SEM Model là gì? Tổng quan mô hình phương trình cấu trúc

SEM Model (Structural Equation Modeling) là phương pháp phân tích thống kê hiện đại, được sử dụng để kiểm định đồng thời mối quan hệ giữa các biến trong mô hình nghiên cứu. Nhờ khả năng kết hợp phân tích nhân tố và hồi quy, SEM giúp đánh giá giả thuyết một cách toàn diện và chính xác. 

Trong bài viết này, VietGuru sẽ giúp bạn hiểu rõ mô hình SEM là gì, nguyên lý hoạt động, quy trình phân tích và ứng dụng của mô hình phương trình cấu trúc. Cùng theo dõi nhé!

1. SEM model là gì?

SEM Model hay mô hình phương trình cấu trúc là phương pháp phân tích thống kê đa biến, được sử dụng để kiểm định đồng thời các mối quan hệ giữa nhiều biến trong một mô hình nghiên cứu. Đây là kỹ thuật được ứng dụng phổ biến trong các lĩnh vực như kinh tế, quản trị, marketing, giáo dục và khoa học xã hội.

Điểm khác biệt của SEM Model so với các phương pháp truyền thống là khả năng phân tích cả biến quan sát và biến tiềm ẩn, đồng thời đánh giá mức độ phù hợp giữa mô hình lý thuyết với dữ liệu thực tế. Nhờ đó, nhà nghiên cứu có thể kiểm định giả thuyết một cách toàn diện và có độ tin cậy cao.

Về bản chất, SEM là sự kết hợp của phân tích nhân tố khẳng định (CFA) và mô hình hồi quy cấu trúc, cho phép vừa đánh giá chất lượng thang đo, vừa kiểm định các mối quan hệ nhân quả giữa các biến trong cùng một quy trình phân tích.

SEM model là gì?

Xem thêm: Công trình khoa học

2. Cấu trúc của SEM model

Để hiểu cách SEM Model hoạt động, trước hết cần nắm rõ hai thành phần cốt lõi tạo nên mô hình. Mỗi thành phần sẽ đảm nhiệm một vai trò riêng nhưng chúng liên kết chặt chẽ, giúp nhà nghiên cứu vừa đánh giá độ tin cậy của thang đo, vừa kiểm định các giả thuyết nghiên cứu. 

2.1. Mô hình đo lường (Measurement Model)

Mô hình đo lường dùng để xác định mối quan hệ giữa biến tiềm ẩn và các biến quan sát. Mục tiêu chính là kiểm tra xem các chỉ báo có thực sự phản ánh đúng khái niệm cần đo lường hay không.

Trong SEM, mô hình đo lường thường được đánh giá thông qua phân tích nhân tố khẳng định (CFA) với các tiêu chí như:

• Độ tin cậy của thang đo.
• Giá trị hội tụ.
• Giá trị phân biệt.
• Mức độ phù hợp của mô hình.

Nếu mô hình đo lường đạt yêu cầu, nhà nghiên cứu có thể yên tâm rằng dữ liệu đủ độ tin cậy để tiếp tục kiểm định các mối quan hệ giữa các biến trong bước tiếp theo.

2.2. Mô hình cấu trúc (Structural Model)

Sau khi xác nhận chất lượng thang đo, mô hình cấu trúc được sử dụng để kiểm định các mối quan hệ nhân quả giữa các biến tiềm ẩn theo giả thuyết nghiên cứu.

Ở giai đoạn này, SEM sẽ phân tích:

• Mức độ tác động của biến độc lập lên biến phụ thuộc.
• Hướng tác động (tích cực hay tiêu cực).
• Ý nghĩa thống kê của giả thuyết.
• Mức độ giải thích của mô hình đối với biến kết quả.

Mô hình cấu trúc (Structural Model)

Kết quả từ mô hình cấu trúc giúp nhà nghiên cứu xác định giả thuyết nào được chấp nhận hoặc bác bỏ, đồng thời đánh giá mức độ phù hợp của mô hình lý thuyết với dữ liệu thực tế. Đây cũng là cơ sở quan trọng để đưa ra các kết luận và đề xuất có giá trị trong nghiên cứu.

