Biến kiểm soát là gì? Cách chọn và đưa vào mô hình nghiên cứu
Biến kiểm soát là gì
Biến kiểm soát là biến được đưa vào mô hình định lượng để giữ cố định một đặc điểm có thể ảnh hưởng đến biến phụ thuộc, từ đó giúp bạn đánh giá rõ hơn mối quan hệ giữa biến độc lập và biến phụ thuộc. Những biến thường được cân nhắc gồm giới tính, độ tuổi, thu nhập, trình độ học vấn, thâm niên sử dụng sản phẩm hoặc quy mô doanh nghiệp.
Ví dụ, bạn nghiên cứu tác động của chất lượng dịch vụ đến sự hài lòng. Độ tuổi của người trả lời cũng có thể liên quan đến sự hài lòng. Nếu bỏ qua độ tuổi, hệ số của chất lượng dịch vụ có thể đang phản ánh một phần khác biệt do độ tuổi. Khi thêm độ tuổi vào mô hình, bạn đang kiểm soát ảnh hưởng của độ tuổi để xem chất lượng dịch vụ còn có quan hệ với sự hài lòng hay không.
Về mặt hồi quy, biến kiểm soát xuất hiện cùng các biến giải thích khác trong phương trình:
Y = β0 + β1X1 + β2X2 + β3C1 + ε
Trong đó, Y là biến phụ thuộc, X1 và X2 là các biến độc lập, C1 là biến kiểm soát, còn β3 là hệ số của biến kiểm soát. Biến kiểm soát không tự động trở thành biến độc lập chính trong mô hình lý thuyết. Vai trò của nó phụ thuộc vào câu hỏi nghiên cứu và cách bạn xây dựng mô hình.
Nếu bạn còn nhầm giữa biến độc lập và biến kiểm soát, có thể xem thêm bài biến độc lập là gì. Điểm cần nhớ là biến độc lập chính thường gắn với giả thuyết nghiên cứu, còn biến kiểm soát được đưa vào để giảm khả năng mô hình bỏ sót một yếu tố liên quan.
Ý nghĩa của biến kiểm soát trong nghiên cứu định lượng
Làm rõ tác động của biến độc lập
Trong mô hình có nhiều yếu tố cùng liên quan đến Y, hệ số của X được ước lượng sau khi các biến kiểm soát đã được đưa vào. Cách đọc này gần với câu hỏi: khi các đặc điểm kiểm soát giữ nguyên, X còn liên quan đến Y ở mức nào.
Điều này đặc biệt hữu ích khi dữ liệu khảo sát có sự khác biệt lớn giữa các nhóm. Chẳng hạn, người có thu nhập cao và thấp có thể đánh giá ý định mua khác nhau. Nếu đề tài chỉ muốn tập trung vào chất lượng cảm nhận, thu nhập có thể được đưa vào như biến kiểm soát để kết quả của chất lượng cảm nhận dễ diễn giải hơn.
Giảm nguy cơ bỏ sót biến liên quan
Một mô hình chỉ có biến độc lập chính đôi khi quá đơn giản. Nếu một đặc điểm nền tảng liên quan đến cả X và Y nhưng bị bỏ qua, kết quả có thể bị sai lệch. Thêm biến kiểm soát là một cách xử lý về mặt mô hình, nhưng không có nghĩa mọi biến đưa vào đều làm mô hình tốt hơn.
Bạn cần có lý do lý thuyết hoặc thực nghiệm hợp lý cho từng biến. Việc đưa toàn bộ thông tin nhân khẩu học vào mô hình chỉ vì SPSS cho phép làm vậy khiến phần phương pháp khó giải trình. Khi bị hỏi, bạn phải trả lời được biến đó có liên quan gì đến câu hỏi nghiên cứu và được đo như thế nào.
