Bài giảng Thực hành mô hình cấu trúc tuyến tính SEM với phần mềm AMOS

Để đánh giá độtin cậy của các ước lượng, trong các phương pháp nghiên cứu định lượng

bằng phương pháp lấy mẫu, thông thường chúng ta phải chia mẫu ra làm hai mẫu con. Một

nửa dùng để ước lượng các tham sốmô hình, và một nửa dùng để đánh giá lại. Cách khác là

lặp lại nghiên cứu bằng một mẫu khác. Hai cách trên đây thường không thực tếvì phương

pháp cấu trúc thường đòi hỏi mẫu lớn nên việc làm này tốn kém nhiều thời gian và chi phí

(Anderson & Gerbing, 1988)1. Trong những trường hợp nhưvậy thì Bootstrap là phương

pháp phù hợp đểthay thế(Schumacker & Lomax, 2006). Bootstrap là phương pháp lấy mẫu

lặp lại có thay thế, trong đó mẫu ban đầu đóng vai trò là đám đông.

Ví dụ, từ đám đông (mẫu ban đầu) có 200 quan sát. Với dữliệu của mẫu ban đầu, ta sẽtính

toán được các ước lượng (các trọng sốhồi quy ) như ởmục 4. Trong Bootstrap, máy tính sẽ

chọn ra những mẫu khác ví dụ500 mẫu khác chẳng hạn theo phương pháp lặp lại, và có thay

thế. Và mỗi một mẫu lặp lại có thểcó cùng sốquan sát với sốquan sát ban đầu: 200. Và theo

bạn nhưvậy thì trong một mẫu mà Bootstrap chọn ra, có khi nào có 2 hay nhiều quan sát

trùng nhau không? Dĩnhiên là hoàn toàn có thểcó điều đó xảy ra. Và từ500 mẫu này có thể

tính được trung bình của các ước lượng (các trọng sốhồi quy ). Hiệu sốgiữa trung bình các

ước lượng từBootstrap và các ước lượng ban đầu gọi là độchệch. Trịtuyệt đối các độchệch

này càng nhỏ, càng không có ý nghĩa thống kê càng tốt.

