Phân tích CFA trong AMOS: Cách vẽ mô hình, chạy và đọc kết quả chi tiết

Trong nghiên cứu định lượng, sau khi kiểm định độ tin cậy thang đo bằng Cronbach’s Alpha và EFA, sinh viên thường gặp khó khăn khi xác nhận cấu trúc thang đo trước khi chạy SEM. Nhiều người không biết khi nào cần dùng CFA, đọc chỉ số nào hay viết kết quả ra sao cho đúng chuẩn luận văn. Bài viết này hướng dẫn phân tích CFA trong AMOS một cách ngắn gọn, dễ hiểu, tập trung vào cách thực hiện, đánh giá kết quả và diễn giải đúng học thuật. Nội dung phù hợp cho sinh viên, học viên cao học và nghiên cứu sinh.

1. Phân tích CFA là gì?

Phân tích CFA (Confirmatory Factor Analysis – Phân tích nhân tố khẳng định) là phương pháp dùng để kiểm định xem các biến quan sát có đo lường đúng các khái niệm tiềm ẩn theo mô hình lý thuyết đã đề xuất hay không. CFA thường được thực hiện trong AMOS sau khi dữ liệu đã được xử lý trên SPSS.

Khác với EFA mang tính khám phá, CFA chỉ được sử dụng khi nhà nghiên cứu đã có cơ sở lý thuyết rõ ràng hoặc kế thừa thang đo từ các nghiên cứu trước. Phương pháp này được áp dụng sau khi thang đo đạt Cronbach’s Alpha và phân tích nhân tố khám phá EFA , nhằm xác nhận cấu trúc thang đo trước khi phân tích SEM.

CFA không phù hợp với thang đo mới hoàn toàn hoặc chưa từng được kiểm chứng.

2. Mục đích của phân tích nhân tố khẳng định CFA

CFA (Confirmatory Factor Analysis) không chỉ là công cụ thống kê, mà còn là cầu nối giữa lý thuyết và dữ liệu thực tế. Mục tiêu chính của CFA là:

 a. Xác nhận cấu trúc lý thuyết

• Kiểm tra xem các biến quan sát có thực sự đại diện cho các biến tiềm ẩn theo giả thuyết ban đầu hay không.

• Giúp người nghiên cứu đảm bảo mô hình khớp với dữ liệu trước khi tiến hành các phân tích sâu hơn.

 b. Đánh giá độ tin cậy và tính hợp lệ của thang đo

• Xác định xem các câu hỏi khảo sát, mục đo lường có nhất quán và đo đúng khái niệm cần nghiên cứu.

• Các chỉ số như Factor Loading, CR, AVE sẽ phản ánh chất lượng của từng biến quan sát và biến tiềm ẩn.

 c. Kiểm định mức độ phù hợp của mô hình

• CFA cung cấp các chỉ số fit indices (CFI, TLI, RMSEA, SRMR…) để đánh giá toàn bộ mô hình.

• Nếu mô hình chưa phù hợp, người nghiên cứu có thể điều chỉnh, thêm hoặc loại bỏ các biến để cải thiện sự khớp.

 d. Hỗ trợ quyết định nghiên cứu dựa trên dữ liệu thực tế

• Kết quả CFA giúp ra quyết định chính xác hơn về mô hình, tránh sai lệch do giả định lý thuyết không phù hợp.

• Đây là bước quan trọng trước khi áp dụng các mô hình phân tích cấu trúc phức tạp hơn (SEM).

3. Cách xây dựng mô hình phân tích CFA

Trong phần hướng dẫn này, chúng ta sẽ sử dụng tệp dữ liệu AMOS.sav và ví dụ mô hình với các biến MXH, HACN, XT, HATH, CCQ, HV, GC, YD đã được giới thiệu ở bài Cách sử dụng AMOS để vẽ diagram CFA, SEM để thực hành CFA trong AMOS. 

