Phân tích Nhân tố Khẳng định: Hướng dẫn Kiểm định Cấu trúc Ẩn

Khi trả lời các bảng hỏi với những phát biểu như "Tôi hài lòng với công việc của mình" hoặc "Tôi thích làm việc với đồng nghiệp", chúng ta đang giúp các nhà nghiên cứu thu thập thông tin về những khái niệm không thể đo lường trực tiếp. Chẳng hạn như sự hài lòng trong công việc, động lực hay lo âu. Đó là những gì các nhà nghiên cứu gọi là cấu trúc ẩn. Đây là các khái niệm trừu tượng mà ta không thể đo trực tiếp, nhưng có thể quan sát gián tiếp thông qua câu trả lời, hành vi hoặc các mục kiểm tra.

Vấn đề đặt ra là liệu những câu hỏi đó có đo đúng khái niệm cần đo, chứ không phải điều gì khác hay không.

Đây là lúc phân tích nhân tố khẳng định (CFA) phát huy vai trò. CFA là một kỹ thuật thống kê dùng để kiểm tra xem có mối quan hệ giữa các biến quan sát được (hãy nghĩ đến các câu hỏi khảo sát) và các cấu trúc không quan sát được (ví dụ, động lực) hay không. Khi tìm hiểu sâu hơn về CFA, điều quan trọng là phân biệt nó với phân tích nhân tố khám phá (EFA). Không giống EFA, vốn tìm kiếm khuôn mẫu mà không đưa ra giả thuyết, CFA bắt đầu từ một lý thuyết và kiểm tra xem dữ liệu có xác nhận lý thuyết đó không.

Là một phần quan trọng của mô hình phương trình cấu trúc (SEM), CFA đảm bảo rằng trước khi nghiên cứu mối quan hệ giữa các khái niệm, bản thân các khái niệm đó phải được đo lường một cách đáng tin cậy và hợp lệ.

Phân tích Nhân tố Khẳng định (CFA) là gì?

CFA đặt ra câu hỏi: Mô hình đo lường của tôi có phù hợp với thực tế không?

Để hiểu rõ hơn câu hỏi này, hãy xem mô hình đo lường là gì. Đó là một bản đồ liên kết các chỉ báo quan sát được (như các mục trong khảo sát) với các cấu trúc ẩn (như trầm cảm, động lực hay sự hài lòng). Trong CFA, các nhà nghiên cứu xác định trước bản đồ này dựa trên lý thuyết hoặc nghiên cứu trước đây, rồi kiểm định xem dữ liệu có phù hợp với cấu trúc đó không.

So sánh CFA và EFA bằng một phép ẩn dụ: EFA giống như đi quanh một thành phố mới mà không có bản đồ. Còn CFA tương đương với việc kiểm tra xem chỉ dẫn trên GPS có khớp với đường phố thực tế hay không.

Các thành phần chính của CFA

Cấu trúc ẩn và chỉ báo quan sát

• Cấu trúc ẩn là những khái niệm không thể đo trực tiếp, ví dụ: trí tuệ, kiệt sức và hạnh phúc.
• Chỉ báo quan sát là những gì chúng ta dùng để đo lường, như điểm kiểm tra, các mục khảo sát và đánh giá hành vi.

Để đo lường sự hài lòng trong công việc, chúng ta có thể dùng các câu sau:

• Tôi cảm thấy hài lòng với công việc của mình.
• Tôi hài lòng với mức lương của mình.
• Tôi có mối quan hệ làm việc tốt với đồng nghiệp.

Những câu trả lời khác nhau này đều phản ánh cùng một nhân tố nền tảng, tức là sự hài lòng trong công việc.

Hệ số tải nhân tố

Hệ số tải nhân tố cho biết mỗi chỉ báo phản ánh cấu trúc ẩn ở mức độ nào. Hệ số tải cao, thường trên 0,7, cho thấy mức đại diện mạnh; trong khi các hệ số tải trung bình từ 0,4 đến 0,7 là chấp nhận được trong đa số trường hợp.

Hãy coi hệ số tải nhân tố như cường độ tín hiệu điện thoại. Tín hiệu càng mạnh, chỉ báo càng phản ánh tốt cấu trúc đó.

