Phân tích CFA được sử dụng được kiểm định tính hợp lí của các mô hình đo lường trong mô hình phương trình cấu trúc SEM. Giữa phân tích CFA và phân tích EFA có thể tương đồng ở một khía cạnh nào đó, tuy nhiên, ý nghĩa là hoàn toàn khác nhau. Bài viết sau sẽ phân biệt sự khác nhau giữa phân tích CFA và EFA, cũng như minh họa một mô hình phân tích CFA thông qua một ví dụ cụ thể.
CFA là gì?
Nói một cách đơn giản thì phân tích CFA là một cách kiểm định cho biết các biến đo lường trong mô hình mô tả các khái niệm tốt như thế nào.
Phân tích nhân tố khẳng định [CFA] là bước phân tích tiếp theo của phân tích nhân tố khám phá EFA, bao gồm thiết kế để xác định, kiểm nghiệm và điều chỉnh các mô hình đo lường một cách độc lập đối với mỗi biến độc lập. Sử dụng dữ liệu nghiên cứu ta phân tích bằng phần mềm spss bằng phương pháp principal axis factoring với promax và kết quả đạt được ta lấy ma trận xoay các thang đo độc lập.
Cụ thể, phân tích CFA gồm hai nội dung là phân tích hệ số Cronbach’s Alpha với SPSS tại đây và hướng dẫn phân tích CFA như EFA bằng SPSS tại đây nhưng đối với các biến quan sát của từng biến độc lập riêng lẻ.
Phân tích yếu tố khẳng định [CFA] là mô hình hay gặp trong phân tích SEM [Structural Equation Analysis]. CFA khác với phân tích yếu tố khám phá [Exploratory Factor Analysis: EFA] về phương pháp cũng như các giả định.
Bài viết dựa vào 2 cuốn sách nổi tiếng của tác giả Rex B Kline và Joseph F. Hair cùng cộng sự trong lần xuất bản gần đây nhất [2010 và 2011].
Lê Văn Tuấn
Đại học Thương mại
Tóm tắt. Bài viết giới thiệu các phương pháp phân tích EFA, CFA và mô hình SEM. Các câu lệnh trên phần mềm R được trình bày đầy đủ nhằm cung cấp cho bạn đọc công cụ để thực hiện các phân tích/ mô hình này. Bộ dữ liệu được sử dụng trong chạy mô hình là bộ dữ liệu khảo sát thực tế để nghiên cứu về lòng trung thành của nhân viên.
Phiên bản: 9/2021
1. Mở đầu
a] Phân tích EFA
Trong thống kê đa biến, phân tích nhân tố khám phá [Exploratory Factor Analysis – EFA] là một phương pháp thống kê được sử dụng để khám phá cấu trúc cơ bản của một tập hợp các biến tương đối lớn. EFA là một kỹ thuật trong phân tích nhân tố [Factor Analysis] có mục tiêu bao quát là xác định các mối quan hệ cơ bản giữa các biến được đo lường. Nó thường được các nhà nghiên cứu sử dụng khi phát triển thang đo [thang đo là tập hợp các câu hỏi được sử dụng để đo lường một chủ đề nghiên cứu cụ thể] và dùng để xác định một tập hợp các cấu trúc tiềm ẩn bên dưới một loạt các biến được đo lường. Nó nên được sử dụng khi nhà nghiên cứu không có giả thuyết tiên nghiệm về các nhân tố hoặc mô hình của các biến được đo lường. Thông thường, các nhà nghiên cứu sẽ có một số lượng lớn các biến được đo lường, được giả định là có liên quan đến một số lượng nhỏ hơn các nhân tố “không được quan sát”. Các nhà nghiên cứu phải xem xét cẩn thận số lượng các biến được đo lường để đưa vào phân tích. Các thủ tục EFA chính xác hơn khi mỗi nhân tố được đại diện bởi nhiều biến đo lường trong phân tích.
EFA dựa trên mô hình nhân tố chung. Trong mô hình này, các biến biểu hiện được biểu thị dưới dạng một hàm của các nhân tố chung, nhân tố duy nhất và sai số đo lường. Mỗi nhân tố duy nhất chỉ ảnh hưởng đến một biến biểu hiện và không giải thích mối tương quan giữa các biến biểu hiện. Các nhân chung ảnh hưởng đến nhiều hơn một biến biểu hiện và các hệ số tải nhân tố [Factor Loading] là các thước đo mức độ ảnh hưởng của một nhân tố chung đến một biến biểu hiện. Đối với quy trình EFA, chúng ta quan tâm nhiều hơn đến việc xác định các nhân tố chung và các biến biểu hiện liên quan.
b] Phân tích CFA
Trong thống kê, phân tích nhân tố khẳng định [Confirmatory Factor Analysis – CFA] là một dạng phân tích nhân tố đặc biệt. Nó được sử dụng để kiểm tra xem các thước đo của một cấu trúc có phù hợp với sự hiểu biết của nhà nghiên cứu về bản chất của cấu trúc [hoặc nhân tố] đó hay không. Như vậy, mục tiêu của CFA là kiểm tra xem dữ liệu có phù hợp với mô hình đo lường giả định hay không. Mô hình giả thuyết này dựa trên lý thuyết và/hoặc nghiên cứu phân tích trước đó.
