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.
100 trang |
Chia sẻ: leddyking34 | Lượt xem: 17269 | Lượt tải: 1
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:
- Hướng 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