NGUYỄN KHÁNH DUY

Giảng viên Khoa Kinh tế Phát Triển

Trường ĐH Kinh tế TPHCM

BÀI GIẢNG
(Bản thảo lần 1)
THỰC HÀNH MÔ HÌNH CẤU TRÚC TUYẾN TÍNH (SEM)
VỚI PHẦN MỀM AMOS Chi-square= 1595.832
df= 1007
P-value= .000
Chi-square/df= 1.585
TLI= .915
e28 gts1
CFI= .921
.77
e29 gts2 .79 IFI=.922
.77 RMSEA= .053
e30 gts3 .76
.63 gts
e31 gts4
gqs6 e9
e32 gts5
.40 .72 .54
gqs5 e8
e33 gts6 .65 z1 .72
.80
.67 gqs4 e7
e24 lrs1
.82
.66 .75 e6
e25 lrs2
.66
.75
.20 .73
gqs3

lrs gs_gqs .74 gss6 e5

e26 lrs3 .76
e27 lrs4 .78 .79 .79 gss5 e4
.50 .15 .80
gss4 e3
.86
e37 gss7
cfls gss2 e2
e38 gss8
.69 .32 .41
.88 gss1 e1
.34
e10 lcs1
.54 .73
.69
e11 lcs2 .82 z2
lcs3
.67
e12
.63
.69
.24 .79 oss3 e41
e13 lcs5 .71 lcs
.67 oss oss2 40
e14 cgss1
.77 .50 .90
.59 .46 .92 oss1 e39
e15 cgss4 .79
e16 cos1
.36 .84
e17 cos2
.74 .21 -.11
z3.81
e18 cos3 ls1 e42
.76 .95 ls2 e43
e19 cos4 .72 .95
.77 .38 ls3 e44
e20 cos5 ls
.80 cs ls4 e45
e21 cos6 .81 .88 .60
.87 ls5 e46
.83
e22 cos7 .65 ls6 e47
e23 cos8 .46

e34 aws1 .71

.69
e35 aws2
.78 Tháng 5/2009
aws
e36 aws3
TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM
(Lưu hành nội bộ)

1
 LỜI NÓI ĐẦU

Mô hình cấu trúc tuyến tính (SEM) được các nhà nghiên cứu trên thế giới sử dụng từ
rất lâu. Ở Việt Nam, khoảng từ năm 2000 trở lại đây, SEM đã được nhiều nhà nghiên cứu sử
dụng trong các công trình nghiên cứu hàn lâm, cũng như các nghiên cứu ứng dụng phục vụ
các chương trình tư vấn doanh nghiệp, tư vấn chính sách cho các Tỉnh/thành phố.

Gần đây, việc học tập / áp dụng mô hình cấu trúc tuyến tính (SEM) nói riêng cũng
như các kỹ thuật phân tích định lượng nói chung trong kinh tế, quản trị kinh doanh, tài chính-
ngân hàng … được đông đảo bạn trẻ gồm sinh viên đại học, học viên cao học, nghiên cứu
sinh quan tâm để giải quyết tốt nhất những mục tiêu nghiên cứu đã đặt ra.

Bài giảng này nhằm hỗ trợ các bạn bước đầu tiếp cận SEM dưới góc độ thực hành với
phần mềm AMOS được dễ dàng hơn, nhanh chóng hơn mà trước mắt là làm tài liệu học tập
mang tính trực quan phục vụ cho chương trình bồi dưỡng cử nhân tài năng do Đoàn Khoa
Kinh tế phát triển – Trường ĐH Kinh tế TPHCM tổ chức (chủ đề này học trong 2 buổi), hay
các khoá đào tạo ngắn hạn tại Trung tâm Tư vấn doanh nghiệp và Phát triển kinh tế vùng về
Phân tích dữ liệu và dự báo trong kinh doanh. Bên cạnh đó, trong quá trình học tập, các bạn
sinh viên/ học viên sẽ được phát các tài liệu đọc về mặt lý thuyết SEM, các bài báo khoa học,
công trình nghiên cứu có áp dụng SEM bằng tiếng Anh/ tiếng Việt khác…

Do SEM khá phức tạp dưới góc độ toán học và trình độ của tác giả còn hạn chế nên
những sai sót trong quá trình biên soạn là khó có thể tránh khỏi. Tác giả rất mong nhận được
sự đóng góp ý kiến, phê bình của bạn đọc để quyển bài giảng này trong lần tái bản tiếp theo
sẽ được hoàn thiện hơn, mang lại nhiều lợi ích hơn cho bạn đọc xa gần. Thư góp ý xin gửi về:

Nguyễn Khánh Duy

Khoa Kinh tế Phát triển – Trường ĐH Kinh tế TPHCM
Địa chỉ: 1A Hoàng Diệu – Quận Phú Nhuận - TPHCM
Email: khanhduy@ueh.edu.vn hoặc nkduy2002@yahoo.com
Điện thoại: 098.900.1766

Mong rằng bạn đọc sẽ tiếp tục đón nhận những quyển sách tốt hơn liên quan đến chủ
đề kinh tế lượng, phân tích dữ liệu & dự báo nâng cao do các đồng nghiệp & tôi biên soạn
(được xuất bản chính thức) trong tương lai.

Xin chân thành cảm ơn và chúc các bạn thành công!

TP.Hồ Chí Minh, tháng 5 năm 2009

Tác giả

Nguyễn Khánh Duy

2
 LỜI CẢM ƠN

Tài liệu học tập này không đồ sộ và chặt chẽ như những quyển sách khác, bởi nó được
viết dưới góc độ trực quan, ứng dụng… Nó được hoàn thành trong thời gian rất ngắn nhằm
phục vụ trước mắt cho chương trình bồi dưỡng cử nhân tài năng do Đoàn Khoa Kinh tế Phát
Triển tổ chức, cũng như các khoá học ngắn hạn về “Phân tích dữ liệu và dự báo trong kinh
doanh”. Tuy vậy, quyển bài giảng này cũng là một kết quả của sự tích luỹ lâu dài từ trong quá
trình học tập, giảng dạy, công việc, nghiên cứu từ trước tới nay. Và quá trình ấy, tác giả đã
được sự hỗ trợ tận tình của quý thầy cô giáo, bạn bè, các em sinh viên, và những người thân
trong gia đình.
Năm 2004, khi AMOS, tài liệu về SEM còn rất hiếm; cô Trần Kim Dung, thầy Đinh
Thái Hoàng (Khoa QTKD, Khoa Toán-Thống Kê-ĐH Kinh tế TPHCM) đã giới thiệu, khuyến
khích, động viên tôi trong quá trình tìm hiểu về SEM, và gửi tặng tôi những tài liệu, phần
mềm có liên quan. Nhờ sự giúp đỡ của quý thầy cô mà việc tìm hiểu về SEM của tôi những
thời gian đầu rất thuận lợi. Tôi xin được gửi lời cảm ơn đến Thầy Nguyễn Hữu Lam; thầy đã
nhiệt tình hướng dẫn luận văn tốt nghiệp bậc thạc sĩ – nghiên cứu đầu tiên mà tôi sử dụng
SEM (năm 2006). Trong môn phương pháp nghiên cứu, Thầy Lê Nguyễn Hậu với câu nói
“SEM thật đơn giản!”, “SEM dễ hơn mô hình hồi quy nhiều!” đã khuyến khích nhiều học
viên chúng tôi tìm tòi về nó. Tôi chân thành cảm ơn thầy Nguyễn Đình Thọ vì những gợi mở,
những hướng dẫn tận tình của thầy đã dành cho chúng tôi. Những nghiên cứu của thầy là
những tài liệu rất quý cho những người làm Marketing hay bất cứ ai đang làm nghiên cứu
ngành quản trị kinh doanh, và những ai tìm hiểu về SEM... Thời gian học tập ở bậc đại học,
sau đại học có biết bao kỷ niệm với bạn bè, và sự tri ân của học viên chúng tôi với tất cả quý
thầy cô đã tham gia giảng dạy.
Tôi muốn được gửi lời cảm ơn của mình đến thầy Hoàng Trọng vì những quyển sách
về phân tích dữ liệu bằng SPSS mà thầy đã tham gia biên soạn (từ 1997 đến nay). Nó là
những tài liệu thật quý giá đối với tôi cũng như những bạn đam mê, hay muốn tìm hiểu về
phân tích dữ liệu trong nghiên cứu; thật không ngờ quyển sách đầu tiên của thầy (viết cùng
với thầy Võ Văn Huy, cô Võ Thị Lan) mà tôi ngẫu nhiên tìm được ở nhà sách khi mới bước
chân vào giảng đường đại học đã hướng tôi đến việc làm nhiều nghiên cứu khoa học với
phương pháp định lượng khi còn là sinh viên.
Tôi xin được chân thành cảm ơn thầy Nguyễn Trọng Hoài, Thầy Cao Hào Thi đã tạo
điều kiện hỗ trợ, động viên, hướng dẫn tôi trong công việc giảng dạy về phân tích định lượng
từ những ngày đầu mùa thu năm 2007 ở chương trình giảng dạy Kinh tế Fulbright.
Xin gửi đến Thu Hương lời cảm ơn chân thành vì rất nhiều điều, bạn đã đồng hành,
chia sẻ, hỗ trợ tôi trong suốt thời gian học tập/ nghiên cứu ở bậc đại học, sau đại học…
Xin cảm ơn những bạn đồng nghiệp: anh Quốc Duy, anh Thanh Bình, anh Thanh Vũ
… và những người bạn khác luôn hỗ trợ, động viên, trao đổi, chia sẻ những kiến thức, kinh
nghiệm về phân tích dữ liệu, cũng như hỗ trợ tôi trong công việc, trong nghiên cứu.
Quyển bài giảng này viết ra chủ yếu dành cho các bạn sinh viên đại học khối kinh tế -
quản trị. Cũng nhờ sự ham học tập, sự khát khao khám phá và những tình cảm tốt đẹp mà các
bạn sinh viên đại học (mà tôi có dịp gặp gỡ ở Trường ĐH Kinh tế TPHCM, Trường ĐH
Ngoại Thương (CS2), Trường ĐH Ngân Hàng TPHCM, chương trình đào tạo đặc biệt của
Trường ĐH Mở TPHCM) đã dành cho tôi trong thời gian qua đã giúp tôi luôn có những niềm
vui trong công việc, và nghiên cứu. Xin chân thành cảm ơn các bạn!

