Mới Đặt phân tích định lượng theo đề tài của bạn, nhận báo giá miễn phí trong ngày →

Phân tích đa nhóm (multigroup analysis) là kỹ thuật kiểm định xem một mô hình đo lường hoặc mô hình cấu trúc có vận hành giống nhau giữa các nhóm như nam và nữ, khu vực thành thị và nông thôn, hay khách hàng mới và khách hàng lâu năm. Nhờ phân tích đa nhóm, bạn trả lời được câu hỏi tác động của một yếu tố có mạnh hơn ở nhóm này so với nhóm kia hay không.

Phân tích đa nhóm trên AMOS: 3 cấp bất biến và so sánh đường dẫn
Phân tích đa nhóm trên AMOS: 3 cấp bất biến và so sánh đường dẫn

Bài viết hướng dẫn quy trình phân tích đa nhóm trên AMOS: kiểm tra bất biến cấu hình, bất biến hệ số tải (metric), bất biến hệ số chặn (scalar), so sánh chi-square giữa các mô hình lồng nhau, so sánh từng đường dẫn và cách viết kết quả. Cuối bài có phần giới thiệu thủ tục MICOM trên SmartPLS. Mọi con số trong ví dụ là số liệu minh họa.

Điểm chính của bài

  • Phải xác lập bất biến đo lường trước, sau đó mới so sánh đường dẫn hay giá trị trung bình giữa các nhóm (Vandenberg & Lance, 2000).
  • Ba cấp độ cơ bản: cấu hình (configural), hệ số tải (metric), hệ số chặn (scalar).
  • So sánh mô hình lồng nhau bằng chênh lệch \(\chi^2\) và theo dõi thêm mức giảm của CFI.
  • So sánh từng đường dẫn bằng ràng buộc bằng nhau hoặc Critical ratios for differences.
  • Với PLS-SEM, thủ tục MICOM thay thế cho kiểm định bất biến dựa trên hiệp phương sai.
Nội dung bài viết
  1. Phân tích đa nhóm là gì và khi nào cần dùng?
  2. Các cấp độ bất biến đo lường trong phân tích đa nhóm
  3. Chuẩn bị dữ liệu trước khi phân tích đa nhóm
  4. Các bước phân tích đa nhóm trên AMOS
  5. Đọc kết quả phân tích đa nhóm: so sánh chi-square
  6. So sánh đường dẫn trong phân tích đa nhóm
  7. Cách viết kết quả phân tích đa nhóm theo APA
  8. Giới thiệu MICOM: phân tích đa nhóm trên SmartPLS
  9. Lỗi thường gặp khi phân tích đa nhóm
  10. Checklist hoàn thành phân tích đa nhóm
  11. Câu hỏi thường gặp về phân tích đa nhóm
  12. Tài liệu tham khảo

Phân tích đa nhóm là gì và khi nào cần dùng?

Trong một mô hình SEM thông thường, các hệ số được ước lượng chung cho toàn bộ mẫu. Cách làm này ngầm giả định mọi nhóm trong mẫu có cùng cấu trúc quan hệ. Khi giả định đó không đúng, hệ số chung có thể che khuất khác biệt quan trọng, chẳng hạn sự hài lòng ảnh hưởng mạnh đến lòng trung thành ở nam nhưng yếu hơn ở nữ.

Bạn nên dùng phân tích đa nhóm khi giả thuyết nghiên cứu có dạng "tác động của X đến Y khác nhau giữa các nhóm", khi muốn so sánh giá trị trung bình của khái niệm tiềm ẩn giữa các nhóm, hoặc khi cần chứng minh thang đo có thể dùng cho nhiều đối tượng. Về bản chất, đây là cách kiểm định biến điều tiết dạng phân loại; nếu biến điều tiết là biến liên tục, hãy xem bài biến điều tiết.

Hai câu hỏi chính của phân tích đa nhóm

Câu hỏi thứ nhất là bất biến đo lường: người trả lời ở các nhóm có hiểu và dùng thang đo theo cùng một cách không. Câu hỏi thứ hai là khác biệt cấu trúc: hệ số đường dẫn có khác nhau giữa các nhóm không. Câu hỏi thứ hai chỉ có ý nghĩa khi câu hỏi thứ nhất đã được trả lời thỏa đáng, vì vậy phân tích đa nhóm luôn bắt đầu bằng kiểm định bất biến.