Hỗ trợ so sánh kết quả giữa các mô hình
Bạn có thể chạy hai mô hình. Mô hình đầu tiên chỉ có các biến độc lập chính. Mô hình thứ hai thêm biến kiểm soát. Nếu hệ số của X thay đổi đáng kể, đó là dấu hiệu ảnh hưởng của biến kiểm soát cần được thảo luận. Bạn không nên kết luận ngay rằng biến kiểm soát gây ra sự thay đổi, vì còn phải xem thiết kế nghiên cứu, cách đo và các điều kiện của hồi quy.
Trong báo cáo, hãy ghi rõ biến nào là biến chính, biến nào là biến kiểm soát. Cách phân nhóm này giúp người đọc không nhầm giữa kiểm soát thống kê và biến trung gian. Biến trung gian giải thích cơ chế X tác động đến Y, còn biến kiểm soát được giữ trong mô hình để điều chỉnh mối quan hệ cần quan sát. Bạn có thể đọc thêm biến trung gian là gì nếu mô hình của bạn có đường dẫn X đến M rồi từ M đến Y.
Biến kiểm soát bao nhiêu là đạt
Cụm từ “biến kiểm soát bao nhiêu là tốt” dễ gây hiểu nhầm. Biến kiểm soát không có một ngưỡng đạt duy nhất giống Cronbach's Alpha, AVE hay outer loading. Bạn cần đánh giá cả lý do đưa biến vào, cách mã hóa, hệ số, p-value, VIF và sự thay đổi của mô hình.
Bảng dưới đây là các mốc thường dùng để kiểm tra mô hình. Mỗi mốc chỉ có ý nghĩa trong đúng bối cảnh được nêu, không phải điều kiện để mọi biến kiểm soát đều phải đạt.
| Nội dung cần kiểm tra | Mốc tham khảo | Nguồn |
|---|---|---|
| VIF của biến trong mô hình | Dưới 5 | (Hair và cộng sự, 2019) |
| Cỡ mẫu hồi quy với m biến giải thích | Từ 50 + 8m trở lên | (Tabachnick và Fidell, 2013) |
| Durbin-Watson trong hồi quy | Từ 1 đến 3 | (Field, 2013) |
| Mức độ ảnh hưởng f² nhỏ | 0.02 | (Cohen, 1988) |
| Mức độ ảnh hưởng f² trung bình | 0.15 | (Cohen, 1988) |
| Mức độ ảnh hưởng f² lớn | 0.35 | (Cohen, 1988) |
| R² trong PLS-SEM | 0.25 yếu, 0.50 trung bình, 0.75 đáng kể | (Hair và cộng sự, 2011) |
Một biến kiểm soát có p-value lớn hơn 0.05 không tự động là biến “không đạt”. p-value cho biết bằng chứng thống kê về hệ số trong mẫu, không quyết định biến đó có nên xuất hiện trong mô hình hay không. Nếu biến được chọn vì lý do lý thuyết rõ ràng, bạn có thể giữ biến và báo cáo hệ số không có ý nghĩa thống kê.
Ngược lại, một biến kiểm soát có p-value nhỏ hơn 0.05 cũng không chứng minh rằng mô hình đã đúng. Bạn vẫn cần kiểm tra hướng tác động, khoảng tin cậy nếu có, VIF, cách mã hóa và sự phù hợp với thiết kế nghiên cứu. Đừng loại biến chỉ để bảng kết quả có nhiều dấu sao hơn.
Cách đọc biến kiểm soát trên output
Đọc bảng Coefficients trong SPSS
Với hồi quy tuyến tính, bạn mở Analyze > Regression > Linear. Đưa biến phụ thuộc vào ô Dependent, các biến độc lập và biến kiểm soát vào ô Independent(s). Nếu muốn đánh giá tác động tăng thêm của nhóm biến, chọn Method: Enter và chạy các mô hình theo thứ tự đã định trước.
Bảng quan trọng là Coefficients. Cột B là hệ số chưa chuẩn hóa, Std. Error là sai số chuẩn, Beta là hệ số chuẩn hóa, t là thống kê kiểm định và Sig. là p-value. Với biến kiểm soát dạng phân loại như giới tính, bạn phải mã hóa phù hợp. Nếu biến có nhiều nhóm, thường cần tạo biến giả trước khi đưa vào hồi quy.
Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật:
| Coefficients | B | Std. Error | Beta | t | Sig. |
|---|---|---|---|---|---|
| (Constant) | 1.204 | 0.312 | 3.859 | 0.000 | |
| Chất lượng dịch vụ | 0.428 | 0.071 | 0.391 | 6.028 | 0.000 |
| Giá trị cảm nhận | 0.267 | 0.068 | 0.251 | 3.926 | 0.000 |
| Độ tuổi | 0.018 | 0.012 | 0.083 | 1.500 | 0.135 |
| Thu nhập | 0.094 | 0.041 | 0.126 | 2.293 | 0.023 |
Trong bảng minh họa, độ tuổi là biến kiểm soát và có Sig. = 0.135. Bạn có thể nói hệ số độ tuổi không có ý nghĩa thống kê ở mức 5% trong mẫu này. Thu nhập có Sig. = 0.023, vì vậy có bằng chứng thống kê rằng thu nhập liên quan đến biến phụ thuộc sau khi đã kiểm soát các biến còn lại. Kết quả này không cho phép bạn khẳng định thu nhập gây ra sự thay đổi nếu nghiên cứu của bạn là khảo sát cắt ngang.
Đừng chỉ nhìn cột Beta. Hãy xem cả chiều của B, p-value, VIF và khoảng tin cậy nếu bạn đã yêu cầu SPSS xuất bảng đó. Một biến kiểm soát dạng giới tính có hệ số dương chỉ có ý nghĩa sau khi bạn biết nhóm nào được mã hóa là 0 và nhóm nào là 1.
Đọc biến kiểm soát trong SmartPLS 4
Nếu mô hình của bạn chạy bằng SmartPLS 4, biến kiểm soát có thể được đưa vào mô hình cấu trúc dưới dạng biến quan sát đơn hoặc construct phù hợp với thiết kế. Bạn chạy Calculate > PLS-SEM Algorithm, sau đó dùng Calculate > Bootstrapping để xem Path Coefficients, T Statistics và P Values.
Trong SmartPLS, đừng lấy ngưỡng CFI, TLI hoặc RMSEA của CB-SEM để đánh giá mô hình PLS-SEM. Với mô hình PLS, bạn thường báo cáo đường dẫn, R², VIF, f² và Q² theo mục tiêu nghiên cứu. Quy trình đánh giá measurement model trước structural model được trình bày trong hướng dẫn PLS-SEM của (Hair và cộng sự, 2022).
Nếu biến kiểm soát là một biến quan sát đơn như độ tuổi, hãy mô tả rõ cách đo và cách mã hóa. Nếu dùng một construct có nhiều biến quan sát, cần kiểm tra chất lượng measurement model trước khi diễn giải đường dẫn đến biến phụ thuộc.
Khi biến kiểm soát không đạt thì xử lý thế nào
Kiểm tra lại mã hóa và dữ liệu
Đây là bước đầu tiên và dễ giải trình nhất. Mở Analyze > Descriptive Statistics > Frequencies để xem các giá trị của biến phân loại. Kiểm tra dữ liệu thiếu, giá trị ngoài phạm vi và việc mã hóa nhóm. Một biến giới tính có các mã 1, 2, 3 trong khi bảng hỏi chỉ có hai nhóm là lỗi dữ liệu, không phải kết quả thống kê.
Với biến liên tục, xem Descriptives hoặc Explore để phát hiện giá trị bất thường. Không xóa dòng dữ liệu chỉ vì nó làm p-value xấu hơn. Bạn cần có quy tắc làm sạch được xác định trước và ghi lại số quan sát bị loại cùng lý do.
