Sáu Bước Trong Quá Trình Xây Dựng Mô Hình Phương Trình Cấu Trúc

Hình 2.3 thể hiện 3 ví dụ về các mối quan hệ được mô tả bởi sơ đồ đường dẫn với các phương trình tương ứng. Hình 2.3-3a chỉ ra một mô hình 3 biến đơn giản: x1, x2 ngoại sinh, quan hệ với biến nội sinh y1, đường nối giữa x1, x2 thể hiện ảnh hưởng của sự tương quan qua lại giữa 2 biến (đa cộng tuyến) của dự báo. Ta có thể chỉ ra mối quan hệ này thông qua một phương trình đơn đã được trình bày trong phần hồi quy bội.

Trong hình 2.3-3b biến nội sinh thứ 2 y2 được thêm vào. Trong hình này phương trình thứ hai thể hiện mối quan hệ giữa X2, Y1 với Y2, ở đây ta có thể thấy vai trò của mô hình khi có nhiều mối quan hệ giữa các biến hơn. Chúng ta cần xem xét ảnh hưởng của x1 lên y1, x2 lên y1 đồng thời là ảnh hưởng của x2, y1 lên y2 nếu ta không ước lượng được các ảnh hưởng trên ta sẽ không ước lượng được các ảnh hưởng thực tế và riêng rẽ của các nhân tố đó, chúng ta sẽ phải làm tương tự để tìm ra ảnh hưởng của x2 lên y1 và y2. Các mối quan hệ sẽ phức tạp hơn trong hình 2.3-3c với 3 biến phụ thuộc mỗi biến lại có quan hệ với các biến độc lập khác, các mối quan hệ này hai chiều này được thể hiện cả ở y2 và y3, phương trình y2 sử dụng để dự đoán kết quả của y3 và ngược lại. Không thể biểu diễn các mối quan hệ đồng thời của hình 2.3-3b và c trong một phương trình đơn. Các phương trình đơn là cần thiết để thể hiện các biến phụ thuộc. Sự cần thiết có một phương pháp cho phép ước lượng đồng thời các phương trình với nhau sẽ được sử dụng trong mô hình phương trình cấu trúc.

Tóm tắt

SEM là kỹ thuật đa nhân tố duy nhất cho phép ước lượng phương trình bội. Nhưng phương trình này đại diện cho phương pháp xây dựng mô hình liên quan tới các yếu tố cần đo lường và phương pháp mô hình này liên quan tới một mô hình khác. Vì vậy, khi sử dụng kỹ thuật SEM để kiểm định ký thuyết cấu trúc, có thể coi như việc phân tích nhân tố hiệu quả và phân tích hồi quy trong cùng một bước. SEM vì vậy được coi là một kỹ thuật rất phổ biến trong khoa học xã hội vì những ưu điểm vượt trội đó.

2.2.4.2 Sáu bước trong quá trình xây dựng mô hình phương trình cấu trúc

Theo Hair, Jr.J.F., Anderson, R.E. , Tatham, R.L. and Black, W.C.(1998) [17]mô hình phương trình cấu trúc bao gồm sáu bước như sau:

Xây dựng mô hình phương trình cấu trúc

Có thể bạn quan tâm!

Xem toàn bộ 204 trang tài liệu này.

Xác định các biến/cấu trúc đơn Các chỉ báo nào được dung để đo từng nhân tố riêng biệt

Bước1

Phát triển và xác định rõ mô hình đo lường Tạo ra các biến đo lường trong mô hình đo

Vẽ đường biểu đồ biểu diễn mô hình đo lường

Bước 2

Phương pháp ước lượng các tham số của mô hình đo Đánh giá mức độ đầy đủ/thích hợp của kích thước mẫu

Lựa chọn phương pháp ước lượng và tiếp cận các dữ liệu còn thiếu

Bước 3

Không

Mô hình đo lường có giá trị hay không?

Có

Chỉ ra mô hình cấu trúc

Chuyển đổi mô hình đo lường thành mô hình cấu trúc

Xác đinh giá trị của mô hình đo lường Xác định mức độ phù hợp của mô hình (GOF)

Tìm kiếm lại thước đo và thiết kế một nghiên cứu mới

Tiếp tục quá trình kiểm tra mô hình cấu trúc ở bước 5 và 6

Bước 4

Bước 5

Mô hình cấu trúc có giá trị không?

