Phân Tích Thành Phần Cấu Trúc Tổng Quát Tích Hợp Thành Phần Lồi (Convex GSCA) – Cho & Hwang 2024

[Vấn đề] Khó khăn lớn nhất trong việc diễn giải điểm số tuyệt đối của các thành phần ẩn (latent components) là một hạn chế cốt lõi trong phương pháp nghiên cứu định lượng truyền thống. [Nguyên nhân] Nguyên nhân chính là do các mô hình cũ (điển hình là GSCA truyền thống – GSCA chuẩn hóa) luôn ép các biến quan sát phải chuẩn hóa về giá trị trung bình bằng 0 và phương sai bằng 1, làm mất đi hoàn toàn thông tin giá trị thực từ thang đo gốc. [Giải pháp] Giải pháp nhanh nhất, chuẩn xác và tối ưu nhất hiện nay là sử dụng phương pháp Convex GSCA (Phân tích thành phần cấu trúc tổng quát lồi). Phương pháp này giúp tạo ra các thành phần lồi, giữ nguyên vẹn thang đo gốc của dữ liệu, mang lại khả năng diễn giải trực quan, chính xác tuyệt đối cho các chỉ số tổng hợp trong cả quản trị doanh nghiệp và nghiên cứu khoa học.

1. Tổng Quan & Lý Thuyết Nền Tảng (Overview & Theoretical Foundations)

1.1 Thông tin định danh bài báo

• Tiêu đề gốc: GENERALIZED STRUCTURED COMPONENT ANALYSIS ACCOMMODATING CONVEX COMPONENTS: A KNOWLEDGE-BASED MULTIVARIATE METHOD WITH INTERPRETABLE COMPOSITE INDEXES
• Tiêu đề tiếng Việt: Phân Tích Thành Phần Có Cấu Trúc Tổng Quát Tích Hợp Các Thành Phần Lồi: Một Phương Pháp Đa Biến Dựa Trên Kiến Thức Với Các Chỉ Số Tổng Hợp Có Thể Diễn Giải Được
• Tác giả: Gyeongcheol Cho (Đại học bang Ohio) & Heungsun Hwang (Đại học McGill)
• Tạp chí: Psychometrika (Năm 2024)

1.2 Bối cảnh thực tiễn & Khoảng trống nghiên cứu

Phân tích thành phần có cấu trúc tổng quát (GSCA) là phương pháp đa biến cho phép chỉ định và kiểm tra các mối quan hệ phân tích đường dẫn (path-analytic relationships) giữa các biến quan sát và các thành phần (tổng có trọng số của các biến quan sát). Tuy nhiên, GSCA truyền thống luôn chuẩn hóa biến.

Khoảng trống nghiên cứu nằm ở việc: điểm số chuẩn hóa chỉ cho biết vị trí tương đối của một cá nhân so với nhóm (ví dụ: người này có điểm z-score cao hơn, tức là hài lòng hơn người kia), nhưng hoàn toàn thất bại trong việc trả lời giá trị tuyệt đối (người này thực sự hài lòng ở mức mấy điểm trên thang đo 10?). Nếu các nhà nghiên cứu cố gắng chuyển đổi ngược lại (rescaling) trong mô hình cũ, quy trình này cố định phương sai thành phần bằng 1, dẫn đến việc các chỉ báo có phương sai nhỏ sẽ vô tình bị áp một hình phạt không cân xứng, khuếch đại ảnh hưởng của chúng lên việc ước lượng tham số. Nghiên cứu này ra đời nhằm khắc phục triệt để khoảng trống đó bằng phiên bản Convex GSCA.

1.3 Hệ thống Lý thuyết nền tảng (Theoretical Foundations)

Nghiên cứu được xây dựng dựa trên lý thuyết nền tảng về Mô hình phương trình cấu trúc dựa trên thành phần (Component-based SEM) và Phân tích đa biến (Multivariate Analysis). Dưới góc độ học thuật, phương pháp Convex GSCA có thể được tích hợp hoàn hảo vào các khung lý thuyết lớn (Grand Theories) như:

• Mô hình S-O-R (Stimulus – Organism – Response): Thích hợp để đo lường cấu trúc “Organism” (cảm nhận tuyệt đối của khách hàng) dựa trên các kích thích đầu vào, phản ánh chính xác trạng thái tâm lý trên thang đo thực tế.
• Thuyết Hành vi Dự định (Theory of Planned Behavior – TPB): Giúp đo lường chính xác cường độ tuyệt đối của “Thái độ” hoặc “Chuẩn chủ quan” trên thang đo Likert gốc thay vì điểm chuẩn hóa vô nghĩa, từ đó dự báo chính xác hành vi thực tế.

