Moderating là gì? Cách đọc và kiểm định biến điều tiết
Moderating là gì
Moderating là quá trình kiểm định xem một biến điều tiết, thường gọi là moderator, có làm thay đổi mối quan hệ giữa biến độc lập X và biến phụ thuộc Y hay không. Biến điều tiết có thể làm tác động của X lên Y mạnh hơn, yếu hơn hoặc đổi chiều trong những điều kiện khác nhau.
Ví dụ, bạn nghiên cứu tác động của chất lượng dịch vụ đến ý định mua lại. Bạn đặt giả thuyết rằng mức độ tin cậy của khách hàng có thể điều tiết mối quan hệ này. Khi đó, chất lượng dịch vụ là biến độc lập, ý định mua lại là biến phụ thuộc, còn mức độ tin cậy là moderator.
Trong hồi quy, moderating được kiểm định thông qua biến tương tác giữa X và M:
Y = β0 + β1X + β2M + β3(X × M) + ε
Trong công thức này, M là moderator và X × M là biến tương tác. Thành phần quan trọng nhất là hệ số β3. Nếu hệ số của biến tương tác có ý nghĩa thống kê, bạn có cơ sở kết luận rằng M điều tiết mối quan hệ giữa X và Y. Chỉ nhìn vào p-value của M là chưa đủ, vì M có thể ảnh hưởng trực tiếp đến Y nhưng không điều tiết tác động của X.
Trong thực tế, từ khóa moderating thường xuất hiện cùng các cụm như moderator variable, moderation analysis, interaction effect và biến điều tiết. Bạn nên phân biệt cách dùng thuật ngữ này với moderator trong nghiên cứu định lượng, vì moderator là biến, còn moderating là hoạt động hoặc mô hình kiểm định tác động điều tiết.
Ý nghĩa của moderating trong nghiên cứu định lượng
Moderating trả lời câu hỏi: “Tác động của X lên Y có thay đổi theo mức độ của M không”. Đây là câu hỏi về điều kiện xảy ra của một mối quan hệ, không chỉ là câu hỏi X có ảnh hưởng đến Y hay không.
Giả sử hệ số X đến Y là dương. Nếu hệ số tương tác X × M dương và có ý nghĩa, tác động tích cực của X lên Y có xu hướng mạnh hơn khi M tăng. Nếu hệ số tương tác âm và có ý nghĩa, tác động của X lên Y có xu hướng yếu đi khi M tăng. Bạn vẫn cần xem bảng conditional effects hoặc biểu đồ tương tác để diễn giải cụ thể, thay vì chỉ viết “có điều tiết” rồi dừng lại.
Moderating hữu ích khi mô hình lý thuyết của bạn có những điều kiện biên. Chẳng hạn, cùng một mức độ dễ sử dụng của ứng dụng, tác động đến ý định sử dụng có thể khác nhau giữa người có kinh nghiệm công nghệ thấp và người có kinh nghiệm cao. Kinh nghiệm công nghệ là moderator trong tình huống này.
Moderating cũng giúp giải thích vì sao hai nghiên cứu có thể thu được hệ số khác nhau. Một mối quan hệ có thể mạnh trong nhóm khách hàng trẻ nhưng yếu trong nhóm lớn tuổi. Tuy nhiên, bạn chỉ nên đưa moderator vào mô hình khi có lập luận lý thuyết và giả thuyết rõ ràng. Thêm nhiều biến tương tác chỉ để tìm p-value nhỏ sẽ khiến mô hình khó giải thích khi bảo vệ.
Bạn cũng cần phân biệt moderator với mediator. Mediator giải thích cơ chế hoặc con đường từ X đến Y, còn moderator trả lời câu hỏi mối quan hệ X đến Y thay đổi trong điều kiện nào. Xem thêm bài mediator là gì nếu bạn đang nhầm hai khái niệm này.