Các cấp độ bất biến đo lường trong phân tích đa nhóm

Vandenberg và Lance (2000) tổng hợp chuỗi kiểm định lồng nhau dùng trong phân tích đa nhóm, mỗi bước thêm ràng buộc so với bước trước. Bảng dưới tóm tắt các cấp độ thường dùng trong luận văn và điều kiện mà mỗi cấp cho phép.

Cấp độ Ràng buộc bằng nhau giữa các nhóm Cho phép so sánh Mô hình tương ứng trong AMOS
Cấu hình (configural) Chỉ cùng cấu trúc nhân tố, mọi tham số tự do Khái niệm có cùng cấu trúc Unconstrained
Hệ số tải (metric) Hệ số tải nhân tố Hệ số đường dẫn, hiệp phương sai Measurement weights
Hệ số chặn (scalar) Hệ số tải và hệ số chặn của biến quan sát Giá trị trung bình tiềm ẩn Measurement intercepts
Phần dư (strict) Thêm phương sai sai số đo lường Điểm tổng quan sát (ít khi bắt buộc) Measurement residuals
Ba cấp độ bất biến đo lường trong phân tích đa nhóm trên AMOS
Các cấp độ bất biến đo lường và mô hình tương ứng trong AMOS.

Trong thực tế, phần lớn nghiên cứu phân tích đa nhóm chỉ cần đạt bất biến metric để so sánh đường dẫn. Nếu bạn muốn so sánh trung bình tiềm ẩn, chẳng hạn mức hài lòng trung bình của nam so với nữ, thì cần thêm bất biến scalar.

Chuẩn bị dữ liệu trước khi phân tích đa nhóm

  • Biến phân nhóm: có một biến mã hóa rõ ràng trong file .sav, ví dụ GioiTinh với 1 = Nam, 2 = Nữ.
  • Cỡ mẫu mỗi nhóm: mỗi nhóm phải đủ lớn để ước lượng mô hình riêng. Kline (2016) lưu ý mô hình càng nhiều tham số càng cần mẫu lớn; nhóm chỉ vài chục quan sát thường cho kết quả không ổn định. Xem cách tính cỡ mẫu khi thiết kế nghiên cứu.
  • Không có ô trống: dữ liệu thiếu khiến AMOS không tính Modification Indices, vốn cần cho bước bất biến từng phần của phân tích đa nhóm.
  • CFA đạt cho toàn mẫu: mô hình đo lường phải phù hợp trước, xem bài phân tích CFA trên AMOS.

Mẹo: trước khi phân tích đa nhóm, hãy chạy CFA riêng cho từng nhóm. Nếu một nhóm đã có độ phù hợp kém hoặc hệ số tải âm, bất biến cấu hình sẽ khó đạt và bạn tiết kiệm được nhiều thời gian dò lỗi.

Các bước phân tích đa nhóm trên AMOS

Ví dụ phân tích đa nhóm minh họa dùng mô hình bốn khái niệm: Chất lượng dịch vụ (CL), Giá trị cảm nhận (GT), Sự hài lòng (HL), Lòng trung thành (TT), với nhóm Nam (n = 165) và Nữ (n = 185). Các bước sau áp dụng cho AMOS 24 đến AMOS 29.

  1. Tạo nhóm. Vào Analyze > Manage Groups, đổi tên Group number 1 thành Nam, bấm New để tạo nhóm Nu, rồi Close.
  2. Gán dữ liệu cho từng nhóm. Mở File > Data Files, chọn nhóm Nam, bấm File Name để chọn file .sav, bấm Grouping Variable chọn GioiTinh, bấm Group Value chọn 1. Lặp lại cho nhóm Nu với giá trị 2.
  3. Bật ước lượng trung bình nếu cần scalar. Trong View > Analysis Properties, thẻ Estimation, tích Estimate means and intercepts.
  4. Tạo chuỗi mô hình lồng nhau. Chọn Analyze > Multiple-Group Analysis, bấm OK. AMOS tự gắn nhãn tham số và tạo các mô hình Measurement weights, Measurement intercepts, Structural weights...
  5. Thiết lập đầu ra. Ở thẻ Output, tích Standardized estimates và Critical ratios for differences.
  6. Chạy mô hình. Chọn Analyze > Calculate Estimates, sau đó mở Text Output.

Lưu ý: khi tích Estimate means and intercepts, trung bình của biến tiềm ẩn ở nhóm tham chiếu (Nam) phải cố định bằng 0, còn ở nhóm Nu để tự do trong mô hình scalar. Nếu cố định bằng 0 ở cả hai nhóm, mô hình Measurement intercepts sẽ kiểm định sai giả thuyết.