3
 Bài giảng này cũng hướng đến nhiều đối tượng bạn đọc khác, đặc biệt hướng đến các
bạn sinh viên Khoa Kinh tế phát triển đang tham dự lớp bồi dưỡng cử nhân tài năng do Đoàn
Khoa tổ chức. Lớp học này khó có thể thành công nếu không được sự hỗ trợ, tạo điều kiện
của rất nhiều thầy cô giáo, của các bạn trong ban tổ chức, các anh chị em phòng quản trị thiết
bị, tổ chức hành chính, phòng công nghệ thông tin, phòng điều phối giảng đường – thời khoá
biểu, chi đoàn, chi hội, ban cán sự các lớp và sự nỗ lực của từng bạn sinh viên.
Các ví dụ trong quyển bài giảng này; các bài tập/ tình huống kèm theo và các quyển
sách trong tương lai sẽ có những chất liệu, nguồn dữ liệu từ các nghiên cứu không chỉ của tôi,
mà còn của các bạn bè, của các bạn sinh viên, cũng như rất nhiều tác giả khác. Xin chân
thành cảm ơn bạn Nguyễn Thị Mỹ Thuận, bạn Mai Thuỳ Ninh, anh Võ Đức Thọ, anh Lê Văn
Khoa … về những dữ liệu mà các bạn, các anh đã khảo sát rất công phu. Xin cảm ơn các tác
giả của các quyển sách, tạp chí, bài viết … mà tôi đã tham khảo; vì sự đam mê và nghiên cứu
nghiêm túc của họ đã giúp tôi hiểu rõ hơn và nhanh hơn những vấn đề chưa biết. Xin cảm ơn
anh Phạm Đức Kỳ và thầy Bùi Nguyên Hùng ở Khoa Quản lý công nghiệp – ĐH Bách Khoa
TPHCM về các bài viết mà quyển bài giảng này đã giới thiệu trong phụ lục để các bạn sinh
viên tham khảo thêm.
Cuối cùng, tôi không quên gửi lời cảm ơn chân thành đến bố, mẹ, em Khánh Hùng và
những người thân về tất cả!

Nguyễn Khánh Duy

4
 MỤC LỤC

Lời nói đầu

Lời cảm ơn
Mục lục
Trang
1. Trao đổi với các bạn sinh viên lớp bồi dưỡng cử nhân tài năng &
giới thiệu mô hình cấu trúc tuyến tính (SEM), phần mềm AMOS......................................6
2. Phân tích nhân tố khám phá (EFA_ Exploratory Factor Analysis) ..............................14
3. Phân tích nhân tố khẳng định (CFA_Confirmatory Factor Analysis) ..........................20
4. Mô hình cấu trúc (SEM_Structural Equation Modeling) .............................................48
5. Kiểm định Bootstrap .....................................................................................................54
6. Phân tích cấu trúc đa nhóm ...........................................................................................57

Lời kết
Tài liệu tham khảo
Phụ lục

5
1. TRAO ĐỔI VỚI CÁC BẠN SINH VIÊN LỚP BỒI DƯỠNG CỬ NHÂN TÀI NĂNG
& GIỚI THIỆU VỀ SEM, PHẦN MỀM AMOS

Từ đầu học kỳ đến nay, lớp chúng ta đã học về các chủ đề Tư duy sáng tạo (Thầy
Nguyễn Hoàng Bảo, trong 3 buổi), phương pháp nghiên cứu nâng cao – đi sâu vào khung
phân tích và nghiên cứu định tính (Thầy Trần Tiến Khai, trong 2 buổi), Mô hình Logit
(Thầy Lương Vinh Quốc Duy, trong 1 buổi), Các chủ đề của kinh tế lượng tài chính và dự
báo nâng cao ARIMA, SARIMA, ARCH-GARCH … (thầy Phùng Thanh Bình, trong 4
buổi), Phân tích kỹ thuật (Thầy Võ Thanh Sơn, trong 2 buổi). Cô Trương Công Thanh
Nghị đã chia sẻ với các bạn về kinh nghiệm làm nghiên cứu, và giới thiệu các giải thưởng
nghiên cứu khoa học sinh viên, kinh nghiệm học tập của một thủ khoa đầu vào cũng như đầu
ra Khoá 28 của trường ĐH Kinh tế TPHCM; anh Hoàng Anh (Kế hoạch đầu tư K31) đã chia
sẻ kinh nghiệm của anh trong việc học tập của một người đội trưởng đạt giải nhất cuộc thi
“Kinh tế học - tầm nhìn bạn và tôi” – cuộc thi do Khoa KTPT chúng ta tổ chức với hơn 5000
thí sinh từ 11 trường đại học ở phía Nam - cũng như những nghiên cứu mà anh đang nỗ lực 1 ,
anh Nguyễn Ngọc Danh cũng đã trao đổi với các bạn về nghiên cứu của anh về sức khoẻ trẻ
em với phương pháp 2SLS (là luận văn tốt nghiệp chương trình cao học Việt Nam-Hà Lan
của anh Danh) …

Bên cạnh đó, những bạn sinh viên lớp nhân lực, một số bạn lớp KHĐT, Thẩm định
giá cũng đã từng nghe nói về SEM cũng như biết được sự phổ biến của nó trong các nghiên
cứu khi tham dự buổi báo cáo chuyên đề “Ứng dụng phương pháp định lượng trong nghiên
cứu quản trị nguồn nhân lực và hành vi tổ chức” do cô Trần Kim Dung báo cáo. Sáng nay,
và chiều nay, một ngày chủ nhật, chúng ta sẽ tìm hiểu những vấn đề quan trọng nhất, cơ bản
nhất của SEM, CFA… và thử tìm hiểu xem người ta đã vận dụng nó trong nghiên cứu về
quản trị, Marketing, nhân lực, hành vi trong lĩnh vực tài chính – chứng khoán, tâm lý học …
ở khu vực tư cũng như khu vực công như thế nào để từ đó các bạn có thể tự học sâu hơn về
SEM và vận dụng một cách sáng tạo vào những nghiên cứu mà các bạn đang ấp ủ. Giờ ra
chơi sáng nay, Anh Hoàng Nam (Sachvang), là admin và cũng là giảng viên trẻ của Khoa
Quản trị Kinh Doanh sẽ giới thiệu với các bạn Forum caohockinhte.info là một diễn đàn rất
hấp dẫn và sôi động của cộng đồng cao học kinh tế ở Việt Nam, và trên ấy cũng có một mục
dành riêng cho các bạn sinh viên đại học yêu thích hoạt động nghiên cứu khoa học (mục Cử
nhân và thạc sĩ tài năng tương lai).

Trong những năm gần đây, không chỉ nhiều người nghiên cứu trên thế giới và Việt
Nam có áp dụng SEM 2 (Các bạn xem thêm trong phụ lục, tài liệu phát, các file đã gửi qua
email… về nghiên cứu của thầy Nguyễn Đình Thọ, cô Mai Trang, cô Kim Dung, nghiên cứu
của tôi, và nghiên cứu của các tác giả khác) mà một số bạn sinh viên đại học, học viên cao

1
Tối ngày mai, thứ hai (11/5/09), 4 bạn thuộc lớp chúng ta (Hoàng – NLK32, Phương – BĐSK32, Hải & Cần
TĐG K32) sẽ là 1 đội đại diện cho trường ta tham gia vòng chung kết cuộc thi “Nhà kinh tế tương lai” do
trường bạn – ĐH Ngoại Thương (CS2) tổ chức tại Nhà văn hoá thanh niên. Tuy mảng quản trị kinh doanh
không phải thế mạnh của các bạn SV khoa KTPT, nhưng tham gia cuộc thi này cũng là một môi trường để học
tập, rèn luyện, thể hiện bản thân, và giao lưu! Chúc các bạn ấy may mắn, vui, và học tập được nhiều điều bổ
ích!
2
Tôi đã có ý định huấn luyện thêm cho lớp về một số chủ đề khác nữa, nhưng những chủ đề này chỉ có một vài
nhóm sử dụng và mất khá nhiều thời gian khi trình bày trên lớp: Mô hình hệ phương trình (một số nhóm có thể
sử dụng trong dự báo các chỉ tiêu vĩ mô), Kinh tế lượng với dữ liệu bảng (Nhóm bạn Mạnh Dũng, Thanh Hằng,
Thanh Thuý – lớp Thẩm định giá K32), Khai thác bộ dữ liệu VHLSS với phần mềm STATA (Nhóm của Thế
Hùng về bất bình đẳng trong thu nhập– KHĐT K32, Nhóm bạn Khương lớp Nhân lực K32) … các bạn có thể
liên hệ với tôi qua email, hoặc trao đổi trực tiếp tại phòng giáo viên H103 vào trưa thứ năm hàng tuần về những
vấn đề này. Và tôi cũng biết, lớp ta có khả năng tự học rất cao!

6
học cũng đã áp dụng SEM trong nghiên cứu của họ. Hai bạn sinh viên đại học Khoá 31 mà
tôi có dịp hướng dẫn cũng đã sử dụng trong việc đo lường chất lượng dịch vụ khách sạn ở
Nha Trang (khảo sát cả khách du lịch quốc tế và khách trong nước), các yếu tố tạo động lực
làm việc cho công nhân ở các Khu công nghiệp tại TPHCM, Bình Dương. Năm ngoái, một
bạn sinh viên ở Trường ĐH Kinh tế - ĐH Đà Nẵng cũng đã sử dụng trong đề tài NCKH sinh
viên của bạn, và tôi biết nhiều bạn sinh viên khác cũng đã làm, sẽ làm…

AMOS được viết tắt từ Analysis of MOment Structures (Phân tích cấu trúc mô
măng). Phần mềm này dùng để thực hiện một phương pháp chung trong phân tích dữ liệu là
Structural Equation Modeling (SEM_ mô hình cấu trúc tuyến tính). SEM cũng có những tên
gọi khác như Analysis of Covariance Structures (Phân tích cấu trúc hiệp phương sai), hay
Causal Modeling (mô hình nhân quả). Trên đường lên tham quan bức tượng Chúa giang tay ở
thành phố biển Vũng Tàu (Mũi Nghinh Phong), bạn sẽ thấy một hình ảnh của vị thánh cũng
có tên là AMOS!

Bạn hãy xem qua một ví dụ về CFA. Pont & Quilken (2002) đã khảo sát 348 khách
hàng ở các ngân hàng và sử dụng phân tích nhân tố khẳng định (viết tắt là CFA, Xem Hình
1.1 – cái sơ đồ “lằng nhằng” với mấy cái móc hai đầu ở trên) để kiểm định thang đo chất
lượng dịch vụ ngân hàng (BANKSERV) do Avkiran đề xuất năm 1994 ở nước Úc (kế thừa
17 item đo lường chất lượng dịch vụ ngân hàng của Avkiran 1 ). Trong phân tích nhân tố
khẳng định, Pont và Quilken đã chỉ ra rằng thang đo này hiện nay không phù hợp, vì Chi-
square=419.15; P=0.001 (<0.05), df = 113, CMIN/df=3.7 (>2), Các chỉ tiêu TLI=0.86,
CFI=0.88, GFI=0.87 (đều <0.9) 2

Tuy nhiên, Theo bạn vì sao kết quả lại như thế? Làm thế nào để tốt hơn?
(bạn hãy đọc kỹ lại nghiên cứu của Pont và Quilken trong file đã gửi vào email chung!)

Bạn có thấy rằng: năm 2002, Pont & Quilken (có lẽ 2 bạn này đang là học viên sau
đại học) áp dụng y nguyên thang đo BANKSERV do Avkiran đề xuất từ năm 1994 mà không
có sự điều chỉnh nào cả? Pont không bổ sung biến quan sát nào, không hiệu chỉnh gì, không
EFA lại … Không cần làm nghiên cứu này cũng biết là áp dụng y nguyên thì nó sẽ không còn
phù hợp, bởi qua thời gian mọi điều đã thay đổi. Trong CFA, bạn cũng có thể có cách hiệu
chỉnh mô hình, cải thiện mức độ phù hợp với thị trường bằng cách thêm các tương quan giữa
sai số … Trong CFA ta còn quan tâm đến nhiều điều khác nữa!

1
Avkiran, N.K, (1999), Developing an instrument to measure customer service quality in branch banking,
Internation Journal of Banking Marketing, 12 (6), 10-18
2
Bạn hãy để ý những đẳng thức được in đậm trong ngoặc đơn, nếu các chỉ tiêu tương ứng rơi vào trường hợp
như vậy thì mô hình đo lường (hay mô hình nghiên cứu mà bạn sẽ tiếp cận sau này) không phù hợp với thị
trường

7
Hình 1.1

Các biến trong sơ đồ trên được giải thích như sau:

8
 Trong chủ đề này, người ta không chỉ nghĩ đến việc kiểm định mô hình đo lường
thông qua CFA, mà điều quan tâm hơn nữa là xây dựng, kiểm định mô hình nghiên cứu 1
thông qua mô hình nhân quả, hay thường gọi là mô hình cấu trúc (SEM).

Chị Mai Thuỳ Ninh (sinh viên đại học ngành kế hoạch đầu tư Khoá 31 mà tôi may
mắn có dịp hướng dẫn) đang làm đề tài tốt nghiệp về đánh giá mức độ thoả mãn của khách du
lịch đối với chất lượng dịch vụ khách sạn tại thành phố Nha Trang. Ninh đã phát triển thang
đo chất lượng dịch vụ khách sạn (Qualification of Hotel Service) của Saleh and Ryan (1990)
và thang đo chất lượng dịch vụ du lịch của Kanampully (2001) với một số thành phần mới
như vị trí, thông tin, và quan tâm đến yếu tố giá cả. Khảo sát 107 khách du lịch quốc tế và 73
khách nội địa, sau khi EFA, Ninh đã làm CFA và đạt yêu cầu, sau đó thực hiện mô hình cấu
trúc để xem xét ảnh hưởng của chất lượng, vị trí, giá cả …đến sự thoả mãn và lòng trung
thành thì một kết quả ban đầu như Hình 1.2:

Bạn nhận xét sơ bộ gì về mức độ phù hợp của mô hình? Có cách nào để cải thiện mô
hình được tốt hơn?

- Bạn sẽ nhận định rằng mô hình này chưa tốt, chưa phù hợp phải không? Đúng thế!

- Có nhiều cách thức để hiệu chỉnh mô hình. Ví dụ như: thêm vào các hệ số tương quan giữa
các sai số; điều chỉnh mối quan hệ giữa các khái niệm; bỏ bớt một số biến quan sát, một số
khái niệm trong mô hình nghiên cứu không đạt yêu cầu; thực hiện lại các phân tích trước đó -
EFA …

- Còn cách nào khác nữa không? Khi tôi đang viết bài giảng này, các em có biết chị Ninh
đang làm gì không? Mặc dù chuyên đề tốt nghiệp đã xong, chị cũng đang chuẩn bị để bảo vệ,
và tham gia đề tài NCKH sinh viên, mô hình đã tạm được (Không phải là mô hình như Hình
1.2), nhưng chị đang trên chuyến tàu về Nha Trang để khảo sát thêm khoảng 100 khách quốc
tế, 100 khách nội địa nữa tại các khách sạn, phòng chờ ở sân bay, một số khu du lịch và chú
trọng hơn chất lượng của cuộc phỏng vấn… ngoài ra, chị cũng chú trọng thêm về khảo sát
định tính. Tôi nghĩ, có lẽ chị ấy muốn khám phá, và khẳng định một điều gì đó, muốn đóng
góp một điều gì đó có ý nghĩa, muốn nghiên cứu này không chỉ bỏ vào trong thư viện để các
khoá sau tham khảo, hay chỉ đăng trên các tạp chí hàn lâm!

1
Mô hình thể hiện các quan hệ tương quan, và quan hệ nhân quả giữa các khái niệm. Nó thường được biểu diễn
bởi sơ đồ, phương trình.

9
Hình 1.2
.60
e1 che1 .51 chi-square= 2406.583 ; df= 534 ; p= .000 ;
.63
e2 che3 .80 chi-square/df= 4.507 ;
.12
e3 reab1.81 cfi= .811 ; tli= .790 ;
.32
e4 reab2.74 rmsea= .140
.23
e5 reab3.79
.25 .77
e6 reab4.79 .72
.15 .90
e7 res1 .83 .90
.46 .86
e8 res2 .78 .89
.23 .89
e9 res3 .77 .91
.06 .88
e10 res4 .74 .88
.29 .86
e11 res5.92
.85
.25
e12 .88 chatluong
res6.94 e39
.89 e38
e13 res7 .80 .67
.85 .62
e14 ser1 .91
.73 .89
.53
e15 ser2 .82 .87 .79
.15 .85 thoa man trung thanh
e16 ser3 .76 .88
e17 ser4 .78 .86 .94 .97 .91 .90 .82
.30 .87 .91 .93 .82 .94
.89 .81 .67
e18 ser5 .73 .93 .53 .95
e19 ser6 .75 .81 sat1 sat2 sat3 loy1 loy2 loy3 loy4
.11
.83
e20 ser7 .86 .81
e21 tang1.66 .24 e33 e32 e31 e34 e35 e36 e37
e22 tang4.66 -.63
.13
.32
.18 e23 tang5.76
.87 .33
e26 loc1 .72
vitri
e27 loc2 .88
.85
.94 .48
e28 pri1 .88
e29 pri2 .35
.59 gia ca
.94
e30 foo2

Sau khi học xong chủ đề này, bạn sẽ không chỉ có những hiểu biết căn bản về mô hình
cấu trúc, những thao tác trên AMOS, mà còn giúp bạn biết cách xây dựng, hiệu chỉnh, hoàn
chỉnh mô hình. Và bạn có đủ kiến thức nền tảng để có thể dễ dàng hiểu được các nghiên cứu
(có áp dụng SEM) mà các tác giả trong và ngoài nước đã làm! Điều này giúp bạn đi nhanh,
và xa hơn trong tiếp cận những tri thức mới, và tạo ra tri thức mới trong khoa học.

10
Trong gần 100 em đang học ở đây, đề tài của nhóm em nào có thể áp dụng CFA, SEM?

Dĩ nhiên, sẽ có nhiều em có thể làm được, và nhiều đề tài có thể sử dụng SEM, bởi
các em học lớp này là để làm tốt hơn các nghiên cứu mà các em đang làm, để đóng góp một
điều gì đó có ý nghĩa cho xã hội ngay trong khoảng thời gian ở giảng đường đại học, và
chuẩn bị hành trang cho công việc/học tập sau khi tốt nghiệp đại học! Ví dụ những đề tài của
một số nhóm: chất lượng dịch vụ bệnh viện, ký túc xá, máy bán hàng tự động, dịch vụ vận
tải hành khách của tàu Thống Nhất, dịch vụ giáo dục; động lực làm việc của nhân viên trong
khu vực công, yếu tố ảnh hưởng đến kết quả làm việc của nhân viên, xu hướng mua, hành vi
của nhà đầu tư trên thị trường chứng khoán, văn hoá tổ chức, phong cách lãnh đạo … 1 .

Một số nhóm sử dụng kinh tế lượng với dữ liệu bảng (như đề tài các yếu tố ảnh ưởng
đến FDI vào các quốc gia đang phát triển), hay đề tài áp dụng kỹ thuật kinh tế lượng truyền
thống (ước lượng TFP, các yếu tố tác động đến thu nhập của lao động trẻ ở Việt Nam…), kỹ
thuật dự báo với ARIMA, SARIMA, VAR, ARCH-GARCH (dự báo giá vàng, khách du lịch,
FDI trong bối cảnh khủng hoảng… kiểm định tính hiệu quả của thị trường chứng khoán, thị
trường vàng …) hay chỉ áp dụng thống kê mô tả… cũng đừng lo lắng, và hãy tiếp tục hoàn
thiện nghiên cứu theo hướng đó! Phương pháp nghiên cứu nào, phương pháp phân tích dữ
liệu nào…tất cả chỉ là cách thức, công cụ để các em đạt được mục tiêu nghiên cứu! Vấn đề
quan trọng là lựa chọn phương pháp phù hợp để đạt được mục tiêu mà thôi!

Thời gian gần đây, trong một buổi huấn luyện về phân tích dữ liệu với SPSS cho các
bạn SV nghiên cứu khoa học của Khoa Thương Mại – Du Lịch – Marketing do Đoàn Khoa
bên ấy tổ chức, một nhóm bạn sinh viên có trao đổi với tôi về nghiên cứu sự thoả mãn của
khách hàng đi xe bus với mô hình Kano (sử dụng EFA, và thống kê mô tả)... Hay một số bạn
sinh viên ở các Khoa trong trường chúng ta tham gia khoá huấn luyện về phân tích dữ liệu
nghiên cứu với SPSS do Đoàn Trường tổ chức cũng trao đổi về những nghiên cứu: Các yếu
tố ảnh hưởng đến tình hình phá sản (anh Bảo - Khoa TCDN, áp dụng phân tích phân biệt),
các yếu tố ảnh hưởng đến xác suất rơi vào tình hình nợ xấu của các doanh nghiệp (anh Thành
– Khoa TCDN, áp dụng Logit), đề tài về ngân hàng điện tử (EFA, Hồi quy), Marketing địa
phương (anh Chinh – Khoa KTPT, áp dụng Thống kê mô tả, nghiên cứu định tính), định vị
thương hiệu Vĩnh Tiến (chị Phương Linh, khoa KTPT, áp dụng EFA, Hồi quy, MDS) … Rất
nhiều bạn bè (Khoá 32), các anh chị sinh viên (Khoá 31) trong trường cũng đang làm các
nghiên cứu như các em!

Một gợi ý nghiên cứu dành cho các bạn sinh viên kế hoạch đầu tư, bất động sản, thẩm
định giá…?

Hãy xem qua bài viết “Investment Management and personality type” của Mayfield,
Perdue, Wooten vừa đăng trên tạp chí Financial Service Review, số 17 năm 2008 (đã được
gửi qua email). Hình 1.3 thể hiện một mô hình mà các tác giả đã làm ở Hoa Kỳ. Các bạn thử
nghiên cứu vấn đề này ở Việt Nam! Một một ngân hàng có mở sàn giao dịch vàng cũng đặt
hàng tôi nghiên cứu hành vi của các nhà đâu tư trên thị trường vàng ở Việt Nam, các bạn thử
xem xem liệu rằng nghiên cứu của Mayfield & ctg (2008) này có hỗ trợ gì không?

1
Chúng ta còn nhớ vào giữa tháng 6/2009, Đoàn Khoa KTPT sẽ tổ chức hội thảo khoa học về “Các vấn đề
Kinh tế Xã hội của Việt Nam và thế giới qua phân tích định lượng”, mà người báo cáo, người tham dự chính là
các em, và một số bạn sinh viên NCKH của khoa bạn, trường bạn, và một số anh chị Khoá 31.

11
Hình 1.3

Mô hình trên có Chi-square=183.63, df=141, P=0.009; GFI=0.91, CFI=0.95

Trong mô hình những yếu tố ảnh hưởng đến ý định đầu tư ngắn hạn trên (bên cạnh đó, các tác
giả cũng nghiên cứu mô hình đối với ý định đầu tư dài hạn), một số biến quan sát để đo lường
các khái niệm được trình bày ở trang 13

12
13
 Trong bài học này, có 1 ví dụ xuyên suốt; chúng ta sẽ sử dụng dữ liệu mà chị Nguyễn
Thị Mỹ Thuận 1 khảo sát để phục vụ cho đề tài NCKH sinh viên của chị để làm ví dụ phân
tích. Đề tài của chị Thuận sử dụng các công cụ phân tích EFA, Cronbach’s Alpha, Regression
(các chủ đề này các bạn đều đã được học trong môn phân tích dữ liệu và dự báo). Và bây giờ,
các bạn hãy thử phát triển thêm bằng cách sử dụng CFA, SEM xem thế nào! Tình huống đơn
giản và gần gũi này sẽ giúp bạn dễ hiểu hơn về CFA, SEM – với các thao tác chính trên
AMOS. Những tình huống với các mô hình rất phức tạp khác mà bạn sẽ tìm hiểu, sẽ làm
được sau này cũng tương tự như thế thôi!

2. PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (Nhắc lại sơ lược vì đã học)

Bảng câu hỏi của chị Thuận (xem phụ lục) dựa trên nghiên cứu của Dung (2005) đã
hiệu chỉnh cho Việt Nam. Từ nghiên cứu định tính, chị Thuận đã hiệu chỉnh một số biến
quan sát (Item), bỏ đi một số Item không phù hợp với nhân viên trong lĩnh vực Tài chính-
ngân hàng, bất động sản, công nghệ thông tin (những ngành mũi nhọn của TPHCM) mà chị
đang quan tâm…

Chị Thuận đã phải EFA lại, vì cấu trúc của thang đo trong tình huống của chị Thuận
chưa chắc đã giống với nghiên cứu trước của Dung và Nam (2005), và dĩ nhiên có thể càng
không giống với kết quả nghiên cứu của Stanton và Crossley (2000) cũng như của Crossman
và Bassem (2003) mà Dung đã kế thừa. Chị Thuận với mục tiêu là sau EFA sẽ chạy
Regression vì thế khi EFA cho thang đo JDI (Thoả mãn của nhân viên với công việc) chị có
thể sử dụng phương pháp Principal Components với phép xoay Varimax cũng được. Còn bạn,
sau EFA bạn sẽ làm tiếp CFA và SEM nên rất quan tâm đến cấu trúc của thang đo, các khái
niệm sau khi rút ra có thể tương quan với nhau, và cũng rất quan tâm đến sự phân biệt rõ ràng
giữa các nhân tố. Vì vậy bạn nên làm EFA với những đổi mới sau:
• Sử dụng phương pháp trích Principal Axis Factoring với phép xoay Promax 2
• Quan tâm đến tiêu chuẩn 3 : |Factor Loading| lớn nhất của mỗi Item >=0.5
• Quan tâm đến tiêu chuẩn: Tại mỗi Item, chênh lệch |Factor Loading| lớn nhất và
|Factor Loading| bất kỳ phải >=0.3 (Jabnoun & Al-Tamimi, 2003)
• Tổng phương sai trích >=50% (Gerbing & Anderson, 1988)
• KMO>=0.5, Kiểm định Bartlett có ý nghĩa thống kê (Sig<0.05) 4

a. Khái niệm sự thoả mãn của nhân viên với công việc

1
Chị Thuận là sinh viên khoá 30 ngành kế hoạch đầu tư khoa KTPT (mà tôi hướng dẫn đề tài NCKH sinh viên),
chị Thuận cũng là liên chi hội phó hội sinh viên của Khoa KTPT, đề tài của chị đạt giải khuyến khích cấp Bộ.
Hiện nay chị Thuận đã ra trường được 1 năm và đang làm việc tại ngân hàng ACB
2
Theo Gerbing & Anderson (1988), Phương pháp trích Principal Axis Factoring với phép xoay Promax
(Oblique) sẽ phản ánh cấu trúc dữ liệu chính xác hơn phương pháp trích Principal Components với phép xoay
Varimax (Orthogonal)
3
Theo Hair & ctg (1998,111), Factor loading laø chæ tieâu ñeå ñaûm baûo möùc yù nghóa thieát thöïc cuûa EFA
(ensuring practical significance). Factor loading > 0.3 ñöôïc xem laø ñaït ñöôïc möùc toái thieåu, Factor loading >
0.4 ñöôïc xem laø quan troïng, ≥ 0.5 ñöôïc xem laø coù yù nghóa thöïc tieãn. Hair & ctg (1998,111) cuõng khuyeân baïn
ñoïc nhö sau: neáu choïn tieâu chuaån factor loading > 0.3 thì côõ maãu cuûa baïn ít nhaát phaûi laø 350, neáu côõ maãu cuûa
baïn khoaûng 100 thì neân choïn tieâu chuaån factor loading > 0.55, neáu côõ maãu cuûa baïn khoaûng 50 thì Factor
loading phaûi > 0.75
4
KMO là một chỉ tiêu dùng để xem xét sự thích hợp của EFA, 0.5≤KMO≤1 thì phân tích nhân tố là thích hợp.
Kiểm định Bartlett xem xét giả thuyết về độ tương quan giữa các biến quan sát bằng không trong tổng thể. Nếu
kiểm định này có ý nghĩa thống kê (Sig < 0.05) thì các biến quan sát có tương quan với nhau trong tổng thể
(Trọng & Ngọc, 2008)

14
Bạn còn nhớ thao tác EFA trong phần mềm SPSS? Analyze\Data Reduction\Factor
Hình 1.4

Hình 1.5

Hình 1.7 Hình 1.6

Hình 1.8

15
Kết quả ban đầu
Pattern Matrixa
Factor
1 2 3 4 5 6 7
prom1 .863
Các con số trong
prom3 .753
bảng này gọi là các
prom2 .689
prom4 .651
Factor loading (hệ số
work4 .436
tải nhân tố)
sup6 .811
sup5 .784
sup3 .758
sup7 .664 .325
sup4 .482
sup2 .351 .411
sup1 .268 .378 -.282 .283
pay4 .889
pay5 .770
pay2 .607 .297
ben4 .331 .549 .211
pay3 -.301 .488 .293
pay1 .485 .271
cow1 .814
cow3 .810
cow2 .810 .207
cow4 .432 .454
ben3 .982
ben2 .977
ben1 .334 .592
env3 .264
work3 .768
work2 Env4 bị loại đầu tiên .541
work1 .246 .514
vì con.223
số này nhỏ
env2 .541
hơn 0.5, và “tệ” nhất
env1 -.279 .478
env4 .213 .232
Extraction Method: Principal Axis Factoring.
Rotation Method: Promax with Kaiser Normalization.

a. Rotation converged in 7 iterations.

Lần lượt loại từng biến không đạt yêu cầu (biến nào “tệ” nhất bị loại trước):
Env4, env3, sup1, sup2, work4, cow4, env2, env1, pay3, pay1, pay2,
Và ben1

16
Kết quả EFA lần cuối
Pattern Matrixa
Factor
Các con số trong
1 2 3 4 5 6 bảng này gọi là các
sup6 .841 Factor loading (hệ
sup5
số tải nhân tố)
.826
sup3 .758
sup7 .628 .278
sup4 .520
prom1 .899
prom2 .707
prom3 .670
prom4 .602
cow1 .913
cow2 .795
cow3 .768
pay4 .907
pay5 .817
ben4 .270 .593
ben2 .961
ben3 .952
work3 .915
work2 .791
work1 .545
Extraction Method: Principal Axis Factoring.
Rotation Method: Promax with Kaiser Normalization.
a. Rotation converged in 6 iterations.

Bạn có nhận xét gì từ kết quả EFA?

Có 6 nhân tố được rút ra.

Nhân tố 1: gồm các biến quan sát sup3-sup7 Æ được đặt tên là “Lãnh đạo”
Nhân tố 2: gồm prom1-prom4 Æ “Thăng tiến”
Nhân tố 3: gồm cow1-cow3 Æ “Đồng nghiệp”
Nhân tố 4: gồm pay4, pay5, ben4 Æ “lương-thưởng”
Nhân tố 5: gồm ben2, ben3 Æ “bảo hiểm”
Nhân tố 6: gồm work1-work4 Æ “bản chất công việc”

17
 Total Variance Explained
Rotation
Sums of
Squared
Initial Eigenvalues Extraction Sums of Squared Loadings Loadingsa
Factor Total % of Variance Cumulative % Total % of Variance Cumulative % Total
1 7.378 36.889 36.889 7.016 35.080 35.080 5.210
2 1.880 9.401 46.290 1.726 8.632 43.712 5.142
3 1.752 8.759 55.049 1.428 7.138 50.849 4.015
4 1.512 7.560 62.609 1.167 5.835 56.685 3.801
5 1.359 6.794 69.403 1.022 5.109 61.793 2.615
6 1.067 5.334 74.737 .712 3.558 65.352 4.584
7 .722 3.612 78.349 Tổng phương sai
8 .564 2.821 81.169 trích/ hay tổng
9 .537 2.683 83.853 biến thiên được
10
giải thích bởi các
.461 2.306 86.159
nhân tố
11 .403 2.014 88.173
12 .395 1.973 90.146
13 .365 1.826 91.971
14 .341 1.704 93.676
15 .306 1.530 95.206
16 .252 1.260 96.466
17 .244 1.221 97.687
18 .212 1.062 98.749
19 .182 .911 99.660
20 .068 .340 100.000
Extraction Method: Principal Axis Factoring.
a. When factors are correlated, sums of squared loadings cannot be added to obtain a total
variance.

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .847

Bartlett's Test of Sphericity Approx. Chi-Square 2327.451

df 190

Sig. .000

Hai bảng trên cho bạn nhận xét gì?

- Tổng phương sai trích (hay tổng biến thiên được giải thích) bằng 65.35% (>50%)
- KMO = 0.847 (>0.5) và kiểm định Bartlett có ý nghĩa thống kê (Sig<0.05)
Nên EFA là phù hợp.

18
b. Khái niệm lòng trung thành

Khái niệm lòng trung thành là 1 khái niệm đơn hướng (khi EFA, các biến quan sát rút thành 1
nhân tố), nên có thể thử sử dụng phương pháp trích Principal Component Analysis vì phương
pháp trích này sẽ làm cho tổng phương sai trích tốt hơn.

Bạn có nhận xét gì nếu có kết quả từ EFA cho các biến quan sát thuộc khái niệm lòng
trung thành như sau?

KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .701

Bartlett's Test of Sphericity Approx. Chi-Square 188.787

df 3

Sig. .000

Total Variance Explained

Compo Initial Eigenvalues Extraction Sums of Squared Loadings

nent Total % of Variance Cumulative % Total % of Variance Cumulative %

1 2.146 71.523 71.523 2.146 71.523 71.523

2 .487 16.230 87.753

3 .367 12.247 100.000

Extraction Method: Principal Component Analysis.

Component Matrixa Bảng này chỉ có 1 cột, cho

Component
thấy loy1, loy2, loy3 rút
thành 1 nhân tố
1

loy1 .874

loy3 .834

loy2 .829

Extraction Method: Principal Component

Analysis.

a. 1 components extracted.

- Chỉ có 1 nhân tố được rút ra, nhân tố này cũng được đặt tên là “Trung thành”
- EFA cũng phù hợp vì Tổng phương sai trích bằng 71.53 (>50%), KMO = 0.701 (>0.5), Sig
của kiểm định Bartlett=0.000 (<0.05)
Mô hình cấu trúc tuyến tính (SEM) bao gồm nhiều kỹ thuật thống kê khác nhau như
phân tích đường dẫn (Path Analysis), phân tích nhân tố khẳng định (Confirmatory Factor
Analysis), Mô hình nhân quả với các biến tiềm ẩn (Causal modeling with Latent variable, và
cũng thường gọi là SEM), và thậm chí cả phân tích phương sai (Analysis of Variance), mô
hình hồi quy tuyến tính bội (Multiple Linear Regression). Chúng ta sẽ tìm hiểu CFA, SEM.

19
3. PHÂN TÍCH NHÂN TỐ KHẲNG ĐỊNH (CFA)
Từ kết quả của EFA, giờ bạn thấy rằng ta có 7 khái niệm chính sử dụng trong mô hình
nghiên cứu sau này. Đó là

• “Lãnh đạo” được đo lường bởi các biến quan sát sup3-sup7
• “Thăng tiến” được đo lường bởi các biến quan sát prom1-prom4
• “Đồng nghiệp” được đo lường bởi các biến quan sát cow1-cow3
• “Lương-thưởng” được đo lường bởi các biến quan sát pay4, pay5, ben4
• “Bảo hiểm” được đo lường bởi các biến quan sát ben2, ben3
• “Bản chất công việc” được đo lường bởi các biến quan sát work1-work4
• “Lòng trung thành”: được đo lường bởi loy1, loy2, loy3

6 khái niệm đầu tiên là các khái niệm thành phần của khái niệm “Sự thoả mãn của nhân viên
với công việc”. Cấu trúc của thang đo “Sự thoả mãn nhân viên với công việc” gồm có 6 khái
niệm thành phần như trên, và các biến quan sát tương ứng cho từng khái niệm cũng đã được
liệt kê như trên. Các biến quan sát quan sát sup3-sup7; prom1-prom4; cow1-cow3; pay4,
pay5, ben4; ben2, ben3; work1-work4 tạo thành một thang đo để đo lường khái niệm “Sự
thoả mãn của nhân viên với công việc”. Các biến quan sát loy1, loy2, loy3 tạo thành một
thang đo để đo lường khái niệm “lòng trung thành”.

Những điều trên tạo thành một mô hình đo lường các khái niệm sử dụng trong nghiên cứu
của bạn. Và bây giờ Chúng ta cần kiểm định xem Mô hình đo lường này có đạt được yêu cầu
không? Các thang đo có đạt được yêu cầu của một thang đo tốt không? Việc này chúng ta cần
sử dụng đến phân tích nhân tố khẳng định (CFA)

Trong CFA ta có thể thực hiện cho từng khái niệm, một số khái niệm, hoặc thực hiện với tất
cả các khái niệm có trong mô hình (gọi là mô hình tới hạn)

Veà maët lyù thuyeát, trong CFA, chuùng ta chuù yù ñeán moät soá vaán ñeà sau:

Ñeå ño löôøng möùc ñoä phuø hôïp cuûa moâ hình vôùi thoâng tin thò tröôøng, ngöôøi ta thöôøng söû
duïng Chi-square (CMIN); Chi-square ñieàu chænh theo baäc töï do (CMIN/df); chæ soá thích
hôïp so saùnh (CFI_ Comparative Fit Index). Chæ soá Tucker & Lewis (TLI_ Tucker & Lewis
Index); Chæ soá RMSEA (Root Mean Square Error Approximation). Moâ hình ñöôïc xem laø
thích hôïp vôùi döõ lieäu thò tröôøng khi kieåm ñònh Chi-square coù P-value > 0.05. Tuy nhieân
Chi-square coù nhöôïc ñieåm laø phuï thuoäc vaøo kích thöôùc maãu. Neáu moät moâ hình nhaän ñöôïc
caùc giaù trò GFI, TLI, CFI ≥0.9 (Bentler & Bonett, 1980); CMIN/df ≤ 2, moät soá tröôøng hôïp
CMIN/df coù theå ≤ 3 (Carmines & McIver, 1981); RMSEA ≤ 0.08, RMSEA ≤ 0.05 ñöôïc
xem laø raát toát (Steiger, 1990); thì moâ hình ñöôïc xem laø phuø hôïp vôùi döõ lieäu thò tröôøng, hay
töông thích vôùi döõ lieäu thò tröôøng. Thoï & Trang (2008) cho raèng Neáu moâ hình nhaän ñöôïc
caùc giaù trò TLI, CFI ≥0.9, CMIN/df ≤ 2, RMSEA ≤ 0.08 thì moâ hình phuø hôïp (töông thích)
vôùi döõ lieäu thò tröôøng. Quy taéc naøy cuõng ñöôïc söû duïng ñeå ñaùnh giaù möùc ñoä phuø hôïp cuûa
moâ hình caáu truùc ôû muïc 4.

Khi CFA, neân thöïc hieän caùc ñaùnh giaù khaùc nhö 1 :

1
Xem thêm Thọ & Trang (2008)

20
(1) Ñaùnh giaù ñoä tin caäy cuûa thang ño thoâng qua: (a) Heä soá tin caäy toång hôïp (composite
reliability) vaø (b) Toång phöông sai trích ñöôïc (variance extracted), (c) Heä soá Cronbach’s
Alpha
Ñoä tin caäy toång hôïp ( ρ
) (Joreskog 1971 ), vaø toång phöông sai trích (
C
) ρ VC

(Fornell & Larcker 1981) ñöôïc tính theo coâng thöùc sau:
2
p p
( ∑ λ i) ∑ λ i
2

ρ C = p i =2 1 p ρ VC = p 2 i=1 p
∑ ∑
2

( ∑ λ i) + ∑ (1 − λ i )
2

i =1
λ i i=1 λ i )
+ (1 −
i =1 i =1

λ
2
Trong ñoù i
laø troïng soá chuaån hoaù cuûa bieán quan saùt thöù i; 1- λ i laø phöông sai cuûa sai
soá ño löôøng bieán quan saùt thöù i, p laø soá bieán quan saùt cuûa thang ño.
Chæ tieâuρ ρC
, phaûi ñaït yeâu caàu töø 0.5 trôû leân
VC

Theo Hair (1998, 612):”phöông sai trích (Variance Extracted) cuûa moãi khaùi nieäm neân vöôït
quaù 0.5”; vaø phöông sai trích cuõng laø moät chæ tieâu ño löôøng ñoä tin caäy. Noù phaûn aùnh löôïng
bieán thieân chung cuûa caùc bieán quan saùt ñöôïc tính toaùn bôûi bieán tieàm aån

Schumacker & Lomax (2006, 178) cho raèng trong CFA, moät vaán ñeà quan troïng caàn phaûi
quan taâm khaùc laø ñoä tin caäy cuûa taäp hôïp caùc bieán quan saùt ño löôøng moät khaùi nieäm (nhaân
toá); vaø nhö truyeàn thoáng, heä soá tin caäy Cronbach’s Alpha vaãn thöôøng ñöôïc söû duïng. Noù ño
löôøng tính kieân ñònh noäi taïi xuyeân suoát taäp hôïp caùc bieán quan saùt cuûa caùc caâu traû lôøi

Trong kieåm ñònh Cronbach’s Alpha, caùc bieán quan saùt coù heä soá töông quan bieán-toång
(item-total correlation) nhoû hôn 0.3 seõ bò loaïi vaø tieâu chuaån choïn thang ño khi heä soá
Cronbach’s Alpha töø 0.6 trôû leân (Nunnally & Burnstein, 1994). Tuy nhieân, cuõng caàn löu yù
raèng neáu Cronbach’s Apha quaù cao (>0.95) thì coù khaû naêng xuaát hieän bieán quan saùt thöøa
(Redundant items) ôû trong thang ño. Bieán quan saùt thöøa laø bieán ño löôøng moät khaùi nieäm
haàu nhö truøng vôùi bieán ño löôøng khaùc, töông töï nhö tröôøng hôïp coäng tuyeán (collinearity)
trong hoài quy, khi ñoù bieán thöøa neân ñöôïc loaïi boû.

(2) Tính ñôn höôùng/ ñôn nguyeân (unidimensionality)

- Theo Steenkamp & Van Trijp (1991), möùc ñoä phuø hôïp cuûa moâ hình vôùi döõ lieäu thò tröôøng
cho chuùng ta ñieàu kieän caàn vaø ñuû ñeå cho taäp bieán quan saùt ñaït ñöôïc tính ñôn höôùng, tröø
tröôøng hôïp caùc sai soá cuûa caùc bieán quan saùt coù töông quan vôùi nhau.

(3) Giaù trò hoäi tuï (Convergent validity)

- Gerbring & Anderson (1988) cho raèng thang ño ñaït ñöôïc giaù trò hoäi tuï khi caùc troïng soá
chuaån hoaù cuûa thang ño ñeàu cao (>0.5); vaø coù yù nghóa thoáng keâ (P <0.05)

21
(4) Giaù trò phaân bieät (Discriminant validity)

- Coù theå kieåm ñònh giaù trò phaân bieät cuûa caùc khaùi nieäm trong moâ hình tôùi haïn (saturated
model) moâ hình maø caùc khaùi nieäm nghieân cöùu ñöôïc töï do quan heä vôùi nhau). Coù theå thöïc
hieän kieåm ñònh heä soá töông quan xeùt treân phaïm vi toång theá giöõa caùc khaùi nieäm coù thöïc söï
khaùc bieät so vôùi 1 hay khoâng. Neáu noù thöïc söï khaùc bieät thì caùc thang ño ñaït ñöôïc giaù trò
phaân bieät.

Ví duï: Moät thang ño coù 2 khaùi nieäm spatial vaø verbal, soá quan saùt= 73

r SE=SQRT((1-r2)/(n-2)) (1-r)/SE P-value

spatial <--> verbal 0.487 0.104 4.949 0.000

TINV(0.05,71)=1.993
TDIST(4.95,71,2)=0.000 (<0.05) baùc boû giaû thuyeát cho raèng ρ (spatial,verbal)=1

Ghi chuù quy taéc kieåm ñònh 1 :

H o: ρ = ρ o

H 1: ρ ≠ ρ
o

|r−ρ |
Tính T = o
; Tra baûng phaân phoái Student tα
, ,n − 2
2
1− r 2

n−2
Neáu T > t ,α ,n −2 thì baùc boû Ho
2

(5) Giaù trò lieân heä lyù thuyeát (Nomological validity)

- Caùc vaán ñeà töø 1 ñeán 4 ñöôïc ñaùnh giaù thoâng qua moâ hình ño löôøng. Rieâng giaù trò lieân heä lyù
thuyeát ñöôïc ñaùnh giaù trong moâ hình lyù thuyeát (Anderson & Gerbing, 1988)

Khi caùc vaán ñeà treân thoaû maõn thì moâ hình ño löôøng laø toát. Tuy nhieân, raát hieám moâ hình ño
löôøng naøo ñaït ñöôïc taát caû caùc vaán ñeà treân! Ví duï, moâ hình ño löôøng vaãn coù theå ñöôïc söû
duïng khi thang ño khoâng ñaït ñöôïc tính ñôn höôùng…

1
Xem Hoaøi (2001)

22
Veà maët thöïc haønh, ta söû duïng phaàn meàm AMOS v ới cách thức Amos Graphics 1
Khởi động AMOS? Start Æ Program Æ AMOS 16 Æ Amos Graphics

Công dụng của các nút?