Moderating bao nhiêu là đạt
Không có một con số duy nhất gọi là “moderating đạt”. Quyết định chính thường dựa trên hệ số biến tương tác, p-value hoặc khoảng tin cậy bootstrap, hướng tác động và sự phù hợp với giả thuyết. Ngưỡng dưới đây là các quy tắc thường dùng cho hồi quy và phân tích moderation, không phải bằng chứng rằng mọi bộ dữ liệu đều phải đạt cùng một giá trị.
| Nội dung cần kiểm tra | Cách diễn giải thường dùng | Nguồn |
|---|---|---|
Hệ số tương tác X × M | Có ý nghĩa khi p-value nhỏ hơn mức ý nghĩa đã chọn, thường là 0.05 | (Field, 2013) |
| Khoảng tin cậy của hiệu ứng tương tác | Có bằng chứng điều tiết khi khoảng tin cậy không chứa 0 | (Preacher và Hayes, 2008) |
| VIF của các biến trong mô hình | VIF dưới 5 là ngưỡng thường được dùng để xem xét đa cộng tuyến | (Hair và cộng sự, 2019) |
| f² của hiệu ứng | 0.02 nhỏ, 0.15 trung bình, 0.35 lớn | (Cohen, 1988) |
| R² của mô hình | 0.25 yếu, 0.50 trung bình, 0.75 đáng kể trong PLS-SEM | (Hair và cộng sự, 2011) |
| Durbin-Watson trong hồi quy | Khoảng từ 1 đến 3 thường được dùng để kiểm tra tự tương quan phần dư | (Field, 2013) |
Với moderating bằng hồi quy, bạn nên xem ít nhất ba yếu tố. Thứ nhất là hệ số X × M có ý nghĩa hay không. Thứ hai là dấu của hệ số có phù hợp với giả thuyết không. Thứ ba là mức tăng của R² khi đưa biến tương tác vào mô hình và kích thước hiệu ứng có đáng kể về mặt thực tế không.
Nếu dùng SmartPLS, bạn có thể đánh giá moderation qua Path Coefficients của đường dẫn từ biến tương tác đến Y và kết quả Bootstrapping. Khi chạy bootstrapping, số lượng mẫu lặp cần được báo cáo rõ. Quy trình PLS-SEM hiện hành thường dùng 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022). Với SmartPLS, không nên đưa CFI, TLI hoặc RMSEA vào bảng tiêu chí của PLS-SEM, vì các chỉ số đó thuộc nhóm đánh giá fit của CB-SEM theo (Hu và Bentler, 1999).
Một hệ số tương tác có p-value nhỏ vẫn cần được giải thích cùng bối cảnh nghiên cứu. Ý nghĩa thống kê không tự động cho thấy tác động đủ lớn để có ý nghĩa quản trị. Bạn nên báo cáo cả hệ số, sai số chuẩn, p-value, khoảng tin cậy và hướng điều tiết nếu các bảng output có cung cấp.
Cách đọc moderating trên output
Trong SPSS, moderating thường được chạy bằng hồi quy tuyến tính với một biến tương tác. Bạn có thể tạo biến tương tác bằng cách nhân biến độc lập đã xử lý với moderator, sau đó đưa các biến vào hồi quy theo từng bước. Centering, tức trừ giá trị trung bình khỏi từng biến liên tục trước khi nhân, thường giúp giảm tương quan không cần thiết giữa biến gốc và biến tương tác. Bạn cần ghi rõ cách xử lý này trong phương pháp nghiên cứu.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được mô phỏng theo output SPSS để bạn biết cần tìm dòng nào.
| Biến trong mô hình | B | Std. Error | Beta | t | Sig. |
|---|---|---|---|---|---|
| Hằng số | 3.102 | 0.084 | 36.929 | 0.000 | |
| Chất lượng dịch vụ X | 0.284 | 0.061 | 0.301 | 4.656 | 0.000 |
| Tin cậy M | 0.197 | 0.057 | 0.218 | 3.456 | 0.001 |
| X × M | 0.126 | 0.049 | 0.133 | 2.571 | 0.011 |
Trong bảng Coefficients, dòng X × M là dòng bạn cần đọc đầu tiên. Ở ví dụ minh họa, hệ số B bằng 0.126 và Sig. bằng 0.011. Nếu mức ý nghĩa bạn chọn là 0.05, hệ số tương tác có ý nghĩa thống kê. Dấu dương cho thấy khi M tăng, tác động của X lên Y có xu hướng mạnh hơn.
