Giới thiệu về Variance-Based SEM (VB-SEM) và Cách Xử Lý Biến Categorical Khi Chạy CB-SEM
Giới thiệu về Variance-Based SEM (VB-SEM) và Cách Xử Lý Biến Categorical Khi Chạy CB-SEM
Modification Indices (MI) trong Phân tích Structural Equation Modeling (SEM)
Modification Indices (MI) là chỉ số cho thấy mức độ cải thiện giá trị của hàm mục tiêu (objective function) khi thêm một tham số mới vào mô hình SEM (thêm một mối quan hệ mới vào SEM), chẳng hạn như một mối quan hệ giữa hai biến quan sát hoặc giữa một biến tiềm ẩn và một biến quan sát.
Kiểm Định Độ Bền Vững (Robustness Testing) trong Mô Hình Phương Trình Cấu Trúc (SEM)
Robustness testing là quá trình kiểm tra xem các ước lượng và kết luận từ mô hình SEM có bị ảnh hưởng bởi các giả định mô hình, biến ngoại lai hay các yếu tố nhiễu không mong muốn hay không. Bước này nhằm xác nhận rằng mô hình đủ “mạnh mẽ” trước những thay đổi hoặc sai lệch dữ liệu, giúp kết quả nghiên cứu có giá trị tổng quát cao hơn.
Phân tích nhân tố khám phá (EFA) trong mô hình CB-SEM: Tách biệt hay kết hợp biến độc lập và biến phụ thuộc?
Khi thực hiện phân tích EFA (Phân tích nhân tố khám phá) trong nghiên cứu với mô hình CB-SEM (Covariance-Based Structural Equation Modeling) bằng AMOS, bạn không cần phải tách riêng biến độc lập và biến phụ thuộc để chạy riêng biệt.
Các quy tắc loại bỏ biến trong phân tích EFA
Các nguyên tắc loại bỏ biến trong phân tích EFA theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008)
Phần 3 - Hướng dẫn thực hành thống kê mô tả bằng phần mềm JASP
Hướng dẫn thực hành thống kê mô tả bằng phần mềm JASP
Phân tích NCA (Necessary Condition Analysis) và quá trình xác định các điểm ngẽn (Bottleneck) sử dụng công cụ SmartPLS
Phân Tích NCA và Cách Xác Định điểm ngẽn (Bottleneck) Hiệu Quả với SmartPLS
Xác định kích thước mẫu tối thiểu trong phân tích nhân tố khám phá (EFA)
Bài viết nhấn mạnh tầm quan trọng của cỡ mẫu trong phân tích nhân tố khám phá (EFA) để đảm bảo kết quả đáng tin cậy và ổn định. Cỡ mẫu lớn giúp cải thiện độ tin cậy của tải trọng nhân tố, phát hiện cấu trúc tiềm ẩn, và giảm sai lệch do lỗi mẫu hoặc điểm dị biệt. Các khuyến nghị từ Kaiser, Hair, và Tabachnick cho thấy cỡ mẫu cần từ 100 đến 500+, tùy thuộc vào độ cộng hưởng và độ phức tạp của dữ liệu. Kết luận: Cỡ mẫu càng lớn càng tốt, nhưng cần cân nhắc đặc điểm dữ liệu để đạt kết quả chính xác.
Tìm hiểu các loại thang đo trong SmartPLS 4: Metric, Ordinal, Categorical
Bài viết này hướng dẫn các bạn phân biệt các loại thang đo trong SmartPLS
Phần 2 - Phần mềm JASP có thể làm được những gì?
Phần mềm JASP hỗ trợ phân tích thống kê từ cơ bản đến nâng cao như: thống kê mô tả, kiểm định giả thuyết, hồi quy, phân tích tương quan, nhân tố, chuỗi thời gian, và phân tích Bayes, với giao diện thân thiện, dễ sử dụng.
Phần 1 - Giới thiệu về phần mềm thống kê miễn phí JASP
JASP là phần mềm thống kê miễn phí và mã nguồn mở, dễ sử dụng, hỗ trợ phân tích Bayes, tích hợp R, và được thiết kế cho cả người không chuyên về thống kê.
R2 và R2 hiệu chỉnh, ý nghĩa và sự khác biệt
Tìm hiểu về R2 và R2 hiệu chỉnh trong phân tích hồi qui.
