Biến tương tác trong SmartPLS: Cách tạo, chạy và đọc kết quả
Bạn mở SmartPLS lên, mô hình đã có biến độc lập X và biến phụ thuộc Y, nhưng chưa biết kiểm tra một biến Z có làm thay đổi tác động X lên Y hay không. Trường hợp này cần kiểm định biến tương tác, còn gọi là interaction term, trong mô hình moderation.
Bài toán cốt lõi là kiểm tra đường dẫn X × Z → Y có ý nghĩa thống kê hay không. Nếu có, tác động của X lên Y thay đổi theo mức của Z. Cách làm này khác với biến trung gian trong SmartPLS, nơi bạn kiểm tra một chuỗi tác động thông qua biến M. Với biến điều tiết, Z làm thay đổi độ mạnh hoặc chiều của quan hệ X và Y.
Biến tương tác trong SmartPLS dùng để làm gì
Biến tương tác trong SmartPLS là tích của biến độc lập và biến điều tiết trong một quan hệ hồi quy. Trong PLS-SEM, bạn thường không tự nhân từng cột dữ liệu bằng Excel rồi nhập lại. SmartPLS tạo interaction term dựa trên các construct và indicator đã có trong mô hình.
Ví dụ, đề tài kiểm tra tác động của chất lượng dịch vụ lên sự hài lòng, với niềm tin là biến điều tiết. Mô hình có ba construct: Chất lượng dịch vụ X, Niềm tin Z và Sự hài lòng Y. Giả thuyết điều tiết có thể viết là: Niềm tin làm thay đổi tác động của Chất lượng dịch vụ lên Sự hài lòng.
Mô hình hồi quy có dạng:
Y = β1X + β2Z + β3(X × Z) + ε
Trong đó, β3 là hệ số bạn cần tập trung. Nếu p-value của đường dẫn interaction term đến Y nhỏ hơn mức ý nghĩa đã chọn, hoặc khoảng tin cậy bootstrap không chứa 0, có bằng chứng ủng hộ hiệu ứng điều tiết. Bạn vẫn phải xem dấu của path coefficient để biết điều tiết làm quan hệ mạnh hơn hay yếu hơn.
Bạn có thể xem thêm chủ đề SmartPLS nếu cần đặt biến tương tác trong quy trình PLS-SEM đầy đủ, từ đánh giá measurement model đến structural model.
Chuẩn bị mô hình và dữ liệu
Phân biệt measurement model và structural model
Measurement model mô tả các indicator đo lường construct. Structural model mô tả các mũi tên giữa các construct. Trước khi tạo biến tương tác, hãy kiểm tra X, Z và Y đã được khai báo đúng loại construct, indicator không bị nối nhầm và quan hệ chính X → Y đã được vẽ.
Một lỗi thường gặp là chỉ tạo mũi tên X → Y và X × Z → Y nhưng quên đưa Z → Y vào mô hình. Trong kiểm định moderation, mô hình thường cần có cả tác động trực tiếp của X, tác động trực tiếp của Z và interaction term. Nếu thiếu đường dẫn chính, việc diễn giải hệ số tương tác sẽ khó bảo vệ với giảng viên.
Đặt tên indicator nhất quán
Tên cột trong file .csv cần ngắn, không dấu và không có khoảng trắng, chẳng hạn CLDV1, CLDV2, NT1, NT2, HL1, HL2. Mỗi indicator phải có một cột riêng. Dòng đầu tiên là tên biến, các dòng phía dưới là dữ liệu của từng người trả lời.
Bạn nên kiểm tra các vấn đề sau trước khi import:
| Hạng mục | Cách kiểm tra trước khi chạy | Rủi ro nếu bỏ qua |
|---|---|---|
| Dòng đầu tiên | Mỗi cột có một tên indicator duy nhất | SmartPLS nhận sai tên biến |
| Dữ liệu thiếu | Ô trống, ký hiệu chữ hoặc mã đặc biệt | Kết quả bootstrapping bị ảnh hưởng |
| Thang đo đảo chiều | Đã recode các indicator nghịch chiều | Alpha, loading và path bị sai |
| Kiểu dữ liệu | Các cột indicator là số | Không tính được construct score |
| Cỡ mẫu | Số dòng là số người trả lời hợp lệ | Ước lượng thiếu ổn định |
Kiểm tra construct trước khi tạo interaction term
Chạy đánh giá measurement model trước. Với reflective construct, xem outer loading, Cronbach's Alpha, composite reliability, AVE và HTMT. Outer loading từ 0.7 trở lên là mốc thường dùng trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên thường được dùng để đánh giá độ tin cậy và giá trị hội tụ (Fornell và Larcker, 1981).