Tiếp theo, mở bảng Model Summary. Bạn cần xem R Square của mô hình chỉ có X và M, sau đó so sánh với R Square của mô hình có thêm X × M. Nếu dùng hồi quy phân cấp, bảng ANOVA và phần R Square Change giúp bạn xem mô hình mới có cải thiện khả năng giải thích hay không.
| Mô hình | Biến đưa vào | R Square | R Square Change | Sig. F Change |
|---|---|---|---|---|
| 1 | X, M | 0.318 | 0.000 | |
| 2 | X, M, X × M | 0.337 | 0.019 | 0.011 |
Bảng thứ hai cũng là số liệu minh họa. R Square tăng từ 0.318 lên 0.337, tức phần biến thiên được giải thích tăng 0.019 theo cách trình bày của mô hình. Bạn không nên gọi mức tăng này là “tăng 1,9 phần trăm” nếu chưa xác định rõ cách báo cáo. Hãy ghi đúng ΔR² = 0.019 và kết hợp với p-value của hiệu ứng tương tác.
Trong SmartPLS, các bảng thường gặp là Path Coefficients, Confidence Intervals, Specific Indirect Effects và kết quả Bootstrapping. Với moderation, hãy tìm đường dẫn từ biến tương tác đến biến phụ thuộc. Nếu khoảng tin cậy bootstrap của hệ số không chứa 0, đó là bằng chứng phù hợp với kết luận có tác động điều tiết theo (Preacher và Hayes, 2008).
Bạn nên xem thêm biểu đồ tương tác. Một đường dốc hơn ở nhóm moderator cao và một đường phẳng hơn ở nhóm moderator thấp thường giúp người đọc hiểu kết quả nhanh hơn. Biểu đồ chỉ hỗ trợ diễn giải, không thay thế kiểm định hệ số tương tác.
Khi moderating không đạt thì xử lý thế nào
Nếu dòng X × M có Sig. lớn hơn mức ý nghĩa, trước hết kiểm tra bạn đã tạo biến tương tác đúng chưa. Sai tên biến, nhân nhầm biến chưa đảo chiều, bỏ sót dữ liệu thiếu hoặc đưa biến phân loại vào như biến liên tục đều có thể làm kết quả sai. Hãy mở Variable View, kiểm tra kiểu dữ liệu, mã hóa và số lượng quan sát hợp lệ trước khi chạy lại.
Bước tiếp theo là kiểm tra đa cộng tuyến. Xem bảng Coefficients và cột VIF, Tolerance. Centering các biến liên tục trước khi tạo tích tương tác có thể giúp output ổn định hơn, nhưng centering không biến một hiệu ứng không tồn tại thành hiệu ứng có ý nghĩa. Bạn không nên xóa biến tương tác chỉ vì nó làm R² thay đổi ít, nếu giả thuyết của bạn yêu cầu kiểm định moderation.
Sau đó, kiểm tra outlier và điểm ảnh hưởng. Một vài quan sát cực đoan có thể kéo hệ số tương tác theo một hướng bất thường. Bạn có thể đọc thêm hướng dẫn về outliers trong dữ liệu, nhưng việc loại một dòng dữ liệu phải dựa trên tiêu chí đã nêu trong phương pháp, không phải vì dòng đó làm p-value trở nên đẹp hơn.
