Hai hệ số đều có ý nghĩa chưa cho biết chúng khác nhau. Bootstrap thông thường cũng chưa giải quyết sự phụ thuộc giữa người trả lời cùng một lớp học, nhóm làm việc hoặc đơn vị đánh giá.
Kiểm định một hiệu ứng, kiểm định chênh lệch giữa hai hiệu ứng và kiểm tra độ vững theo cụm là những câu hỏi khác nhau. Bài viết giải thích cách xác định cụm, lựa chọn đơn vị lấy mẫu bootstrap và dùng user-defined estimands trong AMOS 28 để kiểm định chênh lệch. Các giới hạn được đặt ngay cạnh kết luận mà chúng ảnh hưởng.
Toàn bộ bối cảnh, tên biến, cỡ mẫu và số liệu trong các bảng minh họa dưới đây được xây dựng cho mục đích học thuật. Chúng không phải dữ liệu khảo sát hoặc output thực nghiệm. Các hệ số, SE, khoảng tin cậy và p giả định chỉ giúp người đọc luyện cách diễn giải; không dùng làm bằng chứng trong một nghiên cứu.
1. Ba câu hỏi cần tách biệt
Một nghiên cứu có thể đồng thời kiểm định nhiều biến dự báo và muốn biết biến nào liên hệ mạnh hơn với kết quả. Sai sót thường bắt đầu khi người viết nhìn hai hệ số, chọn hệ số lớn hơn rồi diễn giải thành ưu thế đã được xác nhận. Thông tin về độ lớn của ước lượng chưa đủ cho kết luận đó.
Gelman và Stern (2006) chỉ ra rằng khác biệt giữa một kết quả “có ý nghĩa” và một kết quả “không có ý nghĩa” không tự nó tạo thành một khác biệt có ý nghĩa thống kê. Muốn so sánh, cần kiểm định trực tiếp đại lượng chênh lệch. Lập luận này cũng áp dụng khi cả hai hiệu ứng đều có ý nghĩa nhưng một hệ số lớn hơn hệ số kia.
| Câu hỏi | Đại lượng cần xem | Kết luận được phép rút ra |
|---|---|---|
| Mỗi hiệu ứng có khác 0 không? | Ước lượng, SE, KTC hoặc p của chính hiệu ứng đó. | Mức độ bằng chứng về hiệu ứng riêng lẻ. |
| Hai hiệu ứng có khác nhau không? | Ước lượng và KTC hoặc p của chênh lệch giữa hai hiệu ứng. | Mức độ bằng chứng về sự khác biệt theo chiều so sánh đã định. |
| Kết luận có vững khi xét cụm không? | Kết quả suy luận có tính đến sự phụ thuộc trong cụm. | Kết luận về đại lượng đang xét nhạy đến đâu với cách xử lý cấu trúc dữ liệu. |
Bảng 1. Khung đọc kết quả, tổng hợp từ Gelman và Stern (2006), Cameron và Miller (2015). KTC: khoảng tin cậy; SE: sai số chuẩn.
Một bảng kiểm tra độ vững cho các đường dẫn riêng lẻ không thay thế bảng kiểm định chênh lệch. Ngược lại, một chênh lệch được bootstrap theo từng người trả lời chưa cho biết chênh lệch đó có giữ kết luận khi lấy mẫu lại theo cụm hay không. Cần đặt đúng câu hỏi trước khi chọn cột số để báo cáo.
2. Mô hình và bối cảnh minh họa
Giả sử một nghiên cứu giáo dục thu thập thông tin từ 432 học viên thuộc 54 lớp, mỗi lớp chọn 8 học viên. Học viên tự đánh giá trải nghiệm học tập; giáo viên phụ trách lớp đánh giá mức chủ động học tập của những người được chọn trong lớp đó. Đây là thiết kế giả định để giải thích phương pháp, không phải mô tả một cuộc khảo sát đã tiến hành.
| Ký hiệu | Tên biến | Ý nghĩa trong ví dụ |
|---|---|---|
| PF | Phản hồi phát triển | Nhận thức về phản hồi giúp học viên cải thiện cách giải quyết nhiệm vụ. |
| HT | Hỗ trợ học tập | Nhận thức về sự hỗ trợ trong quá trình học. |
| TT | Tự tin giải quyết vấn đề | Niềm tin vào khả năng xử lý nhiệm vụ, không đồng nhất với năng lực thực tế. |
| CD | Chủ động học tập | Biến kết quả do giáo viên phụ trách lớp đánh giá. |
| AT | An toàn tâm lý | Cảm nhận của từng học viên về khả năng nêu ý kiến và đặt câu hỏi. |
Bảng 2. Hệ thống biến hoàn toàn giả định. Các mô tả chỉ xác định vai trò trong ví dụ, không phải thang đo đã được xác nhận giá trị.
