AMOS là gì và dùng khi nào trong luận văn?

Trả lời thẳng: AMOS là phần mềm mô hình hoá cấu trúc tuyến tính, tên đầy đủ là Analysis of Moment Structures, do IBM phát hành và chạy cùng hệ sinh thái SPSS. Arbuckle (2025) mô tả đây là chương trình dễ dùng để làm SEM bằng sơ đồ, nên bạn vẽ mô hình nghiên cứu lên màn hình thay vì viết phương trình. IBM (n.d.) cho biết phần mềm chỉ chạy trên Windows.

IBM (n.d.) giới thiệu IBM SPSS Amos là phần mềm mở rộng các phân tích hồi quy, phân tích nhân tố và phân tích phương sai sang mô hình cấu trúc. Arbuckle (2025), tác giả hướng dẫn sử dụng chính thức của phiên bản 31, giải thích tên phần mềm là chữ viết tắt của Analysis of Moment Structures. Cách đặt tên này cho thấy phần mềm làm việc trên các moment của mẫu, chủ yếu là phương sai và hiệp phương sai giữa các biến quan sát.

Điểm làm AMOS khác với phần lớn công cụ thống kê mà sinh viên đã quen là cách nhập mô hình. Arbuckle (2025) cho biết người dùng vẽ sơ đồ đường dẫn bằng cách kéo thả, sau đó phần mềm ước lượng mô hình và xuất lại chính sơ đồ đó kèm các hệ số đã tính. Yeager (n.d.) của Thư viện Đại học Kent State ghi rằng mô hình được lưu thành tệp có đuôi .amw và AMOS đọc được tệp dữ liệu .sav của SPSS.

Nhờ cách làm này, người đọc luận văn của bạn nhìn vào sơ đồ là thấy ngay các khái niệm nào nối với nhau. Đổi lại, bạn phải hiểu mình đang vẽ gì, vì phần mềm sẽ ước lượng đúng cái bạn vẽ, kể cả khi mô hình đó chưa hợp lý.

Trả lời thẳng: AMOS làm được phân tích nhân tố khẳng định CFA, phân tích đường dẫn và mô hình SEM đầy đủ. AMOS không làm được phân tích nhân tố khám phá EFA, và cũng không làm sạch dữ liệu. Yeager (n.d.) nêu rõ hai giới hạn này, nên bước chuẩn bị dữ liệu và EFA vẫn phải làm bằng SPSS Statistics hoặc phần mềm tương đương, trước khi mở AMOS.

IBM (n.d.) liệt kê cả mô hình cấu trúc, phân tích đường dẫn lẫn phân tích nhân tố khẳng định trong phần giới thiệu sản phẩm. Về giới hạn, Yeager (n.d.) viết rằng "Amos itself does not have the ability to perform common data cleaning tasks", và nêu ví dụ như lọc quan sát, đảo mã mục hỏi hay tạo biến tương tác. Cũng theo Yeager (n.d.), phân tích nhân tố khám phá thuộc về SPSS Statistics chứ không nằm trong AMOS.

Hai phần mềm này vì thế bổ sung cho nhau chứ không thay thế nhau. IBM (n.d.) cho biết AMOS có trong gói SPSS Statistics Premium hoặc được mua riêng, còn Yeager (n.d.) lưu ý rằng hai chương trình được cài và gia hạn giấy phép riêng. Vì vậy bạn có thể hỏi phòng máy hoặc bộ phận công nghệ thông tin của trường xem trường có giấy phép dùng chung hay không.

Trả lời thẳng: Luận văn cần AMOS khi mô hình nghiên cứu có nhiều khái niệm, mỗi khái niệm được đo bằng nhiều câu hỏi, và các khái niệm tác động lẫn nhau theo một chuỗi hoặc một sơ đồ. Nếu đề tài chỉ có một biến phụ thuộc đo bằng điểm tổng, hồi quy tuyến tính trong SPSS thường đã đủ và bạn không bắt buộc phải học thêm AMOS.

