Tổng quan về SEM

Estimated reading: 4 minutes 29 views

Chương 1 của tài liệu này cung cấp một cái nhìn tổng quan về Mô hình Phương trình Cấu trúc (Structural Equation Modeling – SEM), cùng với các công cụ hỗ trợ trong Stata như sem, gsem, và plssem. SEM là một phương pháp thống kê mạnh mẽ, kết hợp giữa phân tích nhân tố (factor analysis) và hồi quy đa biến (multivariate regression), cho phép nghiên cứu các mối quan hệ phức tạp giữa các biến tiềm ẩn (latent variables) và biến quan sát (observed variables). SEM được ứng dụng rộng rãi trong nhiều lĩnh vực như kinh tế, tâm lý học, khoa học xã hội, và quản trị kinh doanh, nhờ khả năng kiểm định các mô hình lý thuyết một cách toàn diện.

Trong chương này, chúng tôi sẽ giới thiệu về hai lệnh chính trong Stata để thực hiện SEM:

sem: Dành cho các mô hình SEM tuyến tính với biến phụ thuộc liên tục.
gsem: Mở rộng khả năng của SEM bằng cách hỗ trợ các biến phụ thuộc không liên tục như nhị phân, thứ tự, đếm, và đa thức.

Bên cạnh đó, chúng tôi cũng sẽ giới thiệu về Mô hình Phương trình Cấu trúc Bình phương Tối thiểu Từng phần (Partial Least Squares Structural Equation Modeling – PLS-SEM) và lệnh plssem trong Stata. PLS-SEM là một phương pháp thay thế cho SEM truyền thống, đặc biệt phù hợp khi dữ liệu không tuân theo phân phối chuẩn, kích thước mẫu nhỏ, hoặc mô hình có cấu trúc phức tạp. Chúng tôi sẽ giải thích sự khác biệt giữa PLS-SEM và SEM truyền thống, đồng thời hướng dẫn khi nào nên sử dụng PLS-SEM trong nghiên cứu.

Các nội dung chính được trình bày trong chương này bao gồm:

Giới thiệu về SEM: Định nghĩa, mục đích, và ứng dụng của SEM trong nghiên cứu.
Giới thiệu về sem và gsem: Sự khác biệt giữa hai lệnh và các loại mô hình được hỗ trợ.
Giới thiệu về PLS-SEM: Khái niệm, ưu điểm, và sự khác biệt so với SEM truyền thống.
Khi nào nên sử dụng PLS-SEM: Các tình huống cụ thể như dữ liệu không tuân theo phân phối chuẩn, mẫu nhỏ, hoặc mô hình phức tạp.

Chương 1 sẽ là nền tảng quan trọng để người đọc hiểu rõ về các phương pháp SEM, GSEM, và PLS-SEM, từ đó áp dụng hiệu quả vào các bài toán thực tế trong nghiên cứu của mình.