Nhưng trong nhiều trường hợp có thể giới hạn AGFI >0.7; GFI>0.7....

Nói chung chỉ số CR và AVE quan

trọng hơn, nếu 2 chỉ số này mà thỏa mãn thì các chỉ số khác có thể thông quan trong khoảng cho phép

Cmin/df: dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình, dùng so sánh model với
data, càng nhỏ càng tốt.

SRMR : standardized root mean square residua: là sự khác biệt giữa phần data thực tế và phần mô hình
dự đoán. Dao động từ 0->1,càng nhỏ càng tốt, SRMR=0 thì mô hình dự đoán hoàn toàn trùng khớp với
dữ liệu, <=5% thì tốt.

CFI: comparative fix index. Lấy độ phù hợp của một mô hình với một bộ data và so sánh với độ phù hợp
của một mô hình khác với chính data đó. Dao động từ 0->1 , càng lớn càng tốt. CFI>=90% . Những chỉ số
dạng này :TLI (Tucker–Lewis index), BL89 (Bollen's fitndex), RNI (relative noncentrality index). CFI là một
phiên bản được hiệu chỉnh của RNI. CFI dùng để tránh đánh giá thấp độ phù hợp khi cỡ mẫu nhỏ khi sử
dụng NFI. Vì thế, ưu điểm của CFI so với NNFI là ít bị tác động của cỡ mẫu.

RMSEA: root mean square errors of approximation, cũng dạng như SRMR, nhưng sự phù hợp sẽ xấu đi
khi số biến trong mô hình tăng, <=8% thì tốt. nên SRMR được ưu tiên dùng hơn.

GFI(goodness of fix index): dao động từ 0.0 đến 1.0 , đôi khi âm, >=90% là tốt. đo lượng quan hệ của
phương sai và hiệp phương sai trong ma trận hiệp phương sai. Ý là mô hình phù hợp cỡ nào khi so sánh
với mô hình null ( các tham số đã được fix về 0)

AGFI : (Adjusted Goodness of Fix) dao động từ 0.0 đến 1.0 , >=85 % là tốt. Điều chỉnh kết quả của một
mô hình phức tạp, điều chỉnh bậc tự do df với số biến quan sát, vì thế đề cao những mô hình đơn giản với
ít biết quan sát.

MI (Modification indices): Chỉ số MI đưa ra các biện pháp khắc phục cho các sai lệch giữa mô hình được
đề xuất và mô hình ước lượng estimated model. Trong CFA, chúng ta không thể thêm các đường hồi qui
để sửa mô hình phù hợp, vì tất cả các đường hồi qui giữa các biến tiềm ẩn và biến quan sát được đã có
sẵn. Vì vậy, trong CFA, chúng ta xem xét các chỉ số sửa đổi cho hiệp phương sai.
CR ( Composite Reliability) – Độ tin cậy tổng hợp: – Độ tin cậy tổng hợp được tính cho từng nhân tố đơn
hướng, tương tự như cách áp dụng cronbach's alpha, sẽ chạy riêng cho từng nhân tố một.

AVE (Average Variance Extracted): Phương sai trích là giá trị trung bình của phương sai. Hoặc có thể hiểu
là giá trị hội tụ

MSA giá trị phân biệt Discriminant Validity: AVE > MSV

CR phải lớn hơn 0.7 và AVE phải lớn hơn 0.5. Trong từng biến khởi chạy thì CR phải lớn hơn AVE

Lưu ý: – Căn bậc hai của AVE > các tương quan giữa hai khái niệm. Nếu giá trị hội tụ không thỏa, do biến
quan sát không có tương quan với những biến khác trong cùng nhân tố,nghĩa là biến tiềm ẩn không được
giải thích tốt bởi các biến quan sát của nó.