MÔ HÌNH SEM LÀ GÌ

Chuyên mục

0. DỰ ÁN (16)1. ỨNG DỤNG TOÁN HỌC (383)2. TÀI CHÍNH & KINH TẾ (743)3. PHẦN MỀM TOÁN HỌC (62)4. GIÁO DỤC và NCKH (188)5. TÀI LIỆU (59)

Bài và Trang được đáng chú ý

Bài viết mới


Hướng dẫn thực hành: phân tích EFA, CFA cùng SEM cùng với R

Cơ sở kim chỉ nan của mô hình mạng (SEM)

Phần vật dụng 1: quy mô phương trình cấu trúc SEM là gì

 Giới thiệu tổng quan mô hình mạng (SEM – Structural Equation Modeling) 

Một trong những kỹ thuật tinh vi và linh động nhất thực hiện để phân tích mối quan liêu hệ phức hợp trong quy mô nhân quả là mô hình mạng SEM (Structural Equation Modeling). Quy mô SEM đã có được sử dụng rộng thoải mái trong các nghành nghiên cứu giúp như tâm lý học (Anderson và Gerbing,1988; Hansell cùng White, 1991), làng hội học tập (Lavee, 1988; Lorence với Mortimer, 1985), nghiên cứu và phân tích sự trở nên tân tiến của trẻ nhỏ (Anderson, 1987; Biddle và Marlin,1987) với trong lĩnh vực quản lý (Tharenou, Latimer và Conroy,1994). Đặc biệt mô hình này cũng khá được ứng dụng trong rất nhiều mô hình thỏa mãn người tiêu dùng như : ngành thương mại dịch vụ thông tin cầm tay tại hàn quốc (M.-K. Kim et al. / Telecommunications Policy 28 (2004) 145–159), mô hình nghiên cứu sự trung thành của khách hàng hàng Dịch vụ thông tin di động tại Việt nam (Phạm Đức Kỳ, Bùi Nguyên Hùng, 2007)…

Mô hình SEM là sự việc mở rộng của quy mô tuyến tính bao quát (GLM) có thể chấp nhận được nhà nghiên cứu kiểm định một tập đúng theo phương trình hồi quy cùng một lúc.

Bạn đang xem: Mô hình sem là gì

SEM có thể mang đến một quy mô phức hợp cân xứng với tài liệu như những bộ dữ liệu khảo sát trong nhiều năm hạn(longitudinal), phân tích nhân tố khẳng định (CFA), các mô hình không chuẩn hoá,cơ sở tài liệu có cấu tạo sai số từ tương quan, tài liệu với các biến số ko chuẩn(Non-Normality) , hay tài liệu bị thiếu (missing data).

Đặc biệt, SEM sử dụng để cầu lượng những mô hình giám sát (Mesurement Model) và mô hình cấu trúc (Structure Model) của bài toán định hướng đa biến.

Mô hình tính toán chỉ rõ quan hệ giữa những biến tàng ẩn (Latent Variables) và các biến quan sát (observed variables).Nó tin báo về thuộc tính tính toán của trở thành quan cạnh bên (độ tin cậy, độ giá chỉ trị).

Mô hình cấu trúc chỉ rõ quan hệ giữa các biến tiềm tàng với nhau. Các mối dục tình này rất có thể mô tả phần nhiều dự báo sở hữu tính kim chỉ nan mà những nhà nghiên cứu quan tâm.

Mô hình SEM phối hợp được tất cả các chuyên môn như hồi quy nhiều biến, phân tích nhân tố và phân tích quan hệ hỗ tương (giữa các thành phần trong sơ đồ dùng mạng) để cho phép chúng ta kiểm tra mối quan hệ tinh vi trong tế bào hình. Không giống với rất nhiều kỹ thuật thống kê khác chỉ cho phép ước lượng mối quan hệ riêng phần của từng cặp yếu tố (phần tử) trong mô hình truyền thống (mô hình đo lường), SEM được cho phép ước lượng đôi khi các phần tử trong tổng thể và toàn diện mô hình, mong lượng mối quan hệ nhân quả giữa các khái niệm tiềm tàng (Latent Constructs) qua các chỉ số phối hợp cả giám sát và kết cấu của mô hình lý thuyết, đo các mối quan hệ định hình (recursive) và không ổn định (non-recursive), đo các tác động trực tiếp cũng như gián tiếp, của cả sai số đo và đối sánh phần dư. Cùng với kỹ thuật đối chiếu nhân tố xác minh (CFA) mô hình SEM mang lại phép năng động tìm tìm mô hình cân xứng nhất vào các mô hình đề nghị.

Công dụng và điểm mạnh của quy mô mạng (SEM)Kiểm định những giả thuyết về các quan hệ nhân trái có cân xứng (FIT) với dữ liệu thực nghiệm hay không.Kiểm định xác minh (Confirmating) các quan hệ giữa những biến.Kiểm định những quan hệ giữa những biến quan gần kề và ko quan ngay cạnh (biến tiềm ẩn)Là phương thức tổ hợp phương thức hồi quy, phương pháp phân tích nhân tố, so sánh phương sai.Ước lượng độ giá bán trị có mang (cấu trúc nhân tố) của những độ đo trước lúc phân tích sơ đồ mặt đường (path analysis)Cho phép tiến hành đồng thời những biến phụ thuộc (nội sinh).Cung cấp các chỉ số độ tương xứng cho các mô hình kiểm định.Cho phép nâng cao các mô hình kém phù hợp bằng cách sử dụng linh hoạt những hệ số kiểm soát và 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 chỉnh các quan tiền hệ mang thuyết giữa những biến tiềm ẩn.SEM giúp mang thuyết các mô hình, kiểm nghiệm thống kê bọn chúng (vì EFA với hồi quy hoàn toàn có thể không bền bỉ nhất tiệm về khía cạnh thống kê)SEM thường là một tinh vi giữa một trong những lượng lớn các biến quan gần cạnh và tiềm ẩn, các phần dư và sai số.SEM giả định tất cả một kết cấu nhân quả giữa những biến tiềm ẩn rất có thể là các tổ hợp con đường tính của các biến quan tiền sát, hoặc là các biến thâm nhập trong một chuỗi nhân quả.