Kiểm tra đa cộng tuyến
Nếu VIF cao, biến kiểm soát có thể trùng lặp mạnh với biến độc lập hoặc một biến kiểm soát khác. Hãy xem ma trận tương quan, định nghĩa các biến và cách tính điểm. Không nên gộp hoặc xóa biến chỉ dựa trên một con số mà chưa xem xét nội dung đo lường.
Với SmartPLS, kiểm tra Inner VIF Values. Mốc VIF dưới 5 thường được báo cáo theo (Hair và cộng sự, 2019). Nếu VIF vượt mốc, bạn cần xem lại mô hình và cách diễn giải, thay vì chạy đi chạy lại để tìm một kết quả đẹp.
Giữ biến và báo cáo trung thực
Nếu biến có cơ sở lý thuyết nhưng p-value không có ý nghĩa, bạn có thể giữ biến trong mô hình. Hãy viết rõ hệ số, p-value và kết luận giới hạn. Việc giữ biến giúp người đọc biết bạn đã điều chỉnh mối quan hệ của biến chính theo yếu tố nào.
Bạn chỉ nên loại biến khi có lý do phương pháp rõ ràng, chẳng hạn mã hóa sai, dữ liệu thiếu quá nhiều theo quy tắc đã đặt ra, hoặc biến không phù hợp với mô hình đã được xác định. Nếu loại sau khi xem kết quả, phải nói rõ đây là điều chỉnh sau phân tích và nêu căn cứ.
Khi nào cần xem lại mô hình nghiên cứu
Nếu nhiều biến kiểm soát có tương quan rất mạnh, hệ số của các biến chính đảo dấu bất thường hoặc kết quả thay đổi lớn giữa các đặc tả mô hình, hãy quay lại câu hỏi nghiên cứu. Có thể mô hình đang đưa vào quá nhiều biến, construct bị chồng lấn hoặc cỡ mẫu chưa phù hợp. Không có thao tác trong SPSS nào có thể thay thế một mô hình được lập luận tốt.
Phân biệt biến kiểm soát với biến trung gian và biến điều tiết
Biến kiểm soát, biến trung gian và biến điều tiết có vị trí khác nhau trong mô hình. Biến kiểm soát được đưa vào để điều chỉnh ảnh hưởng của một yếu tố. Biến trung gian giải thích cơ chế tác động, thường có chuỗi X tác động đến M rồi M tác động đến Y. Biến điều tiết làm thay đổi độ mạnh hoặc hướng của quan hệ X đến Y tùy theo mức của W.
Ví dụ, chất lượng dịch vụ là X và sự hài lòng là Y. Độ tuổi có thể là biến kiểm soát. Giá trị cảm nhận có thể là biến trung gian nếu chất lượng dịch vụ ảnh hưởng đến giá trị cảm nhận, rồi giá trị cảm nhận ảnh hưởng đến sự hài lòng. Mức độ nhạy cảm về giá có thể là biến điều tiết nếu tác động của chất lượng dịch vụ đến sự hài lòng thay đổi giữa nhóm nhạy cảm giá thấp và cao.
Biến điều tiết thường cần tạo biến tương tác hoặc dùng quy trình phù hợp. Trong SPSS, PROCESS Macro là một lựa chọn thường gặp cho phân tích trung gian và điều tiết. Bạn có thể xem PROCESS Macro là gì và bootstrap trung gian trong SPSS. Nếu đang cân nhắc Sobel test, hãy đọc thêm phân tích Sobel test SPSS, nhưng cần trình bày đúng giới hạn của từng cách kiểm định.
Một biến có thể là biến kiểm soát trong đề tài này nhưng là biến độc lập chính trong đề tài khác. Nhãn gọi không quyết định bản chất. Câu hỏi nghiên cứu, mô hình khái niệm và cách bạn giải thích vai trò của biến mới là phần cần bảo vệ trước hội đồng.