Nếu moderator là biến phân loại, bạn cần mã hóa nhóm đúng cách và chọn nhóm tham chiếu. Với moderator có hai nhóm, biến giả thường dễ diễn giải. Với moderator có nhiều nhóm, cách mã hóa và số lượng tương tác tăng lên, vì vậy bạn nên thống nhất với giảng viên hướng dẫn trước khi chạy.
Nếu đã kiểm tra dữ liệu, mô hình và giả định mà hiệu ứng tương tác vẫn không có ý nghĩa, kết luận phù hợp là chưa có bằng chứng về tác động điều tiết trong mẫu nghiên cứu. Bạn có thể thảo luận rằng giả thuyết không được ủng hộ. Không nên đổi ngưỡng p-value, thử nhiều cách mã hóa rồi chỉ giữ output có lợi, hoặc loại biến quan sát chỉ vì muốn moderator đạt.
Phân biệt moderating với mediator và moderator
Ba thuật ngữ này liên quan nhưng không thay thế cho nhau. Moderator là biến điều tiết M. Moderating là quá trình kiểm định tác động điều tiết. Mediator là biến trung gian, thường ký hiệu là Z, giải thích cơ chế thông qua đó X tác động đến Y.
| Khái niệm | Câu hỏi nghiên cứu | Dấu hiệu trong mô hình |
|---|---|---|
| Moderator | Khi nào hoặc với ai tác động X đến Y mạnh hơn | Có biến tương tác X × M |
| Moderating | Có tồn tại tác động điều tiết hay không | Kiểm định hệ số của X × M |
| Mediator | X tác động đến Y thông qua cơ chế nào | Kiểm định các đường X đến Z và Z đến Y |
| Biến trung gian | Biến giải thích một phần hoặc toàn bộ cơ chế tác động | Thường có hiệu ứng gián tiếp |
Ví dụ, thu nhập có thể là moderator nếu tác động của chất lượng dịch vụ đến ý định mua lại khác nhau theo mức thu nhập. Niềm tin có thể là mediator nếu chất lượng dịch vụ làm tăng niềm tin, rồi niềm tin làm tăng ý định mua lại.
Moderator cũng dễ bị nhầm với biến kiểm soát. Biến kiểm soát được đưa vào để hạn chế ảnh hưởng của các yếu tố khác, còn moderator được đưa vào để kiểm định sự thay đổi của quan hệ X đến Y. Tuổi có thể là biến kiểm soát trong một mô hình, nhưng chỉ trở thành moderator khi bạn có giả thuyết và biến tương tác liên quan đến tuổi.
Khi viết mô hình, hãy ghi rõ vai trò của từng biến ngay từ chương 2 và chương 3. Nếu bạn đang xây dựng thang đo cho moderator, bài scale là gì sẽ giúp bạn rà lại khái niệm, biến quan sát và cách đánh giá thang đo trước khi chạy mô hình.
Lỗi thường gặp khi kiểm định moderating
Lỗi đầu tiên là nhìn Sig. của dòng moderator rồi kết luận có điều tiết. Một moderator có thể có tác động trực tiếp đến Y, nhưng bằng chứng điều tiết nằm ở dòng X × M hoặc đường dẫn từ biến tương tác đến Y.
Lỗi thứ hai là tạo tích X × M từ các biến có missing value mà không kiểm tra số quan sát hợp lệ. SPSS có thể loại các dòng thiếu dữ liệu khi chạy hồi quy, khiến cỡ mẫu của mô hình moderation khác với các phân tích trước. Hãy ghi lại N ở từng mô hình.
Lỗi thứ ba là kết luận theo R² mà bỏ qua hệ số tương tác. R² tăng không đủ để chứng minh moderator. Bạn cần đọc hệ số tương tác, p-value hoặc khoảng tin cậy, hướng tác động và kích thước hiệu ứng.
