Đọc thêm: Các chỉ số đánh giá Model Fit trên AMOS

This entry is part 23 of 23 in the series Mô hình SEM trên phần mềm AMOS

Mô hình SEM trên phần mềm AMOS

Cập nhật: 17/04/2024 bởi admin0

Kết quả phù hợp với mô hình trong AMOS bao gồm các chỉ số/tham số sau:

  • Chi-Square (CMIN)
  • Chỉ số độ vừa vặn (GFI)
  • So sánh cơ sở trong Model Fit
  • Các biện pháp điều chỉnh Parsimony
  • Tham số phi trung tâm (NCP)
  • Chỉ số phù hợp với mô hình (FMIN)
  • Lỗi bình phương trung bình gốc của xấp xỉ (RMSEA)
  • Tiêu chí thông tin Akaike (AIC)
  • Chỉ số xác thực chéo dự kiến ​​(ECVI)
  • Chỉ số Hoelter

Tiếp theo, chúng tôi sẽ lấy từng chỉ số ở trên, cung cấp một mô tả ngắn cho từng chỉ số và thêm một ví dụ phù hợp với mô hình để diễn giải. Phạm vi giá trị có thể chấp nhận được sẽ được cung cấp khi được áp dụng làm hướng dẫn khi bạn viết bài nghiên cứu của mình.

Bài viết này kết thúc với một bảng chứa các tham số phù hợp với mô hình phù hợp nhất, phạm vi của chúng và tham chiếu tương ứng.

Diễn giải CMIN(Chi-square)

CMIN là viết tắt của giá trị Chi-square và được sử dụng để so sánh xem các biến quan sát và kết quả mong đợi có ý nghĩa thống kê hay không. Nói cách khác, CMIN cho biết liệu dữ liệu mẫu và mô hình giả định có phù hợp chấp nhận được trong phân tích hay không.

Trong Amos, kết quả CMIN có thể được tìm thấy trong View → Text Output → Model Fit → CMIN và trông giống như trong bảng sau:

Model NPAR CMIN DF P CMIN/DF
Default model 4 2.119 220 .000 2.72
Saturated model 19 .000 0
Independence model 24 3.765 253 .000 5.35

Với

NPAR = Số tham số cho mỗi mô hình (mặc định, bão hòa và độc lập). 

CMIN = Giá trị Chi bình phương. Nếu đáng kể, mô hình có thể được coi là không đạt yêu cầu.

DF = Mức độ tự do đo lường số lượng giá trị độc lập có thể phân kỳ mà không cản trở bất kỳ giới hạn nào trong mô hình.

P = xác suất nhận được sự khác biệt lớn bằng giá trị CMIN nếu mô hình tương ứng là chính xác. 

CMIN/DF = chênh lệch chia cho bậc tự do.

Giá trị quan tâm ở đây là CMIN/DF cho mô hình mặc định và được diễn giải như sau:

  • Nếu giá trị CMIN/DF ≤ 3 thì nó cho thấy sự phù hợp có thể chấp nhận được (Kline, 1998).
  • Nếu giá trị ≤ 5 thì nó cho thấy sự phù hợp hợp lý (Marsh & Hocevar, 1985)

Diễn giải GFI 

GFI là viết tắt của Goodness of Fit Index và được sử dụng để tính toán hàm chênh lệch tối thiểu cần thiết để đạt được sự phù hợp hoàn hảo trong các điều kiện có khả năng xảy ra tối đa (Jöreskog & Sörbom, 1984; Tanaka & Huba, 1985).

Trong Amos, kết quả GFI có thể được tìm thấy trong View → Text Output → Model Fit → RMR, GFI và trông tương tự như bảng bên dưới:

Model RMR GFI AGFI PGFI
Default model .188 .781 .649 .684
Saturated model .000 1.000
Independence model .194 .525 .455 .507

Với

RMR = Số dư bình phương trung bình gốc. Giá trị RMR càng nhỏ càng tốt. RMR bằng 0 thể hiện sự phù hợp hoàn hảo. 

GFI = Chỉ số Mức độ vừa vặn và nhận các giá trị ≤ 1 trong đó 1 thể hiện sự vừa vặn hoàn hảo. 

AGFI = Chỉ số độ vừa vặn đã điều chỉnh và cho biết mức độ tự do (df) để thử nghiệm mô hình. Giá trị 1 cho biết sự phù hợp hoàn hảo. Không giống như GFI, các giá trị AGFI không dừng lại ở 0.

PGFI = Parsimony Goodness of Fit Index là một sửa đổi của GFI (Mulaik và cộng sự, 1989) và tính toán mức độ tự do cho mô hình.