Lỗi thường gặp
Đưa tất cả biến nhân khẩu học vào mô hình
Giới tính, tuổi, thu nhập và học vấn thường được dùng làm biến kiểm soát, nhưng không phải nghiên cứu nào cũng cần cả bốn. Mỗi biến phải có lý do đưa vào, cách đo và cách mã hóa. Một mô hình quá nhiều biến so với cỡ mẫu có thể làm kết quả thiếu ổn định.
Gọi biến kiểm soát là biến độc lập trong mọi phần
Nếu phần giả thuyết chỉ kiểm định tác động của X1, X2 đến Y, nhưng chương 4 gọi tuổi và thu nhập là các biến độc lập chính, người đọc sẽ khó theo dõi. Hãy thống nhất thuật ngữ ở mô hình, bảng giả thuyết, bảng kết quả và phần thảo luận.
Chỉ dựa vào p-value để quyết định
p-value cần được đọc cùng hệ số, chiều tác động, khoảng tin cậy, VIF và nền tảng lý thuyết. Không nên xóa biến có p-value lớn rồi chạy lại nhiều lần cho đến khi biến chính có ý nghĩa. Cách làm đó làm tăng rủi ro giải trình không nhất quán.
Không nói rõ nhóm tham chiếu
Với biến phân loại, hệ số phụ thuộc vào nhóm tham chiếu. Nếu không ghi rõ mã 0 và mã 1, người đọc không biết hệ số dương đang so sánh nhóm nào với nhóm nào. Đây là lỗi nhỏ nhưng thường bị hỏi khi bảo vệ.
Câu hỏi thường gặp
Biến kiểm soát là gì trong SPSS?
Trong SPSS, biến kiểm soát là biến được đưa vào cùng phương trình hồi quy với biến độc lập chính để điều chỉnh ảnh hưởng của nó khi ước lượng biến phụ thuộc. SPSS không có một nút riêng tên là “biến kiểm soát”. Bạn đưa biến đó vào danh sách Independent(s) và giải thích vai trò trong mô hình.
Biến kiểm soát bao nhiêu là tốt?
Không có số lượng cố định áp dụng cho mọi đề tài. Bạn nên chọn số biến vừa đủ theo mô hình lý thuyết, câu hỏi nghiên cứu và cỡ mẫu. Với hồi quy, có thể tham khảo yêu cầu cỡ mẫu từ 50 + 8m theo (Tabachnick và Fidell, 2013), trong đó m là số biến giải thích.
Biến kiểm soát có cần p-value nhỏ hơn 0.05 không?
Không bắt buộc. p-value nhỏ hơn 0.05 cho thấy hệ số có bằng chứng thống kê trong mẫu ở mức 5%, nhưng p-value lớn hơn 0.05 không làm biến trở thành sai nếu biến đó có cơ sở lý thuyết. Bạn cần báo cáo kết quả đúng và giải thích giới hạn.
Biến kiểm soát khác biến trung gian như thế nào?
Biến kiểm soát được thêm để điều chỉnh ảnh hưởng của một yếu tố. Biến trung gian giải thích cơ chế tác động từ X đến Y và thường nằm trên đường dẫn X đến M đến Y. Nếu bạn muốn kiểm định cơ chế, không nên chỉ đưa M vào như một biến kiểm soát rồi gọi đó là phân tích trung gian.
Có nên loại biến kiểm soát khi VIF cao không?
VIF cao là dấu hiệu cần kiểm tra đa cộng tuyến, nhưng chưa phải lệnh tự động xóa biến. Bạn cần xem tương quan, định nghĩa biến, cách đo và vai trò lý thuyết. Nếu điều chỉnh mô hình, hãy ghi lại lý do và báo cáo phiên bản mô hình đã dùng trong luận văn.
Mở file dữ liệu của bạn ngay bây giờ, lập một bảng gồm tên biến kiểm soát, cách mã hóa, lý do đưa vào và kết quả VIF, hệ số, p-value trước khi viết chương 4. Nếu bạn cần chạy mô hình trên chính file .sav hoặc .csv, M4 phân tích của DoThesis hỗ trợ bước này bằng SPSS và SmartPLS.