Mô hình đo lường

Mô hình đo lường quy định biến quan sát nào tương ứng với cấu trúc ẩn nào, theo lý thuyết. Khác với EFA, nơi dữ liệu quyết định, CFA áp đặt cấu trúc này từ trước và do đó mang tính khẳng định thay vì khám phá.

Quy trình CFA

Sau khi giới thiệu các khái niệm cốt lõi, hãy đi qua quy trình CFA từng bước. Bản minh họa Python này sử dụng gói semopy.

Bước 1: Xác định mô hình

Bước đầu tiên trong CFA là xác định mô hình lý thuyết. Các nhà nghiên cứu quyết định cấu trúc ẩn nào tồn tại và chúng được quan sát thông qua những chỉ báo nào.

Giả sử chúng ta đang thực hiện một nghiên cứu tâm lý học nơi làm việc. Chúng ta muốn đo hai cấu trúc:

• Sự Hài lòng trong Công việc (JobSat), được đo bằng ba mục khảo sát:

• JS1: Tôi cảm thấy hài lòng với công việc của mình.

• JS2: Tôi hài lòng với mức lương của mình.

• JS3: Tôi có mối quan hệ tốt với đồng nghiệp.

• Gắn kết Công việc (WorkEng), được đo bằng ba mục khảo sát:

• WE1: Tôi cảm thấy tràn đầy năng lượng khi làm việc.

• WE2: Tôi nhiệt huyết với công việc của mình.

• WE3: Tôi bị cuốn hút vào công việc.

Chúng ta cũng kỳ vọng Sự Hài lòng trong Công việc và Gắn kết Công việc có tương quan với nhau.

Trong semopy, một thư viện Python chuyên dụng, mô hình này có thể được biểu diễn như sau:

model_desc = """
JobSat =~ JS1 + JS2 + JS3
WorkEng =~ WE1 + WE2 + WE3
JobSat ~~ WorkEng
"""Được hỗ trợ bởi

Trong đó:

• =~ định nghĩa các mục quan sát tải lên một nhân tố ẩn cụ thể.

• ~~ định nghĩa tương quan giữa hai nhân tố ẩn.

Bước 2: Thu thập dữ liệu

CFA cần cỡ mẫu tương đối lớn để ước lượng tốt. Quy tắc thường dùng là tối thiểu 200 người tham gia hoặc tối thiểu 10 phép đo trên mỗi tham số được ước lượng.

Để minh họa quy trình, hãy làm việc với một tập dữ liệu nhỏ:

import pandas as pd
df = pandas.DataFrame({
    "JS1": [3, 4, 5, 2, 4, 5, 3, 4],
    "JS2": [4, 5, 4, 3, 5, 4, 3, 5],
    "JS3": [2, 3, 4, 2, 3, 4, 2, 3],
    "WE1": [5, 4, 5, 3, 4, 5, 4, 5],
    "WE2": [4, 4, 5, 2, 3, 5, 3, 4],
    "WE3": [3, 5, 4, 3, 4, 5, 3, 4]
})Được hỗ trợ bởi

Trong một nghiên cứu thực tế, tập dữ liệu sẽ bao gồm hàng trăm câu trả lời khảo sát.

Bước 3: Ước lượng mô hình

Khi đã có dữ liệu và mô hình, đã đến lúc ước lượng các tham số. Việc ước lượng cung cấp hệ số tải nhân tố thể hiện độ mạnh của mối quan hệ giữa cấu trúc và các mục, cùng với các tham số khác.

Phương pháp ước lượng phổ biến nhất là Cực đại Hợp lý (ML). Phương pháp này giả định dữ liệu quan sát là liên tục và tuân theo phân phối chuẩn đa biến. Trong các trường hợp giả định này không thỏa, như dữ liệu lệch nhiều hoặc phân loại, nên dùng các bộ ước lượng như Bình phương Tối thiểu Có trọng số (WLS).

Trong Python, sử dụng semopy:

from semopy import Model
mod = Model(model_desc)
mod.fit(df)Được hỗ trợ bởi

Đoạn này khớp mô hình CFA với dữ liệu, ước lượng hệ số tải, tương quan và phương sai.

Bước 4: Đánh giá độ phù hợp mô hình

Sau khi ước lượng mô hình, bước tiếp theo là đánh giá xem mô hình có phù hợp tốt với dữ liệu hay không.

