Moderation là gì? Cách đọc và kiểm định biến điều tiết
Moderation là gì
Bạn đang xem một mô hình có biến X tác động đến Y, nhưng giảng viên hỏi thêm: “Mối quan hệ này có thay đổi theo giới tính, độ tuổi hoặc kinh nghiệm hay không?”. Đây là câu hỏi về moderation, thường được gọi là phân tích biến điều tiết. Moderation xảy ra khi một biến thứ ba làm thay đổi độ mạnh hoặc chiều hướng tác động của X lên Y.
Trong mô hình cơ bản, X là biến độc lập, Y là biến phụ thuộc và W là moderator, tức biến điều tiết. Phương trình hồi quy thường được viết như sau:
Y = b0 + b1X + b2W + b3(X × W) + e
Trong đó, X × W là interaction term, được tạo bằng tích của X và W sau khi dữ liệu đã được chuẩn hóa hoặc mean-centering khi phù hợp. Hệ số cần quan tâm nhất là b3. Nếu interaction term có ý nghĩa thống kê, tác động của X lên Y phụ thuộc vào mức độ của W.
Ví dụ, bạn nghiên cứu ảnh hưởng của chất lượng dịch vụ đến ý định tiếp tục sử dụng. Kinh nghiệm sử dụng có thể điều tiết mối quan hệ này. Người có nhiều kinh nghiệm có thể phản ứng khác với chất lượng dịch vụ so với người mới sử dụng, nhưng dữ liệu thực tế mới quyết định giả thuyết có được ủng hộ hay không.
Ý nghĩa của moderation trong nghiên cứu định lượng
Moderation trả lời câu hỏi “khi nào” hoặc “với ai” một mối quan hệ xảy ra mạnh hơn. Hệ số tác động của X lên Y vì thế không còn được diễn giải như một con số cố định cho toàn bộ mẫu. Bạn cần xem tác động của X thay đổi thế nào khi W ở các mức khác nhau.
Có ba dạng thường gặp. Moderator có thể làm tác động của X lên Y mạnh hơn, làm tác động yếu đi, hoặc đảo chiều tác động. Chẳng hạn, áp lực công việc có thể làm ảnh hưởng của thời gian sử dụng mạng xã hội đến hiệu suất học tập trở nên tiêu cực hơn. Ở đây, dấu của interaction term và các hệ số tác động đơn giản giúp bạn giải thích hướng điều tiết.
Moderation cũng giúp mô hình có câu hỏi nghiên cứu sát với bối cảnh hơn. Một mô hình chỉ có X và Y nói rằng X liên quan đến Y trong mẫu nghiên cứu. Khi thêm W, bạn kiểm tra điều kiện mà mối quan hệ đó mạnh hoặc yếu. Đây là khác biệt về logic nghiên cứu, không chỉ là thêm một biến vào bảng hồi quy.
Bạn nên xác định moderator từ cơ sở lý thuyết và giả thuyết trước khi chạy dữ liệu. Không nên thử hàng loạt biến nhân khẩu học rồi chỉ giữ biến có p-value nhỏ. Cách làm đó khiến hội đồng hỏi về lý do chọn moderator, hướng tác động và nguy cơ kết quả được phát hiện ngẫu nhiên.
Nếu cần phân biệt thuật ngữ này với biến trung gian, bạn có thể xem thêm bài mediator là gì. Với biến trung gian, câu hỏi là X tác động đến Y thông qua cơ chế nào. Với moderator, câu hỏi là tác động X đến Y thay đổi trong điều kiện nào.
Moderation bao nhiêu là đạt
Không có một ngưỡng riêng kiểu “moderation phải đạt từ 0.5”. Quyết định moderation dựa chủ yếu vào interaction term trong mô hình, gồm hệ số, p-value hoặc khoảng tin cậy bootstrap, hướng tác động và ý nghĩa thực tiễn. Bạn cần báo cáo đúng phương pháp đã dùng, thay vì chỉ nhìn R² của mô hình cuối cùng.
