Phân tích cấu trúc đa nhóm (Multigroup Analysis – MGA) trong AMOS

Phân tích cấu trúc đa nhóm (Multigroup Analysis – MGA) là kỹ thuật trong mô hình SEM dùng để so sánh sự khác biệt về mối quan hệ giữa các biến nghiên cứu giữa các nhóm đối tượng khác nhau (như nam – nữ, độ tuổi, kinh nghiệm…). Phương pháp này giúp xác định mô hình nghiên cứu có hoạt động giống nhau hay không giữa các nhóm, từ đó đưa ra kết luận chính xác và phù hợp hơn với từng nhóm khảo sát.

1. Chức năng của phân tích đa nhóm (Multigroup Analysis)

Phân tích đa nhóm (Multigroup Analysis) được sử dụng khi trong mô hình SEM có một biến định tính dùng để chia mẫu thành các nhóm khác nhau, và người nghiên cứu muốn kiểm tra xem mối quan hệ tác động giữa các biến trong mô hình có khác nhau giữa các nhóm này hay không.

Ví dụ, giả sử mô hình SEM nghiên cứu tác động của Chất lượng dịch vụ (CLDV) đến Sự hài lòng của khách hàng (SHL). Trong bộ dữ liệu khảo sát có biến giới tính với hai nhóm nam và nữ. Khi đó, phân tích đa nhóm giúp trả lời câu hỏi:

 Mối quan hệ từ CLDV đến SHL có giống nhau giữa nam và nữ hay không?

Cụ thể, phân tích đa nhóm có thể cho thấy:

• Với đáp viên nam, CLDV không có tác động hoặc tác động không có ý nghĩa đến SHL, trong khi với đáp viên nữ, CLDV có tác động rõ ràng đến SHL;

• Hoặc CLDV đều tác động đến SHL ở cả hai nhóm, nhưng mức độ tác động khác nhau, ví dụ tác động ở nhóm nam mạnh hơn nhóm nữ (thể hiện qua hệ số tác động chuẩn hóa cao hơn).

Các chỉ số dùng để đánh giá sự khác biệt trong phân tích đa nhóm

Trong phân tích đa nhóm bằng AMOS, một số chỉ số thường được sử dụng để so sánh mối quan hệ tác động giữa các nhóm gồm:

• Giá trị p-value (sig): dùng để xác định mối quan hệ tác động có ý nghĩa thống kê hay không trong từng nhóm đối tượng.

• Hệ số hồi quy chuẩn hóa (Standardized Regression Weights): dùng để so sánh mức độ mạnh – yếu của tác động giữa các nhóm.

• Giá trị R² (Squared Multiple Correlation): phản ánh mức độ giải thích của biến độc lập đối với biến phụ thuộc trong từng nhóm, từ đó so sánh khả năng giải thích mô hình giữa các nhóm khác nhau.

Phân biệt Multigroup Analysis và One-way ANOVA

Cần tránh nhầm lẫn giữa phân tích đa nhóm (Multigroup Analysis) và phân tích phương sai One-way ANOVA, vì mục đích sử dụng của hai phương pháp này là hoàn toàn khác nhau:

• Multigroup Analysis: dùng để đánh giá sự khác biệt của các mối quan hệ tác động trong mô hình SEM giữa các nhóm của một biến định tính.
  Ví dụ: So sánh xem CLDV tác động đến SHL khác nhau như thế nào giữa nam và nữ.

• One-way ANOVA: dùng để đánh giá sự khác biệt của một biến định lượng giữa các nhóm của một biến định tính.
  Ví dụ: So sánh xem mức độ hài lòng (SHL) trung bình của nam và nữ có khác nhau hay không.

2. Cơ chế hoạt động của phân tích đa nhóm Multigroup Analysis trong SEM

Trong phân tích SEM, phân tích đa nhóm (Multigroup Analysis) được sử dụng để kiểm tra xem một mô hình nghiên cứu có hoạt động giống nhau hay khác nhau giữa các nhóm đối tượng hay không, ví dụ như nam và nữ, nhóm tuổi khác nhau, hoặc trình độ học vấn khác nhau.