Trong phân tích nhân tố khẳng định, nhà nghiên cứu trước tiên phát triển một giả thuyết về những nhân tố mà họ tin rằng đang làm cơ sở cho các biện pháp được sử dụng và có thể áp đặt các ràng buộc đối với mô hình dựa trên các giả thuyết tiên nghiệm này. Bằng cách áp đặt những ràng buộc này, nhà nghiên cứu đang buộc mô hình phải phù hợp với lý thuyết của họ.
Cả EFA và CFA đều được sử dụng để hiểu phương sai chung của các biến đo lường được cho là do một nhân tố hoặc cấu trúc tiềm ẩn. Tuy nhiên, bất chấp sự tương đồng này, EFA và CFA là những phân tích khác biệt về mặt thống kê và khái niệm. Mục tiêu của EFA là xác định các nhân tố dựa trên dữ liệu và tối đa hóa lượng phương sai được giải thích. Nhà nghiên cứu không bắt buộc phải có bất kỳ giả thuyết cụ thể nào về việc có bao nhiêu nhân sẽ xuất hiện, và những nhân tố này sẽ bao gồm những mục hoặc biến nào. Nếu các giả thuyết này tồn tại, chúng không được đưa vào và không ảnh hưởng đến kết quả của các phân tích thống kê. Ngược lại, CFA đánh giá các giả thuyết tiên nghiệm và phần lớn được thúc đẩy bởi lý thuyết. Các phân tích CFA yêu cầu nhà nghiên cứu đưa ra giả thuyết trước về số lượng các nhân tố, liệu các nhân tố này có tương quan hay không và các mục/thước đo nào ảnh hưởng đến và phản ánh các nhân tố nào. Như vậy, trái ngược với EFA, trong đó tất cả các tải đều có thể thay đổi tự do, CFA cho phép giới hạn rõ ràng của một số tải nhất định bằng 0.
c] Mô hình SEM
Mô hình phương trình cấu trúc SEM [Structural Equation Modelling] là một kỹ thuật mô hình thống kê rất tổng quát. Sự quan tâm trong SEM thường là vào các kiến trúc lý thuyết [các khái niệm lý thuyết], được trình bày bởi các nhân tố ngầm [các khái niệm tiềm ẩn]. Các quan hệ giữa các kiến trúc lý thuyết được trình bày bởi các hệ số hồi quy hay hệ số đường dẫn giữa các nhân tố. SEM ám chỉ một cấu trúc của các hiệp tương quan [covariances_hiệp phương sai] giữa các biến được quan sát, các quan hệ này cho ra một tên khác là mô hình hóa cấu trúc hiệp tương quan [covariance structure modeling_mô hình cấu trúc hiệp phương sai]. Tuy nhiên, mô hình có thể được mở rộng thêm bao gồm trung bình của các biến quan sát được hoặc các nhân tố trong mô hình, làm cho tên mô hình hóa cấu trúc hiệp tương quan ít chính xác. Nhiều nhà nghiên cứu chỉ đơn giản nghĩ mô hình loại này là các mô hình LISREL [LInear Structural RELations [các quan hệ cấu trúc tuyến tính]], điều này cũng ít chính xác. Các mô hình phương trình cấu trúc ngày nay không nhất thiết phải tuyến tính, và khả năng mở rộng của SEM xa hơn phương trình LISREL ban đầu.
SEM liên quan đến việc xây dựng một mô hình, một biểu diễn mang tính thông tin của một số hiện tượng lý thuyết hoặc quan sát được. Trong mô hình này, các khía cạnh khác nhau của một hiện tượng được giả thiết có liên quan với nhau theo một cấu trúc. Cấu trúc này là một hệ phương trình, nhưng nó thường được thiết kế trên giấy hoặc sử dụng máy tính với các mũi tên và ký hiệu. Cấu trúc này ngụ ý các mối quan hệ thống kê và thường là nhân quả giữa các biến, các sai số và có thể bao gồm nhiều phương trình.
Mô hình SEM bao gồm nhiều kỹ thuật thống kê khác nhau như phân tích đường dẫn [Path Analysis], phân tích nhân tố khẳng định [Confirmatory Factor Analysis], mô hình nhân quả với các biến tiềm ẩn [Causal modeling with Latent variable, và cũng thường gọi là SEM], và thậm chí cả phân tích phương sai [Analysis of Variance], mô hình hồi quy tuyến tính bội [Multiple Linear Regression].
