Các bước thực hiện SEM với SPSS AMOS

Phần lớn rắc rối khi chạy phân tích cấu trúc tuyến tính (SEM) không đến từ phần mềm, mà từ việc đi sai thứ tự.

Trong bài này, chúng ta sẽ đi qua hành trình chạy SEM với SPSS và AMOS theo đúng trình tự. Đây cũng là mạch nội dung của buổi tập huấn “Nâng Tầm Nghiên Cứu với IBM SPSS AMOS” do SIFT Analytics Group tổ chức.

AMOS hay SmartPLS

SEM có hai trường phái chính:

CB-SEM (dựa trên hiệp phương sai, chạy bằng AMOS) phù hợp khi bạn muốn xác nhận một lý thuyết đã có: mô hình đề xuất giải thích ma trận hiệp phương sai của mẫu tốt đến đâu.
PLS-SEM (chạy bằng SmartPLS) thiên về phát triển lý thuyết trong nghiên cứu khám phá, tập trung giải thích phương sai của biến phụ thuộc.

Trong thực tế, việc lựa chọn phương pháp cần căn cứ vào mục tiêu nghiên cứu, cơ sở lý thuyết, cấu trúc mô hình, đặc điểm dữ liệu và yêu cầu về cỡ mẫu.

Về định hướng ban đầu, có thể cân nhắc:

– Mẫu từ khoảng 200 quan sát trở lên, dữ liệu đã làm sạch, mục tiêu là kiểm định lý thuyết → AMOS.

– Mẫu nhỏ (dưới 200), dữ liệu không phân phối chuẩn, hoặc nghiên cứu mang tính khám phá → SmartPLS.

Chuẩn bị dữ liệu trước khi thực hiện SEM

Khái niệm	Biến
Lòng yêu nước	YN1 – YN4
Lòng yêu nước kinh tế	YNKT5 – YN11
Tính vị chủng tiêu dùng	VC1 – VC6
Đầu óc cởi mở	QT1 – QT3
Hành vi mua hàng sản xuất tại Việt nam	HV1 – HV4

Trước khi thực hiện SEM, cần kiểm tra chất lượng dữ liệu, đánh giá độ tin cậy của thang đo và xem xét mô hình đo lường. Tùy thiết kế nghiên cứu, các bước này có thể bao gồm Cronbach’s Alpha, phân tích nhân tố khám phá (EFA) và phân tích nhân tố khẳng định (CFA).

Bộ dữ liệu được sử dụng trong bài viết đã được xử lý và phân tích trước đó, đồng thời được lưu dưới định dạng .sav để phục vụ phần thực hành.

Các bước xây dựng mô hình SEM trên AMOS

Bước 1. Vẽ các biến tiềm ẩn

Mở IBM SPSS AMOS và chọn công cụ Draw Unobserved Variables để vẽ biến tiềm ẩn.

Với khái niệm Lòng yêu nước (LYN), ta vẽ một hình elip để đại diện cho biến này.

Theo mô hình nghiên cứu, LYN được đo lường bằng 4 biến quan sát. Thay vì vẽ từng biến riêng lẻ, có thể sử dụng chức năng tạo biến quan sát tự động bằng biểu tượng tương ứng ở thanh công cụ bên trái.

Sau đó, nhấp vào hình elip để tạo số lượng biến quan sát cần thiết.

Thực hiện tương tự với các khái niệm còn lại trong mô hình.

Bước 2. Điều chỉnh hình vẽ và đặt tên biến

Để xoay một hình vẽ, chọn công cụ xoay trên thanh công cụ bên trái, nhấp vào đối tượng cần xoay và điều chỉnh đến hướng mong muốn.

Để đặt tên cho biến:

Nhấp chuột phải vào hình elip.
Chọn Object Properties.
Trong hộp thoại hiện ra, nhập tên biến tại trường Variable name.

Lặp lại thao tác để đặt tên cho các biến tiềm ẩn theo mô hình nghiên cứu, gồm LYN, YNKT, VCTD, QT và HVMH.

Sau khi hoàn thành, mô hình sẽ bao gồm 5 biến tiềm ẩn cùng các biến quan sát tương ứng.

Bước 3. Thiết lập mối quan hệ giữa các biến

Chọn công cụ Draw Path (mũi tên một chiều) trên thanh công cụ bên trái để vẽ các mối quan hệ có hướng theo mô hình lý thuyết.

Trong ví dụ này, kéo các mũi tên từ 4 biến LYN, YNKT, VCTD và QT đến biến HVMH.

Các mũi tên thể hiện những giả thuyết về ảnh hưởng của các biến độc lập đến biến phụ thuộc cần được kiểm định trong mô hình.

Bước 4. Tạo và đặt tên các biến sai số

Mỗi biến quan sát trong mô hình đo lường cần có một sai số đo lường tương ứng.