Phần trang bị 2: reviews về các khái niệm đổi thay quan sát, tiềm ẩn, bậc từ do, sai số, phần dư, ẩn tàng, tường minh, tính khẳng định của tế bào hình…

Các bộ phận trong mô hình mạng (SEM) 

Biến quan gần cạnh (Observed variable): có cách gọi khác là biến chỉ báo (cấu tạo/phản ánh), trở nên đo lường, trở nên ngoại sinh hay đổi mới độc lập…tùy ngôi trường hợp ráng thể.Trong hình 1a, mô hình biến quan tiếp giáp được màn trình diễn bằng hình chữ nhật (V1, V2, V3). Biến chuyển V1, V2, V3 tất cả mũi tên đi ra yêu cầu trong trường thích hợp này có cách gọi khác là biến nước ngoài sinh xuất xắc biến hòa bình (trong quy mô truyền thống). Vào hình 1b, mô hình biến quan sát V1, V2, V3 phản ánh biến ẩn chứa F cùng biến ẩn chứa F vào vai trò biến ngoại sinh (nguyên nhân) trong quy mô SEM. (sẽ nói kỹ hơn ở chỗ phân biệt vươn lên là chỉ báo cấu trúc và biến chuyển chỉ báo phản chiếu phía dưới)

Hình 1: mô hình biểu diễn quan hệ nam nữ giữa những biến quan gần kề và biến hóa tiềm ẩn

*

Sự liên kết của những biến quan liền kề (chỉ báo) với các biến tiềm ẩn (không quan liêu sát) là bước trước tiên trong một giấy tờ thủ tục thống kê hình thức. Trái lại thông thường các giấy tờ thủ tục liên kết thường “ẩn tàng”-nếu ta cảm thấy một trở nên đo được nào đó bao gồm chỉ báo giỏi của một khái niệm ẩn chứa nào đó, thì bọn họ sẽ sử dụng nó.

Biến tiềm ẩn(Latent Variable):còn điện thoại tư vấn là nhân tố, biến nội sinh xuất xắc biến phụ thuộc vào trong quy mô truyền thống(hình 1a). Trái lại, trong quy mô SEM, biến tiềm ẩn trực tiếp tác động kết quả hay giá trị của trở thành quan liền kề và màn trình diễn dưới mẫu mã ellipse(F1) như hình 2. Biến tiềm ẩn (nhân tố) F1 bộc lộ một có mang lý thuyết, tất yêu đo thẳng được mà phải trải qua các biến chuyển quan sát V1, V2,V3. Trường thích hợp này biến hóa F1 có cách gọi khác là nhân tố các đại lý (Underlying factor), trong mô hình đo lường.

Các biến ẩn chứa hay các yếu tố cơ sở (F1, F2, F3) hay những sai số giám sát (e1,e2,e3) rất có thể tương quan liêu với nhau ( mũi thương hiệu 2 chiều) hay gồm thể tác động trực tiếp biến tiềm tàng khác (mũi thương hiệu 1 chiều). Phát triển thành F3 trên hình mẫu vẽ có các mũi tên bước vào nên có cách gọi khác là biến nội sinh xuất xắc biến phụ thuộc ( trong mô hình hồi quy hay mô hình cấu trúc).

Hình 3:Ví dụ một quy mô cấu trúc

*

Số hạng sai số với phần dư (Error & Disturbance):

Số hạng không đúng số ei biểu thị sai số của những biến đo lường, trong những khi di biểu thị mang lại nhiễu hoặc không đúng số liên quan với cực hiếm dự báo của những nhân tố(biến) nội sinh từ những nhân tố(biến) nước ngoài sinh hay còn được gọi là phần dư của cầu lượng hồi quy.

Trong mô hình thống kê giám sát của SEM (hình 4), mỗi thay đổi nội sinh có một số trong những hạng sai số(ei) hay nhiễu(di), nó biểu đạt tính không chắc chắn rằng và không đúng mực của sự đo lường, đồng thời nó còn thể hiện đặc thù này cho tất cả các biến chưa được phát hiện và không được giám sát trong mô hình.

Hình 4: các phần tử cơ bản trong mô hình SEM

*

Lưu ý rằng trở thành nội sinh là biến nhờ vào vào biến đổi khác ( V1,V2…,V6 và F3) tất cả mũi tên vào/ra, còn biến hóa ngoại sinh là biến hóa không phụ thuộc vào đổi mới khác (F1, F2) chỉ tất cả mũi tên đi ra (không có bất kỳ nhiễu d hay ngẫu nhiên sai số e nào) Ngoài ra, cũng cần phải phân biệt mũi thương hiệu một chiều giữa các biến ẩn chứa và những biến quan liêu sát biểu thị các thông số tải (factor loadings) trong những khi mũi tên một chiều giữa những khái niệm tàng ẩn và những biến quan ngay cạnh lại thể hiện hệ số hồi quy (regression coefficients) 

Tóm lại, Một quy mô SEM đặc trưng là một phức tạp giữa một vài lượng lớn những biến quan gần cạnh và ko quan sát, những số hạng phần dư và những sai số.

Biến trung gian ( Mediator): Gọi X là biến lý do gốc, M là phát triển thành trung gian tiềm năng(hình 5), với Y là biến hóa kết quả. Để khẳng định M là trở nên trung gian:

a) minh chứng rằng X —- > Y : Y tương quan với X,

b) chứng minh rằng X —- > M : M liên quan với X,

c) chứng minh rằng M — > Y là links có chân thành và ý nghĩa trong hồi quy hai đổi thay dự báo

Hình 5: biến hóa trung gian trong mô hình SEM

*

d) trả định những kiểm định trên đa số thỏa mãn, lúc đó:

i) Nếu liên kết : X — >Y ko có ý nghĩa sâu sắc ở c) : M trung gian toàn phần;ii) Nếu link : X — >Y có ý nghĩa sâu sắc ở c) : M trung gian một phần.