Mô hình đặt giả thuyết rằng PF và HT liên hệ với CD thông qua TT. AT điều tiết nhánh PF → TT và HT → TT. Theo cấu trúc này, mức độ liên hệ gián tiếp qua TT có thể thay đổi theo AT, tức một mô hình trung gian có điều tiết ở nhánh đầu. Hayes (2015) trình bày chỉ số để kiểm định dạng thay đổi tuyến tính của hiệu ứng gián tiếp này.
AT trong ví dụ là biến ở cấp cá nhân. Việc nhiều học viên cùng thuộc một lớp không tự biến AT thành đặc điểm của lớp. Nếu muốn kiểm định một đặc điểm ở cấp lớp hoặc tách quan hệ trong lớp và giữa các lớp, câu hỏi nghiên cứu và mô hình phải được xác định lại theo cấp phân tích.
3. Cluster là gì và vì sao cần quan tâm
Cluster là một cụm các quan sát có chung điều kiện tạo dữ liệu, khiến chúng có thể phụ thuộc vào nhau. Với ví dụ trên, cụm là lớp học. Hai học viên cùng lớp chia sẻ môi trường học và cùng một giáo viên đánh giá CD. Mã lớp, chẳng hạn ClassID, cho biết mỗi học viên thuộc cụm nào. Đây là cấu trúc có sẵn, không phải kết quả của thuật toán phân cụm.
Một giáo viên có thể chấm điểm khắt khe hơn người khác. Các học viên cùng lớp cũng có thể trải nghiệm cùng một thời khóa biểu hoặc nguồn lực. Khi đó, phần sai số của họ không hoàn toàn độc lập. Cameron và Miller (2015) giải thích rằng việc bỏ qua tương quan trong cụm có thể làm sai số chuẩn thông thường đánh giá quá cao độ chính xác của ước lượng.
Trong thực tế, cụm có thể là nhóm nhân viên cùng quản lý, bệnh nhân cùng cơ sở khám chữa bệnh hoặc người tham gia cùng địa điểm triển khai. Chọn biến cụm cần dựa vào quá trình tạo dữ liệu. Không nên thử nhiều mã phân nhóm rồi chọn mã tạo ra p thuận lợi nhất. Nếu một giáo viên phụ trách nhiều lớp, hoặc dữ liệu còn có cấu trúc theo trường, phải xem xét mức phụ thuộc rộng hơn thay vì mặc định mã lớp đã xử lý hết.
Trong mô hình chặn ngẫu nhiên đơn giản, ICC biểu thị phần phương sai giữa cụm trong tổng phương sai. ICC gần 0 cho thấy mức giống nhau theo cụm thấp ở biến đang xét, nhưng không phải giấy phép tự động bỏ qua thiết kế cụm. Ảnh hưởng đến suy luận còn phụ thuộc sĩ số cụm, số cụm và cấu trúc của biến dự báo (Cameron & Miller, 2015).
Một kiểm định phương sai giữa lớp không đạt mức 0,05 cũng không chứng minh các quan sát độc lập. Cần xem ICC như thông tin mô tả bổ sung và cân nhắc thiết kế nghiên cứu, thay vì dùng một ngưỡng ICC duy nhất làm quy tắc quyết định cho mọi mô hình SEM.
