1. Mục đích kiểm định Model Fit trong CFA
Trong phân tích nhân tố khẳng định CFA, việc đánh giá độ phù hợp mô hình (model fit) là cực kỳ quan trọng. Các thang đo và các biến tiềm ẩn tạo thành một mô hình đo lường các khái niệm sử dụng trong nghiên cứu. Với một tập dữ liệu thu thập được, chúng ta cần kiểm định xem mô hình đo lường này với dữ liệu đầu vào có đạt được yêu cầu không. Các thang đo có đạt được yêu cầu của một thang đo tốt không. Biến quan sát nào không đóng góp vào mô hình không. Việc này chúng ta cần sử dụng đến phân tích nhân tố khẳng định CFA.
2. Các chỉ số đo lường Model Fit
Có rất nhiều bảng, nhiều thông số, nhưng chúng ta sẽ chỉ chú ý tới những giá trị quan trọng. Ngưỡng chấp nhận chỉ số độ phù hợp mô hình Model Fit có những tiêu chí chung nhưng cũng có nhiều tiêu chí riêng tùy theo công trình nghiên cứu của các tác giả khác nhau. Do vậy, khi tra ngưỡng chấp nhận các chỉ số của Model Fit, bạn cần dẫn nguồn cụ thể là ngưỡng đó lấy từ tác giả nào. Dưới đây là 2 công trình nghiên cứu được trích dẫn nguồn phổ biến nhất hiện nay:
– Theo Hu & Bentler (1999), Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives, Structural Equation Modeling các chỉ số được xem xét để đánh giá Model Fit gồm:
- CMIN/df ≤ 3 là tốt, CMIN/df ≤ 5 là chấp nhận được
- CFI ≥ 0.9 là tốt, CFI ≥ 0.95 là rất tốt, CFI ≥ 0.8 là chấp nhận được
- GFI ≥ 0.9 là tốt, GFI ≥ 0.95 là rất tốt (chỉ số này bạn cần đọc thêm phần lưu ý cuối bài viết)
- RMSEA ≤ 0.06 là tốt, RMSEA ≤ 0.08 là chấp nhận được
- PCLOSE ≥ 0.05 là tốt, PCLOSE ≥ 0.01 là chấp nhận được
– Theo Hair et al. (2010), Multivariate Data Analysis, 7th edition các chỉ số được xem xét để đánh giá Model Fit gồm:
- CMIN/df ≤ 2 là tốt, CMIN/df ≤ 5 là chấp nhận được
- CFI ≥ 0.9 là tốt, CFI ≥ 0.95 là rất tốt, CFI ≥ 0.8 là chấp nhận được
- GFI ≥ 0.9 là tốt, GFI ≥ 0.95 là rất tốt
- RMSEA ≤ 0.08 là tốt, RMSEA ≤ 0.03 là rất tốt
** Thông tin thêm: Cả Hair et al. (2010) và Hu & Bentler (1999) đều đồng ý rằng các ngưỡng chấp nhận chỉ số Model Fit trong CFA sẽ khác nhau dựa trên cỡ mẫu, số nhóm nhân tố, số biến quan sát,… Và cả 2 nghiên cứu cũng đều đưa ra cỡ mẫu N = 250 là điểm phân cách ngưỡng chấp nhận. Tuy nhiên, để tránh sự rối rắm, khó hiểu, các tác giả đã đưa ra ngưỡng chung có thể áp dụng cho nhiều trường hợp. Với Hair et al. (2010), các tác giả chia 2 trường hợp nhỏ, còn với Hu & Bentler (1999) cho tất cả các trường hợp.
3. Trường hợp riêng của GFI lớn hơn 0.8 và nhỏ hơn 0.9
Một số đề tài do sự giới hạn về cỡ mẫu nên trị số GFI khó đạt được mức 0.9 bởi chỉ số này phụ thuộc rất nhiều vào số thang đo, số biến quan sát và cỡ mẫu. Chính vì sự phụ thuộc đáng kể bởi số lượng biến quan sát, số lượng cấu trúc nhóm, cỡ mẫu mà GFI trở lên ít được đưa vào đánh giá độ phù hợp mô hình trong những năm gần đây, thậm chí là được khuyến cáo không nên sử dụng (Kline, 2005; Sharma et al., 2005).
Nếu bạn bắt buộc phải đánh giá chỉ số này trong bài luận, nhưng ngưỡng của nó dưới 0.9, bạn có thể chấp nhận ngưỡng 0.8 theo 2 công trình nghiên cứu của Baumgartner and Homburg (1995) và của Doll, Xia, and Torkzadeh (1994). Nguồn trích dẫn:
1. Baumgartner, H., Homburg, C.: Applications of Structural Equation Modeling in Marketing and Consumer Research: a review. International Journal of Research in Marketing 13(2), 139-161 (1996)
2. Doll, W.J., Xia, W., Torkzadeh, G.: A confirmatory factor analysis of the end-user computing satisfaction instrument, MIS Quarterly 18(4), 357–369 (1994)
Với các trường hợp các chỉ số không đạt được các ngưỡng chấp nhận, để tăng độ phù hợp mô hình Model Fit trong CFA, chúng ta thường dùng mũi tên 2 chiều Covariance trong AMOS để nối các sai số có chỉ số MI (Modification Indices) cao trong cùng một thang đo lại với nhau. Điều này sẽ giúp giảm Chi-square và cải thiện các chỉ số Model Fit. Tuy nhiên, không nên lạm dụng nối quá nhiều các sai số sẽ dẫn đến những sai lệch về tính chính xác của dữ liệu.
Sau khi xem xét các chỉ số Model Fit, chúng ta sẽ tiếp tục đánh giá Reliability và các Validity để xem xét độ tin cậy, tính hội tụ, phân biệt, tính đơn hướng của dữ liệu. Mời bạn tiếp tục xem bài viết Kiểm định tính hội tụ, tính phân biệt và sự tin cậy trong phân tích CFA.