Nếu một khái niệm (construct) làm cho trung gian vào tác động của các biến ngọai sinh lên một trở nên phụ thuộc, nên đưa các quan hệ chức năng này vào tế bào hình. Những biến ngọai sinh nếu là trở nên trung gian một phần(tức là 1 liên kết trực tiếp hay con gián tiếp cùng với một trở nên phụ thuộc) thường xuyên là những biến dự báo đặc biệt quan trọng hơn cho một đổi mới phụ thuộc, rộng là các biến tương tự: đổi thay trung gian toàn phần. Nếu những tác cồn trung gian không được xem như xét tương thích ta rất có thể bị lầm lẫn về sự đặc trưng tương đối của các nhân tố không giống nhau trong sự tác động lên một khái niệm.

Phân biệt khái niệm “Ẩn tàng” và có mang “Tường minh”

*

Biến chỉ báo phản nghịch ánh (Reflective Indicators) gồm quan hệ trực tiếp với nhau, sự thay đổi của một phát triển thành chỉ báo này kéo theo sự chuyển đổi của vươn lên là chỉ báo khác diễn đạt qua tính độc nhất vô nhị quán tổng thể được đo bằng thông số Cronbach’s Alpha.

Biến chỉ báo cấu tạo (Formative Indicators) không quan trọng có tương quan với nhau, sự đổi khác của một thay đổi chỉ báo này không tác động đến các biến chỉ báo khác, do thế không vận dụng đo tính tuyệt nhất quán.

Hai có mang này được phối kết hợp lại trong quy mô nghiên cứu trong đó biến chỉ báo cấu tạo là nguyên nhân trong khi biến chỉ báo phản nghịch ánh thì phản ánh kết quả.

*

Tính khẳng định của mô hình SEM

  Tính xác định tức là có ít nhất một giải mã độc nhất cho từng ước lượng thông số trong một quy mô SEM. Số thông số cần ước lượng ngay số phương sai (Variance) tốt hiệp phương sai(Covariance) của các biến ngoại sinh (biến quan tiền sát hay không quan sát) và những tác động trực tiếp của những biến quan sát lên các biến nội sinh.

Để xác định mô hình phân tích thuộc loại quy mô nào trong ba loại mô hình “Vừa xác định- Just Identification”; “Kém xác định- Under Identification” xuất xắc “Quá xác định- Over Identification” thì nên phải đo lường số bậc tự do thoải mái của tế bào hình.

Bậc thoải mái là sự khác biệt giữa tổng số dữ liệu quan sát đầu vào (data points) và tổng cộng các thông số kỹ thuật ước lượng trong SEM , được xác định bằng cách làm sau:

df = 1/2<(p + q)(p + q +1)> – t

 Trong đó:

p= số những biến chỉ báo nội sinh

q= số những biến chỉ báo ngoại sinh

(p+q = số đổi thay quan sát)

t= Số các thông số kỹ thuật ước lượng

½<(p+q)(p+q+1) = Số quan sát hay hiệp phương sai trong ma trận (data points)

1) quy mô “vừa xác định” (Just Identification): mô hình có df =0 cùng chỉ tất cả một giải mã khả dĩ cho từng ước lượng thông số. Ví dụ: 2x+y =7; 3x+2y=11

2) quy mô “kém xác định” (Under Identification): quy mô có df 0 và gồm hơn một giải thuật khả dĩ (nhưng có một giải mã tối ưu hay tốt nhất đối với mỗi mong lượng thông số). Quy mô “quá xác định” xảy ra khi mỗi thông số được xác định và tối thiểu một thông số kỹ thuật thì “quá xác định” (có nhiều hơn một phương trình cho ước lượng thông số kỹ thuật này). Thông thường quy mô “quá xác định” được ái mộ hơn, có bậc tự do dương (df>0). Kim chỉ nam là đạt được df càng bự càng tốt.

Việc đặt những hạn chế(ràng buộc) trên quy mô “quá xác định” cho bọn họ kiểm định các giả thuyết (dùng Chi Square và các chỉ số khác).

Sự “xác định” là 1 yêu mong về kết cấu hay toán học tập để rất có thể tiến hành so với SEM.

Sự “kém xác định” trong thực nghiệm mở ra khi gồm một thông số kỹ thuật ước lượng tính “xác định” của quy mô có giá trị gần bằng 0. Do đặc điểm lặp của ước lượng SEM, một thông số ước lượng (phương không đúng chẳng hạn) bắt đầu với cực hiếm dương với tiến dần dần về cực hiếm 0.

Trong nghiên cứu quy mô SEM cần nỗ lực xác định lý do của tính kém xác định là do kết cấu hay kém khẳng định do thực nghiệm.

– ví như kém xác định do cấu trúc: xác định lại mô hình

– ví như kém xác định do thực nghiệm: điều chỉnh bằng cách thu thập thêm tài liệu hay khẳng định lại mô hình.

Phần thứ 3: giới thiệu về những dạng quy mô chủ yếu ớt khi so với SEM:mô hình đo lường, quy mô cấu trúc, quy mô xác lập, quy mô không xác lập, mô hình bão hòa, quy mô độc lập…

CÁC DẠNG MÔ HÌNH

Theo Vinod Kumar, Deregouska,2003 thì quy mô SEM tất cả hai quy mô có liên quan với nhau là tế bào hình giám sát và mô hình cấu trúc. Cả hai quy mô đều được xác định ví dụ bởi bên nghiên cứu:

5.1 quy mô đo lường: (còn gọi là mô hình nhân tố, mô hình ngoài) biểu đạt cách những biến quan liêu sát biểu lộ và giải thích các biến ẩn chứa thế nào: tức là diễn tả cấu trúc yếu tố (biến tiềm ẩn), đồng thời miêu tả các sệt tính thống kê giám sát ( độ tin cậy, độ giá chỉ trị) của các biến quan sát. Các mô hình đo lường và tính toán cho các biến hòa bình có thể đơn hướng, hoàn toàn có thể tương quan hay hoàn toàn có thể xác định các biến tiềm tàng bậc cao hơn. Mô hình đo lường và tính toán ( hình 7) cho thấy thêm các contact thống kê giữa các biến quan sát, ta có thể dùng để chuẩn hoá mô hình cấu trúc cơ bản. Các biến tiềm tàng được nối kết bằng những quan hệ dạng hồi quy chuẩn chỉnh hoá, tức là ước lượng những giá trị cho những hệ số hồi quy.