Dùng để vẽ biến quan sát

Dùng để vẽ biến tiềm ẩn

Dùng để vẽ biến tiềm ẩn và các biến quan sát

Dùng để vẽ yếu tố sai số

Hình 3.1

Vẽ hệ số đường dẫn, hệ số hồi quy

Vẽ hiệp phương sai, hệ số tương quan

Liệt kê danh sách biến

Ngón tay: chọn 1 đối tượng

Bàn tay dài: Chọn tất cả đối tượng
Bàn tay ngắn: Không chọn nữa

Di chuyển đối tượng

Xoá đối tượng

Máy phô tô: Copy đối tượng

Xoay đối tượng

Chỉnh kích cỡ đối tượng

Tính toán các ước lượng

Di chuyển các tham số ước lượng

Copy sơ đồ đường dẫn vào Clipboard

Xem kết quả dạng văn bản/ bảng biểu

1
Trong AMOS, ngoài AMOS Graphics có một cách thức khác nữa là gõ các lệnh VB.NET hay C#

23
Tạo file mới? File\New

Mở file dữ liệu? File\Data Files (Ctrl-D) Æ Chọn File Name Æ Chọn kiểu file và chỉ đến
file cần mở Æ OK
Hình 3.2

Hiển thị danh sách biến?

Chọn nút sau
Hình 3.3

Khi đó bạn sẽ thấy một hộp thoại nhỏ xuất hiện, liệt kê các biến có trong dữ liệu
Hình 3.4

Vẽ các biến tiêm ẩn, các biến quan sát tương ứng?
Bước 1. Chọn nút
Hình 3.5

24
Bước 2. Rê đến vị trí tương ứng để vẽ ra 1 vòng tròn, nhấp chuột 5 trái năm cái, bạn sẽ có đối
tượng như Hình 3.6
Hình 3.6

Bước 3. Nhấp bàn tay dài, để chọn cả đối tượng

Bước 6. Nhấp ô tô để di chuyển đối

tượng sao cho đẹp

Bước 4. Nhấp nút này để xoay đối

tượng sao cho như Hình 3.7

Bước 5. Nhấp nút này để Chỉnh sửa

kích cỡ của đối tượng sao cho đẹp

Hình 3.7

Copy đối tượng?

Hiện nay chỉ có một Biến tiềm ẩn với 5 biến quan sát như Hình 3.7. Đầu tiên bạn sẽ chọn đối
tượng cần Copy bằng cách nhấp nút bàn tay dài, rồi nhấp cái máy Photocopy, sau đó rê chuột
đến vị trí cần dán đối tượng được copy. Bạn sẽ có Hình như Hình 3.8

25
Hình 3.8

Bước 1. Chọn nút này để

đánh dấu đối tượng cần
Copy

Bước 2. Chọn máy

Photocopy để copy, sau đó Đt mới
rê chuột đến vị trí mới bạn
sẽ có thêm một đối tượng
nữa

Bây giờ bạn đã Copy xong rồi, thì hãy nhấp nút bàn tay ngắn, để không chọn gì nữa.

Tuy nhiên đối tượng mới của bạn chỉ cần có 4 biến quan sát thôi. Do đó bạn cần xoá đi 1 biến
quan sát.

Xoá 1 cái gì đó?

Chọn nút sau đó di chuyển chột đến đối tượng cần xoá, nhấp chuột vào đối tượng đó

Bạn hãy kết hợp các nút và tạo ra sơ đồ như Hình 3.9:

26
Hình 3.9

Vẽ các các mũi tên 2 đầu? (Thể hiện cho hiệp phương sai/ hệ số tương quan)
Hình 3.10

Bạn hãy tự vẽ ra tiếp để được như Hình 3.11 nhé

27
Hình 3.11
1

1
1
1

1
1
1

1
1
1

1
1
1

1 1

1
1
1

1
1
1

28
Gắp các biến quan sát vào các hình chữ nhật (hình vuông) đại diện cho các biến quan
sát trên sơ đồ ?
Hình 3.12 Nhấp biến
tương ứng
trong danh
sách và gắp
sang

Sau khi đã gắp các biến quan sát vào các hình chữ nhật tương ứng. Bạn sẽ được sơ đồ như
Hình 3.13.

Bây giờ, bạn nên gán tên cho các biến tiềm ẩn (Hình elip) bằng cách

Chọn nút ngón tay

Nhấp vào Hình elip đầu tiên, Click phải chuột, Chọn Object Properties (Hình 3.13)

Hộp thoại như Hình 14, xuất hiện. Bạn hãy nhập tên biến vào ô Variable name

Bạn hãy nhấp vào nút ngón tay, , sau đó lần lượt nhấp vào các Elip còn lại, đặt tên cho
các biến tiềm ẩn này.

Hãy làm tương tự trong việc đặt tên cho các sai số: e1, e2 ... (Hình 3.15)

Và bây giờ bạn đã vẽ song Sơ đồ như Hình 3.16.

29
Hình 3.13

Hình 3.14

30
Hình 3.15

31
Hình 3.16
1
e1 sup3
1
e2 sup4
1
e3 sup5 lanh dao
1
e4 sup6 1
1
e5 sup7
1
e6 prom1
1
e7 prom2
thang tien
1
e8 prom3 1
1
e9 prom4
1
e10 cow1
1
e11 cow2 dong nghiep
1
1
e12 cow3
1
e13 pay4
1
e14 pay5 luong thuong
1
1
e15 ben4
1
e16 ben2
1 1 bao hiem
e17 ben3
1
e18 work1
1
e19 work2 cong viec
1
1
e20 work3
1
e21 loy1
1
e22 loy2 trung thanh
1
1
e23 loy3

32
Thể hiện một số chỉ tiêu lên màn hình?
Nếu bạn muốn thể hiện một số chỉ tiêu lên màn hình sơ đồ đường dẫn, hãy chọn nút Title

, nhâp chuột tại 1 vị trí muốn thể hiện, gõ các Macro sau

Hình 3.17

Khi đó trên sơ đồ sẽ có các dòng tương ứng (Hình 3.18)

Hình 3.18

Khai báo các thuộc tính cần tính toán?

Từ thanh Menu chọn View\Analysis Properties
Hình 3.19

Sau đó đánh dấu chọn như Hình 3.20, Hình 3.21

33
Hình 3.20

Hình 3.21

Lưu lại file Sơ đồ sơ đồ? Files \ Save hoặc Save As

Trước khi tính toán, bạn nên lưu lại file sơ đồ đường dẫn

34
Tính toán các ước lượng?

Nhấp nút

Các kết quả sẽ được tính toán

Thể hiện kết quả?

Hình 3.22

Chọn nút này để thể

hiện kết quả tính
toán lên sơ đồ

Chuyển đổi cách thể

hiện dạng không
chuẩn hoá/ chuẩn
hoá

35
Kết quả dạng sơ đồ chưa chuẩn hoá
Hình 3.23
.73
1
e1 sup3
.98 .92
1 Chi-square= 403.140 ; df= 209 ; P= .000 ;
e2 sup4 .65 1.48 Chi-square/df = 1.929 ;
.71
1 .92 GFI= .858 ; TLI = .909 ; CFI = .925 ;
e3 sup5 lanh dao RMSEA= .068
.92
1
e4 sup6 .89
1.07 1.00
1
e5 1.18 sup7 .96
1
e6 prom1 1.07 1.43
.81
1 1.03
e7 prom2 .65
1.39 thang tien
1
e8 prom3 .83
.95 .67
1 1.00
e9.52 prom4 .60
1 .52
e10 cow1 1.04 1.23
.61
1 .71
.87
e11 cow2 dong nghiep
.71 .97
1 .39
e12.78 cow3 1.00 .97
.41
1
e13 pay4 1.14 1.34 1.02
.71
1 .41
e14 pay5 luong thuong
1.77 1.14 1.00
1
.73
e15.05 ben4 1.00 .47
1 2.40
1.10
e16 ben2
.40 bao hiem .62 .62
1
e171.01 ben3 1.00
1
e18 work1 .88 1.59 .45 1.03
.78 .34
1
e19 work2 cong viec
.93 .95
1
e20.83 work3 1.00 .94
1
e21 loy1 1.00 1.62
1.68
1
e22 loy2 trung thanh
1.15 .99
1
e23 loy3 1.00

36
Kết quả dạng sơ đồ đã chuẩn hoá
Hình 3.24
.63
e1 sup3
.39 .79 Chi-square= 403.140 ; df= 209 ; P= .000 ;
e2 sup4 .62 Chi-square/df = 1.929 ;
.64
.80 GFI= .858 ; TLI = .909 ; CFI = .925 ;
e3 sup5 lanh dao RMSEA= .068
.56
e4 sup6 .75
.58
.76
e5 sup7 .58 .66
e6 prom1 .76
.65
.81
e7 prom2 .48
.41 thang tien
e8 prom3
.60 .64 .48
.78
e9 prom4.72 .45
.28
e10 cow1 .85
.66
.51
.57
e11 cow2 dong nghiep
.63 .81
.21
e12 cow3 .69 .80 .63
.32
e13 pay4 .83 .67
.71
.24
e14 pay5 luong thuong
.43 .84 .66
.52
e15 ben4 .98 .66 .26
.99
e16 ben2
.86 .43 .44
bao hiem
e17 ben3 .55 .93
.23
e18 work1 .74 .70
.65
.17
e19 work2 cong viec
.63 .80
e20 work3 .66 .79 .59
e21 loy1 .81
.48
e22 loy2 trung thanh
.58 .70
e23 loy3 .76

37
 Kết quả dạng các bảng số liệu

Chọn nút , cửa số Amos Output sẽ xuất hiện

Hình 3.25

Nhấp vào các mục tương ứng bên trái của cửa số Output, bạn sẽ xem các kết quả khác nhau:

Regression Weights: (Group number 1 - Default model) – Bảng các trọng số chưa chuẩn hoá

Estimate S.E. C.R. P Label

sup7 <--- lanhdao 1.000
sup6 <--- lanhdao .895 .085 10.533 ***
sup5 <--- lanhdao .919 .082 11.273 ***
sup4 <--- lanhdao .654 .076 8.637 ***
sup3 <--- lanhdao .917 .082 11.192 ***
prom4 <--- thangtien 1.000
prom3 <--- thangtien .826 .093 8.890 ***
prom2 <--- thangtien 1.030 .091 11.360 ***
prom1 <--- thangtien 1.075 .100 10.735 ***
cow1 <--- dongnghiep 1.037 .087 11.968 ***
cow3 <--- dongnghiep 1.000
cow2 <--- dongnghiep .974 .084 11.619 ***
pay4 <--- luong_thuong 1.138 .122 9.353 ***
ben4 <--- luong_thuong 1.000
pay5 <--- luong_thuong 1.141 .121 9.411 ***
work1 <--- congviec .881 .086 10.224 ***

38
 Estimate S.E. C.R. P Label
work3 <--- congviec 1.000
work2 <--- congviec .952 .086 11.012 ***
ben3 <--- baohiem 1.000
ben2 <--- baohiem 1.096 .101 10.804 ***
loy1 <--- trungthanh .999 .093 10.774 ***
loy3 <--- trungthanh 1.000
loy2 <--- trungthanh .985 .106 9.338 ***

Standardized Regression Weights: (Group number 1 - Default model)

