7 Tháng ba, 2026
Khi xây dựng mô hình SEM trên AMOS, nhiều người thường tập trung vào các mũi tên một chiều thể hiện quan hệ tác động, mà ít để ý đến mũi tên hai chiều (covariance). Tuy chỉ là một ký hiệu nhỏ trong sơ đồ, nhưng nó lại phản ánh mối tương quan giữa các biến và có thể ảnh hưởng đến cách diễn giải kết quả nghiên cứu.
Vậy mũi tên 2 chiều covariance trong AMOS có ý nghĩa gì và được sử dụng trong trường hợp nào? Bài viết này của VietGuru sẽ giúp bạn hiểu rõ hơn về vai trò của nó trong mô hình SEM.
1. Mũi tên 2 chiều covariance là gì?
Trong AMOS, mũi tên 2 chiều thường được gọi là covariance hay double-headed arrow. Đây là ký hiệu dùng để thể hiện mối tương quan hoặc hiệp phương sai giữa hai biến trong mô hình, thay vì mối quan hệ tác động nhân – quả như mũi tên một chiều. Nói đơn giản, khi hai biến được nối bằng mũi tên hai chiều, mô hình đang giả định rằng chúng có liên hệ với nhau nhưng không biến nào trực tiếp “gây ra” biến còn lại.
Trong thực hành SEM, mũi tên này thường xuất hiện giữa các biến đóng vai trò độc lập hoặc giữa các biến tiềm ẩn trong mô hình. Việc thêm mũi tên 2 chiều covariance giúp AMOS hiểu rằng các biến đó có thể cùng biến động hoặc có sự liên quan nhất định trong dữ liệu, và phần mềm sẽ ước lượng tham số tương quan này khi chạy mô hình. Nếu bỏ qua mối liên hệ đó, kết quả phân tích đôi khi không phản ánh đúng cấu trúc thực tế của dữ liệu.
Ngoài ra, mũi tên 2 chiều covariance cũng có thể được sử dụng giữa các sai số khi chỉ số hiệu chỉnh (Modification Indices – MI) cho thấy chúng có hiệp phương sai cao. Khi đó, việc thêm covariance giúp mô hình phù hợp với dữ liệu hơn, đặc biệt trong các trường hợp các biến quan sát có nội dung khá giống nhau hoặc bị chồng lấp.
Mũi tên 2 chiều covariance là gì?
Hiểu đúng ý nghĩa của mũi tên 2 chiều covariance không chỉ giúp bạn vẽ mô hình SEM chính xác hơn, mà còn tránh được những sai sót phổ biến khi diễn giải mối quan hệ giữa các biến trong AMOS.
Xem thêm: Cách đặt câu hỏi nghiên cứu khoa học
2. Mũi tên 2 chiều covariance trong AMOS dùng để làm gì?
Trong AMOS, mũi tên 2 chiều covariance được dùng để biểu thị mối tương quan (covariance) giữa hai biến trong mô hình. Khác với mũi tên một chiều thể hiện quan hệ tác động, ký hiệu này chỉ cho thấy hai biến có liên hệ với nhau về mặt thống kê, nhưng không hàm ý biến nào gây ra biến nào.
2.1. Biểu diễn mối tương quan giữa các biến độc lập (biến ngoại sinh)
Một trong những ứng dụng quen thuộc nhất của mũi tên 2 chiều covariance trong AMOS là nối các biến ngoại sinh (exogenous variables) với nhau.
Trong nhiều mô hình nghiên cứu, các biến độc lập hiếm khi tách biệt hoàn toàn. Ví dụ, trong nghiên cứu về hành vi khách hàng, các yếu tố như chất lượng dịch vụ, hình ảnh thương hiệu và sự tin cậy thường có xu hướng liên quan với nhau ở một mức độ nào đó. Chúng có thể cùng ảnh hưởng đến biến phụ thuộc, nhưng đồng thời bản thân chúng cũng có sự tương quan.
Khi đó, việc thêm mũi tên 2 chiều covariance giữa các biến ngoại sinh giúp mô hình phản ánh đúng thực tế dữ liệu hơn. Nếu bỏ qua mối liên hệ này, mô hình đôi khi sẽ trở nên thiếu tự nhiên hoặc kết quả ước lượng có thể bị sai lệch.
Xem thêm: Outlier là gì
2.2. Thể hiện mối quan hệ tương quan giữa các biến trong mô hình
Ngoài các biến độc lập, mũi tên 2 chiều covariance cũng được dùng để thể hiện sự tương quan giữa các thành phần khác trong mô hình, chẳng hạn như giữa các sai số (error terms) hoặc giữa các biến tiềm ẩn trong một số trường hợp nhất định.
Thể hiện mối quan hệ tương quan giữa các biến trong mô hình
Trong quá trình kiểm định mô hình SEM, đôi khi các chỉ số hiệu chỉnh (Modification Indices – MI) cho thấy hai sai số có xu hướng biến động cùng nhau. Điều này có thể xảy ra khi các biến quan sát có nội dung khá giống nhau, cùng chịu ảnh hưởng của một yếu tố chưa được đưa vào mô hình, hoặc đơn giản là do cách đặt câu hỏi trong bảng khảo sát.
