEM

Khi xử lý các mô hình liên quan đến nhiều tập biến và mối quan hệ giữa chúng, trong nhiều trường hợp các nhà nghiên cứu sẽ sử dụng riêng rẻ các kỹ thuật thống kê như phân tích phương sai (ANOVA) hoặc hồi quy tuyến tính đa biến. Tuy nhiên, việc sử dụng các kỹ thuật thống kê này có thể dẫn đến đánh mất mối liên kết giữa các biểu thức. Thật vậy, mô hình phương trình cấu trúc (SEM) được phát triển để giải quyết vấn đề mất tính liên kết này. Mô hình SEM được xây dựng dựa trên sự kết hợp của một mô hình đo lường (a measurement model) và một mô hình cấu trúc (a structural model)....
read more
Đánh giá tính hợp lý của mô hình đo lường SEM

Đánh giá tính hợp lý của mô hình đo lường SEM

Bài viết sẽ giới thiệu cách sử dụng, phân biệt cũng như các điểm tới hạn của một số các chỉ số phù hợp thường được sử dụng để đánh giá tính hợp lí của mô hình đo lường trong SEM như: Chỉ số phù hợp (GOF) chi - bình phương; Chỉ số phù hợp tuyệt đối như: GFI, RMSEA, RMR, SR; Chỉ số phù hợp tăng cường: TLI, CFI, NFI, RNI; Chỉ số tối giản: PR, AGFI, PNFI ...
read more
Đánh giá độ phù hợp & tính hiệu quả của mô hình SEM

Đánh giá độ phù hợp & tính hiệu quả của mô hình SEM

Trong kiểm định thang đo, phương pháp phân tích nhân tố khẳng định CFA trong phân tích mô hình cấu trúc tuyến tính (SEM) có nhiều ưu điểm hơn so với phương pháp thống kê truyền thống như phương pháp hệ số tương quan, phương pháp phân tích nhân tố khám phá EFA, phương pháp phương pháp đa khái niệm (MTMMĐiểm neo[1]),… (Bagozzi & Foxall, 1996). Lý do là phương pháp CFA cho phép chúng ta kiểm định cấu trúc lý thuyết của các thang đo như mối quan hệ giữa một khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường (Steenkamp & Van Trijp, 1991). Trong kiểm định giả thuyết và mô hình nghiên cứu, mô hình phương trình cấu trúc (trong toàn bộ các bài viết chỉ đề cập đến cấu trúc tuyến tính) cũng có lợi thế hơn so với các phương pháp truyền thống như hồi quy tuyến tính đa biến vì nó có thể tính được sai số đo lườngĐiểm neo[2]. Ngoài ra, mô hình SEM cho phép chúng ta kết hợp được các khái niệm tiềm ẩn (nhân tố) với các khái niệm đo lường (biến quan sát) của chúng và có thể xem xét các khái niệm đo lường một cách độc lập hoặc kết hợp chung trong mô hình lý thuyết. Chính vì vậy, phương pháp phân tích cấu trúc tuyến tính được sử dụng rất phổ biến trong ngành tiếp thị trong những năm gần đây và thường được gọi là phương pháp phân tích thông tin thế hệ thứ 2 (Hulland & cộng sự, 1996). Bên cạnh những ưu điểm trên, mô hình SEM cho phép chúng ta có thể đánh giá được độ phù hợp của mô hình, kiểm định giá trị hội tụ (convergent validity), giá trị phân biệt (discriminant validity) của thang đo mà không cần nhiều nghiên cứu như trong phương pháp MTMM. Bài viết này sẽ giới thiệu một số phương pháp nhắm đánh giá mức độ phù hợp của mô hình SEM; cũng như trình bày một số kiểm định về tính hiệu quả của mô hình....
read more
Ví dụ minh họa mô hình SEM

Ví dụ minh họa mô hình SEM

Tiếp theo phần giới thiệu sơ bộ về mô hình SEM cùng với các thuật ngữ và quy ước trong sơ đồ nhánh thường được sử dụng, phần trình bày bên dưới sẽ minh họa cách một mô hình SEM hoạt động với nhiều mối quan hệ, ước lượng nhiều phương trình cùng lúc, thậm chí khi chúng có mối quan hệ tương hỗ lẫn nhau và biến phụ thuộc trong một phương trình là biến độc lập trong các phương trình khác. Nội dung bao gồm các phần: Câu hỏi nghiên cứu; Thiết lập sơ đồ nhánh; Ước lượng mô hình SEM; Đánh giá mô hình SEM; Phân tích tác động trực tiếp, gián tiếp ...
read more
Tản mạn về mô hình SEM