Đọc kết quả phân tích đa nhóm: so sánh chi-square

Sau khi chạy phân tích đa nhóm, mục Model Fit trong Text Output liệt kê độ phù hợp của từng mô hình. Mục Model Comparison cho chênh lệch \(\chi^2\) giữa các mô hình lồng nhau, với tiêu đề như "Assuming model Unconstrained to be correct" hoặc "Assuming model Measurement weights to be correct".

\[ \Delta\chi^2 = \chi^2_{\text{ràng buộc}} - \chi^2_{\text{tự do}}, \qquad \Delta df = df_{\text{ràng buộc}} - df_{\text{tự do}} \]

Nếu \(\Delta\chi^2\) không có ý nghĩa (\(p > 0{,}05\)), ràng buộc bằng nhau được chấp nhận, tức bất biến ở cấp đó đạt. Ví dụ với \(\Delta df = 1\), giá trị tới hạn ở mức 0,05 là 3,84; với \(\Delta df = 13\), giá trị tới hạn là 22,36.

Bảng Model Comparison trong Amos Output khi phân tích đa nhóm
So sánh chi-square giữa các mô hình lồng nhau (số liệu minh họa).
Mô hình (số liệu minh họa) \(\chi^2\) df CFI RMSEA \(\Delta\chi^2\) (\(\Delta df\)) p \(\Delta\)CFI
Cấu hình (Unconstrained) 512,6 228 0,946 0,060
Metric (Measurement weights) 527,1 241 0,945 0,058 14,5 (13) 0,340 -0,001
Scalar (Measurement intercepts) 563,3 254 0,940 0,059 36,2 (13) < 0,001 -0,005

Mô hình cấu hình có CFI = 0,946, hơi thấp hơn mức gần 0,95 của Hu và Bentler (1999) nhưng đạt ngưỡng truyền thống 0,90, cùng RMSEA = 0,060, nên cùng một cấu trúc nhân tố phù hợp cho cả hai nhóm. Bất biến metric đạt rõ ràng vì \(\Delta\chi^2(13) = 14{,}5\), \(p = 0{,}340\). Đây là điều kiện đủ để so sánh đường dẫn ở bước tiếp theo.

Tiêu chí ΔCFI khi phân tích đa nhóm với mẫu lớn

Ở bước scalar, \(\Delta\chi^2(13) = 36{,}2\) có ý nghĩa, nhưng CFI chỉ giảm 0,005. Vì \(\chi^2\) rất nhạy với cỡ mẫu, nhiều tài liệu về bất biến đo lường dùng thêm tiêu chí thực hành: CFI giảm không quá 0,01 thì xem như bất biến vẫn chấp nhận được. Khi hai tiêu chí mâu thuẫn, hãy báo cáo cả hai và nêu rõ bạn dựa vào tiêu chí nào.

Cách thận trọng hơn là kiểm tra bất biến từng phần (partial invariance): giải phóng hệ số chặn của một biến quan sát có Modification Index lớn nhất, chạy lại và so sánh. Vandenberg và Lance (2000) chấp nhận bất biến từng phần nếu phần lớn tham số vẫn bất biến và có giải thích nội dung.

So sánh đường dẫn trong phân tích đa nhóm

Khi bất biến metric đã đạt, bạn chuyển sang câu hỏi chính của phân tích đa nhóm: hệ số đường dẫn có khác nhau giữa nam và nữ không. Có hai cách thực hiện trên AMOS.

Cách 1: Ràng buộc từng đường dẫn và so sánh chi-square

Bấm chuột phải vào đường dẫn HL → TT, chọn Object Properties, thẻ Parameters, đặt nhãn Regression weight là p3 và giữ tích All groups để hai nhóm dùng chung nhãn, tức ràng buộc bằng nhau. So sánh mô hình này với mô hình metric. Trong ví dụ, \(\Delta\chi^2(1) = 7{,}9\), \(p = 0{,}005\), nên tác động của HL đến TT khác biệt có ý nghĩa giữa hai nhóm.

Cách 2: Critical ratios for differences

Mục Pairwise Parameter Comparisons trong Text Output cho bảng Critical Ratios for Differences between Parameters. Mỗi ô là giá trị z của chênh lệch giữa hai tham số; \(|z| > 1{,}96\) nghĩa là khác biệt có ý nghĩa ở mức 0,05. Bạn cần đối chiếu nhãn tham số (ví dụ b3_1 của nhóm Nam với b3_2 của nhóm Nu) với đường dẫn tương ứng.