Lúc đó, việc thêm mũi tên 2 chiều covariance giữa các sai số có thể giúp cải thiện độ phù hợp của mô hình (model fit). Tuy nhiên, những điều chỉnh này cần được cân nhắc dựa trên cơ sở lý thuyết, chứ không nên chỉ thêm vào để làm đẹp các chỉ số thống kê.
Hiểu đúng cách sử dụng mũi tên 2 chiều covariance sẽ giúp bạn xây dựng mô hình SEM hợp lý hơn, đồng thời tránh được những sai sót khi diễn giải kết quả phân tích.
Xem thêm: Conceptual framework
3. Mũi tên 2 chiều covariance AMOS nối các cặp sai số có MI cao
Trong AMOS có một chỉ số khá quen thuộc với những ai từng chạy SEM, đó là MI – Modification Indices (chỉ số hiệu chỉnh). Chỉ số này giúp bạn phát hiện những điểm chưa ổn trong mô hình. Khi MI quá cao, điều đó thường gợi ý rằng cấu trúc thang đo đang có vấn đề, có thể do các biến quan sát bị trùng lặp nội dung hoặc mô hình chưa phản ánh đúng mối liên hệ trong dữ liệu.
Trong bảng MI Covariances, AMOS sẽ gợi ý những cặp biến có khả năng tồn tại hiệp phương sai. Thực tế khi đọc bảng này, nhiều nhà nghiên cứu thường chú ý nhất đến các cặp sai số (error terms) thuộc cùng một thang đo, vì đây là nơi dễ phát sinh vấn đề nhất. Không có một quy chuẩn tuyệt đối cho việc MI bao nhiêu thì được xem là cao, nhưng trong nhiều nghiên cứu, mức trên 30 thường được dùng như một mốc để cân nhắc điều chỉnh mô hình.
Ví dụ:
- Trong kết quả MI Covariances, ta thấy cặp sai số e1 và e2 có MI lên tới 83.480 – một con số khá lớn. Hai sai số này lại gắn với các biến quan sát C2 và C5, vốn thuộc cùng thang đo C. Khi MI cao như vậy, AMOS đang ngầm “gợi ý” rằng hai sai số này có thể có hiệp phương sai với nhau.
- Nếu nối mũi tên 2 chiều covariance giữa e1 và e2, giá trị MI thường sẽ giảm và mô hình có xu hướng phù hợp hơn. Nguyên nhân phổ biến của tình huống này là do hai biến quan sát có nội dung khá giống nhau, dẫn đến dữ liệu bị chồng chéo.
Vì vậy, để cải thiện độ phù hợp của mô hình, ta có thể khai báo hiệp phương sai giữa e1 và e2 bằng cách nối mũi tên 2 chiều covariance giữa hai sai số này trong AMOS. Sau đó, chạy lại phân tích để xem các chỉ số thay đổi ra sao.
Mũi tên 2 chiều covariance AMOS nối các cặp sai số có MI cao
Trong một số trường hợp, sau khi điều chỉnh xong vẫn có thể xuất hiện thêm những cặp sai số khác có MI cao, đặc biệt là giữa các biến quan sát trong cùng thang đo. Khi đó, người nghiên cứu tiếp tục cân nhắc nối covariance giữa chúng và chạy lại mô hình. Quá trình này thường được lặp lại vài lần cho đến khi không còn chỉ số MI nào quá cao và mô hình đạt được mức độ phù hợp nhất.
Xem thêm: Lý thuyết nền trong nghiên cứu khoa học
4. Lời kết
Nếu bạn đang gặp khó khăn trong quá trình xây dựng mô hình SEM, xử lý dữ liệu hay diễn giải kết quả trên AMOS, việc tìm đến sự hỗ trợ uy tín sẽ giúp bạn tiết kiệm công sức và thời gian. VietGuru hiện cung cấp dịch vụ viết thuê luận văn uy tín dành cho sinh viên và học viên cao học. Đội ngũ chuyên môn của chúng tôi sẽ đồng hành với bạn từ khâu xây dựng mô hình nghiên cứu, xử lý SPSS/AMOS đến hoàn thiện bài viết học thuật, giúp bạn tự tin hơn khi thực hiện đề tài của mình.
Hy vọng qua bài viết này, bạn đã hiểu rõ mũi tên 2 chiều covariance trong AMOS là gì, khi nào nên sử dụng và ý nghĩa của nó trong mô hình SEM. Nắm được cách sử dụng đúng covariance không chỉ giúp mô hình phản ánh sát dữ liệu hơn mà còn hỗ trợ bạn diễn giải kết quả nghiên cứu một cách chính xác và thuyết phục.
Có thể bạn quan tâm: Viết thuê nghiên cứu khoa học