Tản mạn về mô hình SEM

Bài viết này sẽ lần lượt trình bày, phân biệt rõ ràng các khái niệm cơ bản của mô hình SEM như biến quan sát (observed variables hoặc manifest variables), chỉ báo (indicators), biến ẩn (latent variables), khái niệm (constructs) hoặc nhân tố (factors), cũng như phân biệt mô hình SEM với các mô hình/phương pháp thống kê truyền thống. Ngoài ra, bài viết còn đi sâu phân tích các đặc trưng cơ bản của mô hình SEM như yêu cầu cở mẫu lớn, ít tập trung vào các kiểm định thống kê riêng rẻ,… thông qua đó người đọc có thể biết được cách xác định cở mẫu tối ưu cho mô hình SEM, cũng như sử dụng các phép kiểm định thống kê phù hợp....
read more
Một số thuật ngữ thường dùng trong SEM

Một số thuật ngữ thường dùng trong SEM

Mô hình cấu trúc tuyến tính, gọi tắt là mô hình SEM hay đơn giản là SEM. Mô hình SEM còn được biết với nhiều tên gọi khác như phân tích cấu trúc hiệp phương sai (covariance structure analysis), phân tích biến ẩn (latent variable analysis) hay đôi khi còn gọi là mô hình nhân quả. Mô hình SEM được sử dụng khá phổ biến trong các nghiên cứu khoa học – xã hội, tuy nhiên sự am hiểu và thành thạo về SEM vẫn còn nhiều hạn chế. Bài viết này sẽ giới thiệu một số thuật ngữ quan trọng thường dùng trong SEM để giúp người đọc dễ dàng hơn trong việc đọc hiểu các tài liệu về mô hình SEM....
read more
Chẩn đoán mô hình đo lường – CFA

Chẩn đoán mô hình đo lường – CFA

Mục tiêu cuối cùng của phân tích CFA là đi tìm câu trả lời liệu mô hình đo lường xây dựng là có hợp lí. Nhưng quá trình kiểm định sử dụng phân tích CFA cho biết thêm những thông tin chẩn đoán để giải quyết những vấn đề tồn tại hoặc cải thiện độ phù hợp của mô hình...
read more
Độ phù hợp hồi quy Stepwise

Độ phù hợp hồi quy Stepwise

Nhược điểm lớn nhất của hồi quy Stepwise là cho phép các biến không có liên quan vào trong mô hình, do vậy, hồi quy Stepwise có thể tạo ra các mối quan hệ ảo hay tác động giả lên biến phụ thuộc trong mô hình....
read more
Phân tích hồi quy đa biến bội – SPSS

Phân tích hồi quy đa biến bội – SPSS

Phương pháp hồi quy đa biến là một phương pháp ước lượng một mô hình hồi quy đơn lẻ với một hay nhiều biến độc lập. Khi mô hình hồi quy gồm nhiều biến phụ thuộc thì phương pháp thực hiện ước lượng mô hình này gọi là phương pháp phân tích hồi đa biến bội (Multivariate Multiple regression)....
read more
Sự thiên chệch của ước lượng IV so với OLS

Sự thiên chệch của ước lượng IV so với OLS

Ước lượng IV luôn có sự thiên chệch, nhưng nếu sự thiên chệch này nhỏ hơn so với ước lượng OLS thì mô hình vẫn được xác định (identification) tốt. Trường hợp tốt nhất là ước lượng IV không có sự thiên chệch với OLS (thiên chệch 0%) khi đó, kết quả sẽ được cải thiện đáng kể. Tuy nhiên, trong trường hợp tồn tại các biến công cụ yếu (weak instruments) thì kết quả ước lượng IV sẽ không có cải thiện gì so với OLS nếu sự thiên chệch là 100%...
read more
Lựa chọn & kiểm định mô hình SUR

Lựa chọn & kiểm định mô hình SUR

Giới thiệu về mô hình SUR: Trong rất nhiều trường hợp, mô hình hệ phương trình nghiên cứu tồn tại mối quan hệ giữa các biểu thức. Nguyên nhân của sự tồn tại mối quan hệ giữa những biểu thức riêng rẽ này có thể được giải thích bởi các lý do sau:Thành phần sai số trong các biểu thức khác nhau có mối liên quan với nhau; Những yếu tố chung không quan sát được có ảnh hưởng đến các biến giải thích (độc lập) trong mô hình; Các tham số trong các biểu thức khác nhau có liên quan với nhau; Một hoặc một số tham số giống nhau cùng xuất hiện ở một số biểu thức có mối quan hệ (tuyến tính hoặc phi tuyến) với những tham số khác trong các biểu thức còn lại....
read more
Liên tục mở các lớp hướng dẫn sử dụng SPSS, AMOS, EVIEWS, STATA theo yêu cầu