Bạn không nên tạo interaction term để che một measurement model đang có vấn đề. Nếu một construct có indicator loading rất thấp hoặc HTMT vượt ngưỡng, hãy xử lý measurement model và ghi lại quyết định trước khi đánh giá moderation.
Các bước thực hiện trong SmartPLS 4
Các đường dẫn dưới đây áp dụng cho SmartPLS 4. Giao diện SmartPLS 3 có thể đặt nút ở vị trí khác, vì vậy bạn không nên đối chiếu tên menu một cách máy móc.
Bước 1: Import file dữ liệu và tạo project
Mở SmartPLS 4, tạo project mới rồi chọn import data file. Chọn file .csv đã chuẩn bị. Sau khi import, tạo model mới và kéo các indicator vào đúng construct. Kiểm tra số lượng observation và tên cột trong cửa sổ dữ liệu.
Nếu file đang ở dạng .sav, hãy kiểm tra khả năng tương thích của phiên bản đang dùng. Với quy trình ổn định, bạn có thể xuất một bản .csv riêng, giữ nguyên mã hóa dữ liệu và lưu lại file gốc để đối chiếu.
Bước 2: Vẽ các quan hệ chính trong mô hình
Tạo mũi tên từ X đến Y, từ Z đến Y và từ X đến Z nếu giả thuyết nghiên cứu có quan hệ giữa hai biến độc lập. Trong moderation, đường dẫn quan trọng sau cùng là interaction term đến Y, nhưng trước đó SmartPLS cần biết construct nào là predictor và construct nào là moderator.
Đặt tên construct rõ ràng, chẳng hạn ChatLuongDichVu, NiemTin và HaiLong. Tên này sẽ xuất hiện trong bảng Path Coefficients, nên dùng tên mà bạn có thể đưa vào chương 4 mà không phải sửa thủ công quá nhiều.
Bước 3: Tạo interaction term
Chọn công cụ tạo moderation trong khu vực model hoặc dùng tùy chọn tạo moderator effect của SmartPLS 4. Chọn predictor là X, moderator là Z và dependent construct là Y. SmartPLS sẽ thêm một construct hoặc đường dẫn interaction term vào mô hình, tùy cách hiển thị của phiên bản.
Kiểm tra lại cấu trúc sau khi tạo. Bạn cần thấy đường dẫn từ X đến Y, từ Z đến Y và từ interaction term đến Y. Nếu chỉ thấy interaction term nhưng không có đường dẫn chính, hãy quay lại chỉnh mô hình trước khi chạy thuật toán.
SmartPLS có thể cho phép lựa chọn cách tạo interaction như product indicator hoặc two-stage approach. Product indicator tạo tích giữa các indicator, còn two-stage approach dùng latent variable scores ở bước sau. Nếu mô hình có nhiều indicator hoặc cần mô hình gọn hơn, hãy ghi rõ cách tiếp cận đã chọn trong phương pháp nghiên cứu. (Hair và cộng sự, 2022) trình bày quy trình PLS-SEM theo hướng đánh giá measurement model rồi structural model, vì vậy bạn nên giữ thứ tự này khi báo cáo.
Bước 4: Chạy PLS-SEM Algorithm
Chọn Calculate, sau đó chạy PLS-SEM Algorithm. Kiểm tra algorithm có hội tụ hay không, outer loading của các construct và giá trị R² của biến phụ thuộc. R² thể hiện phần phương sai của Y được giải thích bởi các predictor trong mô hình, bao gồm interaction term nếu term này đã được đưa vào cấu trúc.
Ở bước này, chưa nên kết luận giả thuyết điều tiết chỉ dựa vào dấu của hệ số. Bạn cần bootstrapping để đánh giá sai số chuẩn, t-value, p-value và confidence interval.
Bước 5: Chạy Bootstrapping
Chọn Calculate, Bootstrapping trong SmartPLS 4. Chọn số bootstrap subsamples theo thiết kế nghiên cứu. Mốc 5.000 bootstrap subsamples được khuyến nghị trong quy trình PLS-SEM (Hair và cộng sự, 2022). Chọn kiểm định hai phía nếu giả thuyết chỉ nói có tác động, hoặc một phía khi hướng tác động đã được lập luận rõ ràng và phù hợp với thiết kế kiểm định.
