Học SEM-AMOS !!! hot..hot..hot...

[Tomorrow]

:Bravo:
Xin chào tất cả các bạn !
Bây giờ, K16 chúng ta sắp bước vào giai đọan làm LATN, Việc ứng dụng SPSS trong phân tích vào LV là rất quan trọng, nhưng các bạn muốn Pro hơn thì ứng dụng Mô hình cấu trúc tuyến tính SEM bằng AMOS. Chính vì vậy, mình đã liên lạc với thầy Duy mở một lớp dạy AMOS cho chúng ta.
vậy tất cả những bạn nào quan tâm, yêu thích thì nhanh chóng đăng ký với mình nha để được mở lớp kịp thời. Các bạn đạng ký cho mình qua email: Tomorrow_vn@yahoo.com or SMS: 0983.313.346
Chỉ cần 20 bạn là đủ để mở lớp.
Cám ơn các bạn đã quan tâm.

Thông tin giới thiệu về lập mô hình cấu trúc SEM, các bạn xem thêm ở topic Giới thiệu về lập mô hình phương trình cấu trúc SEM (http://www.caohockinhte.info/upload/showthread.php?t=1616)

[Tomorrow]

Tính đến 18h 17/5/2008.

1. Lý Quang Hưng
2. Đỗ Nguyên Hoài
3. Hồ Minh Sánh


Tiếp tục đi các bạn :please:

[Cá Heo]

Dĩ nhiên không thể thiếu Nguyễn Phương Nam

[thienhoang]

1 vé cho Hoàng nếu thời gian phù hợp

[Tomorrow]

Thank you'

1. Lý Quang Hưng
2. Đỗ Nguyên Hoài
3. Hồ Minh Sánh
4. Pd Thiên Hòang
5. Nguyễn Phương Nam
....

Còn 15 vé đang chờ các bạn.
Nhanh tay thì còn, chậm tay thì hết.
:vuinhi:

[thienquy]

Tui cung tham gia nua. khi nao khai giang thong bao gium nha. lien he: Thien Quy 0913728438, thanks

[Tomorrow]

Thật không thể hiểu nổi...
Hay vậy mà có 5 nguoi dang ký àh,
Buồn thật đấy !!! tucgian

[MANUTD]

hoc buổi nào vay bạn, mình cung dinh học thêm môn này, chi phí ra sao, báo cho mình biet nha, cam on

[Mây Trắng]

Thật không thể hiểu nổi...
Hay vậy mà có 5 nguoi dang ký àh,
Buồn thật đấy !!! tucgian

Không thể đăng ký học khi mà không hề biết rằng nó (và SPSS) có công dụng gì xauho

[thanhthieu]

Chắc học thứ 7 và chủ nhật phải không. Cho Thiệu đăng ký 1 vé.

[nttd]

T.Trang

tớ đăng ký 1 vé

[halanco]

Mấy anh chị làm 1 bài giới thiệu công dụng, chức năng và tầm quan trọng đi. Em K17, chưa hiểu rõ lắm về nó nên không dám đăng ký. quaylung

[nttd]

@Mây Trắng, halanco: sachvang đã có bài giới thiệu rùi, 2 bạn xem ở link này nè:

http://www.caohockinhte.info/upload/showthread.php?t=1616

[Tomorrow]

Xin chào,
Mình sẽ xin thầy sắp xếp học môn này vào ngày CN, vì hầu hết chúng ta đều phải đi làm mà. Học phí khóa học chắc khoảng 1triệu/người.
Mình tin chắc rằng các bạn sẽ không cảm thấy hối tiếc khi tham gia khóa học này vì đây là một công cụ phân tích rất mạnh và rất pro, một LV cao học mà sử dụng công cụ này phân tích sẽ được đánh giá rất cao.
Các bạn nghĩ sao khi hầu hết học viên MBA của Trường ĐH Bách Khoa đều sử dụng công cụ này để phân tích. Trong khi chúng ta...không biết gì hết.
Nếu bạn nào đăng ký, xin vui lòng để lại họ tên rõ ràng để mình lập danh sách.
Xin cảm ơn các bạn đã quan tâm.
moon

[halanco]

Thôi rồi, :tutu:, vừa đọc xong bài giới thiệu. Hic, chắc em đợi lần tới mới đăng kí quá. Chúc mấy anh chị học tốt.