pdf100 trang | Chia sẻ: leddyking34 | Lượt xem: 17255 | Lượt tải: 1download
Bạn đang xem trước 20 trang tài liệu Bài giảng Thực hành mô hình cấu trúc tuyến tính SEM với phần mềm AMOS, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
19 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 Đồng nghiệp không có ý nghĩa thống kê ở độ tin cậy 90% vì P-value >0.1 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 lanh dao .58 sup7e5 .76 .57 sup6e4 .75 .64 sup5e3 .80 .39 sup4e2 .62 .62 sup3e1 .79 thang tien .59 prom4e9 .42 prom3e8 .65 prom2e7 .59 prom1e6 .77 .65 .81 .77 luong thuong .41 ben4e15 .74 pay5e14 .67 pay4e13 .82 .64 .86 .64 trung thanh .57 loy3 e23 .48 loy2 e22 .67 loy1 e21 .70 Chi-square= 188.523 ; df= 84 ; P= .000 ; Chi-square/df = 2.244 ; GFI= .894 ; TLI = .912 ; CFI = .929 ; RMSEA= .079 .82 .76 e24 .66 .52 .45 .23 .48 .27 50 Regression Weights: (Group number 1 - Default model) Estimate S.E. C.R. P trungthanh <--- lanhdao .241 .098 2.463 .014 trungthanh <--- thangtien .291 .106 2.748 .006 trungthanh <--- luong_thuong .496 .102 4.886 *** sup7 <--- lanhdao 1.000 sup6 <--- lanhdao .898 .085 10.580 *** sup5 <--- lanhdao .919 .082 11.271 *** sup4 <--- lanhdao .648 .076 8.569 *** sup3 <--- lanhdao .911 .082 11.126 *** prom4 <--- thangtien 1.000 prom3 <--- thangtien .844 .095 8.886 *** prom2 <--- thangtien 1.039 .094 11.100 *** prom1 <--- thangtien 1.089 .103 10.571 *** pay4 <--- luong_thuong 1.146 .126 9.120 *** ben4 <--- luong_thuong 1.000 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 P-value của lãnh đạo, thăng tiến, lương thưởng đều <0.05. Nên các biến này đều thực sự ảnh hưởng đến lòng trung thành Và, các trọng số chưa chuẩn hoá mang dấu dương cũng cho thấy các biến lãnh đạo, thăng tiến, lương thưởng ảnh hưởng tỷ lệ thuận đến trung thành Standardized Regression Weights: (Group number 1 - Default model) Estimate trungthanh <--- lanhdao .232 trungthanh <--- thangtien .273 trungthanh <--- luong_thuong .446 sup7 <--- lanhdao .763 sup6 <--- lanhdao .754 sup5 <--- lanhdao .800 sup4 <--- lanhdao .621 sup3 <--- lanhdao .790 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 - Các trọng số chuẩn hoá đều dương, nên các biến lãnh đạo, thăng tiến, lương thưởng ảnh hưởng thuận chiều đến trung thành - lương thưởng tác động mạnh nhất đến lòng trung thành vì trị tuyệt đối của trọng số chuẩn hoá là 0.446, lớn nhất trong 3 số 0.446, 0.273, 0.232. 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 e22 luong_thuong 4.741 .232 e22 lanhdao 4.312 -.215 e13 thangtien 9.951 -.243 e15 thangtien 6.609 .264 e6 lanhdao 4.899 -.196 e6 e13 13.166 -.330 e6 e15 5.793 .290 e7 e6 7.529 .234 e9 lanhdao 5.466 .189 e9 e14 7.447 .217 e9 e7 6.705 -.202 e1 luong_thuong 10.649 -.238 e1 thangtien 5.395 .160 e1 e22 5.827 -.229 e1 e9 4.866 .164 e2 luong_thuong 4.322 .164 e2 e7 6.723 -.198 e5 luong_thuong 24.137 .421 e5 e14 7.505 .223 e5 e2 4.470 -.173 Mô hình có Chi-square càng nhỏ càng tốt. Cột MI gợi ý cho bạn xem nên móc mũi tên hai đầu vào cặp sai số nào để có thể cải thiện Chi-square. Nếu móc giữa e6 và e13 thì hiệp phương sai giữa chúng sẽ là -0.33 và Chi-square sẽ giảm một lượng là 13.166 so với Chi- square của mô hình ban đầu. Khi đó GFI, TLI, CFI … cũng sẽ được cải thiện. Khi thêm 1 tham số, nếu Chi- square giảm khoảng từ 4 trở lên thì gọi là có sự thay đổi đáng kể. Bạn nên chọn những trường hợp mà có MI lớn để ưu tiên móc trước. Sau đó, chạy lại mô hình, và xem nên móc tiếp giữa hai sai số nào để tiếp tục cải thiện… Tuy nhiên, một mô hình không nên móc quá nhiều mũi tên hai đầu giữa các cặp sai số! 