Giới thiệu
Sau khi thực hiện phân tích nhân tố khám phá (EFA), bước tiếp theo trong việc xây dựng mô hình là kiểm tra độ phù hợp mô hình (Model Fit) trong phân tích nhân tố khẳng định (CFA). Việc đánh giá độ phù hợp của mô hình là một trong những bước quan trọng nhất trong quá trình phân tích dữ liệu, giúp bạn xác nhận liệu mô hình đo lường của mình có phản ánh chính xác các khái niệm nghiên cứu hay không. Các chỉ số độ phù hợp mô hình cung cấp những thông tin quan trọng về mức độ khớp giữa dữ liệu thực tế và mô hình lý thuyết.
Trong bài viết này, chúng tôi sẽ hướng dẫn chi tiết cách đánh giá chỉ số Model Fit trong CFA, giải thích các chỉ số phổ biến như CFI, TLI, RMSEA và cung cấp ví dụ thực tế để bạn dễ dàng áp dụng vào nghiên cứu của mình.
Model Fit là gì?
Model Fit trong CFA là quá trình kiểm tra xem mô hình cấu trúc của bạn có khớp với dữ liệu quan sát hay không. Mô hình đo lường trong CFA thường bao gồm các thang đo (scales) và các biến tiềm ẩn (latent variables), giúp đo lường các khái niệm trong nghiên cứu. Để đảm bảo mô hình của bạn là chính xác và có tính ứng dụng cao, cần phải kiểm tra các chỉ số độ phù hợp mô hình như CFI, TLI, RMSEA, và các chỉ số khác.
Các chỉ số độ phù hợp mô hình (Model Fit) trong CFA
- CMIN/df (Chi-square / degrees of freedom): CMIN/df là tỷ lệ giữa giá trị Chi-square và bậc tự do của mô hình. Chỉ số này giúp đánh giá mức độ phù hợp của mô hình với dữ liệu. Theo tiêu chuẩn của Hu & Bentler (1999), CMIN/df ≤ 3 là tốt, còn CMIN/df ≤ 5 có thể chấp nhận được.
- CFI (Comparative Fit Index): CFI là một trong các chỉ số độ phù hợp phổ biến trong CFA, đánh giá mức độ phù hợp của mô hình với dữ liệu quan sát. Chỉ số này có giá trị từ 0 đến 1, với giá trị càng cao cho thấy mô hình càng phù hợp. Theo tiêu chuẩn, CFI ≥ 0.9 là tốt, CFI ≥ 0.95 là rất tốt, và CFI ≥ 0.8 có thể chấp nhận được.
- TLI (Tucker-Lewis Index): TLI, hay còn gọi là Non-Normed Fit Index (NNFI), đo lường mức độ cải thiện mô hình so với mô hình cơ sở. TLI có giá trị từ 0 đến 1, và giá trị TLI ≥ 0.9 thường được coi là đạt yêu cầu, cho thấy mô hình có độ phù hợp tốt với dữ liệu.
- RMSEA (Root Mean Square Error of Approximation): RMSEA là chỉ số đánh giá sai số của mô hình, tính theo căn bậc hai của sai số bình phương. RMSEA có giá trị từ 0 đến 1, với giá trị thấp hơn 0.06 là tốt, và từ 0.06 đến 0.08 là có thể chấp nhận được.
- PCLOSE: PCLOSE kiểm tra giả thuyết về việc mô hình có khớp hoàn hảo với dữ liệu hay không. Giá trị PCLOSE ≥ 0.05 cho thấy mô hình phù hợp tốt với dữ liệu.
