Moderator là gì? Cách đọc và phân tích biến điều tiết

Moderator là gì

Moderator, hay biến điều tiết, là biến làm thay đổi chiều hướng hoặc mức độ tác động của biến độc lập lên biến phụ thuộc. Nói theo cách bạn có thể dùng ngay khi đọc mô hình, tác động của X lên Y sẽ không giống nhau ở mọi nhóm hoặc mọi mức của biến Z. Khi đó, Z có thể là moderator của quan hệ X và Y.

Ví dụ, bạn nghiên cứu tác động của chất lượng dịch vụ X đến ý định mua Y. Mức độ nhạy cảm về giá Z có thể làm quan hệ này mạnh hơn hoặc yếu hơn. Nếu khách hàng ít nhạy cảm về giá, chất lượng dịch vụ có thể tác động rõ hơn đến ý định mua. Đây là một giả thuyết về moderation.

Mô hình hồi quy cơ bản có dạng:

Y = b0 + b1X + b2Z + b3(X × Z) + e

Trong đó, X × Z là interaction term, tức biến tương tác giữa biến độc lập và moderator. Thành phần cần chú ý nhất là b3. Nếu hệ số của interaction term có ý nghĩa thống kê, bạn có cơ sở xem xét tác động điều tiết. Chỉ nhìn vào hệ số của Z rồi kết luận Z là moderator là chưa đủ.

Bạn có thể xem thêm moderating để đối chiếu cách thuật ngữ này được dùng trong các mô hình nghiên cứu định lượng. Nếu đang kiểm tra độ phân tán của dữ liệu, std là gì sẽ là một chủ đề khác, vì độ lệch chuẩn không phải là kiểm định moderator.

Ý nghĩa của moderator trong nghiên cứu định lượng

Moderator giúp trả lời câu hỏi: “Khi nào hoặc với ai tác động của X lên Y mạnh hơn, yếu hơn hoặc đổi chiều?”. Đây là câu hỏi khác với việc chỉ hỏi X có tác động đến Y hay không. Bạn có thể xem các bài liên quan trong chủ đề Thống kê khi cần đặt moderator vào toàn bộ quy trình phân tích định lượng.

Trong mô hình có moderator, bạn thường cần xây dựng ít nhất một giả thuyết tương tác. Chẳng hạn: “Mức độ nhận thức rủi ro điều tiết mối quan hệ giữa niềm tin và ý định mua”. Giả thuyết này cần được kiểm định bằng interaction effect giữa niềm tin và nhận thức rủi ro.

Moderator có thể là biến liên tục, chẳng hạn tuổi, thu nhập, nhận thức rủi ro hoặc mức độ kinh nghiệm. Nó cũng có thể là biến phân loại, chẳng hạn giới tính hoặc nhóm khách hàng. Cách xử lý sẽ khác nhau. Với biến liên tục, phần mềm thường ước lượng interaction term. Với biến phân loại, bạn cần mã hóa nhóm và chọn nhóm tham chiếu phù hợp.

Khi moderator có ý nghĩa, hệ số tác động chính của X cần được đọc cẩn thận. Hệ số của X lúc này thể hiện tác động của X khi Z bằng 0, hoặc tại mức tham chiếu nếu Z là biến phân loại. Vì vậy, bạn không nên lấy riêng hệ số X để mô tả tác động chung cho toàn bộ mẫu.

Trong SmartPLS, moderator thường được thể hiện qua biến tương tác trong mô hình cấu trúc. Trong SPSS, bạn có thể tạo biến tương tác và chạy hồi quy phân cấp, hoặc dùng PROCESS khi thiết kế mô hình phù hợp. AMOS phù hợp với CB-SEM và có quy trình khác, nên không nên bê nguyên ngưỡng hoặc thao tác của SmartPLS sang AMOS.

Moderator bao nhiêu là đạt

Moderator không có một ngưỡng duy nhất kiểu Cronbach's Alpha từ 0.7 trở lên. Quyết định chính dựa vào hệ số interaction effect, p-value hoặc khoảng tin cậy bootstrap, cùng với ý nghĩa lý thuyết của quan hệ điều tiết. Nếu bạn dùng PLS-SEM, nên báo cáo đầy đủ hệ số đường dẫn, độ lệch chuẩn, t-value, p-value và khoảng tin cậy.

Bạn cần phân biệt “đạt ngưỡng kỹ thuật” với “có ý nghĩa về mặt nghiên cứu”. Một interaction effect có p-value nhỏ nhưng hệ số rất nhỏ vẫn cần được giải thích thận trọng. Ngược lại, một hệ số có dấu phù hợp với giả thuyết nhưng không có ý nghĩa thống kê thì chưa đủ cơ sở để chấp nhận giả thuyết.

Nếu báo cáo theo bootstrap, hãy kiểm tra khoảng tin cậy của interaction effect có chứa 0 hay không. Khi khoảng tin cậy chứa 0, dữ liệu chưa cho thấy bằng chứng đủ rõ về tác động điều tiết trong mẫu của bạn. Không nên sửa mô hình chỉ để biến p-value thành có ý nghĩa.

