Biến điều tiết trong SmartPLS: Cách chạy và đọc kết quả

Biến điều tiết trong SmartPLS dùng để làm gì

Biến điều tiết, hay moderator, làm thay đổi mức độ hoặc chiều tác động của biến độc lập lên biến phụ thuộc. Ví dụ, bạn nghiên cứu tác động của Chất lượng dịch vụ lên Ý định mua lại và giả thuyết cho rằng mức tác động này khác nhau theo Mức độ tin cậy. Khi đó, Mức độ tin cậy là biến điều tiết, còn mối quan hệ Chất lượng dịch vụ → Ý định mua lại là quan hệ được điều tiết.

Trong SmartPLS, bạn kiểm định moderation bằng cách tạo một interaction term giữa biến độc lập và biến điều tiết. Mô hình cấu trúc sẽ có đường dẫn từ biến độc lập đến biến phụ thuộc, từ biến điều tiết đến biến phụ thuộc, và từ interaction term đến biến phụ thuộc. Ý nghĩa của giả thuyết điều tiết nằm ở path coefficient và khoảng tin cậy của interaction term, không nằm riêng ở p-value của biến điều tiết.

Thủ tục này thuộc nhóm PLS-SEM. Nếu bạn mới phân biệt giữa SEM, CB-SEM và PLS-SEM, có thể xem thêm bài SEM là gì trước khi mở mô hình. SmartPLS phù hợp khi mô hình có biến tiềm ẩn đo bằng nhiều biến quan sát, dữ liệu chưa đáp ứng tốt giả định phân phối chuẩn, hoặc mục tiêu của bạn thiên về dự báo và giải thích quan hệ trong mô hình.

Cần tách hai khái niệm dễ nhầm. Biến điều tiết trả lời câu hỏi “khi nào” hoặc “đối với nhóm nào” một tác động mạnh hơn hay yếu hơn. Biến trung gian trả lời câu hỏi “bằng cơ chế nào” một biến tác động đến biến khác. Vì vậy, mô hình có mediator và mô hình có moderator cần được thiết lập khác nhau trong SmartPLS.

Chuẩn bị mô hình và dữ liệu

Trước khi bấm Calculate, bạn cần kiểm tra cả measurement model và structural model. Measurement model mô tả cách các biến quan sát đo các biến tiềm ẩn. Structural model mô tả các đường dẫn giữa các biến tiềm ẩn, bao gồm đường dẫn tương tác dùng để kiểm định moderation.

Xác định rõ vai trò của các biến

Viết giả thuyết theo dạng đầy đủ trước khi vẽ mô hình. Chẳng hạn: “Mức độ tin cậy điều tiết tác động của Chất lượng dịch vụ lên Ý định mua lại”. Trong mô hình, Chất lượng dịch vụ là biến độc lập X, Ý định mua lại là biến phụ thuộc Y, còn Mức độ tin cậy là biến điều tiết Z. Interaction term sẽ đại diện cho X × Z.

Nếu chỉ đưa Z vào mô hình nhưng không có interaction term, bạn mới kiểm định tác động trực tiếp của Z lên Y. Kết quả đó chưa trả lời giả thuyết điều tiết. Bạn cũng không cần tự tạo một cột dữ liệu X_Z trong SPSS rồi nhập vào SmartPLS khi X và Z là biến tiềm ẩn. SmartPLS sẽ tính interaction term theo phương pháp bạn chọn.

Kiểm tra tên biến quan sát

Mỗi biến quan sát cần có một mã duy nhất, chẳng hạn CLDV1, CLDV2, TC1, TC2 và YD1, YD2. Tên cột trong .csv nên ngắn, không dấu, không có khoảng trắng và không dùng ký tự đặc biệt. Hàng đầu tiên là tên biến, các hàng sau là từng người trả lời.

Ví dụ, nếu có 250 người trả lời và 18 biến quan sát, file cần có 250 dòng dữ liệu và 18 cột biến quan sát, chưa tính các cột thông tin nhân khẩu học nếu bạn không đưa chúng vào mô hình. Các ô dữ liệu nên là số, thường từ 1 đến 5 hoặc từ 1 đến 7 theo thang Likert bạn đã thiết kế. Thang Likert bắt nguồn từ kỹ thuật đo thái độ được trình bày trong (Likert, 1932).