Đối với biến HVMH, cần vẽ một hình elip và dùng mũi tên một chiều để thể hiện phần sai số.

Ta cần khai báo các sai số, chọn:

Plugins → Name Unobserved Variables

Click 2 lần vào mũi tên ở hình elip e25 để mở hộp thoại Object Properties -> Parameters -> điền 1 vào Regression weight

Bước 5. Khai báo dữ liệu đầu vào

Sau khi hoàn thành sơ đồ, cần liên kết mô hình với bộ dữ liệu thực tế.

Thực hiện theo các bước:

Chọn Data Files.
Chọn File Name, chọn bộ dữ liệu dùng trong buổi tập huấn.
Kiểm tra để bảo đảm AMOS đã nhận diện đúng tệp dữ liệu.

Trong trường hợp này, ta có thể dùng bộ dữ liệu có định dạng .sav hoặc xlsx.

Bước 6. Ghép các biến quan sát với dữ liệu

Chọn chức năng List Variables in Data Set để hiển thị danh sách biến có trong bộ dữ liệu

Sau đó, kéo tên từng biến từ danh sách và thả vào vị trí biến quan sát tương ứng trên sơ đồ mô hình.

Cần bảo đảm tên biến trên sơ đồ khớp chính xác với tên biến trong tệp dữ liệu để tránh lỗi khi chạy phân tích.

Bước 7. Thiết lập đầu ra và chạy mô hình

Chọn Analysis Properties → Output và đánh dấu các tùy chọn cần thiết để xuất kết quả phân tích.

Sau khi hoàn tất thiết lập, chọn Calculate Estimates để chạy mô hình. Nếu AMOS hiển thị hộp thoại xác nhận, chọn Proceed with the analysis để tiếp tục.

Bước 8. Hiển thị thêm các hệ số và kết quả

Nếu cần xem thêm các kết quả, mở Analysis Properties và chọn những mục đầu ra phù hợp, chẳng hạn:

Squared Multiple Correlations: Hiển thị hệ số xác định (R^2) của các biến nội sinh.
Factor Score Weights: Xuất trọng số điểm nhân tố khi cần tính điểm nhân tố.

Sau đó, chọn Calculate Estimates để chạy lại mô hình với các tùy chọn mới.

Đọc và diễn giải kết quả SEM

Sau khi chạy mô hình, có thể quan sát các hệ số trên sơ đồ để xem chiều hướng và mức độ ảnh hưởng giữa các biến.

Trong ví dụ này, các hệ số được ghi nhận trong bản kết quả ban đầu cho thấy:

YNKT có hệ số 0,38.
LYN có hệ số 0,18.
VCTD có hệ số 0,09.

Theo các giá trị trên, YNKT có hệ số lớn nhất, tiếp theo là LYN và VCTD.

Để xác định mối quan hệ giữa các biến có ý nghĩa thống kê hay không, chọn View Text để mở cửa sổ kết quả dạng văn bản.

Đây là tóm tắt thời gian chạy ra kết quả

Trong phần Estimates, tìm bảng Regression Weights để xem các hệ số liên quan.

Đối với kiểm định giả thuyết, cần chú ý các thông số:

Estimate: Hệ số hồi quy chưa chuẩn hóa, cho biết chiều hướng và mức độ thay đổi của biến phụ thuộc theo biến độc lập.
Standardized Estimate: Hệ số hồi quy chuẩn hóa, hỗ trợ so sánh mức độ ảnh hưởng tương đối giữa các biến.
C.R. (Critical Ratio): Với kiểm định hai phía ở mức ý nghĩa 5%, giá trị (|C.R.| \geq 1,96) thường cho thấy hệ số khác 0 có ý nghĩa thống kê.
P-value: Giá trị (p < 0,05) thường được sử dụng để xác định mối quan hệ có ý nghĩa thống kê ở mức 5%.

Theo phần kết quả được mô tả trong ví dụ, chỉ LYN và YNKT có giá trị (p < 0,05), trong khi các mối quan hệ còn lại chưa đạt ngưỡng ý nghĩa thống kê này. Như vậy, để kích thích người tiêu dùng Việt Nam mua hàng sản xuất trong nước, thì nên tác động tới lòng yêu nước và yêu nước kinh tế của họ.

Bên cạnh ý nghĩa thống kê của từng mối quan hệ, cần đánh giá mức độ phù hợp tổng thể của mô hình với dữ liệu.

Trong cửa sổ Output, chọn nhóm Model Fit để xem các chỉ số đánh giá độ phù hợp của mô hình.

Một số chỉ số thường được sử dụng gồm:

Chỉ số	Ngưỡng thường dùng
Chi-square/df (CMIN/df)	≤ 3
CFI (Comparative Fit Index)	≥ 0,9
TLI (Tucker–Lewis Index)	≥ 0,9
RMSEA (Root Mean Square Error of Approximation)	≤ 0,08