Phân tích thống kê là một công cụ thiết yếu cho các nhà nghiên cứu khoa học xã hội trong hơn một thế kỷ. Các ứng dụng của phương pháp thống kê đã mở rộng đáng kể với sự ra đời của phần cứng và phần mềm máy tính, đặc biệt trong những năm gần đây với các phần mềm có giao diện đồ họa trực quan. Các nhà nghiên cứu ban đầu dựa vào phân tích đơn biến và hai biến để hiểu dữ liệu và mối quan hệ. Để hiểu được các mối quan hệ phức tạp hơn liên quan đến các hướng nghiên cứu hiện tại trong các ngành khoa học xã hội, ngày càng cần áp dụng các phương pháp phân tích dữ liệu đa biến phức tạp hơn.
Phân tích đa biến bao gồm việc áp dụng các phương pháp thống kê đồng thời phân tích nhiều biến. Các biến thường đại diện cho các phép đo liên quan đến cá nhân, công ty, sự kiện, hoạt động, tình huống, v.v. Các phép đo thường thu được từ các khảo sát hoặc quan sát được sử dụng để thu thập dữ liệu sơ cấp, nhưng chúng cũng có thể thu được từ các cơ sở dữ liệu bao gồm dữ liệu thứ cấp. Hình sau trình bày một số loại phương pháp thống kê chính liên quan đến phân tích dữ liệu đa biến.
PHÂN TÍCH KHÁM PHÁ | PHÂN TÍCH KHẲNG ĐỊNH | |
---|---|---|
KĨ THUẬT GIAI ĐOẠN ĐẦU |
|
|
KĨ THUẬT GIAI ĐOẠN THỨ NHÌ |
|
|
Các phương pháp thống kê thường được các nhà khoa học xã hội sử dụng thường được gọi là kỹ thuật thế hệ thứ nhất (Fornell, 1982, 1987). Các kỹ thuật này, bao gồm các phương pháp dựa trên hồi quy như hồi quy đa biến, hồi quy logistic và phân tích phương sai nhưng cũng có các kỹ thuật như phân tích nhân tố khám phá và khẳng định, phân tích cụm. Khi áp dụng cho một câu hỏi nghiên cứu, các phương pháp này có thể được sử dụng để xác nhận một lý thuyết được thiết lập trước hoặc xác định các mối quan hệ của dữ liệu. Cụ thể, khẳng định confirmatory khi kiểm tra các giả thuyết về các lý thuyết và khái niệm hiện có. Khám phá exploratory khi chúng tìm kiếm các mẫu trong dữ liệu trong trường hợp không có hoặc chỉ có ít kiến thức trước về cách các biến liên quan với nhau như thế nào, nghĩa là ta sẽ khám phá ra các sự liên quan đó.
Điều quan trọng cần lưu ý là sự khác biệt giữa phân tích khẳng định và khám phá không phải lúc nào cũng rõ ràng. Ví dụ, khi chạy phân tích hồi quy, các nhà nghiên cứu thường chọn các biến phụ thuộc và độc lập dựa trên các lý thuyết và khái niệm được thiết lập trước đó. Mục tiêu của phân tích hồi quy là để kiểm tra các lý thuyết và khái niệm này. Tuy nhiên, kỹ thuật này cũng có thể được sử dụng để khám phá xem có thêm các biến độc lập bổ sung nào khác có thể có tác động đến biến phụ thuộc là khái niệm đang được kiểm tra hay không.
Các nghiên cứu thường tập trung đầu tiên vào các biến độc lập là các yếu tố dự báo có ý nghĩa thống kê của biến phụ thuộc duy nhất (xác nhận nhiều hơn) và sau đó xem các biến độc lập nào dự đoán tốt hơn về biến phụ thuộc (khám phá nhiều hơn).
Theo cách tương tự, khi phân tích nhân tố khám phá được áp dụng cho tập dữ liệu, phương pháp tìm kiếm mối quan hệ giữa các biến nhằm giảm số lượng biến lớn thành tập hợp các yếu tố tổng hợp nhỏ hơn (tức là kết hợp biến). Các yếu tố cấu thành các yếu tố cuối cùng là kết quả của việc khám phá các mối quan hệ trong dữ liệu và báo cáo các mối quan hệ được tìm thấy (nếu có). Tuy nhiên, các nhà nghiên cứu đã có kiến thức sẵn về số lượng nhóm có thể quyết định về số lượng các yếu tố sẽ được trích xuất từ dữ liệu (Sarstedt & Mooi, 2014).( nghĩa là trong lúc phân tích nhân tố sẽ chọn số lượng nhân tố là cố định fixed factor)
Ngược lại, phân tích nhân tố khẳng định Confirmation cho phép kiểm tra và chứng minh một yếu tố được xác định trước và các chỉ số đo lường của nó.
Các kỹ thuật thế hệ thứ nhất đã được các nhà nghiên cứu khoa học xã hội áp dụng rộng rãi. Tuy nhiên, trong 20 năm qua, nhiều nhà nghiên cứu đã ngày càng chuyển sang kỹ thuật thế hệ thứ hai để khắc phục những điểm yếu của các phương pháp thế hệ thứ nhất . Những phương pháp này, được gọi là mô hình phương trình cấu trúc (SEM), cho phép các nhà nghiên cứu kết hợp các biến tìm ẩn( được đo gián tiếp bởi các biến con của nó).
Như vậy nhóm MBA Bách Khoa đã giới thiệu về Lịch sử hình thành của SEM Structural Equation Modeling. Phần này được lược dịch từ các tài liệu liên quan của ông Joseph F Hair , Jr . Kennesaw State University