Trong phần mềm AMOS, chỉ số MI (Modification Indices – chỉ số hiệu chỉnh) được sử dụng như một công cụ thống kê nhằm phát hiện các vấn đề tiềm ẩn liên quan đến cấu trúc thang đo nhân tố, hiện tượng trùng lắp giữa các thang đo hoặc các mối quan hệ chưa được mô hình hóa, từ đó có thể ảnh hưởng đến mức độ phù hợp tổng thể của mô hình nghiên cứu.
Để hiển thị chỉ số MI trong kết quả phân tích của AMOS, người nghiên cứu thực hiện thao tác nhấp vào biểu tượng Analysis Properties trên thanh công cụ.
Tại cửa sổ Analysis Properties, chuyển sang thẻ Output, đánh dấu chọn mục Modification indices và nhập giá trị ngưỡng là 15 vào ô tương ứng. Sau đó, nhấn nút X ở góc trên bên phải để lưu và xác nhận các thiết lập đã thay đổi.
Sau khi tiến hành chạy phân tích, trong cửa sổ Output, người nghiên cứu truy cập vào mục Modification Indices như minh họa. Tại đây, các bảng MI được trình bày lần lượt ở phía bên phải, bao gồm chỉ số hiệu chỉnh của phương sai, hiệp phương sai và các hệ số tác động trong mô hình.
1. MI Covariances cao: Hiện tượng trùng lắp thang đo
Bảng Covariances trong phân tích MI phản ánh mối quan hệ hiệp phương sai giữa các yếu tố trong mô hình. Trong đó, cần tập trung xem xét hiệp phương sai giữa các cặp sai số e thuộc cùng một thang đo. Khi chỉ số MI có giá trị quá cao, điều này cho thấy hai sai số có mối liên hệ hiệp phương sai mạnh; do đó, việc thiết lập mũi tên hiệp phương sai giữa hai sai số này là cần thiết nhằm làm giảm giá trị MI và cải thiện mức độ phù hợp của mô hình.
Kết quả MI Covariances cho thấy cặp sai số e1 và e2 có giá trị MI rất cao, đạt 83.480. Hai sai số này tương ứng với các biến quan sát C2 và C5, cùng thuộc thang đo C. Giá trị MI lớn cho thấy rằng nếu thiết lập mối quan hệ hiệp phương sai hai chiều giữa cặp sai số này, chỉ số MI sẽ giảm và mô hình nghiên cứu sẽ đạt độ phù hợp tốt hơn. Trong thực tiễn nghiên cứu, hiện tượng MI cao giữa các sai số của những biến quan sát thuộc cùng một thang đo thường xuất phát từ sự chồng chéo hoặc trùng lặp về nội dung đo lường, tức là các câu hỏi có ý nghĩa tương tự nhau.
Vì vậy, để giảm giá trị MI và nâng cao mức độ phù hợp của mô hình, cần khai báo cho phần mềm phân tích rằng cặp sai số e1 và e2 có hiệp phương sai đáng kể bằng cách nối mũi tên hai chiều giữa chúng.
2. MI Regression Weights cao: Hiện tượng biến quan sát của một thang đo tải mạnh lên thang đo khác
Bảng Regression Weights trong mục MI phản ánh mối quan hệ tải chéo giữa các yếu tố trong mô hình. Khi chỉ số MI giữa một biến quan sát thuộc thang đo này với một biến tiềm ẩn của thang đo khác có giá trị cao, điều đó cho thấy biến quan sát này thể hiện đặc trưng của biến tiềm ẩn khác một cách rõ rệt. Hiện tượng này hàm ý sự chồng lấn về nội dung đo lường giữa các thang đo, làm suy giảm tính phân biệt của mô hình.
Trong ví dụ minh họa ở bảng trên, biến A3 thuộc thang đo A nhưng lại có mức tải đáng kể lên thang đo B, thể hiện qua giá trị MI từ B đến A3 rất cao (53.957). Cách xử lý thường được đề xuất nhằm giảm giá trị MI và cải thiện độ phù hợp của mô hình là thiết lập mũi tên hồi quy một chiều từ B đến A3. Biện pháp này ngụ ý rằng biến A3 được giả định chịu ảnh hưởng đồng thời của cả hai biến tiềm ẩn A và B.
Tuy nhiên, trong bối cảnh nghiên cứu học thuật và thực hiện luận văn, cần ưu tiên xử lý triệt để vấn đề tính phân biệt giữa các thang đo. Việc một biến quan sát như A3 tải đáng kể lên hai thang đo cho thấy biến này không phản ánh rõ ràng một khái niệm đơn nhất. Do đó, giải pháp phù hợp hơn về mặt phương pháp luận là loại bỏ biến này khỏi mô hình nghiên cứu, thay vì điều chỉnh kỹ thuật bằng cách thêm mối liên hệ hồi quy.
——
Trong trường hợp gặp các vấn đề liên quan đến tính hội tụ, tính phân biệt, các chỉ số độ phù hợp mô hình không đạt ngưỡng chấp nhận, kết quả SEM cho thấy các mối tác động không có ý nghĩa thống kê hoặc có chiều tác động không phù hợp với giả thuyết, người nghiên cứu có thể tham khảo dịch vụ AMOS của Phạm Lộc Blog để được hỗ trợ chuyên sâu tại đây.