Biến công cụ là gì? Cách dùng và đọc kết quả trong SPSS
Biến công cụ là gì
Biến công cụ, tiếng Anh là instrumental variable và thường viết tắt là IV, là một biến được dùng để xử lý vấn đề nội sinh trong mô hình hồi quy. Bạn cần đến biến công cụ khi một biến độc lập có thể liên quan đến sai số của mô hình, khiến hệ số hồi quy OLS bị chệch hoặc không còn đáng tin cậy.
Ví dụ, bạn muốn đo tác động của số giờ học thêm đến điểm thi. Những sinh viên có động lực học tập cao thường vừa học thêm nhiều vừa tự học nhiều hơn. Động lực học tập có thể không được đo đầy đủ trong bảng hỏi, nên nó nằm trong phần sai số. Khi đó, số giờ học thêm có thể tương quan với sai số. Đây là một tình huống nội sinh.
Một biến công cụ tốt, ký hiệu là Z, cần thỏa hai điều kiện chính. Thứ nhất, Z phải liên quan đến biến độc lập nội sinh X. Thứ hai, Z không được tác động trực tiếp đến biến phụ thuộc Y và không được tương quan với sai số của phương trình Y. Có thể mô tả mô hình như sau:
- Phương trình cấu trúc:
Y = β0 + β1X + β2W + u - Phương trình biến nội sinh:
X = π0 + π1Z + π2W + v
Trong đó, Y là biến phụ thuộc, X là biến độc lập bị nghi ngờ nội sinh, Z là biến công cụ, W là các biến kiểm soát, còn u và v là sai số. Hồi quy biến công cụ thường được thực hiện bằng phương pháp Two-Stage Least Squares, viết tắt là 2SLS.
Bạn có thể xem biến công cụ như một nguồn biến thiên của X đến từ bên ngoài phần sai số của phương trình chính. Tuy nhiên, việc có một biến tương quan với X chưa đủ để gọi đó là biến công cụ. Điều kiện loại trừ, tức Z không tác động trực tiếp đến Y, phải được giải thích bằng lý thuyết và bối cảnh nghiên cứu.
Ý nghĩa của biến công cụ trong nghiên cứu định lượng
Mục tiêu của biến công cụ là giúp bạn ước lượng tác động của X lên Y trong trường hợp OLS không còn phù hợp vì nội sinh. Nội sinh có thể xuất hiện do biến bị bỏ sót, quan hệ nhân quả ngược hoặc sai số đo lường. Chẳng hạn, thu nhập có thể ảnh hưởng đến trình độ học vấn, nhưng trình độ học vấn cũng có thể ảnh hưởng đến thu nhập. Nếu mô hình không xử lý chiều nhân quả và biến bị bỏ sót, hệ số OLS có thể bị sai lệch.
Trong nghiên cứu định lượng, bạn không nên thêm biến công cụ chỉ vì hồi quy OLS cho kết quả p-value lớn hoặc vì muốn làm cho giả thuyết có ý nghĩa thống kê. IV là giải pháp cho một vấn đề nhận dạng cụ thể, không phải thủ thuật để cải thiện kết quả. Trước khi mở SPSS, bạn cần viết rõ ba mối quan hệ:
- Vì sao X có khả năng nội sinh.
- Vì sao Z liên quan đến X.
- Vì sao Z không tác động trực tiếp đến Y ngoài kênh thông qua X.
Nếu đề tài của bạn có dữ liệu chuỗi thời gian hoặc dữ liệu bảng, biến công cụ có thể xuất hiện cùng các kỹ thuật như hồi quy GMM. Bạn có thể đọc thêm về hồi quy GMM là gì để phân biệt bối cảnh sử dụng. Với dữ liệu có kiểm định tính dừng, kiểm định ADF là gì cũng là một chủ đề liên quan, nhưng ADF không tự động tạo ra biến công cụ.
Một điểm cần nhớ là hồi quy IV thường ước lượng tác động của X đối với nhóm quan sát chịu ảnh hưởng bởi biến công cụ. Vì vậy, cách diễn giải hệ số IV có thể khác với hệ số OLS. Bạn cần trình bày rõ phương pháp, biến công cụ, lý do chọn biến và các kiểm tra đi kèm trong chương phương pháp.
Biến công cụ bao nhiêu là đạt
Câu hỏi “biến công cụ bao nhiêu là tốt” không có một câu trả lời chỉ dựa trên một con số. Không có ngưỡng chung cho giá trị trung bình, độ lệch chuẩn hay hệ số tương quan giữa Z và X để kết luận một biến công cụ hợp lệ. Tính phù hợp của Z phụ thuộc vào lý thuyết, thiết kế dữ liệu và các kiểm tra trong mô hình.