Mô hình bao gồm các biến tiềm ẩn (latent variables) và biến quan sát (observed variables) như sau:

Biến tiềm ẩn	Biến quan sát (Observed variables)
MXH	MXH1, MXH2, MXH3, MXH4
HACN	HACN1, HACN2, HACN3, HACN4
XT	XT1, XT2, XT3, XT4
HATH	HATH1, HATH2, HATH3, HATH4
CCQ	CCQ3, CCQ4, CCQ5
HV	HV1, HV2, HV3
GC	GC2, GC3, GC4
YD	YD1, YD2, YD3

Trong đó CCQ3, CCQ4, GC1 bị loại ở bước Cronbach's Alpha nên không sử dụng lại ở CFA.

Mỗi biến tiềm ẩn đại diện cho một khía cạnh lý thuyết, và các biến quan sát thể hiện các câu hỏi khảo sát đo lường khía cạnh đó.

Bước 1: Chuẩn bị dữ liệu SPSS và vẽ diagram CFA

Trước khi tiếp tục phần phân tích CFA, bạn nên nắm rõ bước cơ bản là nhập dữ liệu SPSS vào AMOS và vẽ diagram CFA. Nếu chưa từng thực hiện bước này, bạn có thể tham khảo lại bài viết Cách sử dụng AMOS để vẽ diagram CFA, SEM  trên Resdata để hình dung đầy đủ quy trình.

Trong quá trình đánh giá mô hình CFA, một số macro model fit thường được sử dụng bao gồm:

• Chi-square: \cmin

• Bậc tự do (df): \df

• Tỷ lệ chi-square / df: \cmindf

• GFI (Goodness of Fit Index): \gfi

• CFI (Comparative Fit Index): \cfi

• TLI (Tucker-Lewis Index): \tli

• RMSEA (Root Mean Square Error of Approximation): \rmsea

• PCLOSE: \pclose

Các chỉ số này là nền tảng để đánh giá mức độ phù hợp của mô hình với dữ liệu thực tế, giúp bạn quyết định các bước điều chỉnh mô hình CFA tiếp theo.

Trong hướng dẫn này, chúng tôi sẽ sử dụng lại tệp dữ liệu DATA AMOS.sav đã giới thiệu ở bài viết trước để minh họa cho các bước phân tích CFA tiếp theo. Sau khi vẽ và khai báo hoàn tất, diagram CFA sẽ được thiết lập đầy đủ như hình minh họa dưới đây.

Bước 2: Thiết lập phân tích CFA

Từ giao diện AMOS, chọn biểu tượng Analysis Properties để cài đặt các tùy chọn cho CFA.

Chuyển sang thẻ Output và tích chọn các mục quan trọng:

• Standardized Estimates: hiển thị hệ số chuẩn hóa, giúp đánh giá trọng số giữa biến tiềm ẩn và biến quan sát.

• Squared Multiple Correlations (R²): hiển thị mức độ giải thích của các biến quan sát bởi biến tiềm ẩn.

• Residual Moments: cung cấp thông tin về phần dư giữa giá trị dự đoán và giá trị quan sát.

• Modification Indices (MI): cho biết những điểm yếu trong mô hình, hỗ trợ điều chỉnh để tăng độ phù hợp. Xem chi tiết cách sử dụng chỉ số này tại bài viết Chỉ số MI - Modification Indices trong AMOS.

Bước 3: Thực hiện phân tích CFA

Chọn biểu tượng Calculate Estimates để AMOS chạy phân tích CFA.

Sau khi chạy xong, bạn sẽ thấy các hệ số cơ bản được hiển thị trực tiếp trên diagram CFA, bao gồm: factor loadings và đường hồi quy giữa biến tiềm ẩn và biến quan sát.

Để xem kết quả chi tiết toàn bộ, nhấn vào View Text:

• Factor Loadings: kiểm tra hệ số tải nhân tố, hệ số ≥ 0.5 là chấp nhận được.

• Standardized Regression Weights: đánh giá trọng số chuẩn hóa giữa latent variables và observed variables.

• Fit Indices: gồm CMIN/df, GFI, CFI, TLI, RMSEA, PCLOSE… giúp đánh giá mức độ phù hợp tổng thể của mô hình.