2. Khái Niệm Hóa và Cấu Trúc Khái Niệm (Conceptualization)

Convex GSCA là một phương pháp phân tích đa biến cải tiến, cho phép ước lượng các thành phần không chuẩn hóa (unstandardized components) được gọi là Thành phần lồi (Convex Components). Điều kiện cốt lõi là các chỉ báo cấu thành nên nó phải có cùng một thang đo (ví dụ: cùng là thang Likert 1-7).

Cấu trúc của một thành phần lồi mang 6 đặc tính toán học và khái niệm cốt lõi (dựa trên các chứng minh mệnh đề chặt chẽ):

1. Phạm vi điểm số (Mệnh đề 1): Điểm số của thành phần lồi luôn nằm trong giới hạn của thang đo gốc. Nếu các biến quan sát đo bằng thang Likert 1-10, điểm số của thành phần lồi chắc chắn sẽ nằm trong khoảng từ 1 đến 10.
2. Tính đại diện (Mệnh đề 2): Mỗi điểm số của một thành phần lồi tương ứng chính xác với điểm số của một cá nhân mà điểm các biến quan sát của họ đều giống hệt như điểm số thành phần đó.
3. Giá trị trung bình (Mệnh đề 3): Trung bình của thành phần không bị ép về 0 mà được xác định bởi trọng số trong phạm vi giá trị trung bình của các chỉ báo gốc.
4. Độ lệch chuẩn (Mệnh đề 4): Độ lệch chuẩn không bị cố định ở mức 1 mà dao động thực tế trong khoảng từ 0 đến độ lệch chuẩn lớn nhất của các chỉ báo.
5. Trọng số duy nhất (Mệnh đề 5): Cho trước một tập hợp điểm số chỉ báo độc lập tuyến tính, thành phần lồi có một tập hợp trọng số duy nhất luôn không âm (≥ 0) và có tổng bằng 1 (100%). Điều này giúp diễn giải trọng số một cách trực tiếp như là “tỷ lệ đóng góp”.
6. Hệ số đường dẫn (Mệnh đề 6): Thể hiện sự thay đổi kỳ vọng tuyệt đối của biến phụ thuộc khi biến độc lập thay đổi 1 đơn vị trên thang đo gốc (trong khi giữ cố định các biến khác).

Bảng so sánh GSCA truyền thống và Convex GSCA:

Đặc tính	GSCA Truyền thống	Convex GSCA
Xử lý dữ liệu ban đầu	Bắt buộc chuẩn hóa tất cả các biến (Mean = 0, SD = 1).	Giữ nguyên thang đo gốc và phương sai tự nhiên của dữ liệu.
Bản chất điểm số	Chỉ thể hiện vị trí tương đối (Tương quan khoảng cách).	Thể hiện giá trị tuyệt đối trực tiếp trên thang đo gốc.
Tính chất Trọng số (Weights)	Có thể nhận giá trị âm, tổng không giới hạn. Khó diễn giải thực tế.	Luôn không âm (≥ 0), tổng luôn bằng 1. Dễ dàng diễn giải thành tỷ lệ %.
Hệ số chặn (Intercepts)	Không có hoặc luôn bằng 0 do đặc tính chuẩn hóa dữ liệu.	Được thêm mới vào mô hình cấu trúc và đo lường (Ký hiệu: c₀, b₀).

