Hướng dẫn thực hành AMOS từng bước: từ Conbachs Alhpa đến CFA & SEM

Ngày tạo: 05-01-2026

Chuyên mục: AMOS

Phần hướng dẫn này trình bày quy trình thực hành AMOS theo 6 bước, phù hợp với nghiên cứu định lượng trong luận văn thạc sĩ, luận án tiến sĩ và bài báo khoa học. Quy trình bắt đầu từ xử lý dữ liệu trên SPSS, tiếp tục với phân tích CFA và SEM trên AMOS, và kết thúc bằng diễn giải kết quả để viết luận văn. Mỗi bước được trình bày theo hướng thực hành chi tiết, giúp người đọc dễ áp dụng và hạn chế sai sót khi triển khai mô hình AMOS trong nghiên cứu thực tế.

1. AMOS là gì và khi nào cần sử dụng?

AMOS (Analysis of Moment Structures) là phần mềm dùng để phân tích mô hình cấu trúc tuyến tính (SEM), thường được sử dụng sau SPSS trong nghiên cứu định lượng. Nếu SPSS tập trung vào thống kê mô tả, EFA và hồi quy, thì AMOS cho phép kiểm định mô hình lý thuyết tổng thể, với các biến tiềm ẩn được đo lường bằng nhiều biến quan sát.

AMOS đặc biệt cần thiết khi nghiên cứu sử dụng CFA, SEM, có mô hình lý thuyết rõ ràng và cần đánh giá mối quan hệ nhân quả cũng như độ phù hợp của mô hình với dữ liệu. Phần mềm này thường xuất hiện trong luận văn thạc sĩ, luận án tiến sĩ và bài báo khoa học; ngược lại, với các phân tích thống kê cơ bản, SPSS là đủ và không cần dùng AMOS.

2. Quy trình sử dụng AMOS trong SPSS

Quy trình sử dụng AMOS trong nghiên cứu định lượng thường được thực hiện theo 6 bước, bắt đầu từ xử lý dữ liệu trên SPSS và kết thúc bằng việc diễn giải kết quả để đưa vào luận văn.

Bước 1: Chuẩn bị dữ liệu trong SPSS.

Bước 2: Liên kết dữ liệu SPSS với AMOS

Bước 3: Xây dựng mô hình đo lường (CFA)

Bước 4: Chạy CFA và đánh giá độ phù hợp của mô hình

Bước 5: Xây dựng và phân tích mô hình cấu trúc (SEM)

Bước 6: Diễn giải kết quả và trình bày trong luận văn

3. Chuẩn bị dữ liệu trong SPSS

Trước khi tiến hành các phân tích thống kê trên SPSS hoặc xây dựng mô hình CFA/SEM bằng AMOS, dữ liệu khảo sát cần được chuẩn bị, mã hóa và khai báo đúng chuẩn . Bước này nhằm đảm bảo dữ liệu có thể được phần mềm nhận diện chính xác, đồng thời tránh các lỗi kỹ thuật trong quá trình phân tích.

3.1 Xây dựng bảng mã hóa dữ liệu

Dựa trên bảng câu hỏi khảo sát, mỗi khái niệm nghiên cứu được đo lường bằng nhiều biến quan sát và được mã hóa bằng ký hiệu viết tắt, giúp thuận tiện cho việc nhập liệu và phân tích.

Cụ thể:

HACN: Hình ảnh cá nhân (HACN1 – HACN4)
HATH: Hình ảnh thương hiệu (HATH1 – HATH4)
GC: Giá cả (GC1 – GC4)
CCQ: Chuẩn chủ quan (CCQ1 – CCQ5)
XT: Xúc tiến bán hàng (XT1 – XT4)
MXH: Mạng xã hội (MXH1 – MXH4)
YD: Ý định mua (YD1 – YD3)
HV: Hành vi mua mỹ phẩm (HV1 – HV3) //kẻ bảng sau//

Việc xây dựng bảng mã hóa rõ ràng giúp:

Tránh nhầm lẫn khi nhập liệu
Dễ đọc kết quả SPSS và AMOS
Thuận tiện khi diễn giải trong luận văn

3.2 Nhập dữ liệu khảo sát vào SPSS

Sau khi hoàn tất thu thập bảng hỏi, dữ liệu được nhập vào SPSS theo nguyên tắc:

Mỗi dòng (row) tương ứng với một đối tượng khảo sát
Mỗi cột (column) tương ứng với một biến quan sát (ví dụ: HACN1, GC3, CCQ5…)

Các câu hỏi được đo lường bằng thang đo Likert 5 mức, được mã hóa như sau:

Giá trị	Ý nghĩa
1	Hoàn toàn không đồng ý
2	Không đồng ý
3	Bình thường
4	Đồng ý
5	Hoàn toàn đồng ý

SPSS và AMOS chỉ xử lý dữ liệu dạng số, do đó không nhập câu trả lời dạng chữ.

3.3 Khai báo biến trong Variable View của SPSS

Sau khi nhập dữ liệu, người nghiên cứu chuyển sang Variable View để khai báo thuộc tính cho từng biến

Name: đặt tên biến theo mã hóa (HACN1, HATH2, GC4…)
Type: Numeric
Decimals: 0
Label: mô tả đầy đủ nội dung câu hỏi (ví dụ: “Bạn quan tâm đến vẻ ngoài của mình”)
Values: khai báo giá trị thang đo Likert (1–5)
Measure: Scale

Việc khai báo đúng Measure = Scale là điều kiện bắt buộc để:

Chạy Cronbach’s Alpha
Phân tích EFA
Phân tích CFA và SEM trong AMOS

3.4 Kiểm tra dữ liệu trong Data View

Sau khi khai báo biến, dữ liệu được kiểm tra lại trong Data View nhằm phát hiện các lỗi nhập liệu thường gặp.

Giá trị ngoài thang đo (ví dụ: 6, 0)
Ô dữ liệu bị bỏ trống
Dòng dữ liệu không hợp lệ

Nếu phát hiện lỗi:

Sửa trực tiếp trong SPSS
Hoặc loại bỏ bảng trả lời không đạt yêu cầu

Đây là bước quan trọng giúp hạn chế lỗi khi chạy Cronbach’s Alpha, EFA và AMOS.

3.5 Thống kê mô tả và tần số dữ liệu trong SPSS

Trong bài viết này, bộ dữ liệu không bao gồm các biến nhân khẩu học, mà chỉ gồm các biến quan sát được đo lường bằng thang đo Likert 5 mức. Do đó, nghiên cứu không sử dụng phân tích tần số (Frequencies) để mô tả đặc điểm mẫu, mà tập trung vào kiểm tra và thống kê mô tả dữ liệu thang đo nhằm đánh giá sơ bộ chất lượng dữ liệu trước khi thực hiện các phân tích tiếp theo.

a. Thống kê tần số

Đối với các biến định tính như giới tính, độ tuổi, trình độ học vấn hoặc thu nhập, người nghiên cứu sử dụng chức năng Frequencies trong SPSS để xác định tần suất và tỷ lệ phần trăm của từng nhóm đối tượng.

Thao tác thực hiện:

Chọn Analyze → Descriptive Statistics → Frequencies
Đưa các biến nhân khẩu học vào ô phân tích
Chọn Display frequency tables
Nhấn OK để xem kết quả

b. Thống kê mô tả dữ liệu thang đo Likert

Trong bước này, các biến quan sát được xem là biến định lượng xấp xỉ liên tục, do đó thống kê mô tả được thực hiện thông qua các chỉ số cơ bản gồm giá trị trung bình (Mean), độ lệch chuẩn (Standard Deviation), cùng với giá trị nhỏ nhất và lớn nhất (Minimum – Maximum). Các chỉ số này cho phép đánh giá mức độ đồng thuận trung bình của người trả lời đối với từng phát biểu, đồng thời kiểm tra dữ liệu có nằm trong khoảng hợp lệ từ 1 đến 5 hay không.