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 lanh dao .58 sup7e5 .76 .57 sup6e4 .75 .64 sup5e3 .80 .39 sup4e2 .62 .63 sup3e1 .79 thang tien .71 prom4e9 .41 prom3e8 .63 prom2e7 .46 prom1e6 .84 .64 .80 .68 luong thuong .40 ben4e15 .75 pay5e14 .67 pay4e13 .82 .64 .87 .63 trung thanh .58 loy3 e23 .48 loy2 e22 .66 loy1 e21 .70 Chi-square= 164.976 ; df= 81 ; P= .000 ; Chi-square/df = 2.037 ; GFI= .908 ; TLI = .927 ; CFI = .943 ; RMSEA= .072 .81 .76 e24 .68 .54 .44 .23 .48 .28 .31 -.33 -.20 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 5. KIỂM ĐỊNH BOOTSTRAP Các hệ số hồi quy trong mô hình ở mục 4 có được ước lượng tốt không? Làm sao đánh giá được mức độ tin cậy của các ước lượng trong mô hình nghiên cứu? Để đánh giá độ tin cậy của các ước lượng, trong các phương pháp nghiên cứu định lượng bằng phương pháp lấy mẫu, thông thường chúng ta phải chia mẫu ra làm hai mẫu con. Một nửa dùng để ước lượng các tham số mô hình, và một nửa dùng để đánh giá lại. Cách khác là lặp lại nghiên cứu bằng một mẫu khác. Hai cách trên đây thường không thực tế vì phương pháp cấu trúc thường đòi hỏi mẫu lớn nên việc làm này tốn kém nhiều thời gian và chi phí (Anderson & Gerbing, 1988) 1. Trong những trường hợp như vậy thì Bootstrap là phương pháp phù hợp để thay thế (Schumacker & Lomax, 2006). Bootstrap là phương pháp lấy mẫu lặp lại có thay thế, trong đó mẫu ban đầu đóng vai trò là đám đông. Ví dụ, từ đám đông (mẫu ban đầu) có 200 quan sát. Với dữ liệu của mẫu ban đầu, ta sẽ tính toán được các ước lượng (các trọng số hồi quy…) như ở mục 4. Trong Bootstrap, máy tính sẽ chọn ra những mẫu khác ví dụ 500 mẫu khác chẳng hạn theo phương pháp lặp lại, và có thay thế. Và mỗi một mẫu lặp lại có thể có cùng số quan sát với số quan sát ban đầu: 200. Và theo bạn như vậy thì trong một mẫu mà Bootstrap chọn ra, có khi nào có 2 hay nhiều quan sát trùng nhau không? Dĩ nhiên là hoàn toàn có thể có điều đó xảy ra. Và từ 500 mẫu này có thể tính được trung bình của các ước lượng (các trọng số hồi quy…). Hiệu số giữa trung bình các ước lượng từ Bootstrap và các ước lượng ban đầu gọi là độ chệch. Trị tuyệt đối các độ chệch này càng nhỏ, càng không có ý nghĩa thống kê càng tốt. Khai báo tính toán Bootstrap? View\ Analysis Properties Hình 5.1 Chọn nút để tính toán. Bây giờ, ngoài các ước lượng bình thường, sẽ có thêm các ước lượng bằng Bootstrap 1 Trích từ Thọ & Trang (2008, 56) 54 Hình 5.2 Hình5.3 Khi đang chọn chuột tại Standardized Regression Weights, bạn hãy nhấp chuột vào mục Bootstrap standard errors. 55 Sẽ có kết quả như Hình 5.4 Hình 5. 