Không

Có

Xác định giá trị của mô hình cấu trúc

Tính toán GOF và ý nghĩa, hướng đi và kích thước của tham số cấu trúc

Tiếp tục tìm kiếm mô hình và kiển tra với dữ liệu mới

Vẽ ra mô hình và giới thiệu

Bước 6

Hình 2.4. Sáu bước xây dựng mô hình phương trình cấu trúc

Bước 1: Xác định tập hợp các chỉ báo đo từng nhân tố (biến tiềm ẩn) riêng lẻ

Xây dựng tập hợp chỉ báo đo lường biến tiềm ẩn (Operationalizing the contructs)

Quá trình này bắt đầu bằng việc xác định những chỉ báo có liên quan. Việc xác định này sau đó sẽ cung cấp cơ sở cho việc lựa chọn hoặc thiết kế tập hợp các chỉ báo cho 1 biến riêng lẻ nào đó. Thang đo thường dùng là thang điểm Likert . Việc xác định tập hợp chỉ báo đo từng nhân tố có thể dựa trên một hoặc kết hợp các cách sau:

Kế thừa kết quả từ các nghiên cứu trước. Trong nhiều ví dụ, tập hợp biến có thể được xác định và thực hiện như đã làm trong những nghiên cứu trước đó. Các nhà nghiên cứu có thể tiến hành tìm kiếm tài liệu về những biến riêng lẻ và xác định những thang đo đã hoạt động tốt ở các nghiên cứu trước đó.

Phát triển các biến đo mới . Biến đo lường có thể được phát triển. Sự phát triển này phù hợp khi nhà nghiên cứu đang nghiên cứu cái gì đó mới, chưa được nghiên cứu nhiều trước đó. Quá trình phát triển các tập hợp đo mới có thể rất dài và chi tiết.

Bước 2: Phát triển và cụ thể hóa mô hình đo lường

Trong giai đoạn này, mỗi biến tiềm ẩn trong mô hình được xác định tương ứng với tập hợp chỉ báo của từng biến tiềm ẩn. Mặc dù mối quan hệ giữa từng tập hợp biến quan sát được với một tiềm ẩn và giữa các biến tiềm ẩn với nhau có thể được trình bày dưới dạng phương trình, nhưng sẽ đơn giản hơn nếu trình bày quá trình này bằng biểu đồ. Hình 2.5 mô tả mô hình đo lường 2 biến đơn giản, với 4 chỉ số liên kết với mỗi biến và mối quan hệ tương quan giữa các biến.

Mô hình phép đo đơn giản trong Hình 2.5 có tổng số 17 tham số ước lượng (như 8 ước lượng tác động (eight loading estimate), 8 ước lượng sai số, và một ước lượng tương quan giữa các biến). Ước lượng tỷ lệ tác động (loading) đối với mỗi mũi tên kết nối một biến tiềm ẩn đến biến đo lường là một ước lượng của tỷ lệ tác động (loading) của biến - mức độ mà yếu tố liên quan đến biến.. Về trực quan, nó trả lời câu hỏi: mũi tên được vẽ ở đâu liên kết biến với biến?

Rất nhiều hướng đi có thể đã không được chỉ ra (như tương quan giữa biến chỉ báo, hệ số tác động của chỉ báo (loading of indicator) trên hơn 1 biến, vv...). Trong quá trình ước lượng các hệ số tác động không được chỉ rõ này được đặt ở mức giá trị bằng 0, nghĩa là chúng không được ước lượng.

Cov C1,C2

L4,1

L1,1

L4,1

L3,1 L2,1 L3,1

L2,1

Hình 2.5. Mô tả trực quan (Sơ đồ hướng đi) của mô hình phép đo

Mô tả chi tiết của mô hình phép đo cho phép hình dung dễ dàng mối quan hệ của từng biến tiềm ẩn với tập hợp chỉ báo đo của nó. Tuy nhiên, vẫn có khá nhiều vấn đề được đặt ra sau đây:

1. Có bao nhiêu chỉ số sẽ được sử dụng cho mỗi biến? Số lượng chỉ số tối thiểu là bao nhiêu? Có số lượng tối đa không? Những nếu tăng hoặc giảm số chỉ báo thì sẽ có những thay đổi gì?

2. Đo lường có được cân nhắc như là việc minh họa biến (nghĩa là nó mô tả biến) hoặc xem như việc giải thích biến. Mỗi cách tiếp cận mang lại cách hiểu khác nhau về cái mà biến mô tả.