Thống kê mô tả dữ liệu thang đo giúp:

Đánh giá mức độ tập trung và phân tán của dữ liệu khảo sát
Phát hiện sớm các biến có giá trị bất thường hoặc sai thang đo
Đảm bảo dữ liệu đủ điều kiện để đưa vào phân tích nhân tố và mô hình cấu trúc tuyến tính (SEM)

Thao tác thực hiện trên SPSS:

Chọn Analyze → Descriptive Statistics → Descriptives

Đưa toàn bộ các biến quan sát thuộc thang đo Likert vào ô phân tích

Chọn Options, tích chọn các chỉ số: Mean, Std. Deviation, Minimum, Maximum

Nhấn OK để xem kết quả

Kết quả thống kê mô tả cho thấy các biến quan sát đều có giá trị nằm trong khoảng từ 1 đến 5, đảm bảo dữ liệu hợp lệ và phù hợp để tiếp tục các bước phân tích độ tin cậy thang đo và mô hình CFA/SEM trong AMOS.

3.6 Kiểm định độ tin cậy thang đo bằng Cronbach’s Alpha trong SPSS

Sau khi kiểm tra sơ bộ dữ liệu thông qua thống kê mô tả, nghiên cứu tiến hành kiểm định độ tin cậy thang đo bằng Cronbach’s Alpha nhằm đánh giá mức độ nhất quán nội tại giữa các biến quan sát trước khi thực hiện phân tích nhân tố khám phá (EFA) và phân tích mô hình CFA/SEM bằng AMOS.

Các bạn có thể xem thêm hướng dẫn chi tiết về phân tích độ tin cậy Cronbach’s Alpha trong SPSS để hiểu rõ cách đọc bảng kết quả và loại biến quan sát trước khi thực hiện EFA và AMOS.

Quy trình kiểm định Cronbach’s Alpha trong SPSS gồm các bước sau:

Bước 1: Vào Analyze → Scale → Reliability Analysis…

Bước 2: Thực hiện phân tích Cronbach's Alpha cho thang đo HACN, đưa các biến quan sát HACN1, HACN2. HACN3. HACN4 vào mục Items bên phải. Tiếp theo chọn vào Statistics…

Bước 3:
Chọn Statistics…, tích vào:

Item
Scale
Scale if item deleted

→ Chọn Continue → OK để xuất kết quả.

Trong tùy chọn Statistics, các bạn tích vào các mục giống như hình. Sau đó chọn Continue để cài đặt được áp dụng.

Sau khi nhấp Continue, SPSS sẽ quay về giao diện ban đầu, các bạn nhấp chuột vào OK để xuất kết quả ra Output:

Bước 4: Đánh giá kết quả và loại biến không phù hợp

a. Kết quả kiểm định độ tin cậy thang đo Cronbach’s Alpha của thang đo HACN

→ Kết quả kiểm định cho thấy thang đo Hình ảnh cá nhân (HACN) có Cronbach’s Alpha = 0,840 > 0,7 và tất cả biến quan sát HACN1–HACN4 đều có Corrected Item–Total Correlation > 0,3, cho thấy thang đo đạt yêu cầu về độ tin cậy và các biến quan sát đóng góp tốt vào nhân tố này. -> Thang đo ổn định, không cần loại bỏ biến.

Quy trình thực hiện cho các thang đo khác tương tự

b. Kết quả kiểm định độ tin cậy thang đo Cronbach’s Alpha của thang đo GC

Cronbach’s Alpha = 0.691 (> 0.6)
Biến GC1 có tương quan biến – tổng = 0153 (< 0.3)
Alpha if Item Deleted = 0.782 (> Alpha tổng)

-> Loại biến GC1 và chạy lại Cronbach’s Alpha lần 2.

Kết quả thang đo GC sau khi loại biến GC1:

Cronbach’s Alpha tăng lên 0.782
Các biến còn lại đều đạt chuẩn

Kết luận:
Thang đo GC đạt độ tin cậy cao với 3 biến quan sát.

c. Kết quả kiểm định độ tin cậy thang đo Cronbach’s Alpha của thang đo CCQ

Cronbach’s Alpha CCQ: 0,733 > 0,7
Riêng CCQ1, CCQ2 có chỉ số Corrected Item- Total Correlation thấp hơn Cronbach's Alpha if Item, tùy trường hợp sẽ giữ lại biến đó.

Mặc dù CCQ1 có Corrected Item–Total Correlation > 0,3, nhưng xét tổng thể thang đo CCQ, cả CCQ1 và CCQ2 đều làm giảm độ tin cậy và không đảm bảo tính ổn định cho nhân tố. Do đó, cả hai biến được loại bỏ và thang đo CCQ chạy lại Cronbach’s Alpha lần 2.