Byrne (2010, tr. 12) viết rằng "The measurement model defines relations between the observed and unobserved variables", nghĩa là mô hình đo lường mô tả quan hệ giữa các câu hỏi quan sát được và khái niệm không quan sát trực tiếp. Phần còn lại của mô hình, theo cách trình bày của Byrne (2010), là mô hình cấu trúc mô tả quan hệ giữa chính các khái niệm. AMOS có thể ước lượng cả hai phần trong cùng một lần chạy, còn hồi quy tuyến tính trong SPSS chỉ xử lý một biến phụ thuộc mỗi lần và thường dùng điểm tổng của từng thang đo.

Vì vậy dấu hiệu rõ nhất để cân nhắc AMOS là đề tài có nhiều biến phụ thuộc nối tiếp nhau, hoặc giảng viên hướng dẫn yêu cầu kiểm định thang đo bằng CFA. Nếu đề tài của bạn chỉ cần kiểm định tác động của vài biến độc lập lên một biến phụ thuộc, bài phân tích hồi quy tuyến tính trong SPSS trình bày cách làm và cách báo cáo.

Ngược lại, có đề tài thấy mô hình "trông phức tạp" nên chọn SEM dù chưa cần. Một mô hình có biến trung gian hoặc biến điều tiết chưa chắc buộc phải dùng AMOS, vì với mô hình đơn giản vẫn có cách kiểm định bằng hồi quy, và bài biến trung gian và biến điều tiết nói riêng về chuyện này. Điều nên làm là hỏi giảng viên hướng dẫn xem hội đồng ở trường bạn kỳ vọng mức nào, vì quy định về phương pháp thay đổi theo trường và theo ngành.

Trả lời thẳng: Phân tích AMOS đi theo hai bước. Bước thứ nhất là kiểm định mô hình đo lường bằng CFA để chắc rằng các câu hỏi đo đúng khái niệm. Bước thứ hai mới là ước lượng mô hình cấu trúc, tức các mối quan hệ giữa khái niệm. Anderson và Gerbing (1988) đề xuất thứ tự hai bước này, và trước cả hai bước là phần dữ liệu đã làm sạch trên SPSS.

Anderson và Gerbing (1988) mô tả một cách làm "two-step" gồm chuỗi mô hình lồng nhau và các phép kiểm định chênh lệch chi bình phương. Cách làm ấy được dùng rộng rãi để tách việc kiểm tra thang đo khỏi việc kiểm tra giả thuyết. Áp vào luận văn, thứ tự công việc thường là làm sạch dữ liệu và kiểm tra độ tin cậy trên SPSS với bài kiểm định Cronbach's alpha, rồi chạy phân tích nhân tố khám phá EFA khi thang đo cần xác lập cấu trúc, sau đó mới sang AMOS để chạy CFA và cuối cùng là mô hình cấu trúc.

Khi chạy CFA trên AMOS, bạn vẽ mỗi khái niệm thành một biến tiềm ẩn nối với các câu hỏi của nó. Arbuckle (2025) giải thích rằng mỗi biến tiềm ẩn cần một đơn vị đo, và cách thường dùng là cố định một trọng số hồi quy bằng 1 trên một mũi tên đi ra từ biến tiềm ẩn. Arbuckle (2025) cũng định nghĩa bậc tự do là phần mà số moment của mẫu vượt quá số tham số cần ước lượng. Mô hình có bậc tự do bằng 0 được gọi là mô hình bão hoà, và theo Arbuckle (2025) khi đó phép kiểm định độ phù hợp không còn ý nghĩa.