[Cá Heo]

Phần này tóm tắt ngắn gọn và không thiên về đặc tính kỹ thuật của các vấn đề căn bản có liên quan trong SEM, bao gồm các vấn đề ước lượng, thích hợp mô hình, và các giả thiết thống kê.
SEM (Structural Equation Modelling) là một kỹ thuật mô hình thống kê rất tổng quát, được sử dụng rộng rãi trong khoa học nghiên cứu hành vi. Nó có thể được xem là sự kết hợp của phân tích nhân tố và hồi quy hay phân tích đường dẫn. Sự quan tâm trong SEM thường là vào các kiến trúc lý thuyết, được trình bày bởi các nhân tố ngầm. Các quan hệ giữa các kiến trúc lý thuyết được trình bày bởi các hệ số hồi quy hay hệ số đường dẫn giữa các nhân tố. SEM ám chỉ 1 cấu trúc của các hiệp tương quan (covariances) giữa các biến được quan sát, các quan hệ này cho ra một tên khác là mô hình hóa cấu trúc hiệp tương quan (covariance structure modeling). Tuy nhiên, mô hình có thể được mở rộng thêm bao gồm trung bình của các biến quan sát được hoặc các nhân tố trong mô hình, làm cho tên mô hình hóa cấu trúc hiệp tương quan ít chính xác. Nhiều nhà nghiên cứu chỉ đơn giản nghĩ mô hình loại này là “các mô hình Lisrel,” điều này cũng ít chính xác. LISREL là chữ viết tắt của Linear Structural RELations (các quan hệ cấu trúc tuyến tính), và tên này được Jưreskog sử dụng cho một trong những chương trình SEM đầu tiên thông dụng nhất. Các mô hình phương trình cấu trúc ngày nay không nhất thiết phải tuyến tính, và khả năng mở rộng của SEM xa hơn phương trình Lisrel ban đầu. Ví dụ, Browne (1993) thảo luận khả năng làm thích hợp các đường cong phi tuyến.
SEM cung cấp một khung thuận tiện và rất tổng quát cho các phân tích thống kê bao gồm các thủ tục đa biến truyền thống, ví dụ các trường hợp đặc biệt là phân tích nhân tố, phân tích hồi quy, phân tích phân biệt, và tương quan canonical. SEM thường được minh họa bằng biểu đồ đường dẫn. Phương trình thống kê này thường được trình bày trong một hệ phương trình ma trận. Trong đầu thập niên 70, khi kỹ thuật này được giới thiệu lần đầu trong nghiên cứu xã hội và nghiên cứu hành vi, phần mềm thường yêu cầu cài đặt chỉ rõ mô hình theo điều kiện của những ma trận này. Do đó, các nhà nghiên cứu đã phải lọc việc trình bày ma trận từ biểu đồ đường dẫn, và cung cấp phần mềm với 1 chuỗi ma trận cho các tập hợp tham số khác nhau, như là hệ số nhân tố và các hệ số hồi quy. Các phần mềm được phát triển gần đây cho phép các nhà nghiên cứu chỉ định trực tiếp mô hình như là 1 biểu đồ đường dẫn. Việc này hiệu quả với các vấn đề đơn giản, nhưng có thể gây mệt mỏi đối với các mô hình có tính phức tạp hơn. Vì lý do này, phần mềm SEM hiện tại cũng vẫn hỗ trợ các đặc tính kỹ thuật của mô hình loại câu lệnh-hay ma trận.
Path analysis (phân tích đường xu hướng) là kỹ thuật thống kê dùng để kiểm tra quan hệ nhân quả giữa hai hay nhiều biến. Dựa trên hệ thống phương trình tuyến tính.
Path analysis là thành phần phụ của SEM, một thủ tục đa biến mà theo định nghĩa của Ullman (1996), “cho phép kiểm tra một tập quan hệ giữa một hay nhiều biến độc lập, hoặc là liên tục hoặc là rời rạc, và một hay nhiều biến phụ thuộc, hoặc là liên tục hoặc là rời rạc.” SEM liên quan đến các biến đo lường được (measured variable) và các biến ngầm (latent variable). Một measured variable là một biến có thể được quan sát trực tiếp và được đo lường. Biến đo lường được cũng được biết đến như biến quan sát được (observed variable), biến chỉ báo hay biến biểu thị (indicator or manifest variables). Một latent variable là một biến không thể được quan sát trực tiếp và phải được suy ra từ measured variable. Latent variables được ám chỉ bởi hiệp tương quan (covariances) giữa hai hay nhiều measured variables. Chúng cũng được biết đến như là các nhân tố (nghĩa là, phân tích nhân tố), các biến kiến trúc hay các biến không quan sát được (constructs or unobserved variables). SEM là sự kết hợp giữa hồi quy đa biến và phân tích nhân tố. Path analysis chỉ liên quan đến các biến đo lường (measured variables).