Giá trị quan tâm ở đây là GFI cho mô hình mặc định và được diễn giải như sau:

  • Giá trị 1 thể hiện sự phù hợp hoàn hảo.
  • Giá trị ≥ 0,9 cho thấy mức độ phù hợp hợp lý (Hu & Bentler, 1998).
  • Giá trị ≥ 0,95 được coi là phù hợp tuyệt vời (Kline, 2005).

Giải thích Baseline Comparisons

So sánh cơ sở đề cập đến các mô hình được Amos tự động trang bị cho mọi phân tích, tương ứng là mô hình mặc định, bão hòa và độc lập.

Trong Amos, bạn có thể tìm thấy kết quả So sánh đường cơ sở trong Xem → Đầu ra văn bản → Phù hợp với mô hình → So sánh đường cơ sở và trông tương tự như bảng bên dưới:

Model NFI
Delta1		 RFI
 rho1		 IFI
Delta2		 TLI
rho2		 CFI
Default model .957 .890 .966 .900 .965
Saturated model 1.000 1.000 1.000
Independence model .000 .000 .000 .000 .000

Với

NFI = Normed Fit Index còn được gọi là Delta 1 (Bollen, 1898b) và bao gồm các giá trị chia tỷ lệ giữa mô hình độc lập (phù hợp khủng khiếp) và mô hình bão hòa (phù hợp hoàn hảo). Giá trị 1 cho thấy sự phù hợp hoàn hảo trong khi các mô hình có giá trị < 0,9 thường có thể được cải thiện đáng kể (Bentler & Bonett, 1980).

RFI = Chỉ số phù hợp tương đối và bắt nguồn từ NFI trong đó các giá trị đóng bằng 1 cho biết mức độ phù hợp rất tốt trong khi 1 biểu thị mức độ phù hợp hoàn hảo.

IFI = Chỉ số phù hợp gia tăng trong đó các giá trị đóng bằng 1 biểu thị mức độ phù hợp rất tốt trong khi 1 biểu thị mức độ phù hợp hoàn hảo.

TLI = Hệ số Tucker-Lewis còn được gọi là chỉ số phù hợp không theo tiêu chuẩn Bentler-Bonett (NNFI) nằm trong khoảng từ (nhưng không giới hạn) từ 0 đến 1 trong đó giá trị càng gần 1 thể hiện mức độ vừa vặn rất tốt trong khi 1 thể hiện mức độ vừa vặn hoàn hảo.

CFI = Chỉ số phù hợp so sánh có giá trị bị cắt ngắn từ 0 đến 1 trong đó các giá trị đóng bằng 1 cho thấy mức độ phù hợp rất tốt trong khi 1 thể hiện mức độ phù hợp hoàn hảo ( Hu & Bentler, 1999 )

Giá trị quan tâm ở đây là CFI cho mô hình mặc định. Giá trị CFI ≥ 0,95 được coi là phù hợp tuyệt vời cho mô hình (West et al., 2012).

Giải thích Parsimony-Adjusted Measures

Các Biện pháp Điều chỉnh Parsimony đề cập đến các chỉ số phù hợp tương đối được điều chỉnh cho phần lớn các chỉ số được thảo luận cho đến nay.

Hãy coi việc điều chỉnh là hình phạt đối với các mô hình ít tiết kiệm hơn. Nói cách khác, mô hình càng phức tạp thì chỉ số phù hợp càng thấp vì nhìn chung, cách giải thích đơn giản hơn về một hiện tượng được ưa chuộng hơn một cách giải thích phức tạp.

Trong Amos, bạn có thể tìm thấy kết quả Biện pháp điều chỉnh Parsimony trong Xem → Đầu ra văn bản → Mô hình phù hợp → Biện pháp điều chỉnh Parsimony và trông giống như sau:

Model PRATIO PNFI PCFI
Default model .970 .984 .991
Saturated model .000 .000 .000
Independence model 1.000 .000 .000

Với

PRATIO = Tỷ lệ Parsimony tính toán số lượng ràng buộc trong một mô hình và được sử dụng để tính toán các chỉ số PNFI và PCFI.

PNFI = Parsimony Normed Fixed Index thể hiện kết quả của việc điều chỉnh parsimony (James, Mulaik & Brett, 1982) đối với Chỉ số cố định chuẩn (NFI).

PCFI = Chỉ số cố định so sánh Parsimony thể hiện kết quả của việc điều chỉnh parsimony được áp dụng cho Chỉ số phù hợp so sánh (CFI).

Giải thích NCP 

NCP là viết tắt của Tham số phi trung tâm thể hiện mức độ giả thuyết khống là sai.

Trong Amos, kết quả NCP có thể được tìm thấy trong View → Text Output → Model Fit → NCP và trông tương tự như sau:

Model NCP LO 90 HI 90
Default model 2.201 2.871 7.889
Saturated model .000 .000 .000
Independence model 1.765 3.860 5.986

Với

NCP = Giá trị tham số phi trung tâm với các ranh giới được biểu thị bằng LO (NcpLo) và Hi (NcpHi) tương ứng là ranh giới thấp hơn và cao hơn của khoảng tin cậy 90% cho NCP.