Kết quả thang đo CCQ sau khi loại biến CCQ1, CCQ2

Kết luận:
Thang đo CCQ đạt độ tin cậy cao với 3 biến quan sát.

Các thang đo còn lại như XT, MXH, YD HV có tất cả biến quan sát với Corrected Item–Total Correlation > 0,3 mặc dù thấp hơn Alpha if Item Deleted, do đó các biến được giữ lại, đảm bảo thang đo đạt độ tin cậy và sẵn sàng cho phân tích EFA/CFA/SEM.

3.7 Phân tích nhân tố khám phá EFA trong SPSS

Phân tích nhân tố khám phá (Exploratory Factor Analysis – EFA) được sử dụng để xác định cấu trúc tiềm ẩn của các biến quan sát, loại bỏ các biến yếu và rút gọn thang đo trước khi thực hiện CFA/SEM. Trong SPSS, EFA giúp đánh giá mức độ phù hợp của dữ liệu với phân tích nhân tố thông qua các chỉ số như Kaiser-Meyer-Olkin (KMO) > 0,6 và Kiểm định Bartlett có ý nghĩa p < 0,05.

Các bạn có thể xem thêm hướng dẫn chi tiết về phân tích nhân tố khám phá (EFA) trong SPSS để nắm cách đọc kết quả EFA và xác định các biến quan sát yếu trước khi thực hiện CFA/SEM.

Quy trình thực hiện EFA trong SPSS gồm các bước:

Bước 1: Vào Analyze -> Dimension Reduction -> Factor..

Bước 2: Đưa biến quan sát của các biến độc lập cần thực hiện phân tích EFA vào mục Variables, nếu có biến quan sát nào bị loại ở bước trước đó, chúng ta sẽ không đưa vào phân tích EFA.

Chú ý các tùy chọn được dánh dấu ở mục số 3.

Descriptives: Chọn KMO and Bartlett’s test of sphericity để kiểm tra tính phù hợp của dữ liệu.

Extraction: sử dụng Principal Axis Factoring (PAF) để trích nhân tố; PAF phù hợp khi mục tiêu là khám phá cấu trúc nhân tố tiềm ẩn thay vì chỉ giảm số chiều dữ liệu như PCA. Số lượng nhân tố xác định dựa vào Eigenvalues > 1 và Scree Plot.

Rotation: Chọn phép quay Varimax; Varimax phù hợp khi đã xác định biến độc lập và phụ thuộc.

Nhấp Continue để quay lại cửa sổ ban đầu.

Options:
- Sorted by size: sắp xếp hệ số tải theo bậc thang để dễ đọc.
- Suppress small coefficients: chỉ hiển thị hệ số tải ≥ ngưỡng mong muốn (ví dụ 0,5) để ma trận xoay rõ ràng.

Sau đó nhấp vào Continue để đóng cửa sổ.

Có khá nhiều bảng ở output, tất cả các bảng này đều đóng góp vào việc đánh giá kết quả phân tích EFA là tốt hay tệ. Tuy nhiên, ở đây tác giả tập trung vào ba bảng kết quả chính: KMO and Barlett’s Test, Total Variance Explained và Rotated Component Matrix, bởi sử dụng ba bảng này chúng ta đã có thể đánh giá được kết quả phân tích EFA phù hợp hay không phù hợp.

Bước 3: Phân tích và đọc kết quả

Quan sát kết quả chạy EFA, chúng ta tiến hành đánh giá qua 3 bảng tiêu chuẩn như sau:

Bảng 1. Kiểm định tính thích hợp của dữ liệu (Bảng KMO and Bartlett's Test)

Hệ số KMO = 0.899, Giá trị này nằm trong khoảng 0.5 < 0.899< 1. Theo bảng phân loại của Kaiser (1974), mức 0.899 được đánh giá là "Tốt" (Meritorious).

Kiểm định Bartlett: Giá trị Sig. (cột cuối cùng) < 0.001.

