Theo Baron và Kenny (1986), biến điều tiết là biến có vai trò làm thay đổi mức độ (strength) hoặc hình thức (form) của mối quan hệ giữa biến độc lập và biến phụ thuộc.
1. Cơ sở lý thuyết về biến điều tiết
Biến điều tiết có thể tồn tại dưới dạng biến định tính (biến phân loại) hoặc biến định lượng (biến liên tục). Trong trường hợp biến điều tiết là biến định tính, nhà nghiên cứu có thể áp dụng kỹ thuật phân tích cấu trúc đa nhóm (multi-group analysis) bằng phần mềm AMOS. Tuy nhiên, nội dung bài viết này tập trung vào phương pháp xử lý biến điều tiết định lượng liên tục thông qua phần mềm SPSS.
Mô hình lý thuyết của biến điều tiết có thể được minh họa như trong hình dưới đây:
Để kiểm định vai trò điều tiết trong SPSS, nghiên cứu sử dụng mô hình hồi quy điều tiết bội (Moderated Multiple Regression – MMR) được đề xuất bởi Saunders (1956), với cấu trúc như sau:
Trong mô hình này, biến phụ thuộc chịu tác động từ ba thành phần chính:
- Tác động trực tiếp của biến độc lập X lên biến phụ thuộc Y
- Tác động trực tiếp của biến điều tiết W lên biến phụ thuộc Y
- Tác động của biến tương tác giữa X và W (X*W) lên biến phụ thuộc Y
Theo cách tiếp cận truyền thống của Baron và Kenny (1986), để một biến được xem là biến điều tiết thì cần thỏa mãn hai điều kiện: (1) biến điều tiết không có mối quan hệ đáng kể với cả biến độc lập và biến phụ thuộc; đồng thời (2) biến tương tác XW phải có ảnh hưởng có ý nghĩa thống kê lên biến phụ thuộc Y. Tuy nhiên, theo các quan điểm nghiên cứu hiện đại, điều kiện thứ nhất không còn được xem là bắt buộc. Chỉ cần điều kiện thứ hai được thỏa mãn, tức là biến tương tác XW có tác động lên Y, thì có thể kết luận sự tồn tại của hiệu ứng điều tiết. Các nghiên cứu tiêu biểu đại diện cho hướng tiếp cận này có thể tham khảo trong các công trình của Hair và cộng sự (2013) cũng như Andrew F. Hayes (2013).
Tài liệu tham khảo:
-
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2013). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 3rd Edition.
-
Hayes, A. F. (2013). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach. New York, NY: The Guilford Press.
Bảng giải thích kết quả của biến điều tiết trong mô hình nghiên cứu:
| Biến điều tiết | Hệ số a tác động từ X lên Y | Hệ số a tác động từ X lên Y | Giải thích kết quả |
| M | Dương (+) | Dương (+) | Biến điều tiết làm gia tăng cường độ của mối quan hệ tích cực giữa biến độc lập và biến phụ thuộc. Khi mức độ của biến điều tiết tăng lên, tác động cùng chiều của X lên Y trở nên mạnh hơn, cho thấy vai trò điều tiết theo hướng tích cực. |
| M | Dương (+) | Âm (-) | Biến điều tiết làm suy giảm cường độ của mối quan hệ tích cực giữa biến độc lập và biến phụ thuộc. Khi biến điều tiết gia tăng, tác động cùng chiều của X lên Y yếu đi, phản ánh vai trò điều tiết theo hướng tiêu cực. |
| M | Âm (-) | Dương (+) | Biến điều tiết làm giảm mức độ tác động tiêu cực giữa biến độc lập và biến phụ thuộc. Khi giá trị của biến điều tiết tăng, mối quan hệ nghịch chiều giữa X và Y trở nên ít tiêu cực hơn, thể hiện tác động điều tiết theo hướng tích cực. |
| M | Âm (-) | Âm (-) | Biến điều tiết làm gia tăng cường độ của mối quan hệ tiêu cực giữa biến độc lập và biến phụ thuộc. Sự gia tăng của biến điều tiết khiến tác động nghịch chiều của X lên Y trở nên mạnh hơn, cho thấy vai trò điều tiết theo hướng tiêu cực. |
2. Phân tích biến điều tiết bằng macro PROCESS trên SPSS
Hiện nay, có nhiều cách tiếp cận khác nhau để xử lý biến điều tiết trong phần mềm SPSS. Tuy nhiên, nội dung trình bày dưới đây chỉ tập trung vào phương pháp Bootstrapping, được xem là kỹ thuật có độ tin cậy cao và được sử dụng rộng rãi trong các nghiên cứu thực nghiệm những năm gần đây.
Để thực hiện phân tích biến điều tiết theo phương pháp Bootstrapping trên SPSS, nghiên cứu sử dụng macro PROCESS do Hayes phát triển, cụ thể là Model 1. Macro này cần được cài đặt trước khi tiến hành phân tích, theo hướng dẫn cài đặt PROCESS vào SPSS tương thích với các phiên bản từ 20 đến 31.