3. Quy Trình Phát Triển Mô Hình & Thuật Toán (Scale Development Process)

Để ước lượng các tham số cho mô hình Convex GSCA, mô hình tích hợp các thành phần chặn (intercepts) vào phương trình. Cụ thể, 3 mô hình con của Convex GSCA được đặc tả bằng hệ phương trình toán học như sau:

• Mô hình quan hệ có trọng số: γ = W’z (Mỗi thành phần là một tổng có trọng số của các chỉ báo).
• Mô hình đo lường thành phần: z = c₀ + C’γ + ξ (Mối quan hệ từ thành phần tới chỉ báo, có tích hợp hệ số chặn c₀).
• Mô hình cấu trúc: γ = b₀ + B’γ + ζ (Mối quan hệ nhân quả giữa các thành phần, tích hợp hệ số chặn b₀).

Hàm mục tiêu (Objective Function): Convex GSCA ước lượng tham số bằng cách cực tiểu hóa hàm mục tiêu phạt từng sai số dự đoán cho các biến phụ thuộc. Thuật toán áp dụng một ma trận phạt O (penalty terms) để chia sai số cho độ lệch chuẩn trung bình của khối chỉ báo tương ứng. Kỹ thuật này ngăn chặn hoàn toàn việc các biến có phương sai lớn thống trị quá trình ước lượng, đồng thời duy trì tính bất biến thang đo một phần.

Thuật toán ước lượng: Nghiên cứu phát triển thuật toán Bình phương tối thiểu luân phiên (Alternating Least Squares – ALS) giải quyết bài toán quy hoạch toàn phương. Trọng số (W), Hệ số tải (C) và Hệ số đường dẫn (B) được cập nhật luân phiên cho đến khi hàm mục tiêu hội tụ ở mức sai số cho phép.

4. Các Chỉ Số Đánh Giá Mô Hình (Model Evaluation Indexes)

Trong khi GSCA truyền thống cung cấp các chỉ số phù hợp toàn cục dành riêng cho dữ liệu chuẩn hóa, phương pháp Convex GSCA đề xuất các phiên bản sửa đổi (hiệu chỉnh) để tính toán chính xác cho cả biến chuẩn hóa và chưa chuẩn hóa. Bạn có thể sử dụng các tiêu chuẩn như SRMR ≤ 0.08 và GFI ≥ 0.90 tương tự như các mô hình SEM truyền thống, kết hợp cùng các chỉ số mới:

• FIT_UD (FIT cho biến phụ thuộc chưa chuẩn hóa): Chỉ số này đo lường tỷ lệ phương sai được giải thích của tất cả các biến phụ thuộc (bao gồm cả các thành phần lồi) so với tổng phương sai có trọng số của chúng.
• OPE_UD (Out-of-bag Prediction Error cho biến phụ thuộc): Nhằm đánh giá khả năng tổng quát hóa dự đoán ngoài mẫu. Khác với OPE cũ, OPE_UD áp dụng các thuật ngữ phạt (penalty terms) để định chuẩn lại sai số dự đoán thông qua K mẫu bootstrap. Một mô hình có độ dự báo tốt phải chứng minh được giá trị sai số thấp hơn mô hình gốc (null model).

5. Kiểm Định Qua Dữ Liệu Mô Phỏng (Simulated Data Analysis)

Để chứng minh tính khoa học và độ tin cậy của thuật toán, tác giả đã thực hiện mô phỏng Monte-Carlo để đánh giá khả năng phục hồi tham số (Parameter Recovery) của Convex GSCA.

• Thiết lập thí nghiệm: Kiểm tra 54 mô hình quần thể kết hợp từ 4 yếu tố: phương sai chỉ báo (ví dụ mức [1, 1, 1, 1] so với [1, 4, 9, 16]), tương quan chỉ báo, phân phối dữ liệu (chuẩn và không chuẩn), và tương quan giữa các thành phần.
• Kết quả phân tích: Ở mọi quy mô mẫu (N = 100, 200, 400, 800, 1500), các bộ ước lượng trọng số, hệ số tải và trung bình thành phần của Convex GSCA thực nghiệm cho thấy độ chệch tuyệt đối (absolute bias) cực kỳ nhỏ. Ví dụ tại N = 100, độ chệch trung bình của trọng số chỉ là 0.002. Căn bậc hai sai số toàn phương trung bình (RMSE) liên tục giảm và tiệm cận 0 khi kích thước mẫu tăng, khẳng định mô hình ước lượng hoàn toàn không có độ chệch trung bình.

