PNFI trong AMOS: đánh đổi độ phù hợp và tính giản lược như thế nào?
PNFI thưởng cho mô hình giữ được mức cải thiện so với baseline model với ít tham số tự do hơn. Chỉ số này phù hợp để hỗ trợ so sánh các mô hình trên cùng dữ liệu, không phải một cutoff độc lập để tuyên bố mô hình đạt.
PNFI bằng NFI nhân với parsimony ratio. Giá trị thường thấp hơn NFI vì mô hình bị điều chỉnh theo bậc tự do. Cách dùng tốt nhất là so sánh các mô hình cạnh tranh có cùng biến quan sát và cùng mẫu, đồng thời xem fit tuyệt đối, tính hợp lý lý thuyết và các tiêu chí chọn mô hình khác.
Độ phù hợp và sự giản lược cần được đọc cùng nhau
- Độ phù hợp
Mô hình tái hiện dữ liệu thế nào?
- Độ phức tạp
Cần bao nhiêu tham số tự do?
- PNFI
Bổ sung góc nhìn về giản lược
- Lý thuyết
Giữ đặc tả có căn cứ
Sơ đồ khái niệm. Không chọn mô hình chỉ vì một chỉ số giản lược cao hơn.
Nguồn: Lê Minh biên soạn · Minh họa khái niệm, không phải đầu ra phần mềm.1. Mục tiêu học tập và điều kiện so sánh
Sau chuyên đề, bạn cần tính lại PNFI từ NFI và PRATIO, lấy đúng bảng trong AMOS, giải thích vì sao mô hình đơn giản có thể được ưu tiên, và biết khi nào PNFI không thể dùng để so sánh.
Các mô hình cần được ước lượng trên cùng tập quan sát, cùng biến đầu vào và cùng baseline model. Nếu cỡ mẫu, danh sách biến hoặc cách xử lý missing khác nhau, PNFI không còn là phép so sánh sạch về tính giản lược.
- Các mô hình dùng cùng dữ liệu và cùng quan sát.
- Danh sách biến quan sát giống nhau.
- Estimator và cách xử lý missing giống nhau.
- Baseline model có cùng bậc tự do.
- Mỗi mô hình có cơ sở lý thuyết riêng.
- Đã xác định mô hình nested hay nonnested trước khi chọn phép so sánh.
2. PNFI đo điều gì?
Parsimonious Normed Fit Index (PNFI) điều chỉnh Normed Fit Index (NFI) theo tỷ lệ bậc tự do của mô hình nghiên cứu so với baseline model. IBM Corp. (2022) trình bày công thức PNFI = NFI x PRATIO, trong đó PRATIO = df_model / df_baseline.
NFI đo mức cải thiện của mô hình nghiên cứu so với baseline model, thường là mô hình độc lập (Bentler và Bonett, 1980). PNFI giảm giá trị NFI theo mức độ phức tạp: mô hình có nhiều tham số tự do hơn có df thấp hơn và nhận penalty lớn hơn.
PNFI không đo độ đơn giản thuần túy. Một mô hình rất hạn chế có thể có PRATIO cao nhưng fit kém. Chỉ số phản ánh sự đánh đổi giữa cải thiện fit và tính giản lược.
| Thành phần | Công thức hoặc nguồn | Ý nghĩa |
|---|---|---|
| NFI | So model với baseline model | Mức cải thiện fit tương đối |
| PRATIO | df_model / df_baseline | Tỷ lệ bậc tự do được giữ lại |
| PNFI | NFI x PRATIO | Fit tương đối sau điều chỉnh giản lược |
3. Vì sao SEM cần xem tính giản lược?
Thêm tham số tự do thường làm chi-square giảm và fit trong mẫu tốt hơn, kể cả khi tham số mới phản ánh nhiễu. Một chỉ số parsimony cố gắng tránh việc ưu tiên tự động mô hình phức tạp chỉ vì nó linh hoạt hơn.
Mulaik và cộng sự (1989) lập luận rằng đánh giá mô hình cần tính đến khả năng bị bác bỏ và mức độ tiết kiệm tham số. PNFI là một cách đưa tư tưởng này vào chỉ số fit bằng bậc tự do.