CÁC THÀNH PHẦN CỦA SEMCó hai thành phần: mô hình đo lường (measurement model) và mô hình cấu trúc (structural model).
+ Measurement model: liên quan đến quan hệ giữa measured variables và latent variables.
+ Structural model: chỉ liên quan đến các quan hệ giữa các latent variables mà thôi.
Ký hiệu trong SEM:
- Các biến đo lường được: hình chữ nhật hay vuông
- Các biến ngầm: elíp hay hình tròn
- Các khoản sai số: (“nhiễu” của các biến ngầm) được đưa vào biểu đồ SEM, đại diện bởi “E’s” cho các biến đo lường và “D’s” cho các biến ngầm. Các khoản sai số đại diện phương sai phần dư trong các biến không được tính cho các đường dẫn (pathways) được giả thiết trong mô hình.
Tham số của SEM:
- Là các biến, hệ số hồi quy và hiệp tương quan giữa các biến.
- Phương sai có thể được chỉ ra bằng mũi tên hai đầu kết thúc tại cùng một biến, hoặc đơn giản hơn, ký hiệu bằng số trong hộp vẽ biến hay cung tròn.
- Các hệ số hồi quy được trình bày dọc theo mũi tên một chiều chỉ ra đường dẫn được giả thiết giữa hai biến (có trọng số được áp dụng cho các biến trong các phương trình hồi quy tuyến tính)
- Hiệp phương sai được kết hợp với các mũi tên vòng cung hai đầu giữa hai biến hoặc các sai số và biểu thị vô hướng (no directionality). Data cho SEM là các phương sai mẫu và hiệp phương sai mẫu lấy từ tổng thể (ký hiệu S, phương sai mẫu quan sát được và ma trận hiệp phương sai).

KIẾN TRÚC SEMMục tiêu trong việc xây dựng 1 biểu đồ xu hướng (path diagram) hay mô hình phương trình cấu trúc, là tìm một mô hình đủ thích hợp với dữ liệu (S) để phục vụ như là 1 đại diện có ích của độ tin cậy và giải thích chi tiết dữ liệu.
Có 5 bước trong kiến trúc SEM:
1. Chỉ định mô hình (Model Specification)
2. Nhận dạng mô hình (Model Identification)
3. Ước lượng mô hình (Model Estimation)
4. Đánh giá độ thích hợp của mô hình (Assesing Fit of the Model)
5. Hiệu chỉnh mô hình (Model Modification)

Chỉ định mô hình (Model Specification)Là việc chính thức bắt đầu một mô hình. Trong bước này, các tham số được xác định là cố định hay tự do. Tham số cố định (fixed parameters) không được ước lượng từ dữ liệu và được gán một cách tiêu biểu bằng 0 (chỉ ra không có quan hệ giữa các biến). Các đường dẫn của các tham số cố định được gắn nhãn số (trừ khi được gán giá trị là 0, trong trường hợp này không có đường dẫn nào được vẽ) trong biểu đồ SEM. Tham số tự do (Free parameters) được ước lượng từ dữ liệu quan sát và được người điều tra tin rằng nó khác 0. Việc xác định tham số nào là cố định hay tự do trong SEM là rất quan trọng vì nó xác định tham số nào sẽ được sử dụng để so sánh biểu đồ giả thuyết với ma trận hiệp phương sai và phương sai tổng thể mẫu trong việc kiểm tra tính thích hợp của mô hình (bước 4). Việc chọn tham số nào là cố định và tham số nào là tự do tùy thuộc vào người nghiên cứu. Sự lựa chọn này trình bày một giả thuyết tiền đề về đường xu hướng trong hệ thống là quan trọng trong thế hệ của cấu trúc liên quan của hệ thống được quan sát (ví dụ, phương sai mẫu được quan sát và ma trận hiệp phương sai).