• Modification Indices: hiển thị những điểm cần cải thiện để mô hình khớp tốt hơn với dữ liệu.

Nên đọc kết quả tuần tự từ factor loadings, R², các fit indices, rồi mới xem MI để đưa ra quyết định điều chỉnh mô hình.

4. Đọc kết quả và nhận xét 

Khi đọc kết quả CFA, chúng ta sẽ tập trung vào một số tiêu chí quan trọng: độ phù hợp mô hình tổng thể, ý nghĩa biến quan sát, độ tin cậy, tính hội tụ, tính phân biệt các cấu trúc biến.

4.1 Độ phù hợp mô hình (Model Fit)

Phân tích CFA là công cụ khẳng định cấu trúc nhân tố mà bạn đã khai báo trước đó. Mục tiêu của CFA là kiểm tra xem cấu trúc lý thuyết này có khớp với dữ liệu thực tế hay không.

• Nếu các nhân tố được khai báo phù hợp, mô hình sẽ đạt model fit tốt.

• Ngược lại, nếu mô hình chưa phù hợp, các chỉ số fit sẽ bị vi phạm, báo hiệu cần điều chỉnh cấu trúc nhân tố.

Bản chất của việc đánh giá model fit là kiểm tra mối quan hệ nội bộ giữa các biến quan sát và các latent variables, cũng như mối quan hệ giữa các latent variables với nhau.

Một số vấn đề thường làm giảm độ phù hợp mô hình:

• Các biến quan sát trong cùng một nhân tố trùng lặp thông tin

• Biến quan sát trong một nhân tố giải thích yếu cho nhân tố mẹ

• Biến quan sát thuộc nhân tố này nhưng giải thích mạnh cho nhân tố khác

• Có sự cộng tuyến giữa các latent variables

Sau khi chạy xong CFA, để hiển thị các thông số chuẩn hóa trên diagram, bạn chọn Standardized Estimates trong phần Output của AMOS

Một số chỉ số cơ bản về độ phù hợp mô hình như Chi-square/df, GFI, CFI, TLI, RMSEA, PCLOSE thường được hiển thị trực tiếp ngay trên macro chèn vào diagram. Điều này giúp chúng ta có thể đánh giá nhanh mức độ phù hợp của mô hình ngay sau khi chạy CFA.

Nếu muốn xem toàn bộ các chỉ số đánh giá độ phù hợp mô hình, bạn có thể vào mục Model Fit trong View Text của AMOS.

• Nhấp vào Model Fit ở bên trái, giao diện bên phải sẽ hiển thị tất cả các bảng liên quan đến độ phù hợp mô hình.

• Trong đó, CMIN chính là giá trị Chi-square mà chúng ta sử dụng để đánh giá tổng thể mô hình.

Theo Hu & Bentler (1999), trong bài viết “Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives” trên tạp chí Structural Equation Modeling, các chỉ số thường được sử dụng để đánh giá độ phù hợp của mô hình CFA bao gồm:

4.2 Ý nghĩa các biến quan sát

Trong phân tích CFA (Confirmatory Factor Analysis), các biến quan sát (observed variables) được gán vào các biến tiềm ẩn (latent variables) ngay từ đầu dựa trên cơ sở lý thuyết. Tuy nhiên, việc gán này mới chỉ là giả định lý thuyết, chưa phản ánh mức độ phù hợp của dữ liệu thực tế.

Vì vậy, CFA được sử dụng để kiểm định lại bằng dữ liệu thu thập được, nhằm trả lời câu hỏi:

Liệu các biến quan sát có thực sự đại diện tốt cho nhân tố tiềm ẩn mà chúng thuộc về hay không?

Để đánh giá ý nghĩa và mức độ giải thích của các biến quan sát, chúng ta dựa vào hai bảng kết quả quan trọng trong AMOS:

• Regression Weights (chưa chuẩn hóa)

• Standardized Regression Weights (chuẩn hóa)

a. Hệ số Regression Weights (Unstandardized)

Từ giao diện AMOS Output (View Text), chọn: Estimates → Scalars → Regression Weights

Dựa trên kết quả bảng Regression Weights trong AMOS, các biến quan sát được đánh giá thông qua ba chỉ số chính: Estimate, C.R. và P-value.