Kiểm tra measurement model trước

Chạy riêng mô hình đo lường trước khi kết luận về biến điều tiết. Kiểm tra outer loading, Cronbach's Alpha, composite reliability, AVE và HTMT. Với PLS-SEM, outer loading từ 0.7 trở lên là mốc thường dùng theo (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên được dùng để đánh giá độ tin cậy và giá trị hội tụ theo (Fornell và Larcker, 1981). HTMT nên dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau theo (Henseler và cộng sự, 2015).

Nếu measurement model đang có vấn đề, interaction effect có thể khó diễn giải. Bạn nên ghi lại biến quan sát bị loại, lý do loại và kết quả sau khi chạy lại. Việc loại biến chỉ vì muốn p-value của moderation đạt ý nghĩa thống kê sẽ làm yếu phần giải trình khi bảo vệ.

Các bước thực hiện trong SmartPLS 4

Các bước dưới đây dùng giao diện SmartPLS 4. SmartPLS 3 có vị trí một số menu khác, vì vậy bạn không nên đối chiếu tên nút một cách máy móc giữa hai phiên bản.

Tạo project và nhập file CSV

Mở SmartPLS 4, tạo project mới rồi chọn Import Data File. Chọn file .csv đã làm sạch. Kiểm tra preview để chắc chắn hàng đầu tiên được nhận là tên biến và các cột số không bị đọc thành text.

Nếu file dùng dấu phân cách khác, chẳng hạn dấu chấm phẩy, hãy chỉnh lại thiết lập đọc file hoặc lưu lại CSV với định dạng phù hợp. Một lỗi thường gặp là dữ liệu tiếng Việt và dấu phân cách khiến toàn bộ bảng bị dồn vào một cột. Khi đó, cần sửa file trước, không tiếp tục vẽ mô hình.

Vẽ measurement model

Tạo một model mới từ bộ dữ liệu vừa nhập. Kéo các construct vào vùng làm việc, đặt tên rõ ràng, rồi kéo các indicator tương ứng vào từng construct. Với thang đo reflective, mũi tên thường đi từ construct đến indicator. Với formative, hướng mũi tên và cách đánh giá sẽ khác, nên phải bám vào mô hình lý thuyết chứ không chọn theo thói quen.

Đặt các construct X, Z và Y lên canvas. Nối X đến Y, Z đến Y. Chưa cần tự vẽ một construct có tên XZ nếu bạn dùng chức năng Create Moderating Effect của SmartPLS 4.

Tạo interaction term

Chọn construct X, mở chức năng tạo moderating effect trong giao diện mô hình, sau đó chọn Z là moderator và Y là endogenous construct. SmartPLS sẽ tạo một interaction construct hoặc đường dẫn tương tác theo cấu hình của bạn. Kiểm tra lại hướng tác động để bảo đảm interaction term đi đến Y.

SmartPLS hỗ trợ một số cách tiếp cận như product indicator, two-stage và orthogonalizing. Product indicator tạo tích giữa các indicator của X và Z, nên có thể làm mô hình lớn nếu hai construct có nhiều biến quan sát. Two-stage phù hợp khi bạn muốn dùng latent variable scores ở giai đoạn sau. Hãy ghi phương pháp đã chọn vì đây là thông tin cần có khi báo cáo kết quả.

Chạy PLS-SEM Algorithm

Chọn Calculate rồi PLS-SEM Algorithm. Giữ thiết lập mặc định nếu bạn chưa có lý do phương pháp học rõ ràng để thay đổi. Sau khi chạy, kiểm tra outer loadings, path coefficients, R² của Y và các chỉ số chất lượng measurement model.

Kết quả của bước này giúp bạn xem mô hình có tính toán được hay không. Nó chưa đủ để kết luận interaction effect có ý nghĩa hay không, vì cần bootstrapping để có standard error, t-value và confidence interval.