Parsimony không có nghĩa chọn mô hình ít đường dẫn nhất bằng mọi giá. Mô hình phải đủ phong phú để biểu diễn lý thuyết và tái tạo dữ liệu ở mức chấp nhận được. Một mô hình đơn giản nhưng bỏ sót cấu trúc quan trọng không tốt hơn mô hình phức tạp có căn cứ.
Ưu tiên mô hình đơn giản hơn khi các mô hình đều hợp lý về lý thuyết, dùng cùng dữ liệu và có mức fit đủ bảo vệ. PNFI không hợp thức hóa một mô hình underfit.
4. Tính PNFI từ bảng AMOS
Giả sử NFI = 0,94, df của Default model bằng 120 và df của Independence model bằng 180. PRATIO = 120 / 180 = 0,667. PNFI = 0,94 x 0,667 = 0,627.
Nếu phép tính tay lệch nhẹ so với AMOS, nguyên nhân thường là làm tròn NFI hoặc PRATIO quá sớm. Hãy dùng nhiều chữ số trong bước trung gian và chỉ làm tròn PNFI ở bảng cuối.
Công thức cho thấy PNFI thường thấp hơn NFI vì PRATIO nằm từ 0 đến 1. Không được áp cutoff của NFI trực tiếp cho PNFI.
| Đại lượng | Giá trị | Phép tính |
|---|---|---|
| NFI | 0,940 | Lấy từ Baseline Comparisons |
| df model | 120 | Default model |
| df baseline | 180 | Independence model |
| PRATIO | 0,667 | 120 / 180 |
| PNFI | 0,627 | 0,940 x 0,667 |
df của baseline là df của Independence model trong cùng lần chạy. Không lấy df của saturated model và không trộn df giữa hai bộ biến khác nhau.
5. Lấy NFI, PRATIO và PNFI trong AMOS
Trong AMOS Graphics, mở Analysis Properties, bật Fit measures và chạy mô hình. Trong Text Output, NFI xuất hiện ở Baseline Comparisons; PRATIO và PNFI xuất hiện trong bảng Parsimony-Adjusted Measures. Hướng dẫn AMOS 29 cũng cho phép hiển thị PNFI trên output path diagram bằng text macro.
Luôn đọc dòng Default model. Dòng Saturated model không có ý nghĩa so sánh giản lược theo cách của mô hình nghiên cứu, còn Independence model là baseline dùng cho công thức.
Lưu cùng lúc chi-square, df, CFI, TLI, RMSEA với khoảng tin cậy, SRMR nếu có, NFI, PRATIO, PNFI, AIC và BIC khi được cung cấp. PNFI cần được đặt trong hồ sơ so sánh rộng hơn.
Chạy từng mô hình cạnh tranh
Giữ cùng dữ liệu, biến, estimator và xử lý missing.
Mở Baseline Comparisons
Ghi NFI của Default model và kiểm tra baseline model giống nhau.
Mở Parsimony-Adjusted Measures
Ghi PRATIO và PNFI của Default model.
Tính đối chiếu
Nhân NFI với PRATIO bằng số chưa làm tròn để phát hiện lỗi sao chép.
Lập bảng nhiều mô hình
Đặt fit, df, PNFI và các tiêu chí khác trên cùng một hàng cho mỗi mô hình.
Ra quyết định có lý thuyết
Không chọn mô hình chỉ vì PNFI cao hơn một lượng rất nhỏ.
6. Ví dụ số giả định: mô hình A hay mô hình B?
Ví dụ dưới đây là tình huống minh họa, không phải dữ liệu nghiên cứu thật. Hai mô hình dùng cùng 12 biến quan sát và cùng 420 trường hợp. Baseline model có df = 180. Mô hình A cho phép nhiều đường dẫn, NFI = 0,95 và df = 100. Mô hình B bỏ các đường không có cơ sở mạnh, NFI = 0,94 và df = 120.
PNFI của A bằng 0,95 x (100 / 180) = 0,528. PNFI của B bằng 0,94 x (120 / 180) = 0,627. B có NFI thấp hơn 0,01 nhưng PNFI cao hơn 0,099 vì giữ nhiều bậc tự do hơn.