4. Hiệu chỉnh theo cụm hay mô hình đa cấp
Hiệu chỉnh sai số chuẩn theo cụm và mô hình đa cấp không phục vụ hoàn toàn cùng mục tiêu. Cách thứ nhất chủ yếu điều chỉnh suy luận khi vẫn giữ quan hệ gộp đang ước lượng. Cách thứ hai mô hình hóa cấu trúc ở nhiều cấp. Không nên coi chúng là hai nút bấm thay thế tùy theo cách nào làm kết quả đẹp hơn.
| Cách tiếp cận | Mục đích chính | Giới hạn cần hiểu |
|---|---|---|
| SE vững theo cụm | Cho phép phụ thuộc của sai số trong cùng cụm khi xây dựng SE và kiểm định, thường bằng hiệu chỉnh kiểu sandwich. | Không tự tách quan hệ trong cụm và giữa cụm; không tự sửa đặc tả sai hoặc sai lệch đo lường. |
| Bootstrap theo cụm | Tạo phân phối lấy mẫu bằng cách lấy lại cả cụm và ước lượng lại mô hình. | Cần đủ thông tin ở cấp cụm và phải kiểm tra các lần ước lượng không đạt; không mặc định tốt trong mọi thiết kế. |
| Mô hình đa cấp | Biểu diễn trực tiếp các thành phần và quan hệ ở những cấp được xác định. | Đòi hỏi câu hỏi, biến và giả định phù hợp với từng cấp; cấu trúc phức tạp làm tăng yêu cầu về dữ liệu. |
Bảng 3. Phân biệt mục tiêu phương pháp. Nguồn: Cameron và Miller (2015), Field và Welsh (2007), Gelman (2006).
Nếu mục tiêu là biết PF liên hệ với TT khác nhau thế nào giữa các lớp, một sai số chuẩn vững theo lớp chưa trả lời câu hỏi đó. Nếu mục tiêu vẫn là một hệ số gộp nhưng lo ngại độ chính xác bị phóng đại bởi sự phụ thuộc, suy luận theo cụm là một kiểm tra cần xem xét. Gelman (2006) mô tả mô hình đa cấp như cách đưa cấu trúc nhóm vào mô hình thay vì chỉ sửa SE.
Số lượng cụm có vai trò riêng: nhiều người trong một ít cụm không đem lại cùng lượng thông tin độc lập như cùng số người phân bố trên nhiều cụm. Vì vậy, cỡ mẫu phải báo cáo cả số cá nhân lẫn số cụm. Với ít cụm hoặc sĩ số cụm rất lệch, cần kiểm tra mức phù hợp của hiệu chỉnh và bootstrap đã chọn; không có một ngưỡng số cụm bảo đảm mọi ứng dụng đều hợp lệ (Cameron & Miller, 2015).
Suy luận vững theo một cấp cụm vẫn dựa vào giả định độc lập giữa các cụm ở cấp đang xét. Nếu các lớp trong cùng trường còn phụ thuộc vào nhau, cần đánh giá lại cấu trúc đó. Hiệu chỉnh theo lớp không tự xử lý được mọi sự phụ thuộc giữa trường, giáo viên và lớp học.
5. Lấy mẫu bootstrap ở cấp nào
Bootstrap tạo nhiều mẫu từ dữ liệu hiện có và ước lượng đại lượng quan tâm trong từng mẫu. Đơn vị được lấy lại là một phần của phương pháp. Theo Field và Welsh (2007), bootstrap theo cụm lấy mẫu các cụm có hoàn lại. Cấu trúc các quan sát trong cụm được giữ nguyên ở cách lấy mẫu nguyên cụm này.
| Thao tác | Bootstrap thông thường | Bootstrap nguyên cụm |
|---|---|---|
| Đơn vị lấy lại | Từng học viên. | Từng lớp. |
| Minh họa với thiết kế giả định | Mỗi lần rút 432 dòng có hoàn lại. | Mỗi lần rút 54 lớp có hoàn lại và giữ 8 học viên của mỗi lớp được rút. |
| Khi một lớp được chọn lặp | Không có thao tác chọn nguyên lớp. | Toàn bộ bản ghi của lớp xuất hiện lặp theo số lần lớp được chọn. |
| Sĩ số cụm không bằng nhau | Số cá nhân mỗi mẫu thường cố định theo thiết lập lấy lại dòng. | Tổng số cá nhân có thể thay đổi giữa các lần lấy mẫu. |
Bảng 4. Các số 432 và 54 chỉ thuộc thiết kế minh họa. Trong thiết kế cân bằng 8 người/lớp này, mỗi mẫu nguyên cụm vẫn có 432 bản ghi; với cụm không cân bằng, tính chất đó không còn được bảo đảm.