Về dữ liệu, Arbuckle (2025) viết rằng giả định chuẩn nhiều biến là giả định phân phối tiêu chuẩn của các phương pháp ước lượng thông dụng như maximum likelihood. Cùng tài liệu này cho biết AMOS còn cung cấp nhiều phương pháp ước lượng khác, kể cả phương pháp dành cho dữ liệu không chuẩn và phương pháp Bayes, cũng như cách xử lý dữ liệu thiếu bằng full information maximum likelihood thay vì xoá quan sát. Bạn không cần dùng hết các lựa chọn này, nhưng nên biết chúng tồn tại khi dữ liệu khảo sát của mình lệch chuẩn.

Hai cụm thường gặp là CFA trên AMOS và SEM trên AMOS, và chúng chính là hai bước này, trong đó CFA là bước đo lường còn SEM là bước cấu trúc.

Trả lời thẳng: Chỉ số phù hợp cho biết mô hình bạn vẽ khớp với dữ liệu đến mức nào, và không có một ngưỡng cứng áp cho mọi mô hình. Hu và Bentler (1999) khuyên dùng ngưỡng cắt khoảng .95 trở lên cho CFI và TLI, khoảng .08 trở xuống cho SRMR, khoảng .06 trở xuống cho RMSEA, và báo cáo SRMR kèm một chỉ số khác chứ không chỉ một chỉ số.

Hu và Bentler (1999, tr. 1) viết rằng với ước lượng maximum likelihood, cần "a cutoff value close to .06 for RMSEA" cùng ngưỡng cắt khoảng .95 trở lên cho TLI và CFI, khoảng .08 trở xuống cho SRMR mới có thể kết luận mô hình khớp dữ liệu tương đối tốt. Hai tác giả dùng chữ "close to" (khoảng) chứ không đặt ngưỡng cứng, và chính bài này cũng thuật lại quy ước cũ coi chỉ số trên .90 là chấp nhận được. Bài báo còn ghi nhận rằng TLI và RMSEA có xu hướng bác bỏ nhầm mô hình đúng khi mẫu nhỏ.

Hệ quả cho luận văn là bạn nên báo cáo nhiều chỉ số cùng lúc và nêu rõ nguồn của ngưỡng mình dùng. Đừng chỉ viết "CFI lớn hơn .90 nên mô hình đạt" mà không dẫn nguồn, vì hội đồng có thể hỏi vì sao chọn mức đó. Nếu một chỉ số chưa đạt, hãy nói thẳng và giải thích, thay vì sửa mô hình cho đến khi đẹp.

Hair và cộng sự (2019) bổ sung một tiêu chí ở phía mô hình đo lường: phương sai trung bình được trích AVE nên từ 0,50 trở lên, nghĩa là khái niệm giải thích ít nhất một nửa phương sai của các câu hỏi đo nó. Nhóm tác giả viết bài này cho PLS-SEM, nên khi dùng cho CFA trên AMOS bạn nên ghi rõ đó là quy ước chung của đánh giá mô hình đo lường.

Trả lời thẳng: Cỡ mẫu đủ cho AMOS phụ thuộc vào từng mô hình chứ không có một con số đúng cho tất cả. Wolf và cộng sự (2013) cho thấy qua mô phỏng rằng mẫu cần thiết dao động từ 30 đến 460 quan sát, tuỳ số chỉ báo mỗi khái niệm, độ lớn hệ số tải và tỉ lệ dữ liệu thiếu. Vì vậy các quy tắc kinh nghiệm về cỡ mẫu chỉ nên xem là mốc tham khảo.

Wolf và cộng sự (2013) dùng mô phỏng Monte Carlo trên các mô hình CFA và SEM, rồi kết luận rằng kết quả của họ làm lộ rõ giới hạn của các quy tắc kinh nghiệm hay được trích dẫn. Trong nghiên cứu này, cỡ mẫu tối thiểu trải từ 30 đến 460 quan sát tuỳ mô hình, chẳng hạn CFA một nhân tố có bốn chỉ báo cần 190 quan sát khi hệ số tải là .50 và 60 quan sát khi hệ số tải là .80, còn CFA hai nhân tố mỗi nhân tố ba chỉ báo với hệ số tải .50 cần 460 quan sát. Các tác giả cũng cho biết quy tắc 10 quan sát cho mỗi biến sẽ cho ra những khuyến nghị từ 40 đến 240 quan sát, không khớp với kết quả mô phỏng. Các tác giả cũng ghi nhận rằng khi số chỉ báo cho mỗi nhân tố tăng lên thì cỡ mẫu cần có xu hướng giảm.