Sau khi chạy, mở kết quả của interaction term trong Path Coefficients. Ghi lại Original Sample, Sample Mean, Standard Deviation, T Statistics, P Values và confidence interval. Nếu dùng khoảng tin cậy, hiệu ứng được xem là có ý nghĩa khi khoảng này không chứa 0 (Preacher và Hayes, 2008).
Bước 6: Chạy Blindfolding hoặc PLSpredict khi phù hợp
Q² là chỉ số liên quan đến khả năng dự báo của mô hình. Nếu thiết kế và loại construct phù hợp với blindfolding, bạn có thể xem Q² của biến nội sinh. Q² lớn hơn 0 thường được dùng như dấu hiệu mô hình có liên quan dự báo (Stone, 1974). Chỉ số này bổ sung cho kiểm định interaction term, không thay thế p-value hoặc confidence interval của đường dẫn điều tiết.
Đọc bảng kết quả
Bảng quan trọng nhất là Path Coefficients. Trong kết quả minh họa dưới đây, ChatLuongDichVu × NiemTin là interaction term và HaiLong là biến phụ thuộc. Đây chỉ là số liệu minh họa theo hình dạng output SmartPLS, không phải kết quả của một nghiên cứu thật.
Bảng Path Coefficients
số liệu minh họa
| Quan hệ | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics | P Values | 2.5% | 97.5% |
|---|---|---|---|---|---|---|---|
| ChatLuongDichVu → HaiLong | 0.421 | 0.419 | 0.071 | 5.930 | 0.000 | 0.282 | 0.559 |
| NiemTin → HaiLong | 0.268 | 0.270 | 0.083 | 3.229 | 0.001 | 0.105 | 0.429 |
| ChatLuongDichVu × NiemTin → HaiLong | 0.146 | 0.148 | 0.062 | 2.355 | 0.019 | 0.027 | 0.268 |
Dòng interaction term có Original Sample bằng 0.146, tức hệ số điều tiết mang dấu dương trong ví dụ. P Values bằng 0.019 và khoảng tin cậy từ 0.027 đến 0.268 không chứa 0. Nếu mức ý nghĩa là 5%, giả thuyết về hiệu ứng điều tiết được ủng hộ trong số liệu minh họa này.
Dấu dương chưa đủ để nói mọi nhóm người đều có tác động giống nhau. Bạn cần xem thêm biểu đồ simple slope hoặc phân tích tác động của X lên Y tại các mức thấp, trung bình và cao của Z nếu phần mềm và thiết kế báo cáo của bạn có hỗ trợ. Khi interaction coefficient dương, quan hệ X → Y thường mạnh hơn khi Z tăng, nhưng cách diễn giải cuối cùng phải dựa trên thang đo, coding và biểu đồ cụ thể.
Đọc f² và R²
f² cho biết một predictor đóng góp bao nhiêu vào R² của biến nội sinh khi predictor đó được đưa vào hoặc loại khỏi mô hình. Các mốc f² bằng 0.02, 0.15 và 0.35 thường được diễn giải lần lượt là hiệu ứng nhỏ, trung bình và lớn (Cohen, 1988). Với moderation, hãy xem f² của interaction term nếu output cung cấp, nhưng đừng gọi nó là mức độ điều tiết chỉ dựa trên một mốc f².
R² của Y cho biết tỷ lệ phương sai được giải thích bởi toàn bộ predictor. Trong PLS-SEM, các mốc 0.25, 0.50 và 0.75 lần lượt có thể được xem là yếu, trung bình và đáng kể theo cách diễn giải của Hair (Hair và cộng sự, 2011). Đây là hướng dẫn diễn giải, không phải điều kiện bắt buộc để một giả thuyết điều tiết được chấp nhận.
Đọc HTMT và VIF
HTMT dùng để đánh giá giá trị phân biệt giữa các construct. Mốc HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, thường được sử dụng (Henseler và cộng sự, 2015). VIF dùng để kiểm tra cộng tuyến. Mốc VIF dưới 5 được báo cáo phổ biến trong PLS-SEM (Hair và cộng sự, 2019).
