Đánh giá mô hình đo lường nguyên nhân

Đây là các phân tích dành cho mô hình mà các biến chỉ báo là biến đo lường nguyên nhân, biến tiềm ẩn được coi là tổ hợp tuyến tính của các biến chỉ báo. Dạng biến này còn được gói là Formative, khi mà mũi tên xuất phát từ biến chỉ báo và đi vào biến tiềm ẩn.

Dạng này rất hiếm gặp trong thực tế mà dạng phổ biến nhất chính là Refletive đã được trình bày trong bài viết này >>> https://vaxidi.com/danh-gia-mo-hinh-do-luong-ket-qua-tren-smartpls. Đồng thời dạng biến tiềm ẩn này thì AMOS không xử lý được nhé! Biến tiềm ẩn thuộc dạng nào thì nó được quyết định bởi lý thuyết xây dựng lên mô hình đó.

Các đánh giá cho mô hình đo lường kết quả đã biết (ở link trên) khi áp dụng cho mô hình đo lường nguyên nhân là HOÀN TOÀN KHÔNG PHÙ HỢP.

Vậy ta sẽ có các phân tích nào?

Đánh giá tính hội tụ

Ý tưởng của phân tích này là để xem các biến chỉ báo có thực sự tạo ra 1 thang đo sát với biến tiềm ẩn cần thể hiện không.

Phương pháp này chỉ dùng được khi biến tiềm ẩn đang xét được đo lường theo 1 cách khác bằng 1 hay nhiều biến chỉ báo kết quả (phải chủ động thu thập dữ liệu khi thiết kế bảng hỏi và thu thập dữ liệu). Trên thực tế thì điều này khá ít gặp khi mà nếu đã đo lường biến tiềm ẩn theo kết quả thì ta dùng luôn dạng Reflective cho đơn giản. Vì vậy nếu không đo lường biến tiềm ẩn theo dạng Reflective nữa ta bỏ qua phân tích này

Trên lý thuyết nếu có biến chỉ báo dạng Reflective thì ta đánh giá tính chất này như sau.

Ví dụ trong bộ dữ liệu có biến tiềm ẩm qual được đo lường bằng các biến chỉ báo nguyên nhân là qual1, qual2, qual3, qual4, qual5, đồng thời người ta cũng đo biến này bằng các biến chỉ báo kết quả qual6, qual7, qual8. Câu hỏi đặt ra là liệu việc đo lường biến tiềm ẩn qual bằng các biến chỉ báo nguyên nhân qual1, qual2, qual3, qual4, qual5 có thích hợp; giả sử rằng việc đo lường qual bằng các biến chỉ báo kết quả qual6, qual7, qual8 đã được chứng minh là đúng đắn qua nhiều nghiên cứu

Sử dụng mô hình hồi quy phụ sau

Độ mạnh của hệ số đường dẫn nối hai khái niệm nghiên cứu là biểu hiện của giá trị của các biến quan sát nguyên nhân trong việc khai thác khái niệm nghiên cứu cần quan tâm. Lý tưởng nhất, độ lớn bằng 0.80 hoặc ít nhất là 0.707 trở lên là điều mong muốn cho đường dẫn giữa qual nguyên nhân và qual kết quả, điều này tương ứng với giá trị R2 là 0.64 hoặc ít nhất là 0.50. Nếu các phân tích cho thấy thiếu giá trị hội tụ (tức là giá trị R2 của qual kết quả < 0.50), thì biến quan sát nguyên nhân của khái niệm qual nguyên nhân không đóng góp đủ mức độ cho nội dung dự định của nó. Khái niệm nghiên cứu nguyên nhân cần thay đổi/ bổ sung thêm các biến quan sát.

Với ví dụ trên thì R2=0.608 là một kết quả chấp nhận được

Xem xét hiện tượng đa cộng tuyến

Việc này bạn có thể thực hiện hoặc không thực hiện (theo quan điểm cá nhận của người viết)

Hệ số VIF cần quan tâm ở đây là Outer VIF, và tất nhiên chỉ dành cho các biến quan sát của biến tiềm ẩn nguyên nhân. Kết quả này bạn có thể xem xét trong bất kỹ mô hình nào chứa biến tiềm ẩn đo lường nguyên nhân mà không nhất thiết phải có dạng mô hình hồi quy phụ kia (nếu không đo lường qual6, qual7, qual8 thì không có mô hình hồi quy phụ kia)

Nếu mô hình không có hiện tượng đa cộng tuyến bạn có thể dễ dàng giải thích đóng góp của các biến chỉ báo nguyên nhân cho khái niệm tiềm ẩn qua hệ số Outer Weight (Chạy PLS thông thường để xem độ lớn hoặc chạy bootstraping như bình thường để xem cả ý nghĩa thống kê qua thống kê t hoặc p-value). Smart PLS quy định VIF >5 sẽ bị chuyển qua màu đỏ (có đa cộng tuyến). Tuy nhiên việc quyết định ngưỡng này rất nhạy cảm , vì khi số lượng biến chỉ báo tăng lên thì VIF cũng sẽ tăng theo.

Nếu mô hình có hiện tương đa cộng tuyến, khi đó dấu hệ sô hồi quy (Outer Weight), thống kê t hay p-value không còn chính xác nữa. Vì vậy hãy “cẩn trọng” khi giải thích sự đóng góp của các biến chỉ báo nguyên nhân cho khái niệm tiềm ẩn qua dấu và độ lớn của hệ số Outer Weight

Bằng kỹ thuật Boostraping ta thu được kết quả cho thấy rằng có vẻ biến qual2 không đóng góp nhiều cho khái niệm tiềm ẩn qual, như vậy ta có thể bỏ (xoá ) biến qual2 khỏi mô hình. Việc có xoá 1 biến chỉ báo khỏi mô hình hay không sẽ được xem xét ở phần tiêp theo

Hiệu chỉnh mô hình đo lường nguyên nhân

Khi nào ta cần xoá đi 1 biến chỉ báo trong mô hình đo lường nguyên nhân?

Quy lại với kết quả ngay bên trên. Lúc này bạn có thể xoá đi biến qual2 (hoặc không xoá) mà không làm thay đổi quá nhiều các kết quả khác. Việc qual2 không có ý nghĩa thống kê nó lên rằng biến qual2 không giải thích được quá nhiều biến tiềm ẩn qual trong trường hợp các biến chỉ báo khác đang đồng thời được đưa vào mô hình (qual1, qual3, qual4, qual5)

Tuy nhiên ta sẽ không loại đi 1 biến quan sát với lý do như vậy mà ta loại nó đi khi nó thực sự không có đóng góp gì cho khái niệm tiềm ẩn đang xem xét.

 

còn nữa ...

Trang: 1 2 3