Estimate
Các trọng số (đã chuẩn hoá)
sup7 <--- lanhdao .762
này cần > 0.5 để thang đo có
sup6 <--- lanhdao .750 thể đạt được giá trị hội tụ.
sup5 <--- lanhdao .799 Trường hợp biến quan sát nào
sup4 <--- lanhdao .625 có trọng số <0.5 thì bạn lần
sup3 <--- lanhdao .793 lượt loại ra.
prom4 <--- thangtien .776
prom3 <--- thangtien .643
prom2 <--- thangtien .808
prom1 <--- thangtien .764
cow1 <--- dongnghiep .846
cow3 <--- dongnghiep .795
cow2 <--- dongnghiep .811
pay4 <--- luong_thuong .830
ben4 <--- luong_thuong .656
pay5 <--- luong_thuong .843
work1 <--- congviec .740
work3 <--- congviec .793
work2 <--- congviec .805
ben3 <--- baohiem .925
ben2 <--- baohiem .992
loy1 <--- trungthanh .812
loy3 <--- trungthanh .764
loy2 <--- trungthanh .695

Covariances: (Group number 1 - Default model) Hiệp phương sai

Estimate S.E. C.R. P Label

lanhdao <--> thangtien .961 .158 6.070 ***
lanhdao <--> dongnghiep .646 .130 4.974 ***
lanhdao <--> luong_thuong .671 .143 4.686 ***
lanhdao <--> baohiem .519 .158 3.287 .001
lanhdao <--> congviec .875 .158 5.542 ***

39
 Estimate S.E. C.R. P Label
lanhdao <--> trungthanh .970 .168 5.791 ***
thangtien <--> dongnghiep .602 .127 4.745 ***
thangtien <--> luong_thuong .707 .145 4.873 ***
thangtien <--> baohiem .389 .152 2.561 .010
thangtien <--> congviec 1.017 .166 6.136 ***
thangtien <--> trungthanh 1.002 .168 5.948 ***
dongnghiep <--> luong_thuong .408 .118 3.466 ***
dongnghiep <--> baohiem .408 .141 2.886 .004
dongnghiep <--> congviec .729 .139 5.237 ***
dongnghiep <--> trungthanh .618 .136 4.536 ***
luong_thuong <--> baohiem .470 .154 3.058 .002
luong_thuong <--> congviec .621 .145 4.287 ***
luong_thuong <--> trungthanh 1.029 .179 5.735 ***
congviec <--> baohiem .454 .163 2.784 .005
baohiem <--> trungthanh .338 .162 2.085 .037
congviec <--> trungthanh .941 .170 5.528 ***

Correlations: (Group number 1 - Default model) Hệ số tương quan

Estimate
lanhdao <--> thangtien .661
lanhdao <--> dongnghiep .480
lanhdao <--> luong_thuong .478
lanhdao <--> baohiem .276
lanhdao <--> congviec .572
lanhdao <--> trungthanh .628
thangtien <--> dongnghiep .454
thangtien <--> luong_thuong .511
thangtien <--> baohiem .210
thangtien <--> congviec .675
thangtien <--> trungthanh .658
dongnghiep <--> luong_thuong .318
dongnghiep <--> baohiem .238
dongnghiep <--> congviec .523
dongnghiep <--> trungthanh .439
luong_thuong <--> baohiem .262
luong_thuong <--> congviec .426
luong_thuong <--> trungthanh .699
congviec <--> baohiem .233
baohiem <--> trungthanh .171
congviec <--> trungthanh .588

40
 Variances: (Group number 1 - Default model) Phương sai

Estimate S.E. C.R. P Label

lanhdao 1.476 .243 6.068 ***
thangtien 1.431 .232 6.158 ***
dongnghiep 1.227 .194 6.336 ***
luong_thuong 1.337 .274 4.879 ***
congviec 1.586 .255 6.228 ***
baohiem 2.402 .349 6.888 ***
trungthanh 1.619 .273 5.932 ***
e5 1.066 .131 8.165 ***
e4 .920 .111 8.297 ***
e3 .707 .092 7.660 ***
e2 .985 .108 9.147 ***
e1 .730 .094 7.746 ***
e9 .947 .123 7.683 ***
e8 1.388 .156 8.926 ***
e7 .807 .113 7.120 ***
e6 1.177 .150 7.849 ***
e12 .713 .099 7.167 ***
e11 .607 .089 6.816 ***
e10 .525 .089 5.873 ***
e15 1.765 .202 8.718 ***
e14 .706 .126 5.601 ***
e13 .781 .130 5.988 ***
e17 .403 .214 1.885 .059
e16 .049 .253 .194 .847
e20 .934 .136 6.855 ***
e19 .781 .118 6.599 ***
e18 1.014 .130 7.775 ***
e23 1.154 .155 7.456 ***
e22 1.680 .202 8.325 ***
e21 .834 .129 6.481 ***

41
Squared Multiple Correlations: (Group number 1 - Default model) thường gọi là R2

Estimate
loy1 .659
loy2 .483
loy3 .584
work1 .548
work2 .648
work3 .629
ben2 .983
ben3 .856
pay4 .689
pay5 .711
ben4 .431
cow1 .715
cow2 .657
cow3 .632
prom1 .584
prom2 .653
prom3 .413
prom4 .602
sup3 .629
sup4 .390
sup5 .638
sup6 .562
sup7 .581

CMIN

Model NPAR CMIN DF P CMIN/DF

Default model 67 403.140 209 .000 1.929
Saturated model 276 .000 0
Independence model 23 2831.904 253 .000 11.193

RMR, GFI

Model RMR GFI AGFI PGFI

Default model .142 .858 .813 .650
Saturated model .000 1.000
Independence model .812 .262 .195 .240

42
Baseline Comparisons

NFI RFI IFI TLI

Model CFI
Delta1 rho1 Delta2 rho2
Default model .858 .828 .926 .909 .925
Saturated model 1.000 1.000 1.000
Independence model .000 .000 .000 .000 .000

RMSEA

Model RMSEA LO 90 HI 90 PCLOSE

Default model .068 .058 .078 .002
Independence model .226 .219 .234 .000

Bạn hãy dựa vào các kết quả trên và đánh giá về mô hình đo lường?

Mức độ phù hợp chung?

- Chi-square/df = 1.93 (<2); TLI = 0.909 ; CFI=0.925; RMSEA=0.068 (<0.08) nên có thể nói
là mô hình phù hợp với dữ liệu thị trường.

Tuy nhiên, có 1 số chỉ tiêu chưa đạt, theo bạn cải thiện các chỉ tiêu này bằng cách nào?

Giá trị hội tụ?

- Các trọng số (chuẩn hoá) đều > 0.5 và các trọng số (chưa chuẩn hoá) đều có ý nghĩa thống
kê nên các khái niệm đạt được giá trị hội tụ.

Tính đơn nguyên?

Mô hình này đo lường này phù hợp với dữ liệu thị trường, và không có tương quan giữa các
sai số đo lường nên nó đạt được tính đơn nguyên.

43
Độ tin cậy?
Áp dụng công thức và tính Độ tin cậy tổng hợp? Tổng phương sai trích? Và dễ nhất là sử
dụng Cronbach’s Alpha

Bạn còn nhớ thao tác trên SPSS?

Analyze\ Scale\ Reliability Analysis

Hình 3.26

Ví dụ: Với thang đo lãnh đạo

Reliability Statistics Hệ số Cronbach’s Alpha = 0.86 (>0.6) và

Các hệ số tương quan biến – tổng đều > 0.3
Cronbach's N of Items nên thang đo “lãnh đạo” đạt được độ tin cậy
Alpha

.860 5

Item-Total Statistics

Cronbach's
Scale Mean if Scale Variance if Corrected Item- Alpha if Item
Item Deleted Item Deleted Total Correlation Deleted

sup3 20.31 21.391 .728 .819

sup4 19.70 24.163 .563 .858

sup5 20.06 21.343 .736 .817

sup6 19.80 21.340 .699 .826

sup7 20.44 20.529 .674 .835

44
Với thang đo thăng tiến

Bạn có nhận xét gì?

Reliability Statistics

Cronbach's
Alpha N of Items

.835 4

Item-Total Statistics

Cronbach's
Scale Mean if Scale Variance if Corrected Item- Alpha if Item
Item Deleted Item Deleted Total Correlation Deleted

prom1 13.57 14.758 .696 .778

prom2 13.73 15.726 .707 .774

prom3 13.11 16.826 .587 .825

prom4 13.29 15.897 .677 .787

Và tương tự với thang đo cho các khái niệm khác

45
Độ tin cậy tổng hợp, tổng phương sai trích? bạn hãy tính bằng Excel

Bạn hãy tính độ tin cậy tổng hợp, tổng phương sai trích cho các khái niệm khác nhé!

46
Giá trị phân biệt?

Cách dễ nhất là hệ số tương quan giữa các khái niệm thành phần của một khái niệm lớn phải
<0.9 thì mới đạt được giá trị phân biệt.

Một cách khác, cẩn thận hơn, bạn kiểm định xem hệ số tương quan có khác biệt so với 1 hay
không (làm bằng Excel)

n=200 TINV(0.05,198) 1.972

Correlations: (Group number 1 - Default model)
SE= CR=
r SQRT((1-r2)/(n-2)) (1-r)/SE P-value
Estimate
lanhdao <--> thangtien 0.661 0.053 6.36 0.000
lanhdao <--> dongnghiep 0.48 0.062 8.34 0.000
lanhdao <--> luong_thuong 0.478 0.062 8.36 0.000
lanhdao <--> baohiem 0.276 0.068 10.60 0.000
lanhdao <--> congviec 0.572 0.058 7.34 0.000
lanhdao <--> trungthanh 0.628 0.055 6.73 0.000
thangtien <--> dongnghiep 0.454 0.063 8.62 0.000
thangtien <--> luong_thuong 0.511 0.061 8.00 0.000
thangtien <--> baohiem 0.21 0.069 11.37 0.000
thangtien <--> congviec 0.675 0.052 6.20 0.000
thangtien <--> trungthanh 0.658 0.054 6.39 0.000
dongnghiep <--> luong_thuong 0.318 0.067 10.12 0.000
dongnghiep <--> baohiem 0.238 0.069 11.04 0.000
dongnghiep <--> congviec 0.523 0.061 7.87 0.000
dongnghiep <--> trungthanh 0.439 0.064 8.79 0.000
luong_thuong <--> baohiem 0.262 0.069 10.76 0.000
luong_thuong <--> congviec 0.426 0.064 8.93 0.000
luong_thuong <--> trungthanh 0.699 0.051 5.92 0.000
congviec <--> baohiem 0.233 0.069 11.10 0.000
baohiem <--> trungthanh 0.171 0.070 11.84 0.000
congviec <--> trungthanh 0.588 0.057 7.17 0.000

Hàm tính P-value trong Excel ở trên là TDIST(|CR|, n-2, 2)

Bạn sẽ thấy P-value đều <0.05 nên Hệ số tương quan của từng cặp khái niệm khác biệt so với
1 ở độ tin cậy 95% (Mà là hệ số tương quan thì bạn có thể suy ra tiếp rằng nó < 1). Do đó,
các khái niệm đạt được giá trị phân biệt.