Độ phù hợp được đánh giá bằng các chỉ số thống kê:

• Chi-bình phương (χ²): Giá trị không có ý nghĩa thống kê cho thấy độ phù hợp tốt, nhưng chỉ số này rất nhạy với cỡ mẫu.
• RMSEA (< 0,06): Giá trị thấp cho thấy mức độ phù hợp xấp xỉ tốt hơn.
• CFI (> 0,95): So sánh mô hình mục tiêu với mô hình cơ sở.
• SRMR (< 0,08): Ước lượng chênh lệch trung bình giữa tương quan dự đoán và quan sát.

Trong Python:

from semopy import calc_stats
stats = calc_stats(mod)

print("Chi-square:", stats.get('chi2'))
print("Degrees of Freedom:", stats.get('df'))
print("CFI:", stats.get('cfi'))
print("RMSEA:", stats.get('rmsea'))
print("SRMR:", stats.get('srmr'))Được hỗ trợ bởi

Kết quả này cho thấy liệu mô hình lý thuyết có khớp với dữ liệu quan sát hay không. Nếu các chỉ số nằm trong ngưỡng khuyến nghị, mô hình được xem là phù hợp tốt.

Bước 5: Tinh chỉnh mô hình

Khi độ phù hợp kém, các nhà nghiên cứu thường xem xét các chỉ số sửa đổi. Những chỉ số này gợi ý cách cải thiện độ phù hợp nếu giải phóng một số tham số để ước lượng, chẳng hạn hiệp phương sai sai số giữa các mục cụ thể hoặc thêm tải nhân tố.

Tuy nhiên, cần lưu ý rằng các điều chỉnh phải được dẫn dắt bởi lý thuyết chứ không chỉ bởi thống kê. Nếu không, mô hình có thể khớp rất tốt với một tập dữ liệu nhưng thất bại trên các tập khác.

Các tham số ước lượng (ví dụ, hệ số tải nhân tố) có thể được kiểm tra như dưới đây:

estimates = mod.inspect()
print(estimates[['lval', 'op', 'rval', 'Estimate']])Được hỗ trợ bởi

Đoạn này cho thấy mức độ mỗi mục tải lên cấu trúc ẩn của nó. Các mục có hệ số tải thấp (< 0,4) có thể bị đặt dấu hỏi về độ tin cậy trong đo lường điểm thật, và có thể trở thành ứng viên để loại bỏ hoặc chỉnh sửa.

Chi-square: Value    7.086071
Name: chi2, dtype: float64
DF: None
p-value: None
RMSEA: None
CFI: None
SRMR: None

Parameter estimates:
       lval  op     rval  Estimate  Std. Err    z-value   p-value
0       JS1   ~   JobSat  1.000000         -          -         -
1       JS2   ~   JobSat  0.991985  0.079766  12.436258       0.0
2       JS3   ~   JobSat  0.901155  0.074451  12.103973       0.0
3       WE1   ~  WorkEng  1.000000         -          -         -
4       WE2   ~  WorkEng  0.879609  0.083147  10.578944       0.0
5       WE3   ~  WorkEng  0.758832  0.072321  10.492585       0.0
6    JobSat  ~~  WorkEng -0.014492  0.017919  -0.808725  0.418674
7    JobSat  ~~   JobSat  0.283181  0.033256   8.515047       0.0
8   WorkEng  ~~  WorkEng  0.332945  0.042414   7.849889       0.0
9       JS1  ~~      JS1  0.182918  0.022465   8.142378       0.0
10      JS2  ~~      JS2  0.215892  0.023358   9.242882       0.0
11      JS3  ~~      JS3  0.293970    0.0243  12.097738       0.0
12      WE1  ~~      WE1  0.225318  0.030959   7.277931       0.0
13      WE2  ~~      WE2  0.304496  0.028694  10.611756       0.0
14      WE3  ~~      WE3  0.269805  0.023279  11.590123       0.0Được hỗ trợ bởi

Ví dụ nhanh trong ngữ cảnh

Kết quả CFA cho thấy Sự Hài lòng trong Công việc tải mạnh lên JS1 (1,00) và JS2 (0,992), và thấp hơn một chút ở JS3 (0,901). Điều này gợi ý rằng cả ba câu hỏi khảo sát đều đóng góp có ý nghĩa cho việc đo lường Sự Hài lòng trong Công việc. Không có mục nào có vấn đề, vì tất cả hệ số tải đều cao hơn đáng kể so với ngưỡng tiêu chuẩn 0,7.