Hình 7 : mô hình đo lường

Mô hình giám sát dùng phân tích yếu tố để đánh giá mức độ mà trở thành quan sát thiết lập lên những khái niệm tàng ẩn của chúng. Để reviews độ giá trị (hội tụ với phân biệt) của các biến quan sát sử dụng kỹ thuật phân tích yếu tố khẳng định(CFA) với ma trận Covariance dựa trên mô hình SEM,.

5.2 mô hình cấu trúc: Xác định các liên kết (quan hệ nhân quả) giữa các biến tàng ẩn bằng mũi thương hiệu nối kết, và gán mang lại chúng các phương sai giải thích và không giải thích, chế tạo ra thành cấu trúc nhân quả cơ bản. Biến tàng ẩn được ước lượng bằng hồi quy bội của các biến quan liêu sát. Quy mô SEM không có thể chấp nhận được sử dụng khái niệm bộc lộ bởi biến chuyển quan liền kề đơn.Thông thường đổi thay tiềm ẩn đo lường và tính toán bởi ít nhất là bên trên một biến, tốt từ 3 đến tối đa là 7 biến quan sát.<Hair et al, Chap 11, 2000>

Mô hình SEM tất cả thể có khá nhiều dạng khác nhau:

Hình 8: quy mô SEM và các bộ phận cơ bản của nó

*

a) Một trở thành tiềm ẩn chủ quyền đơn hoàn toàn có thể dự báo một biến hóa tiềm ẩn nhờ vào đơn.b) Vài đổi thay tiềm ẩn hoàn toàn có thể tương quan lại trong đoán trước một biến phụ thuộc nào đó.c) Một đổi mới tiềm ẩn độc lập có thể dự báo một biến tiềm tàng khác, rồi biến này lại dự báo một biến chuyển thứ ba,

5.3 mô hình xác lập (recursive)

Mô hình bao gồm 02 đặc điểm cơ bản :

– những số hạng không nên số của nó không có tương quan với nhau

– Mọi tác động nhân trái đều đối chọi hướng.

Mô hình Recursive được sử dụng thông dụng trong các mô hình nghiên cứu vớt nhờ ưu điểm là dễ mô hình hoá, gồm tính ổn định hơn các so với quy mô Non-Recursive, và luôn được khẳng định (được trình bày ví dụ trong phần 2.3.3 Tính xác minh của tế bào hình)

Hình 9: mô hình SEM với tâm lý xác lập (ổn định) của nó

*

X, Y : đổi mới ngoại sinh E: Số hạng không đúng số

W, Z: biến đổi nội sinh Covariance (Tương quan tiền )

5.4 mô hình không xác lập (Non-Recursive)

Hình 10: quy mô SEM với trạng thái chưa xác lập (không ổn định định)

*

Mô hình Non-Recursive gồm vòng lặp ý kiến giữa các biến nội sinh, hoặc:

Khi hai phát triển thành nội sinh tác động lẫn nhau, tức là có vòng lặp đánh giá (1) , hoặc:Có vòng lặp thân hai biến hóa nội sinh và những số hạng không đúng số của hai vươn lên là nội sinh (2)

Mô hình Non-recursive chỉ có tính lâm thời thời, không ổn định so với mô hình Recursive, không tính ra, mô hình recursive dễ áp dụng nên thường thì nếu rất có thể các nhà nghiên cứu và phân tích thường quy đổi mô hình Non-Recursive về mô hình Recursive.

5.5 quy mô bão hoà (Saturated Model): Mô hình bão hoà (hình 11) chứa tương đối nhiều các thông số kỹ thuật cần cầu lượng bởi với số đầu vào(input) vào phân tích.Vì vậy quy mô này không tồn tại bậc tứ do(df=0). Đây là mô hình ít hạn chế(ràng buộc) nhất nhưng mà nó có thể phù hợp với bộ dữ liệu.

Hình 11: mô hình bão hòa của SEM

*

5.6 mô hình tự do (Independence Model)

Mô hình tự do (Hình 12) là tế bào hình có khá nhiều ràng buộc nhất mà lại nó gồm thể cân xứng với cỗ dữ liệu, bao gồm tối đa phần bậc từ bỏ do. Nó chỉ chứa các ước lượng phương sai của các biến quan lại sát, tức là giả định các quan hệ giữa các biến quan ngay cạnh không có.

Xem thêm:

Hình 12: tế bào hình chủ quyền của SEM

*

5.7 mô hình SEM tổng quát : được cho phép mô hình bao gồm nhiều khái niệm tàng ẩn được chỉ báo bởi những biến quan gần cạnh ( độc lập và phụ thuộc) và cho cả các quan tiền hệ định hình (Recursive) và không ổn định (non-recursive) giữa những biến khái niệm. Kết luận mô hình SEM là sự phối hợp giữa mô hình tính toán và mô hình cấu trúc.

Khi làm bài viết thạc sĩ thực tế, mô hình sẽ gồm dạng tương tự như sau:

*


Phần thứ 4: giới thiệu về so sánh EFA, CFA, ma trận cấu trúc hiệp phương sai, sơ đồ mặt đường path diagram,direct effect, indirect effect 

PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (EFA) VÀ KHẲNG ĐỊNH (CFA)

6.1 Phân tích yếu tố khám phá( EFA) : được sử dụng đến trong trường hợp mối quan hệ giữa những biến quan gần kề và biến ẩn chứa là không rõ ràng hay không chắn chắn chắn. So với EFA theo đó được tiến hành theo kiểu mày mò để xác minh xem phạm vi, nấc độ quan hệ tình dục giữa những biến quan sát và các nhân tố cơ sở như vậy nào, làm nền tảng cho một tập hợp những phép đo nhằm rút gọn gàng hay giảm bớt số biến đổi quan sát sở hữu lên các nhân tố cơ sở. Các yếu tố cơ sở là tổ hợp tuyến tính (sơ đồ dùng cấu tạo) của các biến tế bào tả bằng hệ phương trình sau:

*

Số lượng các nhân tố cơ sở tùy nằm trong vào quy mô nghiên cứu, trong các số ấy chúng ràng buộc nhau bằng phương pháp xoay những vector trực giao nhau để không xẩy ra hiện tượng tương quan. Phân tích nhân tố tìm hiểu EFA rất hữu dụng trong cách thực nghiệm thuở đầu hay mở rộng kiểm định.