Nhận dạng mô hình (Model Identification)
Việc nhận dạng quan tâm đến việc có hay không giá trị duy nhất cho mỗi và mọi tham số tự do có thể thu thập được từ dữ liệu quan sát. Nó phụ thuộc vào việc lựa chọn mô hình và đặc tính kỹ thuật của các tham số cố định, ràng buộc và tự do. Một tham số bị ràng buộc khi nó trong một tập hợp với các tham số khác. Các mô hình cần phải được nhận dạng hoàn chỉnh để có thể ước lượng được (bước 3) và để kiểm định giả thuyết về quan hệ giữa các biến.
Có các dạng mô hình có cấu trúc là just-identified, overidentified, hay underidentified.
+ just-identified model: trong đó tương ứng 1-1 giữa data và các tham số cấu trúc. Nghĩa là, số phương sai dữ liệu và số hiệp phương sai bằng với số tham số được ước lượng. Tuy nhiên, mặc dầu khả năng của mô hình là đạt được một giải pháp duy nhất cho tất cả các tham số, just-identified model không có sự quan tâm của khoa học gia vì bởi nó không có độ tự do và do đó không thể bị loại bỏ.
+ Overidentified model: là mô hình trong đó số tham số có thể ước lượng được thì nhỏ hơn số điểm dữ liệu (data points) (nghĩa là, phương sai, hiệp tương quan của các biến quan sát được). Tình trạng này tạo kết quả ra độ tự do dương cho phép loại bỏ mô hình, do đó được sử dụng một cách khoa học hơn. Mục đích của SEM là chỉ ra một mô hình như vậy đáp ứng các tiêu chuẩn của overidentification.
+ Underidentified model: là mô hình trong đó số tham số được ước lượng vượt quá số phương sai và hiệp tương quan. Như vậy, mô hình bao gồm thông tin không ý nghĩa (từ dữ liệu đầu vào) cho việc đạt được 1 giải pháp xác định về ước lượng tham số; nghĩa là, vô số các giải pháp là khả dĩ cho 1 underidentified model.
Ước luợng mô hình (Model Estimation)Trong bước này, các giá trị khởi đầu của tham số tự do được chọn để sinh ra 1 ma trận hiệp tương quan tổng thể được ước lượng (estimated population covariance matrix), S(q), từ mô hình. Các giá trị khởi đầu có thể được chọn bởi người nghiên cứu từ thông tin ban đầu, bởi các chương trình máy tính được sử dụng để xây dựng SEM, hay từ phân tích hồi quy đa biến. Mục tiêu của ước lượng là để sinh ra một S(q) hội tụ trên ma trận hiệp tương quan tổng thể quan sát được, S, với ma trậnphần dư (residual matrix) (khác biệt giữa S(q) và S) trở nên tối thiểu. Nhiều phương pháp có thể được sử dụng để sinh ra S(q). Việc chọn các phương pháp được hướng dẫn bằng đặc tính của data bao gồm kích thước và phân phối mẫu. Hầu hết các tiến trình được sử dụng là lặp. Hình thức tổng quát của hàm tối thiểu là:
Q = (s - s(q))’W(s - s(q))
Trong đó:
s = vector bao gồm phương sai và hiệp phương sai của các biến quan sát được.
s(q) = vector bao gồm các phương sai corresponding và hiệp phương sai như được dự đoán bởi mô hình.
W = ma trận trọng số
(một vài tác giả xem Q như là F)
Ma trận trọng số, W, trong hàm trên, phù hợp với phương pháp ước lượng được chọn. W được chọn để tối thiểu Q, và Q(N-1) cho việc thích hợp hàm, trong hầu hết các trường hợp một thống kê phân phối X2. Kết quả thực hiện của X2 bị ảnh hưởng bởi kích thước mẫu, sai số phân phối, nhân tố phân phối, và giả thiết rằng các nhân tố và sai số là độc lập (Ullman 1996). Một vài phương pháp ước luợng được sử dụng thông dụng nhất là:
Generalized Least squares (GLS)
FGLS = ½ tr[([S - S(q)]W-1)2]
Trong đó:
tr = toán tử theo dõi (trace operator), cộng các yếu tố trên đường chéo chính của ma trận
W-1 = ma trận trọng số tối ưu, phải được chọn bởi nhà nghiên cứu (chọn lựa thông thường nhất là S-1)
Maximum Likelihood (ML)
FML = log|S| - log|S| + tr(SS-1) - p
Trong trường hợp này, W = S-1và p = số lượng biến được đo lường Asymptotically Distribution Free (ADF) Estimator (Hàm ước lượng tự do phân phối tiệm cận)
FADF = [S - s(q)]’W-1[S - s(q)]
W, trong hàm này, bao gồm các yếu tố xem xét trong kurtosis.
Ullman (1996) và Hoyle (1995) thảo luận về các thuận lợi và giới hạn của các hàm ước lượng trên đây.
ML và GLS hữu ích cho dữ liệu phân phối chuẩn khi các nhân tố và sai số là độc lập, ADF hữu ích cho các dữ liệu không phân phối chuẩn, nhưng chỉ có giá trị khi kích thước mẫu lớn hơn 2.500. Ullman chỉ ra hàm ước lượng tốt nhất cho dữ liệu không phân phối chuẩn và/hoặc phụ thuộc giữa các nhân tố và sai số là Scaled ML. Bất kể hàm nào được chọn, kết quả mong đợi của tiến trình ước lượng là đạt được một hàm thích hợp gần đến 0. Một hàm thích hợp với số điểm là 0 chỉ ra rằng ma trận hiệp phương sai được ước lượng của mô hình và ma trận hiệp phương sai mẫu nguyên thủy là tương đương.