2. Đọc dữ liệu
3. Phân tích EFA với R
4. Phân tích CFA với R
5. Mô hình SEM với R
download bài viết đầy đủ:
phan-tich-efa-cfa-va-sem-voi-rDownload
link download dữ liệu: Khao sat nhan vien.csv [dropbox.com]
- Ngày đăng: 8/05/2019
- |
- Chuyên mục: AMOS, CFA
Bài viết được đăng tải duy nhất và thuộc bản quyền của Phạm Lộc Blog. Việc chia sẻ lại nội dung lên website khác vui lòng dẫn nguồn link bài viết gốc này. Xin cảm ơn!
Phân tích nhân tố khẳng định - Confirmatory Factor Analysis [CFA] là kiểm định được sử dụng để thực hiện các mục đích sau:
- Đánh giá được độ phù hợp tổng thể của dữ liệu dựa trên các chỉ số độ phù hợp mô hình [model fit] như Chisquare/df, CFI, TLI, GFI, RMSEA...
- Đánh giá chất lượng biến quan sát, khẳng định các cấu trúc nhân tố. Nếu EFA làm nhiệm vụ khám phá cấu trúc nhân tố từ một tập hợp các biến quan sát đưa vào và giả định chưa biết biến nào nằm chung trong một thang đo [chung một nhân tố] thì CFA lại khác khá nhiều. Các biến quan sát đưa vào phân tích CFA được giả định là đã xác định được biến quan sát nào thuộc thang đo nào rồi và chức năng của CFA lúc này là đánh giá xem các biến quan sát trong nội bọ thang đo đó đã phù hợp chưa, đạt tiêu chuẩn chưa.
- Đánh giá tính hội tụ, tính phân biệt các cấu trúc biến.
2. Biểu diễn cấu trúc biến lên diagram CFA
Để phân tích CFA, chúng ta cần biểu diễn biến lên diagram. Phần mềm AMOS là công cụ yêu cầu người dùng vẽ thủ công hoàn toàn diagram. Việc này mất thời gian và công sức khá nhiều, do vậy một số nhà phát triển đã xây dựng nên plugin Pattern Matrix Builder để đưa biến vào AMOS nhanh hơn từ ma trận xoay EFA.
Cần lưu ý rằng, plugin là công cụ hỗ trợ rút ngắn thao tác, không phải không có plugin thì chúng ta không vẽ được diagram SEM. Kèm với đó, EFA là một kiểm định, CFA là một kiểm định, chúng có liên quan nhau nhưng không phải là mối quan hệ nhân quả. Không phải phải thực hiện EFA thì mới triển khai được CFA, không phải cần có ma trận xoay thì mới vẽ được diagram CFA. AMOS là phần mềm được phát triển với đầy đủ công cụ vẽ diagram mà không cần bất cứ plugin hay yếu tố đầu vào từ EFA.
Do đó, nếu gặp các vấn đề khi cài đặt plugin hoặc plugin sử dụng không ổn định, các bạn nên vẽ thủ công diagram bằng công cụ có sẵn của AMOS. Xem chi tiết cách sử dụng công cụ AMOS tại đây.
Như vừa trình bày ở phần trước, các nhà phát triển đã xây dựng nên plugin để rút ngắn rút ngắn thời gian vẽ thủ công. Plugin Pattern Matrix Builder giúp đưa nhanh diagram từ ma trận xoay EFA vào AMOS. Do không phải lúc nào ma trận EFA cũng cùng số lượng nhân tố, cùng số lượng biến quan sát với diagram CFA cần vẽ, nên chúng ta cần linh hoạt sử dụng plugin một cách hiệu quả theo hướng dẫn tại video này.
Các bạn cần sử dụng phiên bản plugin tương ứng với phiên bản phần mềm AMOS đang có. Bạn tải và cài đặt phần mềm + plugin theo các link bên dưới:
- Plugin Pattern Matrix Builder dành cho AMOS 20: link tại đây
- Plugin Pattern Matrix Builder dành cho AMOS 24: link tại đây
4. Phân tích nhân tố khẳng định CFA
Phần hướng dẫn bên dưới sẽ sử dụng ví dụ mô hình như sau:
Cấu trúc biến:
- QC gồm 5 biến quan sát.
- QH gồm 5 biến quan sát.
- KM gồm 4 biến quan sát.
- BH gồm 6 biến quan sát. Trong đó BH6 bị loại ở bước EFA.
- NB gồm 4 biến quan sát.
- TT gồm 5 biến quan sát.
Khởi động phần mềm AMOS, click chọn vào biểu tượng Select Data file như hình bên dưới:
Tại cửa sổ hiện ra, chọn File Name, sau đó chọn file dữ liệu SPSS đầu vào.