Xem thêm: Phương pháp chọn mẫu phi xác suất

3. Phân tích mô hình SEM trong SPSS và AMOS

Để phân tích SEM Model, nhà nghiên cứu thường kết hợp SPSS và AMOS trong cùng một quy trình. Trong đó, SPSS được sử dụng để xử lý và kiểm tra dữ liệu trước khi phân tích, còn AMOS đảm nhiệm việc xây dựng, kiểm định và đánh giá mô hình phương trình cấu trúc. Việc hiểu rõ vai trò của từng phần mềm sẽ giúp quá trình phân tích diễn ra chính xác và hiệu quả hơn.

3.1. Vai trò của SPSS trong phân tích SEM

SPSS không trực tiếp chạy mô hình SEM nhưng là bước chuẩn bị dữ liệu không thể thiếu trước khi chuyển sang AMOS. Một bộ dữ liệu được xử lý tốt sẽ giúp kết quả phân tích SEM có độ tin cậy cao và hạn chế sai sót trong quá trình kiểm định.

SPSS được sử dụng để:

• Làm sạch dữ liệu, xử lý giá trị thiếu và phát hiện ngoại lệ.
• Thống kê mô tả các biến nghiên cứu.
• Kiểm định độ tin cậy thang đo bằng Cronbach’s Alpha.
• Phân tích nhân tố khám phá (EFA) khi xây dựng thang đo.
• Kiểm tra tương quan và các giả định cần thiết trước khi xây dựng SEM model.

Sau khi hoàn thành các bước trên, dữ liệu sẽ được lưu dưới định dạng .sav và nhập vào AMOS để tiếp tục phân tích.

3.2. Chạy mô hình SEM trên AMOS

AMOS là phần mềm chuyên dụng để xây dựng và kiểm định mô hình phương trình cấu trúc. Quy trình phân tích SEM trên AMOS thường gồm các bước sau:

Bước 1: Nhập dữ liệu từ SPSS

Mở AMOS, chọn Select Data File và tải tệp dữ liệu .sav đã xử lý trong SPSS. Sau khi kết nối thành công, AMOS sẽ sử dụng dữ liệu này để thực hiện các phép phân tích.

Bước 2: Thiết lập phân tích

Chọn Analysis Properties và thiết lập các tùy chọn đầu ra cần thiết như:

• Standardized Estimates: Hiển thị hệ số hồi quy chuẩn hóa.
• Squared Multiple Correlations (R²): Cho biết mức độ giải thích của mô hình đối với biến phụ thuộc.
• Residual Moments: Hiển thị phần dư của mô hình.
• Modification Indices (MI): Gợi ý các điều chỉnh có thể giúp cải thiện độ phù hợp của mô hình.

Bước 3: Chạy mô hình SEM

Nhấn Calculate Estimates để bắt đầu phân tích. Sau khi hoàn tất, chọn View Text để xem toàn bộ kết quả hoặc quan sát các chỉ số trực tiếp trên sơ đồ mô hình.

Chạy mô hình SEM trên AMOS

Bước 4: Đánh giá độ phù hợp của mô hình (Model Fit)

Sau khi chạy SEM, cần kiểm tra các chỉ số đánh giá mức độ phù hợp của mô hình, bao gồm:

• Chi-square (χ²) và p-value: Đánh giá sự khác biệt giữa mô hình lý thuyết và dữ liệu thực tế.
• RMSEA: Giá trị càng nhỏ càng tốt, thông thường RMSEA ≤ 0.08 được xem là đạt.
• CFI, TLI, GFI: Các chỉ số nên đạt từ 0.90 trở lên để mô hình được đánh giá có độ phù hợp tốt.

Bước 5: Điều chỉnh và kiểm định lại mô hình

Nếu các chỉ số chưa đạt yêu cầu, có thể tham khảo Modification Indices (MI) để điều chỉnh mô hình, chẳng hạn loại bỏ biến quan sát không phù hợp hoặc bổ sung mối tương quan giữa các sai số khi có cơ sở lý thuyết. 