Đánh giá độ thích hợp của mô hình (Assesing Fit of the Model)
Như đã phân tích, giá trị hàm thích hợp gần đến 0 được mong đợi cho độ thích hợp mô hình. Tuy nhiên, nói chung, nếu tỷ số giữa X2và bậc tự do nhỏ hơn 3, mô hình là thích hợp tốt (Ullman 1996).
Để có độ tin cậy trong kiểm định độ thích hợp mô hình, kích thước mẫu từ 100 đến 200 được yêu cầu (Hoyle 1995).
Ullman (1996) thảo luận sự đa dạng của các hàm thích hợp phân phối không-X2, mà ông ta gọi là “các chỉ số thích hợp so sánh (comparative fit indices.)” Hoyle (1995) đề cập đến điều này như “các chỉ số thích hợp phụ thuộc (adjunct fit indices).” Một cách căn bản, những phương pháp này so sánh độ thích hợp của một mô hình độc lập (một mô hình khẳng định không có quan hệ giữa các biến) để thích hợp mô hình được ước lượng. Kết quả của việc so sánh này thì thường là một số giữa 0 và 1, với 0.90 hoặc lớn hơn được chấp nhận như là các giá trị chỉ ra độ thích hợp. Cả Hoyle và Ullman đề nghị sử dụng nhiều chỉ số khi xác định các độ thích hợp mô hình.

Hiệu chỉnh mô hình (Model Modification)
Nếu ma trận phương sai/hiệp phương sai được ước lượng bằng mô hình không mô phỏng một cách thích hợp ma trận phương sai/hiệp phương sai mẫu, các giả thuyết có thể được hiệu chỉnh và mô hình được kiểm định lại. Để điều chỉnh 1 mô hình, các đường dẫn mới được vẽ thêm hay các đường dẫn cũ được bỏ đi. Nói cách khác, các tham số được thay đổi từ cố định tới tự do hoặc từ tự do đến cố định. Điều quan trọng để nhớ là khi trong các thủ tục thống kê khác, là việc hiệu chỉnh mô hình sau việc kiểm định lần đầu làm gia tăng cơ hội của vấp phải sai lầm loại I.
Các thủ tục thông thường được sử dụng cho việc hiệu chỉnh mô hình là Lagrange Multiplier Index (LM) và Kiểm định Wald. Cả hai loại kiểm định này báo cáo các thay đổi trong giá trị X2 khi các đường dẫn được điều chỉnh.
LM yêu cầu dù có hay không việc gia tăng các tham số tự do gia tăng sự thích hợp của mô hình. Kiểm định Wald yêu cầu có hay không việc xóa bỏ các tham số tự do gia tăng sự thích hợp mô hình.
Để điều chỉnh tỷ lệ sai lầm loại 1 gia tăng, Ullman (1996) yêu cầu sử dụng một giá trị xác suất thấp (p<0.01) khi tăng thêm hay bỏ các tham số. Ullman cũng yêu cầu so sánh giá trị chéo (cross-validation) với các mẫu khác. Vì trật tự của các tham số tự do có thể ảnh hưởng đến việc lựa chọn của các tham số khác, LM nên được áp dụng trước kiểm định Wald (nghĩa là, cộng thêm vào tất cả các tham số trước khi bắt đầu xóa chúng) (MacCullum 1986, đã trích dẫn của Ullman 1996).

