Structural Equation Modeling – SEM – cho phép kiểm định đồng thời hai lớp: mô hình đo lường cho biết indicators phản ánh constructs ra sao, và mô hình cấu trúc cho biết các constructs liên hệ với nhau thế nào. Đây là lý do SEM rất phù hợp với TAM, UTAUT, TPB, Trust–Risk, ECM và các mô hình hành vi BĐS.
Nhưng SEM không biến một khảo sát cắt ngang thành bằng chứng nhân quả. SEM chỉ ước lượng một cấu trúc quan hệ mà nhà nghiên cứu đã chỉ định dưới các giả định cụ thể.
Chuyên đề: Mô hình định lượng, không gian & mô phỏng trong BĐS · Bài 04 · Đo lường, SEM và ra quyết định bán định lượng
Biên soạn: ThS. Nguyễn Mạnh Hùng
Đơn vị: GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Hai phần của SEM
| Phần | Câu hỏi |
|---|---|
| Measurement model | TR1–TR4 có đo Trust không? |
| Structural model | Trust có liên hệ Intention không? |
Nếu measurement model kém, structural path không đáng tin. Vì vậy CFA/measurement assessment phải đi trước diễn giải hypotheses.
2. Exogenous và endogenous constructs
Exogenous construct không được giải thích bởi biến khác trong mô hình; endogenous construct có incoming arrows. Sai số/residual của endogenous phản ánh phần chưa được mô hình giải thích.
Không nên gọi exogenous là 'nguyên nhân chắc chắn'. Đó chỉ là vai trò trong sơ đồ SEM.
3. SEM dựa trên covariance
Covariance-based SEM tìm tham số làm covariance matrix mà mô hình ngụ ý gần covariance quan sát. Điều này khác hồi quy rời từng phương trình vì toàn cấu trúc được ước lượng và kiểm fit đồng thời.
4. Identification trước estimation
Một mô hình cần đủ thông tin để ước lượng duy nhất. Các vấn đề như quá nhiều tham số, factor chỉ có quá ít indicators hoặc vòng quan hệ không có điều kiện nhận diện có thể làm model unidentified.
Phần mềm báo convergence không có nghĩa mô hình lý thuyết đúng.
5. Estimation
Maximum Likelihood phổ biến khi dữ liệu liên tục gần chuẩn đa biến; robust ML điều chỉnh khi vi phạm; WLSMV thường dùng với ordinal indicators. Chọn estimator dựa dữ liệu và mô hình.
Không nên đổi estimator chỉ để p-value đẹp.
6. Model fit không phải một điểm duy nhất
SEM cần xem χ², CFI/TLI, RMSEA, SRMR, residuals và plausibility. Một model có fit tốt nhưng đường phi lý vẫn không phải model tốt.
Với sample lớn, χ² dễ significant; vì vậy cần nhìn nhiều bằng chứng.
7. Standardized và unstandardized coefficients
Hệ số không chuẩn hóa giữ đơn vị thang đo và quan trọng cho inference/model reproduction. Hệ số chuẩn hóa giúp so sức mạnh tương đối nhưng phụ thuộc variance sample. Nên báo cáo phù hợp mục đích.
8. Direct, indirect và total effects
Nếu Information Quality → PU → BI, indirect effect = tích các đường trung gian. Total effect = direct + indirect. Bootstrap confidence interval thường dùng cho indirect effects vì phân phối tích không chuẩn.
Không nên chỉ xem từng p-value rồi kết luận mediation.
9. Model comparison
Có thể so nested models bằng χ² difference hoặc các tiêu chí phù hợp; với non-nested cần AIC/BIC và lý thuyết. Không nên thêm mọi đường có Modification Index cao.
Một mô hình gọn, có thể tái lập thường tốt hơn mô hình sample-specific.
10. R² trong SEM
R² của endogenous construct cho biết phần phương sai được giải thích. R² cao không đồng nghĩa causal truth. Trong hành vi, R² trung bình vẫn có giá trị nếu model giải thích cơ chế và dự báo ngoài mẫu hợp lý.
11. Cỡ mẫu và power
Không có quy tắc chung “200 là đủ”. Sample cần phụ thuộc số factors, indicators, loading, missing, distribution và path size. Monte Carlo simulation/power analysis tốt hơn quy tắc số mẫu trên tham số.
Mô hình quá phức tạp với sample nhỏ dễ unstable.
12. SEM và dữ liệu dọc
SEM có thể mở rộng sang cross-lagged, latent growth hoặc longitudinal measurement invariance. Nếu câu hỏi hành vi thay đổi theo thời gian, dữ liệu panel mạnh hơn cross-sectional.
Ví dụ đo PU/PEOU trước và sau triển khai PropTech giúp phân biệt expectation và experience.
13. SEM và causal language
Mũi tên một chiều không tự tạo causality. Muốn nói causal cần temporal order, no-unmeasured-confounding hoặc thiết kế/giả định mạnh hơn. SEM có thể biểu diễn causal theory nhưng dữ liệu phải hỗ trợ.
Đây là lý do phần sau có riêng DAG và causal inference.
14. Case: UTAUT cho hệ thống quản lý hồ sơ
Measurement model gồm PE, EE, SI, FC, BI. Structural model: PE/EE/SI→BI; FC và BI→Use. Use lấy log. Nếu BI survey cùng thời điểm nhưng Use lấy 60 ngày sau, temporal alignment tốt hơn.
Nếu Use là bắt buộc, frequency có thể ít giá trị; nên đo task depth.
15. Cấu trúc dữ liệu
| respondent_id | PE1..4 | EE1..4 | SI1..3 | FC1..4 | BI1..3 | USE60 | ROLE |
|---|---|---|---|---|---|---|---|
| U001 | Likert | Likert | Likert | Likert | Likert | 17 | Broker |
Codebook cần ghi source, wording, missing, reverse coding và thời điểm.
16. Quy trình SEM gợi ý
- Theory + hypotheses.
- Instrument/pilot.
- Data screening.
- Measurement model.
- Reliability/validity.
- Structural model.
- Effects + R².
- Robustness/alternative models.
- Báo cáo đầy đủ.
17. Sai lầm
- SEM = causal.
- Fit tốt = theory đúng.
- Xóa item/path theo MI tới khi đẹp.
- Bỏ measurement model.
- Quy tắc sample máy móc.
- Không báo estimator.
- Dùng cùng dữ liệu để khám phá và xác nhận quá mức.
18. Bài tập thực hành
Từ mô hình TAM mở rộng Trust–Risk, vẽ measurement model và structural model riêng. Xác định estimator cho thang Likert 5 mức lệch, outcome actual use, một indirect effect và một mô hình cạnh tranh cần kiểm.
Ghi nhớ trong 30 giây
- SEM = measurement model + structural model.
- Measurement phải ổn trước path.
- Model fit cần nhiều chỉ số và lý thuyết.
- SEM không tự chứng minh nhân quả.
- Cỡ mẫu phải theo độ phức tạp và power, không theo một con số thần kỳ.
Nguồn tham khảo
- Bollen – Structural Equations with Latent Variables.
- Kline – Principles and Practice of Structural Equation Modeling.
- Brown – CFA for Applied Research.
Bài tiếp theo: PLS-SEM: khi nào phù hợp và khi nào không nên dùng