Chạy Bootstrapping

Chọn Calculate, sau đó Bootstrapping. Theo quy trình thường được báo cáo trong PLS-SEM, có thể chọn 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022). Chọn two-tailed nếu giả thuyết của bạn chỉ nêu có tác động nhưng không khẳng định chiều, hoặc one-tailed khi hướng tác động đã được biện minh rõ trong mô hình và phương pháp.

Sau khi chạy, mở Path Coefficients, Total Effects và Confidence Intervals. Tìm dòng interaction term, thường có tên thể hiện X × Z hoặc tên moderating effect mà SmartPLS tạo ra. Đừng chỉ nhìn vào đường dẫn Z → Y, vì đường dẫn đó là tác động trực tiếp của moderator.

Kiểm tra hiệu ứng đơn giản nếu cần

Khi interaction effect có ý nghĩa, bạn cần xem chiều điều tiết. Có thể diễn giải bằng simple slope hoặc vẽ interaction plot ở mức thấp và cao của Z. SmartPLS cung cấp thông tin để hỗ trợ diễn giải, nhưng bạn vẫn phải trình bày ý nghĩa thực tế của độ dốc, chẳng hạn tác động của X lên Y mạnh hơn khi Z ở mức cao.

Nếu interaction effect không có ý nghĩa, không nên chia mẫu thành hai nhóm chỉ để tìm một kết quả có p-value nhỏ hơn. Chia nhóm tùy tiện làm mất thông tin liên tục của biến điều tiết và cần được giải thích rất kỹ nếu dùng.

Đọc bảng kết quả

Hãy đọc interaction term theo thứ tự: path coefficient, t-value, p-value hoặc confidence interval, sau đó mới xem R² và f². Path coefficient cho biết chiều và mức độ tác động tương tác. Confidence interval không chứa 0 là dấu hiệu hiệu ứng gián tiếp hoặc tương tác có ý nghĩa theo logic bootstrap được trình bày trong (Preacher và Hayes, 2008), nhưng với moderation bạn vẫn cần đối chiếu tên chỉ số đúng trong bảng Path Coefficients.

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 thấy trong SmartPLS 4 để bạn biết cần tìm dòng nào.

| Quan hệ trong mô hình | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics (|O/STDEV|) | P Values | Diễn giải minh họa | |---|---:|---:|---:|---:|---:|---| | Chất lượng dịch vụ → Ý định mua lại | 0.381 | 0.379 | 0.071 | 5.366 | 0.000 | Tác động trực tiếp dương | | Mức độ tin cậy → Ý định mua lại | 0.214 | 0.216 | 0.068 | 3.147 | 0.002 | Tác động trực tiếp dương | | Chất lượng dịch vụ × Mức độ tin cậy → Ý định mua lại | 0.146 | 0.149 | 0.061 | 2.393 | 0.017 | Hiệu ứng điều tiết dương |

Ở dòng interaction term, hệ số 0.146 trong ví dụ cho thấy khi Mức độ tin cậy tăng, tác động của Chất lượng dịch vụ lên Ý định mua lại có xu hướng mạnh hơn. Đây vẫn chỉ là cách đọc số liệu minh họa. Với file của bạn, cần dùng đúng hệ số, p-value và khoảng tin cậy trong output thực tế.

Nếu hệ số tương tác âm và có ý nghĩa, moderator làm yếu tác động X lên Y khi moderator tăng. Nếu p-value lớn hơn mức ý nghĩa bạn đã chọn hoặc confidence interval chứa 0, dữ liệu chưa cung cấp đủ bằng chứng để kết luận có hiệu ứng điều tiết. Không được đổi giả thuyết sau khi xem output chỉ để biến kết quả không đạt thành kết quả đạt.

R² cho biết tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi các biến dự báo trong mô hình. Trong PLS-SEM, R² ở mức 0.75, 0.50 và 0.25 lần lượt thường được diễn giải là substantial, moderate và weak theo (Hair và cộng sự, 2011). R² không thay thế cho kiểm định interaction effect.

f² giúp xem một biến dự báo đóng góp bao nhiêu vào R² của biến phụ thuộc. Các mốc 0.02, 0.15 và 0.35 thường được gọi là hiệu ứng nhỏ, vừa và lớn theo (Cohen, 1988). Khi báo cáo moderation, bạn có thể đưa f² của interaction term nếu SmartPLS xuất chỉ số này và giải thích cùng với path coefficient, thay vì chỉ nêu p-value.

