Trong các mô hình nghiên cứu sử dụng SEM, biến điều tiết – Moderator – được sử dụng khi nhà nghiên cứu cho rằng mức độ hoặc chiều tác động của một biến độc lập lên biến phụ thuộc thay đổi tùy theo giá trị của một biến thứ ba.
Ví dụ, nghiên cứu xem xét:
X --> Y
và giả thuyết rằng W đóng vai trò điều tiết mối quan hệ này.
Khi đó câu hỏi nghiên cứu không đơn thuần là “W có tác động đến Y hay không”, mà là:
Khi W thay đổi, tác động từ X đến Y có thay đổi theo hay không?
Về mặt thống kê, vấn đề này được kiểm tra thông qua interaction effect X×W. Nếu hệ số tương tác có ý nghĩa thống kê, có bằng chứng cho thấy mối quan hệ giữa X và Y phụ thuộc vào W.
Biến điều tiết trong mô hình AMOS là gì?
Giả sử nghiên cứu có:
X: biến độc lập.
Y: biến phụ thuộc.
W: biến điều tiết.
Mô hình cơ bản có thể biểu diễn:
X --> Y
W --> Y
X×W --> Y
Trong đó, đường:
X×W --> Y
là thành phần quan trọng để kiểm định giả thuyết điều tiết.
Hiểu đúng vai trò của Moderator
Biến điều tiết không giống biến trung gian.
Biến trung gian giải thích X tác động đến Y thông qua cơ chế nào, thường được biểu diễn:
X --> M --> Y
Trong khi đó, biến điều tiết trả lời câu hỏi:
Tác động X –> Y thay đổi như thế nào khi W thay đổi?
Ví dụ, nếu:
X = Chất lượng dịch vụ
Y = Sự hài lòng
W = Kinh nghiệm sử dụng
giả thuyết điều tiết không chỉ hỏi kinh nghiệm sử dụng có làm tăng sự hài lòng hay không. Nghiên cứu muốn biết tác động của chất lượng dịch vụ lên sự hài lòng có khác nhau ở những mức kinh nghiệm sử dụng khác nhau hay không.
Đây là bản chất của moderation.
Interaction effect quyết định vai trò điều tiết
Trong cách tiếp cận hồi quy tương tác, mô hình có thể biểu diễn:
Y = b0 + b1X + b2W + b3(X×W) + e
Trong đó:
b1: tác động của X.
b2: tác động của W.
b3: hệ số của biến tương tác X×W.
Hệ số b3 là thành phần trực tiếp trả lời câu hỏi W có điều tiết mối quan hệ X –> Y hay không.
Do đó, không nên sử dụng điều kiện cứng rằng W bắt buộc phải không có tác động trực tiếp đến Y mới được gọi là biến điều tiết.
Một biến hoàn toàn có thể vừa có main effect lên Y, vừa làm thay đổi mối quan hệ X –> Y.
Mô hình kiểm định biến điều tiết được thiết lập thế nào?
Khi thực hiện theo phương pháp interaction term với các biến đại diện, mô hình cần chứa X, W và tích số X×W.
Giả sử biến tương tác được đặt tên:
INT = X × W
Mô hình AMOS sẽ có:
X --> Y
W --> Y
INT --> Y
Việc giữ X và W trong mô hình rất quan trọng bởi interaction term phải được đánh giá đồng thời với các main effects.
Ba đường tác động cần có trong mô hình
Đường đầu tiên:
X --> Y
cho biết tác động có điều kiện của X lên Y tại giá trị tham chiếu của W.
Đường thứ hai:
W --> Y
cho biết tác động có điều kiện của W lên Y tại giá trị tham chiếu của X.
Đường thứ ba:
INT --> Y
là interaction effect.
Khi X và W đã được mean-centered, giá trị 0 của chúng tương ứng với giá trị trung bình. Khi đó các main effects thường dễ diễn giải hơn: hệ số X –> Y thể hiện tác động của X khi W ở mức trung bình, và ngược lại.
Có cần X và W tác động trực tiếp đến Y không?
Có một nhầm lẫn phổ biến là nếu:
W --> Y
có p < 0.05 thì W không còn là moderator “thuần túy”.
Không nên sử dụng quy tắc này để bác bỏ moderation.
Trong mô hình tương tác, câu hỏi cốt lõi vẫn là hệ số:
X×W --> Y
có khác 0 một cách có ý nghĩa thống kê hay không.
Nếu interaction có ý nghĩa, mối quan hệ X –> Y thay đổi theo W. Việc W đồng thời có hay không có main effect là một thông tin khác của mô hình.
Chuẩn bị dữ liệu và tạo biến tương tác X×W
Một vấn đề thực hành khi tạo interaction term là tích X×W thường có tương quan với các thành phần X và W.