6. Thang Đo Lường Chính Thức & Minh Họa Thực Nghiệm (Empirical Data Illustration)

Để minh họa tiện ích thực tế, Convex GSCA được áp dụng vào dữ liệu Chỉ số Hài lòng Khách hàng Mỹ (ACSI) với 774 phản hồi hợp lệ cho 14 biến quan sát. Dữ liệu sử dụng thang điểm Likert 10 điểm (1 = Rất tiêu cực, 10 = Rất tích cực).

Kết quả phân tích so sánh: Tất cả các điểm số cá nhân của mỗi thành phần lồi thu được từ Convex GSCA đều nằm trọn vẹn trong phạm vi từ 1 đến 10. Điểm Giá trị trung bình của biến Sự Hài Lòng là 7.125, hoàn toàn phù hợp với thực tế dữ liệu gốc. Ngược lại, mô hình GSCA truyền thống lại báo cáo con số trung bình 3.037 vô lý (dù điểm đánh giá thực tế trung bình của các biến đều quanh mức 7), gây sai lệch nghiêm trọng cho quá trình diễn giải báo cáo.

Bảng Thang Đo Lường Chi Tiết:

Ký hiệu	Biến quan sát gốc (Tiếng Anh)	Bản dịch Tiếng Việt (Dùng khảo sát)	Khái niệm đo lường (Construct)
z₁	Expectation for overall quality	Kỳ vọng về chất lượng tổng thể	Kỳ vọng của khách hàng (CE)
z₂	Expectation for reliability	Kỳ vọng về độ tin cậy	Kỳ vọng của khách hàng (CE)
z₃	Expectation for customization	Kỳ vọng về sự cá nhân hóa	Kỳ vọng của khách hàng (CE)
z₄	Overall quality	Chất lượng tổng thể cảm nhận được	Chất lượng cảm nhận (PQ)
z₅	Reliability	Độ tin cậy cảm nhận được	Chất lượng cảm nhận (PQ)
z₆	Customization	Sự cá nhân hóa cảm nhận được	Chất lượng cảm nhận (PQ)
z₇	Price given quality	Đánh giá mức giá dựa trên chất lượng	Giá trị cảm nhận (PV)
z₈	Quality given price	Đánh giá chất lượng dựa trên mức giá	Giá trị cảm nhận (PV)
z₉	Perceived overall satisfaction	Mức độ hài lòng tổng thể	Sự hài lòng của KH (CS)
z₁₀	Fulfillment of expectations	Mức độ đáp ứng kỳ vọng	Sự hài lòng của KH (CS)
z₁₁	Distance to the ideal	Khoảng cách so với tiêu chuẩn lý tưởng	Sự hài lòng của KH (CS)
z₁₂	Complaint behavior (0/1)	Hành vi khiếu nại (Có = 1 / Không = 0)	Phàn nàn của khách hàng (CC)
z₁₃	Repurchase intention	Ý định mua lặp lại	Lòng trung thành của KH (CL)
z₁₄	Price tolerance (%)	Khả năng chịu đựng mức giá (Tính theo %)	Lòng trung thành của KH (CL)

7. Mạng Lưới Quan Hệ Lý Thuyết (Nomological Network)

Dựa trên dữ liệu ACSI, mạng lưới quan hệ cấu trúc (Structural Model) được làm rõ thông qua Convex GSCA với mức độ giải thích phương sai vô cùng ấn tượng (Ví dụ: R² cho biến Sự hài lòng đạt 0.812, tức mô hình giải thích được 81.2% sự biến thiên của biến này).

Các tiền tố tác động (Antecedents):

• Kỳ vọng (CE): Tác động đến sự hài lòng ở mức thấp (Hệ số đường dẫn b₄ = 0.045).
• Chất lượng cảm nhận (PQ): Có tác động mạnh mẽ và mang tính quyết định nhất đến sự hài lòng (b₅ = 0.723).
• Giá trị cảm nhận (PV): Tác động tích cực và đáng kể (b₆ = 0.275).

