Tag Archives: biến điều tiết

Quan hệ điều tiết moderation, các loại biến điều tiết moderator, mô hình hóa quan hệ điều tiết

Quan hệ điều tiết Moderation là gì?

Quan hệ điều tiết Moderation mô tả một tình huống trong đó mối quan hệ giữa hai biến số không phải là hằng số mà phụ thuộc vào các giá trị của một biến thứ ba, biến thứ 3 này được gọi là biến điều tiết moderator . Biến điều tiết thay đổi cường độ hoặc thậm chí là hướng của mối quan hệ giữa hai biến trong mô hình.

Ví dụ quan hệ điều tiết

Như ảnh bên dưới, M là biến moderator, Y1 là biến độc lập, Y2 là biến phụ thuộc. Biến M có thể thay đổi mối quan hệ giữa Y1 đến Y2 trong mô hình.

Nghiên cứu trước đây đã chỉ ra rằng mối quan hệ giữa sự hài lòng của khách hàng và lòng trung thành của khách hàng có sự khác biệt phụ thuộc vào thu nhập của khách hàng. Chính xác hơn, thu nhập có tác động tiêu cực rõ rệt lên mối quan hệ hài lòng – lòng trung thành. Thu nhập càng cao, mối quan hệ giữa sự hài lòng và lòng trung thành càng yếu. Nói cách khác, thu nhập đóng vai trò biến điều tiết, giải thích cho tính không đồng nhất trong mối liên kết giữa hài lòng-lòng trung thành. Do đó, mối quan hệ này không giống nhau cho tất cả khách hàng mà thay vào đó khác nhau tùy thuộc vào thu nhập của họ. Như vậy, phân tích điều tiết được xem như là một phương tiện để giải thích tính không đồng nhất trong dữ liệu.

Các loại biến điều tiết

Có hai loại biến điều tiết, đó là biến điều tiết dạng phân loại và biến điều tiết liên tục.

  • Biến điều tiết dạng phân loại khi mà biến đó dạng định danh, ví dụ Nam/Nữ. Khi biến điều tiết dạng phân loại, lúc đó bộ dữ liệu được chia ra theo các nhóm của biến điều tiết là các bộ dữ liệu nhỏ hơn. Lúc đó kĩ thuật phân tích đa nhóm multigroup được áp dụng.
  • Biến điều tiết liên tục khi đó là biến dạng định lượng liên tục,ví dụ thu nhập, độ tuổi( lưu ý không phải là các NHÓM thu nhập, NHÓM tuổi). Khi biến điều tiết dạng liên tục, cũng có một kĩ thuật multigroup, đó là sẽ chia biến này thành các nhóm, dựa trên trung bình hoặc trung vị( mean and median splits). Lúc đó biến được chia này mặc nhiên trở thành biến điều tiết phân loại, và ta áp dụng phân tích đa nhóm multigroup để phân tích biến điều tiết

Các biến điều tiết có thể có mặt trong các mô hình cấu trúc theo các dạng khác nhau. Chúng có thể đại diện cho các đặc điểm quan sát như giới tính, tuổi tác hoặc thu nhập. Nhưng chúng cũng có thể thể hiện thông những đặc điểm không thể quan sát được như thái độ rủi ro, thái độ đối với một thương hiệu . Biến điều tiết có thể được đo bằng một hoặc nhiều câu hỏi nhỏ sử dụng thang đo reflective hoặc formative. Sự khác biệt quan trọng nhất liên quan đến thang đo của biến điều tiết, là thang đo phân loại categorical và thang đo liên tục continuous .

Biến điều tiết phân loại:

Về biến điều tiết phân loại categorical, một ví dụ là biến giới tính, có hai loại Nam/Nữ ( được mã hóa 0/1). Cũng có thể có biến điều tiết 3-4 loại, ví dụ các mức độ tuổi: <30 tuổi, 30-40 tuổi, trên 40 tuổi ( được mã hóa 0/1/2). Trong hầu hết các trường hợp, các nhà nghiên cứu sử dụng biến điều tiết phân loại để chia bộ dữ liệu thành hai hoặc nhiều nhóm và ước tính riêng từng mô hình cho từng nhóm dữ liệu. Cách tiếp cận này cung cấp một kết quả hoàn chỉnh hơn về ảnh hưởng của biến điều tiết đối với kết quả phân tích.

Biến điều tiết liên tục:

Trong nhiều trường hợp, các nhà nghiên cứu có biến điều tiết liên tục mà họ tin có thể ảnh hưởng đến sức mạnh của một mối quan hệ cụ thể giữa hai biến tiềm ẩn. Ví dụ, giả thuyết rằng mối quan hệ giữa sự hài lòng và lòng trung thành bị ảnh hưởng bởi thu nhập của khách hàng. Chính xác hơn, có thể đưa ra giả thuyết rằng mối quan hệ giữa sự hài lòng của khách hàng và lòng trung thành của khách hàng yếu hơn đối với các khách hàng có thu nhập cao và mạnh mẽ hơn cho các khách hàng có thu nhập thấp. Hiệu ứng của biến điều tiết như vậy sẽ chỉ ra rằng mối quan hệ lòng trung thành hài lòng thay đổi, tùy thuộc vào mức thu nhập. Nếu hiệu ứng điều tiết này không có mặt, chúng ta sẽ giả định rằng sức mạnh của mối quan hệ giữa sự hài lòng và lòng trung thành là không đổi theo thu nhập.