4 Parameter Estimate SE SE-SE Mean Bias SE- Bias CR trungthanh <- luong_thuong 0.436 0.105 0.003 0.432 -0.004 0.005 -0.800 trungthanh <- lanhdao 0.229 0.125 0.004 0.236 0.007 0.006 1.167 trungthanh <- thangtien 0.278 0.132 0.004 0.274 -0.004 0.006 -0.667 Cột Estimate cho thấy ước lượng bình thường với phương pháp ML, Các cột còn lại được tính từ phương pháp Bootstrap. Cột Mean cho ta trung bình các ước lượng Bootstrap. Bias (độ chệnh) bằng cột Mean trừ cột Estimate. Cột CR tự tính bằng Excel bằng cách lấy cột Mean chia cho cột SE-Bias. Trị tuyệt đối CR rất nhỏ so với 2 nên có thể nói là độ chệch là rất nhỏ, không có ý nghĩa thống kê ở độ tin cậy 95%. Và như vậy, ta có thể kết luận là các ước lượng trong mô hình (như Hình 4.4) có thể tin cậy được. 56 6. PHÂN TÍCH CẤU TRÚC ĐA NHÓM Giả sử bạn muốn xem xét sự ảnh hưởng giữa lãnh đạo, thăng tiến, lương thưởng đến lòng trung thành có khác biệt giữa nhóm nhân viên nam và nhân viên nữ hay không thì phải làm thế nào? Ta sẽ thực hiện phân tích cấu trúc đa nhóm Quản lý các nhóm? Bạn đang mở file SEM phan tich da nhom jdi loy mh1.amw Hình 6.1 Nếu bạn chọn File\Data file thì sẽ thấy như Hình 6.2. Hình 6.2 này cho thấy file dữ liệu sử dụng trong phân tích là khao sat nhan vien.sav, và toàn bộ các quan sát đang được tổ chức thành 1 nhóm. Bạn muốn tách thành 2 nhóm là nhóm nam, và nhóm nữ. Click chuột vào nút Grouping Variable Æ Chọn biến gioitinh 57 Hình 6.2 Hình 6.3 58 Hình 6.4 Sau khi chọn xong biến trong mục Grouping Variable, Nhấp tiếp nút Group Value để xác định giá trị phân nhóm. Chọn mã 1 (tương ứng với nhóm Nam) và OK Hình 6.5 Cửa sổ thể hiện tên các nhóm. Có một khung nhỏ thể hiện các nhóm. Và bây giờ mới chỉ có nhóm 1. Với tên là Group number 1. 59 Đổi tên Group, tạo Group mới? Chọn Analyze\Manage Group Æ Hộp thoại như Hình 6.7 xuất hiện. Bạn có thể thay đổi chữ Group number thành chữ nhom nam. Sau đó bấm New để tạo nhóm mới tên là nhom nu. Hình 6.6 Hình 6.7 Hình 6.8 Đưa dữ liệu đầu vào cho Nhom nu? Hãy làm lại thao tác File\Data files Bạn sẽ thấy có sẵn tên “Nhom nu” ở mục group name; Chọn Nhom nu. Sau đó xác định File Name cho nhóm này, xác định biến phân nhóm là gioitinh, và giá trị phân nhóm là 2 (Hình 6.9) 60 Hình 6.9 Æ Chọn OK Đưa vào Title để ghi chú các mô hình trong phân tích đa nhóm? Chọn Nút , rê chuột đến vị trí thích hợp Gõ vào các dòng Macro như Hình 6.10 Hình 6.10 61 Bạn hãy thử nhấp vào tên các nhóm tương ứng trong cửa sổ thể hiện tên nhóm. Sơ đồ đường dẫn ở bên phải sẽ hiện ra tương ứng. Và sau này kết quả nếu được tính toán cũng sẽ được hiện ra tương ứng với nhóm mà bạn chọn. (Xem Hình 6.11) Hình 6.11 Nhấp vào tên nhóm tương ứng 62 Hình 6.12 lanh dao sup7e5 11 sup6e4 1 sup5e3 1 sup4e2 1 sup3e1 1 thang tien prom4e9 prom3e8 prom2e7 prom1e6 11 1 1 1 luong thuong ben4e15 pay5e14 pay4e13 1 1 1 1 trung thanh loy3 e23 loy2 e22 loy1 e21 1 1 1 1 e24 1 Phan tich da nhom Nhom nu Model Specification 63 Hình 6.13 lanh dao sup7e5 11 sup6e4 1 sup5e3 1 sup4e2 1 sup3e1 1 thang tien prom4e9 prom3e8 prom2e7 prom1e6 11 1 1 1 luong thuong ben4e15 pay5e14 pay4e13 1 1 1 1 trung thanh loy3 e23 loy2 e22 loy1 e21 1 1 1 1 e24 1 Phan tich da nhom Nhom nam Model Specification Phương pháp chung trong phân tích cấu trúc đa nhóm là gì? Phương pháp phân tích cấu trúc đa nhóm để so sánh mô hình nghiên