Khi một cụm xuất hiện hai lần, hai bản sao cần được xử lý đúng như hai lượt rút của cụm trong quy trình đang dùng. Nếu mô hình ước lượng lại còn sử dụng biến nhận diện cụm, phải kiểm tra cách cấp mã cho các bản sao. Một lỗi ở khâu này có thể làm cách lấy mẫu thực tế khác với cách được mô tả.
Số lần bootstrap, đơn vị lấy mẫu và phương pháp tạo KTC là ba thông tin riêng. “5.000 lần” không cho biết đã lấy lại từng người hay từng lớp. KTC percentile, KTC hiệu chỉnh độ chệch (BC) và KTC hiệu chỉnh độ chệch có gia tốc (BCa) cũng cần được gọi đúng tên. BCa có thành phần gia tốc ngoài hiệu chỉnh độ chệch; không nên gắn chữ BCa cho mọi KTC bootstrap (Efron, 1987).
Thiết lập Perform bootstrap thông thường trong AMOS 28 không có trường chọn ClassID để tự lấy mẫu nguyên lớp. Nó cũng không phải tùy chọn xuất cluster-robust MLR. Vì vậy, kết quả bootstrap thông thường phải được báo cáo đúng phạm vi; phần kiểm tra theo cụm cần một quy trình hỗ trợ thiết kế cụm riêng. User-defined estimands giúp định nghĩa đại lượng cần ước lượng, không tự thay đổi đơn vị lấy mẫu (Amos Development Corporation, không ghi năm).
Không nên chỉ tăng số lần lấy mẫu để khắc phục sai đơn vị lấy mẫu. Cần xác định đúng thiết kế trước, sau đó kiểm tra hội tụ, nghiệm không chấp nhận được, số lần sử dụng được và độ ổn định của phân phối kết quả.
6. Đại lượng nào cần so sánh
Xét một mô hình tuyến tính với hai biến dự báo, cùng một biến trung gian và điều tiết ở nhánh đầu. Để tập trung vào ý nghĩa của hệ số, các phương trình dưới đây lược bỏ phần mô hình đo lường và các biến kiểm soát. Hệ số được định nghĩa trên thang đo chưa chuẩn hóa đang sử dụng.
CD = γ + bTT + c′PFPF + c′HTHT + εCD
Ở mức AT = w, độ dốc của PF lên TT là aPF + uPFw; của HT là aHT + uHTw. Khi b không bị điều tiết, hiệu ứng gián tiếp có điều kiện lần lượt bằng (aPF + uPFw)b và (aHT + uHTw)b. Chỉ số trung gian có điều tiết là uPFb và uHTb, biểu thị tốc độ thay đổi tuyến tính của hiệu ứng gián tiếp theo AT (Hayes, 2015).
So sánh hệ số tương tác
Đại lượng này hỏi mức thay đổi của độ dốc theo AT có khác nhau giữa hai biến dự báo không. Nó không trực tiếp so sánh hai độ dốc ở một mức AT cụ thể.
So sánh chỉ số trung gian có điều tiết
Đại lượng này so sánh mức thay đổi của hai hiệu ứng gián tiếp khi AT thay đổi. Công thức rút gọn dùng được ở đây vì hai nhánh cùng đi qua TT và cùng có hệ số b. Nếu mô hình có hai biến trung gian, hai đường b khác nhau hoặc điều tiết thêm ở nhánh sau, phải viết lại công thức theo đúng cấu trúc, không sao chép nguyên biểu thức trên.
So sánh hiệu ứng gián tiếp tại một mức AT
Đây là câu hỏi khác với so sánh chỉ số. Hai chỉ số gần nhau vẫn có thể đi kèm hai hiệu ứng gián tiếp khác nhau ở AT = 0 nếu hai hệ số a khác nhau. Khi muốn nói “biến nào có hiệu ứng gián tiếp mạnh hơn ở mức AT thấp”, cần định nghĩa chính chênh lệch có điều kiện đó và bootstrap nó.