Do đó, người nghiên cứu thường thực hiện mean centering hoặc chuẩn hóa trước khi tạo interaction.
Điểm cần hiểu đúng là centering không phải thủ thuật để “chữa” một interaction không có ý nghĩa. Nó chủ yếu hỗ trợ việc diễn giải main effects và có thể làm giảm dạng nonessential multicollinearity phát sinh từ cách tạo product term.
Mean centering và Standardization
Có hai cách thường gặp:
Mean centering
Xc = X - Mean(X)
Wc = W - Mean(W)
sau đó:
INT = Xc × Wc
Hoặc sử dụng standardized scores:
ZX
ZW
và:
INT = ZX × ZW
Trong thực hành SPSS – AMOS, mean centering có ưu điểm là vẫn giữ đơn vị đo của X và W, trong khi standardization chuyển biến về đơn vị độ lệch chuẩn.
Không tồn tại quy tắc rằng mọi moderation analysis bắt buộc phải standardize X và W. Việc lựa chọn cần căn cứ mục tiêu diễn giải và phương pháp phân tích.
Tạo biến Interaction trên SPSS
Nếu sử dụng mean centering, trước tiên lấy Mean của X và W.
Giả sử:
Mean(X) = 3.50
Mean(W) = 3.80
Vào:
Transform > Compute Variable
Tạo:
X_C = X - 3.50
và:
W_C = W - 3.80
Sau đó tiếp tục:
Transform > Compute Variable
Target Variable:
INT
Numeric Expression:
X_C * W_C
Nhấn OK.
Dữ liệu lúc này có ba biến cần thiết:
X_C
W_C
INT
cùng biến phụ thuộc Y.
Nếu sử dụng standardized scores, có thể lưu Z-score từ Descriptives trên SPSS rồi tạo tích số giữa ZX và ZW.
Cách vẽ và chạy mô hình điều tiết trên AMOS
Sau khi tạo interaction term, mở dữ liệu .sav trong AMOS và đưa các biến cần thiết vào mô hình.
Với cách phân tích sử dụng điểm đại diện, diagram có thể gồm:
X_C --> Y
W_C --> Y
INT --> Y
Ba biến dự báo X_C, W_C và INT cần được phép hiệp phương sai với nhau theo đặc tả thích hợp của mô hình.
Đưa X, W và Interaction vào mô hình
Nếu X, W và Y được tính từ điểm trung bình của các thang đo, có thể biểu diễn chúng dưới dạng observed variables trong path model.
Đây là cách thực hành tương đối đơn giản.
Tuy nhiên, cần phân biệt cách này với latent interaction SEM.
Marsh, Wen và Hau (2004) cho thấy việc mô hình hóa tương tác giữa các latent variables phức tạp hơn đáng kể và tồn tại nhiều chiến lược ước lượng cũng như xây dựng product indicators khác nhau.
Little, Bovaird và Widaman (2006) tiếp tục phát triển hướng orthogonalizing product terms cho latent variable interactions.
Vì vậy, không nên mặc định rằng chỉ cần lấy hai latent constructs trong CFA rồi “nhân trực tiếp” chúng theo cách tương tự hai cột dữ liệu X và W.
Thiết lập các đường tác động đến Y
Sau khi vẽ xong, kiểm tra đúng ba đường:
X_C --> Y
W_C --> Y
INT --> Y
Sau đó chạy:
Analyze > Calculate Estimates
Khi mô hình được ước lượng thành công, mở:
View Text
và xem bảng:
Regression Weights
Trọng tâm là Estimate, S.E., C.R. và P của đường interaction.
Cách đọc kết quả biến điều tiết trong AMOS
Giả sử AMOS cho kết quả:
X_C --> Y: β = 0.420; p < 0.001
W_C --> Y: β = 0.180; p = 0.012
INT --> Y: β = 0.150; p = 0.003
Với mức ý nghĩa α = 0.05, interaction có p = 0.003 < 0.05.
Có thể kết luận W có vai trò điều tiết mối quan hệ giữa X và Y.
Tuy nhiên, phân tích chưa nên dừng ở câu “có điều tiết”.
Xác định interaction effect có ý nghĩa
Giả thuyết điều tiết được đánh giá trực tiếp từ:
INT --> Y
Nếu:
p < 0.05
tại mức ý nghĩa α = 0.05, interaction effect có ý nghĩa thống kê.
Nếu:
p ≥ 0.05
thì chưa có đủ bằng chứng thống kê để kết luận W điều tiết quan hệ X –> Y tại mức ý nghĩa đang sử dụng.
Không nên nhìn p-value của:
W --> Y
để quyết định W có phải moderator hay không.
Hệ số dương và âm nói lên điều gì?