Sau mỗi lần điều chỉnh, cần chạy lại mô hình và đánh giá lại các chỉ số Model Fit cho đến khi mô hình đạt tiêu chuẩn và có thể sử dụng để kiểm định các giả thuyết nghiên cứu.

Xem thêm: Cách đặt câu hỏi nghiên cứu khoa học

4. Các chỉ số đánh giá độ phù hợp của SEM model

Sau khi chạy SEM model trên AMOS, bước quan trọng tiếp theo là đánh giá độ phù hợp của mô hình (Model Fit). Đây là quá trình xác định xem mô hình lý thuyết có phản ánh tốt dữ liệu thực tế hay không. Một mô hình chỉ được xem là đáng tin cậy khi các chỉ số đánh giá đạt ngưỡng khuyến nghị. Dưới đây là những chỉ số quan trọng mà hầu hết các nghiên cứu và luận văn đều sử dụng.

Chi-square (χ²) và p-value

Chi-square (χ²) đo lường mức độ khác biệt giữa mô hình nghiên cứu và dữ liệu thực tế.

• p-value > 0.05: Mô hình phù hợp với dữ liệu.
• p-value < 0.05: Mô hình chưa đạt độ phù hợp.

Tuy nhiên, chỉ số Chi-square khá nhạy với kích thước mẫu. Khi số lượng quan sát lớn, kết quả dễ bị ảnh hưởng, vì vậy cần kết hợp đánh giá với các chỉ số khác thay vì chỉ dựa vào χ².

Chi-square/df (CMIN/DF)

CMIN/DF là tỷ lệ giữa giá trị Chi-square và bậc tự do (Degrees of Freedom – df), giúp giảm ảnh hưởng của kích thước mẫu khi đánh giá mô hình.

Mức đánh giá thường dùng:

• CMIN/DF ≤ 3: Mô hình có độ phù hợp tốt.
• CMIN/DF > 5: Mô hình chưa phù hợp và cần xem xét điều chỉnh.

Đây là một trong những chỉ số được sử dụng phổ biến nhất khi đánh giá SEM.

RMSEA (Root Mean Square Error of Approximation)

RMSEA phản ánh mức sai số xấp xỉ giữa mô hình và dữ liệu tổng thể. Giá trị RMSEA càng nhỏ thì mô hình càng phù hợp.

Thông thường:

• RMSEA ≤ 0.05: Mô hình rất tốt.
• 0.05 < RMSEA ≤ 0.08: Mô hình đạt yêu cầu.
• RMSEA > 0.08: Mô hình chưa phù hợp.

Các chỉ số đánh giá độ phù hợp của SEM model

GFI và AGFI

GFI (Goodness of Fit Index) và AGFI (Adjusted Goodness of Fit Index) đánh giá mức độ phù hợp tổng thể của mô hình.

Ngưỡng tham khảo gồm:

• GFI > 0.90: Mô hình phù hợp.
• AGFI > 0.85: Mô hình được chấp nhận.

Hai chỉ số này thường được sử dụng để bổ sung cho các chỉ số Model Fit khác.

CFI và TLI

CFI (Comparative Fit Index) và TLI (Tucker-Lewis Index) là hai chỉ số so sánh mức độ phù hợp của mô hình nghiên cứu với mô hình độc lập.

Ngưỡng đánh giá phổ biến:

• CFI > 0.90: Mô hình có độ phù hợp tốt.
• TLI > 0.90: Mô hình đạt yêu cầu.

Giá trị của CFI và TLI càng tiến gần 1 thì mô hình càng phản ánh tốt dữ liệu thực tế.