Đổi đơn vị của PF sẽ đổi hệ số của PF và tích PF × AT. Vì vậy, so sánh hệ số chưa chuẩn hóa chỉ có ý nghĩa trên thang đo và cách định thang đã xác định. Với biến tiềm ẩn, cần nêu cách cố định thang đo. Một hệ số lớn hơn không tự trở thành bằng chứng về “tầm quan trọng” tổng quát. Nếu mục tiêu là so sánh trên một thang chuẩn hóa, phải định nghĩa đại lượng chuẩn hóa tương ứng và ước lượng độ bất định của chính chênh lệch đó.
7. Thực hiện trong AMOS 28
Phần thao tác sau chỉ hướng dẫn lấy bootstrap thông thường cho các đại lượng đã định nghĩa. Không cần tách mẫu thành nhóm PF và nhóm HT: cả hai biến dự báo cùng xuất hiện trong một mô hình. Tài liệu về user-defined estimands của Amos Development Corporation (không ghi năm) cho phép định nghĩa hàm của tham số và xuất SE, KTC cùng kiểm định bootstrap cho hàm đó.
Kiểm tra mô hình và đặt nhãn đường dẫn
Mở mô hình đã hội tụ với nghiệm phù hợp. Nhấp đúp mũi tên → Object Properties → Parameters → Regression weight để đặt tên. Bảng dưới dùng nhãn riêng cho từng đường; không gán cùng một nhãn cho hai đường trừ khi chủ ý áp ràng buộc bằng nhau.
| Đường dẫn | Nhãn nhập vào Regression weight | Ý nghĩa |
|---|---|---|
| PF → TT | aPF | Hệ số a của PF. |
| HT → TT | aHT | Hệ số a của HT. |
| PF × AT → TT | intPF | Hệ số tương tác của PF. |
| HT × AT → TT | intHT | Hệ số tương tác của HT. |
| TT → CD | b | Hệ số b chung của hai nhánh. |
Bảng 5. Nhãn phục vụ ví dụ thao tác. Phần tạo biến tích và đặc tả tương tác phải nhất quán với mô hình đã chọn; các nhãn này không thay thế việc kiểm tra mô hình đo lường hoặc tương tác tiềm ẩn.
Định nghĩa các estimand
Nhấp dòng trạng thái estimand phía dưới cửa sổ AMOS và mở trình soạn thảo bằng Define new estimands, hoặc chỉnh tệp estimand đang dùng. Nếu thanh trạng thái bị ẩn, vào View → Interface Properties → Misc → Show the status bar. Nhập các dòng dưới đây, kiểm tra cú pháp rồi lưu.
Index_PF = p.intPF * p.b
Index_HT = p.intHT * p.b
Diff_Interaction = p.intPF - p.intHT
Diff_Index = (p.intPF * p.b) - (p.intHT * p.b)Viết công thức bằng nhãn tham số để AMOS tính lại đại lượng trong từng mẫu bootstrap. Không nhập các số 0,140 hay 0,100 vào biểu thức làm hằng số. Làm vậy sẽ loại bỏ độ biến thiên cần ước lượng. Cũng không lấy SE của hiệu thứ nhất bằng cách trừ hai SE hoặc lấy KTC bằng cách trừ hai cận riêng.
Chạy bootstrap và đọc đúng bảng
Vào View → Analysis Properties → Bootstrap. Chọn Perform bootstrap, đặt số lần dự kiến, chẳng hạn 5.000, rồi chọn Bias-corrected confidence intervals với mức 95%. Sau Calculate Estimates, mở Text Output. Ở User-defined estimands, chọn Estimates để lấy chênh lệch; Bootstrap standard errors để lấy SE; Bias-corrected percentile method để lấy Estimate, Lower, Upper và P. Kiểm tra Summary of Bootstrap Iterations trước khi mô tả số lần sử dụng được.
Lưu mô hình, công thức estimand và output của cùng lần chạy. Nếu một bảng dùng bootstrap từ lần chạy khác, các cận KTC có thể khác dù hệ số ước lượng điểm giống nhau. Mẫu báo cáo cần nêu phiên bản phần mềm, số lần dự kiến và số lần sử dụng được, phương pháp KTC, đơn vị lấy mẫu và chiều của chênh lệch.
