Micom test trong phân tích đa nhóm Multigroup Analysis (MGA)

Micom test  trong phân tích đa nhóm của  SmartPLS (Partial Least Squares Structural Equation Modeling), “MICOM” là viết tắt của Measurement Invariance of Composite Models. Đây là một bước phân tích quan trọng trong PLS-SEM để kiểm tra sự bất biến (invariance) của các mô hình đo lường (composite models) giữa các nhóm mẫu khác nhau. Nói cách khác, MICOM kiểm tra xem liệu cấu trúc đo lường (tức là mối quan hệ giữa các biến quan sát và biến tiềm ẩn) có giữ nguyên khi áp dụng cho các nhóm khác nhau hay không.

MICOM test thường bao gồm ba bước chính:

• Kiểm tra sự bất biến cấu trúc đo lường (configural invariance): Kiểm tra xem cấu trúc của mô hình có giống nhau giữa các nhóm không.
• Kiểm tra sự bất biến của trọng số ngoài (compositional invariance): Kiểm tra xem trọng số giữa các chỉ số và cấu trúc tiềm ẩn có tương đương giữa các nhóm hay không.
• Kiểm tra sự bất biến của trung bình và phương sai (mean and variance invariance): Kiểm tra xem trung bình và phương sai của các cấu trúc tiềm ẩn có giống nhau giữa các nhóm không.

MICOM test giúp đảm bảo rằng các so sánh giữa các nhóm là hợp lệ và không bị sai lệch bởi sự khác biệt trong cách thức mà các nhóm hiểu hoặc phản ứng với các biến đo lường.

Nếu mô hình đo lường không đạt được sự bất biến qua các nhóm, các kết quả so sánh giữa nhóm có thể không chính xác.

MICOM TEST trong MGA

Các bước để công nhận phân tích đa nhóm MGA

Trong bài kiểm tra MICOM (Measurement Invariance of Composite Models) trong SmartPLS, mỗi bước có các chỉ báo và tiêu chí so sánh cụ thể để đánh giá sự bất biến (invariance). Dưới đây là các tiêu chí và giá trị chuẩn để so sánh:

1. Bước 1: Configural Invariance (Sự bất biến về cấu trúc)

Ở bước này, bạn kiểm tra xem cấu trúc mô hình (tức là số lượng các biến tiềm ẩn và các chỉ báo của chúng) có giống nhau giữa các nhóm không.
Không có một chỉ số cụ thể hay giá trị chuẩn để so sánh ở bước này, mà chủ yếu là xác nhận tính tương đồng về mặt cấu trúc của mô hình giữa các nhóm.

2. Bước 2: Compositional Invariance (Sự bất biến về trọng số ngoài)

Ở bước này, chỉ số quan trọng là c_G (correlation between the composite scores across groups), tức là tương quan giữa các điểm thành phần giữa các nhóm.

Giá trị chuẩn:

c_G ≥ 0.9: Đây là ngưỡng để xác định sự bất biến về trọng số ngoài. Nếu giá trị c_G lớn hơn hoặc bằng 0.9, sự bất biến về trọng số ngoài được coi là đạt.
Permutation Test: SmartPLS sẽ thực hiện kiểm định hoán vị (permutation test) để tạo ra phân phối ngẫu nhiên của c_G. Bạn cũng sẽ kiểm tra xem giá trị c_G thực nghiệm có nằm trong khoảng phân phối này không. Nếu c_G nằm trong phân phối (thường là giá trị p > 0.05), thì trọng số ngoài có thể được coi là bất biến.

3. Bước 3: Equality of Means and Variances (Sự bất biến về trung bình và phương sai)

Trong bước này, bạn kiểm tra xem trung bình và phương sai của các cấu trúc tiềm ẩn có giống nhau giữa các nhóm hay không.

Giá trị chuẩn:

• Chênh lệch về trung bình (Difference in Means) gần bằng 0: Một sự khác biệt lớn có thể cho thấy sự bất biến không được duy trì.
• Chênh lệch về phương sai (Difference in Variances) gần bằng 0: Sự khác biệt lớn có thể cho thấy không có sự bất biến về phương sai.

Tuy nhiên, để xác định rõ ràng hơn, Permutation Test sẽ tiếp tục được sử dụng để so sánh chênh lệch trung bình và phương sai giữa các nhóm với phân phối ngẫu nhiên. Kết quả này sẽ được kiểm tra với mức ý nghĩa thống kê (thường là p-value > 0.05 để giữ bất biến).

Tóm tắt:

• c_G ≥ 0.9 cho bước Compositional Invariance.
• Chênh lệch về trung bình và phương sai cần gần bằng 0.
• Kết quả Permutation Test cần có p-value > 0.05 để giữ được sự bất biến.

Nếu các tiêu chí này được thỏa mãn, bạn có thể kết luận rằng mô hình có sự bất biến giữa các nhóm, và các so sánh giữa các nhóm sẽ có ý nghĩa thống kê.

Phân tích đa nhóm là gì?

Multigroup Analysis (MGA) là một kỹ thuật phân tích dữ liệu trong PLS-SEM (Partial Least Squares Structural Equation Modeling) nhằm so sánh các mối quan hệ giữa các biến tiềm ẩn (latent variables) giữa hai hoặc nhiều nhóm khác nhau. Mục tiêu chính của MGA là kiểm tra xem liệu các đường dẫn (path relationships) trong mô hình có khác biệt giữa các nhóm hay không.

Ví dụ, trong một nghiên cứu, bạn có thể muốn kiểm tra xem mối quan hệ giữa sự hài lòng của khách hàng và lòng trung thành của họ có giống nhau giữa các nhóm khách hàng thuộc hai giới tính (nam và nữ) hay không.

Các bước chính trong Multigroup Analysis (MGA):

1. Tách mẫu theo nhóm: Trước khi thực hiện MGA, tập dữ liệu cần được chia thành các nhóm dựa trên một biến phân loại như giới tính, tuổi, quốc gia, hoặc bất kỳ tiêu chí phân loại nào khác có ý nghĩa với nghiên cứu.
2. Chạy mô hình PLS-SEM riêng biệt cho từng nhóm: PLS-SEM sẽ được chạy cho từng nhóm để ước lượng các tham số của mô hình cho mỗi nhóm riêng lẻ.
3. So sánh các đường dẫn giữa các nhóm: MGA sẽ so sánh các đường dẫn (path coefficients) hoặc các mối quan hệ giữa các biến tiềm ẩn trong mô hình giữa các nhóm.
4. Kiểm định sự khác biệt: MGA sử dụng các kiểm định thống kê để kiểm tra sự khác biệt về các ước lượng (như trọng số đường dẫn, các hệ số R²) giữa các nhóm. Có nhiều phương pháp khác nhau để thực hiện kiểm định trong MGA, bao gồm:

1. 1. Parametric Test (kiểm định tham số): So sánh các ước lượng giữa các nhóm dựa trên giả định về phân phối dữ liệu.
   2. Non-parametric Test (Henseler’s MGA): Một phương pháp kiểm định phi tham số để so sánh đường dẫn giữa các nhóm mà không dựa trên các giả định phân phối, cho kết quả chính xác hơn khi dữ liệu không tuân theo phân phối chuẩn.
   3. Permutation Test: Sử dụng hoán vị để kiểm định sự khác biệt giữa các nhóm, đây là phương pháp không dựa trên giả định về phân phối của dữ liệu.

Ứng dụng của Multigroup Analysis:

• Kiểm tra sự khác biệt giữa các nhóm: MGA cho phép các nhà nghiên cứu kiểm tra xem liệu các mối quan hệ giữa các biến tiềm ẩn có thay đổi theo nhóm (chẳng hạn, theo giới tính, tuổi tác, khu vực địa lý, hoặc các đặc điểm nhân khẩu học khác).
• Xác thực mô hình lý thuyết: Giúp kiểm tra sự phù hợp của mô hình lý thuyết cho nhiều nhóm, từ đó làm rõ liệu mô hình có hoạt động khác nhau đối với từng nhóm hay không.
• Hỗ trợ trong việc phân tích chính sách: Kết quả từ MGA có thể giúp đưa ra các chính sách hoặc chiến lược khác nhau cho các nhóm đối tượng khác nhau, vì sự khác biệt trong mối quan hệ giữa các yếu tố có thể cho thấy các cách tiếp cận khác nhau là cần thiết.

Ví dụ:

• Giả sử bạn đang nghiên cứu mối quan hệ giữa động lực học tập, sự hài lòng và kết quả học tập của học sinh, và bạn muốn kiểm tra xem mối quan hệ này có khác biệt giữa nam và nữ hay không. Sử dụng MGA, bạn có thể kiểm tra xem các đường dẫn (ví dụ: từ động lực học tập đến kết quả học tập) có khác biệt về mặt thống kê giữa hai giới tính không.

Kết luận:

MGA là một công cụ mạnh mẽ trong PLS-SEM giúp bạn khám phá các sự khác biệt về mặt cấu trúc và mối quan hệ giữa các nhóm khác nhau. Nó cho phép bạn xác định liệu các kết quả nghiên cứu có thể được áp dụng đồng đều cho tất cả các nhóm hay có sự khác biệt đáng kể cần phải chú ý.

3 Kiểm định cần thiết trong phân tích đa nhóm

Trong Multigroup Analysis (MGA), có ba phương pháp kiểm định chính được sử dụng để xác định sự khác biệt giữa các nhóm trong mô hình PLS-SEM: kiểm định tham số (parametric test), kiểm định phi tham số (non-parametric test), và kiểm định hoán vị (permutation test). Mỗi phương pháp có cách tiếp cận và các giả định khác nhau khi so sánh sự khác biệt giữa các nhóm. Dưới đây là phân tích chi tiết của ba kiểm định này:

1. Kiểm định tham số (Parametric Test)

a. Đặc điểm:

Đây là phương pháp truyền thống để so sánh sự khác biệt giữa các nhóm dựa trên các tham số ước lượng của mô hình, như trọng số đường dẫn (path coefficients), hệ số R² hoặc hệ số tải của các chỉ báo (indicators).
Phương pháp này giả định rằng các mẫu có phân phối chuẩn, và nó sử dụng các giá trị trung bình và phương sai của các tham số để kiểm định sự khác biệt.

b. Cách hoạt động:

Kiểm định tham số tính toán sự khác biệt giữa các tham số của các nhóm và so sánh sự khác biệt này với phân phối chuẩn.

Kết quả kiểm định được thể hiện qua giá trị p-value: nếu p-value nhỏ hơn 0.05, sự khác biệt giữa các nhóm được xem là có ý nghĩa thống kê.

c. Ưu điểm:

Dễ sử dụng và hiểu, đặc biệt khi các mẫu có phân phối chuẩn.

d. Nhược điểm:

Phụ thuộc vào giả định phân phối chuẩn của dữ liệu, điều này có thể gây ra sai lệch nếu dữ liệu không tuân theo phân phối chuẩn.

Dễ dẫn đến kết quả sai lệch khi cỡ mẫu nhỏ hoặc không cân bằng giữa các nhóm.

2. Kiểm định phi tham số (Non-parametric Test) – Henseler’s MGA

a. Đặc điểm:

Đây là một phương pháp kiểm định phi tham số, không dựa trên các giả định về phân phối của dữ liệu.

Henseler’s MGA so sánh trực tiếp trọng số đường dẫn (path coefficients) giữa các nhóm mà không giả định về phân phối chuẩn.

b. Cách hoạt động:

Phương pháp này tính toán sự khác biệt giữa các tham số của hai nhóm mà không cần ước lượng sự phân phối của chúng.

Nó so sánh trọng số đường dẫn giữa các nhóm dựa trên kết quả ước lượng trực tiếp từ PLS-SEM và tính toán các p-value cho từng đường dẫn riêng lẻ. Một kết quả p-value nhỏ hơn 0.05 hoặc lớn hơn 0.95 chỉ ra sự khác biệt có ý nghĩa thống kê.

c. Ưu điểm:

Không yêu cầu giả định về phân phối chuẩn, phù hợp với dữ liệu không chuẩn hoặc mẫu nhỏ.

Cung cấp khả năng phát hiện sự khác biệt với tính chính xác cao hơn khi dữ liệu vi phạm giả định phân phối chuẩn.

d. Nhược điểm:

Khi cỡ mẫu quá nhỏ, độ chính xác của phương pháp có thể giảm.

3. Kiểm định hoán vị (Permutation Test)

a. Đặc điểm:

Kiểm định hoán vị là một phương pháp phi tham số dựa trên việc tạo ra các phân phối tham chiếu thông qua hoán vị (permutation). Nó không yêu cầu giả định về phân phối của dữ liệu.

Đây là phương pháp rất mạnh mẽ và phổ biến khi thực hiện Multigroup Analysis trong PLS-SEM.

b. Cách hoạt động:

Phương pháp này thực hiện hoán vị ngẫu nhiên dữ liệu giữa các nhóm để tạo ra các phân phối ngẫu nhiên của sự khác biệt giữa các nhóm. Sau đó, sự khác biệt thực tế giữa các nhóm được so sánh với phân phối ngẫu nhiên này.