Theo cách tiếp cận kinh điển của Jöreskog (1971), việc đánh giá sự khác biệt giữa các nhóm trong mô hình SEM không dựa trên việc so sánh trung bình, mà dựa trên việc so sánh mức độ phù hợp của mô hình thông qua chỉ số Chi-square (χ²) và bậc tự do (df).

Cụ thể, chúng ta sẽ so sánh hai mô hình SEM:

• Mô hình khả biến (Unconstrained model)

• Mô hình bất biến (Constrained model)

Sự khác biệt giữa hai mô hình này chính là chìa khóa để kết luận có hay không sự khác biệt giữa các nhóm.

Trong phân tích đa nhóm (Multigroup Analysis – MGA), mô hình khả biến cho phép các nhóm đối tượng (ví dụ nam và nữ) có hệ số tác động khác nhau giữa các biến nghiên cứu, phản ánh đúng đặc điểm thực tế của dữ liệu. Ngược lại, mô hình bất biến giả định các mối quan hệ tác động là giống nhau giữa các nhóm nhằm kiểm tra xem sự khác biệt đó có thực sự tồn tại hay không. Việc so sánh hai mô hình giúp xác định mối quan hệ trong mô hình SEM có thay đổi theo từng nhóm đối tượng hay không.

Sau khi chạy SEM cho cả hai mô hình, chúng ta sẽ thu được: giá trị Chi-square (χ²) và giá trị bậc tự do (df) ở mỗi mô hình.

Việc so sánh mô hình khả biến và mô hình bất biến được thực hiện thông qua kiểm định giả thuyết. Trường hợp không phát hiện sự khác biệt đáng kể giữa hai mô hình, có thể kết luận rằng các nhóm đối tượng không có sự khác nhau về mối quan hệ tác động, khi đó mô hình bất biến sẽ được ưu tiên sử dụng vì đơn giản và ổn định hơn. Ngược lại, nếu kết quả kiểm định cho thấy hai mô hình khác biệt rõ rệt, điều này cho thấy các nhóm có hành vi không giống nhau, và mô hình khả biến sẽ phù hợp hơn để diễn giải kết quả phân tích.

Từ cơ chế so sánh hai mô hình, có thể xác định trước những thông tin cần thiết để tiến hành phân tích đa nhóm trong AMOS:

3. Phân tích đa nhóm (Multigroup Analysis) trên AMOS

Trong phần này, chúng ta sẽ tiến hành phân tích cấu trúc đa nhóm trên phần mềm AMOS thông qua một mô hình nghiên cứu minh họa:

Trong mô hình SEM, mỗi biến tiềm ẩn không được đo lường trực tiếp mà được đại diện bởi nhiều biến quan sát. Toàn bộ mối quan hệ giữa các biến tiềm ẩn và biến quan sát này được thể hiện trực quan thông qua sơ đồ mô hình SEM (diagram) trên phần mềm AMOS, như minh họa dưới đây.

Data mẫu này có bốn biến định tính là giới tính, độ tuổi, nghề nghiệp và thu nhập được chia làm các nhóm giá trị:

• Giới tính: Nam; Nữ
• Độ tuổi: Từ 18 - 30 tuổi; Từ 31 - 45 tuổi; Trên 45 tuổi
• Nghề nghiệp: Sinh viên; nhân viên văn phòng; Nội trợ gia đình và lao động tự do
• Thu nhập: Dưới 5 triệu; Từ 5 đến 15 triệu; Trên 15 triệu

Phân tích cấu trúc đa nhóm được sử dụng nhằm đánh giá sự khác biệt của mô hình SEM giữa các nhóm đối tượng được tạo ra từ các giá trị khác nhau của biến định tính. Trong ví dụ minh họa dưới đây, việc phân tích sẽ được thực hiện trên toàn bộ các mối quan hệ (đường dẫn) trong mô hình SEM để xem xét mức độ khác biệt giữa các nhóm.

 

3.1 Phân tích cấu trúc đa nhóm cho biến Giới tính

Lưu ý rằng phân tích cấu trúc đa nhóm (Multigroup Analysis) chỉ được thực hiện sau khi đã hoàn tất phân tích SEM. Vì vậy, nếu mô hình SEM chưa được chạy và đạt yêu cầu, bạn cần hoàn thiện bước này trước khi tiếp tục.