Ngưỡng đánh giá

Các ngưỡng dưới đây thuộc nhóm chỉ số PLS-SEM. Bạn cần chọn mốc phù hợp với bối cảnh nghiên cứu, không biến chúng thành quy tắc tự động loại biến. Đặc biệt, CFI, TLI và RMSEA là nhóm fit index của CB-SEM, không nên đưa vào phần đánh giá một mô hình SmartPLS. Các nguồn trong bảng là những nguồn được phép dùng cho từng quyết định.

VIF cần được xem trước khi diễn giải quan hệ cấu trúc, vì đa cộng tuyến có thể làm hệ số không ổn định. Bạn cũng nên xem Q² nếu quy trình nghiên cứu của mình có đánh giá predictive relevance. Chỉ số đạt ngưỡng không có nghĩa là giả thuyết chắc chắn đúng, mà chỉ cho biết một tiêu chí cụ thể đã được đáp ứng.

Bạn có thể đọc thêm về AVE là gì nếu đang mắc ở phần giá trị hội tụ, hoặc xem partial least squares là gì để hiểu tại sao SmartPLS dùng latent variable scores. Trang chủ đề SmartPLS cũng phù hợp nếu bạn cần đối chiếu thêm các thủ tục trong cùng nhóm phân tích.

Cách trình bày trong chương 4

Phần kết quả nên đi theo thứ tự: mô hình đo lường, mô hình cấu trúc, kiểm định giả thuyết điều tiết và diễn giải ý nghĩa. Trước bảng moderation, nêu rõ X, Z, Y và phương pháp tạo interaction term. Ghi phiên bản SmartPLS 4, số bootstrap subsamples, loại kiểm định một phía hay hai phía và mức ý nghĩa đã chọn.

Một đoạn cách viết vào luận văn có thể điều chỉnh như sau: “Kết quả Bootstrapping với [số lần lặp] lần cho thấy tác động tương tác của [biến độc lập] và [biến điều tiết] lên [biến phụ thuộc] có hệ số β = [hệ số], t = [t-value], p = [p-value], [khoảng tin cậy]. Do [p-value nhỏ hơn mức ý nghĩa hoặc khoảng tin cậy không chứa 0], giả thuyết H[ ] được [chấp nhận hoặc ủng hộ]. Hệ số tương tác [dương hoặc âm] cho thấy [biến điều tiết] làm [tăng hoặc giảm] mức tác động của [X] lên [Y].”

Từ “chấp nhận” hay “ủng hộ” nên thống nhất với quy ước của khoa và giảng viên hướng dẫn. Nếu kết quả không có ý nghĩa, viết rằng giả thuyết chưa được ủng hộ bởi dữ liệu, thay vì viết “mô hình sai”. Bảng kết quả nên có tên quan hệ, β, STDEV, t-value, p-value và kết luận. Không chụp nguyên một màn hình quá rộng rồi để người đọc tự đoán dòng nào là interaction effect.

Nếu có interaction plot, đặt ngay sau bảng kiểm định và ghi rõ trục X, trục Y, mức thấp hoặc cao của moderator. Phần thảo luận cần quay lại cơ sở lý thuyết và bối cảnh đề tài. Một hiệu ứng có ý nghĩa thống kê nhưng rất nhỏ vẫn cần được mô tả đúng mức, không dùng các từ như “tác động mạnh” nếu hệ số và f² không hỗ trợ cách gọi đó.

Lỗi thường gặp

Chỉ tạo đường dẫn Z → Y. Đây là lỗi phổ biến nhất. Đường dẫn đó kiểm tra tác động trực tiếp của moderator, chưa kiểm tra X × Z. Hãy quay lại mô hình và tạo moderating effect đúng với X, Z và Y.

Dùng biến điều tiết như biến trung gian. Nếu bạn nối X → Z → Y rồi kết luận Z là moderator, mô hình đang kiểm tra mediation. Hãy viết lại sơ đồ và giả thuyết trước khi chạy tiếp.