Bảng dưới đây tóm tắt các tiêu chí thường dùng. Mỗi ngưỡng cần được đặt trong đúng bối cảnh phân tích.
| Thành phần cần đánh giá | Mức tham khảo | Nguồn canonical | Cách hiểu |
|---|---|---|---|
Interaction effect X × W | p-value dưới 0.05 hoặc khoảng tin cậy không chứa 0 | (Hayes, 2018) | Có bằng chứng về tác động điều tiết theo quy tắc kiểm định đã chọn |
| Thay đổi R² khi thêm interaction | Cần báo cáo cùng kiểm định mô hình | (Cohen, 1988) | Cho biết phần biến thiên tăng thêm, không thay thế kiểm định interaction |
| f² của interaction | 0.02 nhỏ, 0.15 vừa, 0.35 lớn | (Cohen, 1988) | Đánh giá kích thước hiệu ứng, nếu bạn có tính và báo cáo f² |
| VIF của các biến trong mô hình | Dưới 5 | (Hair và cộng sự, 2019) | Kiểm tra đa cộng tuyến trong mô hình PLS-SEM |
| Số biến quan sát trên một item | 5 đến 10 quan sát cho mỗi biến quan sát | (Hair và cộng sự, 2010) | Một nguyên tắc tham khảo khi lập kế hoạch cỡ mẫu |
Ngưỡng p-value không nói rằng moderator “tốt” hay “xấu”. Nếu b3 có ý nghĩa, bạn cần xem đồ thị hoặc simple slopes để biết W làm mối quan hệ X và Y thay đổi theo hướng nào. Một hiệu ứng có p-value nhỏ nhưng rất yếu về mặt thực tiễn vẫn cần được diễn giải thận trọng.
Nếu dùng SmartPLS, bạn thường xem Path Coefficients, Confidence Intervals và kết quả Bootstrapping. Quy trình PLS-SEM nên đánh giá measurement model trước rồi mới chuyển sang structural model, theo cách tiếp cận hai bước được nêu trong (Anderson và Gerbing, 1988). Với PLS-SEM, việc báo cáo bootstrapping cần nêu số subsamples đã sử dụng. Mức 5.000 bootstrap subsamples được khuyến nghị trong (Hair và cộng sự, 2022).
Cách đọc moderation trên output
Giả sử bạn chạy hồi quy với X là chất lượng dịch vụ, W là kinh nghiệm sử dụng và Y là ý định tiếp tục. Số liệu bên dưới chỉ là minh họa hình dạng output, không phải kết quả của một nghiên cứu thật.
Bảng số liệu minh họa, SPSS Coefficients
| Model | Biến trong phương trình | B | Std. Error | Beta | t | Sig. |
|---|---|---|---|---|---|---|
| 1 | (Constant) | 3.214 | 0.081 | 39.679 | <0.001 | |
| 1 | Chất lượng dịch vụ X | 0.286 | 0.074 | 0.302 | 3.865 | <0.001 |
| 1 | Kinh nghiệm W | 0.119 | 0.062 | 0.141 | 1.919 | 0.057 |
| 1 | X × W | 0.173 | 0.069 | 0.188 | 2.507 | 0.013 |
Trong bảng này, dòng X × W là dòng quan trọng nhất để kết luận moderation. Hệ số B bằng 0.173 và Sig. bằng 0.013. Nếu bạn đặt mức ý nghĩa 5%, interaction effect có ý nghĩa thống kê. Dấu dương cho thấy khi W tăng, tác động của X lên Y có xu hướng mạnh hơn.
Dòng X có Sig. nhỏ hơn 0.001 cho thấy tác động chính của X trong phương trình có ý nghĩa, nhưng dòng này không tự nó chứng minh moderation. Dòng W cũng không bắt buộc phải có ý nghĩa thì interaction mới có thể có ý nghĩa. Vì vậy, bạn không nên loại W chỉ vì p-value của tác động chính của W lớn hơn 0.05.
Bảng Model Summary có thể cho bạn R, R Square và Adjusted R Square. Nếu bạn chạy hồi quy theo từng block, hãy so sánh R Square Change khi thêm interaction. Tuy nhiên, R² tăng không đủ để kết luận nếu interaction term không được kiểm định rõ ràng.
Trong SmartPLS, cấu trúc output khác SPSS. Bạn có thể gặp các bảng Path Coefficients, Total Effects, Specific Indirect Effects và Confidence Intervals. Nếu moderator được mô hình hóa bằng interaction construct, hãy kiểm tra đường dẫn từ interaction construct đến biến phụ thuộc, sau đó xem t value, p-value hoặc khoảng tin cậy từ bootstrapping.