Liên tục mở các lớp hướng dẫn sử dụng SPSS, AMOS, EVIEWS, STATA theo yêu cầu

Chúng tôi liên tục nhận hướng dẫn và mở các lớp hướng dẫn theo yêu cầu tại văn phòng của luanhay.vn hoặc tại các địa điểm do học viên, nghiên cứu sinh bố trí với thời gian linh hoạt phù hợp với công việc của từng học viên....
read more
Khóa hướng dẫn theo yêu cầu về sử dụng các phần mềm SPSS, AMOS, STATA, EVIEWS.

Khóa hướng dẫn theo yêu cầu về sử dụng các phần mềm SPSS, AMOS, STATA, EVIEWS.

luanhay.vn đã thiết kế khóa hướng dẫn đặc thù theo yêu cầu nhằm giúp các học viên, nghiên cứu sinh nhanh chóng nắm bắt được việc sử dụng một trong các công cụ thống kê SPSS, AMOS, STATA, EVIEWS một cách dễ dàng, nhanh chóng và thiết thực cho công việc của mình....
read more
Hồi quy tuyến tính đa biến – SPSS

Hồi quy tuyến tính đa biến – SPSS

Hồi quy tuyến tính đa biến là dạng mở rộng của hồi quy tuyến tính giản đơn cho 2 hay nhiều biến độc lập. Nó được sử dụng khi chúng ta muốn dự báo một biến kết quả (biến phụ thuộc) theo giá trị của 2 hay nhiều biến giải thích (còn gọi là biến độc lập). Chẳng hạn, chúng ta muốn dự báo thu nhập của người lao động theo số năm đi học, số năm kinh nghiệm, tuổi, giới tính hoặc khu vực sinh sống của người lao động....
read more
Sai lầm loại I – Sai lầm loại II

Sai lầm loại I – Sai lầm loại II

Đối với bất kỳ một thủ tục kiểm định nào có thể xảy ra ba trường hợp sau: (1) quyết định đúng được thực hiện (nghĩa là chấp nhận giả thuyết đúng và bác bỏ giả thuyết sai), (2) giả thuyết đúng bị bác bỏ, (3) giả thuyết sai được chấp nhận....
read more
Lựa chọn dạng hàm

Lựa chọn dạng hàm

Để xác định mô hình hồi quy tuyến tính cổ điển CLRM, chúng ta phải lựa chọn một dạng hàm cụ thể. Chúng ta có thể chọn bất kì dạng hàm nào mà các tham số được ước lượng là tuyến tính. Nếu chúng ta chọn sai dạng hàm, thì mô hình được xác định nhầm và không phù hợp với dữ liệu...
read more
Lựa chọn mô hình – Stepwise vs BMA

Lựa chọn mô hình – Stepwise vs BMA

Xây dựng mô hình thống kê là một nghệ thuật toán học. Vì lý do đó, các nhà nghiên cứu phải cân nhắc rất nhiều yếu tố để đi đến một mô hình đẹp. Mô hình đẹp là một mô hình đơn giản mô tả sát nhất với thực tế. Một mô hình phản ánh 100% thực tế đôi khi không còn là “mô hình” nữa, vì tính quá phức tạp không thể ứng dụng được của nó. Ngược lại, một mô hình chỉ mô tả thực tế khoảng 1% thì cũng không thể sử dụng được. Xây dựng mô hình, do đó, không chỉ tùy thuộc vào các phép tính thống kê, toán học, mà còn phải xem xét đến các yếu tố thực tế để bảo đảm cho sự hữu ích của mô hình. Nói như Good va2 Hardin[1] (2006, trang 152): “Don’t be too quick to turn on the computer. Bypassing the brain to compute by reflex is a sure recipe for disaster.”...
read more
Lựa chọn trọng số: pweight hay fweight

Lựa chọn trọng số: pweight hay fweight

Một trong những sai lầm phổ biến nhất xảy ra khi phân tích dữ liệu từ cuộc điều tra mẫu là lựa chọn trọng số của mẫu không phù hợp. Có 4 loại trọng số mẫu thường được sử dụng trong phân tích dữ liệu điều tra là: Trọng số xác suất: pweight (pw); Trọng số tần suất: fweight (fw); Trọng số phân tích: aweight (aw); Trọng số ảnh hưởng: iweight (iw)...
read more
Hide Buttons