Bạn có thể dùng bảng dưới đây để kiểm tra các điều kiện nền trước khi diễn giải hồi quy. Các ngưỡng trong bảng không thay thế cho lập luận về điều kiện loại trừ. Chúng chỉ giúp bạn tránh kết luận từ một output riêng lẻ.
| Nội dung kiểm tra | Mốc tham khảo | Nguồn | Cách hiểu khi đọc kết quả |
|---|---|---|---|
| Cỡ mẫu cho hồi quy với m biến giải thích | n từ 50 + 8m trở lên | (Tabachnick và Fidell, 2013) | Kiểm tra mức độ đủ dữ liệu trước khi ước lượng mô hình |
| Durbin-Watson trong kiểm tra phần dư | Từ 1 đến 3 | (Field, 2013) | Là mốc kiểm tra tự tương quan phần dư trong hồi quy thông thường, không phải kiểm định IV đầy đủ |
| Cronbach's Alpha nếu biến được đo bằng thang đo mới | Từ 0.6 trở lên trong nghiên cứu khám phá | (Hair và cộng sự, 2010) | Chỉ áp dụng cho độ tin cậy thang đo, không đánh giá tính hợp lệ của Z |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) | Dùng khi biến công cụ được xây dựng từ nhiều biến quan sát |
| Harman single factor | Nhân tố đơn không chiếm quá 50% phương sai | (Podsakoff và cộng sự, 2003) | Một kiểm tra hạn chế về common method bias, không chứng minh Z là công cụ hợp lệ |
Trong hồi quy IV, bạn cần tách hai vấn đề. Instrument relevance là mức độ liên quan giữa Z và X. Instrument exogeneity là việc Z không liên quan đến sai số của phương trình cấu trúc. Dữ liệu thường hỗ trợ bạn đánh giá phần đầu tốt hơn phần sau. Phần ngoại sinh thường cần lập luận lý thuyết, thiết kế nghiên cứu và kiểm định phù hợp với mô hình.
Nếu bạn chỉ có một biến công cụ, tương quan cao giữa Z và X vẫn chưa đủ. Một biến Z có thể dự đoán X rất tốt nhưng đồng thời tác động trực tiếp đến Y. Khi đó, biến công cụ vi phạm điều kiện loại trừ. Ngược lại, một biến công cụ có vẻ hợp lý trên lý thuyết nhưng liên hệ quá yếu với X có thể làm ước lượng IV kém ổn định.
Cách đọc biến công cụ trên output
Xác định đúng biến trong file dữ liệu
Trong SPSS, bạn cần kiểm tra tên biến, kiểu đo lường và cách mã hóa trước khi chạy. Ví dụ, Y là ý định mua, X là mức độ cảm nhận hữu ích, Z là khoảng cách đến điểm cung cấp dịch vụ, còn AGE và INCOME là biến kiểm soát. Nếu Z là biến phân loại, bạn phải mã hóa đúng và tạo biến giả khi cần.
Bạn cũng nên kiểm tra missing value, giá trị bất thường và số quan sát thực sự được đưa vào mô hình. Một biến công cụ được nhập sai mã hoặc bị thiếu hàng loạt có thể làm kết quả thay đổi mà bạn không nhận ra.
Chạy mô hình hai giai đoạn
SPSS không cung cấp một hộp thoại 2SLS giống một số phần mềm kinh tế lượng chuyên dụng trong mọi phiên bản. Cách dễ theo dõi là chạy hai bước bằng hồi quy tuyến tính và lưu giá trị dự đoán.
Ở bước đầu, vào Analyze > Regression > Linear. Đặt biến nội sinh X vào ô Dependent, đưa Z và các biến kiểm soát W vào ô Independent(s). Trong Statistics, chọn Estimates, Model fit và Collinearity diagnostics. Ở Save, chọn Unstandardized trong nhóm Predicted Values để lưu giá trị dự đoán của X.
Sau đó, ở bước hai, chạy lại Analyze > Regression > Linear. Đặt Y làm Dependent, đưa giá trị dự đoán của X cùng W vào Independent(s). Cách làm này giúp bạn hình dung logic hai giai đoạn, nhưng khi viết luận văn cần ghi rõ phần mềm, phương pháp và cách tính. Nếu mô hình có nhiều nội sinh, sai số chuẩn cần được xử lý cẩn thận hơn, vì hồi quy hai lần theo cách thủ công có thể không cho sai số chuẩn IV đúng.
Đọc bảng Coefficients và Model Summary
Bảng Model Summary cho biết R, R Square và các chỉ số mô hình trong hồi quy bước hai. Bảng Coefficients thường có các cột Unstandardized B, Std. Error, Standardized Beta, t và Sig.. Với IV, bạn tập trung vào hệ số của giá trị dự đoán X, dấu của hệ số, độ lớn, sai số chuẩn và p-value.