Không thể chọn B chỉ từ PNFI. Nếu B có residual lớn hoặc bỏ quan hệ thiết yếu, mức giản lược không đáng đổi. Nếu cả hai có fit đủ bảo vệ và các đường bị bỏ khỏi B không được lý thuyết hỗ trợ, PNFI là một bằng chứng thuận lợi cho B.
| Chỉ số | Mô hình A | Mô hình B | Cách đọc |
|---|---|---|---|
| NFI | 0,950 | 0,940 | A cải thiện fit so baseline nhỉnh hơn |
| df | 100 | 120 | B giữ nhiều ràng buộc hơn |
| PRATIO | 0,556 | 0,667 | B giản lược hơn theo df |
| PNFI | 0,528 | 0,627 | B có đánh đổi fit-parsimony thuận lợi hơn |
| Kết luận | Phức tạp hơn | Đơn giản hơn | Chỉ chọn sau khi kiểm tra fit và lý thuyết |
7. PNFI không có một cutoff phổ quát
Không có một ngưỡng duy nhất được chấp nhận rộng rãi để tuyên bố PNFI đạt. Giá trị PNFI phụ thuộc số biến, baseline model, bậc tự do và mức fit tương đối. Vì vậy, các quy tắc như PNFI phải lớn hơn 0,50 hoặc 0,60 chỉ nên được xem là kinh nghiệm trong một số tài liệu, không phải tiêu chuẩn quyết định.
PNFI hữu ích hơn khi so các mô hình cạnh tranh trên cùng dữ liệu. Chênh lệch nhỏ cần được diễn giải thận trọng vì không có phân phối kiểm định đơn giản cho mọi tình huống.
Kline (2023) khuyến nghị tránh chiến lược chọn mô hình bằng danh sách cutoff. Cấu trúc lý thuyết, residuals, tham số, độ ổn định và khả năng lặp lại vẫn là bằng chứng chính.
PNFI đã bị nhân với PRATIO nên gần như luôn thấp hơn NFI. Viết PNFI < 0,90 nên mô hình không đạt là nhầm bản chất công thức.
8. PNFI, PCFI, AIC, BIC và kiểm định mô hình lồng nhau
PNFI dùng NFI làm nền, còn PCFI dùng CFI nhân với cùng PRATIO. Hai chỉ số đều điều chỉnh theo df nhưng kế thừa đặc tính của chỉ số gốc. Có thể báo cáo cả hai như bằng chứng bổ sung, không cần biến chúng thành hai cổng độc lập.
Với mô hình nested, chi-square difference test kiểm tra trực tiếp phần ràng buộc thêm có làm fit suy giảm vượt mức sampling error hay không. Khi estimator robust được dùng, phép chênh lệch phải được hiệu chỉnh phù hợp.
AIC và BIC thuộc nhóm tiêu chí thông tin. Giá trị thấp hơn được ưu tiên trong tập mô hình so sánh, nhưng AIC và BIC áp penalty khác nhau. Burnham và Anderson (2004) nhấn mạnh việc xem xét nhiều mô hình có căn cứ thay vì tìm một chỉ số duy nhất.
PNFI không thay thế AIC, BIC hoặc chi-square difference. Mỗi công cụ trả lời một câu hỏi khác về fit, penalty và bằng chứng so sánh.
| Công cụ | Câu hỏi | Chiều thuận lợi | Điều kiện |
|---|---|---|---|
| PNFI hoặc PCFI | Fit sau điều chỉnh df ra sao? | Cao hơn trong nhóm so sánh | Cùng dữ liệu và baseline |
| Chi-square difference | Ràng buộc thêm có làm fit giảm có ý nghĩa? | Phụ thuộc H0 và alpha | Mô hình nested |
| AIC | Mất thông tin dự kiến tương đối? | Thấp hơn | Cùng dữ liệu và likelihood phù hợp |
| BIC | Fit-penalty với phạt phức tạp mạnh hơn? | Thấp hơn | Cùng dữ liệu và likelihood phù hợp |
| Fit indices | Mỗi mô hình có fit đủ bảo vệ? | Theo hồ sơ bằng chứng | Không dùng một cutoff duy nhất |
9. Lỗi diễn giải PNFI thường gặp
| Cách làm yếu | Vấn đề | Cách xử lý |
|---|---|---|
| PNFI > 0,50 nên mô hình đạt | Biến kinh nghiệm thành cutoff tuyệt đối | Dùng PNFI để hỗ trợ so sánh |
| PNFI thấp hơn NFI nên mô hình xấu | Bỏ qua penalty PRATIO | Giải thích công thức trước khi so |
| So PNFI giữa hai bộ biến khác nhau | Baseline và df không tương đương | Chỉ so trên cùng dữ liệu và biến |
| Chọn PNFI cao nhất bất kể fit | Có thể ưu tiên underfit | Kiểm tra RMSEA, CFI, TLI, SRMR và residuals |
| Thêm đường để tăng NFI | df giảm và PNFI có thể giảm | Chỉ thêm tham số có căn cứ |
| Báo cáo một PNFI không có đối chứng | Khó thấy vai trò chọn mô hình | Nêu mục đích mô tả hoặc lập bảng cạnh tranh |
10. Mẫu báo cáo APA 7 và bảng kiểm
Mẫu dưới đây dùng số giả định của ví dụ A và B. Khi áp dụng, nêu rõ các mô hình dùng cùng dữ liệu và giải thích lý thuyết cho mọi ràng buộc khác nhau.