Bước 1: Theo phần chuẩn bị dữ liệu, cần tạo hai file sơ đồ SEM tương ứng với mô hình bất biến (MHBB) và mô hình khả biến (MHKB) cho biến Giới tính. Trước tiên, sao chép sơ đồ SEM đã hoàn chỉnh và lưu thành một file mới, đặt tên là multigroup_GioitinhBB để đại diện cho mô hình bất biến.

Bước 2: Tiến hành chèn macro hiển thị nhằm theo dõi nhanh các chỉ số đánh giá độ phù hợp của mô hình trực tiếp trên sơ đồ AMOS.

Bước 3: Cố định hệ số tác động cho các đường dẫn trong mô hình cấu trúc bằng cách nhấp đúp chuột vào từng đường dẫn, chuyển sang thẻ Parameters, sau đó nhập giá trị cố định vào ô Regression weight theo yêu cầu phân tích.

Để cố định toàn bộ các đường dẫn trong mô hình cấu trúc, có thể sử dụng các ký hiệu chung như Beta1, Beta2, Beta3… cho các hệ số hồi quy. Sau khi thiết lập xong, mô hình thu được sẽ có dạng như hình minh họa dưới đây.

Bước 4: Khai báo các nhóm giá trị của biến Giới tính trong AMOS. Trên giao diện chính, quan sát khu vực bên trái và nhấp đúp vào dòng Group number 1.

Khi cửa sổ Manage Groups xuất hiện, tiến hành khai báo các nhóm giá trị cho biến Giới tính. Trước tiên, đổi tên Group number 1 thành “Nam”, sau đó nhấp New để thêm nhóm thứ hai và nhập “Nữ”.

Sau khi đã khai báo đầy đủ các nhóm, nhấp Close để kết thúc. Trường hợp biến định tính có nhiều hơn hai giá trị, tiếp tục nhấp New để thêm từng nhóm cho đến khi hoàn tất việc khai báo.

Bước 5: Nhập dữ liệu cho từng nhóm giá trị của biến Giới tính. Trên thanh menu, chọn File → Data Files

Khi cửa sổ Data Files xuất hiện, tiến hành gán dữ liệu cho các nhóm đã khai báo theo đúng thứ tự. Trước hết, chọn nhóm “Nam”, sau đó nhấp vào File Name và tìm đến file dữ liệu SPSS dùng để chạy SEM, trong ví dụ này là DATA-DANHOM.sav.

Tiếp theo, nhấp vào Grouping Variable, chọn biến Giới tính (Gioi Tinh) và nhấn OK. 

Lúc này, mục Group Value sẽ được kích hoạt, tại đây chọn giá trị mã hóa tương ứng với nhóm. Do biến Giới tính được mã hóa 1 = Nam, 2 = Nữ, khi nhập dữ liệu cho nhóm Nam, chọn giá trị 1 và nhấp OK để xác nhận.

Thực hiện tương tự cho nhóm “Nữ”, lưu ý tại mục Group Value chọn giá trị 2 tương ứng. Sau khi hoàn tất việc gán dữ liệu cho tất cả các nhóm, nhấp OK để đóng cửa sổ Data Files, lưu lại file và kết thúc quá trình xây dựng diagram mô hình bất biến (MHBB). Sau khi hoàn tất việc gán dữ liệu cho các nhóm giá trị của biến Giới tính, mô hình thu được có dạng như hình minh họa dưới đây. Tiến hành lưu file để hoàn tất quá trình xây dựng diagram mô hình bất biến (MHBB).

Bước 6: Tạo mô hình khả biến (MHKB) cho biến Giới tính bằng cách Save As file multigroup_GioitinhBB thành một file mới, đặt tên là multigroup_GioitinhKB. Do kế thừa từ file trước, các thông tin về nhóm giá trị và dữ liệu đã được giữ nguyên, không cần khai báo lại. Việc cần thực hiện lúc này là xóa toàn bộ các hệ số cố định (Beta1, Beta2, Beta3…) trên các đường dẫn để các hệ số được ước lượng tự do, từ đó chuyển mô hình bất biến sang mô hình khả biến.