8. Đọc hai bảng kết quả minh họa
Các bảng dưới đây là bộ số giả định, không phải kết quả từ AMOS hay một phần mềm khác. Chúng được sắp xếp để minh họa hai loại câu hỏi và trường hợp suy luận không hoàn toàn nhất quán. Với phân tích thực tế, toàn bộ cột số phải được thay bằng output có thể truy xuất.
Bảng độ nhạy cho các hiệu ứng riêng lẻ
| Đường dẫn hoặc hiệu ứng | B giả định | p MLR vững theo cụm giả định | KTC BC 95% theo cụm giả định |
|---|---|---|---|
| PF → TT | 0,320 | 0,004 | [0,110; 0,510] |
| HT → TT | 0,240 | 0,012 | [0,060; 0,430] |
| PF × AT → TT | 0,140 | < 0,001 | [0,050; 0,240] |
| HT × AT → TT | 0,100 | 0,003 | [0,020; 0,180] |
| TT → CD | 0,450 | 0,006 | [0,190; 0,700] |
| PF → CD | 0,120 | 0,041 | [−0,010; 0,250] |
| HT → CD | 0,090 | 0,063 | [−0,020; 0,200] |
| PF → TT → CD | 0,144 | 0,021 | [0,041; 0,286] |
| HT → TT → CD | 0,108 | 0,057 | [0,016; 0,241] |
Ghi chú cho ví dụ: giả sử có 432 học viên, 54 lớp; suy luận bootstrap theo cụm dự kiến 5.000 lượt lấy lại nguyên lớp. MLR: hợp lý cực đại với suy luận vững. B chưa chuẩn hóa. Hai hiệu ứng gián tiếp thuộc mức AT = 0; chỉ gọi là mức trung bình khi cách định thang và trung tâm hóa thực sự cho phép. Mọi giá trị SE, KTC và p trong ví dụ là giả định, không được tính từ dữ liệu.
Với hàng PF → CD, p MLR giả định là 0,041 trong khi KTC bootstrap theo lớp giả định chứa 0. Với hiệu ứng gián tiếp của HT, p MLR là 0,057 trong khi KTC bootstrap không chứa 0. Hai cột dùng hai cách suy luận khác nhau nên không bắt buộc cho kết luận giống hệt. Khi phân tích thật, trước hết kiểm tra chúng có cùng tham số, mô hình và dữ liệu; sau đó trình bày sự nhạy với phương pháp thay vì chọn cột thuận lợi hơn.
Không được lấy p MLR từ cột này rồi gọi đó là p tương ứng với KTC BC ở cột kia. Bảng phải giữ rõ hai nhãn phương pháp. Cũng chưa thể nói hai biến dự báo khác nhau chỉ từ bảng này, vì nó chưa có dòng kiểm định chênh lệch.
Bảng kiểm định chênh lệch
| Đại lượng | PF | HT | Chênh lệch | SE bootstrap giả định | KTC BC 95% giả định | p giả định |
|---|---|---|---|---|---|---|
| Hiệu ứng tương tác lên TT | 0,140 | 0,100 | 0,040 | 0,055 | [−0,065; 0,149] | 0,472 |
| Chỉ số trung gian có điều tiết | 0,063 | 0,045 | 0,018 | 0,026 | [−0,029; 0,079] | 0,506 |
Giả sử bảng 7 dùng bootstrap thông thường ở cấp học viên, cùng mô hình và cùng lần chạy cho hai đại lượng. Các tích điểm minh họa nhất quán: 0,140 × 0,450 = 0,063 và 0,100 × 0,450 = 0,045. Các SE, KTC, p chỉ là giá trị giả định để luyện đọc bảng; không phải kết quả phần mềm.
Trong ví dụ, hệ số của PF lớn hơn về mặt số học, nhưng cả hai KTC chênh lệch đều chứa 0. Cách diễn giải phù hợp là chưa đủ bằng chứng hai đại lượng khác nhau theo phép kiểm định đang dùng. Không nên viết “PF hiệu quả hơn HT”. Để kiểm tra độ vững của chính chênh lệch, cần lấy lại nguyên lớp và tính lại Diff_Interaction, Diff_Index trong từng mẫu; bảng 6 về các hiệu ứng riêng lẻ không cung cấp thay phép kiểm định đó.