Trình bày mô hình cuối cùng (Final Presentation of Model)
Khi mô hình đã đạt được độ thích hợp chấp nhận được, các ước lượng riêng biệt về các tham số tự do được đánh giá. Các tham số tự do được so sánh với giá trị rỗng (null value), sử dụng thống kê phân phối z. Thống kê z đạt được bằng cách chia tham số ước lượng cho sai số chuẩn của ước lượng đó. Tỷ lệ của kiểm định này phải vượt +/-1.96 để quan hệ trở nên có ý nghĩa. Sau khi các quan hệ riêng biệt trong mô hình được đánh giá, các ước lượng tham số được chuẩn hóa cho việc trình bày mô hình cuố cùng. Khi các ước lượng tham số được chuẩn hóa, chúng có thể được giải thích tham chiếu với các tham số khác trong mô hình và cường độ của đường xu hướng có liên quan trong mô hình có thể được so sánh.


Theo http://www.mba-15.com (http://www.mba-15.com/)

[Cá Heo]

Mình có cảm giác, có một số bạn nghĩ rằng khi làm luận văn muốn đạt điểm cao thì chọn công cụ càng cao, ví dụ, cùng đề tài , nếu một người làm SPSS sẽ được 9 điểm, còn người làm Amos sẽ được 10 điểm

Mình không nghĩ vậy, nhưng chưa đủ lập luận để bác bỏ giả thiết này, có ai giúp đỡ mình không, tại sao người ta có khuynh hướng chọn Amos hơn SPSS.

Và mình xin đính chính lại thông tin của 01 ai đó trên Forum nói rằng Các bạn nghĩ sao khi hầu hết học viên MBA của Trường ĐH Bách Khoa đều sử dụng công cụ này để phân tích. Trong khi chúng ta...không biết gì hết.Thật ra toàn khóa MBA của Bách khoa chắc chỉ khoảng 01 hoặc 02 lớp và trong số đó chỉ có khoảng vài người đếm trên đầu ngón tay là sử dụng AMOS, còn đa số họ vẫn sài SPSS

[friends]

Bạn đọc Forum thân mến,

Mình cũng là một người đam mê và theo dõi thường xuyên việc sử dụng các công cụ nghiên cứu định lượng của các tác giả ở Việt Nam, đặc biệt là ở phía Nam!


Có nhiều học viên của trường ĐH Kinh Tế TPHCM sử dụng tốt công cụ SEM với AMOS trong luận văn (mà mình biết họ tự học là chính, dĩ nhiên là khi vướng mắc thì hỏi thầy cô hướng dẫn) - thường do thầy Nguyễn Đình Thọ, cô Trần Thị Kim Dung hướng dẫn (một số bài đã được đăng trên tạp chí Phát triển kinh tế). Có nhiều học viên của trường ĐH Kinh tế TPHCM thực hiện những đề tài rất tốt và theo mình là mới nhất ở VN và có đóng góp phần nào vào sự phát triển trong khoa học của thế giới (với người khác nếu không có chuyên môn về kinh tế lượng và thống kê có thể có những nhận định khác, tất nhiên không có đề tài nào hoàn hảo 100% được cả): ví dụ như đề tài "nghiên cứu một số yếu tố chính tác động đến hiệu quả kinh doanh đại lý vật liệu xây dựng" của Võ Đức Thọ - Học viên Khoa QTKD (sử dụng hồi quy bội với SPSS), hay "Ảnh hưởng của Vốn Xã hội đến sự cải tiến - trường hợp ngành dệt may Việt Nam" của Huỳnh Thanh Điền - Học viên khoa KTPT (sử dụng mô hình Logit, hồi quy bội với Eviews và SPSS...), hay đề tài về các yếu tố tác động đến nghèo ở Vùng ven Biển ĐB SCL của Trương Thanh Vũ - học viên khoa KTPT (sử dụng mô hình Logit với STATA) ...chưa kể hàng loạt các luận văn của chương trình cao học VN-Hà Lan, CFVG và những đề tài tốt mà mình chưa được đọc. Những đề tài khó và mới này cần được khuyến khích.