Các hậu tố kết quả (Consequences):

• Phàn nàn của khách hàng (CC): Sự hài lòng làm giảm trực tiếp hành vi khiếu nại (b₇ = -0.059).
• Lòng trung thành (CL): Sự hài lòng trực tiếp thúc đẩy lòng trung thành (b₈ = 0.252). Việc điểm số chưa chuẩn hóa cho phép diễn giải tuyệt đối: Nếu điểm hài lòng CS tăng đúng 1 điểm trên thang Likert 10, mức độ trung thành CL sẽ tăng thêm 0.252 đơn vị gốc. R² cho CL đạt 0.404.

8. Hướng Dẫn Ứng Dụng Nghiên Cứu (Academic Implications)

Dưới góc độ giảng dạy phương pháp nghiên cứu, Convex GSCA là một công cụ phân tích dữ liệu đột phá mà các nghiên cứu sinh cần áp dụng ngay vào các luận văn, bài báo khoa học chuẩn quốc tế.

• Khi nào nên sử dụng: Khuyến nghị dùng bắt buộc khi các biến quan sát (items) trong cùng một cấu trúc khái niệm (construct) được thu thập bằng cùng một thang đo gốc (ví dụ Likert 5 điểm, 7 điểm). Tuyệt đối không nên chuẩn hóa dữ liệu nếu bạn thực sự quan tâm đến việc so sánh điểm số tuyệt đối.
• Cách lập luận bảo vệ luận văn: Nghiên cứu sinh có thể khẳng định trước hội đồng rằng thuật toán ALS của GSCA lồi giúp loại bỏ sự khuếch đại sai số từ các biến có phương sai nhỏ. Nhờ đó, phương sai tự nhiên của bộ dữ liệu được bảo toàn nguyên vẹn, đảm bảo tính đại diện thống kê thực tế cao hơn so với PLS-SEM hay CB-SEM truyền thống.
• Hướng nghiên cứu mới: Các học giả có thể phát triển thêm bằng cách kết hợp thành phần lồi vào các mô hình phức tạp hơn như mô hình thành phần bậc cao (higher-order components), phân tích dữ liệu đa cấp (multilevel GSCA), hoặc xử lý các tương tác biến tiềm ẩn (latent interactions).

9. Ứng Dụng Quản Trị Doanh Nghiệp (Managerial Implications)

Kết quả từ mô hình Convex GSCA mang lại giá trị thực tiễn cực kỳ sắc bén cho các Giám đốc Marketing và nhà quản trị cấp cao:

• Theo dõi KPI tuyệt đối: Nhà quản trị biết chính xác khách hàng đang ở mức điểm thực tế nào (ví dụ: Điểm Hài lòng là 7.125/10), từ đó xác định được khách hàng đang “Hài lòng vừa phải”. Điều này thiết thực hơn việc chỉ nhận một điểm Z-score tương đối khó hiểu (không biết thực chất là tốt hay xấu trên thang đo).
• Phân bổ ngân sách dựa trên tỷ lệ đóng góp (Contribution Rates): Nhờ đặc tính tổng trọng số luôn bằng 1, nhà quản trị có thể đánh giá ví dụ yếu tố z₉ (Mức độ hài lòng tổng thể) với trọng số w₉ = 0.422 chiếm chính xác 42.2% tỷ trọng hình thành cấu trúc sự hài lòng. Qua đó, dồn ngân sách đúng trọng tâm vào yếu tố mang lại giá trị cao nhất.
• Dự báo hành vi kinh tế (ROI): Việc giữ nguyên thang đo gốc cho phép quy đổi trực tiếp 1 đơn vị thay đổi của mô hình lồi thành hệ số tài chính thực tiễn (giảm khiếu nại bao nhiêu %, tăng tỷ lệ mua lại bao nhiêu %). Từ đó, lập bản dự phóng vòng đời khách hàng (LTV) chính xác bằng giá trị tiền tệ.

10. Lời Bình Kết Luận & Hạn Chế Nghiên Cứu (Concluding Remarks)

Bài báo đã phát triển thành công phương pháp Convex GSCA tích hợp loại thành phần chưa chuẩn hóa mới. Khác biệt cốt lõi và vĩ đại nhất của nó là khả năng tạo ra các điểm số thành phần luôn nằm trong giới hạn thang đo của chỉ báo, với trọng số hoàn toàn có thể diễn giải thành phần trăm đóng góp.

