Tất nhiên rồi. Khi bạn đầu tư vào một lĩnh vực mới thì phải dành nhiều thời gian để tìm hiểu. Trong tự chạy amos thì cần nắm đầy đủ các bước chạy amos, phân tích kết quả amos và quan trọng hơn cả là phải biết cách xử lý dữ liệu amos.

Thời gian tìm hiểu và chạy được thì tùy vào sự đầu tư và sự phức tạp trong mô hình của bạn, khoảng 1 vài tuần hoặc hơn.

Theo nhiều năm làm việc với khách hàng MOSL cho rằng những khó khăn nhất trong chạy Amos gồm:

• Bộ số liệu: Không đạt yêu cầu về số lượng mẫu, không có bộ số liệu để chạy, bộ số liệu thu về bị lỗi nặng.
• Xử lý số liệu thu thập được: Số liệu thiếu, số liệu rác, … mà bạn không biết cách xử lý.
• Chạy phần mềm: Chưa sử dụng thành thạo các phần mềm nghiên cứu để chạy đầy đủ các kiểm định theo mong muốn.
• Các kiểm định: Chạy ra các kiểm định có kết quả không có ý nghĩa
• Chưa nắm rõ cách chạy SPSS kết hợp Amos  và không có thời gian để nghiên cứu lại.

Đây cũng là nguyên nhân quan trọng nhất bạn quá bận rộn để dành thời gian tìm hiểu và nghiên cứu lại những kiến thức chạy phần mềm, xử lý dữ liệu, phân tích kết quả nghiên cứu.

• Phân tích mô hình cấu trúc giúp xác định mối quan hệ giữa các khái niệm tiềm ẩn và biến quan sát.
• Các bước kiểm định:
  • Xây dựng mô hình lý thuyết: Thiết lập các mối quan hệ giả thuyết giữa các biến.
  • Ước lượng tham số: Sử dụng phương pháp ước lượng như ML (Maximum Likelihood).
  • Đánh giá mô hình cấu trúc:
    • Kiểm định trực tiếp: Xem xét tác động trực tiếp giữa các biến.
    • Kiểm định trung gian (Mediation): Xác định vai trò của biến trung gian trong mối quan hệ.
    • Kiểm định tác động điều tiết (Moderation): Phân tích ảnh hưởng của biến điều tiết lên mối quan hệ giữa các biến.

• Phân tích đa nhóm (Multi-Group Analysis): Kiểm tra sự khác biệt giữa các nhóm đối tượng (theo giới tính, vùng miền, ngành nghề, v.v.) trong mô hình.
  • Kiểm định invariance testing: Đánh giá tính đồng nhất của mô hình qua các nhóm (Metric, Scalar, Configural).
• Mô hình bậc cao (Higher-Order Constructs): Phân tích các khái niệm bậc hai hoặc cao hơn.

• Kiểm định Chi-Square (χ²): So sánh mô hình dự đoán với dữ liệu thực tế.
• Kiểm định bootstrap: Tăng độ chính xác khi kiểm tra các tác động trung gian hoặc khi mẫu nhỏ.
• Kiểm định Sobel: Đánh giá tác động trung gian của biến trong mô hình SEM.

• Phân tích độ tin cậy và giá trị thang đo:
  • Cronbach’s Alpha và Composite Reliability: Đảm bảo độ tin cậy thang đo.
  • Phương sai trích trung bình (AVE): Đánh giá độ hội tụ giữa các biến đo lường.
• Kiểm định tính phân biệt (Discriminant Validity): Đảm bảo các khái niệm khác biệt nhau.

• Chỉnh sửa mô hình (Model Modification): Dựa trên chỉ số MI (Modification Indices) để cải thiện độ phù hợp.
• Kiểm tra mối quan hệ giả thuyết: Xác định xem mối quan hệ giữa các biến có ý nghĩa thống kê hay không (p-value < 0.05).
• So sánh mô hình: Lựa chọn mô hình phù hợp nhất dựa trên các chỉ số như AIC (Akaike Information Criterion).