cứu theo các nhóm nào đó của một biến định tính. Chẳng hạn như: bạn có thể so sánh mô hình thể hiện tác động của lãnh đạo, thăng tiến, lương thưởng đến lòng trung thành theo nhóm giới tính (nam/ nữ), theo nhóm độ tuổi (nhóm trẻ / không trẻ), nhóm ngành (tài chính ngân hàng/ không phải tài chính ngân hàng) … Trong ví dụ đang xét, so sánh mô hình nghiên cứu giữa nhóm nam và nhóm nữ. Đầu tiên người ta sẽ làm 2 mô hình: Mô hình khả biến, và mô hình bất biến (từng phần). Trong mô hình khả biến, các tham số ước lượng trong từng mô hình của các nhóm không bị ràng buộc (Xem Hình 6.14). Trong mô hình bất biến, thành phần đo lường không bị ràng buộc nhưng các mối quan hệ giữa các khái niệm trong mô hình nghiên cứu được ràng buộc có giá trị như nhau cho tất cả các nhóm (Xem Hình 6.15) 64 Hình 6.14 Mô hình khả biến lanh dao thang tien luong thuong trung thanh lanh dao thang tien luong thuong trung thanh Nhóm Nam Nhóm Nữ β1Nữβ1Nam β2Nữ β 2Nam β 3Nam β3Nữ Hình 6.15 Mô hình bất biến lanh dao thang tien luong thuong trung thanh lanh dao thang tien luong thuong trung thanh Nhóm Nam Nhóm Nữ β1Nữ = β1Namβ1Nam β2Nữ = β2Namβ 2Nam β 3Nam Β3Nữ = β3Nam Kiểm định Chi-square được sử dụng để so sánh giữa 2 mô hình. Nếu kiểm định Chi-square cho thấy giữa mô hình bất biến và mô hình khả biến không có sự khác biệt (P-value > 0.05) thì mô hình bất biến sẽ được chọn (có bậc tự do cao hơn). Ngược lại, nếu sự khác biệt Chi- square là có ý nghĩa giữa hai mô hình (P-value<0.05) thì chọn mô hình khả biến (có độ tương thích cao hơn). (Xem Thọ & Trang, 2008, 208). Bây giờ chúng ta bắt đầu ước lượng mô hình khả biến, mô hình bất biến, và so sánh giữa 2 mô hình. Bước 1. Ước lượng mô hình khả biến Files sơ đồ đường dẫn mà bạn đang mở là Sem phan tich da nhom jdi loy mh1.amw Dữ liệu mà bạn sử dụng cho nó cũng đã được tách thành hai nhóm Nhóm nam, và Nhóm nữ. Hình 6.12, Hình 6.13 là 2 sơ đồ của nhóm nam và nhóm nữ thể hiện Mô hình khả biến 65 Trước khi tính toán, bạn hãy chọn Views\ Analysis Properties và đánh dấu chọn như sau trong tab Output. Tab Estimation bạn hãy để mặc định là phương pháp Maximum Likelihood, Tab Bootstrap bạn không cần đánh dấu chọn gì cả. Hình 6.16 Bạn chỉ cần nhấp nút là có thể tính toán. 66 Hình 6.17 1.52 lanh dao sup7 .86 e5 1.001 sup6 .98 e4 .77 1 sup5 .73 e3 .861 sup4 .93 e2 .74 1 sup3 .86 e1 .86 1 1.34 thang tien prom4 .81 e9 prom3 1.84 e8 prom2 .38 e7 prom1 1.41 e6 1.001 .83 1 1.211 1.04 1 1.96 luong thuong ben4 1.39 e15 pay5 .52 e14 pay4 .95 e13 1 1 1 .93 1.00 1.00 trung thanh loy3 1.45 e23 loy2 1.92 e22 loy1 1.03 e21 1 1 1 1.09 Chi-square= 275.655 ; df= 162 ; P= .000 ; Chi-square/df = 1.702 ; GFI= .859 ; TLI = .906 ; CFI = .927 ; RMSEA= .060 1.15 1.00 .44 e24 1 .90 .72 .38 .41 .87 .00 .08 -.15 Phan tich da nhom Nhom nam Unstandardized estimates .03 Hình 6.18 1.43 lanh dao sup7 1.26 e5 1.001 sup6 .76 e4 1.05 1 sup5 .70 e3 .961 sup4 .99 e2 .56 1 sup3 .57 e1 .98 1 2.03 thang tien prom4 .43 e9 prom3 .97 e8 prom2 .95 e7 prom1 1.58 e6 1.001 .69 1 .751 .78 1 .63 luong thuong ben4 2.19 e15 pay5 .52 e14 pay4 .82 e13 1 1 1 1.59 1.00 1.72 trung thanh loy3 .74 e23 loy2 1.45 e22 loy1 .60 e21 1 1 1 .89 