LO 90 = Ranh giới dưới (phương pháp NcpLo) của khoảng tin cậy 90% cho NCP.

HI 90   = Ranh giới trên (phương pháp NcpHi) của khoảng tin cậy 90% cho NCP.

Từ bảng ví dụ trên, NCP dân số cho mô hình mặc định nằm trong khoảng từ 2,87 đến 7,88 với mức độ tin cậy xấp xỉ 90 phần trăm.

Giải thích FMIN 

FMIN là viết tắt của Index of Model Fit và được báo cáo khi CMIN không có kết quả dương tính thường do cỡ mẫu lớn hơn.

Trong Amos, kết quả FMIN có thể được tìm thấy trong View → Text Output → Model Fit → FMIN và được hiển thị như trong ví dụ sau:

Model FMIN F0 LO 90 HI 90
Default model 1.590 1.019 1.371 1.683
Saturated model .000 .000 .000 .000
Independence model 1.181 1.524 1.542 1.522

Với

FMIN = Chỉ số của Mô hình Phù hợp với ranh giới được biểu thị bằng LO và Hi tương ứng là ranh giới thấp hơn và cao hơn của khoảng tin cậy 90% cho FMIN. Giá trị càng gần 0 thể hiện mô hình phù hợp hơn với dữ liệu được quan sát với 0 là phù hợp hoàn hảo. 

F0 = Khoảng tin cậy

LO 90 = Ranh giới dưới của khoảng tin cậy 90% của FMIN.

HI 90 = Ranh giới cao hơn của khoảng tin cậy 90% của FMIN.

Giải thích RMSEA 

RMSEA là viết tắt của Root Mean Square Error of Approximation và đo lường sự khác biệt giữa ma trận hiệp phương sai quan sát được trên mỗi bậc tự do và ma trận hiệp phương sai dự đoán (Chen, 2007).

Trong Amos, kết quả RMSEA có thể được tìm thấy trong Xem → Đầu ra văn bản → Phù hợp với mô hình → RMSEA và được thể hiện như trong bảng sau:

Model RMSEA LO 90 HI 90 PCLOSE
Default model .073 .074 .077 .000
Independence model .035 .035 .038 .000

Với:

RMSEA = Root Mean Square Error of Approximation trong đó các giá trị cao hơn 0,1 được coi là kém, các giá trị từ 0,08 đến 0,1 được coi là đường biên giới, các giá trị nằm trong khoảng từ 0,05 đến 0,08 được coi là chấp nhận được và các giá trị ≤ 0,05 được coi là xuất sắc (MacCallum et al, 1996 ) .

LO 90 = Ranh giới dưới (RmseaLo) của khoảng tin cậy 90% của RMSEA.

HI 90 = Ranh giới cao hơn (RmseaHi) của khoảng tin cậy 90% của RMSEA.

PCLOSE  = Giá trị P của giả thuyết khống

Giá trị quan tâm ở đây được đại diện bởi RMSEA trong trường mô hình mặc định trong đó các giá trị ≤ 0,05 cho thấy mô hình phù hợp hơn ( MacCallum et al, 1996 ).

Giải thích AIC trong kết quả phù hợp với mô hình

AIC là viết tắt của Akaike Information Criterion (Akaike, 1987) và được sử dụng để đo lường chất lượng của mô hình thống kê cho mẫu dữ liệu được sử dụng. AIC là điểm số được biểu thị bằng một số duy nhất và được sử dụng để xác định mô hình phù hợp nhất với tập dữ liệu.

Trong Amos, kết quả AIC có thể được nhìn thấy trong View → Text Output → Model Fit → AIC như trong ví dụ dưới đây:

Model AIC BCC BIC CAIC
Default model 4.201 1.647 7.728 6.728
Saturated model 2.000 8.698 7.811 7.101
Independence model 0.765 3.823 6.749 4.749

Với:

AIC = Điểm tiêu chí thông tin Akaike chỉ hữu ích khi so sánh với các điểm AIC khác của cùng một tập dữ liệu. Giá trị AIC càng thấp càng tốt. 

BCC = Tiêu chí Browne-Cudeck được sử dụng cụ thể để phân tích các cấu trúc thời điểm và áp dụng hình phạt cao hơn đối với các mô hình ít chi li hơn.

BIC = Bayes Information Criterion áp dụng hình phạt cao hơn đối với các mô hình phức tạp trái ngược với AIC, BCC, CAIC và do đó có xu hướng lựa chọn các mô hình kỹ lưỡng hơn .