Một hệ số có Sig. nhỏ hơn mức ý nghĩa bạn đã chọn chỉ cho biết mối liên hệ trong mô hình ước lượng có bằng chứng thống kê. Nó không tự chứng minh biến công cụ hợp lệ. Bạn vẫn phải trình bày vì sao Z liên quan đến X và vì sao Z không tác động trực tiếp đến Y.
Bảng số liệu minh họa
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng quen thuộc của output SPSS để bạn đối chiếu với file đang mở.
| Bảng output | Biến | Unstandardized B | Std. Error | Standardized Beta | t | Sig. |
|---|---|---|---|---|---|---|
| Coefficients, giai đoạn 1 | Z khoảng cách | -0.284 | 0.071 | -0.312 | -4.00 | 0.000 |
| Coefficients, giai đoạn 1 | AGE | 0.018 | 0.009 | 0.142 | 2.00 | 0.047 |
| Coefficients, giai đoạn 2 | X dự đoán | 0.526 | 0.214 | 0.238 | 2.46 | 0.015 |
| Coefficients, giai đoạn 2 | AGE | 0.011 | 0.006 | 0.104 | 1.83 | 0.069 |
| Coefficients, giai đoạn 2 | INCOME | 0.073 | 0.029 | 0.151 | 2.52 | 0.013 |
Trong ví dụ này, Z có hệ số khác không ở giai đoạn 1, cho thấy Z có liên hệ với X trong bộ số liệu minh họa. Ở giai đoạn hai, hệ số của X dự đoán là 0.526. Bạn chỉ được diễn giải rằng X có liên hệ dương với Y trong mô hình IV minh họa khi các điều kiện mô hình và cách tính sai số đã được kiểm tra. Không được lấy các con số trên để điền vào chương 4 của bạn.
Khi biến công cụ không đạt thì xử lý thế nào
Kiểm tra lại lý thuyết trước khi sửa dữ liệu
Nếu Z không liên quan đến X, hãy quay lại lập luận nghiên cứu. Có thể biến được chọn chỉ có vẻ hợp lý về mặt trực giác nhưng không tạo ra biến thiên thực sự trong X. Bạn nên trao đổi với giảng viên về việc thay biến công cụ hoặc điều chỉnh mô hình, thay vì xóa các dòng dữ liệu để làm hệ số đẹp hơn.
Kiểm tra cách mã hóa và phạm vi biến
Mở Variable View và kiểm tra Values, Missing, Measure cùng nhãn biến. Nếu Z là khoảng cách nhưng bạn nhập theo nhóm mã 1, 2, 3, việc diễn giải hệ số có thể sai. Kiểm tra thêm bảng Descriptive Statistics và số quan sát hợp lệ của từng biến.
So sánh với OLS nhưng không chọn mô hình theo p-value
Bạn có thể trình bày OLS và IV cạnh nhau để thấy hệ số thay đổi như thế nào. Sự khác nhau giữa hai kết quả là thông tin cần giải thích, không phải lý do tự động chọn kết quả có p-value nhỏ hơn. Nếu không có lập luận nội sinh thuyết phục, OLS có thể là mô hình phù hợp hơn và IV chỉ làm tăng độ phức tạp.
Dùng phần mềm phù hợp khi mô hình vượt quá khả năng SPSS
SPSS thuận tiện cho hồi quy tuyến tính và kiểm tra dữ liệu bảng hỏi. Với IV nhiều phương trình, dữ liệu bảng hoặc cần kiểm định chuyên sâu, R, Stata hoặc Python có thể minh bạch hơn, nhưng bạn phải học thêm cú pháp và cách báo cáo. SmartPLS phù hợp với PLS-SEM, không phải lựa chọn mặc định cho mọi mô hình biến công cụ. Nếu bạn đang phân tích quan hệ động giữa các biến, độ trễ tối ưu là gì có thể giúp bạn hiểu thêm về việc chọn độ trễ trong mô hình chuỗi thời gian.
Phân biệt biến công cụ với biến kiểm soát
Biến kiểm soát W được đưa vào mô hình để giữ cố định ảnh hưởng của các yếu tố có liên quan đến Y. Ví dụ, tuổi và thu nhập có thể là biến kiểm soát khi nghiên cứu ý định mua. Biến công cụ Z lại được dùng để tạo ra phần biến thiên phù hợp của X trong bối cảnh X bị nội sinh.
Biến trung gian trả lời câu hỏi “X tác động đến Y thông qua cơ chế nào”. Biến điều tiết trả lời câu hỏi “mối quan hệ X và Y thay đổi theo điều kiện nào”. Biến công cụ trả lời câu hỏi “có thể dùng nguồn biến thiên nào của X để ước lượng tác động khi X bị nội sinh”. Ba khái niệm này có thể cùng xuất hiện trong một đề tài nhưng không thay thế cho nhau.
