Việc xử lý và đánh giá kết quả đối với mô hình cấu trúc biến tiềm ẩn bậc hai (second-order construct) thường phức tạp hơn so với mô hình cấu trúc biến tiềm ẩn bậc một (first-order construct). Sự phức tạp này xuất phát từ cách thức đo lường gián tiếp và mối quan hệ phân cấp giữa các biến tiềm ẩn trong mô hình. Bài viết này tập trung trình bày khái niệm cũng như quy trình phân tích nhân tố khẳng định (Confirmatory Factor Analysis – CFA) đối với biến tiềm ẩn bậc hai bằng phần mềm AMOS.
1. Khái niệm biến bậc hai và biến bậc một
Trong thống kê và nghiên cứu định lượng, các khái niệm biến bậc hai và biến bậc một được sử dụng để mô tả cấu trúc phân cấp của các biến tiềm ẩn. Trong thực tiễn trao đổi học thuật, các biến này đôi khi được diễn giải một cách trực quan hơn thông qua cách gọi biến mẹ và biến con hoặc biến tổng hợp và biến thành phần. Theo cách tiếp cận này, một biến tiềm ẩn bậc hai đại diện cho một khái niệm tổng quát và được hình thành từ nhiều biến tiềm ẩn bậc một có tính chất cụ thể hơn.
Xét một cấu trúc biến tiềm ẩn bậc hai như sau: biến MKT (Marketing) là biến bậc hai, được cấu thành bởi bốn biến tiềm ẩn bậc một bao gồm PP (Phân phối), GC (Giá cả), SP (Sản phẩm) và KM (Khuyến mãi). Khi biểu diễn trong mô hình lý thuyết, cấu trúc này thể hiện mối quan hệ phân cấp, trong đó biến bậc hai tác động lên các biến bậc một thành phần.
Thông tin về các biến trong mô hình được mô tả như sau:
-
MKT là biến tiềm ẩn bậc hai và không có biến quan sát đo lường trực tiếp. Biến này được đo lường gián tiếp thông qua các biến tiềm ẩn bậc một, do đó không gắn với các chỉ báo quan sát cụ thể.
-
PP là biến tiềm ẩn bậc một, bao gồm hai biến quan sát và đóng vai trò là một biến thành phần của MKT.
-
GC là biến tiềm ẩn bậc một, gồm bốn biến quan sát và là một thành phần cấu thành của MKT.
-
SP là biến tiềm ẩn bậc một, gồm bốn biến quan sát và là biến thành phần của MKT.
-
KM là biến tiềm ẩn bậc một, bao gồm hai biến quan sát và thuộc cấu trúc của biến MKT.
-
GTCN là biến tiềm ẩn bậc một, gồm ba biến quan sát.
-
YDMH là biến tiềm ẩn bậc một, gồm bốn biến quan sát.
Đặc điểm của biến tiềm ẩn bậc hai có thể được tổng hợp như sau:
-
Biến bậc hai không được đo lường trực tiếp bởi các biến quan sát.
-
Việc đo lường biến bậc hai được thực hiện gián tiếp thông qua các biến tiềm ẩn bậc một thành phần.
-
Trong mô hình SEM, biến bậc hai vẫn được xem là một biến tiềm ẩn và được biểu diễn bằng hình tròn hoặc hình elip.
-
Khi đưa biến bậc hai vào mô hình, nhà nghiên cứu chỉ có thể đánh giá mối quan hệ giữa biến bậc hai với các biến khác trong mô hình, mà không thể đồng thời đánh giá tác động của cả biến bậc hai và các biến bậc một thành phần lên cùng một biến phụ thuộc.
-
Trong trường hợp cần đánh giá đồng thời ảnh hưởng của biến bậc hai và các biến bậc một thành phần lên các biến khác, cần xây dựng hai sơ đồ mô hình riêng biệt và tiến hành phân tích, đánh giá kết quả độc lập cho từng mô hình.
2. Phân tích CFA biến bậc hai trên AMOS
Theo Zainudin, A. (2012), trong Handbook on SEM: Structural Equation Modelling using AMOS Graphics (ấn bản thứ hai), để xử lý biến tiềm ẩn bậc hai trong phân tích CFA, việc đánh giá được thực hiện trên hai khía cạnh chính.
# Thứ nhất là đánh giá chất lượng của biến bậc hai, bao gồm các tiêu chí: chất lượng của các biến quan sát thuộc các biến bậc một; mức độ đảm bảo tính hội tụ và tính phân biệt của các biến bậc một; và mức độ ý nghĩa của sự đóng góp từ các biến bậc một vào biến bậc hai.
# Thứ hai là đánh giá mô hình tổng thể, với các tiêu chí gồm: mức độ phù hợp tổng thể của mô hình; chất lượng của các biến quan sát; và mức độ đảm bảo tính hội tụ cũng như tính phân biệt của biến bậc hai so với các biến khác trong mô hình tổng thể.