-> Kết luận: Dữ liệu hoàn toàn đủ điều kiện và phù hợp để thực hiện phân tích nhân tố

Bảng 2. Tiêu chuẩn trích nhân tố (Bảng Total Variance Explained)

Số lượng nhân tố: Tại phần Initial Eigenvalues, chúng ta thấy có 8 nhân tố có giá trị Eigenvalue > 1. Thuật toán dừng trích xuất tại nhân tố thứ 8 (vì nhân tố thứ 9 có Eigenvalue = 0.574 < 1).

Tổng phương sai trích (Cumulative %): 8 nhân tố này giải thích được 71,292% > 50%, cho thấy các nhân tố rút ra đại diện tốt cho thông tin của tập dữ liệu gốc.

Bảng 3: Ma trận Pattern (Pattern Matrix)

Dựa trên bảng Pattern Matrix, các biến quan sát đều có hệ số tải nhân tố lớn hơn 0,5 và không xuất hiện tải chéo đáng kể, cho thấy thang đo đạt giá trị hội tụ và giá trị phân biệt.

Cụ thể, các biến MXH1–MXH4 tải mạnh lên nhân tố MXH; HACN1–HACN4 hội tụ tốt vào nhân tố HACN; các biến XT, HATH, CCQ, HV, GC và YD đều tập trung đúng vào các nhân tố tương ứng. Hệ số tải nhân tố dao động trong khoảng 0,649–0,869, đáp ứng tiêu chuẩn trong nghiên cứu định lượng.

Như vậy, kết quả EFA xác nhận cấu trúc thang đo là phù hợp, các biến quan sát được giữ lại toàn bộ và đủ điều kiện để tiếp tục thực hiện phân tích CFA và mô hình SEM bằng AMOS.

Sau khi hoàn tất chuẩn bị dữ liệu, file được lưu ở định dạng .sav để sử dụng cho toàn bộ các bước phân tích tiếp theo.

4. Liên kết dữ liệu SPSS với AMOS để phân tích CFA và SEM

Sau khi hoàn tất bước chuẩn bị, mã hóa và lưu dữ liệu trên SPSS, người nghiên cứu cần liên kết file dữ liệu SPSS với AMOS để phục vụ phân tích CFA và SEM. Trên thực tế, AMOS không có dữ liệu riêng, mà sử dụng trực tiếp file .sav được tạo từ SPSS. Do đó, nếu dữ liệu đầu vào không được thiết lập đúng, toàn bộ quá trình phân tích AMOS trong luận văn sẽ gặp lỗi hoặc cho kết quả không đáng tin cậy.

4.1 Mở phần mềm AMOS và tạo file phân tích mới

Khởi động IBM SPSS AMOS Graphics, sau đó chọn File → New để tạo một mô hình phân tích mới. Giao diện làm việc chính của AMOS là vùng vẽ mô hình, nơi người dùng sẽ xây dựng mô hình CFA và SEM bằng các thao tác trực quan.

4.2 Thiết lập và liên kết file dữ liệu SPSS (.sav)

Để AMOS nhận diện dữ liệu khảo sát, thực hiện các bước sau:

Trên thanh menu, chọn File → Data Files

Nhấn Browse và chọn file dữ liệu SPSS đã chuẩn bị
(ví dụ: DATA_THUCHANH_AMOS.sav)

Nhấn OK để hoàn tất liên kết dữ liệu

Sau bước này, AMOS sẽ sử dụng toàn bộ dữ liệu trong file SPSS để ước lượng các tham số của mô hình CFA và SEM.

4.3 Kiểm tra dữ liệu và danh sách biến trong AMOS

Sau khi liên kết dữ liệu, người nghiên cứu cần kiểm tra lại các biến quan sát để đảm bảo AMOS đã đọc đúng dữ liệu. Thực hiện bằng cách:

Nhấn biểu tượng Variables in the dataset

Kiểm tra sự xuất hiện của các biến như: HACN1, HACN2, HATH3, GC4, CCQ5, YD1, HV3,…

Nếu biến không hiển thị hoặc hiển thị sai, cần quay lại SPSS để kiểm tra.

