Theo Baron & Kenny (1986), biến điều tiết (Moderator) là biến làm thay đổi hướng hoặc cường độ của mối quan hệ giữa biến độc lập (X) và biến phụ thuộc (Y). Nói cách khác, mức độ tác động của X lên Y phụ thuộc vào giá trị của biến W.
1. Biến điều tiết (Moderator) là gì?
Theo Baron & Kenny (1986), một biến được xem là biến điều tiết khi nó không trực tiếp tạo ra kết quả, mà ảnh hưởng đến cách thức hoặc mức độ mà biến độc lập tác động đến biến phụ thuộc.
Khác với biến trung gian (Mediator) – vốn trả lời câu hỏi “vì sao” mối quan hệ xảy ra – biến điều tiết tập trung giải thích “khi nào” hoặc “trong điều kiện nào” mối quan hệ giữa X và Y trở nên mạnh hơn, yếu hơn, hoặc đổi chiều.
Mô hình điều tiết cơ bản thường được minh họa như sau:
Trong đó:
- X: biến độc lập
- Y: biến phụ thuộc
- W: biến điều tiết
Để xử lý biến điều tiết trên SPSS, nghiên cứu thường sử dụng mô hình hồi quy điều tiết MMR (Moderated Multiple Regression) do Saunders (1956) đề xuất. Trong mô hình này, vai trò điều tiết của W được kiểm định thông qua biến tương tác (interaction) giữa biến độc lập X và biến điều tiết W, với phương trình hồi quy tổng quát: Y = β0 + β1X + β2W + β3(X×W) + ε.
Mô hình hồi quy điều tiết bao gồm ba dạng tác động chính:
- Tác động trực tiếp của biến độc lập X lên biến phụ thuộc Y (hệ số β₁)
- Tác động trực tiếp của biến điều tiết W lên biến phụ thuộc Y (hệ số β₂)
- Tác động của biến tương tác X×W lên biến phụ thuộc Y (hệ số β₃)
Trong đó, β₃ là hệ số then chốt dùng để kết luận sự tồn tại của hiệu ứng điều tiết: nếu β₃ có ý nghĩa thống kê, có thể khẳng định W điều tiết mối quan hệ giữa X và Y.
2. Mối quan hệ giữa tác động điều tiết với tác động trực tiếp
| Hệ số c tác động tương tác X*W | Hệ số a tác động từ X lên Y | Giải thích kết quả |
|---|---|---|
| Dương (+) | Dương (+) | Biến điều tiết làm mạnh hơn mối quan hệ tích cực giữa biến độc lập và biến phụ thuộc (Điều tiết tích cực) |
| Âm (-) | Dương (+) | Biến điều tiết làm yếu đi mới quan hệ tích cực giữa biến độc lập và biến phụ thuộc (Điều tiết tiêu cực) |
| Dương (+) | Âm (-) | Biến điều tiết làm yếu đi mối quan hệ tiêu cực giữa biến độc lập và biến phụ thuộc (Điều tiết tích cực) |
| Âm (-) | Âm (-) | Biến điều tiết làm mạnh hơn mối quan hệ tiêu cực giữa biến độc lập và biến phụ thuộc (Điều tiết tiêu cực) |
3. Xử lý biến điều tiết moderator trên SPSS qua Macro PROCESS
Macro PROCESS do Andrew F. Hayes phát triển là công cụ chuẩn mực hiện nay để phân tích biến điều tiết (moderation) trên SPSS, kế thừa logic cổ điển của Baron & Kenny nhưng mở rộng bằng bootstrap và các kỹ thuật diễn giải hiện đại. PROCESS không có sẵn trong SPSS, bạn sẽ cần tải và cài đặt vào Extension của SPSS theo hướng dẫn ở bài này.
3.1 Chuẩn bị biến để đưa vào macro PROCESS
Giả sử nghiên cứu sử dụng một tập dữ liệu có cấu trúc biến như sau:
- Biến độc lập (X): Ý định mua hàng, được đo lường bằng các biến quan sát X1, X2, X3.
- Biến phụ thuộc (Y): Quyết định mua hàng, được đo lường bằng các biến quan sát Y1, Y2, Y3.
- Biến điều tiết (W): Khuyến mãi giảm giá, được đo lường bằng các biến quan sát W1, W2, W3.