Cách tiếp cận này đặc biệt phù hợp trong trường hợp các biến bậc một có mối tương quan chặt chẽ với nhau, và kết quả phân tích EFA cho thấy các biến bậc một không nhất thiết phải được phân tách hoàn toàn theo cấu trúc lý thuyết ban đầu, mà có thể tồn tại sự giao thoa nhất định giữa các thành phần.
2.1 Đánh giá chất lượng biến bậc hai
Để đánh giá chất lượng của biến bậc hai, quá trình phân tích được thực hiện thông qua hai sơ đồ CFA riêng biệt.
Diagram 1
Được sử dụng nhằm đánh giá chất lượng của các biến quan sát thuộc biến bậc một, đồng thời xem xét tính hội tụ và tính phân biệt của các biến bậc một.
A. Đánh giá chất lượng biến quan sát
Trong phân tích CFA, chất lượng của các biến quan sát được đánh giá dựa trên hai bảng kết quả là Regression Weights và Standardized Regression Weights. Từ cửa sổ output của AMOS, các bảng này được truy xuất thông qua đường dẫn Estimates > Scalars > Regression Weights.
→ Kết quả cho thấy tất cả các biến quan sát đều có ý nghĩa thống kê trong mô hình, do giá trị p-value của các hệ số đều nhỏ hơn 0.05. Trong AMOS, các giá trị p-value bằng 0.000 được biểu thị bằng ba dấu sao (***). Đối với các biến có hệ số ước lượng bằng 1.000 và không xuất hiện giá trị ở các cột tiếp theo, đây là các biến tham chiếu, được cố định theo mặc định và luôn được xem là có ý nghĩa trong mô hình.
Tiếp theo, bảng Standardized Regression Weights được truy xuất thông qua đường dẫn Estimates > Scalars > Standardized Regression Weights.
→ Kết quả cho thấy tất cả các trọng số hồi quy chuẩn hóa đều lớn hơn 0.5, phản ánh mức độ phù hợp cao của các biến quan sát trong mô hình đo lường.
B. Đánh giá tính hội tụ và tính phân biệt của các biến bậc một
Tính hội tụ và tính phân biệt của các biến bậc một được đánh giá bằng cách sử dụng plugin Validity and Reliability Test, theo hướng dẫn trong tài liệu Đánh giá tính hội tụ, tính phân biệt trong phân tích CFA.
→ Kết quả phân tích cho thấy giá trị CR của tất cả các thang đo đều vượt ngưỡng 0.7, chứng tỏ các thang đo đạt độ tin cậy cần thiết.
→ Đồng thời, các giá trị AVE đều lớn hơn 0.5, cho thấy các thang đo đảm bảo tính hội tụ.
→ Ngoài ra, căn bậc hai của AVE lớn hơn các hệ số tương quan giữa các biến tiềm ẩn, và giá trị MSV nhỏ hơn AVE, do đó tính phân biệt giữa các biến tiềm ẩn được đảm bảo.
Diagram 2
Được sử dụng để đánh giá mức độ và ý nghĩa đóng góp của các biến bậc một vào biến bậc hai.
Khi mô hình hóa biến bậc hai trong CFA trên AMOS, cần lưu ý một số điểm kỹ thuật.
- Thứ nhất, trong các đường dẫn từ biến bậc hai đến các biến bậc một thành phần, cần cố định một hệ số hồi quy bằng 1 tại mục Regression Weight để xác định thang đo cho biến bậc hai.
- Thứ hai, mỗi biến bậc một thành phần phải được gán một phần dư hay sai số đo lường riêng; trong mô hình minh họa, các phần dư này được ký hiệu lần lượt từ e20 đến e23.
Từ kết quả output, bảng Regression Weights được truy xuất thông qua Estimates > Scalars > Regression Weights.
→ Kết quả cho thấy tất cả các mối quan hệ tác động từ biến bậc hai đến các biến bậc một thành phần đều có ý nghĩa thống kê với p-value nhỏ hơn 0.05, cho thấy các biến bậc một giải thích tốt cho biến bậc hai.
Tiếp tục xem xét bảng Standardized Regression Weights
→ Các hệ số tải của các biến bậc một thành phần đều đạt giá trị cao và vượt ngưỡng 0.5 theo khuyến nghị của Hair và cộng sự (2009). Điều này cho thấy các biến bậc một đều có mức độ đóng góp đáng kể vào biến bậc hai. Giá trị tuyệt đối của hệ số tải càng lớn thì mức độ đóng góp của biến bậc một đó vào biến bậc hai càng cao.
2.2 Đánh giá CFA mô hình tổng thể
Để đánh giá mô hình CFA tổng thể, trước hết xem xét cấu trúc mô hình thông qua sơ đồ minh họa tương ứng.