4.4 Lưu file AMOS phục vụ các bước phân tích tiếp theo

Sau khi dữ liệu đã được liên kết thành công, người nghiên cứu tiến hành lưu file AMOS để sử dụng cho các bước xây dựng mô hình:

Chọn File → Save As hoặc Save

Đặt tên file phù hợp, ví dụ: AMOS.amw

5. Xây dựng mô hình đo lường (CFA) trong AMOS

Sau khi liên kết dữ liệu SPSS với AMOS, bước tiếp theo trong quy trình sử dụng AMOS cho luận văn và nghiên cứu là xây dựng mô hình đo lường (Confirmatory Factor Analysis – CFA). Mục tiêu của CFA là kiểm định mức độ phù hợp của thang đo, đánh giá mối quan hệ giữa biến tiềm ẩn và các biến quan sát trước khi phân tích mô hình cấu trúc SEM.

Nguyên tắc chung khi xây dựng mô hình CFA trong AMOS

Biến tiềm ẩn (latent variables) được biểu diễn bằng hình oval
Biến quan sát (observed variables) được biểu diễn bằng hình chữ nhật
Mũi tên 1 chiều đi từ biến tiềm ẩn → biến quan sát
Mỗi biến quan sát bắt buộc có sai số đo lường (error) // vẽ khung//

5.1 Vẽ các biến tiềm ẩn trong mô hình đo lường

Từ giao diện AMOS Graphics, người nghiên cứu chọn biểu tượng Draw latent variable.

Sau đó vẽ các biến tiềm ẩn tương ứng với mô hình nghiên cứu

HACN – Hình ảnh cá nhân
HATH – Hình ảnh thương hiệu
GC – Giá cả
CCQ – Chuẩn chủ quan
XT – Xúc tiến bán hàng
MXH – Mạng xã hội
YD – Ý định mua
HV – Hành vi mua

Tên biến tiềm ẩn cần trùng khớp logic với mô hình lý thuyết và thuận tiện cho việc diễn giải trong luận văn.

5.2 Gán các biến quan sát cho từng biến tiềm ẩn

Sau khi vẽ biến tiềm ẩn, người nghiên cứu tiến hành vẽ các biến quan sát tương ứng và nối mũi tên đo lường từ biến tiềm ẩn đến biến quan sát. Từ giao diện AMOS Graphics, người nghiên cứu chọn biểu tượng Draw observed variables để vẽ biến quan sát

Sau đó vẽ các biến quan sát tương ứng

HACN → HACN1, HACN2, HACN3, HACN4
GC → GC1, GC2, GC3, GC4
YD → YD1, YD2, YD3
HV → HV1, HV2, HV3

Tiếp theo, để nối mũi tên đo lường từ biến tiềm ẩn đến biến quan sát ta chọn Draw paths và nối đến các biến tiềm ẩn tương ứng.

Việc gán đúng biến quan sát giúp AMOS xác định chính xác cấu trúc thang đo trong quá trình phân tích CFA.

5.3 Thêm sai số đo lường (Error terms) cho biến quan sát

Mỗi biến quan sát trong mô hình CFA bắt buộc phải có một sai số đo lường riêng. Chọn biểu tượng Add a unique variable..., gán cho từng biến quan sát.

Sau đó gán sai số cho từng biến quan sát.

Lưu ý:

Không dùng chung sai số cho nhiều biến
Không bỏ sót sai số của bất kỳ biến quan sát nào

5.4 Liên kết các biến tiềm ẩn trong mô hình CFA

Trong mô hình CFA, các biến tiềm ẩn được phép tương quan với nhau, do đó cần vẽ mũi tên 2 chiều giữa các biến tiềm ẩn có liên quan trong mô hình nghiên cứu. Chọn biểu tượng Draw covariances.

Sau đó vẽ liên kết giữa các biến tiềm ẩn. Riêng mối quan hệ YD → HV (Ý định mua → Hành vi mua) là mối quan hệ nhân quả, không phải tương quan.
Do đó, trong AMOS chỉ vẽ mũi tên một chiều, thể hiện rằng: Ý định mua ảnh hưởng đến hành vi mua, chứ không phải ngược lại.