Mô hình hóa quan hệ điều tiết

Để hiểu được cách các hiệu ứng điều tiết được mô hình hoá, hãy xem xét mô hình đường dẫn như sau:

Thu nhập đóng vai trò là biến điều tiết (M), ảnh hưởng đến mối quan hệ giữa sự hài lòng của khách hàng (Y1) và lòng trung thành của khách hàng (Y2). Hiệu ứng điều tiết (p3) được biểu thị bằng một mũi tên chỉ vào hiệu ứng p1 liên kết Y1 và Y2. Hơn nữa, khi bao gồm hiệu ứng điều tiết trong mô hình, cũng có mối quan hệ trực tiếp (p2) từ biến điều tiết đến biến phụ thuộc nội sinh. Mối quan hệ p2 này rất quan trọng (và là thường xuyên bị bỏ sót) vì nó kiểm soát tác động trực tiếp của biến điều tiết lên biến phụ thuộc nội sinh. Nếu đường dẫn p2 bị bỏ qua, hiệu ứng của M trên mối quan hệ giữa Y1 và Y2 (tức là p3) sẽ bị thổi phồng.

Mô hình này diễn giải như sau: Y2   =   ( p1   +   p3*Μ )* Y 1   +   p2*M

Như vậy ảnh hưởng của Y1 lên Y2 không chỉ phụ thuộc vào cường độ của tác động đơn p1 mà còn trên tích số của p3 và M. Để hiểu cách biến điều tiết được tích hợp trong mô hình, chúng ta cần viết lại phương trình như sau:

Y2=p1*Y1+p2*Μ+p3*(Y1*Μ)

Cụm tương tác interaction term là gì?

Phương trình  Y2=p1*Y1+p2*Μ+p3*(Y1*Μ)

Cho thấy mô hình có biến điều tiết cần mô tả ra ảnh hưởng của biến độc lập ngoại sinh (tức là, p1*Y1), ảnh hưởng của biến điều tiết ( p2*M), và tích của p3*(Y1*M), còn được gọi là cụm tương tác interaction term. Kết quả là, hệ số p3 biểu thị hiệu ứng p1 thay đổi như thế nào khi biến điều tiết M tăng hoặc giảm theo một đơn vị độ lệch chuẩn .

Như có thể thấy, mô hình bao gồm cụm tương tác interaction term như một biến tiềm ẩn bổ sung bao gồm tích của biến tiềm ẩn ngoại sinh Y1 và biến điều tiết M. Do cụm tương tác interaction term này, các nhà nghiên cứu thường tham khảo các hiệu ứng tương tác interaction effects khi mô hình hóa biến điều tiết moderator .

Khi diễn giải kết quả phân tích điều tiết, mối quan tâm chính là mức ý nghĩa significance của cụm tương tác interaction term. Nếu mối quan hệ của interaction term lên biến phụ thuộc nội sinh có ý nghĩa thống kê, kết luận rằng biến M có tác động điều tiết có ý nghĩa thống kê đối với mối quan hệ giữa Y1 vàY2. SmartPLS sẽ dùng bootstrapping để đánh giá quan hệ điều tiết này. Trong trường hợp tác động điều tiết có ý nghĩa thống kê, bước tiếp theo là xác định sức mạnh của hiệu ứng điều tiết

So sánh biến điều tiết và biến trung gian

Như vậy, biến điều tiết tương tự như biến trung gian ở chỗ biến số thứ ba (tức là, biến trung gian hoặc biến điều tiết) ảnh hưởng đến sức mạnh của mối quan hệ giữa hai biến tiềm ẩn. Sự khác biệt giữa hai khái niệm là biến điều tiết không phụ thuộc vào biến độc lập ngoại sinh. Ngược lại, với biến trung gian, có hiệu ứng trực tiếp từ biến độc lập ngoại sinh đến biến trung gian.

Tóm  lại, nhóm Thạc Sỹ QTKD Bách Khoa đã giới thiệu về Quan hệ điều tiết moderation, các loại biến điều tiết moderator, mô hình hóa quan hệ điều tiết. Khi xử lý bên phần mềm AMOS thì áp dụng kĩ thuật phân tích đa nhóm multigroup để xử lý. Còn phần mềm SmartPLS thì áp dụng chức năng MGA Multi-Group Analysis để thực hiện.

Các bạn khi xử lý số liệu gặp vấn đề khó khăn cứ liên hệ nhóm nhé:

Liên hệ nhóm thạc sĩ Hỗ trợ SPSS.

– SMS, Zalo, Viber:

phone number

– Chat Facebook: http://facebook.com/hoidapSPSS/

– Email:                 hotrospss@gmail.com

Định nghĩa, cách xử lý biến điều tiết moderator trong SPSS

Nhóm MBA Bách Khoa Hỗ Trợ SPSS giải thích khái niệm biến điều tiết moderator, cùng với việc chạy biến điều tiết trong SPSS.