6.2 so với nhân tố xác định (CFA): sử dụng phù hợp khi nhà nghiên cứu có sẵn một vài kiến thức về cấu tạo biến ẩn chứa cơ sở. Trong các số đó mối dục tình hay đưa thuyết (có được từ triết lý hay thực nghiệm) giữa biến quan ngay cạnh và yếu tố cơ sở thì được các nhà nghiên cứu mặc nhiên phê chuẩn trước khi thực hiện kiểm định thống kê. Vì thế CFA là bước tiếp sau của EFA nhằm mục tiêu kiểm định xem có một mô hình kim chỉ nan có trước làm gốc rễ cho một tập hợp những quan gần kề không. CFA cũng là 1 trong dạng của SEM. Khi kiến thiết CFA, những biến quan tiếp giáp cũng là các biến chỉ báo trong mô hình đo lường, bởi vì chúng thuộc ” tải” lên khái niệm kim chỉ nan cơ sở.

Phương pháp đối chiếu nhân tố xác định CFA gật đầu các đưa thuyết của các nhà nghiên cứu, được khẳng định căn cứ theo quan hệ tình dục giữa mỗi đổi thay và một hay nhiều hơn thế nữa một nhân tố. Sau đấy là một mô hình SEM áp dụng kỹ thuật so sánh CFA:

Hình 13: tế bào hình giám sát và mô hình kết cấu của SEM

*

X1 = λ11 ξ1 + δ1

X2 = λ22 ξ2 + δ2

X3 = λ31 ξ1 + λ32 ξ2 + δ3,

(ξi là các nhân tố chung, Xi là các yếu tố xác định)

Trong đó: λ là các hệ số tải, các yếu tố chung ξ i có thể có đối sánh tương quan với nhau, các nhân tố xác định Xi cũng hoàn toàn có thể tương quan liêu với nhau. Phương không đúng của một nhân tố xác minh là duy nhất.

Phương trình biểu diễn mô hình một cách tổng quát dạng ma trận của x như sau:

x = Λξ +δ

Cov(x, ξ) = Σ = E(xx’) = E <(Λx ξ +δ)(Λx ξ +δ)’> = E<(Λx ξ +δ)(Λ’x ξ ‘+δ’)>

= Λx E(ξξ’)Λx’ + ΛxE(ξδ’)Λx’ + E(δ’δ’)

Đặt: Σ = E(xx’); Φ = E(ξξ’); Θ = E(δδ’)

Với x’; Λx’; ξ ‘; δ’ thứu tự là ma trận đưa vị của ma trận x; Λx; ξ ;δ.

Cuối thuộc phương trình Covariance được viết gọn gàng như sau:

Σx = Λx Φξ Λ’Θx

Tương tự so với phương trình dạng ma trận của y cùng ma trận Covariance:

y = Λyη + ε

Σy = Λy Φη Λ’Θy

MA TRẬN CẤU TRÚC CỦA MÔ HÌNH MẠNG (CSM) (hình 14)

Đơn vị phân tích trong quy mô mạng (SEM) là những ma trận phương không đúng (VAR) tốt hiệp phương sai(COV). Tổng quát thủ tục SEM khẳng định một ma trận kim chỉ nan hàm ý (ma trận tương quan kỳ vọng) bởi quy mô nghiên cứu. Bởi vậy các đầu vào cần thiết của SEM là những dữ liệu thô tuyệt moment mẫu được xem từ tài liệu ( VAR, COV, hệ số đối sánh tương quan hay các moment khác) và mô hình đang được đánh giá. Tế bào hình bao gồm 1 tập hợp những phương trình đề xuất, với vài ba thông số ban đầu được gán giá trị cố định và thắt chặt và các thông số kỹ thuật cần cầu lượng (mean, variance, regression weight..)

Mục đích của ma trận VAR cùng COV trong SEM dùng để làm xác định các mối quan hệ tình dục giữa các thành phần trong mô hình bằng cách ước lượng ma trận tương quan kỳ vọng (tổng thể), đối chiếu với ma trận tương quan của dữ liệu quan sát (mẫu) thông qua kiểm định đưa ra square. Sự khác hoàn toàn giữa tương quan “ước lượng” và đối sánh “quan sát” của nhị ma trận này thể hiện trong sự chuyển đổi giá trị bỏ ra square, nó chỉ ra mức độ cân xứng của quy mô với dữ liệu ra làm sao (Chi square ko có chân thành và ý nghĩa (p > 0.05) biểu lộ một sự cân xứng tốt). Kiểm định chi square bao gồm cả tương quan của biến quan cạnh bên và tương quan kỳ vọng

Hình 14: mô hình cấu trúc hiệp phương sai

*

(CSM- Covariance Structural Modeling)

SEM đưa định các thành phần sai số thốt nhiên trong quy mô có phân phối chuẩn đa biến chuyển ( màn biểu diễn bằng hình ellipse). Với giả định này có thể chấp nhận được dùng phương thức ML ( Maximum Likelihood) để cầu lượng các hệ số trong mô hình. Vào trường hợp các điều kiện ước lượng ML ko thỏa mãn, như những biến phân một số loại (categorical) chẳng hạn thì cần sử dụng phương pháp ước lượng LS. Tất cả các cách thức ước lượng trong SEM đều đòi hỏi kích thước chủng loại lớn.

Ngoài ra các thành phần ngẫu nhiên trong SEM cũng đòi hỏi sai số giám sát của x (hay của y), tức là δ (hay ε) không đối sánh tương quan với những biến tiềm tàng độc lập ξ (hay phụ thuộc η). Đồng thời không nên số phương trình trong mô hình kết cấu giữa những biến tiềm ẩn tự do và tiềm ẩn phụ thuộc thì không tương quan với những sai số tính toán của những biến chỉ báo quan cạnh bên ( x và y), tức là ζ không được đối sánh với δ (hay ε).

SƠ ĐỒ ĐƯỜNG (Path Diagram)

Nếu cấu trúc của một mô hình chỉ biểu thị bằng những phương trình thì rất phức hợp và cực nhọc hiểu. Để đơn giản dễ dàng hoá và dễ ợt trong phân tích, tín đồ ta biểu diễn quan hệ các nhân tố dưới dạng sơ đồ gia dụng đường của tất cả mô hình thống kê giám sát và mô hình cấu trúc.

Khái niệm đổi mới ngoại sinh ξ trong tế bào hình nói một cách khác là biến nguồn xuất xắc biến độc lập vì nó ko chịu ảnh hưởng tác động của biến dự báo hay biến chuyển nào không giống trong mô hình. Khái niệm biến chuyển nội sinh η được dự báo bởi một hay các khái niệm khác.

PHÂN TÍCH SƠ ĐỒ ĐƯỜNG (Path Analysis)

Phân tích sơ đồ con đường hay nói một cách khác là mô hình nhân quả, tập trung vào việc điều tra khảo sát mạng lưới tình dục giữa những biến đo lường, quan hệ nhân quả giữa hai hay nhiều biến, cường độ của những quan hệ trực tiếp với gián tiếp, hoàn toàn có thể phân tích cả các quan hệ trung gian (X->Y->Z).

Phương trình cấu tạo :

*

Trong so sánh sơ đồ mặt đường các thành phần biến gồm quan hệ tác động trực tiếp và gián tiếp nhau. Trong sơ vật dụng nhân quả trên ta có:

Ảnh hưởng trực tiếp :

X3 gồm ảnh hưởng của X1 cùng X2,

X4 gồm ảnh hưởng của X2 với X3,

X5 chỉ tác động trực tiếp do X2

Y gồm tác động của X4 và X5

Ảnh hưởng con gián tiếp:

Là tác động của một vươn lên là thông sang một biến khác, ví dụ:

X1 tác động lên X4 thông qua X3

X1 ảnh hưởng lên Y một giải pháp gián tiếp thông qua X3 cùng X4.

Ảnh hưởng trọn giữa các biến biểu lộ bằng các hệ số tương quan. Toàn bộ các tác động giữa những biến trong mô hình SEM làm cho ma trận đối sánh tương quan cấu trúc:

r13 = p31 ; r23 = p32 ; r14 =p43 . p31

r24 =p43. P32 + p42; r25 = p52

ry = py4.p42 + py4 . P43. p32 + py5.p52

Quy tắc: Tương quan cấu tạo giữa hai biến chuyển thì bằng tổng những tác đụng trực tiếp và gián tiếp có công dụng xảy ra.

Giả sử có ma trận tương quan của các biến quan gần kề X1, X2 cùng X3 như sau:

X1 X2 X3X1 1.0 r12 r13X2 1.0 r23X3 1.0

Giả thiết một mô hình kết cấu (M1) dùng để làm kiểm định là :

*

Mô hình này được trình diễn bằng những phương trình sau

ŕ12 = p21 (p: hệ số hồi quy riêng rẽ phần chuẩn chỉnh hóa)

ŕ13 = p31 +p32. p21 (ảnh tận hưởng trực tiếp của X1 lên X3 cộng với ảnh hưởng gián tiếp qua X2)

ŕ23 = p32 + p31. p21 (ảnh hưởng trọn trực tiếp của X2 lên X3 cùng với tác động của X1 lên X3 với X2)

ŕij biểu diễn tương quan “tái cấu trúc” hay đối sánh tương quan “ước lượng” trên cơ sở mô hình kim chỉ nan trên đây. Thông số hồi quy hoàn toàn có thể ước lượng bằng phương thức hồi quy đa thay đổi trên cơ sở quy mô đã mang đến và có thể dùng nhằm “tái kết cấu lại” ma trận tương quan.

Tương quan của các quan sát bởi dữ liệu:

X1 X2 X3X1 1.0 r 12(o) r13(o)X2 1.0 r23(o)X3 1.0

Tương quan tái cấu trúc trên cơ sở mô hình sơ thiết bị đường:

X1 X2 X3X1 1.0  ŕ12 (e)  ŕ13(e)X2 1.0  ŕ23(e)

X3 1.0

So sánh các phần tử của hai ma trận đối sánh này càng như là nhau thì giá trị chi square càng nhỏ.

*

Lưu ý rằng mỗi mô hình thay thế bao gồm một tập đối sánh kỳ vọng khác biệt làm cho mô hình tốt hơn hoặc xấu đi. Giả sử mô hình định hướng ở trên bây giờ là (M2)

*

Hầu hết các mô hình nhân quả đều tiến hành so sánh để chọn ra mô hình cân xứng nhất. Mỗi quy mô có một giá trị đưa ra square ứng cùng với số bậc tự do thoải mái nhất định. Hai mô hình M1 và mét vuông giống nhau nhưng mét vuông bỏ đi quan hệ X1 cùng X2. Ý nghĩa của việc tăng /giảm độ tương xứng trong trường thích hợp này là :với df = df1 – df2 (hay còn xác định bằng chỉ số sự biến hóa của chi square trên một bậc từ do)

Mỗi đường màn trình diễn một tình dục giữa hai đổi thay thì tương xứng với một giả thuyết nghiên cứu, không được kiểm nghiệm để xác định hướng. Phân tích nhân quả là phân tích các tập hợp con của mô hình SEM như hình bên dưới đây:

Hình 15: tế bào hình đo lường và tính toán con và sự phối kết hợp của bọn chúng trong mô hình cấu tạo của SEM

*

Phân tích nhân trái chỉ đề cập đến những biến đo lường, là sự việc mở rộng lớn của hồi quy, gồm tính đồng thời và sử dụng độ đo tổng hợp.