Cách đọc moderator trên output

Khi chạy mô hình trên SmartPLS 4, bạn thường xem khu vực kết quả của mô hình cấu trúc, gồm Path Coefficients, Specific Indirect Effects nếu có trung gian, và kết quả Bootstrapping. Với moderator, tên đường dẫn thường có dạng từ biến tương tác đến biến phụ thuộc, chẳng hạn X*Z -> Y, X_Z -> Y hoặc tên interaction construct do bạn đặt.

Dưới đây là bảng số liệu minh họa. Các con số chỉ nhằm chỉ cách đọc output, không phải kết quả của một nghiên cứu thật.

Với dòng X*Z -> Y, hệ số 0.118 mang dấu dương. Điều đó gợi ý khi Z tăng, tác động của X lên Y có xu hướng mạnh hơn. Bạn vẫn cần xem biểu đồ simple slope hoặc phân tích tác động tại các mức của moderator nếu phần mềm và thiết kế nghiên cứu hỗ trợ. Không nên diễn giải hệ số này thành “Z làm Y tăng 11,8%”, vì hệ số đường dẫn không tự động có nghĩa phần trăm tăng trưởng.

Nếu hệ số interaction effect âm và có ý nghĩa, tác động của X lên Y có xu hướng yếu đi khi Z tăng. Nếu p-value lớn hơn mức ý nghĩa bạn đã chọn, hãy ghi nhận rằng giả thuyết điều tiết chưa được ủng hộ trong mẫu. Không biến kết quả “không có ý nghĩa” thành “tác động yếu” nếu chưa có căn cứ phù hợp.

Khi moderator không đạt thì xử lý thế nào

Trước hết, kiểm tra bạn có đặt đúng biến tương tác và đúng hướng mũi tên trong mô hình hay chưa. Một lỗi đặt tên hoặc nối sai đường dẫn có thể khiến bạn đọc nhầm tác động chính thành tác động điều tiết.

Kiểm tra lại cách mã hóa và loại biến

Nếu moderator là giới tính, nhóm tuổi hoặc một biến phân loại khác, hãy kiểm tra cách mã hóa. Không nên mã hóa tùy tiện nhiều nhóm bằng các con số 1, 2, 3 rồi đưa thẳng vào phép nhân như thể đây là biến liên tục. Với biến phân loại nhiều nhóm, bạn cần cân nhắc biến giả và nhóm tham chiếu.

Nếu moderator là thang đo, kiểm tra lại các biến quan sát, biến đảo chiều, dữ liệu thiếu và các trường hợp bất thường. Bạn có thể xem hướng dẫn về outliers nếu file có những đáp án nằm rất xa phần còn lại. Tuy nhiên, không loại dữ liệu chỉ vì nó làm interaction effect mất ý nghĩa. Mỗi trường hợp bị loại cần có lý do phương pháp và được ghi lại.

Kiểm tra chất lượng thang đo

Trong PLS-SEM, hãy đánh giá measurement model trước structural model theo quy trình hai bước được khuyến nghị trong (Anderson và Gerbing, 1988). Kiểm tra outer loading, CR, AVE, HTMT và VIF theo đúng loại mô hình. Với outer loading, ngưỡng 0.7 thường được tham khảo trong PLS-SEM (Chin, 1998) hoặc (Hair và cộng sự, 2022). Nếu moderator được đo bằng thang đo không ổn định, kết quả điều tiết có thể khó diễn giải.

Nếu bạn đang nhầm moderator với một thang đo, hãy xem scale là gì để rà lại khái niệm biến tiềm ẩn và biến quan sát. Xóa biến quan sát cần dựa trên cả thống kê và nội dung khái niệm, không chỉ dựa vào việc làm đẹp output.

Chạy lại bootstrap và ghi lại từng phiên bản

Kiểm tra số bootstrap subsamples, cấu hình hai phía hay một phía, mức ý nghĩa, tên biến và dữ liệu đầu vào. Trong PLS-SEM, (Hair và cộng sự, 2022) được dùng để tham khảo quy trình và 5.000 bootstrap subsamples. Khi chạy lại, lưu file kết quả và ghi rõ biến nào đã bị loại, vì sao loại và kết quả thay đổi như thế nào.

Nếu sau các bước trên moderator vẫn không có ý nghĩa, cách xử lý an toàn nhất là báo cáo kết quả không được ủng hộ. Bạn có thể đề xuất nghiên cứu sau xem xét bối cảnh, mẫu hoặc cách đo khác. Việc đổi moderator, đổi giả thuyết hoặc loại quan sát chỉ để đạt p-value tạo rủi ro lớn khi bị hỏi ở buổi bảo vệ.

Phân biệt moderator với mediator

Moderator trả lời câu hỏi “khi nào, trong điều kiện nào hoặc với nhóm nào X tác động đến Y mạnh hơn?”. Mediator trả lời câu hỏi “X tác động đến Y thông qua cơ chế nào?”.