Tiêu chuẩn Model Fit trong CFA
Dưới đây là một số ngưỡng chuẩn phổ biến để đánh giá Model Fit theo các tác giả nghiên cứu:
- Theo Hu & Bentler (1999):
- CMIN/df ≤ 3 là tốt, CMIN/df ≤ 5 là chấp nhận được
- CFI ≥ 0.9 là tốt, CFI ≥ 0.95 là rất tốt, CFI ≥ 0.8 là chấp nhận được
- TLI ≥ 0.9 là tốt
- GFI ≥ 0.9 là tốt, GFI ≥ 0.95 là rất tốt
- RMSEA ≤ 0.06 là tốt, RMSEA ≤ 0.08 là chấp nhận được
- PCLOSE ≥ 0.05 là tốt, PCLOSE ≥ 0.01 là chấp nhận được
- Theo Hair et al. (2010):
- CMIN/df ≤ 2 là tốt, CMIN/df ≤ 5 là chấp nhận được
- CFI ≥ 0.9 là tốt, CFI ≥ 0.95 là rất tốt, CFI ≥ 0.8 là chấp nhận được
- GFI ≥ 0.9 là tốt, GFI ≥ 0.95 là rất tốt
- RMSEA ≤ 0.08 là tốt, RMSEA ≤ 0.03 là rất tốt
Trường hợp riêng của GFI
Chỉ số GFI (Goodness-of-Fit Index) có thể gặp vấn đề trong các nghiên cứu có cỡ mẫu nhỏ, khiến nó khó đạt được mức 0.9. Nếu GFI dưới 0.9, bạn có thể chấp nhận ngưỡng 0.8 theo nghiên cứu của Baumgartner và Homburg (1995), nếu đây là yêu cầu của bài nghiên cứu.
Cải thiện độ phù hợp mô hình trong CFA
Khi chỉ số Model Fit không đạt yêu cầu, một trong những cách để cải thiện là sử dụng Covariance Modification trong AMOS. Điều này giúp giảm giá trị Chi-square và cải thiện các chỉ số Model Fit bằng cách nối các sai số có chỉ số MI (Modification Indices) cao. Tuy nhiên, cần phải thận trọng và không lạm dụng quá nhiều việc nối các sai số, vì điều này có thể làm sai lệch kết quả và làm giảm độ chính xác của dữ liệu.
Đánh giá chất lượng biến quan sát trong CFA
Sau khi kiểm tra độ phù hợp tổng thể của mô hình, bạn cần đánh giá chất lượng của các biến quan sát trong CFA. Để làm điều này, bạn cần xem xét hai bảng kết quả quan trọng là Regression Weights và Standardized Regression Weights.
Regression Weights
Bạn cần kiểm tra giá trị P (p-value) trong bảng Regression Weights để xác định xem biến quan sát có ý nghĩa trong mô hình hay không. Nếu p-value < 0.05, biến quan sát có ý nghĩa và có thể giữ lại trong mô hình. Nếu p-value > 0.05, biến quan sát không có ý nghĩa và cần loại bỏ.
Standardized Regression Weights
Theo Hair et al. (2010), những biến quan sát có Standardized Regression Weight từ 0.5 trở lên sẽ được giữ lại. Những biến có giá trị dưới 0.5 sẽ bị loại bỏ. Nếu biến có giá trị cao, điều này có nghĩa là biến quan sát đó đóng góp mạnh mẽ vào biến tiềm ẩn trong mô hình.
Cách đọc kết quả Model Fit trong SPSS và AMOS
Khi chạy CFA trong SPSS và AMOS, bạn sẽ nhận được các bảng kết quả bao gồm các chỉ số độ phù hợp mô hình như CMIN/df, CFI, RMSEA, TLI, và PCLOSE. Bạn cần kiểm tra từng chỉ số này để đảm bảo mô hình của bạn phù hợp với dữ liệu. Ngoài ra, bạn cũng cần kiểm tra các biến quan sát trong bảng Regression Weights và Standardized Regression Weights để đánh giá xem các biến có đóng góp vào mô hình hay không.
Kết luận
Kiểm định độ phù hợp mô hình (Model Fit) trong CFA là một bước quan trọng để đánh giá xem mô hình đo lường của bạn có phản ánh chính xác các khái niệm nghiên cứu hay không. Các chỉ số như CFI, TLI, RMSEA và PCLOSE giúp bạn kiểm tra mức độ phù hợp của mô hình với dữ liệu quan sát. Để cải thiện độ phù hợp mô hình, bạn có thể sử dụng các phương pháp điều chỉnh như Covariance Modification trong AMOS. Nếu bạn gặp khó khăn khi phân tích CFA trong SPSS và AMOS, hãy tham khảo dịch vụ hỗ trợ từ xulysolieu.info để tối ưu hóa kết quả và tiết kiệm thời gian.