Một kết quả SmartPLS minh họa có thể được trình bày như sau:
| Quan hệ | Original Sample | Sample Mean | Standard Deviation | T Statistics | P Values |
|---|---|---|---|---|---|
| X × W → Y | 0.173 | 0.169 | 0.069 | 2.507 | 0.013 |
Đây vẫn là số liệu minh họa. Khi viết chương 4, bạn phải thay bằng con số lấy trực tiếp từ file output của mình. Các chỉ số CFI, TLI và RMSEA thuộc nhóm CB-SEM, không nên đưa vào bài hướng dẫn kết quả SmartPLS. Các ngưỡng fit đó được nêu cho CB-SEM trong (Hu và Bentler, 1999), không phải tiêu chí mặc định của PLS-SEM.
Khi moderation không đạt thì xử lý thế nào
Trước tiên, kiểm tra bạn đã đọc đúng dòng interaction chưa. Trong SPSS, nhiều sinh viên nhìn vào Sig. của X hoặc W rồi kết luận moderation. Hãy quay lại bảng Coefficients, xác định đúng biến tích X × W, sau đó kiểm tra B, t và Sig. của dòng đó.
Tiếp theo, kiểm tra cách tạo biến. X và W phải được ghép đúng theo từng dòng dữ liệu. Nếu bạn dùng mean-centering, cần trừ giá trị trung bình của biến khỏi từng quan sát trước khi tạo tích. Mean-centering thường giúp giảm tương quan không cần thiết giữa biến chính và interaction, nhưng không biến một interaction không có ý nghĩa thành có ý nghĩa.
Sau đó, kiểm tra dữ liệu thiếu, outliers và mã hóa thang đo. Một biến đảo chiều chưa recode có thể làm điểm tổng hợp sai. Bạn có thể xem hướng dẫn về outliers trong dữ liệu, nhưng không nên xóa quan sát chỉ vì nó làm p-value đẹp hơn. Mỗi quan sát bị loại cần có lý do dữ liệu và được ghi lại.
Nếu moderation vẫn không đạt, hãy giữ kết quả trung thực. Bạn có thể báo cáo rằng giả thuyết điều tiết không được ủng hộ, miễn là mô hình và cách kiểm định phù hợp. Không nên đổi moderator, đổi thang đo hoặc chạy lại nhiều phiên bản cho đến khi có ý nghĩa mà không ghi lại các bước.
Cũng cần kiểm tra xem moderator có được đo đúng hay không. Nếu W là biến phân loại như giới tính, cách mã hóa và cách tạo interaction sẽ khác với W là thang đo liên tục. Nếu W có nhiều nhóm, có thể cần kiểm tra sự khác biệt theo nhóm bằng phương pháp phù hợp, thay vì ép mọi biến vào cùng một công thức.
Bạn cũng nên phân biệt vấn đề thống kê với vấn đề lý thuyết. Cỡ mẫu nhỏ, độ phân tán của moderator hẹp, đa cộng tuyến hoặc thang đo kém tin cậy đều có thể làm interaction khó phát hiện. Khi cỡ mẫu được lập kế hoạch cho hồi quy, quy tắc n từ 50 cộng 8 lần số biến dự báo được nêu trong (Tabachnick và Fidell, 2013), nhưng đây chỉ là tham khảo và không bảo đảm interaction sẽ có ý nghĩa.
Phân biệt moderation với mediator
Moderator và mediator đều là biến thứ ba, nên rất dễ bị gọi nhầm là “biến trung gian điều tiết”. Cách phân biệt nhanh nhất là nhìn vào câu hỏi nghiên cứu. Moderator trả lời “mối quan hệ X đến Y thay đổi khi W thay đổi như thế nào?”. Mediator trả lời “X tạo ra Y thông qua cơ chế nào?”.
Trong sơ đồ moderation, W thường tạo interaction với X. Mô hình có đường từ X đến Y, từ W đến Y và đường từ X × W đến Y. Trong mô hình mediation, biến M nằm trên cơ chế truyền dẫn, thường có đường X đến M và M đến Y. Hai phân tích này có thể xuất hiện trong cùng một nghiên cứu, nhưng giả thuyết và cách diễn giải khác nhau.
Ví dụ, sự dễ sử dụng có thể ảnh hưởng đến ý định sử dụng thông qua perceived usefulness. Đây là logic mediator. Nếu tác động của sự dễ sử dụng đến ý định sử dụng mạnh hơn ở nhóm có kinh nghiệm công nghệ cao, kinh nghiệm công nghệ là moderator. Bạn có thể đọc thêm về moderator là gì và moderating trong mô hình.
