Biến điều tiết trong SmartPLS: Cách chạy và đọc kết quả
Biến điều tiết trong SmartPLS dùng để làm gì
Biến điều tiết, tiếng Anh là moderator, là biến làm thay đổi mức độ hoặc chiều tác động của biến độc lập lên biến phụ thuộc. Câu hỏi bạn đang kiểm định có dạng: tác động của X lên Y có mạnh hơn, yếu hơn hoặc thay đổi chiều khi W thay đổi hay không.
Ví dụ, X là chất lượng dịch vụ, Y là sự hài lòng và W là độ tuổi. Khi đó, bạn không chỉ hỏi chất lượng dịch vụ có ảnh hưởng đến sự hài lòng hay không. Bạn còn kiểm định liệu ảnh hưởng này có khác nhau giữa các nhóm độ tuổi hoặc theo mức độ độ tuổi tăng lên hay không.
Trong SmartPLS, tác động điều tiết thường được kiểm định bằng một biến tương tác. Mô hình khái quát là:
Y = β1X + β2W + β3(X × W) + ε
Trong đó, X là biến độc lập, W là biến điều tiết, X × W là interaction term, còn β3 là hệ số điều tiết cần quan tâm. Nếu β3 có ý nghĩa thống kê, quan hệ giữa X và Y phụ thuộc vào W. Một đường dẫn X → Y có p-value nhỏ nhưng interaction effect không có ý nghĩa thì chưa đủ để kết luận có biến điều tiết.
SmartPLS phù hợp khi mô hình của bạn dùng PLS-SEM, có biến tiềm ẩn đo bằng nhiều biến quan sát và cần đánh giá đồng thời mô hình đo lường cùng mô hình cấu trúc. Bạn có thể xem thêm chủ đề SmartPLS trước khi bắt đầu nếu chưa quen với quy trình PLS-SEM.
Chuẩn bị mô hình và dữ liệu
Phân biệt mô hình đo lường và mô hình cấu trúc
Mô hình đo lường cho biết các biến quan sát đo lường biến tiềm ẩn nào. Chẳng hạn, CL1, CL2 và CL3 đo chất lượng dịch vụ. Mô hình cấu trúc thể hiện các quan hệ giả thuyết giữa các biến tiềm ẩn, chẳng hạn chất lượng dịch vụ tác động đến sự hài lòng.
Với biến điều tiết, W có thể là biến tiềm ẩn như niềm tin hoặc nhận thức rủi ro. W cũng có thể là biến quan sát đơn như giới tính, độ tuổi hoặc kinh nghiệm sử dụng. Cách khai báo và diễn giải sẽ khác nhau, vì vậy bạn cần xác định bản chất của W trước khi mở SmartPLS.
Đặt tên indicator nhất quán
Mỗi biến quan sát cần nằm trên một cột riêng trong file dữ liệu. Hàng đầu tiên là tên indicator, các hàng sau là câu trả lời của từng người. Tên nên ngắn, không dấu, không có khoảng trắng, chẳng hạn CL1, CL2, NT1, HL1.
Không đặt hai indicator trùng tên. Không để ký tự đặc biệt trong tiêu đề cột. Nếu dùng thang Likert, dữ liệu thường được mã hóa bằng số theo cùng một chiều. Biến đảo chiều cần được xử lý trước khi nhập vào SmartPLS, nếu không outer loading và độ tin cậy có thể bị kéo xuống.
Kiểm tra file CSV
SmartPLS 4 có thể nhập dữ liệu từ .csv. Bạn nên lưu file với dấu phân cách phù hợp, thường là dấu phẩy hoặc dấu chấm phẩy tùy thiết lập Excel. Kiểm tra lại ba điểm trước khi import:
- Mỗi hàng là một đáp viên, mỗi cột là một biến.
- Không có dòng tổng, tiêu đề phụ hoặc ô gộp trong vùng dữ liệu.
- Dữ liệu thiếu, ký hiệu chữ và giá trị ngoài thang đo đã được rà soát.
Các biến phân loại như giới tính cần được mã hóa bằng số theo quy ước bạn ghi trong chương phương pháp. Nếu file có cột mã đáp viên, bạn có thể giữ lại để đối chiếu, nhưng không kéo cột đó vào mô hình như một indicator.
Nếu bạn mới làm quen với nền tảng này, bài Smart PLS và bài Partial Least Squares là gì sẽ giúp bạn phân biệt PLS-SEM với hồi quy chạy trực tiếp trên SPSS.
Các bước thực hiện biến điều tiết trong SmartPLS 4
Bước 1: Tạo project và import dữ liệu
Mở SmartPLS 4, chọn tạo project mới rồi import file .csv. Tạo model mới từ bộ dữ liệu vừa nhập. Kéo các indicator vào đúng construct, sau đó nối các indicator bằng cách đặt tên construct rõ ràng, chẳng hạn CHAT_LUONG, NIEM_TIN và HAI_LONG.