Khi biểu diễn biến tiềm ẩn bậc hai trong phân tích CFA của mô hình tổng thể, cần lưu ý rằng các mũi tên hai chiều thể hiện hiệp phương sai giữa các biến tiềm ẩn được thiết lập từ biến bậc hai đến các biến tiềm ẩn bậc một khác trong mô hình, thay vì nối trực tiếp giữa các biến quan sát hay các thành phần bậc một. Cụ thể, trong sơ đồ minh họa, các mũi tên hai chiều chỉ được thiết lập giữa các biến tiềm ẩn MKT, GTCN và YDMH, không được nối giữa các biến thành phần như PP, GC, SP và KM.
A. Đánh giá độ phù hợp tổng thể của mô hình
Độ phù hợp tổng thể của mô hình được đánh giá thông qua các chỉ số phù hợp mô hình (model fit indices). Việc lựa chọn và diễn giải các chỉ số này tuân theo các tiêu chuẩn được đề xuất trong các nghiên cứu CFA trước đây tại Kiểm định độ phù hợp mô hình Model Fit trong CFA.
→ Kết quả cho thấy tất cả các chỉ số độ phù hợp đều đạt hoặc vượt ngưỡng chấp nhận:
CMIN/DF đạt giá trị 1.122, nhỏ hơn ngưỡng 3;
GFI đạt 0.922, lớn hơn 0.9;
CFI đạt 0.992 và TLI đạt 0.991, đều vượt ngưỡng 0.9;
RMSEA đạt 0.025, nhỏ hơn 0.08;
Và PCLOSE đạt 0.993, lớn hơn 0.05.
Các kết quả này cho thấy mô hình CFA tổng thể đạt được mức độ phù hợp rất tốt với dữ liệu nghiên cứu.
B. Đánh giá chất lượng các biến quan sát
Việc đánh giá chất lượng biến quan sát trong mô hình tổng thể được thực hiện tương tự như đối với mô hình biến bậc hai, dựa trên hai bảng kết quả chính là Regression Weights và Standardized Regression Weights.
→ Kết quả phân tích Regression Weights cho thấy tất cả các biến quan sát đều có ý nghĩa thống kê trong mô hình, với giá trị p-value đều nhỏ hơn 0.05. Điều này chứng tỏ các biến quan sát có mối liên hệ có ý nghĩa với các biến tiềm ẩn tương ứng.
→ Bên cạnh đó, các trọng số hồi quy chuẩn hóa trong bảng Standardized Regression Weights đều lớn hơn 0.5. Kết quả này cho thấy mức độ đóng góp của các biến quan sát vào các biến tiềm ẩn là cao, qua đó khẳng định chất lượng đo lường của các thang đo trong mô hình.
C. Đánh giá tính hội tụ và tính phân biệt của các biến trong mô hình tổng thể
Tính hội tụ và tính phân biệt của các thang đo được đánh giá thông qua plugin Validity and Reliability Test.
Kết quả phân tích cho thấy
→ Giá trị độ tin cậy tổng hợp (CR) của tất cả các thang đo đều lớn hơn 0.7, đảm bảo yêu cầu về độ tin cậy.
→ Đồng thời, giá trị phương sai trích trung bình (AVE) của các thang đo đều lớn hơn 0.5, cho thấy các thang đo đạt được tính hội tụ.
→ Ngoài ra, căn bậc hai của AVE của từng biến tiềm ẩn đều lớn hơn các hệ số tương quan giữa biến đó với các biến tiềm ẩn khác trong mô hình, đồng thời giá trị MSV nhỏ hơn AVE. Những kết quả này xác nhận rằng các thang đo trong mô hình đảm bảo được tính phân biệt.
——
Bên cạnh quy trình đánh giá trên, trong nghiên cứu CFA biến bậc hai còn tồn tại một quy trình phân tích phổ biến khác.
Quy trình này thường được áp dụng trong trường hợp các biến bậc một có mức độ tương quan thấp với nhau, và kết quả phân tích EFA cho thấy các biến bậc một được phân tách rõ ràng thành từng nhóm theo cơ sở lý thuyết.
Thứ nhất, đánh giá mô hình tới hạn: toàn bộ các biến bậc một được đưa vào phân tích CFA chung trong một mô hình duy nhất và được đánh giá tương tự như một mô hình CFA thông thường, bao gồm kiểm định chất lượng biến quan sát, độ phù hợp mô hình, độ tin cậy, tính hội tụ và tính phân biệt.
Thứ hai, đánh giá mô hình tổng thể: mô hình có sự xuất hiện của biến tiềm ẩn bậc hai được xây dựng và đánh giá tổng thể, với quy trình và tiêu chí tương tự như phần đánh giá mô hình tổng thể đã trình bày ở trên.