Một lỗi phổ biến là gọi mọi biến nằm ở giữa sơ đồ là mediator. Vị trí vẽ chưa đủ để xác định vai trò. Bạn cần xem biến đó có truyền tác động hay làm thay đổi độ mạnh của một đường tác động, sau đó chọn phân tích và giả thuyết tương ứng.
Lỗi thường gặp
Lỗi đầu tiên là dùng từ “moderation” cho một tương quan giữa W và Y. W có tương quan với Y chưa chứng minh W điều tiết quan hệ X và Y. Bạn phải kiểm định interaction term hoặc mô hình tương tác được chỉ định rõ.
Lỗi thứ hai là chỉ báo cáo p-value mà bỏ qua dấu của hệ số. p-value cho biết bằng chứng thống kê, còn dấu của B cho biết hướng điều tiết. Bên cạnh đó, nên báo cáo khoảng tin cậy, R² thay đổi hoặc kích thước hiệu ứng nếu quy trình của bạn có tính các chỉ số này.
Lỗi thứ ba là nhầm moderation với mediation. Hãy viết giả thuyết thành câu trước khi chạy mô hình. Câu “kinh nghiệm sử dụng làm thay đổi ảnh hưởng của chất lượng dịch vụ đến ý định tiếp tục” là giả thuyết moderation. Câu “chất lượng dịch vụ ảnh hưởng đến ý định tiếp tục thông qua sự hài lòng” là giả thuyết mediation.
Lỗi thứ tư là tạo interaction từ điểm trung bình sai. Hãy kiểm tra các biến quan sát đã được recode, thang đo đã được tổng hợp và thứ tự dòng dữ liệu không bị xáo trộn giữa các cột. Nếu bạn dùng SmartPLS, kiểm tra lại tên construct, indicator và sơ đồ đường dẫn trước khi bootstrapping.
Lỗi cuối là thay đổi mô hình sau khi xem kết quả nhưng không giải trình. Bạn có thể chạy phân tích bổ sung, song cần nêu rõ đó là phân tích khám phá hay kiểm định bổ sung. Phần Thống kê có thêm các hướng dẫn liên quan đến SPSS và diễn giải output.
Câu hỏi thường gặp
Moderation là gì trong nghiên cứu định lượng?
Moderation là việc kiểm tra một biến thứ ba có làm thay đổi độ mạnh hoặc chiều hướng tác động của biến độc lập X lên biến phụ thuộc Y hay không. Biến thứ ba này được gọi là moderator hoặc biến điều tiết. Thành phần cốt lõi cần kiểm định là interaction term, thường có dạng X × W.
Biến điều tiết bao nhiêu là đạt?
Không có một giá trị hệ số cố định áp dụng cho mọi nghiên cứu. Bạn xem interaction effect có ý nghĩa theo p-value hoặc khoảng tin cậy hay không, sau đó diễn giải dấu của hệ số và kích thước hiệu ứng. Một kết quả có p-value đạt vẫn cần được đặt trong cơ sở lý thuyết và bối cảnh dữ liệu.
Moderator có phải là biến trung gian không?
Hai khái niệm này khác nhau. Moderator làm thay đổi tác động của X lên Y, còn mediator giải thích cơ chế X tác động đến Y thông qua biến M. Vì vậy, moderation thường dùng interaction term, trong khi mediation tập trung vào indirect effect.
Moderation không có ý nghĩa thì phải làm sao?
Bạn kiểm tra lại mã hóa, dữ liệu thiếu, outliers, cách tạo interaction và dòng output được đọc. Nếu quy trình phù hợp nhưng interaction không có ý nghĩa, hãy báo cáo giả thuyết không được ủng hộ. Không nên tự ý xóa dữ liệu hoặc đổi mô hình chỉ để đạt p-value nhỏ.
Nên chạy moderation bằng SPSS hay SmartPLS?
SPSS phù hợp khi bạn dùng hồi quy với các biến tổng hợp và muốn kiểm tra interaction theo cách trực tiếp. SmartPLS phù hợp khi mô hình có biến tiềm ẩn, nhiều indicator và bạn đã xây dựng mô hình đo lường PLS-SEM. Công cụ không thay thế cho việc chọn giả thuyết và kiểm tra chất lượng thang đo.
Bạn hãy mở lại file .sav hoặc .csv, xác định rõ X, Y và W, kiểm tra biến X × W rồi đối chiếu đúng dòng interaction trong Coefficients hoặc Path Coefficients; nếu cần chạy và diễn giải trên dữ liệu thật của bạn, M4 phân tích của DoThesis thực hiện bước này.