Với construct phản xạ, các mũi tên thường đi từ construct đến indicator. Kiểm tra lại hướng đo lường trước khi chạy PLS Algorithm. Sai hướng mũi tên có thể làm bạn đọc sai kết quả outer loading và reliability.
Bước 2: Vẽ các quan hệ chính trong mô hình
Vẽ đường dẫn từ X đến Y và từ W đến Y. Việc đưa W vào Y là cần thiết vì mô hình điều tiết thường chứa cả tác động chính của biến độc lập và biến điều tiết. Nếu chỉ tạo interaction mà bỏ đường dẫn W → Y, mô hình có thể bị đặc tả thiếu.
Ví dụ, mô hình gồm CHAT_LUONG, NIEM_TIN và HAI_LONG. Bạn vẽ CHAT_LUONG → HAI_LONG và NIEM_TIN → HAI_LONG. Sau đó, interaction giữa CHAT_LUONG và NIEM_TIN sẽ được tạo trong bước tiếp theo.
Bước 3: Tạo moderation effect
Trong SmartPLS 4, chọn công cụ tạo moderation effect trên thanh công cụ của model. Chọn biến độc lập X, biến điều tiết W và biến phụ thuộc Y. SmartPLS sẽ tạo một construct tương tác hoặc một đường dẫn tương tác tùy loại mô hình và giao diện phiên bản bạn đang dùng.
Bạn cần đọc kỹ tên đường dẫn sau khi tạo. Một tên như CHAT_LUONG * NIEM_TIN -> HAI_LONG cho biết đây là interaction effect, không phải tác động chính của CHAT_LUONG. Nếu có nhiều biến điều tiết, tạo từng interaction riêng và đặt tên để phân biệt.
SmartPLS 3 và SmartPLS 4 có thể bố trí công cụ khác nhau. Vì vậy, đừng cố tìm đúng vị trí nút theo một ảnh chụp cũ. Hãy tìm nhóm chức năng liên quan đến Create Moderation hoặc Moderation Effect trong model hiện tại, rồi kiểm tra lại cấu trúc đường dẫn trên canvas.
Bước 4: Chạy PLS Algorithm
Chọn Calculate > PLS-SEM Algorithm. Giữ thiết lập mặc định nếu bạn chưa có lý do phương pháp học để thay đổi. Chạy mô hình trước để kiểm tra outer loading, CR, AVE và các hệ số đường dẫn.
Ở bước này, bạn chưa dùng p-value để kết luận giả thuyết. PLS Algorithm cho bạn hệ số ước lượng và thông tin mô hình đo lường. Nếu indicator có loading rất thấp hoặc construct không đạt độ tin cậy, cần xử lý mô hình đo lường trước khi diễn giải biến điều tiết.
Bước 5: Chạy Bootstrapping
Chọn Calculate > Bootstrapping trong SmartPLS 4. Đặt số bootstrap subsamples theo thiết kế nghiên cứu. Quy trình PLS-SEM hiện hành thường dùng 5.000 bootstrap subsamples để ước lượng sai số và kiểm định đường dẫn (Hair và cộng sự, 2022).
Chọn kiểm định two-tailed nếu giả thuyết của bạn chỉ nói có tác động, chưa quy định chiều. Chọn one-tailed chỉ khi giả thuyết có hướng rõ ràng và bạn có cơ sở phương pháp phù hợp. Sau khi chạy, mở bảng Path Coefficients hoặc phần kết quả của interaction effect.
Bước 6: Kiểm tra simple slope khi interaction có ý nghĩa
Khi interaction effect có ý nghĩa, bạn cần giải thích W làm quan hệ X → Y thay đổi như thế nào. Trong SmartPLS, xem phần biểu đồ moderation hoặc simple slope nếu phiên bản và thiết lập phân tích cung cấp chức năng này.
Nếu chưa có biểu đồ tự động, bạn có thể trình bày quan hệ ở mức W thấp, trung bình và cao theo cách phần mềm hỗ trợ. Không nên chỉ viết “có điều tiết” mà bỏ qua chiều tác động. β3 dương thường cho thấy W làm quan hệ X → Y mạnh hơn, còn β3 âm thường cho thấy W làm quan hệ đó yếu hơn, nhưng kết luận cuối cùng cần dựa trên cách mã hóa và biểu đồ của mô hình.