Ví dụ, thu nhập có thể là moderator nếu nó làm thay đổi mức độ tác động của chất lượng dịch vụ lên ý định mua. Niềm tin có thể là mediator nếu chất lượng dịch vụ tác động đến niềm tin, rồi niềm tin tác động đến ý định mua.

Bạn có thể đọc thêm về mediator nếu mô hình có biến trung gian. Một biến có thể có vai trò điều tiết trong giả thuyết này nhưng lại có vai trò trung gian trong mô hình khác, tùy vào lập luận lý thuyết và cách bạn đặt quan hệ nhân quả.

Từ “biến kiểm soát” cũng thường gây nhầm lẫn. Biến kiểm soát được đưa vào mô hình để hạn chế ảnh hưởng của các yếu tố liên quan, còn moderator được kiểm định thông qua việc làm thay đổi tác động của X lên Y. Hai vai trò này không nên dùng thay thế cho nhau.

Lỗi thường gặp

Lỗi đầu tiên là kết luận moderator chỉ vì biến Z có tác động có ý nghĩa đến Y. Bạn cần xem đường dẫn tương tác X*Z -> Y. Tác động trực tiếp của Z không chứng minh tác động điều tiết.

Lỗi thứ hai là nói “moderator làm tăng Y” mà không nêu quan hệ nào được điều tiết. Câu viết cần chỉ rõ biến độc lập, biến phụ thuộc, dấu của interaction effect và điều kiện diễn giải.

Lỗi thứ ba là dùng ngưỡng của CB-SEM cho SmartPLS. CFI, TLI và RMSEA thuộc nhóm chỉ số fit thường dùng trong CB-SEM, với nguồn (Hu và Bentler, 1999). Chúng không phải bộ tiêu chí mặc định để đánh giá moderator trong PLS-SEM.

Lỗi thứ tư là trộn dữ liệu đã chuẩn hóa với dữ liệu chưa chuẩn hóa nhưng không ghi lại cách xử lý. Centering có thể giúp giảm tương quan không cần thiết giữa các thành phần trong mô hình, nhưng không phải là cách tạo ra ý nghĩa thống kê. Hãy mô tả đúng thao tác phần mềm đã thực hiện.

Lỗi cuối cùng là chỉ đưa một ảnh chụp output vào chương 4 mà không có bảng diễn giải. Hội đồng thường hỏi “interaction effect nằm ở dòng nào” và “vì sao kết luận điều tiết”. Bạn nên đánh dấu đúng dòng, báo cáo các cột cần thiết và liên hệ với giả thuyết ban đầu.

Câu hỏi thường gặp

Moderator là gì trong nghiên cứu định lượng?

Moderator là biến điều tiết, làm thay đổi chiều hoặc mức độ tác động của biến độc lập lên biến phụ thuộc. Dấu hiệu kỹ thuật thường được kiểm tra là interaction term giữa biến độc lập và moderator.

Moderator bao nhiêu là đạt?

Moderator không có một ngưỡng riêng duy nhất như Cronbach's Alpha. Bạn cần xem interaction effect có ý nghĩa thống kê hay không, khoảng tin cậy có chứa 0 hay không, dấu của hệ số có phù hợp với giả thuyết và lập luận lý thuyết hay không.

Moderator và mediator khác nhau thế nào?

Moderator trả lời câu hỏi tác động của X lên Y thay đổi trong điều kiện nào. Mediator giải thích X tác động đến Y thông qua biến trung gian nào. Moderator thường được nhận diện qua X*Z -> Y, còn mediator qua indirect effect X -> M -> Y.

Phân tích biến điều tiết moderator bằng SmartPLS 4 như thế nào?

Bạn xây dựng measurement model, structural model, tạo quan hệ điều tiết theo chức năng moderation của SmartPLS 4, sau đó chạy PLS Algorithm và Bootstrapping. Khi đọc kết quả, tìm đường dẫn từ biến tương tác đến biến phụ thuộc trong Path Coefficients và kiểm tra hệ số, t-value, p-value cùng khoảng tin cậy.

Interaction effect không có ý nghĩa thì phải làm sao?

Kiểm tra lại mã hóa dữ liệu, thang đo moderator, biến tương tác, VIF, cấu hình bootstrap và giả thuyết. Nếu quy trình đúng mà kết quả vẫn không có ý nghĩa, hãy báo cáo giả thuyết chưa được ủng hộ thay vì loại dữ liệu hoặc đổi mô hình chỉ để đạt p-value.

Mở file dữ liệu của bạn, xác định đúng dòng interaction effect, ghi lại hệ số, p-value và khoảng tin cậy, sau đó đối chiếu với giả thuyết trước khi viết diễn giải. Nếu cần chạy phân tích trên chính file .sav hoặc .csv bằng SPSS và SmartPLS, xem M4 phân tích dữ liệu.