Đường dẫn (số liệu minh họa) \(\beta\) Nam \(\beta\) Nữ z chênh lệch \(\Delta\chi^2(1)\) Kết luận
CL → HL 0,43*** 0,39*** -0,52 0,27 Không khác biệt
GT → HL 0,30*** 0,36*** 0,88 0,77 Không khác biệt
HL → TT 0,61*** 0,40*** -2,81 7,90 Khác biệt, p = 0,005
CL → TT 0,13 0,22** 1,21 1,46 Không khác biệt

Khi ràng buộc đồng thời cả bốn đường dẫn, \(\Delta\chi^2(4) = 11{,}8\), \(p = 0{,}019\), cho thấy mô hình cấu trúc nhìn chung khác nhau giữa hai nhóm, và khác biệt tập trung ở đường HL → TT. Chuỗi kiểm định chi tiết như vậy giúp phân tích đa nhóm có sức thuyết phục hơn so với chỉ so sánh hệ số bằng mắt.

Cách viết kết quả phân tích đa nhóm theo APA

Đoạn báo cáo kết quả phân tích đa nhóm nên trình bày theo thứ tự: bất biến cấu hình, metric, scalar, rồi khác biệt đường dẫn, kèm \(\Delta\chi^2\), \(\Delta df\), p và \(\Delta\)CFI.

Ví dụ: Phân tích đa nhóm theo giới tính (Nam n = 165, Nữ n = 185) được thực hiện trên AMOS 26. Mô hình cấu hình phù hợp với dữ liệu, \(\chi^2(228) = 512{,}6\), CFI = 0,946, RMSEA = 0,060. Bất biến metric được xác lập, \(\Delta\chi^2(13) = 14{,}5\), \(p = 0{,}340\), \(\Delta\)CFI = -0,001. Tác động của sự hài lòng đến lòng trung thành mạnh hơn ở nam (\(\beta = 0{,}61\)) so với nữ (\(\beta = 0{,}40\)), \(\Delta\chi^2(1) = 7{,}9\), \(p = 0{,}005\). (Số liệu minh họa.)

Bảng kết quả trong chương 4 nên có hai phần: bảng kiểm định bất biến và bảng so sánh đường dẫn như trên. Phần thảo luận cần giải thích vì sao khác biệt xảy ra dựa trên lý thuyết, không chỉ nêu con số. Quy trình ước lượng mô hình gốc được trình bày trong bài phân tích SEM trên AMOS, còn ý nghĩa của CFI, RMSEA xem tại bài chỉ số model fit.

Giới thiệu MICOM: phân tích đa nhóm trên SmartPLS

Khi phân tích đa nhóm bằng PLS-SEM, khái niệm được ước lượng dưới dạng tổ hợp (composite) nên không áp dụng trực tiếp chuỗi configural, metric, scalar của CB-SEM. Henseler, Ringle và Sarstedt (2016) đề xuất thủ tục MICOM (Measurement Invariance of Composite Models) gồm ba bước.

Ba bước MICOM khi phân tích đa nhóm trên SmartPLS
Thủ tục MICOM theo Henseler và cộng sự (2016).
  • Bước 1, bất biến cấu hình: cùng biến quan sát, cùng cách xử lý dữ liệu và cùng thiết lập thuật toán cho mọi nhóm. Bước này được đánh giá định tính.
  • Bước 2, bất biến thành phần: dùng kiểm định hoán vị (permutation) để xem tương quan c giữa điểm tổ hợp tính theo trọng số của hai nhóm có thấp hơn phân vị 5% hay không.
  • Bước 3, bằng nhau về trung bình và phương sai: nếu đạt, có thể gộp dữ liệu (bất biến toàn phần); nếu chỉ đạt bước 1 và 2, có bất biến từng phần, đủ để so sánh hệ số đường dẫn.

Trên SmartPLS 4, bạn tạo nhóm dữ liệu từ biến phân loại trong phần dữ liệu, chạy MICOM, sau đó chạy Multigroup analysis (MGA) hoặc Permutation để so sánh đường dẫn. Chi tiết về PLS-SEM có trong bài PLS-SEM trên SmartPLS.

Lỗi thường gặp khi phân tích đa nhóm

Bảng dưới liệt kê những lỗi hay gặp nhất khi phân tích đa nhóm trên AMOS và cách khắc phục.