Đọc bảng kết quả biến điều tiết
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo nhóm kết quả thường gặp trong SmartPLS. Khi đọc file của bạn, hãy ưu tiên đúng dòng interaction effect và đối chiếu với thiết lập bootstrap.
| Quan hệ | Original sample (O) | Sample mean (M) | Standard deviation (STDEV) | T statistics | P values | Diễn giải minh họa |
|---|---|---|---|---|---|---|
| CHAT_LUONG → HAI_LONG | 0.412 | 0.414 | 0.071 | 5.803 | 0.000 | Tác động chính dương, có ý nghĩa |
| NIEM_TIN → HAI_LONG | 0.238 | 0.240 | 0.068 | 3.500 | 0.001 | Tác động chính dương, có ý nghĩa |
| CHAT_LUONG * NIEM_TIN → HAI_LONG | 0.146 | 0.149 | 0.062 | 2.355 | 0.019 | Interaction effect dương, có ý nghĩa |
Dòng CHAT_LUONG * NIEM_TIN → HAI_LONG là dòng quyết định cho kiểm định điều tiết. Trong ví dụ minh họa, P values bằng 0.019 cho thấy interaction effect có ý nghĩa ở mức 5% nếu nghiên cứu sử dụng ngưỡng này. Hệ số 0.146 mang dấu dương, nên có cơ sở để diễn giải rằng niềm tin làm tăng cường quan hệ giữa chất lượng dịch vụ và sự hài lòng.
Bạn cũng cần xem khoảng tin cậy bootstrap. Nếu khoảng tin cậy của interaction effect không chứa 0, kết luận về tác động điều tiết có thêm bằng chứng hỗ trợ (Preacher và Hayes, 2008). Không lấy p-value của dòng CHAT_LUONG → HAI_LONG để thay cho p-value của interaction effect.
Sau đó, kiểm tra R Square của biến phụ thuộc. Khi thêm interaction effect, R² có thể tăng so với mô hình chỉ có tác động chính. Bạn có thể xem thêm bài SEM là gì để hiểu vị trí của mô hình cấu trúc trong toàn bộ quy trình SEM.
Ngưỡng đánh giá trong SmartPLS
Các ngưỡng dưới đây chỉ dùng trong đúng bối cảnh PLS-SEM. CFI, TLI và RMSEA thuộc nhóm chỉ số fit thường dùng cho CB-SEM, vì vậy không đưa chúng vào bảng đánh giá SmartPLS của bài này.
| Chỉ số hoặc quyết định | Mức tham khảo | Nguồn |
|---|---|---|
| Outer loading | Từ 0.7 trở lên | (Chin, 1998) |
| Composite Reliability | Từ 0.7 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| R² | 0.25 yếu, 0.50 trung bình, 0.75 đáng kể | (Hair và cộng sự, 2011) |
| f² | 0.02 nhỏ, 0.15 trung bình, 0.35 lớn | (Cohen, 1988) |
| Q² | Lớn hơn 0 | (Stone, 1974) |
| Bootstrap subsamples | 5.000 | (Hair và cộng sự, 2022) |
Với biến điều tiết, không có một con số cố định để nói “biến điều tiết bao nhiêu là tốt”. Bạn đánh giá dấu của interaction coefficient, ý nghĩa thống kê, khoảng tin cậy, f² của interaction nếu có và cách thay đổi của simple slope. Một hệ số lớn chưa chắc có ý nghĩa, còn một hệ số nhỏ vẫn có thể có ý nghĩa trong bối cảnh nghiên cứu cụ thể.
Bạn cũng nên đánh giá tác động của interaction trong cùng mô hình với các tác động chính. Việc loại bỏ X → Y hoặc W → Y chỉ để làm interaction đạt p-value là cách đặc tả khó giải trình. Nếu loại indicator, bạn phải ghi lại lý do dựa trên loading, nội dung thang đo và ảnh hưởng đến giá trị hội tụ, không chỉ dựa vào mong muốn làm đẹp bảng kết quả.
Cách trình bày trong chương 4
Hãy trình bày theo thứ tự: kết quả mô hình đo lường, kết quả mô hình cấu trúc, sau đó là kiểm định điều tiết. Người đọc cần biết thang đo đạt độ tin cậy và giá trị trước khi tin vào diễn giải quan hệ giữa các biến.
Một đoạn cách viết vào luận văn có thể điều chỉnh như sau: “Kết quả bootstrapping cho thấy tác động tương tác giữa [biến độc lập] và [biến điều tiết] lên [biến phụ thuộc] có hệ số β = [giá trị], t = [giá trị], p = [giá trị]. Vì [p-value nhỏ hơn hoặc lớn hơn] [mức ý nghĩa], giả thuyết H[ ] về vai trò điều tiết của [biến điều tiết] được [chấp nhận hoặc không được ủng hộ]. Dấu [dương hoặc âm] của hệ số tương tác cho thấy [mô tả chiều thay đổi của quan hệ X và Y].”
Sau đoạn này, thêm một bảng có các cột Giả thuyết, Quan hệ, β, T statistics, P values, Kết luận. Nếu interaction có ý nghĩa, đưa biểu đồ moderation hoặc bảng simple slope vào phần phụ lục hay chương 4 tùy quy định của khoa.