Mặc dù hạn chế hiện tại của phương pháp có thể nằm ở yêu cầu năng lực điện toán khắt khe trong thuật toán quy hoạch toàn phương (quadratic programming) để đảm bảo các ràng buộc toán học, nhưng lợi ích vượt trội trong khả năng diễn giải thực nghiệm khiến Convex GSCA trở thành lựa chọn ưu tiên tuyệt đối cho các chuyên gia đo lường khi không muốn phá hủy phương sai tự nhiên của dữ liệu khoa học.

11. Các Câu Hỏi Thường Gặp (FAQ)

Tại sao GSCA truyền thống lại gây khó khăn trong việc diễn giải dữ liệu nghiên cứu?

GSCA truyền thống luôn ép buộc chuẩn hóa biến về mức trung bình bằng 0 và phương sai bằng 1. Quá trình này tự động loại bỏ thông tin về thang đo tuyệt đối gốc (ví dụ biến mất thang điểm 1-7). Hậu quả là, điểm số thành quả chỉ biểu thị mức độ tương đối giữa các cá nhân (ai cao hơn ai) chứ không thể hiện được giá trị thực chất (họ được bao nhiêu điểm).

Tổ hợp lồi (Convex Combination) trong mô hình này có đặc tính gì nổi bật về mặt toán học?

Tổ hợp lồi là một tổ hợp tuyến tính đặc biệt đáp ứng hai điều kiện nghiêm ngặt: mọi trọng số đều phải lớn hơn hoặc bằng 0 (w ≥ 0), và tổng của tất cả các trọng số bắt buộc phải bằng 1 (w’1 = 1). Đặc tính này giúp biến các trọng số thống kê hàn lâm thành “tỷ lệ phần trăm đóng góp” cụ thể, thân thiện với nhà quản trị.

Làm thế nào Convex GSCA giải quyết được sự chênh lệch phương sai giữa các biến quan sát?

Hàm mục tiêu của Convex GSCA sử dụng một ma trận thuật ngữ phạt (penalty matrix) để chia sai số dự đoán cho mức độ lệch chuẩn trung bình của mỗi khối chỉ báo. Điều này kiểm soát và ngăn chặn hoàn toàn việc các biến có phương sai lớn thống trị mô hình, đồng thời bảo vệ mô hình khỏi hiện tượng nhiễu dữ liệu cục bộ.