Lỗi Hậu quả Cách xử lý
So sánh đường dẫn khi chưa kiểm tra bất biến Khác biệt có thể do thang đo, không phải do quan hệ Kiểm định configural và metric trước
Chạy hồi quy riêng từng nhóm rồi so hệ số bằng mắt Không có kiểm định thống kê cho chênh lệch Dùng \(\Delta\chi^2\) hoặc Critical ratios for differences
Nhóm quá nhỏ Không hội tụ, phương sai âm Gộp nhóm hợp lý hoặc tăng mẫu
Quên gán Group Value Cả hai nhóm dùng toàn bộ dữ liệu Kiểm tra lại File > Data Files, cột N
Cố định trung bình tiềm ẩn bằng 0 ở cả hai nhóm Kiểm định scalar sai Chỉ cố định ở nhóm tham chiếu

Một lưu ý về liêm chính: không chia nhóm theo nhiều cách khác nhau rồi chỉ báo cáo cách cho kết quả có ý nghĩa. Biến phân nhóm nên được xác định từ giả thuyết ngay từ khi thiết kế bảng hỏi.

Checklist hoàn thành phân tích đa nhóm

  • Biến phân nhóm được mã hóa rõ ràng, mỗi nhóm đủ cỡ mẫu.
  • CFA đạt cho toàn mẫu và cho từng nhóm riêng.
  • Đã kiểm định cấu hình, metric và scalar (nếu cần so sánh trung bình).
  • Báo cáo \(\Delta\chi^2\), \(\Delta df\), p và \(\Delta\)CFI cho mỗi bước.
  • So sánh đường dẫn bằng kiểm định thống kê, kèm \(\beta\) chuẩn hóa từng nhóm.
  • Giải thích khác biệt tìm được từ phân tích đa nhóm dựa trên lý thuyết trong phần thảo luận.

Câu hỏi thường gặp về phân tích đa nhóm

Phân tích đa nhóm cần mỗi nhóm bao nhiêu quan sát?

Không có ngưỡng cố định. Mỗi nhóm cần đủ để ước lượng ổn định mô hình riêng; với mô hình 4 đến 5 khái niệm, nhóm từ khoảng 100 đến 150 quan sát trở lên thường cho kết quả đáng tin cậy hơn nhóm vài chục quan sát.

Không đạt bất biến scalar thì có so sánh đường dẫn được không?

Được. So sánh hệ số đường dẫn trong phân tích đa nhóm chỉ cần bất biến metric. Bất biến scalar chỉ cần khi bạn so sánh giá trị trung bình tiềm ẩn giữa các nhóm.

Có thể phân tích đa nhóm với ba nhóm trở lên không?

Có. Bạn tạo thêm nhóm trong Manage Groups và gán Group Value tương ứng. Khi kiểm định chung có ý nghĩa, hãy so sánh từng cặp nhóm để xác định khác biệt nằm ở đâu.

Biến điều tiết liên tục có nên chia thành hai nhóm?

Không nên chia theo trung vị nếu không có lý do, vì cách này làm mất thông tin. Hãy dùng biến tương tác hoặc PROCESS Macro cho biến điều tiết liên tục.

MICOM có bắt buộc khi dùng MGA trên SmartPLS?

Nên có. Henseler và cộng sự (2016) khuyến nghị xác lập ít nhất bất biến từng phần (bước 1 và 2) trước khi diễn giải khác biệt đường dẫn trong MGA.

Cần hỗ trợ khi chạy multigroup?

Kaas.vn hướng dẫn từng bước phân tích đa nhóm qua dịch vụ hỗ trợ AMOS, giải thích cách đọc Model Comparison và bàn giao file để bạn tự chạy lại; chúng tôi không viết thay, không chỉnh số liệu. Bạn có thể luyện tập với bộ dữ liệu thực hành.

Tài liệu tham khảo

  • Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405-431. doi:10.1108/IMR-09-2014-0304
  • Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1-55. doi:10.1080/10705519909540118
  • Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
  • Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of the measurement invariance literature. Organizational Research Methods, 3(1), 4-70. doi:10.1177/109442810031002
Đánh giá bài post
Bạn có đề tài và mô hình riêng?

Gửi mô hình (ảnh, Word, PDF) và chọn SPSS, AMOS, SmartPLS, Stata, Eviews hoặc R. Kaas.vn đề xuất phương án và báo giá miễn phí.

Đặt phân tích theo yêu cầu

Để lại một bình luận

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *

0947 971 630