Dấu của interaction coefficient cung cấp thông tin về cách slope X –> Y thay đổi khi W tăng.
Nếu tác động chính X –> Y là dương và:
βinteraction > 0
thì khi W tăng, slope dương của X –> Y tăng lên. Có thể diễn giải W làm mạnh thêm mối quan hệ cùng chiều giữa X và Y.
Ví dụ:
X --> Y = 0.40
X×W --> Y = 0.15
cho thấy tác động dương của X lên Y có xu hướng mạnh hơn khi W tăng.
Ngược lại, nếu:
X --> Y = 0.40
X×W --> Y = -0.15
thì khi W tăng, slope X –> Y giảm. W làm suy yếu mối quan hệ dương giữa X và Y.
Tuy nhiên, không nên áp dụng máy móc quy tắc “interaction dương = làm mạnh, interaction âm = làm yếu” trong mọi trường hợp. Nếu main effect của X mang dấu âm hoặc interaction đủ lớn để làm slope đổi dấu ở các mức W khác nhau, cần xem simple slopes để diễn giải chính xác.
Trường hợp không có tác động điều tiết
Giả sử:
INT --> Y: β = 0.041; p = 0.426
với α = 0.05.
Khi đó interaction không có ý nghĩa thống kê.
Cách viết phù hợp là:
“Kết quả cho thấy tác động tương tác giữa X và W lên Y không có ý nghĩa thống kê (β = 0.041; p = 0.426). Do đó, chưa có bằng chứng cho thấy W điều tiết mối quan hệ giữa X và Y.”
Không nên cố diễn giải dấu dương của 0.041 thành “W làm tăng tác động” khi interaction chưa có ý nghĩa.
Làm rõ tác động điều tiết bằng Simple Slopes
Khi interaction có ý nghĩa, bước tiếp theo nên là làm rõ tác động X –> Y tại các mức khác nhau của W.
Aiken và West (1991) phát triển cách tiếp cận simple slopes rất phổ biến trong phân tích interaction. Với moderator liên tục, các slope có thể được đánh giá tại những giá trị W được lựa chọn phù hợp.
Moderator ở mức thấp, trung bình và cao
Một cách minh họa thường gặp với biến liên tục là xem slope tại:
W = Mean - 1 SD
W = Mean
W = Mean + 1 SD
Tương ứng có thể gọi là mức thấp, trung bình và cao trong phạm vi minh họa.
Giả sử kết quả:
W thấp: β = 0.21
W trung bình: β = 0.39
W cao: β = 0.57
Mô hình cho thấy khi W tăng, tác động dương từ X đến Y trở nên mạnh hơn.
Đồ thị interaction cũng giúp thể hiện trực quan sự thay đổi này.
Vì sao không nên chỉ dừng ở p-value?
Một p-value của interaction chỉ trả lời:
Có bằng chứng về moderation hay không?
Nó chưa cho người đọc thấy rõ tác động X –> Y thay đổi như thế nào tại các mức W.
Simple slopes và interaction plot bổ sung phần diễn giải này.
Đặc biệt khi hai đường slope giao nhau hoặc một slope chuyển từ dương sang âm, chỉ nhìn dấu của interaction coefficient rất dễ diễn giải thiếu.
Những lỗi thường gặp khi kiểm định Moderator
Thứ nhất, yêu cầu W phải không tác động trực tiếp đến Y. Đây không phải điều kiện bắt buộc để tồn tại moderation. Trọng tâm là interaction effect.
Thứ hai, chỉ tạo X×W nhưng không đưa X và W vào mô hình. Interaction cần được đánh giá cùng các main effects.
Thứ ba, thấy interaction dương là lập tức kết luận “điều tiết làm mạnh”. Cần xem dấu của main effect và tốt hơn là simple slopes.
Thứ tư, interaction không có ý nghĩa nhưng vẫn diễn giải chiều điều tiết. Nếu p-value chưa đạt mức ý nghĩa đã lựa chọn, chưa có cơ sở để kết luận moderation.
Thứ năm, nhầm biến điều tiết với biến trung gian. Moderator làm thay đổi quan hệ X –> Y; mediator giải thích cơ chế X truyền tác động đến Y.
Thứ sáu, coi mean centering là điều kiện tạo ra moderation. Centering thay đổi cách diễn giải main effects và đặc tính số học của product term, nhưng không phải cách biến một interaction không có ý nghĩa thành có ý nghĩa.
Thứ bảy, đồng nhất interaction giữa điểm đại diện với latent interaction SEM. Nếu muốn kiểm định tương tác trực tiếp giữa hai latent variables, cần sử dụng các kỹ thuật latent interaction phù hợp thay vì chỉ áp dụng máy móc quy trình nhân hai biến quan sát.