Bước 3: Thiết kế mô hình đo các mối quan hệ

Với những mô hình cơ bản tập trung vào xây dựng hoặc đo lường các biến/ yếu tố, những nhà nghiên cứu thường tập trung chú ý tới những vấn đề liên quan tới nghiên cứu thiết kế hoặc ước lượng. Sáu vấn đề sau sẽ được đề cập đến trong phần này bao gồm:

Thiết kế mô hình nghiên cứu

Các vấn đề cần chú ý trong quá trình này:

1. Các loại dữ liệu phân tích: hiệp phương sai và quan hệ tương quan

2. Xử lý các dữ liệu khuyết (missing values)

3. Kích thước mẫu

Ứơc lượng mô hình:

Bao gồm các vấn đề sau:

1. Cấu trúc mô hình

2. Kỹ thuật ước lượng

3. Các phần mềm thống kê thường được sử dụng

Một số vấn đề trong thiết kế mô hình nghiên cứu

Như đã đề cập đến trong phương pháp phân tích nhân tố, các mối quan hệ trong mô hình được xây dựng dựa trên ma trận hiệp phương sai hoặc hệ số tương quan giữa các chỉ báo và các biến tiềm ẩn (nhân tố). Nguyên tắc của SEM cũng dựa trên việc phân tích hai loại ma trận này.

Hiệp phương sai và hệ tương quan. Những nhà nghiên cứu tiến hành phân tích theo mô hình SEM trước đây thường tranh cãi về việc sử dụng hiệp phương sai hoặc ma trận quan hệ tương quan như một yếu tố đầu vào Hair, Jr.J.F., Anderson,

R.E. , Tatham, R.L. and Black, W.C.(1998) [17]. Ban đầu, SEM được phát triển dựa trên những ma trận hiệp phương sai (vì thế người ta thường gọi nó với cái tên là phân tích các cấu trúc hiệp phương sai). Nhiều nhà nghiên cứu lại ủng hộ phương pháp sử dụng hệ số tương quan như một cách đơn giản hơn để phân tích và dễ dàng kết luận hơn.

Một ưu điểm của sử dụng dữ liệu quan hệ tương quan trong SEM là tất cả các giá trị ước lượng phải nằm trong khoảng từ -1.0 tới +1.0, tạo khả năng dễ dàng nhận biết những ước lượng không phù hợp hơn phương pháp sử dụng hiệp phương sai vì sử dụng phương pháp hiệp phương sai không có khoảng giá trị cụ thể.

Dữ liệu khuyết: Có 2 câu hỏi cần được trả lời liên quan tới việc liệu việc thiếu dữ liệu có thể gây ra những vấn đề gì:

1. Việc bỏ sót dữ liệu đã đầy đủ và là hiện tượng phi ngẫu nhiên , qua đó cho phép dự đóan và giải thích các nguyên nhân của vấn đề?

2. Trong trường hợp phải có những cách điều chỉnh với dữ liệu bị thiếu, đâu là phương pháp tiếp cận tốt nhất.

Dữ liệu khuyết và phương pháp xử lý:

Theo Hair, có khá nhiều cách xử lý dữ liệu khuyết, tuy nhiên có hai phương pháp được sử dụng khá nhiều trong SEM là phương pháp thêm biến. Phương pháp này đề cập tới cách thay thế các giá trị trung bình phổ biến nhất sẽ được thêm vào bộ số liệu bị bỏ sót (thay thế) đối với tất cả các biến. Hai cách tiếp cận phổ biến nhất (1) Ước lượng tối ưu những giá trị bị khuyết (Maximum Likehood); (2) ước lượng giá trị trung bình và hiệp phương sai của tất cả các giá trị trong trường hợp có hiện tượng bỏ sót dữ liệu (EM).

Quy mô mẫu.

Có khá nhiều các tranh luận về qui mô mẫu.Tuy nhiên các tác giả đều thông nhất về năm yếu tố ảnh hưởng tới về quy mô mẫu trong SEM bao gồm i) Sự phân phối số liệu đa nhân tố, ii) Kỹ thuật ước lượng, iii) Tính phức tạp của mô hình, iv) Số lượng dữ liệu bị bỏ sót, v) Số lượng phương sai sai số trung bình tương ứng với các nhân tố khác. Trong đó tính phức tạp của mô hình có ảnh hưởng rất lớn đến qui mô mẫu. Những mô hình đơn giản hơn có thể được thực hiện dựa trên những mẫu có quy mô nhỏ. Những yếu tố dưới đây sẽ ảnh hưởng trực tiếp tới qui mô mẫu:

1) Mô hình với nhiều biến tiềm ẩn sẽ cần nhiều tham số ước lượng hơn

2) Phân tích các nhóm đa nhân tố yêu cầu quy mô mẫu phải đủ lớn cho từng nhóm.

Ý nghĩa của quy mô mẫu là rất quan trọng trong việc cung cấp thông tin và tính ổn định đối với mô hình SEM.

Trong các nghiên cứu của SEM, có khá nhiều tranh luận xung quanh ý kiến cần “mở rộng tối đa kích thước mẫu” hoặc “quy mô mẫu cần ít nhất khoảng 300

quan sát”. Có một thực tế rằng, quy mô mẫu càng lớn thì tính chắc chắn của các kết quả đưa ra sẽ tăng lên nhưng các nghiên cứu cũng chỉ ra rằng các quy mô mẫu được lựa chọn cần phải dựa trên tập hợp các nhân tố (biến tiềm ẩn).