Cột Estimate

• Là hệ số tác động chưa chuẩn hóa từ biến tiềm ẩn → biến quan sát

• Các giá trị Estimate = 1.000 là biến tham chiếu của mỗi nhân tố
  (MXH1, HACN1, XT1, HATH1, CCQ3, HV1, GC2, YD1)

Việc chọn biến tham chiếu không ảnh hưởng đến bản chất mô hình, chỉ ảnh hưởng giá trị số ở cột Estimate.

Cột C.R. (Critical Ratio)

• Tương đương t-value

• Quy tắc:

  • |C.R.| ≥ 1.96 → có ý nghĩa ở mức 5%

Trong bảng, tất cả C.R. đều rất lớn (≈ 10–15) → hệ số tác động rất có ý nghĩa thống kê

Cột P (p-value)

• Trong AMOS, ký hiệu *** tương đương P < 0.001

• Điều kiện chấp nhận:

  • P < 0.05 → biến quan sát có ý nghĩa

Trên bảng Regression Weights, 100% các biến quan sát đều có dấu *** → Tất cả biến quan sát đều có ý nghĩa thống kê

Như vậy, toàn bộ các biến quan sát trong mô hình đều đạt yêu cầu về ý nghĩa thống kê (Indicator Reliability) và được giữ lại để tiếp tục đánh giá các chỉ tiêu khác trong phân tích CFA.

b. Hệ số Standardized Regression Weights

Tại giao diện Amos Output (View Text), chọn Estimates → Scalars → Standardized Regression Weights nhằm xem hệ số tác động chuẩn hóa, qua đó đánh giá mức độ giải thích của biến quan sát đối với nhân tố tiềm ẩn trong mô hình CFA.

Theo khuyến nghị của Hair et al. (2009), biến quan sát được xem là đạt yêu cầu khi hệ số tải chuẩn hóa ≥ 0.5, và ≥ 0.7 là rất tốt. Kết quả CFA cho thấy toàn bộ các biến quan sát trong mô hình đều có hệ số Standardized Regression Weights lớn hơn 0.5, chứng tỏ các biến này đại diện tốt cho các biến tiềm ẩn.

Kết quả này khẳng định mô hình đo lường đạt yêu cầu về Indicator Reliability, tạo tiền đề để tiếp tục đánh giá độ tin cậy tổng hợp (CR), tính hội tụ (AVE) và tính phân biệt (Fornell & Larcker) trong các bước tiếp theo của phân tích CFA.

4.3 Đánh giá độ tin cậy, tính hội tụ và tính phân biệt thang đo trong CFA

Dựa theo khuyến nghị của Hair et al. (2010, 2016), việc đánh giá chất lượng thang đo trong CFA được thực hiện thông qua các chỉ số CR nhằm đo lường độ tin cậy tổng hợp, AVE để kiểm định tính hội tụ, và MSV kết hợp với bảng Fornell & Larcker để đánh giá tính phân biệt giữa các cấu trúc trong mô hình nghiên cứu.

Phần mềm AMOS không tích hợp sẵn việc tính toán các chỉ số CR, AVE, MSV và MaxR(H). Do đó, để đánh giá độ tin cậy tổng hợp, giá trị hội tụ và giá trị phân biệt trong CFA, người nghiên cứu cần sử dụng plugin phụ gắn vào AMOS hoặc Stats Tools Package hỗ trợ tính toán tự động các chỉ số này. Tuy nhiên, do quy trình cài đặt plugin và sử dụng package khá dài, nội dung này được trình bày chi tiết trong bài viết Hướng dẫn đánh giá độ tin cậy, giá trị hội tụ và giá trị phân biệt trong phân tích CFA.
Trong phạm vi bài viết này, nội dung bên dưới tập trung hướng dẫn cách đọc kết quả và nhận xét mô hình CFA.