Chi-square= 275.655 ; df= 162 ; P= .000 ; Chi-square/df = 1.702 ; GFI= .859 ; TLI = .906 ; CFI = .927 ; RMSEA= .060 .88 1.00 .67 e24 1 1.15 .74 .51 .09 .42 .55 .47 -.38 Phan tich da nhom Nhom nu Unstandardized estimates -.30 67 Chọn nút View Text để thể hiện cửa sổ Amos Output Hình 6.19 Hình 6.20 68 Bước 2. Ước lượng mô hình bất biến Bạn hãy lưu lại file sơ đồ Sem phan tich da nhom jdi loy mh1.amw. Sau đó lưu lại (Save as) với một tên khác Sem phan tich da nhom jdi loy mh2.amw Ta sẽ xây dựng mô hình bất biến (từng phần) Bấm nút để bắt đầu chọn đối tượng nào đó Chọn mũi tên 1 chiều từ khái niệm lãnh đạo hướng đến khái niệm trung thành, Click phải chuột, Chọn Object Properties (Hình 6.21) Hình 6.21 Hộp thoại Object Properties xuất hiện, Chọn thẻ Parameters. Nhấp Chữ Beta1 (bạn có thể nhập chữ khác cũng được) vào Ô Regression weight, và đánh dấu chọn All groups để ràng buộc hệ số đường dẫn trên mũi tên này bằng nhau ở nhóm nam và nhóm nữ và bằng Beta1. (Hình 6.22) Bạn hãy nhấp chuột tương tự vào các mũi tên từ thăng tiến đến trung thành, từ lương thưởng đến trung thành, và nhập Beta2, Beta3. (chú ý nhớ đánh dấu chọn All groups) Và bây giờ, Sơ đồ như Hình 6.23. Đó là mô hình bất biến 69 Hình 6.22 Hình 6.23 lanh dao sup7e5 11 sup6e4 1 sup5e3 1 sup4e2 1 sup3e1 1 thang tien prom4e9 prom3e8 prom2e7 prom1e6 11 1 1 1 luong thuong ben4e15 pay5e14 pay4e13 1 1 1 1 trung thanh loy3 e23 loy2 e22 loy1 e21 1 1 1 1 e24 1 Beta3 Beta1 Beta2 Phan tich da nhom Nhom nam Model Specification 70 Lưu lại file sơ đồ, nhấp nút là có thể tính toán. Kết quả như sau Hình 6.24 1.50 lanh dao sup7 .87 e5 1.001 sup6 .99 e4 .77 1 sup5 .73 e3 .861 sup4 .92 e2 .75 1 sup3 .84 e1 .87 1 1.11 thang tien prom4 .94 e9 prom3 1.73 e8 prom2 .57 e7 prom1 1.48 e6 1.001 .96 1 1.261 1.11 1 1.82 luong thuong ben4 1.44 e15 pay5 .53 e14 pay4 .92 e13 1 1 1 .96 1.00 1.04 trung thanh loy3 1.43 e23 loy2 1.97 e22 loy1 1.06 e21 1 1 1 .97 Chi-square= 285.837 ; df= 165 ; P= .000 ; Chi-square/df = 1.732 ; GFI= .854 ; TLI = .901 ; CFI = .923 ; RMSEA= .061 1.03 1.00 .55 e24 1 .85 .64 .44 .23 .83 .35 .20 -.01 Phan tich da nhom Nhom nam Unstandardized estimates .01 Hình 6.25 1.44 lanh dao sup7 1.26 e5 1.001 sup6 .75 e4 1.05 1 sup5 .70 e3 .961 sup4 .99 e2 .56 1 sup3 .58 e1 .97 1 2.15 thang tien prom4 .34 e9 prom3 1.00 e8 prom2 .94 e7 prom1 1.64 e6 1.001 .66 1 .721 .74 1 .80 luong thuong ben4 2.18 e15 pay5 .55 e14 pay4 .81 e13 1 1 1 1.41 1.00 1.52 trung thanh loy3 .78 e23 loy2 1.46 e22 loy1 .56 e21 1 1 1 .93 Chi-square= 285.837 ; df= 165 ; P= .000 ; Chi-square/df = 1.732 ; GFI= .854 ; TLI = .901 ; CFI = .923 ; RMSEA= .061 .93 1.00 .68 e24 1 1.18 .85 .44 .23 .47 .35 .47 -.42 Phan tich da nhom Nhom nu Unstandardized estimates -.29 71 Hình 6.26 Trọng số hồi quy trong mô hình bất biến của nhóm nam Hình 6.27 Trong Hình 6.24, 6.25; Hình 6.26, 6.27; bạn có thấy các hệ số Beta1, Beta2, Beta3 ở cả 2 nhóm nam va nữ đều bằng nhau không? Nhìn vào các kết quả tính toán dạng bảng số liệu, bạn có nhận định gì về mối quan hệ giữa lương thưởng, lãnh đạo, thăng tiến với trung thành? Các mối quan hệ này đều có ý nghĩa thống kê ở độ tin cậy 95%. 