Bạn cũng không nên nhầm biến công cụ với biến trễ. Một giá trị trễ của X có thể được dùng trong một số mô hình động, nhưng nó chỉ là biến công cụ nếu thỏa điều kiện của chiến lược IV. Tương tự, tương quan giữa hai biến không làm cho một biến trở thành công cụ. Nếu bạn đang đọc các khái niệm kinh tế lượng liên quan, đồng liên kết là gì và nhân quả Granger là gì là hai chủ đề khác về quan hệ giữa các biến, không phải tên gọi khác của IV.
Lỗi thường gặp
Lỗi đầu tiên là chọn biến công cụ vì biến đó có tương quan cao với biến độc lập. Tương quan chỉ hỗ trợ điều kiện liên quan, chưa giải quyết điều kiện ngoại sinh. Trong phần phương pháp, bạn cần giải thích đường tác động và lý do Z không tác động trực tiếp đến Y.
Lỗi thứ hai là gọi mọi biến đưa vào giai đoạn một là biến công cụ. Các biến kiểm soát W có thể xuất hiện ở cả hai phương trình, nhưng chúng không tự động là IV. Hãy ghi rõ vai trò của từng biến trong bảng mô tả mô hình.
Lỗi thứ ba là dùng số liệu minh họa hoặc output của một bài khác để viết kết quả. Bạn chỉ được dùng số liệu trong file .sav hoặc .csv của mình. Nếu chạy lại mô hình sau khi làm sạch dữ liệu, hãy lưu từng phiên bản syntax hoặc output để giải thích sự thay đổi.
Lỗi thứ tư là trình bày hệ số IV như bằng chứng nhân quả tuyệt đối. Kết luận nhân quả phụ thuộc vào giả định nhận dạng, chất lượng đo lường, thiết kế dữ liệu và các kiểm tra đi kèm. Một bảng Coefficients đẹp không thể thay thế cho phần giải thích giả định.
Câu hỏi thường gặp
Biến công cụ có bắt buộc phải có trong mọi hồi quy không?
Không. Bạn chỉ cần biến công cụ khi có lý do cho rằng một hoặc nhiều biến giải thích bị nội sinh. Nếu mô hình không có vấn đề này, hồi quy OLS có thể dễ giải thích và dễ bảo vệ hơn. Thêm IV khi chưa có chiến lược nhận dạng rõ ràng thường làm luận văn khó thuyết phục.
Biến công cụ bao nhiêu là tốt?
Không có một con số duy nhất trả lời câu hỏi này. Một biến công cụ tốt cần liên quan đến biến nội sinh, đồng thời thỏa điều kiện ngoại sinh và điều kiện loại trừ dựa trên lý thuyết. Bạn nên báo cáo cách chọn Z, kết quả giai đoạn đầu và giới hạn của giả định.
Có thể chạy biến công cụ trong SPSS không?
Bạn có thể dùng SPSS để kiểm tra dữ liệu và minh họa logic hai giai đoạn bằng Analyze > Regression > Linear. Tuy nhiên, cách chạy thủ công bằng giá trị dự đoán có thể không xử lý đúng sai số chuẩn IV trong mọi mô hình. Khi đề tài yêu cầu 2SLS đầy đủ, hãy xác nhận quy trình với giảng viên và cân nhắc phần mềm chuyên dụng.
Nếu biến công cụ không có ý nghĩa thống kê thì phải làm sao?
Trước hết, kiểm tra mã hóa, missing value, phạm vi biến và số quan sát. Sau đó xem lại lý thuyết chọn Z. Bạn không nên loại dữ liệu hoặc đổi biến chỉ để tạo p-value nhỏ. Nếu công cụ yếu hoặc không có cơ sở ngoại sinh, hãy báo cáo hạn chế và xem xét mô hình thay thế có lập luận rõ hơn.
Biến công cụ có phải là biến độc lập không?
Z không phải là biến độc lập chính trong phương trình kết quả theo cách diễn giải thông thường. Nó được đưa vào phương trình của X để tạo ra phần biến thiên dùng cho việc ước lượng X. Vì vậy, bạn cần phân biệt vai trò của Z, X, Y và các biến kiểm soát trong sơ đồ mô hình.
Mở lại file SPSS của bạn, lập một bảng gồm Y, X, Z và W, rồi viết riêng hai lý do cho tính liên quan và điều kiện loại trừ của Z trước khi chạy lại mô hình. Nếu cần chạy phân tích trên chính file .sav hoặc .csv và kiểm tra từng bước, bạn có thể dùng M4 phân tích dữ liệu của DoThesis để xử lý phần này.