Sau khi hoàn tất các bước trên, chúng ta đã tạo được hai file mô hình đa nhóm gồm MHBB và MHKB, lần lượt là multigroup_GioitinhBB.amw và multigroup_GioitinhKB.amw.

Lưu ý: Trong quá trình chạy CFA, SEM và thiết lập MGA, AMOS sẽ tự động tạo ra một số file tạm; các file này không cần sử dụng, do đó sau khi hoàn thành phân tích, bạn chỉ cần giữ lại các file có định dạng .amw và có thể xóa các file tạm khác.

Bước 7: Tiến hành chạy phân tích SEM cho cả mô hình bất biến (MHBB) và mô hình khả biến (MHKB) bằng cách nhấp vào nút Calculate Estimates. Sau khi mô hình chạy xong, ghi nhận hai chỉ số quan trọng là Chi-square và bậc tự do (df) của từng mô hình để phục vụ cho bước so sánh tiếp theo.

Kết quả của MHBB được trình bày như hình minh họa dưới đây.

Kết quả của MHKB được trình bày tương tự ở phần tiếp theo.

Bước 8: Tính p-value sai biệt Chi-square theo df. Các bạn có thể tải file excel đã nhập công thức tính.

Kết quả so sánh mô hình bất biến (MHBB) và mô hình khả biến (MHKB) cho thấy giá trị Chi-square sai biệt = 6,318 với bậc tự do sai biệt df = 5, tương ứng p-value = 0,276 > 0,05 (độ tin cậy 95%).

Do đó, không có đủ bằng chứng thống kê để bác bỏ giả thuyết H0, tức là không tồn tại sự khác biệt có ý nghĩa thống kê giữa mô hình khả biến và mô hình bất biến. Nói cách khác, các mối quan hệ tác động trong mô hình không khác biệt theo giới tính.

Vì vậy, nghiên cứu lựa chọn mô hình bất biến (MHBB) để tiếp tục đọc và diễn giải kết quả SEM. Điều này cho thấy cấu trúc mối quan hệ giữa các biến trong mô hình là tương đồng giữa các nhóm đáp viên Nam và Nữ.

Tiếp theo, chúng ta mở output của mô hình multigroup_GioitinhKB để tiến hành đọc và so sánh sự khác biệt giữa các nhóm. Cách đọc kết quả không khác so với phân tích SEM thông thường , trong đó tập trung chủ yếu vào ba bảng chính gồm Regression Weights, Standardized Regression Weights và Squared Multiple Correlations.

Điểm khác biệt ở phân tích đa nhóm là các bảng kết quả này sẽ thay đổi theo từng nhóm đối tượng. Khi lựa chọn lần lượt Nam hoặc Nữ ở phần nhóm phía dưới giao diện AMOS, các hệ số ước lượng, mức ý nghĩa thống kê và giá trị R² sẽ được hiển thị riêng cho từng nhóm, từ đó cho phép đánh giá và so sánh mức độ tác động giữa hai giới tính.

Trước hết, hãy chọn nhóm Nam và lần lượt đọc kết quả tại ba bảng Regression Weights, Standardized Regression Weights và Squared Multiple Correlations. Sau khi hoàn tất, chuyển sang nhóm Nữ và tiếp tục đọc kết quả tương ứng tại ba bảng này để tiến hành so sánh giữa hai nhóm.

Khi diễn giải kết quả, có thể linh hoạt trong cách nhận xét, vì mức độ quan trọng của từng mối quan hệ tác động giữa hai nhóm Nam và Nữ là khác nhau. Tuy nhiên, về cấu trúc nhận xét chung, việc phân tích luôn tập trung vào so sánh kết quả giữa hai nhóm.

Cụ thể, cần xem xét mối quan hệ nào có ý nghĩa thống kê và mối quan hệ nào không ở từng nhóm Nam và Nữ. Đồng thời, so sánh mức độ tác động mạnh – yếu giữa các biến trong cùng một nhóm. Ví dụ, ở nhóm Nam, biến A có thể tác động lên biến C mạnh hơn so với biến B; trong khi đó, ở nhóm Nữ, biến B lại tác động lên biến C mạnh hơn biến A.