72 Bước 3. So sánh sự khác biệt giữa hai mô hình Bây giờ, bạn chọn mô hình khả biến, hay mô hình bất biến? Ta đi kiểm tra giả thuyết sau Ho: Chi-square của mô hình khả biến bằng Chi-square của mô hình bất biến H1: Có sự khác biệt về Chi-square giữa mô hình khả biến và mô hình bất biến Bạn hãy mở file Excel. Hình 6.28 Phần trên đã đề cập: Kiểm định Chi-square được sử dụng để so sánh giữa 2 mô hình. Nếu kiểm định Chi-square cho thấy giữa mô hình bất biến và mô hình khả biến không có sự khác biệt (P-value > 0.05) thì mô hình bất biến sẽ được chọn (có bậc tự do cao hơn). Ngược lại, nếu sự khác biệt Chi-square là có ý nghĩa giữa hai mô hình (P-value<0.05) thì chọn mô hình khả biến (có độ tương thích cao hơn). (Xem Thọ & Trang, 2008, 208). Như vậy, P-value = 0.017 (<0.05) nên bạn bác bỏ giả thuyết Ho. Chấp nhận H1. Nói cách khác là Có sự khác biệt về Chi-square giữa mô hình khả biến, và mô hình bất biến. Và bạn sẽ chọn mô hình khả biến. Khi chọn mô hình khả biến, ta có thể đưa ra kết luận là Có sự khác biệt trong mối ảnh hưởng giữa lãnh đạo, thăng tiến, lương thưởng đến lòng trung thành giữa nhóm nhân viên nam, và nhóm nhân viên nữ. Trong Hình 6.19, bạn thấy rằng với nhóm nam, yếu tố thăng tiến không tác động đến lòng trung thành vì P-value = 0.978 (>0.05). Nhưng với nhóm nữ (Hình 6.20) yếu tố thăng tiến lại tác động đến lòng trung thành (P-value<0.05). Ta cũng thấy rằng, với nhóm nam, yếu tố lãnh đạo có ảnh hưởng đến lòng trung thành (P-value=0.002), nhưng với nhóm nữ thì không (P- value=0.521). 73 LỜI KẾT SEM rất hữu ích cho các nghiên cứu thuộc lĩnh vực khoa học hành vi nói chung (nó cũng hữu ích với nhiều lĩnh vực khác), và AMOS cũng rất dễ sử dụng. SEM với AMOS không quá phức tạp khi bạn tiếp cận dưới góc độ ứng dụng. Nếu bạn đã hiểu được hồi quy trong kinh tế lượng truyền thống thì SEM cũng dễ dàng vậy thôi. Bài giảng này trình bày những vấn đề quan trọng nhất (nhiều người nghiên cứu thường sử dụng) trong thực hành SEM với AMOS, các vấn đề khác bạn có thể tự học thêm. Điều quan trọng hơn cả là hãy áp dụng SEM vào nghiên cứu của bạn, vào công việc của bạn sao cho hiệu quả (khi cần) Buổi học hôm nay là buổi học cuối của lớp bồi dưỡng cử nhân tài năng nên tôi muốn nói vài điều với các bạn. Qua sự gặp gỡ với các anh chị, các bạn cựu sinh viên, tôi hiểu rằng: dù nghề nghiệp sau này của bạn có là người làm nghiên cứu, là người hoạch định chính sách, là doanh nhân, là nhân viên ở các công ty/tổ chức… thì những điều bạn đã học trong lớp học này và trong các môn phương pháp nghiên cứu, phân tích dữ liệu và dự báo (mà các giảng viên của khoá học này có dịp tham gia hướng dẫn các bạn), …, những điều bạn đã trải nghiệm trong quá trình làm các đề tài NCKH sinh viên… luôn có ích với bạn. Làm NCKH sinh viên là dịp để bạn gắn lý thuyết với thực tế, tự học nhiều hơn, có động lực hơn trong học tập… Qua quá trình ấy bạn cũng trưởng thành hơn, cũng đạt được những điều mà bạn đang khát khao, đang muốn khám phá; và chắc chắn bạn sẽ có thêm những kỷ niệm thật đẹp của một thời sinh viên. Cũng đừng máy móc khi chỉ áp dụng các nghiên cứu định lượng, cũng đừng quá chủ quan khi đưa ra các quyết định chỉ dựa vào các nghiên