Mẫu báo cáo tiếng Việt
Hai mô hình cạnh tranh được ước lượng trên cùng N = 420 và cùng 12 biến quan sát. Mô hình A có NFI = .950, PRATIO = .556 và PNFI = .528; Mô hình B có NFI = .940, PRATIO = .667 và PNFI = .627. Mặc dù NFI của Mô hình B thấp hơn .010, PNFI cao hơn .099 do mô hình giữ nhiều bậc tự do hơn. Kết hợp với RMSEA = [ ], CFI = [ ], TLI = [ ], SRMR = [ ] và [AIC/BIC hoặc chi-square difference], Mô hình [ ] được ưu tiên vì [lý do lý thuyết và thực nghiệm]. PNFI được dùng như bằng chứng so sánh, không như cutoff độc lập.
- Các mô hình dùng cùng mẫu và cùng biến quan sát.
- Estimator và xử lý missing giống nhau.
- Đã ghi NFI, df model và df baseline.
- Đã tính lại PRATIO và PNFI để đối chiếu.
- Đã đọc đúng dòng Default model.
- Không áp cutoff của NFI cho PNFI.
- Đã kiểm tra fit tuyệt đối và residuals.
- Đã xác định mô hình nested hay nonnested.
- Đã dùng AIC, BIC hoặc chi-square difference khi phù hợp.
- Quyết định cuối có lập luận lý thuyết, không chỉ thứ hạng PNFI.
Kết luận
PNFI giúp thấy cái giá của việc thêm tham số: fit so với baseline có thể tăng, nhưng tính giản lược giảm. Chỉ số hữu ích nhất khi các mô hình được so sánh trên cùng dữ liệu và đều có cơ sở lý thuyết.
Không có một PNFI thần kỳ để xác nhận mô hình. Báo cáo tốt trình bày NFI, PRATIO, PNFI và các chỉ số cạnh tranh, sau đó giải thích vì sao mô hình được chọn cân bằng tốt hơn giữa fit, giản lược và ý nghĩa.
Tài liệu tham khảo
- Bentler, P. M., & Bonett, D. G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological Bulletin, 88(3), 588-606. https://doi.org/10.1037/0033-2909.88.3.588
- Mulaik, S. A., James, L. R., Van Alstine, J., Bennett, N., Lind, S., & Stilwell, C. D. (1989). Evaluation of goodness-of-fit indices for structural equation models. Psychological Bulletin, 105(3), 430-445. https://doi.org/10.1037/0033-2909.105.3.430
- Burnham, K. P., & Anderson, D. R. (2004). Multimodel inference: Understanding AIC and BIC in model selection. Sociological Methods & Research, 33(2), 261-304. https://doi.org/10.1177/0049124104268644
- Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press. https://www.guilford.com/books/Principles-and-Practice-of-Structural-Equation-Modeling/Rex-Kline/9781462551910
- IBM Corp. (2022). IBM SPSS Amos 29 user's guide. https://www.ibm.com/docs/en/SSLVMB_29.0.0/pdf/IBM_SPSS_Amos_User_Guide.pdf
Ghi chú học thuật: Các số trong ví dụ được tạo để minh họa công thức. PNFI phụ thuộc cấu trúc so sánh và baseline model; không dùng giá trị của một nghiên cứu làm cutoff bắt buộc cho nghiên cứu khác.