47
4. MÔ HÌNH CẤU TRÚC (SEM)
Anh chị hãy lưu lại file trên với 1 tên khác, ví dụ là SEM JDI Loy 1.amw

Sau đó vẽ lại sơ đồ như sau. Chú ý elip của khái niệm trung thành có 1 sai số e24 (bạn có thể
ký hiệu khác, ví dụ là z1 cũng được). Mỗi một biến phụ thuộc trong mô hình cấu trúc phải có
1 sai số.
Hình 4.1
1
e1 sup3
1
e2 sup4
1
e3 sup5 lanh dao
1
e4 sup6
1 1
e5 sup7
1
e6 prom1
1
e7 prom2 e23 e22 e21
thang tien 1 1 1
1
e8 prom3
1 1 loy3 loy2 loy1
e9 prom4
1
e10 cow1 1
1
e11 cow2 dong nghiep trung thanh
1
e12 cow3 1 1
1
e13 pay4
1 e24
e14 pay5 luong thuong
1
e15 ben4 1
1
e16 ben2
1 bao hiem
e17 ben3 1
1
e18 work1
1
e19 work2 cong viec
1
e20 work3 1

Tính toán bằng cách bấm vào nút , bạn sẽ có kết quả

48
Hình 4.2
.63
e1 sup3
.39 .79 Chi-square= \chi-square ; df= 209 ; P= .000 ;
e2 sup4 .62 Chi-square/df = 1.929 ;
.64
.80 GFI= .858 ; TLI = .909 ; CFI = .925 ;
e3 sup5 lanh dao RMSEA= .068
.56
e4 sup6 .75
.58
.76
e5 sup7 .58 .66
e6 prom1 .76
.65
.20
.81 e23 e22 e21
e7 prom2 .48
.41 thang tien
e8 prom3 .58 .48 .66
.60 .64 .48
.78 .19 loy3 loy2 loy1
e9 prom4.72 .45
.81
.28 .70
e10 cow1 .85 .76 .66
.66
.51.06
.67 .57
e11 cow2 dong nghiep trung thanh
.63 .81
.21
e12 cow3 .69 .80
.32 .45
e13 pay4 .83 -.09
.71
.24 .14 e24
e14 pay5 luong thuong
.43 .84
.52
e15 ben4 .98 .66 .26
.99
e16 ben2
.86 .43
bao hiem
e17 ben3 .55 .93
.23
e18 work1 .74
.65
e19 work2 cong viec
.63 .80
e20 work3 .79

Nghiên cứu của Dung & Nam (2005) chỉ ra rằng các thành phần của sự thoả mãn của nhân
viên với công việc ảnh hưởng đến lòng trung thành, và điều này cũng được kiểm định bởi
nhiều tác giả khác như Yousef(2000), Schepker (2001), Jernigan & ctg (20002). Vì vậy, mô
hình nghiên cứu của bạn dự định có thể như Hình 4.1 và kết quả ước lượng lần đầu tiên như
Hình 4.2

49
 Kết quả dạng bảng số liệu

Regression Weights: (Group number 1 - Default model) Đồng nghiệp không có ý

nghĩa thống kê ở độ tin
Estimate S.E. C.R. P Label
cậy 90% vì P-value >0.1
trungthanh <--- lanhdao .212 .101 2.096 .036
trungthanh <--- thangtien .204 .119 1.713 .087
trungthanh <--- dongnghiep .068 .090 .755 .450
trungthanh <--- luong_thuong .495 .099 4.983 ***
trungthanh <--- baohiem -.073 .050 -1.470 .142
trungthanh <--- congviec .142 .104 1.372 .170

Khái niệm nào không có ý nghĩa thống kê ở độ tin cậy 90% ta sẽ loại lần lượt ra khỏi mô
hình. (Dĩ nhiên là để tìm được mô hình tốt, bạn có thể phải thử nhiều mô hình khác nhau)
Lưu lại file SEM JDI Loy 1.amw để giữ lại sơ đồ (khi cần, có thể sử dụng lại)
Lưu file SEM JDI Loy 1.amw với tên khác SEM JDI Loy 2.amw
…
Hình 4.3
.62 Chi-square= 188.523 ; df= 84 ; P= .000 ;
Chi-square/df = 2.244 ;
e1 sup3
.39 .79 GFI= .894 ; TLI = .912 ; CFI = .929 ;
RMSEA= .079
e2 sup4 .62
.64
.80
e3 sup5 lanh dao e23 e22 e21
.57
e4 sup6 .75 .57 .48 .67
.58
.76 .23 loy3 loy2 loy1
e5 sup7 .59 .66 .82
.70
e6 prom1 .77 .76 .64
.65
.81 .27
e7 prom2 trung thanh
.42 thang tien
e8 prom3
.59 .65
.77 .48
e9 prom4
e24
.52 .45

.67
e13 pay4 .82
.74
e14 pay5 luong thuong
.41 .86
e15 ben4 .64

50
 Regression Weights: (Group number 1 - Default model)
P-value của lãnh
đạo, thăng tiến,
Estimate S.E. C.R. P lương thưởng đều
trungthanh <--- lanhdao .241 .098 2.463 .014 <0.05. Nên các biến
trungthanh <--- thangtien .291 .106 2.748 .006 này đều thực sự ảnh
trungthanh <--- luong_thuong .496 .102 4.886 *** hưởng đến lòng
sup7 <--- lanhdao 1.000 trung thành
sup6 <--- lanhdao .898 .085 10.580 ***
sup5 <--- lanhdao .919 .082 11.271 ***
sup4 <--- lanhdao .648 .076 8.569 ***
sup3 <--- lanhdao .911 .082 11.126 *** Và, các trọng số chưa
prom4 <--- thangtien 1.000 chuẩn hoá mang dấu
prom3 <--- thangtien .844 .095 8.886 *** dương cũng cho thấy
prom2 <--- thangtien 1.039 .094 11.100 *** các biến lãnh đạo,
prom1 <--- thangtien 1.089 .103 10.571 *** thăng tiến, lương
pay4 <--- luong_thuong 1.146 .126 9.120 *** thưởng ảnh hưởng tỷ
ben4 <--- luong_thuong 1.000 lệ thuận đến trung
thành
pay5 <--- luong_thuong 1.186 .128 9.267 ***
loy2 <--- trungthanh .994 .108 9.245 ***
loy1 <--- trungthanh 1.014 .095 10.653 ***
loy3 <--- trungthanh 1.000

Standardized Regression Weights: (Group number 1 - Default model)

Estimate
trungthanh <--- lanhdao .232 - Các trọng số chuẩn hoá đều
trungthanh <--- thangtien .273 dương, nên các biến lãnh đạo, thăng
trungthanh <--- luong_thuong .446 tiến, lương thưởng ảnh hưởng thuận
sup7 <--- lanhdao .763 chiều đến trung thành
sup6 <--- lanhdao .754 - lương thưởng tác động mạnh nhất
sup5 <--- lanhdao .800 đến lòng trung thành vì trị tuyệt đối
sup4 <--- lanhdao .621 của trọng số chuẩn hoá là 0.446,
lớn nhất trong 3 số 0.446, 0.273,
sup3 <--- lanhdao .790
0.232.
prom4 <--- thangtien .769
prom3 <--- thangtien .651
prom2 <--- thangtien .808
prom1 <--- thangtien .767
pay4 <--- luong_thuong .820
ben4 <--- luong_thuong .644
pay5 <--- luong_thuong .860
loy2 <--- trungthanh .696
loy1 <--- trungthanh .818
loy3 <--- trungthanh .758

51
 Squared Multiple Correlations: (Group number 1 - Default model)

Estimate
trungthanh .636

Modification Indices (Group number 1 - Default model)

Covariances: (Group number 1 - Default model)

M.I. Par Change Mô hình có Chi-square càng nhỏ càng

e22 <--> luong_thuong 4.741 .232 tốt. Cột MI gợi ý cho bạn xem nên móc
e22 <--> lanhdao 4.312 -.215 mũi tên hai đầu vào cặp sai số nào để
có thể cải thiện Chi-square. Nếu móc
e13 <--> thangtien 9.951 -.243
giữa e6 và e13 thì hiệp phương sai giữa
e15 <--> thangtien 6.609 .264 chúng sẽ là -0.33 và Chi-square sẽ
e6 <--> lanhdao 4.899 -.196 giảm một lượng là 13.166 so với Chi-
e6 <--> e13 13.166 -.330 square của mô hình ban đầu. Khi đó
e6 <--> e15 5.793 .290 GFI, TLI, CFI … cũng sẽ được cải
e7 <--> e6 7.529 .234 thiện. Khi thêm 1 tham số, nếu Chi-
e9 <--> lanhdao 5.466 .189 square giảm khoảng từ 4 trở lên thì gọi
e9 <--> e14 7.447 .217 là có sự thay đổi đáng kể. Bạn nên chọn
e9 <--> e7 6.705 -.202 những trường hợp mà có MI lớn để ưu
tiên móc trước. Sau đó, chạy lại mô
e1 <--> luong_thuong 10.649 -.238
hình, và xem nên móc tiếp giữa hai sai
e1 <--> thangtien 5.395 .160 số nào để tiếp tục cải thiện…
e1 <--> e22 5.827 -.229
e1 <--> e9 4.866 .164 Tuy nhiên, một mô hình không nên
e2 <--> luong_thuong 4.322 .164 móc quá nhiều mũi tên hai đầu giữa các
e2 <--> e7 6.723 -.198 cặp sai số!
e5 <--> luong_thuong 24.137 .421
e5 <--> e14 7.505 .223
e5 <--> e2 4.470 -.173

Bạn có nhận xét gì về mô hình trên?

- Mô hình ở Hình 4.3 có thể nói là phù hợp với dữ liệu thị trường vì Chi-square=2.24 (<3),
TLI=0.912, CFI=0.929 (>0.9); RMSEA=0.079 (<0.08). Tuy nhiên các chỉ tiêu này chưa phải
tốt lắm!

-Xem bảng Regression Weights, ta thấy cả ba khái niệm Lãnh đạo, thăng tiến, lương thưởng
đều ảnh hưởng thuận chiều đến trung thành và có ý nghĩa thống kê.

-Xem bảng Standardized Regression Weights, ta thấy các trọng số đã chuẩn hoá. Trị tuyệt đối
của các trọng số này càng lớn thì khái niệm độc lập tương ứng tác động càng mạnh đến khái
niệm phụ thuộc. Trường hợp này lương thưởng là yếu tố tác động mạnh nhất (trọng số hồi
quy đã chuẩn hoá bằng 0.446); Mạnh nhì là thăng tiên (trọng số hồi quy đã chuẩn hoá là
0.273) và cuối cùng là lãnh đạo (trọng số hồi quy đã chuẩn hoá là 0.232)

-Ba khái niệm Lãnh đạo, thăng tiến, lương thưởng giải thích được 63.6% biến thiên của trung
thành.

52
Làm sao để mô hình SEM tốt hơn?

- Dựa vào chỉ tiêu MI, bạn sẽ có thể cải thiện mô hình tốt hơn. Hãy xem mô hình ở Hình 4.4

Hình 4.4

.63 Chi-square= 164.976 ; df= 81 ; P= .000 ;

Chi-square/df = 2.037 ;
e1 sup3
.39 .79 GFI= .908 ; TLI = .927 ; CFI = .943 ;
RMSEA= .072
e2 sup4 .62
.64
.80
e3 sup5 lanh dao e23 e22 e21
.57
e4 sup6 .75 .58 .48 .66
.58
.76 .23 loy3 loy2 loy1
e5 sup7 .46 .68 .81
.70
e6 prom1 .68 .76 .63
.31 .63
.80 .28
e7 prom2 trung thanh
.41 thang tien
-.33 e8 prom3
.71 .64
.84 .48
e9 prom4
e24
.54 .44
-.20

.67
e13 pay4 .82
.75
e14 pay5 luong thuong
.40 .87
e15 ben4 .64

Bạn hãy thử so sánh các chỉ tiêu đánh giá mức độ phù hợp của mô hình ở Hình 4.3 và mô
hình ở Hình 4.4?

53