cứu định lượng. Nghiên cứu của bạn có tham khảo các tạp chí quốc tế và đạt được được các chuẩn mực quốc tế trong nghiên cứu nhưng nó khó thể có sức sống, và những gợi ý chính sách hợp lý khi bạn không sâu sát, cọ xát với người dân, với doanh nghiệp, với thị trường, với các nhà hoạch định chính sách… và thiếu một cái tâm, một dũng khí của người làm nghiên cứu. Trong năm học này, năm tới, và sau này, các giảng viên chúng tôi luôn hy vọng các bạn sẽ là những động lực cho các ngành khoa học kinh tế-quản trị còn rất non trẻ và còn nhiều điều để khám phá ở Việt Nam. Bởi vì, chúng tôi đã thấy một nhóm sinh viên ở ngành thẩm định giá đang làm một đề tài về “Mô hình thẩm định giá trị tăng thêm của thương hiệu xanh”, về thẩm định giá các mỏ tài nguyên; một số bạn sinh viên ngành kế hoạch đầu tư đang khảo sát các doanh nghiệp và ước lượng vấn đề lá chắn thuế nhằm cung cấp dữ liệu đầu vào cho các công ty tư vấn dự án, những người thẩm định dự án; hay đề tài áp dụng mô hình TGARCH cho thị trường chứng khoán, thị trường vàng ở VN; một nhóm bạn ở lớp Thẩm định giá, bất động sản đang nghiên cứu về “Bong bóng” ở thị trường bất động sản VN … Nhiều thanh niên Trung Quốc (TQ) hiện nay đang có một phương châm là làm gì đó để người ta phải kính nể TQ, TQ phải là nước “bá chủ toàn cầu” hay tương tự như vậy! Trong dịp đi Sapa công tác, tiện ghé qua du lịch ở một địa phương ở bên kia biên giới TQ, anh hướng dẫn viên chỉ tôi một biểu trưng của Trung Quốc rất cao (chừng 15m) và giải thích đó là một bàn tay nắm lấy cả trái đất! Rất nhiều khách du lịch Việt Nam đến chụp hình bên cạnh biểu trưng ấy, còn một vài thầy giáo trong đoàn thì không, nhất quyết không! Bạn có biết người TQ muốn nói điều gì với thế giới qua biểu trưng ấy không? Tôi không biết điều suy nghĩ của nhiều thanh niên TQ (có thể xuất phát từ một số lãnh đạo TQ) có tốt hay không; nhưng tôi mong bạn có một tình yêu đất nước, yêu con người, yêu hoà bình chứ không muốn các bạn có những suy nghĩ dân tộc hẹp hòi, hay suy nghĩ rằng một dân tộc có thể giẫm chân lên các dân tộc khác như nhiều bạn thanh niên TQ ấy! Hãy làm điều gì đó có ích cho cả cộng đồng, cho con người nói chung và được nhiều bạn bè quốc tế yêu mến, quý trọng! Xin chân thành cảm ơn các bạn đã tham gia khoá học! Các thầy cô giáo chúng tôi cảm thấy rất vui, rất tự hào khi được trao đổi, hướng dẫn các bạn trong thời gian qua. Và chúng tôi cũng mong mỏi rằng các bạn sinh viên sẽ cảm thấy tự tin, tự hào khi đã từng học tập ở một trường đại học của Việt Nam (với các bạn, là Trường ĐH Kinh tế TPHCM) dù sau này bạn có học tập thêm, và làm việc ở bất cứ nơi đâu trên trái đất này. Chúc bạn thành công! 74 Tài liệu tham khảo Anderson, J.C & Gerbing, D.W (1988) “Structural Equation Modeling in practice: a review and recommended two-step approach”, Psychological Bulletin, 103 (3): 411-423 Arbuckle, J.L (2008), AMOS 16 User's Guide, SPSS Inc Albright, J.J (2006), Confirmatory Factor Analysis us

Các file đính kèm theo tài liệu này:

  • pdfHướng dẫn phân tích long trung thành khách hàng sử dụng spss và phần mềm Amos, Tài liệu cực rất cần thiết cho dạng đề tài nghiên cứu!!.pdf
Tài liệu liên quan