Bên cạnh đó, cần so sánh giá trị R² (Squared Multiple Correlations) để đánh giá mức độ giải thích của mô hình giữa hai nhóm. Chẳng hạn, ở nhóm Nam, biến HL có giá trị R² khá cao (0.544), cho thấy các biến độc lập giải thích tốt cho biến phụ thuộc; trong khi ở nhóm Nữ, giá trị R² của biến này chỉ đạt 0.222, thể hiện mức độ giải thích thấp hơn.

Tóm lại, bước này nhằm chỉ ra sự khác biệt về ý nghĩa thống kê, mức độ tác động và khả năng giải thích của mô hình giữa hai nhóm Nam và Nữ, từ đó làm rõ sự khác biệt cấu trúc mô hình theo giới tính.

3.2 Phân tích cấu trúc đa nhóm cho biến Độ tuổi

Thực hiện các bước tương tự cho biến Độ tuổi. Do đây là biến định tính gồm 3 nhóm giá trị, cần khai báo đầy đủ 3 Group Name tương ứng trong phân tích Multigroup.

Kết quả kiểm định sai khác Chi-square theo bậc tự do (df) giữa mô hình khả biến và mô hình bất biến đối với biến Độ tuổi được trình bày như sau.

Dựa trên kết quả kiểm định sai khác Chi-square theo bậc tự do, giá trị p-value = 0,0517 > 0,05 (mức tin cậy 95%), do đó chưa đủ cơ sở bác bỏ giả thiết H0. Điều này cho thấy không tồn tại sự khác biệt có ý nghĩa thống kê giữa mô hình khả biến và mô hình bất biến theo biến Độ tuổi.

Vì vậy, mô hình bất biến (MHBB) được lựa chọn để diễn giải kết quả do có bậc tự do cao hơn. Kết luận cho thấy các mối quan hệ tác động trong mô hình SEM không khác nhau giữa các nhóm độ tuổi. Ở bước tiếp theo, các chỉ số kết quả sẽ được đọc và phân tích dựa trên file MHBB.

3.3 Phân tích cấu trúc đa nhóm cho biến Nghề nghiệp

Thực hiện các bước tương tự cho biến Nghề nghiệp. Do đây là biến định tính gồm 3 nhóm giá trị, cần khai báo đầy đủ 3 Group Name tương ứng trong phân tích Multigroup.

Kết quả kiểm định sai khác Chi-square theo bậc tự do (df) giữa mô hình khả biến và mô hình bất biến đối với biến Nghề nghiệp được trình bày như sau.

Kết quả kiểm định sai khác Chi-square theo bậc tự do cho thấy p-value = 0,118 > 0,05 (mức tin cậy 95%), vì vậy chấp nhận giả thiết H0. Điều này cho thấy không có sự khác biệt có ý nghĩa thống kê giữa mô hình bất biến và mô hình khả biến.

Do đó, mô hình bất biến (MHBB) được lựa chọn để đọc và diễn giải kết quả vì có bậc tự do cao hơn. Kết luận cho thấy các mối quan hệ tác động trong mô hình SEM không thay đổi giữa các nhóm được phân tích.

3.4 Phân tích cấu trúc đa nhóm cho biến Thu nhập

Thực hiện các bước tương tự cho biến Thu nhập. Do đây là biến định tính gồm 3 nhóm giá trị, cần khai báo đầy đủ 3 Group Name tương ứng trong phân tích Multigroup.

Kết quả kiểm định sai khác Chi-square theo bậc tự do (df) giữa mô hình khả biến và mô hình bất biến đối với biến Thu nhập được trình bày như sau.

Kết quả kiểm định sai khác Chi-square theo bậc tự do cho thấy p-value = 0,523 > 0,05 (mức tin cậy 95%), do đó chấp nhận giả thiết H0. Điều này cho thấy không tồn tại sự khác biệt có ý nghĩa thống kê giữa mô hình khả biến và mô hình bất biến.

Vì vậy, mô hình bất biến (MHBB) được lựa chọn để diễn giải kết quả do có bậc tự do lớn hơn. Kết luận cho thấy các mối quan hệ tác động trong mô hình SEM là tương đồng giữa các nhóm được phân tích, không có sự khác biệt đáng kể.

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

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.