
Vai Trò Của Biến Kiểm Soát Trong Phân Tích Mô Hình Phương Trình Cấu Trúc (SEM) và Cách Sử Dụng Chúng Hiệu Quả
Vai Trò Của Biến Kiểm Soát Trong Phân Tích Mô Hình Phương Trình Cấu Trúc (SEM) và Cách Sử Dụng Chúng Hiệu Quả

Phân tích mô hình IPA và mô hình cải tiến AIPA. Từ lý thuyết đến ứng dụng thực tiễn.
IPA là mô hình phân tích nhằm so sánh tầm quan trọng (Importance) mà khách hàng gán cho các yếu tố dịch vụ/sản phẩm với mức độ thực hiện (Performance) mà họ cảm nhận được.

CB-SEM vs PLS-SEM vs Consistent PLS-SEM: Hướng dẫn chọn phương pháp phân tích phù hợp cho nghiên cứu
Khám phá sự khác biệt giữa CB-SEM, PLS-SEM và Consistent PLS-SEM (PLSc) để lựa chọn phương pháp phân tích phù hợp cho nghiên cứu khoa học xã hội và kinh doanh. Tìm hiểu ưu, nhược điểm và cách áp dụng từng phương pháp cho theory testing, dự đoán và nghiên cứu exploratory.

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