Việc cho phép các biến tiềm ẩn tương quan giúp AMOS:

Ước lượng chính xác mô hình đo lường
Phản ánh đúng mối quan hệ giữa các khái niệm lý thuyết

Kiểm tra mô hình trước khi chạy CFA

Tên biến quan sát trùng khớp với dữ liệu SPSS
Không thiếu mũi tên đo lường
Mỗi biến quan sát có một sai số
Không có mũi tên sai hướng //vẽ khung //

6. Chạy CFA và đánh giá độ phù hợp của mô hình

Sau khi hoàn tất việc xây dựng mô hình đo lường (CFA) trong AMOS, bước tiếp theo là chạy CFA và đánh giá mức độ phù hợp của mô hình đo lường với dữ liệu thực tế. Đây là bước quan trọng nhằm kiểm định xem các thang đo có đạt yêu cầu về độ tin cậy, giá trị hội tụ và giá trị phân biệt hay không, trước khi chuyển sang phân tích mô hình cấu trúc SEM.

6.1 Thực hiện chạy CFA trong AMOS

Từ giao diện AMOS Graphics, người nghiên cứu thực hiện các thao tác sau:

Nhấn biểu tượng Calculate Estimates

AMOS tiến hành ước lượng các tham số của mô hình đo lường

Kết quả CFA được đánh giá thông qua các nhóm chỉ số chính gồm:

Chi-square (χ²), df và Sig.: phản ánh mức độ phù hợp chung giữa mô hình lý thuyết và dữ liệu thực tế.
Các chỉ số phù hợp gia tăng như GFI, TLI, CFI: đánh giá mức độ cải thiện của mô hình so với mô hình độc lập.
Chỉ số RMSEA: phản ánh sai số xấp xỉ của mô hình.

6.2 Đánh giá chỉ số Chi-square và CMIN/df

Kết quả phân tích CFA cho thấy mô hình đo lường đạt độ phù hợp rất tốt với dữ liệu nghiên cứu. Cụ thể, chỉ số Chi-square có giá trị χ² = 368,398 với bậc tự do df = 328 cho thấy không có sự khác biệt có ý nghĩa thống kê giữa mô hình lý thuyết và dữ liệu quan sát, phản ánh mức độ phù hợp tổng thể của mô hình.

Bên cạnh đó, các chỉ số phù hợp gia tăng đều đạt ngưỡng rất cao, với GFI = 0,926, TLI = 0,988 và CFI = 0,990 đều lớn hơn 0,9, thậm chí tiệm cận 1, cho thấy mô hình đo lường giải thích dữ liệu rất tốt và vượt tiêu chuẩn chấp nhận trong nghiên cứu định lượng.

Chỉ số RMSEA = 0,020 (< 0,05) cho thấy sai số xấp xỉ của mô hình là rất thấp, phản ánh mức độ phù hợp xuất sắc giữa mô hình đề xuất và dữ liệu thực tế.

Dựa trên kết quả phân tích CFA, có thể kết luận rằng mô hình đo lường đạt yêu cầu về độ phù hợp với dữ liệu nghiên cứu, các thang đo thể hiện mức độ ổn định và đại diện tốt cho các biến tiềm ẩn trong mô hình. Như vậy, các thang đo đủ điều kiện để được sử dụng trong phân tích mô hình cấu trúc, đảm bảo cơ sở khoa học cho việc kiểm định các mối quan hệ nhân quả giữa các biến nghiên cứu. Trên cơ sở đó, nghiên cứu tiếp tục thực hiện bước xây dựng và phân tích mô hình cấu trúc SEM trong AMOS nhằm kiểm định các giả thuyết đã đề xuất.

7. Xây dựng và phân tích mô hình cấu trúc (SEM)

Sau khi mô hình đo lường đã được kiểm định và xác nhận đạt yêu cầu, nghiên cứu tiếp tục thực hiện mô hình cấu trúc tuyến tính (Structural Equation Modeling – SEM) nhằm kiểm định các mối quan hệ nhân quả giữa các biến tiềm ẩn theo giả thuyết nghiên cứu.

Khác với CFA chỉ tập trung đánh giá chất lượng thang đo, SEM cho phép kiểm định đồng thời nhiều mối quan hệ tác động, bao gồm cả tác động trực tiếp và gián tiếp, trong một mô hình tổng thể

7.1 Xây dựng mô hình cấu trúc trong AMOS

Mô hình SEM được xây dựng bằng cách mở rộng từ mô hình CFA, trong đó bổ sung các đường dẫn nhân quả (mũi tên một chiều) giữa các biến tiềm ẩn theo mô hình lý thuyết.