CAIC = Tiêu chí thông tin Akaike nhất quán (Atilgan & Bozdogan, 1987) chỉ được báo cáo khi các phương tiện và các lần chặn không rõ ràng trong trường hợp của một nhóm duy nhất. CAIC áp dụng hình phạt cho các mô hình phức tạp cao hơn AIC và BCC nhưng ít nghiêm khắc hơn BIC.

Giải thích ECVI 

ECVI là viết tắt của Chỉ số xác thực chéo dự kiến ​​(Browne & Cudeck, 1993) đo lường tương lai dự đoán của một mô hình bằng cách sử dụng phép biến đổi chi bình phương đơn giản tương tự như AIC (ngoại trừ hệ số tỷ lệ không đổi).

Trong Amos, kết quả ECVI có thể được tìm thấy trong View → Text Output → Model Fit → ECVI và trông giống như trong ví dụ bên dưới:

Model ECVI LO 90 HI 90 MECVI
Default model 2.881 1.233 3.545 2.900
Saturated model .434 .434 .434 .529
Independence model 2.301 1.319 3.299 2.309

Với:

ECVI = Chỉ số xác thực chéo dự kiến ​​trong đó giá trị nhỏ hơn thể hiện mức độ phù hợp với mô hình tốt hơn.

LO 90 = giới hạn dưới của khoảng tin cậy 90% đối với ECVI dân số.

HI 90 = giới hạn trên của khoảng tin cậy 90% đối với ECVI dân số.

MECVI = ngoại trừ hệ số tỷ lệ được sử dụng trong tính toán, MECVI tương tự như Tiêu chí Browne-Cudeck (BCC).

Giải thích chỉ số HOELTER trong kết quả phù hợp với mô hình

Chỉ số Hoelter được sử dụng để đo lường chi bình phương có ý nghĩa hay không.

Trong Amos, có thể tìm thấy kết quả Chỉ số Hoelter trong Xem → Đầu ra văn bản → Phù hợp với mô hình → HOELTER với các chỉ số được thể hiện như sau:

Model HOELTER.05 HOELTER.01
Default model 228 201
Independence model 241 208

Với: 

HOELTER 0,05 = đo xem cỡ mẫu có thể được chấp nhận ở mức 0,05 cho mô hình mặc định hay không. Để diễn giải, nếu kích thước mẫu của bạn cao hơn giá trị được chỉ định cho mô hình mặc định ở mức 0,05, thì mô hình mặc định sẽ bị từ chối.

HOELTER .01 = tính toán xem kích thước mẫu cho mô hình mặc định có thể được chấp nhận ở mức 0,01 hay không. Tương ứng, nếu kích thước mẫu cao hơn số lượng được chỉ định cho mô hình mặc định ở mức 0,01, bạn có thể từ chối mô hình mặc định.

Bảng Tóm tắt Model Fit và ngưỡng chấp nhận

Bảng tổng hợp 1 số chỉ số đo độ phù hợp với mô hình này tóm tắt một số tham số quan trọng nhất và các giá trị được chấp nhận của chúng theo tài liệu. Đây không phải là các  ngưỡng và các chỉ số bạn bắt buộc phải báo cáo. Hãy linh hoạt theo hoàn cảnh và trích dẫn ra các nguồn phù hợp mà bạn sử dụng.

Acronym Explication Accepted fit Reference
Likelihood Ratio P-value ≥ 0.05 Joreskog & Surbom (1996);
Relative X2 (X2/df) ≤ 2 = acceptable fit Tabachnick & Fidell (2007);
CMIN/DF Chi-square divided by Degree of Freedom ≤ 3 = acceptable fit
≤ 5 = reasonable fit		 Kline (1998);
Marsh & Hocevar (1985);
GFI Goodness of Fit Index 1 = perfect fit
≥ 0.95 = excellent fit
≥ 0.9 = acceptable fit		 Kline (2005);
Hu & Bentler (1998);
AGFI Adjusted Goodness of Fit Index ≥ 0.90 = acceptable fit Tabachnick & Fidell (2007);
CFI Comparative Fit Index 1 = perfect fit
≥ 0.95 = excellent fit
≥ .90 = acceptable fit		 West et al. (2012);
Fan et al. (1999);
RMSEA Root Mean Square Error of Approximation ≤ 0.05 = reasonable fit MacCallum et al (1996);
RMR Root Mean Squared Residual ≤ 0.05 = acceptable fit

≤ 0.07 = acceptable fit

 Diamantopoulos & Siguaw (2000);
Steiger (2007);
SRMR Standardized Root Mean Squared Residual ≤ 0.05 = acceptable fit Diamantopoulos & Siguaw (2000);
CN Critical N ≥ 200 = acceptable fit Joreskog & Sorbom (1996);
Series Navigation<< Biến tiềm ẩn bậc cao dạng mô hình đo lường kết quả

Filed under: Chưa được phân loại - @ 1:58 sáng