Trong ví dụ này, file dữ liệu có tên là DATA AMOS.sav. Sau khi chọn xong file dữ liệu, chọn vào Open để kết thúc thao tác.
Tiếp tục nhấp vào OK để AMOS nhận file dữ liệu SPSS.
Quay về cửa sổ chính phần mềm AMOS, vẽ diagram cấu trúc biến vào AMOS như bên dưới. Chúng ta có thể vẽ thủ công hoặc dùng plugin để rút ngắn thao tác.
Bài viết này sẽ hướng dẫn dùng plugin, phần vẽ thủ công các bạn tự tìm hiểu ở mục số 2 bên trên.
Tiến hành vẽ diagram Vào Plugins > Pattern Matrix Model Buider
Chúng ta sẽ lấy bảng ma trận xoay là Pattern Matrix hoặc Rotated Component Matrix từ output SPSS để đưa vào plugin. Trường hợp này mình đang chạy chung EFA cho toàn bộ các yếu tố trong mô hình để lấy hết toàn bộ biến đưa vào AMOS cho nhanh, nếu có xáo trộn cấu trúc thì mình sẽ dùng công cụ thủ công để kéo thả biến lại cho đúng.
Với mô hình này, cách chạy EFA phù hợp nhất đó là chia làm 3 lần chạy: lần 1 gồm QC-QH-KM-BH, lần 2 chỉ gồm NB, lần 3 chỉ gồm TT. Do EFA chạy riêng như vậy ma trận xoay sẽ không có đủ biến để đưa cùng một lượt vào diagram CFA. Lúc này chúng ta lại dùng tới công cụ thủ công để thêm các cấu trúc biến còn thiếu vào. Xem chi tiết cách làm tại video này.
Copy bảng ma trận xoay Pattern Matrix hoặc Rotated Component Matrix dán vào cửa sổ Pattern Matrix Input, nhấp vào Create Diagram.
AMOS sẽ tự động tạo ra hình vẽ các biến, phần dư, các mối liên hệ.... một cách tự động, đều, đẹp thay vì chúng ta phải vẽ thủ công khi không có plugin Pattern Matrix Builder.
Tiến hành đổi các tên biến tiền ẩn 1,2,3,4,5... thành ký hiệu nhân tố cho dễ đọc kết quả.
Chèn các macro để xem nhanh các chỉ số model fit. Cách thức thực hiện như sau. Tại giao diện AMOS, chọn vào biểu tượng Figure Captions [màu vàng có chữ Title].
Sau đó nhấp vào vùng trống trên diagram, cửa sổ Object Properties xuất hiện. Nhập macro chỉ số model fit vào mục Figure caption. Các bạn có thể tùy chỉnh kích thước chữ của macro, canh lề macro tại mục Font size và Alignment. Một số chỉ số model fit hay dùng như sau:
Chi-square/df=\cmindf
GFI=\gfi
CFI=\cfi
TLI=\tli
RMSEA=\rmsea
PCLOSE=\pclose
Sau khi chèn xong macro, hãy lưu lại file CFA bằng cách nhấn Ctrl + S hoặc vào File > Save.
Sau khi đã lưu file, chọn vào biểu tượng Analysis Properties.
Tích chọn vào các mục từ 1 đến 5, mục số 6 nhập vào giá trị 15. Sau đó nhấp vào nút X ở góc trên bên phải để xác nhận tùy chọn và thoát khỏi giao diện.
Chọn vào biểu tượng Calculate Estimates để tiến hành chạy phân tích CFA.
Nhấp vào nút View Text để xem các bảng kết quả trong output.
3. Đọc kết quả phân tích CFA trên AMOS
Chúng ta sẽ đọc kết quả CFA qua các tiêu chí: độ phù hợp mô hình tổng thể, chất lượng biến quan sát, độ tin cậy, tính hội tụ, tính phân biệt các cấu trúc biến.
Khi vẽ diagram CFA, chúng ta tạo ra shortcut các chỉ số về độ phù hợp mô hình ngay trên sơ đồ biểu diễn các đối tượng CFA để đọc nhanh một số chỉ số model fit quan trọng.
Để xem đầy đủ các chỉ số về độ phù hợp mô hình, chúng ta mở output CFA.
Nhấp vào mục Model Fit ở bên trái. Giao diện bên phải sẽ hiển thị toàn bộ các bảng liên quan đến độ phù hợp mô hình. Các chỉ số hiện trên shortcut ngoài diagram đều được lấy từ các bảng này.
Có rất nhiều bảng, nhiều thông số, nhưng chúng ta sẽ chỉ chú ý tới những giá trị quan trọng. Chi tiết về các chỉ số độ phù hợp mô hình, chúng ta sẽ xem tiếp phần 2 tại đây.