Chưa phát hiện khác biệt cũng không chứng minh tương đương. Lakens (2017) giải thích rằng kiểm định tương đương cần đặt trước giới hạn về độ lớn khác biệt có thể xem là không đáng kể về thực tiễn và dùng thủ tục phù hợp. Một p lớn trong phép kiểm định chênh lệch với 0 không đủ cho kết luận này.
9. Mẫu trình bày trong bài nghiên cứu
Mẫu dưới đây dùng chỗ trống để người đọc thay bằng thông tin thực tế. Phần phương pháp nên mô tả đơn vị phân tích, đơn vị lấy mẫu lại và đại lượng được bootstrap. Phần kết quả nêu ước lượng, độ bất định và giới hạn suy luận.
Mô tả cấu trúc cụm và kiểm tra độ vững
Dữ liệu gồm [N] cá nhân thuộc [G] cụm [đơn vị cụm]. Để xem xét sự phụ thuộc của các quan sát trong cụm, nghiên cứu sử dụng [phương pháp, phần mềm và phiên bản]. Bootstrap được thực hiện bằng cách lấy mẫu lại [đơn vị] có hoàn lại, với [số lần dự kiến] lần và [số lần sử dụng được] nghiệm đạt yêu cầu. Khoảng tin cậy [mức tin cậy] được xây dựng theo phương pháp [tên chính xác].
Báo cáo phép so sánh hai hiệu ứng
Chênh lệch được định nghĩa theo chiều [A trừ B] và ước lượng trực tiếp trong cùng mô hình. Đối với [đại lượng], Δ = [giá trị], SE bootstrap = [giá trị], KTC [mức] [cận dưới; cận trên], p = [giá trị]. Kết quả [cung cấp/chưa cung cấp] bằng chứng về sự khác biệt theo cách suy luận này. Phép kiểm định [đã/chưa] được kiểm tra bổ sung bằng bootstrap theo cụm.
Nếu hai phương pháp cho kết luận khác nhau, viết rõ đường dẫn nào nhạy và nhạy với phương pháp nào. Tránh cách gộp “kết quả hoàn toàn vững” khi còn một hiệu ứng quan trọng đổi kết luận. Cũng không nên suy từ một cột p hoặc một KTC sang quan hệ nhân quả nếu thiết kế nghiên cứu chưa cho phép.
10. Sai lầm thường gặp
| Cách viết hoặc cách làm | Vấn đề | Cách xử lý |
|---|---|---|
| “A có ý nghĩa, B không, nên A mạnh hơn B.” | So sánh mức ý nghĩa thay cho kiểm định chênh lệch. | Định nghĩa A − B và ước lượng độ bất định của chính chênh lệch. |
| “Đã bootstrap nên dữ liệu cụm đã được xử lý.” | Không nêu đơn vị lấy mẫu lại. | Ghi rõ lấy lại cá nhân hay nguyên cụm; dùng quy trình phù hợp với thiết kế. |
| “ICC thấp nên không cần xét cụm.” | Biến một chỉ số mô tả thành quy tắc chung. | Xem thiết kế, số cụm, sĩ số và mục tiêu suy luận. |
| Trừ hai SE hoặc hai cận KTC riêng. | Bỏ qua phân phối chung và quan hệ giữa các ước lượng. | Tính chênh lệch ngay trong từng mẫu bootstrap hoặc dùng phép kiểm định tương ứng. |
| Gọi chênh lệch chỉ số là chênh lệch gián tiếp ở AT thấp. | Hai đại lượng trả lời câu hỏi khác nhau. | Viết công thức hiệu ứng gián tiếp có điều kiện tại đúng mức AT. |
| “Không khác biệt nghĩa là tương đương.” | Không bác bỏ chênh lệch với 0 chưa xác lập tương đương. | Nếu mục tiêu là tương đương, xác định giới hạn thực tiễn và thủ tục trước khi phân tích. |
| Giữ mọi lần bootstrap hội tụ. | Một nghiệm hội tụ vẫn có thể không phù hợp, chẳng hạn có phương sai âm. | Đặt và báo cáo tiêu chí nghiệm chấp nhận được; kiểm tra lý do loại. |
Bảng 8. Tổng hợp cách diễn giải và kiểm tra từ Gelman và Stern (2006), Cameron và Miller (2015), Hayes (2015), Lakens (2017) và hướng dẫn estimand của Amos Development Corporation (không ghi năm).