12. Tài Liệu Tham Khảo (References)

• Altman, A., & Gondzio, J. (1999). Regularized symmetric indefinite systems in interior point methods for linear and quadratic optimization. Optimization Methods and Software, 11(1-4), 275-302.
• Bollen, K. A., & Bauldry, S. (2011). Three Cs in measurement models: Causal indicators, composite indicators, and covariates. Psychological Methods, 16(3), 265-284.
• Boyd, S. P., & Vandenberghe, L. (2018). Introduction to applied linear algebra: Vectors, matrices, and least squares. Cambridge University Press.
• Cho, G., & Choi, J. Y. (2020). An empirical comparison of generalized structured component analysis and partial least squares path modeling under variance-based structural equation models. Behaviormetrika, 47(1), 243-272.
• Cho, G., Hwang, H., Sarstedt, M., & Ringle, C. M. (2020). Cutoff criteria for overall model fit indexes in generalized structured component analysis. Journal of Marketing Analytics, 8, 189-202.
• Cho, G., Jung, K., & Hwang, H. (2019). Out-of-bag prediction error: A cross validation index for generalized structured component analysis. Multivariate Behavioral Research, 54(4), 505-513.
• Cho, G., Sarstedt, M., & Hwang, H. (2022). A comparative evaluation of factor- and component-based structural equation modeling methods under (in)consistent model specifications. British Journal of Mathematical and Statistical Psychology, 75(2), 220-251.
• Dobson, K. G., Vigod, S. N., Mustard, C., & Smith, P. M. (2021). Major depressive episodes and employment earnings trajectories over the following decade among working-aged Canadian men and women. Journal of Affective Disorders, 285, 37-46.
• Floudas, C. A., & Visweswaran, V. (1995). Quadratic optimization. Trong R. Horst & P. M. Pardalos (Biên tập), Handbook of global optimization (tr. 217-269). Springer US.
• Fornell, C., Johnson, M. D., Anderson, E. W., Cha, J., & Bryant, B. E. (1996). The American customer satisfaction index: Nature, purpose, and findings. Journal of Marketing, 60(4), 7-18.
• Frank, M., & Wolfe, P. (1956). An algorithm for quadratic programming. Naval Research Logistics Quarterly, 3(1-2), 95-110.
• Hwang, H., Cho, G., Jin, M. J., Ryoo, J. H., Choi, Y., & Lee, S.-H. (2021). A knowledge-based multivariate statistical method for examining gene-brain-behavioral/cognitive relationships: Imaging genetics generalized structured component analysis. PLoS ONE, 16(3), e0247592.
• Hwang, H., Cho, G., Jung, K., Falk, C. F., Flake, J., & Jin, M. J. (2021). An approach to structural equation modeling with both factors and components: Integrated generalized structured component analysis. Psychological Methods, 26(3), 273-294.
• Hwang, H., Ho, M.-H.R., & Lee, J. (2010). Generalized structured component analysis with latent interactions. Psychometrika, 75(2), 228-242.
• Hwang, H., Malhotra, N. K., Kim, Y., Tomiuk, M. A., & Hong, S. (2010). A comparative study on parameter recovery of three approaches to structural equation modeling. Journal of Marketing Research, 47(4), 699-712.
• Hwang, H., & Takane, Y. (2004). Generalized structured component analysis. Psychometrika, 69(1), 81-99.
• Hwang, H., & Takane, Y. (2010). Nonlinear generalized structured component analysis. Behaviormetrika, 37(1), 1-14.
• Hwang, H., & Takane, Y. (2014). Generalized structured component analysis: A component-based approach to structural equation modeling. Chapman and Hall/CRC Press.
• Hwang, H., Takane, Y., & Malhotra, N. (2007). Multilevel generalized structural component analysis. Behaviormetrika, 34(2), 95-109.
• Johnson, D. R., & Creech, J. C. (1983). Ordinal measures in multiple indicator models: A simulation study of categorization error. American Sociological Review, 48, 398-407.
• Lawson, C. L., & Hanson, R. J. (1974). Solving least squares problems. Abingdon: Prentice Hall.
• Lay, D. C., Lay, S. R., & McDonald, J. J. (2015). Linear algebra and its applications (Xuất bản lần thứ 5). Pearson Education.
• Naik, D. N., & Khattree, R. (1996). Revisiting olympic track records: Some practical considerations in the principal component analysis. The American Statistician, 50(2), 140-144.
• Norman, G. (2010). Likert scales, levels of measurement and the “laws” of statistics. Advances in Health Sciences Education: Theory and Practice, 15(5), 625-632.
• Sullivan, G. M., & Artino, A. R. J. (2013). Analyzing and interpreting data from likert-type scales. Journal of Graduate Medical Education, 5(4), 541-542.
• Swaminathan, H., & Algina, J. (1978). Scale freeness in factor analysis. Psychometrika, 43(4), 581-583.
• Vanderbei, R. J., & Carpenter, T. J. (1993). Symmetric indefinite systems for interior point methods. Mathematical Programming, 58(1), 1-32.
• Zumbo, B. D., & Zimmerman, D. W. (1993). Is the selection of statistical methods governed by level of measurement? Canadian Psychology/Psychologie Canadienne, 34, 390-400.

13. Lời kêu gọi hành động (CTA)

Việc thấu hiểu bản chất của thang đo gốc và phương sai tự nhiên là yếu tố tiên quyết giúp nâng tầm chất lượng các nghiên cứu hàn lâm và tối ưu hóa hệ thống đo lường quản trị thực tiễn. Hãy chủ động rà soát lại phương pháp phân tích của bạn để đưa ra những diễn giải số liệu chính xác và sâu sắc nhất. Độc giả có thể tải tài liệu chuyên sâu để nắm bắt trọn vẹn thuật toán và kỹ thuật mô phỏng của Convex GSCA.

Cho, G., & Hwang, H. (2024). Generalized structured component analysis accommodating convex components: A knowledge-based multivariate method with interpretable composite indexes. Psychometrika.