Các chỉ số CFI, TLI và RMSEA thuộc nhóm đánh giá fit của CB-SEM. Bạn không nên đưa các chỉ số này vào phần đánh giá một mô hình SmartPLS chỉ vì đã nhìn thấy chúng trong tài liệu AMOS. (Hu và Bentler, 1999) được dùng cho CB-SEM, không phải để thay thế các chỉ số R², f², Q² và HTMT trong PLS-SEM.
Ngưỡng đánh giá
Bảng dưới đây tập trung vào các chỉ số bạn có thể gặp khi kiểm định biến tương tác trong SmartPLS. Mỗi ngưỡng đều gắn với nguồn trong danh mục cho phép.
| Chỉ số | Mốc tham khảo | Cách dùng khi đọc biến tương tác | Nguồn |
|---|---|---|---|
| Outer loading | Từ 0.7 trở lên | Đánh giá indicator của construct | (Chin, 1998) |
| CR | Từ 0.7 trở lên | Đánh giá độ tin cậy tổng hợp | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | Đánh giá giá trị hội tụ | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc 0.90 với khái niệm gần | Đánh giá giá trị phân biệt | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | Kiểm tra cộng tuyến giữa các predictor | (Hair và cộng sự, 2019) |
| R² | 0.25 yếu, 0.50 trung bình, 0.75 đáng kể | Đánh giá phần phương sai Y được giải thích | (Hair và cộng sự, 2011) |
| f² | 0.02 nhỏ, 0.15 trung bình, 0.35 lớn | Đánh giá đóng góp của predictor | (Cohen, 1988) |
| Q² | Lớn hơn 0 | Đánh giá liên quan dự báo khi phù hợp | (Stone, 1974) |
| Bootstrap subsamples | 5.000 | Thiết lập số mẫu lặp khi bootstrapping | (Hair và cộng sự, 2022) |
| Confidence interval của hiệu ứng gián tiếp | Không chứa 0 | Dùng cho hiệu ứng gián tiếp hoặc moderation khi báo cáo CI | (Preacher và Hayes, 2008) |
Không nên gom tất cả các mốc trên thành một quy tắc đạt hoặc không đạt duy nhất. Một interaction term có p-value đạt nhưng measurement model không đáng tin cậy vẫn cần được giải thích thận trọng. Ngược lại, R² thấp không tự động bác bỏ một giả thuyết nếu quan hệ điều tiết có ý nghĩa và mô hình phù hợp với câu hỏi nghiên cứu.
Cách trình bày trong chương 4
Khi viết chương 4, hãy đi theo thứ tự: đánh giá measurement model, kiểm tra structural model, báo cáo path coefficient và sau đó diễn giải moderation. Nêu rõ interaction term được tạo bằng phương pháp nào trong SmartPLS 4, số bootstrap subsamples, loại kiểm định và mức ý nghĩa.
Cách viết vào luận văn: “Kết quả bootstrapping với [số lần lặp] cho thấy tác động của [biến độc lập] lên [biến phụ thuộc] thông qua tương tác với [biến điều tiết] có hệ số β = [giá trị], t = [giá trị], p = [giá trị], khoảng tin cậy [cận dưới; cận trên]. Vì khoảng tin cậy [không chứa/có chứa] 0, giả thuyết H[ ] được [chấp nhận/không được chấp nhận].”
Nếu hệ số tương tác dương, bạn có thể viết rằng khi [biến điều tiết] tăng, tác động của [X] lên [Y] có xu hướng mạnh hơn, với điều kiện biểu đồ simple slope và cách coding hỗ trợ diễn giải đó. Nếu hệ số âm, hãy viết rằng tác động có xu hướng yếu đi khi biến điều tiết tăng. Tránh dùng các câu như “biến điều tiết làm tăng 14.6%” nếu 0.146 chỉ là path coefficient, vì hệ số này không tự động có nghĩa là tăng 14.6 phần trăm.
Trong bảng giả thuyết, nên có các cột mã giả thuyết, quan hệ, β, t, p, confidence interval và kết luận. Nếu có nhiều interaction term, ghi tên đầy đủ của từng cặp X × Z để hội đồng biết bạn đang kiểm tra quan hệ nào.
Lỗi thường gặp
Tự nhân dữ liệu trước khi đưa vào SmartPLS
Bạn có thể tạo cột tích trong Excel, nhưng cách này dễ làm sai logic latent construct, đặc biệt khi mỗi construct có nhiều indicator. Hãy dùng công cụ moderation của SmartPLS và ghi lại lựa chọn product indicator hoặc two-stage approach.