Trước khi tiến hành phân tích mô hình điều tiết bằng macro PROCESS, bắt buộc phải tính giá trị trung bình của các biến quan sát tương ứng để tạo ra ba biến tổng hợp X, Y và W. Các biến tổng hợp này sẽ được sử dụng trực tiếp trong mô hình hồi quy kiểm định vai trò điều tiết.
Xét về ý nghĩa quản trị, nhiều nghiên cứu trước đây đã chỉ ra rằng khối lượng công việc có tác động thuận chiều đến áp lực công việc; tức là khi khối lượng công việc tăng lên thì mức độ áp lực mà nhân viên phải chịu cũng gia tăng. 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 tra liệu 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 bạn gặp khó khăn khi xử lý dữ liệu trên SPSS liên quan đến biến điều tiết có thể tham khảo dịch vụ hỗ trợ SPSS của DVS để tiết kiệm thời gian và đảm bảo kết quả phân tích phù hợp với yêu cầu nghiên cứu nhé.
3.2 Phân tích moderator bằng PROCESS model 1 trên SPSS
Thực hiện xử lý biến điều tiết moderator trên SPSS, vào Analyze > Regression > PROCESS v4.2 by Andrew F. Hayes.
Khi cửa sổ PROCESS xuất hiện, tiến hành lần lượt các bước sau:
– Mục (1): Chọn Model 1 – mô hình tiêu chuẩn dùng để kiểm định hiệu ứng điều tiết (moderation).
– Mục (2): Khai báo các biến trong mô hình, trong đó:
- Đưa biến phụ thuộc vào ô Y Variable
- Đưa biến độc lập vào ô X Variable
- Đưa biến điều tiết vào ô Moderator (W)
Sau khi khai báo xong các biến, tiếp tục nhấp Options (mục 4) để thiết lập các tùy chọn phân tích.
Trong cửa sổ Options, chọn các mục (1), (2), (3) và (4) đúng như minh họa. Sau đó nhấp Continue để quay lại cửa sổ PROCESS chính, rồi nhấp OK để chạy phân tích và xuất kết quả ra Output của SPSS.
3.3 Đọc kết quả quan hệ điều tiết trên SPSS
Macro PROCESS sẽ xuất kết quả hồi quy với ba biến giải thích: X, W và biến tương tác X×W (ký hiệu Int_1). Để kết luận có hay không hiệu ứng điều tiết, bạn chỉ cần tập trung vào Int_1.
Nguyên tắc kết luận:
- Int_1 có p-value < 0.05 → Hiệu ứng điều tiết có ý nghĩa thống kê; biến W điều tiết tác động từ X → Y.
- Int_1 có p-value ≥ 0.05 → Hiệu ứng điều tiết không có ý nghĩa; biến W không đóng vai trò điều tiết.
Do cơ chế bootstrapping của PROCESS, mỗi lần chạy có thể sử dụng mẫu lặp khác nhau; vì vậy, các chữ số thập phân thứ hai hoặc thứ ba có thể dao động nhẹ. Tuy nhiên, sự khác biệt này không làm thay đổi bản chất kết luận.
→ Trong kết quả minh họa, Int_1 có p-value = 0.000 < 0.05, cho thấy W đóng vai trò điều tiết mối quan hệ giữa X và Y. Hệ số điều tiết β = 0.625 > 0, hàm ý rằng khi W tăng, tác động của X lên Y trở nên mạnh hơn.
Khi trình bày trong bài nghiên cứu, cần liên kết kết quả thống kê với ý nghĩa thực tiễn. Cụ thể, Khuyến mãi giảm giá có tác động điều tiết dương lên mối quan hệ giữa Ý định mua hàng và Quyết định mua hàng; nghĩa là mức khuyến mãi càng cao, tác động của ý định mua lên quyết định mua càng được khuếch đại.
Kết luận
Bài viết đã trình bày quy trình phân tích biến điều tiết bằng macro PROCESS trên SPSS một cách hệ thống và dễ áp dụng: từ chuẩn bị dữ liệu, thiết lập mô hình, đến đọc và diễn giải kết quả. Việc tập trung vào hệ số tương tác (Int_1) giúp xác định chính xác khi nào biến điều tiết phát huy vai trò, đồng thời hỗ trợ liên kết kết quả thống kê với ý nghĩa thực tiễn. Qua đó, dịch vụ xử lý số liệu DVS kỳ vọng đồng hành cùng bạn trong việc thực hiện các phân tích điều tiết chính xác, nhất quán và phù hợp chuẩn mực nghiên cứu định lượng hiện nay.