Với luận văn, bài học thực tế là mô hình có hệ số tải thấp và ít câu hỏi mỗi khái niệm sẽ cần nhiều mẫu hơn so với mô hình có hệ số tải cao. Nếu bạn đã thu xong dữ liệu với một cỡ mẫu cố định, hãy xem lại hệ số tải trước khi quyết định có chạy SEM đầy đủ hay không, và nếu mẫu nhỏ thì cân nhắc đơn giản hoá mô hình.

Trả lời thẳng: Chỉ số điều chỉnh, tên tiếng Anh là modification indices, là công cụ của AMOS ước lượng mức chi bình phương sẽ giảm nếu bạn cho phép thêm một tham số. Công cụ này giúp tìm chỗ mô hình chưa khớp, nhưng dễ bị lạm dụng để vá mô hình cho đẹp. Arbuckle (2025) khuyên chỉ chỉnh khi có lý do lý thuyết.

Arbuckle (2025, tr. 113) mô tả chỉ số điều chỉnh là ước lượng thận trọng cho mức giảm chi bình phương khi một tham số được giải phóng. Ngay trong mục cảnh báo về việc dùng sai, chính tài liệu AMOS viết rằng "A modification should be considered only if it makes theoretical or common sense", nghĩa là chỉ nên sửa khi việc sửa có nghĩa về lý thuyết hoặc về lẽ thường. Arbuckle (2025) còn cảnh báo rằng nếu dựa hoàn toàn vào chỉ số điều chỉnh, bạn có thể thu được một mô hình vô lý nhưng có chi bình phương chấp nhận được, vì đã tận dụng may rủi của mẫu.

Trong luận văn, lỗi hay gặp là thêm liên tục các đường tương quan giữa sai số cho đến khi chỉ số đạt, rồi không giải thích được vì sao hai sai số đó lại tương quan. Cách làm an toàn hơn là ghi lại mỗi lần chỉnh sửa, nêu lý do lý thuyết cho từng lần, và nếu có thể thì kiểm tra lại mô hình đã chỉnh trên một mẫu khác. Nếu mô hình chỉ khớp sau khi chỉnh rất nhiều, hãy nói thẳng điều đó trong phần hạn chế của luận văn.

Trả lời thẳng: AMOS và SmartPLS đều làm SEM nhưng theo hai hướng khác nhau. AMOS đi theo hướng dựa trên hiệp phương sai và đòi hỏi mô hình khớp dữ liệu. SmartPLS dùng PLS-SEM. Hair và cộng sự (2019) cho biết PLS-SEM phù hợp hơn khi mục tiêu là dự báo, mô hình phức tạp, có cấu trúc formative, tổng thể nhỏ làm hạn chế cỡ mẫu hoặc dữ liệu không chuẩn.

Hair và cộng sự (2019) viết bài tổng quan về thời điểm nên dùng PLS-SEM và cách báo cáo kết quả, nên đây là nguồn đáng đọc nếu bạn đang phân vân giữa hai hướng. Bài SmartPLS là gì giới thiệu phần mềm kia, còn bài mô hình SEM là gì giải thích khung chung của cả hai. Bài này chỉ giữ phần AMOS, và bài phân tích nhân tố khẳng định CFA nói riêng về bước đo lường.

Cách chọn thực tế là đọc xem các luận văn cùng ngành ở trường bạn dùng phần mềm nào, và hỏi giảng viên hướng dẫn trước khi quyết định. Phần mềm chỉ là công cụ, còn điều hội đồng quan tâm là bạn giải thích được vì sao chọn hướng phân tích đó.