Phân tích nhân quả là kỹ thuật khẳng định quan hệ trực tiếp với gián tiếp giữa các biến số, là các liên kết mang thuyết giữa các biến nước ngoài sinh và biến đổi nội sinh, là cảm giác trực tiếp hay chính là hệ số hồi quy. Liên kết gián tiếp (hay hiệu ứng gián tiếp) qua biến đổi trung gian bằng tích của hai giỏi nhiều hệ số hồi quy. Thông số nhân quả bằng hệ số đối sánh hay hồi quy (thường chuẩn chỉnh hoá) liên kết những biến số.Nếu chỉ gồm một links giữa hai trở nên số, hệ số nhân quả bằng hệ số tương quan. Ý nghĩa của hệ số nhân quả đó là tỷ số giới hạn CR = β/SEβ = Z-Statistic; CR > 1.96 nhằm có chân thành và ý nghĩa tại p=0.05 hay CR = 2.5 trên mức chân thành và ý nghĩa 0.01.

Phần thứ 5 gồm: Kiểm tra độ tin tưởng của thang đo ,Mức độ tương xứng của tổng thể mô hình,Kiểm định Chi-Square (χ2),Tỷ số Chi-Square/bậc từ bỏ do: χ2 / df ,GFI, AGFI, CFI, NFI , Chỉ số điều chỉnh quy mô (MI – Modification Indices), bình chọn ước lượng mô hình bằng phương thức Boostrap , những công rứa AMOS, LISREL, EQS, MPLUS…

TÓM TẮT CÁC BƯỚC THỐNG KÊ vào SEM

1) kiểm tra độ tin tưởng của thang đo

– Bằng thông số Cronbach’s Alpha.

– Ước lượng các hệ số hồi quy cùng tvalue

– so với nhân tố xác định (CFA): thực hiện trên tế bào hình đo lường để loại các biến có thông số tải nhân tố tiềm ẩn thấp. Hoàn toàn có thể thực hiện kiểm nghiệm CFA trên từng mô hình con (Sub Model) trước khi kiểm định mô hình tổng thể (tập thích hợp các quy mô con để kiểm định đồng thời).

– thống kê SMC ( Square Multiple Correlation) cho mỗi khái niệm tàng ẩn ngoại sinh (kết quả so sánh CFA của tế bào hình đo lường và thống kê nêu trên), tương tự hệ số R2 trong hồi quy con đường tính, SMC là phương sai phân tích và lý giải của mỗi khái niệm tiềm ẩn >

2) nút độ tương xứng của tổng thể mô hình

Bản chất của quy mô SEM là đòi hỏi các nhà phân tích trước hết tiến hành khai báo các giá trị xuất phát lúc đầu được hotline là quy mô giả thiết. Từ mô hình giả thiết, thông sang một chuỗi vòng lặp các chỉ số biến đổi để cuối cùng cung cấp cho nhà phân tích một quy mô xác lập, có khả năng giải thích buổi tối đa sự cân xứng giữa quy mô với bộ dữ liệu thu thập thực tế.

Sự phù hợp của toàn cục mô hình trên thực tế được đánh giá thông qua các tiêu chí về nút độ phù hợp như sau:

i) kiểm nghiệm Chi-Square (χ2) :

Biểu thị nút độ cân xứng tổng quát mắng của toàn bộ mô hình tại mức ý nghĩa p-value = 0.05 . Điều này thực tiễn rất cực nhọc xảy ra cũng chính vì χ2 khôn cùng nhạy với form size mẫu khủng và độ mạnh của kiểm định, nên thực tiễn người ta dùng chỉ số χ2 /df để tấn công giá,

ii) Tỷ số Chi-Square/bậc trường đoản cú do: χ2 / df

Cũng dùng để làm đo nấc độ phù hợp một cách chi tiết hơn của cả mô hình. Một vài tác giả đề nghị 1 > 200) ; tuyệt  200) thì mô hình được coi là phù hợp tốt .

iii) những chỉ số liên quan khác:

GFI, AGFI, CFI, NFI, ….. Có giá trị > 0.9 được coi là mô hình cân xứng tốt. Nếu những giá trị này bằng 1, ta nói quy mô là trả hảo.

GFI: đo độ cân xứng tuyệt đối (không kiểm soát và điều chỉnh bậc từ bỏ do) của mô hình cấu tạo và tế bào hình đo lường và thống kê với bộ dữ liệu khảo sát.

AGFI: Điều chỉnh cực hiếm GFI theo bậc tự do thoải mái trong mô hình.

RMR: Một mặt review phương sai phần dư của thay đổi quan sát, phương diện khác reviews tương quan phần dư của một vươn lên là quan giáp này với tương quan phần dư của một phát triển thành quan liền kề khác.. Cực hiếm RMR càng mập nghĩa là phương không đúng phần dư càng cao, nó phản ánh một mô hình có độ tương xứng không tốt.

RMSEA : là 1 trong chỉ tiêu quan lại trọng, nó khẳng định mức độ tương xứng của mô hình so cùng với tổng thể.

Trong tạp chí nghiên cứu và phân tích IS, những tác giả cho rằng chỉ số RMSEA, RMR yêu cầu  0.08 mô hình được chấp nhận. .

NFI: đo sự khác hoàn toàn phân bố chuẩn của χ2 thân mô hình hòa bình (đơn nhân tố, có những hệ số bằng 0) với phép đo phương không nên và quy mô đa nhân tố.