Kết luận
Kiểm định biến điều tiết trong AMOS cần tập trung vào interaction effect X×W –> Y. Quy trình thực hành cơ bản gồm chuẩn bị X và W, thực hiện centering hoặc standardization khi phù hợp, tạo biến tương tác, đưa X, W và interaction vào mô hình rồi đánh giá hệ số của đường tương tác.
Nếu interaction có ý nghĩa thống kê, W có vai trò điều tiết mối quan hệ X –> Y. Sau đó cần xem dấu của hệ số tương tác và, khi cần diễn giải sâu hơn, sử dụng simple slopes hoặc interaction plot để xác định mối quan hệ mạnh lên, suy yếu hay thay đổi chiều ở các mức W.
Điểm quan trọng là main effect của W không quyết định sự tồn tại của moderation. Đồng thời, hệ số interaction dương hoặc âm cũng cần được đặt trong bối cảnh của tác động X –> Y trước khi kết luận W làm mạnh hay suy yếu quan hệ.
Nếu bạn muốn tìm hiểu thêm về CFA, SEM, Bootstrap, biến trung gian và các kỹ thuật phân tích mô hình cấu trúc, có thể tham khảo thêm nội dung tại Phạm Lộc Blog. Trường hợp cần hỗ trợ xử lý dữ liệu, kiểm định biến điều tiết hoặc hoàn thiện mô hình SEM, bạn có thể tham khảo Dịch vụ xử lý AMOS.
5. FAQ mới
Biến điều tiết có bắt buộc phải tác động đến Y không?
Không. W có thể có hoặc không có main effect lên Y. Việc W có đóng vai trò moderator hay không được xác định từ interaction X×W.
X –> Y không có ý nghĩa nhưng X×W –> Y có ý nghĩa thì có điều tiết không?
Có thể có. Một interaction có ý nghĩa cho biết slope X –> Y thay đổi theo W. Main effect của X chỉ là tác động có điều kiện tại giá trị tham chiếu của W, nên main effect không có ý nghĩa không tự động loại bỏ moderation.
Interaction dương có phải luôn làm mạnh tác động không?
Không nên kết luận như vậy trong mọi trường hợp. Nếu X –> Y dương và interaction dương, quan hệ dương thường mạnh lên khi W tăng. Nếu main effect âm hoặc slope đổi dấu, cần xem simple slopes để diễn giải chính xác.
Interaction âm có nghĩa W làm suy yếu quan hệ X –> Y?
Nếu X –> Y đang mang dấu dương, interaction âm cho thấy slope dương giảm khi W tăng và có thể diễn giải là tác động bị suy yếu. Tuy nhiên vẫn nên kiểm tra simple slopes, đặc biệt khi interaction lớn.
Có bắt buộc chuẩn hóa X và W trước khi tạo interaction không?
Không có quy tắc cứng nhắc rằng mọi moderation analysis đều bắt buộc standardization. Mean centering hoặc standardization thường được sử dụng để hỗ trợ diễn giải và xử lý product term. Lựa chọn cần phù hợp với cách mô hình được xây dựng.
Mean centering có làm giảm p-value của interaction không?
Không nên sử dụng centering với mục đích làm interaction trở nên có ý nghĩa. Với mô hình được đặc tả tương đương, centering chủ yếu thay đổi điểm tham chiếu của main effects chứ không tạo ra một hiệu ứng điều tiết thực sự.
Biến điều tiết và biến trung gian khác nhau thế nào?
Biến trung gian trả lời X ảnh hưởng Y thông qua cơ chế nào, trong khi biến điều tiết trả lời tác động X –> Y thay đổi như thế nào tùy theo W.
Có nên vẽ biểu đồ khi interaction có ý nghĩa không?
Nên nếu cần diễn giải rõ kết quả. Interaction plot kết hợp simple slopes giúp thể hiện trực quan tác động X –> Y ở những mức khác nhau của moderator.
8. Tài liệu tham khảo học thuật
Aiken, L. S., & West, S. G. (1991). Multiple Regression: Testing and Interpreting Interactions. Sage.
Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage.
Kline, R. B. (2016). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
Little, T. D., Bovaird, J. A., & Widaman, K. F. (2006). On the merits of orthogonalizing powered and product terms: Implications for modeling interactions among latent variables. Structural Equation Modeling, 13(4), 497–519.
Marsh, H. W., Wen, Z., & Hau, K. T. (2004). Structural equation models of latent interactions: Evaluation of alternative estimation strategies and indicator construction. Psychological Methods, 9(3), 275–300.
Wen, Z., Marsh, H. W., & Hau, K. T. (2010). Structural equation models of latent interactions: An appropriate standardized solution and its scale-free properties. Structural Equation Modeling, 17(1), 1–22.