Biến điều tiết là gì?

Ảnh hưởng của biến độc lập X lên biến phụ thuộc Y được điều tiết bởi biến M. Trong trường hợp này, biến M gọi là biến điều tiết của qua hệ từ X tác động qua Y. Lưu ý M không phải là 1 biến dự đoán cho Y trong mô hình điều tiết. Qua một số thuật toán, mô hình biến điều tiết ở trên có thể được biểu diễn lại như sau:
 
Phương trình hồi quy có biến điều tiết được biểu diễn như sau:
Y = i1 + b1X + b2M+ b3XM+ eY
Ví dụ biến M có một trong ba giá trị là 0 1 2, thì phương trình của Y theo 3 biến độc lập được minh họa như sau:
 
Lưu ý có ba đường biểu diễn của biến phụ thuộc Y, tùy theo 3 giá trị của biến điều tiết M
XM thực chất là phép nhân giữa biến X và biến M, do đó biến này phải được tính toán trước, và lưu vào file spss để chạy.

Cách đánh giá kết quả biến có điều tiết mối quan hệ hay không?

Khi chạy hồi quy đa biến, biến phụ thuộc là Y, ba biến độc lập là X , M , XM thì ta xem xét sig. của biến XM, nếu sig. này <5% có ý nghĩa thống kê thì ta kết luận biến M điều tiết mối quan hệ giữa biến  X và biến Y. Còn về chiều hướng của quan hệ điều tiết, ta dựa vào hệ số b3 của biến XM để kết luận. Như  hình vẽ ta thấy, nếu hệ số b3 >0, và X >0 thì khi biến M tăng sẽ làm cho quan hệ giữa biến X và Y tăng theo.

Tuy nhiên, việc nhân hay biến X*M dẫn đến một số điểm bất lợi, vì có thể bị đa cộng tuyến giữa các biến, dưới đây là kĩ thuật để hạn chế vấn đề đó.

Kĩ thuật mean centering một biến

Một kĩ thuật thường được áp dụng là mean centering biến X và biến M, ví dụ phương trình gốc:
Y = i1 + b1X + b2M + b3XM + eY
Sẽ được biến đổi như sau:
Y = i1 + b1X′+ b2M′+ b3X′M′+ eY
Với X' =X – X_tb , M'=M-M_tb
X_tb = trung bình cộng của biến X
M_tb = trung bình cộng của biến M
Nghĩa là khi đó, ta sẽ tạo biến mới, bằng chính giá trị biến đó trừ đi giá trị trung bình của biến đó. Đó chính là kĩ thuật mean center.
Kĩ thuật mean center được giới thiệu trong vài sách về phân tích hồi quy(e.g., Aiken & West, 1991; Cohen et al., 2003). Có vài lời giải thích được đề ra tại sao mean centering được ưu tiên trong các phương trình hồi quy có phép nhân. Bởi vì X và M thì tương quan rất mạnh với biến X*M , nên sẽ dẫn đến việc ước lược bị hiện tượng đa cộng tuyến, kết quả xấu, hoặc hệ số hồi quy "khác lạ", sai số chuẩn cao… Vì thế, việc centering một biến có thể là điều có lợi, được một số người khuyến khích xài. Tuy nhiên không chính xác khi nói việc mean centering là bắt buộc, cần thiết. Thực tế, khi chạy hồi quy hai phương trình sẽ cùng sinh ra hệ số b3 như nhau(b3= 0.834)
 Y = 7.706 + 3.773X − 0.473M+ 0.834XM
 Y = 5.288 + 0.493X' − 0.473M′+ 0.834X'M′

Hệ số hồi quy cho phép nhân giữa X và M là b3= 0.834, hệ số này chỉ ra sự tác động của X vào Y đổi như thế nào khi M thay đổi một đơn vị.

Lưu ý đối với biến M, đây là biến điều tiết, tuy nhiên biến này cũng có hai dạng: biến điều tiết định tính( ví dụ Nam =1/ Nữ =2) và biến điều tiết định lượng. Khi biến điều tiết ở dạng định lượng, có nghĩa là biến liên tục đo mức độ tăng dần, thì để đơn giản vấn đề, người ta sẽ chia biến định lượng đó ra làm 2 phần , phần thấp và cao, dựa trên kĩ thuật chia mẫu theo mean hoặc median ( trung bình cộng hoặc trung vị). Lúc đó biến điều tiết quay về dạng định tính, phân loại.

Tóm lại, bài này đã giới thiệu cách phân tích biến điều tiết trong SPSS, tuy nhiên nếu các bạn sử dụng phần mềm AMOS để xử lý biến điều tiết thì có một kĩ thuật khác gọi là phân tích đa nhóm multigroup analysis. Lúc đó việc đánh giá sẽ trực quan hơn.

Các bạn có cần hỗ trợ thêm kiến thức, đào tạo, xử lý số liệu liên hệ nhóm nhé

– Zalo, Viber, SMS

phone number

– Facebook: http://facebook.com/hoidapSPSS/

– Email:        hotrospss@gmail.com