NFI = (χ2 null – χ2 proposed) / χ2 null = (χ2 Mo – χ2 Mn) / χ2 Mo

Mo : mô hình gốc; Mn : quy mô phù hợp

Giá trị đề xuất NFI > 0.9 &

iv) Mức phần trăm :

Giá trị > .05 được coi là mô hình cân xứng tốt.. Điều này còn có nghĩa rằng không thể bác bỏ đưa thuyết H0 (là giả thuyết quy mô tốt), tức là không tìm tìm được mô hình nào tốt hơn quy mô hiện tại)

Ngoài ra các quan hệ riêng lẻ cũng rất được đánh giá giỏi dựa trên các mức chân thành và ý nghĩa thống kê. Tác động của những biến nước ngoài sinh lên những biến nội sinh với tác động của những biến nội sinh lên những biến nội sinh được reviews qua các hệ số hồi quy. Mối quan hệ giữa các biến được biểu hiện bằng mũi thương hiệu trên tế bào hình. Chiều mũi tên màn trình diễn chiều tác động ảnh hưởng của trở thành này lên đổi mới kia. Ứng cùng với một mối quan hệ ta có một giả thuyết tương xứng (như đã trình bày ở trong phần đầu chương này về các giả thuyết và mô hình nghiên cứu). Vào các nghiên cứu và phân tích thuộc nghành nghề dịch vụ khoa học tập xã hội, tất cả các quan hệ nhân quả đề xuất có độ tin tưởng ở mức 95% (p = .05)

3) Chỉ số điều chỉnh quy mô (MI – Modification Indices)

Chỉ số điều chỉnh mô hình là chỉ số cầu lượng sự biến đổi của χ2 ứng với mỗi trường hợp thêm vào trong 1 mối quan hệ khả dĩ (ứng với giảm một bậc từ do). Trường hợp MI cho rằng lượng sút ∆ χ 2 >3.84 (ứng với sút một bậc từ do), thì có thể chấp nhận được ta kiến nghị một quan hệ làm tăng độ tương xứng của mô hình. .. (xem lại phần 3 – so sánh sơ đồ gia dụng đường, so sánh biến hóa χ2 giữa quy mô M1 và M2). Điều này tương tự như như đưa từng biến hòa bình vào trong mô hình hồi quy tuyến đường tính. Mặc dù vậy nhà nghiên cứu nên thận trọng cũng chính vì mối tình dục thêm vào quy mô chỉ được coi như xét lúc nó ủng hộ lý thuyết và không nên cố gắng mọi cách để cải thiện những chỉ số nhằm mục tiêu làm mang đến mô hình tương xứng hơn .Các chỉ số phù hợp tốt chỉ ra rằng tài liệu ủng hộ mô hình đề nghị, nhưng mà chúng không tồn tại nghĩa rằng mô hình lựa chọn là đúng chuẩn hay là mô hình tốt nhất có thể trong số các quy mô khả thi về phương diện lý thuyết. Vậy nên sẽ vĩnh cửu một số quy mô với nấc độ kiểm soát và điều chỉnh độ tương xứng khác nhau, tuỳ theo quan điểm nhà nghiên cứu. Các quy mô này được call là các mô hình cạnh tranh.

4) khám nghiệm ước lượng quy mô bằng cách thức Boostrap

Mô hình cuối cùng tương tự như các mô hình tương xứng khác quan trọng phải tất cả bộ dữ liệu chủ quyền với nhau, hay khuôn khổ mẫu ban sơ khá lớn. Trong cách thức nghiên cứu định lượng bằng phương pháp lấy mẫu, thông thường họ phải phân tách mẫu thành 02 chủng loại con. Mẫu con đầu tiên dùng để mong lượng những tham số quy mô và mẫu bé thứ hai sử dụng để reviews lại:

Định cỡ mẫu con thứ nhất dùng nhằm khám phá,Dùng kích cỡ mẫu nhỏ thứ hai để tiến công giá chéo cánh (Cross-Validation)

Chỉ số tấn công giá chéo CVI (Cross-Validation Index) đo khoảng cách giữa ma trận Covariance tương xứng trong mẫu mã con thứ nhất với ma trận Covariance của mẫu. Chỉ số CVI nhỏ tuổi nhất được cho phép kỳ vọng tinh thần mẫu lặp lại càng ổn định.

Cách không giống là lặp lại nghiên cứu và phân tích bằng một chủng loại khác. Hai phương pháp trên trên đây thường không thực tế vì phương thức phân tích tế bào hình kết cấu thường yên cầu mẫu lớn nên việc làm này tốn kém nhiều thời gian, túi tiền . Trong số những trường hợp bởi vậy thì Boostrap là cách thức phù phù hợp để nạm thế. Boostrap la phương pháp lấy mẫu lại có thay thế trong đó mẫu thuở đầu đóng phương châm đám đông.

Phương pháp Boostrap triển khai với số mẫu lặp lại là N lần. Hiệu quả ước lượng trường đoản cú N mẫu được xem trung bình và giá trị này có xu hướng ngay gần đến mong lượng của tổng thể. Khoảng chừng chênh lệch giữa giá trị trung bình ước lượng bởi Boostrap và mong lượng mô hình với mẫu ban sơ càng bé dại cho phép kết luận các ước lượng mô hình hoàn toàn có thể tin cậy được.

CÔNG CỤ THỐNG KÊ ỨNG DỤNG vào SEM

Hiện nay có không ít công nuốm phần mềm hỗ trợ quá trình thống kê, đối chiếu và khẳng định mô hình SEM như : AMOS, LISREL, EQS, MPLUS… được những nhà nghiên cứu sử dụng rất phổ biến trong các đề tài nghiên cứu. Giữa những công cụ thịnh hành nhất là ứng dụng AMOS với ưu điểm là : (a) dễ áp dụng nhờ module tích hợp phổ biến với ứng dụng phổ biến chuyển là SPSS cùng (b) dễ dãi xây dựng những mối quan hệ giữa các biến, yếu tố (phần tử mô hình) bởi trực quan hình học nhờ tác dụng AMOS Graphics. Tác dụng được bộc lộ trực tiếp trên mô hình hình học, nhà phân tích căn cứ vào các chỉ số nhằm kiểm định những giả thuyết, độ cân xứng của tổng thể mô hình một giải pháp dễ dàng, nhanh chóng. Minh họa cho phương pháp phân tích dữ liệu sử dụng chính sách AMOS có thể tham khảo nghiên cứu và phân tích của tác giả.