11. Kiểm tra trước khi công bố
- Xác định đúng cụm từ quá trình lấy mẫu, tổ chức hoặc đánh giá; báo cáo cả N và số cụm.
- Phân biệt hiệu ứng riêng lẻ, chênh lệch hiệu ứng và độ vững của chính chênh lệch.
- Nêu rõ thang đo, cách trung tâm hóa và chiều so sánh; kiểm tra công thức estimand với mô hình.
- Giữ cùng mô hình, dữ liệu, cách xử lý thiếu và cấu hình ước lượng khi đối chiếu phương pháp.
- Ghi đơn vị lấy mẫu bootstrap, loại KTC, số lần dự kiến, số lần sử dụng được và tiêu chí nghiệm.
- Lấy SE, KTC và p từ đúng mục của output; không trộn p của một phương pháp với nhãn của phương pháp khác.
- Kiểm tra độ vững theo cụm cho cả các chênh lệch nếu đó là câu hỏi trọng tâm.
- Báo cáo các kết luận nhạy với phương pháp; không biến p lớn thành bằng chứng tương đương.
Kết luận
Trong một mô hình có nhiều biến dự báo, câu hỏi “biến nào mạnh hơn” đòi hỏi một đại lượng chênh lệch được xác định rõ. Nếu dữ liệu có cấu trúc cụm, cách đánh giá độ bất định của đại lượng đó cũng phải phù hợp với cấu trúc dữ liệu. Một bộ hệ số đẹp chưa thay thế được hai yêu cầu này.
AMOS 28 có thể hỗ trợ phép so sánh qua user-defined estimands và bootstrap thông thường. Phần suy luận theo cụm cần được nhận diện và thực hiện bằng quy trình phù hợp riêng, rồi báo cáo theo đúng việc đã làm.
Tài liệu tham khảo
Cấu trúc cụm và phương pháp lấy mẫu lại
- Cameron, A. C., & Miller, D. L. (2015). A practitioner’s guide to cluster-robust inference. Journal of Human Resources, 50(2), 317–372. https://doi.org/10.3368/jhr.50.2.317
- Efron, B. (1987). Better bootstrap confidence intervals. Journal of the American Statistical Association, 82(397), 171–185. https://doi.org/10.1080/01621459.1987.10478410
- Field, C. A., & Welsh, A. H. (2007). Bootstrapping clustered data. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 69(3), 369–390. https://doi.org/10.1111/j.1467-9868.2007.00593.x
- Gelman, A. (2006). Multilevel (hierarchical) modeling: What it can and cannot do. Technometrics, 48(3), 432–435. https://doi.org/10.1198/004017005000000661
So sánh hiệu ứng và hướng dẫn AMOS
- Amos Development Corporation. (không ghi năm). User-defined estimands [Tài liệu hướng dẫn]. Tài liệu chính thức về user-defined estimands.
- Gelman, A., & Stern, H. (2006). The difference between “significant” and “not significant” is not itself statistically significant. The American Statistician, 60(4), 328–331. https://doi.org/10.1198/000313006X152649
- Hayes, A. F. (2015). An index and test of linear moderated mediation. Multivariate Behavioral Research, 50(1), 1–22. https://doi.org/10.1080/00273171.2014.962683
- Lakens, D. (2017). Equivalence tests: A practical primer for t tests, correlations, and meta-analyses. Social Psychological and Personality Science, 8(4), 355–362. https://doi.org/10.1177/1948550617697177
Ghi chú học thuật: Các bảng và sơ đồ số trong chuyên đề dùng ví dụ giả định để hướng dẫn phương pháp. Đây không phải báo cáo thực nghiệm, tài liệu xác nhận giá trị thang đo hoặc bằng chứng về quan hệ nhân quả. Các mô tả thao tác AMOS cần được đối chiếu với mô hình, phiên bản và output thực tế của người sử dụng.