Tương tự, Gắn kết Công việc tải mạnh lên WE1 (1,00) và WE2 (0,880), với hệ số tải thấp hơn một chút ở WE3 (0,759), dù vẫn chấp nhận được.

Sự Hài lòng trong Công việc hầu như không liên quan đến WorkEng (-0,014), cho thấy trong mẫu này hai cấu trúc tương đối độc lập với nhau.

Dựa trên các kết quả này, hướng tiếp cận của chúng ta là:

• Giữ cả ba mục cho Sự Hài lòng trong Công việc (JS1, JS2, JS3), vì tất cả đều tải cao lên cấu trúc.

• Giữ cả ba mục cho Gắn kết Công việc (WE1, WE2, WE3), vì mỗi mục đều có hệ số tải có ý nghĩa.

• Không cần thay đổi đáng kể nào, vì hệ số tải cao và tất cả tham số ước lượng đều có ý nghĩa thống kê.

Điều này xác nhận mô hình đo lường đang hoạt động như dự định. Các chỉ báo quan sát phản ánh đáng tin cậy các cấu trúc ẩn của chúng.

Yêu cầu và giả định của CFA

CFA dựa trên một số giả định chính để kết quả có giá trị và có thể diễn giải. Hiểu các giả định này giúp đánh giá khi nào CFA phù hợp và cách ứng xử nếu dữ liệu không hoàn toàn nhất quán với chúng.

Tính chuẩn đa biến

CFA thường sử dụng ước lượng Cực đại Hợp lý (ML), giả định rằng các biến quan sát tuân theo phân phối chuẩn đa biến.

Tuy nhiên, khi phản hồi bị lệch nhiều hoặc ở dạng phân loại, giả định này không còn đúng. Khi đó, hệ số tải, sai số chuẩn và các chỉ số phù hợp có thể bị chệch. Để khắc phục, có thể dùng các phương pháp ước lượng thay thế như Bình phương Tối thiểu Có trọng số (WLS) hoặc các cách tiếp cận vững như hiệu chỉnh Satorra-Bentler, vốn không yêu cầu tính chuẩn nghiêm ngặt.

Cỡ mẫu đủ lớn

CFA bao gồm ước lượng nhiều tham số (hệ số tải, phương sai, hiệp phương sai). Cỡ mẫu nhỏ có thể dẫn đến ước lượng không ổn định và kết luận thiếu tin cậy.

Hướng dẫn thường gặp là ít nhất 200 người tham gia hoặc 10 quan sát trên mỗi tham số ước lượng. Cỡ mẫu càng lớn, kết quả càng chính xác và khái quát tốt hơn.

Xác định mô hình đúng

CFA kiểm định một mô hình lý thuyết xác định trước. Nếu mô hình bị xác định sai, ví dụ, gán chỉ báo cho sai nhân tố ẩn, CFA không thể tự sửa chữa điều đó.

Lấy mẫu ngẫu nhiên

Lý tưởng nhất, dữ liệu nên đến từ một mẫu ngẫu nhiên để phát hiện có thể khái quát vượt ra ngoài tập dữ liệu dùng trong nghiên cứu.

Mẫu không ngẫu nhiên hoặc thiên lệch có thể tạo ra kết quả phản ánh đặc thù của mẫu chứ không phải hiện tượng đang được nghiên cứu.

CFA theo hướng Bayes cũng cực kỳ linh hoạt và có thể xử lý cỡ mẫu nhỏ, mô hình phức tạp hoặc dữ liệu không chuẩn theo tri thức tiên nghiệm.

So sánh với Phân tích Nhân tố Khám phá (EFA)

Hãy nhắc lại phép so sánh giữa EFA và CFA. EFA được dẫn dắt bởi dữ liệu, khám phá các cấu trúc ẩn mà không có giả định trước. Tất cả hệ số tải được ước lượng tự do, cho phép dữ liệu "tự lên tiếng". CFA được dẫn dắt bởi lý thuyết và kiểm định các cấu trúc giả thuyết được xác định trước với các ràng buộc tải.