Lỗi thứ tư là diễn giải quá mức. Nếu hệ số tương tác dương, bạn có thể nói tác động của X lên Y tăng theo M trong phạm vi dữ liệu quan sát được. Bạn không nên viết rằng M “gây ra” sự thay đổi nếu thiết kế nghiên cứu của bạn là khảo sát cắt ngang.
Lỗi thứ năm là không vẽ hoặc không giải thích simple slopes. Một bảng hệ số cho biết hiệu ứng có tồn tại, còn simple slopes giúp bạn nói hiệu ứng khác nhau thế nào ở mức moderator thấp, trung bình và cao. Các mức này cần được định nghĩa rõ trong cách tính, chẳng hạn theo trung bình và độ lệch chuẩn, thay vì chọn tùy ý sau khi xem kết quả.
Khi viết vào luận văn, bạn có thể dùng mẫu sau và thay bằng số liệu thật: “Kết quả hồi quy cho thấy biến tương tác giữa [X] và [M] có hệ số [B = ...], [t = ...], [p = ...]. Do [p ... 0.05] và [khoảng tin cậy không chứa/chứa 0], giả thuyết [H...] về tác động điều tiết của [M] đối với mối quan hệ giữa [X] và [Y] được [ủng hộ/không được ủng hộ].”
Câu hỏi thường gặp
Moderating là gì trong SPSS?
Moderating trong SPSS là kiểm định xem biến M có làm thay đổi tác động của X lên Y hay không. Bạn tạo biến tương tác X × M, đưa X, M và biến tương tác vào hồi quy, sau đó đọc hệ số và Sig. của dòng tương tác trong bảng Coefficients.
Moderator bao nhiêu là đạt?
Moderator không có ngưỡng riêng dựa trên giá trị trung bình của biến M. Bằng chứng chính nằm ở hệ số tương tác. Hệ số này thường được xem là có ý nghĩa khi p-value dưới mức ý nghĩa đã chọn hoặc khoảng tin cậy bootstrap không chứa 0, theo (Preacher và Hayes, 2008).
Biến điều tiết và biến trung gian khác nhau thế nào?
Biến điều tiết trả lời câu hỏi tác động X đến Y mạnh hay yếu trong điều kiện nào. Biến trung gian giải thích X tác động đến Y thông qua cơ chế nào. Nếu mô hình của bạn có tích X × M, đó là dấu hiệu bạn đang kiểm định moderation, còn mediator thường được đánh giá qua hiệu ứng gián tiếp.
Vì sao biến moderator có Sig. lớn nhưng biến tương tác lại có Sig. nhỏ?
M có thể không có tác động trực tiếp rõ ràng đến Y, nhưng vẫn làm thay đổi tác động của X đến Y. Vì vậy Sig. của M và Sig. của X × M trả lời hai câu hỏi khác nhau. Khi kết luận moderating, bạn đọc dòng tương tác, không thay thế nó bằng dòng M.
Moderating không đạt thì có được loại moderator không?
Bạn có thể không giữ moderator trong mô hình cuối nếu lý thuyết không yêu cầu bắt buộc và kết quả không ủng hộ giả thuyết. Tuy nhiên, hãy báo cáo quá trình kiểm định và nêu rõ giả thuyết không được ủng hộ. Không nên xóa moderator chỉ vì kết quả không phù hợp với kỳ vọng.
Có cần chạy moderating khi đã chạy hồi quy không?
Có. Hồi quy X và M lên Y chỉ cho biết tác động riêng của các biến, chưa kiểm định việc M thay đổi tác động của X. Moderating cần thêm biến tương tác hoặc mô hình tương đương trong SmartPLS để đánh giá hiệu ứng điều tiết.
Bạn hãy mở lại file .sav hoặc .csv, xác định đúng dòng X × M, kiểm tra N, VIF, hệ số, p-value và khoảng tin cậy trước khi viết kết luận. Nếu cần chạy moderating trên chính dữ liệu của bạn bằng SPSS hoặc SmartPLS, M4 phân tích dữ liệu của DoThesis là module phù hợp cho bước này.