VIDEO HƯỚNG DẪN
a. Chuẩn bị dữ liệu nghiên cứu
Giả sử một bộ dữ liệu nghiên cứu có cấu trúc biến như sau:
– Biến độc lập X là Ý định mua hàng, được đo lường thông qua các biến quan sát X1, X2 và X3;
– Biến phụ thuộc Y là Quyết định mua hàng, được đo lường bằng Y1, Y2 và Y3;
– Biến điều tiết W là Khuyến mãi giảm giá, được đo lường bằng W1, W2 và W3.
Để phục vụ cho phân tích mô hình điều tiết bằng PROCESS, yêu cầu bắt buộc là phải tính giá trị trung bình của các biến quan sát nhằm tạo ra ba biến tổng hợp đại diện cho các khái niệm tiềm ẩn X, Y và W. Các biến tổng hợp này sẽ được sử dụng trực tiếp trong mô hình hồi quy điều tiết.
Xét về ý nghĩa quản trị, nhiều nghiên cứu trước đây đã chỉ ra rằng Khối lượng công việc có tác động cùng chiều đến Áp lực công việc, nghĩa là khi khối lượng công việc gia tăng thì mức độ áp lực mà nhân viên phải chịu cũng tăng theo. Trên cơ sở đó, nghiên cứu này mở rộng mô hình bằng cách đưa thêm biến điều tiết là Sự hỗ trợ trong công việc nhằm kiểm định xem mức độ hỗ trợ từ cấp trên và đồng nghiệp có làm thay đổi cường độ tác động của Khối lượng công việc lên Áp lực công việc hay không.
Trong trường hợp người nghiên cứu gặp khó khăn trong quá trình xử lý dữ liệu liên quan đến các biến trung gian, biến điều tiết hoặc biến kiểm soát trên SPSS, có thể tham khảo các dịch vụ hỗ trợ phân tích SPSS chuyên sâu để tiết kiệm thời gian và đảm bảo độ chính xác của kết quả nghiên cứu.
b. Thực hiện phân tích biến điều tiết bằng PROCESS Model 1 trên SPSS
Để tiến hành phân tích biến điều tiết, người nghiên cứu truy cập vào menu Analyze, chọn Regression, sau đó chọn PROCESS v4.2 by Andrew F. Hayes.
Khi cửa sổ PROCESS xuất hiện,
- Tại mục Model number, lựa chọn Model 1 tương ứng với mô hình hồi quy có biến điều tiết.
- Tiếp theo, đưa biến phụ thuộc vào ô Y variable, biến độc lập vào ô X variable và biến điều tiết vào ô Moderator variable W.
Sau khi hoàn tất việc khai báo biến, người nghiên cứu chọn mục Options để thiết lập các tùy chọn cần thiết cho phân tích Bootstrapping.
Trong cửa sổ Options, thiết lập các tham số theo hướng dẫn, sau đó nhấn Continue để quay lại cửa sổ chính và nhấn OK để chạy mô hình và xuất kết quả ra cửa sổ Output.
c. Diễn giải kết quả phân tích biến điều tiết
Kết quả từ macro PROCESS cung cấp mô hình hồi quy bao gồm ba biến dự báo, cụ thể là biến độc lập X, biến điều tiết W và biến tương tác giữa X và W (ký hiệu là Int_1). Để xác định sự tồn tại của hiệu ứng điều tiết, người nghiên cứu chỉ cần xem xét ý nghĩa thống kê của hệ số biến tương tác Int_1.
- Trong trường hợp giá trị p-value của Int_1 nhỏ hơn 0.05, có thể kết luận rằng hiệu ứng điều tiết có ý nghĩa thống kê, tức là biến W thực sự điều tiết mối quan hệ tác động từ X lên Y.
- Ngược lại, nếu p-value của Int_1 lớn hơn hoặc bằng 0.05, hiệu ứng điều tiết không có ý nghĩa thống kê và biến W không đóng vai trò điều tiết trong mối quan hệ này.
Do phương pháp Bootstrapping dựa trên việc lấy mẫu lặp lại nhiều lần, nên giữa các lần chạy mô hình có thể xuất hiện sai khác nhỏ ở các chữ số thập phân của kết quả.
Cụ thể trong ví dụ minh họa,
Biến tương tác Int_1 có giá trị p-value bằng 0.000, nhỏ hơn mức ý nghĩa 0.05, cho thấy biến W có vai trò điều tiết mối quan hệ giữa X và Y. Hệ số hồi quy của biến tương tác mang giá trị dương 0.625, cho thấy khi mức độ của biến điều tiết W tăng lên thì cường độ tác động của X lên Y cũng tăng theo.
Khi trình bày kết quả trong bài nghiên cứu, cần liên hệ các phát hiện thống kê với ý nghĩa của các khái niệm nghiên cứu. Trong trường hợp này, có thể kết luận rằng Khuyến mãi giảm giá đóng vai trò điều tiết dương trong mối quan hệ giữa Ý định mua hàng và Quyết định mua hàng. Điều này hàm ý rằng việc gia tăng các chính sách giảm giá sẽ làm tăng cường mức độ chuyển hóa từ ý định mua hàng sang hành vi quyết định mua hàng của người tiêu dùng.