- Học viên cao học của khoa QLCN - ĐH Bách Khoa có tinh thần làm việc rất nghiêm túc, dám tấn công vào những lĩnh vực mới, họ cũng không ngại tiếp cận các công cụ định lượng dù nó khó đến đâu bởi đó là thế mạnh của khối kỹ thuật (nhiều học viên cao học QTKD ở đây đã có bằng kỹ sư). Mỗi khóa có khoảng 2-4 bạn sử dụng AMOS và chủ yếu các bạn tự học và khi thắc mắc thì hỏi thêm quý thầy bên đó (thầy Hậu, thầy Huy, thầy Thi, thầy Nguyên Hùng...). Và học viên của trường ĐH Kinh tế TPHCM cũng thế, không hề thua kém gì. Mình tin tưởng trong các đề tài tốt, các đề tài của học viên ĐH Kinh tế rất đa dạng và ít lặp lại những gì thầy cô đã làm. Mình được biết, rất nhiều thầy cô ở Trường Kinh tế là những người xuất sắc về các công cụ định lượng cũng như lĩnh vực chuyên môn trong khu vực và quốc tế và luôn nhiệt tình, tận tuỵ với học viên (ví dụ thầy Thọ, cô Dung, thầy Hoài, thầy Bảo, thầy Hoàng Trọng, thầy Đinh Thái Hoàng, thầy Quang Trung... và rất nhiều GV trẻ khác nữa), vấn đề là ở chỗ học viên có chịu khó bỏ thời gian ra một chút hay không thôi. Cách đây khoảng 3 năm, khi AMOS rất hiếm trên thị trường, tài liệu về SEM cũng thế, mình đã gọi điện xin mượn tài liệu của 2 thầy cô giáo ở khoa QTKD của trường (mà mình chưa quen), quý thầy cô đã đem tài liệu, đĩa CD đến tận nơi và tặng luôn! sau đó, thầy cô luôn động viên mình trong quá trình tìm hiểu.


- Lựa chọn công cụ phân tích nào là tuỳ vào mục tiêu nghiên cứu. Có những đề tài được đăng trên các tạp chí quốc tế chỉ sử dụng nghiên cứu định tính, hay chỉ sử dụng định lượng, hay cả hai.

-AMOS sẽ tốt khi kiểm định các mô hình đo lường với CFA, hay mô hình cấu trúc tuyến tính (SEM). nếu để đạt được mục tiêu nghiên cứu mà chỉ cần sử dụng hồi quy, mô hình logit, phân tích nhân tố ... thì sử dụng SPSS là được. Và có những cái, khi có quan hệ phi tuyến, nhiều biến kiểm soát (là các biến giả) có khả năng đồng thời ảnh hưởng lớn đến mô hình thì chưa chắc những gì SEM với AMOS giải quyết hiệu quả. Hay khi sử dụng dữ liệu VHLSS để phục vụ làm các đề tài thì STATA sẽ thuận tiện hơn.Nếu đề tài của bạn dạng dự báo chuỗi thời gian, phân tích kinh tế lượng dựa trên dữ liệu chuỗi thời gian ...thì Eviews sẽ rất mạnh trong việc này. Đề tài chỉ cần tính toán các chỉ tiêu tổng hợp, hay phân tích Input-Output (kích cỡ không quá lớn) thì có lẽ chỉ cần Excel! Có những đề tài nghiên cứu ứng dụng dưới góc độ quản trị vận hành, hay chiến lược rất tốt và hữu ích cho doanh nghiệp nhưng chỉ sử dụng excel để tính toán.

- Có rất nhiều bạn nỗ lực sử dụng công cụ nhưng không nắm vững thì khi bảo vệ càng tồi tệ hơn (mà người ta thường nói là nó như con dao 2 lưỡi!)

-Điều quan trọng không phải là công cụ cao cấp hay đơn giản, mà là sử dụng công cụ gì để đạt được mục tiêu nghiên cứu, đề tài có dựa trên nền tảng lý thuyết vững và cập nhật hay không, có thiết kế nghiên cứu tốt không, ... và đề tài có đưa ra được những kết luận hợp lý, hay những gợi ý chính sách thuyết phục và cần thiết hay không...

- một thầy giáo đã nói với mình rằng: bạn nên có những hiểu biết căn bản về các công cụ để từ đó chọn lựa cho phù hợp, chứ không phải là vì không biết nên không sử dụng. Hay vì ngại khó mà không dám tiến công.

Thân chúc bạn đọc thành công trong đề tài của mình!