Hair, Black, Babin, Anderson và Tatham, 2006, đã đưa ra những gợi ý sau đây về qui mô mẫu dựa trên tính phức tạp của mô hình và đặc điểm cơ bản của mô hình:

1) Mô hình SEM có dưới năm biến tiềm ẩn và mỗi biến có nhiều hơn 3 chỉ báo và cao hơn (có communalities >0.6), có thể sử dụng những mẫu có kích thước từ 100 đến 150 quan sát.

2) Nếu giá trị commulnalities từ khoảng 0.45 – 0.55, các biến trong mô hình có ít hơn 3 chỉ báo, quy mô mẫu sẽ phải >200 quan sát.

3) Nếu giá trị commulnalities thấp hơn hoặc mô hình bao gồm những biến tiềm ẩn có số chỉ báo chưa xác định (<3), quy mô mẫu nhỏ nhất có thể sử dụng là 300 quan sát.

4) Khi số lượng các nhân tố >6, một nhân tố nào đó có nhiều hơn 3 chỉ báo, giá trị commulnalities là nhỏ, quy mô mẫu phải lớn hơn 500 quan sát.

5) Ngoài những đặc điểm đã nêu, quy mô mẫu sẽ tăng trong những trường hợp sau:

- Số liệu không có tính chuẩn

- Sử dụng những phương pháp ước lượng khác

- Có trên 10% số liệu bị bỏ sót trong mô hình.

Hạn chế trong ước lượng mô hình

Ngoài những hạn chế có thể gặp phải trong các nghiên cứu khác, phân tích SEM cũng có một số hạn chế nhất định. Những hạn chế này liên quan tới cấu trúc mô hình, kỹ thật ước lượng sử dụng và chương trình máy tính sử dụng để phân tích.

Cấu trúc mô hình Bước quan trọng nhất trong quá trình phân tích SEM là mức độ quyết định và liên quan của cấu trúc mô hình lý thuyết. Hiểu được mô hình

cấu trúc ký thuyết, người nghiên cứu cần xác định các tham số của mô hình cần được ước lượng. Mô hình này thường bao gồm các biến trong SEM thể hiện dưới dạng mối quan hệ của các biến.

Kỹ thuật ước lượng. Khi xác định mô hình, người nghiên cứu cần chọn mô hình nào sẽ sử dụng để ước lượng. Nói một cách khác, những thuật toán nào sẽ dùng để ước lượng các tham số tự do. SEM cũng cấp một số kết quả lựa chon.

Ban đầu, người ta ước lượng mô hình phương trình cấu trúc bằng phương pháp hồi quy bình phương nhỏ nhất. Sau đó, người ta sử dụng phương pháp ước lượng hợp lý tối đa (MLE) sẽ cho kết quả tốt hơn và không chệch đối với những giả định về phân phối chuẩn của đa nhân tố. MLE được sử dụng đầu tiên trong phần mềm LISEL và trở nên phổ biến trong hầu hết các chương trình SEM.

Tất cả những kỹ thuật ước lượng thay thế ngày một sử dụng phổ biến hơn cũng như kỹ thuật tính toán của máy tính cá nhân tăng lên khiến cho các vấn đề trở nên dễ dàng hơn. MLE vẫn được sử dụng rộng rãi và được mặc định trong hầu hết các chương trình SEM. Trên thực tế cho thấy việc vi phạm các giả định về phân phối chuẩn là khá phổ biến.

Bước 4: Đánh giá hiệu lực của mô hình đo

Sau khi đã xây dựng xong mô hình đo với những số liệu đầy đủ, kỹ thuật ước lượng cũng được xác định, câu hỏi đặt ra tiếp theo sẽ là : “Liệu mô hình đo lường (bao gồm tập hợp các biến tiềm ẩn) có giá trị?”. Tính chính xác, mức độ ý nghĩa của kết quả của hình đo phụ thuộc vào tính hợp lý trong mô hình và những điều kiện cụ thể để các biến có ý nghĩa. Dưới đây là một số tham số đo hiệu lực của mô hình đo.

1)Tính hợp lý của mô hình (Goodness Of Fit-GOF) hàm ý rằng việc xác định mô hình để xây dựng ma trân hiệp phương sai giữa các biến nhân tố (sự giống nhau của các quan sát và ma trận hiệp phương sai ước lượng được). Khi phương pháp đo lường hợp lý đầu tiên được xây dựng, nhà nghiên cứu đã có những điều chỉnh và phát triển những phương pháp đo lường khác có thể cho phép đo lường ở mức độ khác nhau của số liệu có được. Như vậy, số lượng các phương pháp đo