Các nhà nghiên cứu thường sử dụng tuần tự hai phương pháp: EFA để khám phá các cấu trúc tiềm năng và CFA để khẳng định chúng. Cách tiếp cận này tạo không gian cho cả phát hiện thực nghiệm và xác nhận lý thuyết.

Chủ đề nâng cao và phần mở rộng trong CFA

CFA đa cấp và theo chiều dọc thời gian

• CFA đa cấp được thiết kế để tính đến dữ liệu có cấu trúc lồng nhau, ví dụ học sinh trong lớp học.
• CFA theo chiều dọc thời gian xem xét sự phát triển của các cấu trúc, giúp đánh giá tính ổn định đo lường, sự thay đổi và tính bất biến theo thời gian.

Mô hình bậc hai và mô hình hai nhân tố chung - đặc thù (bifactor)

• Mô hình CFA bậc hai mô hình hóa các mối quan hệ giữa các biến ẩn bằng cách mô hình hóa các nhân tố bậc một, ví dụ, năng lực ngôn ngữ, không gian và số học như các chỉ báo của một cấu trúc bậc cao hơn, như trí tuệ chung.
• Mô hình bifactor tách phần phương sai do nhân tố chung gây ra khỏi phần do các chiều phụ cụ thể.

CFA theo hướng Bayes

CFA theo hướng Bayes là một lựa chọn linh hoạt so với các phương pháp truyền thống. Phương pháp này đưa phân phối tiên nghiệm vào ước lượng tham số, tăng tính ổn định của mô hình và hữu ích cho cỡ mẫu nhỏ, mô hình phức tạp hoặc dữ liệu không chuẩn.

Ứng dụng của CFA

CFA được sử dụng rộng rãi để:

• Thẩm định thang đo nhằm xác minh rằng một tập hợp mục quan sát phản ánh chính xác cấu trúc lý thuyết mà nó dự định đo, ví dụ, một bảng hỏi lo âu mới.
• Kiểm định các mô hình lý thuyết để đánh giá liệu cấu trúc các mối quan hệ giữa các cấu trúc ẩn có phù hợp với kỳ vọng lý thuyết hay không.
• So sánh giữa các nhóm để kiểm định tính bất biến đo lường. Ví dụ, giúp xác định liệu một thang đo hài lòng có hoạt động giống nhau giữa các nền văn hóa hoặc giới tính hay không.
• Tinh chỉnh và cải thiện công cụ đo lường tâm trắc bằng cách xác định các mục yếu hoặc dư thừa. Điều này cải thiện độ tin cậy và giá trị của các bài kiểm tra và khảo sát.

Hạn chế và thách thức

Sau khi bàn luận sâu về CFA, cần nhận ra rằng phương pháp này có một số hạn chế. Hiệu quả của nó phụ thuộc vào các yếu tố sau:

• Chất lượng của lý thuyết nền tảng: Nền tảng lý thuyết yếu hoặc xác định kém có thể dẫn đến mô hình có độ phù hợp thấp.
• Các giả định: Phân phối dữ liệu không chuẩn hoặc cỡ mẫu nhỏ có thể làm sai lệch ước lượng, từ đó ảnh hưởng đến khả năng diễn giải. 
• Nguy cơ quá khớp (overfitting), phát sinh khi điều chỉnh mô hình quá mức để đạt độ phù hợp tốt hơn. Những tinh chỉnh như thêm lỗi tương quan có thể hiệu quả với một tập dữ liệu, nhưng không khái quát được sang nơi khác.

Kết luận

Phân tích nhân tố khẳng định giúp nối kết lý thuyết và dữ liệu, cho phép đo lường chính xác các yếu tố không quan sát được trong tâm lý học, giáo dục, marketing hay nghiên cứu tổ chức. Phương pháp này cung cấp khuôn khổ để xác thực các cấu trúc ẩn và đặt nền tảng vững chắc cho đo lường. Là một phần của mô hình phương trình cấu trúc, CFA tiếp tục phát triển với các tiến bộ mới như mở rộng theo hướng đa cấp, theo thời gian và Bayes.