Phim Mỹ

[phim my][bleft]

Phim ấn độ

[phim an do][grids]

Phim hài

[phim hai][twocolumns]

Phim hàn quốc

[phim han quoc][bsummary]

Seo wordpress

[wordpress][bsummary]

Tự học amos - Các chỉ tiêu đánh giá trong phân tích nhân tố khẳng định CFA trên Amos làm luận văn

Bài viết liên quan: Đi đây đó
Xin chào anh/chị, tiếp nối chuỗi bài viết hướng dẫn tự học amos làm luận văn cao học, tôi xin giới thiệu đến các anh/chị cách chạy phân tích nhân tố khẳng định trong CFA và các chỉ tiêu cần đánh giá và đạt được trong khi chạy phân tích nhân tố khẳng định.
Tu hoc spss, phan tich nhan to khang dinh, cfa, phan mem amos
Tự học spss - phân tích nhân tố khẳng định CFA trong amos
Phân tích nhân tố khẳng định (CFA):  là một trong các kỹ thuật thống kê của mô hình cấu trúc tuyến tính (SEM), CFA cho chúng ta kiểm định các biến quan sát (measured variables) đại diện cho các nhân tố (constructs) tốt đến mức nào. CFA là bước tiếp theo của EFA vì CFA chỉ sử dụng thích hợp khi nhà nghiên cứu có sẵn một số kiến thức về cấu trúc tiềm ẩn cơ sở, trong đó mối quan hệ hay giả thuyết (có được từ lý thuyết hay thực nghiệm) giữa biến quan sát và nhân tố cơ sở thì được nhà nghiên cứu mặc nhiên thừa nhận trước khi tiến hành kiểm định thống kê. Phương pháp CFA được sử dụng để khẳng định lại tính đơn biến, đa biến, giá trị hội tụ và phân biệt của bộ thang đo trong đề tài nghiên cứu 



Để đo lường mức độ phù hợp của mô hình với thông tin thị trường, nghiên cứu này sử dụng chỉ tiêu Chi – bình phương . Một mô hình phù hợp với dữ liệu thị trường khi phép kiểm định Chi – bình phương có giá trị p >5%. Tuy nhiên vì Chi – bình phương có nhược điểm là nó phụ thuộc vào kích thước mẫu vì vậy một số chỉ tiêu tương thích khác sẽ được sử dụng để so sánh.
+) Tỷ số Chi-Square/bậc tự do: χ2 / df: Được dùng để đo mức độ phù hợp một cách chi tiết hơn của cả mô hình. Một số tác giả đề nghị 1 < χ2/df < 3 (Hair et al., 1998); một số khác đề nghị χ2 càng nhỏ càng tốt (Segar & Grover, 1993). Ngoài ra, trong một số nghiên cứu thực tế người ta phân biệt ra 2 trường hợp: χ2/df < 5 (với mẫu N > 200) hay < 3 (khi cỡ mẫu N < 200) thì mô hình được xem là phù hợp tốt (Kettinger & Lee, 1995).
+) Các chỉ số liên quan khác
GFI, AGFI, CFI, NFI, … có giá trị > 0,9 được xem là mô hình phù hợp tốt. Nếu các giá trị này bằng 1, ta nói mô hình là hoàn hảo (Segar & Grover, 1993). Trong đó GFI: đo độ phù hợp tuyệt đối (không điều chỉnh bậc tự do) của mô hình cấu trúc và mô hình đo lường với bộ dữ liệu khảo sát; AGFI: điều chỉnh giá trị GFI theo bậc tự do trong mô hình.  NFI: đo sự khác biệt phân bố chuẩn của χ2 giữa mô hình độc lập (đơn nhân tố, có các hệ số bằng 0) với phép đo phương sai và mô hình đa nhân tố.
Với giả thuyết Mo: Mô hình gốc;              Mn: Mô hình phù hợp 
Giá trị đề nghị NFI > 0.9 (Hair et al., 1998).
RMR: một mặt đánh giá phương sai phần dư của biến quan sát, mặt khác đánh giá tương quan phần dư của một biến quan sát này với tương quan phần dư của một biến quan sát khác, giá trị RMR càng lớn nghĩa là phương sai phần dư càng cao, nó phản ánh một mô hình có độ phù hợp không tốt.
 RMSEA: là một chỉ tiêu quan trọng, nó xác định mức độ phù hợp của mô hình so với tổng thể. Trong tạp chí nghiên cứu IS, các tác giả cho rằng chỉ số RMSEA yêu cầu < 0,05 thì mô hình phù hợp tốt. Trong một số trường hợp giá trị này < 0,08 mô hình được chấp nhận (Taylor et al., 1993).
Các chỉ tiêu đánh giá gồm (1) tính đơn hướng, (2) giá trị hội tụ, (3) giá trị phân biệt và (4) các giá trị liên hệ lý thuyết. Các chỉ tiêu từ 1 đến 3 được xác định trong mô hình thang đo tới hạn. Giá trị liên hệ lý thuyết được đánh giá trong mô hình lý thuyết.
loading...
l

Không có nhận xét nào: