Biến không có ý nghĩa ở hồi quy, SEM có cần loại chạy lại không? Câu trả lời là: KHÔNG. Lý do vì sao chúng ta sẽ tìm hiểu chi tiết phần nội dung bên dưới. Show  1. Chức năng chính của hồi quy, SEMHồi quy hay SEM là các kiểm định dùng để đánh giá mô hình đường dẫn. Hiểu đơn giản, mô hình có sự xuất hiện mũi tên và biến ở hai đầu của mũi tên thì nó gọi là một mô hình đường dẫn. Đánh giá mô hình đường dẫn gồm yếu tố quan trọng là xem các mối tác động trong mô hình đó có ý nghĩa hay không có ý nghĩa. Kết quả hồi quy và SEM sau khi phân tích trên phần mềm sẽ cho chúng ta giá trị sig hoặc p-value, từ đây chúng ta kết luận được một mối quan hệ có ý nghĩa thống kê hay không. Ví dụ: Một mô hình đường dẫn xét sự tác động từ X1, X2 lên Y. Giả thuyết nghiên cứu đặt ra cho mô hình: H1: X1 có tác động lên Y H2: X2 có tác động lên Y Phân tích hồi quy tuyến tính bội đánh giá sự tác động từ các biến độc lập X1, X2 lên biến phụ thuộc Y. Kết quả hồi quy trên SPSS cho sig kiểm định t của X1 bằng 0.01 < 0.05 và sig kiểm định t của X2 bằng 0.12 > 0.05 (tại độ tin cậy 95%). Như vậy: X1 có tác động lên Y, chấp nhận giả thuyết H1 X2 không có tác động lên Y, bác bỏ giả thuyết H2 Ở đây có thể thấy, nhiệm vụ của hồi quy, SEM cuối cùng là để giúp chúng ta chấp nhận hay bác bỏ giả thuyết nghiên cứu đặt ra từ đầu. Một kết quả hồi quy, SEM có sự xuất hiện của biến không có ý nghĩa đi nữa thì chúng ta cũng đã đạt được mục đích là biết được giả thuyết nghiên cứu được chấp nhận hay bác bỏ. Việc loại bỏ biến không có ý nghĩa để chạy lại lần tiếp theo sẽ là một thao tác thừa. 2. Các loại tác động trong hồi quy, SEMTiếp nội dung ở mục trên, xét quan điểm: Sau khi loại biến chạy lại, toàn bộ các chỉ số của phép hồi quy, SEM có sự biến đổi so với trước khi loại biến. Như vậy, việc tồn tại biến không có ý nghĩa trong mô hình sẽ làm sai lệch kết quả của mô hình. Việc loại biến không có ý nghĩa và chạy lại hồi quy, SEM làm cho kết quả hồi quy biến đổi là quan điểm hoàn toàn đúng. Nhưng kết quả hồi quy, SEM trước khi loại biến và sau khi loại biến cái nào mới là kết quả phù hợp? Hồi quy và SEM khác tương quan ở chỗ, với tương quan thì mối quan hệ chỉ xét giữa một cặp biến với nhau và giả định không có sự can thiệp từ các biến khác vào mối quan hệ này. Chính vì vậy, khi đánh giá tương quan giữa độc lập với phụ thuộc, việc đưa thêm biến hay bỏ bớt biến độc lập, kết quả tương quan từng cặp biến vẫn cho ra cùng một hệ số tương quan và không có thay đổi gì. Trong khi đó ở hồi quy và SEM, bên cạnh (1) sự tác động từ độc lập tới phụ thuộc thì tồn tại một loại tác động khác là (2) tác động qua lại giữa các biến độc lập với nhau. Khi kiểm định t hồi quy trên SPSS cho ra sig lớn hơn 0.05, chúng ta kết luận biến độc lập X1 đó không tác động lên biến phụ thuộc Y. Tuy nhiên, biến độc lập X1 này lại có tác động qua lại với các biến độc lập X2, X3 để đóng góp vào sự tác động của X2, X3 lên Y. Chính sự xuất hiện mối tác động qua lại giữa các biến độc lập mà ở hồi quy, nếu loại đi một biến độc lập, hệ số hồi quy của các biến độc lập còn lại sẽ có sự biến đổi chứ không giữ nguyên như ở tương quan. Các biến độc lập luôn có sự ảnh hưởng qua lại với nhau và cùng tác động lên biến phụ thuộc chứ không phải chúng chỉ duy nhất tác động lên biến phụ thuộc. Khi chúng ta tiến hành chạy hồi quy hay SEM, phần mềm tính toán cả hai sự tác động kể trên chứ không phải chỉ có một mối tác động duy nhất từ độc lập lên phụ thuộc. Biến độc lập X1 tuy là không có tác động lên biến phụ thuộc nhưng nó lại có tác động lên các biến độc lập khác để ảnh hưởng lên tổng thể kết quả toàn bộ phép hồi quy, SEM. Việc loại bỏ X1 ra khỏi mô hình, đồng nghĩa chúng ta xác nhận rằng X1 không hề xuất hiện trong mối quan hệ tổng thể với các biến độc lập khác và với biến phụ thuộc. Do đó, việc loại bỏ biến độc lập không có ý nghĩa để chạy lại hồi quy, SEM là việc làm không phù hợp. Phương pháp kiểm định trị số P (tiếng Anh: P-test) là một phương pháp thống kê kiểm tra tính hợp lệ của giả thuyết không. Hình minh họa. Nguồn: Thegreatcoursesplus.com Phương pháp kiểm định trị số PKhái niệm Phương pháp kiểm định trị số P trong tiếng Anh là P-test. Phương pháp kiểm định trị số P là một phương pháp thống kê kiểm tra tính hợp lệ của giả thuyết không. Mục tiêu của phương pháp kiểm định trị số P là bác bỏ giả thuyết không (null hypothesis) bằng cách kiểm tra trong thực tế. Kiểm định trị số P cung cấp bằng chứng để bác bỏ hoặc không thể bác bỏ (hay không kết luận được) một kết luận được chấp nhận rộng rãi. Đặc điểm Phương pháp kiểm định trị số PPhương pháp kiểm định trị số P tính toán giá trị p-value cho phép nhà nghiên cứu xác định độ tin cậy của giả thuyết không. Giá trị p-value được so sánh với mức ý nghĩa thống kê (α), mà nhà nghiên cứu đã chọn để đánh giá tính ngẫu nhiên của kết quả. Thống kê kiểm định trị số P thường theo phân phối chuẩn khi cỡ mẫu sử dụng càng lớn. Các nhà nghiên cứu thường sẽ chọn mức α bé hơn hoặc bằng 5%, hay độ tin cậy 95% hoặc hơn. Nói cách khác, giá trị p-value nhỏ hơn α = 5% có nghĩa là có hơn 95% khả năng kết quả của kiểm định giả thuyết là không phải do ngẫu nhiên mà có, do đó làm kết quả đáng tin cậy hơn, cho phép nhà nghiên cứu bác bỏ giả thuyết không. Giá trị p-valueKhi tiến hành kiểm tra giả thuyết để xác nhận độ chính xác của một kết luận, nhà nghiên cứu đưa ra hai giả thuyết - giả thuyết không (H0) và giả thuyết thay thế (H1). Khi nhà nghiên cứu sử dụng phương pháp kiểm định trị số P, họ luôn muốn bác bỏ giả thuyết không. Hình minh họa. Nguồn: Saylordotorg.github.io - Giá trị p-value càng nhỏ (p-value < α) thì giả thuyết không càng nên bị bác bỏ và giả thuyết thay thế càng đáng tin cậy. - Giá trị p-value càng lớn (p-value> α) thì cơ sở để bác bỏ giả thuyết không càng yếu và kiểm định không có kết luận. Một điểm khác cần lưu ý là nếu kiểm định trị số P không từ chối giả thuyết không thì kiểm định được gọi là không có kết luận chứ nó không có nghĩa là chấp nhận giả thuyết không. Nếu giá trị p-value bác bỏ giả thuyết không thì giả thuyết thay thế được chấp nhận. Kiểm định Z và Kiểm định TKiểm định Z là một phương pháp kiểm định thống kê phổ biến kiểm tra ý nghĩa thống kê của giá trị trung bình mẫu so với giá trị trung bình giả định của tổng thể biết trước độ lệch chuẩn của tổng thể (thường rất khó xác định). Kiểm định T là một một phương pháp kiểm định thống kê thực tế hơn kiểm định Z ở chỗ nó chỉ yêu cầu biết trước độ lệch chuẩn của mẫu. |