Cấu trúc bảng kết quả CFA gồm hai phần chính:

• Phần 1 (nền xanh dương nhạt): Các chỉ số CR, AVE, MSV và ASV dùng để đánh giá độ tin cậy tổng hợp và giá trị hội tụ của thang đo.

• Phần 2 (nền cam): Bảng Fornell–Larcker dùng để đánh giá giá trị phân biệt giữa các biến tiềm ẩn trong mô hình.

Các lỗi thường gặp khi xây dựng mô hình CFA

Dùng CFA khi thang đo chưa đạt Cronbach’s Alpha hoặc EFA
Nhiều người chạy CFA ngay từ đầu khi thang đo chưa được kiểm định độ tin cậy và cấu trúc. CFA chỉ phù hợp khi thang đo đã đạt Cronbach’s Alpha và EFA, nếu không kết quả sẽ thiếu cơ sở khoa học.

Gán sai biến quan sát cho biến tiềm ẩn
Tên biến trong AMOS không trùng với SPSS hoặc gán nhầm biến quan sát cho khái niệm khác làm mô hình báo lỗi hoặc cho kết quả sai bản chất.

Thiếu sai số đo lường (Error terms)
Mỗi biến quan sát trong CFA bắt buộc phải có một sai số riêng. Việc thiếu error hoặc dùng chung error cho nhiều biến là lỗi nghiêm trọng khiến mô hình không hợp lệ.

Không liên kết tương quan giữa các biến tiềm ẩn
Trong CFA, các biến tiềm ẩn thường được phép tương quan. Không vẽ mũi tên hai chiều giữa các biến liên quan sẽ làm mô hình kém phù hợp.

Giữ biến có hệ số tải nhân tố thấp (< 0,5)
Biến quan sát có hệ số tải thấp làm giảm giá trị hội tụ và độ tin cậy thang đo nhưng vẫn bị giữ lại do không kiểm tra bảng Standardized Regression Weights.

Chỉnh mô hình theo Modification Indices không có cơ sở lý thuyết
Việc nối error hoặc loại biến chỉ để “đẹp chỉ số” mà không có giải thích lý thuyết làm mô hình mất ý nghĩa nghiên cứu.

-------------------

Nội dung được Resdata biên soạn dựa trên kinh nghiệm trực tiếp trong quá trình xử lý và phân tích dữ liệu cho nhiều đề tài nghiên cứu khác nhau. Trong trường hợp bạn gặp khó khăn khi thao tác AMOS, chưa tự tin trong việc đọc và diễn giải kết quả, hoặc cần hỗ trợ để hoàn thiện mô hình nghiên cứu đúng hướng và đúng chuẩn học thuật, dịch vụ AMOS tại Resdata sẵn sàng đồng hành và hỗ trợ bạn giúp bạn vượt qua mọi deadline cận kề nhất.

Resdata hỗ trợ bạn những gì?

 ✅ Tư vấn & định hướng toàn bộ quy trình xử lý dữ liệu AMOS: Rà soát thang đo, phát hiện và xử lý các biến không phù hợp, đồng thời định hướng từng bước phân tích (Cronbach’s Alpha, EFA, hồi quy/SEM…) theo đúng bản chất dữ liệu, bối cảnh nghiên cứu và mục tiêu đề tài, giúp kết quả phản ánh thực tế nghiên cứu và đáp ứng yêu cầu học thuật.

✅ Hỗ trợ SPSS 1 kèm 1 qua ultraview: Hướng dẫn chi tiết từng bước thực hành và cách viết nhận xét chuẩn học thuật.

✅ Xử lý nhanh – đúng chuẩn: Xử lý kết quả trong ngày Phù hợp cho khóa luận, luận văn, luận án và bài báo khoa học.

✅ Cam kết chỉnh sửa theo góp ý của giảng viên/hội đồng cho đến khi đạt yêu cầu.

Nếu bạn đang gặp phải các tình huống trên và chưa tìm được hướng xử lý phù hợp, đừng ngần ngại liên hệ ngay: Hotline: 0907 786 895.

Resdata luôn sẵn sàng đồng hành cùng bạn với phương châm Nhanh chóng – Tin cậy – Bảo mật – Chi phí hợp lý.