Tự nhân điểm trung bình trong Excel rồi đưa vào như một construct. Cách này có thể làm mất thông tin đo lường của biến tiềm ẩn. Nếu đề tài dùng construct nhiều indicator, hãy dùng chức năng moderating effect của SmartPLS và ghi rõ cách tiếp cận.

Chỉ nhìn p-value của Z → Y. Một moderator có thể không có tác động trực tiếp đáng kể lên Y nhưng interaction effect vẫn có ý nghĩa. Dòng cần trả lời giả thuyết là dòng interaction term.

Dùng CFI, TLI hoặc RMSEA cho SmartPLS. Đây là nhóm fit index thường gắn với CB-SEM. Trong PLS-SEM, hãy tập trung vào chất lượng measurement model, VIF, path coefficients, R², f², Q² và HTMT theo thiết kế phân tích của bạn.

Chạy bootstrapping nhưng không ghi số lần lặp. Người đọc cần biết cách tạo phân phối bootstrap để đánh giá độ ổn định của ước lượng. Hãy lưu thiết lập và ghi số subsamples trong chương phương pháp hoặc chương kết quả.

Loại biến sau khi xem moderation mà không có lý do đo lường. Bạn có thể xử lý indicator loading thấp theo quy trình phương pháp, nhưng cần kiểm tra nội dung thang đo và các chỉ số liên quan. Không nên loại liên tục cho đến khi một giả thuyết đạt p-value mong muốn.

Câu hỏi thường gặp

Biến điều tiết trong SmartPLS là gì?

Đó là biến làm thay đổi mức độ hoặc chiều tác động của X lên Y. Trong SmartPLS, bạn kiểm định nó bằng interaction term X × Z, sau đó xem path coefficient và kết quả Bootstrapping của interaction term.

Chạy biến điều tiết trong SmartPLS 4 ở đâu?

Bạn mở mô hình, tạo moderating effect từ X, chọn Z làm moderator và Y làm biến phụ thuộc, sau đó chạy PLS-SEM Algorithm và Bootstrapping. Tên menu có thể khác giữa SmartPLS 3 và 4, nên bài này dùng giao diện SmartPLS 4 làm mốc.

p-value của biến điều tiết bao nhiêu là đạt?

Bạn cần xem p-value của interaction term, không chỉ p-value của đường dẫn Z → Y. Mốc quyết định thường là mức ý nghĩa đã đăng ký trong phương pháp, chẳng hạn 0.05, nhưng cách kết luận phải đi cùng t-value, confidence interval và hướng giả thuyết.

Biến điều tiết không có ý nghĩa thì phải làm sao?

Trước hết kiểm tra lại mã indicator, hướng mũi tên, dữ liệu thiếu, thiết lập bootstrap và tên interaction term. Nếu mô hình và dữ liệu đều hợp lệ nhưng interaction effect không có ý nghĩa, hãy báo cáo kết quả chưa được ủng hộ và thảo luận khả năng bối cảnh nghiên cứu không tạo ra hiệu ứng điều tiết.

Có cần biến điều tiết tác động trực tiếp lên biến phụ thuộc không?

Trong nhiều mô hình, đường dẫn Z → Y được đưa vào để kiểm tra tác động trực tiếp và giúp diễn giải đầy đủ hơn. Tuy nhiên, việc có bắt buộc hay không phụ thuộc vào mô hình lý thuyết và cách bạn xây dựng giả thuyết. Dù có đường dẫn này, interaction term vẫn là phần quyết định kiểm định moderation.

SmartPLS có tự vẽ biểu đồ điều tiết không?

SmartPLS có thể hỗ trợ xem kết quả và trực quan hóa quan hệ tùy phiên bản, nhưng bạn cần kiểm tra trục, mức moderator và cách phần mềm tính đường dốc. Không nên chèn biểu đồ vào luận văn nếu chưa ghi rõ cách đọc và chưa đối chiếu với path coefficient của interaction term.

Mở file SmartPLS 4 của bạn, kiểm tra lại X, Z, Y và tạo interaction term trước khi chạy Bootstrapping, sau đó đối chiếu đúng dòng interaction effect trong output; nếu cần chạy toàn bộ phân tích trên file .sav hoặc .csv của bạn, xem M4 phân tích dữ liệu của DoThesis.