Nếu sự khác biệt thực tế nằm ngoài phân phối hoán vị (tức là trong vùng 5% ngoài cùng), thì sự khác biệt giữa các nhóm được coi là có ý nghĩa thống kê.

c. Ưu điểm:

Không phụ thuộc vào phân phối của dữ liệu, do đó nó hoạt động tốt ngay cả với dữ liệu không chuẩn và mẫu không cân bằng.

Là một trong những phương pháp kiểm định đáng tin cậy nhất trong MGA.

d. Nhược điểm:

Có thể đòi hỏi nhiều thời gian tính toán hơn, đặc biệt khi mẫu dữ liệu lớn hoặc số lần hoán vị cao.

Cần thiết phải thực hiện nhiều lần hoán vị (ví dụ 5.000 hoặc 10.000 lần) để đạt được kết quả ổn định.

So sánh chung:

Tiêu chí	Kiểm định tham số	Henseler’s MGA	Kiểm định hoán vị
Giả định về phân phối	Cần phân phối chuẩn	Không cần phân phối chuẩn	Không cần phân phối chuẩn
Độ tin cậy	Thấp nếu dữ liệu không chuẩn	Cao	Rất cao
Phù hợp với mẫu nhỏ	Không phù hợp	Phù hợp	Phù hợp
Thời gian tính toán	Nhanh	Nhanh	Chậm hơn do nhiều lần hoán vị
Kết quả kiểm định	p-value < 0.05	p-value < 0.05 hoặc > 0.95	p-value < 0.05

Kết luận:

• Kiểm định tham số phù hợp khi dữ liệu tuân theo phân phối chuẩn và mẫu lớn.
• Henseler’s MGA là một lựa chọn tốt khi bạn không chắc chắn về phân phối dữ liệu và cần một phương pháp phi tham số nhanh chóng.
• Kiểm định hoán vị là phương pháp mạnh nhất và đáng tin cậy nhất, nhưng đòi hỏi nhiều thời gian tính toán hơn, đặc biệt khi cần độ chính xác cao trong các so sánh nhóm.

Tuỳ vào tính chất của dữ liệu và yêu cầu nghiên cứu, bạn có thể chọn phương pháp kiểm định phù hợp nhất để thực hiện phân tích đa nhóm (MGA).

Vậy micom test cho MGA có P-value > 0.05 hay P-value < 0.05 là tốt ?

Để chấp nhận hoặc bác bỏ kết quả phân tích Multigroup Analysis (MGA), việc bạn cần p-value lớn hơn hay nhỏ hơn 0.05 phụ thuộc vào mục tiêu của bạn là kiểm tra sự khác biệt hay không khác biệt giữa các nhóm:

1. Nếu bạn muốn kiểm tra xem có sự khác biệt có ý nghĩa thống kê giữa các nhóm hay không:
p-value < 0.05: Bạn bác bỏ H0, nghĩa là có sự khác biệt có ý nghĩa thống kê giữa các nhóm về trọng số đường dẫn, hệ số R², hoặc các tham số khác.
Điều này có nghĩa là các mối quan hệ trong mô hình giữa các nhóm là khác nhau, và bạn có thể kết luận rằng có sự khác biệt giữa các nhóm mà bạn đang so sánh.

2. Nếu bạn muốn kiểm tra xem các nhóm không có sự khác biệt có ý nghĩa thống kê (tức là muốn chấp nhận rằng các nhóm có cùng mô hình cấu trúc):
p-value > 0.05: Bạn chấp nhận H0, nghĩa là không có sự khác biệt có ý nghĩa thống kê giữa các nhóm.
Điều này có nghĩa là các mối quan hệ trong mô hình tương đồng giữa các nhóm, và bạn có thể kết luận rằng không có sự khác biệt đáng kể giữa các nhóm về mô hình cấu trúc.

Tóm lại:

• p-value < 0.05: Có sự khác biệt có ý nghĩa thống kê giữa các nhóm.
• p-value > 0.05: Không có sự khác biệt có ý nghĩa thống kê giữa các nhóm.

Vì vậy, việc bạn cần p-value lớn hơn hay nhỏ hơn 0.05 phụ thuộc vào câu hỏi nghiên cứu của bạn. Nếu bạn đang muốn tìm sự khác biệt giữa các nhóm, bạn sẽ cần p-value < 0.05 để xác định rằng sự khác biệt là có ý nghĩa. Nếu bạn muốn xác định rằng không có sự khác biệt giữa các nhóm, bạn sẽ cần p-value > 0.05 để chấp nhận rằng các nhóm không khác nhau.