Chỉ kiểm tra interaction term mà bỏ qua tác động chính
Mô hình cần có X → Y và Z → Y bên cạnh X × Z → Y. Nếu bỏ tác động chính, bạn khó phân biệt ảnh hưởng riêng của X, ảnh hưởng riêng của Z và phần tương tác.
Kết luận dựa vào Original Sample
Original Sample chỉ cho biết ước lượng và dấu của hệ số. Kết luận thống kê cần dựa vào p-value, t-value hoặc confidence interval được tạo từ bootstrapping.
Dùng p-value của một phía mà không giải thích
Kiểm định một phía có thể làm thay đổi kết luận. Hãy nói rõ giả thuyết đã định hướng như thế nào và lựa chọn kiểm định nào trước khi chạy, thay vì chọn loại p-value sau khi thấy kết quả.
Nhầm biến tương tác với biến trung gian
Biến trung gian trả lời câu hỏi “X tác động đến Y thông qua M như thế nào”. Biến điều tiết trả lời câu hỏi “quan hệ X và Y thay đổi theo Z ra sao”. Nếu đề tài có cả hai, hãy vẽ và kiểm định từng cơ chế theo giả thuyết riêng.
Bạn có thể đọc thêm về biến điều tiết, biến điều tiết trong SmartPLS, cách chạy FIMIX-PLS trong SmartPLS 4, FIMIX trong SmartPLS và MICOM trong SmartPLS khi mô hình của bạn có phân nhóm hoặc cần kiểm tra bất biến đo lường.
Đọc thêm: biến điều tiết, biến điều tiết trong smartpls, cách chạy fimix smartpls 4, fimix trong smartpls, micom trong smartpls, chủ đề smartpls.
Câu hỏi thường gặp
Biến tương tác trong SmartPLS có phải là biến điều tiết không
Biến tương tác là thành phần được tạo từ biến độc lập và biến điều tiết. Biến điều tiết là construct Z về mặt lý thuyết, còn interaction term X × Z là biến được đưa vào structural model để kiểm định việc Z làm thay đổi quan hệ X và Y.
Có cần tạo interaction term cho mọi biến trong mô hình không
Bạn chỉ tạo interaction term khi mô hình và giả thuyết có cơ sở cho hiệu ứng điều tiết. Tạo nhiều term không có trong mô hình lý thuyết sẽ làm kết quả khó đọc, tăng nguy cơ cộng tuyến và khiến bạn phải giải thích các kiểm định không phục vụ câu hỏi nghiên cứu.
P-value của interaction term lớn hơn 0.05 thì phải làm sao
Với mức ý nghĩa 5%, bạn chưa có đủ bằng chứng thống kê để ủng hộ hiệu ứng điều tiết. Hãy kiểm tra lại coding, quan hệ X và Z, chất lượng measurement model, VIF và thiết lập bootstrapping. Không nên xóa interaction term chỉ để làm p-value nhỏ hơn, cũng không nên đổi giả thuyết sau khi xem kết quả mà không ghi rõ trong luận văn.
Có cần chạy simple slope khi interaction term có ý nghĩa không
Simple slope giúp bạn giải thích hiệu ứng điều tiết ở các mức khác nhau của Z. Nó đặc biệt hữu ích khi hệ số interaction term có ý nghĩa nhưng người đọc khó hình dung quan hệ X → Y thay đổi theo Z. Nếu không có biểu đồ, ít nhất hãy trình bày dấu của hệ số, confidence interval và ý nghĩa lý thuyết của quan hệ.
Có thể dùng SmartPLS 3 thay cho SmartPLS 4 không
Có thể, nếu trường hoặc nhóm nghiên cứu yêu cầu phiên bản đó, nhưng vị trí menu và cách hiển thị moderation có thể khác. Trong luận văn, ghi đúng phiên bản đã sử dụng, phương pháp tạo interaction term, số bootstrap subsamples và các thiết lập chính để người khác có thể kiểm tra lại quy trình.
Bây giờ bạn hãy mở lại file .csv, kiểm tra ba construct X, Z, Y, chụp hoặc lưu bảng Path Coefficients của interaction term và điền các giá trị vào đoạn mẫu trước khi viết chương 4. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis hỗ trợ quy trình SPSS và SmartPLS từ kiểm tra dữ liệu đến diễn giải output.