Xem thêm: Conceptual framework

5. Ưu điểm và hạn chế của SEM model

SEM model được đánh giá là một trong những phương pháp phân tích dữ liệu mạnh mẽ nhất hiện nay nhờ khả năng kiểm định các mối quan hệ phức tạp trong cùng một mô hình. Tuy nhiên, cũng như bất kỳ phương pháp thống kê nào, SEM model có cả ưu điểm và những hạn chế nhất định. Hiểu rõ hai khía cạnh này sẽ giúp nhà nghiên cứu lựa chọn và áp dụng mô hình một cách phù hợp.

Ưu điểm của SEM Model

SEM Model sở hữu nhiều ưu điểm vượt trội so với các phương pháp thống kê truyền thống như hồi quy tuyến tính hay phân tích nhân tố riêng lẻ.

• Kiểm định nhiều mối quan hệ cùng lúc: SEM cho phép phân tích và kiểm định đồng thời nhiều giả thuyết nhân quả trong một mô hình, giúp tiết kiệm thời gian và phản ánh đầy đủ mối quan hệ giữa các biến.
• Phân tích cả biến quan sát và biến tiềm ẩn: Không chỉ làm việc với các biến có thể đo lường trực tiếp, SEM model còn xử lý được các biến tiềm ẩn thông qua hệ thống chỉ báo, phù hợp với các nghiên cứu về hành vi, nhận thức hay sự hài lòng.
• Đánh giá toàn diện mô hình nghiên cứu: SEM không chỉ kiểm định từng giả thuyết mà còn đánh giá mức độ phù hợp của toàn bộ mô hình với dữ liệu thực tế thông qua các chỉ số Model Fit như CFI, TLI hay RMSEA.
• Kết hợp nhiều phương pháp phân tích: SEM model tích hợp phân tích nhân tố khẳng định (CFA) và mô hình hồi quy cấu trúc trong cùng một quy trình, giúp vừa đánh giá chất lượng thang đo vừa kiểm định các mối quan hệ giữa các biến.
• Hỗ trợ cải thiện mô hình: Thông qua các chỉ số như Modification Indices (MI), SEM model giúp nhà nghiên cứu phát hiện những điểm chưa phù hợp và điều chỉnh mô hình khi có cơ sở lý thuyết, từ đó nâng cao độ tin cậy của kết quả.

Ưu điểm và hạn chế của SEM model

Hạn chế của SEM Model

Bên cạnh nhiều ưu điểm, SEM model cũng có một số hạn chế cần lưu ý trong quá trình nghiên cứu.

• Yêu cầu cỡ mẫu tương đối lớn để đảm bảo kết quả phân tích ổn định và đáng tin cậy.
• Đòi hỏi dữ liệu đáp ứng các giả định thống kê như phân phối chuẩn và chất lượng thang đo.
• Việc xây dựng mô hình và diễn giải kết quả khá phức tạp, yêu cầu người nghiên cứu có kiến thức về thống kê và phương pháp nghiên cứu.
• Quá trình điều chỉnh mô hình cần dựa trên cơ sở lý thuyết, không nên chỉ thực hiện để cải thiện các chỉ số Model Fit.
• Cần sử dụng các phần mềm chuyên dụng như AMOS, SmartPLS, LISREL hoặc Mplus để thực hiện phân tích.

6. Lời kết

Nếu bạn đang gặp khó khăn trong quá trình phân tích dữ liệu bằng AMOS, dịch vụ chạy AMOS chuyên nghiệp của VietGuru sẽ đồng hành cùng bạn. Chúng tôi sẽ hỗ trợ bạn từ khâu xử lý dữ liệu, chạy mô hình đến giải thích kết quả đúng chuẩn. Đảm bảo mô hình có độ tin cậy cao và đáp ứng yêu cầu của hội đồng đánh giá.

Hy vọng bài viết trên đã giúp bạn hiểu rõ SEM Model là gì, cấu trúc, cách phân tích cũng như các chỉ số đánh giá độ phù hợp của mô hình. Việc nắm vững mô hình SEM không chỉ giúp kiểm định giả thuyết một cách khoa học mà còn nâng cao chất lượng và độ tin cậy của nghiên cứu. Chúc bạn thực hành tốt!