Đừng gọi W là “biến trung gian” trong đoạn này. Biến trung gian trả lời câu hỏi X ảnh hưởng đến Y thông qua M như thế nào. Biến điều tiết trả lời câu hỏi mức độ hoặc chiều của quan hệ X và Y thay đổi theo W ra sao. Biến kiểm soát chỉ được đưa vào để giữ ổn định ảnh hưởng của các yếu tố khác, nên ba khái niệm này cần được đặt tên riêng trong mô hình và giả thuyết.
Lỗi thường gặp
Chỉ nhìn đường dẫn X đến Y
Đây là lỗi phổ biến nhất. X → Y có p-value nhỏ chỉ chứng minh tác động chính trong mẫu. Bạn phải đọc dòng interaction X × W → Y để kết luận W có điều tiết hay không.
Không đưa tác động chính của W vào mô hình
Nếu W là biến điều tiết, hãy cân nhắc đưa W → Y vào mô hình cùng với X → Y và interaction. Khi mô hình thiếu tác động chính, việc diễn giải interaction dễ bị đặt câu hỏi về đặc tả.
Dùng CFI, TLI hoặc RMSEA cho SmartPLS
Các chỉ số này thuộc CB-SEM. SmartPLS dùng nhóm chỉ số phù hợp với PLS-SEM như outer loading, CR, AVE, HTMT, VIF, R², f², Q² và path coefficient. Nếu đề cương yêu cầu fit indices, bạn cần trao đổi lại công cụ và phương pháp SEM thay vì trộn tiêu chí giữa hai trường phái.
Đổi dữ liệu để interaction có ý nghĩa
Không xóa đáp viên chỉ vì họ làm p-value tăng. Chỉ xử lý dữ liệu thiếu, outlier hoặc câu trả lời không hợp lệ khi bạn có tiêu chí được nêu trước và có thể giải trình. Nếu interaction không có ý nghĩa, hãy báo cáo kết quả không được ủng hộ và thảo luận theo giới hạn của mẫu.
Nhầm biến phân loại với construct phản xạ
Giới tính hoặc nhóm tuổi có thể được mã hóa thành biến quan sát, nhưng cách tạo interaction không giống một construct đo bằng nhiều indicator. Hãy kiểm tra hướng dẫn SmartPLS của phiên bản bạn dùng và thống nhất với mô hình phương pháp trong đề cương.
Câu hỏi thường gặp
Biến điều tiết là gì?
Biến điều tiết là biến làm thay đổi mức độ hoặc chiều tác động của X lên Y. Trong mô hình SmartPLS, dấu hiệu cần xem là interaction effect giữa X và W, không chỉ là đường dẫn X → Y.
Biến điều tiết bao nhiêu là tốt?
Không có một mức β duy nhất được xem là tốt cho mọi đề tài. Bạn cần xem interaction effect có ý nghĩa thống kê, khoảng tin cậy không chứa 0, dấu hệ số phù hợp với giả thuyết và simple slope có diễn giải được hay không.
Biến điều tiết và biến trung gian khác nhau thế nào?
Biến trung gian giải thích cơ chế truyền tác động, theo dạng X ảnh hưởng đến M rồi M ảnh hưởng đến Y. Biến điều tiết làm thay đổi quan hệ X → Y theo mức độ của W. Vì vậy, mô hình trung gian thường tập trung vào indirect effect, còn mô hình điều tiết tập trung vào interaction effect.
Chạy biến điều tiết trong SmartPLS 4 ở đâu?
Bạn tạo model, vẽ X → Y và W → Y, sau đó dùng chức năng tạo Moderation Effect để chọn X, W và Y. Tiếp theo chạy PLS-SEM Algorithm rồi Bootstrapping. SmartPLS 3 và 4 có thể đặt menu khác nhau, nên cần kiểm tra đúng phiên bản đang cài.
Interaction effect không có ý nghĩa thì phải làm sao?
Trước hết kiểm tra lại mã hóa dữ liệu, hướng indicator, loại biến, cỡ mẫu, mô hình và thiết lập bootstrap. Nếu quy trình không có lỗi, báo cáo interaction không được ủng hộ, không tự ý xóa biến hoặc sửa dữ liệu để đạt p-value. Bạn có thể thảo luận rằng vai trò điều tiết chưa được chứng minh trong mẫu nghiên cứu hiện tại.
Mở file dữ liệu của bạn ngay bây giờ, kiểm tra tên indicator, vẽ lại đường dẫn X → Y và W → Y, rồi chạy riêng interaction effect bằng SmartPLS 4; nếu cần chạy phân tích trên chính file .sav hoặc .csv và theo dõi từng bước, bạn có thể dùng module M4 phân tích dữ liệu.