Khái niệm biến trung gian, biến điều tiết, biết kiểm soát

Trong nghiên cứu khoa học xã hội, hành vi, kinh tế hay marketing, việc hiểu và xử lý các loại biến là bước quan trọng để xây dựng mô hình phân tích có ý nghĩa. Bên cạnh biến độc lập (Independent Variable – IV) và biến phụ thuộc (Dependent Variable – DV), ba loại biến nâng cao thường được sử dụng để làm rõ hơn bản chất mối quan hệ giữa các biến chính là biến trung gian (mediator), biến điều tiết (moderator) và biến kiểm soát (control variable).

Bài viết này sẽ giúp bạn hiểu rõ:

• Bản chất của từng loại biến
• Vai trò của chúng trong mô hình nghiên cứu
• Cách xử lý dữ liệu và diễn giải kết quả phân tích

1. Biến trung gian (mediator – mediating variable)

Khái niệm

Biến trung gian là biến nằm giữa biến độc lập và biến phụ thuộc, có nhiệm vụ truyền tải hoặc giải thích cơ chế ảnh hưởng của biến độc lập lên biến phụ thuộc. Nói cách khác, biến độc lập tác động đến biến trung gian, và biến trung gian tác động tiếp đến biến phụ thuộc.

Ví dụ:

Trong nghiên cứu về ảnh hưởng của quảng cáo trên TikTok đến ý định mua hàng, ta có thể đặt:

• Biến độc lập: Mức độ thu hút của KOL/KOC
• Biến trung gian: Niềm tin vào thương hiệu
• Biến phụ thuộc: Ý định mua hàng

Khi KOL càng hấp dẫn, người xem càng tin tưởng vào thương hiệu hơn (hiệu ứng 1), và niềm tin cao hơn sẽ làm tăng ý định mua hàng (hiệu ứng 2). Như vậy, “niềm tin vào thương hiệu” chính là biến trung gian, giải thích vì sao độ hấp dẫn của KOL lại làm tăng ý định mua hàng.

Cách kiểm định biến trung gian

Có nhiều cách kiểm định mối quan hệ trung gian:

• Phương pháp Baron & Kenny (1986): chạy ba mô hình hồi quy để kiểm tra từng bước.
• Phân tích Bootstrap (AMOS, SmartPLS, PROCESS): sử dụng ước lượng gián tiếp (indirect effect) và khoảng tin cậy để xác định ý nghĩa thống kê.
• Kiểm định Sobel: dùng khi mô hình nhỏ và cần kiểm tra ý nghĩa của hiệu ứng gián tiếp.

Diễn giải

Nếu hiệu ứng gián tiếp (a × b) có ý nghĩa, ta kết luận có sự trung gian.

• Nếu hiệu ứng trực tiếp (c’) vẫn còn ý nghĩa, → trung gian một phần (partial mediation).
• Nếu hiệu ứng trực tiếp không còn ý nghĩa, → trung gian hoàn toàn (full mediation).

Ý nghĩa trong nghiên cứu

Biến trung gian giúp hiểu sâu cơ chế tác động, thay vì chỉ biết rằng A ảnh hưởng B, ta còn biết A ảnh hưởng B “thông qua” C. Điều này rất quan trọng khi muốn diễn giải kết quả theo hướng nhân quả và lý thuyết hành vi.

2. Biến điều tiết (moderator – moderating variable)

Khái niệm

Biến điều tiết là biến làm thay đổi độ mạnh hoặc hướng tác động giữa biến độc lập và biến phụ thuộc. Nói cách khác, mối quan hệ giữa X và Y phụ thuộc vào mức độ của biến điều tiết Z.

Ví dụ:

Trong nghiên cứu về ảnh hưởng của sự hài lòng khách hàng (X) đến ý định mua lại (Y), có thể giả định rằng giá trị cảm nhận (Z) sẽ điều tiết mối quan hệ này. Khi giá trị cảm nhận cao → sự hài lòng ảnh hưởng mạnh đến ý định mua lại. Khi giá trị cảm nhận thấp → mối quan hệ yếu hơn.

Biểu diễn

Mối quan hệ điều tiết thường được mô tả bằng tương tác nhân (interaction term):

Y = b₀​ + b₁​X + b₂​Z +b_3​(X×Z) + e

Trong đó, X×Z là biến tương tác. Nếu hệ số b₃ có ý nghĩa thống kê, ta kết luận rằng Z là biến điều tiết.

Kiểm định trong phần mềm

• SPSS (PROCESS Macro): Dùng mô hình số 1 của Hayes.
• AMOS hoặc SmartPLS: tạo biến tương tác X×Z và kiểm tra ý nghĩa của hệ số tương tác.

Diễn giải kết quả

Sau khi phát hiện tác động điều tiết, ta thường vẽ biểu đồ tương tác. Bạn có thể truy cập vào đây để dùng tool.

• Trục X: Biến độc lập
• Trục Y: Biến phụ thuộc
• Hai đường biểu diễn tương ứng với mức Z thấp và Z cao

Nếu hai đường không song song, nghĩa là Z điều tiết mối quan hệ X → Y. Đường dốc hơn thể hiện mức điều tiết mạnh hơn.

Ý nghĩa trong nghiên cứu

Biến điều tiết giúp ta hiểu khi nào và với ai mối quan hệ X → Y mạnh hay yếu. Ví dụ, “giá trị cảm nhận” làm cho tác động của “sự hài lòng” đến “mua lại” mạnh hơn ở nhóm người đánh giá cao thương hiệu — gợi ý quan trọng cho chiến lược marketing phân khúc.

Một mô hình có thể xuất hiện một hay nhiều biến điều tiết và một biến điều tiết có thể làm thay đổi một hay nhiều tác động của các cặp biến. Biến điều tiết có thể là biến định tính hoặc biến định lượng. Nếu biến điều tiết là biến định tính, muốn đánh giá sự tác động của nó chúng ta sẽ sử dụng phân tích cấu trúc đa nhóm (multigroup analysis) trên AMOS, SMARTPLS. Nếu biến điều tiết là biến định lượng, muốn đánh giá sự tác động của nó chúng ta sẽ sử dụng mô hình có biến tương tác Interaction.

3. Biến kiểm soát (controlled variable)

 Khái niệm

Biến kiểm soát là biến mà nhà nghiên cứu đưa vào mô hình để loại bỏ ảnh hưởng nhiễu, đảm bảo rằng mối quan hệ giữa biến chính xác hơn. Biến này không phải là trọng tâm nghiên cứu, nhưng nếu bỏ qua có thể gây sai lệch kết quả.

Ví dụ: Khi nghiên cứu ảnh hưởng của đào tạo nhân viên đến hiệu suất làm việc, ta nên kiểm soát các biến như: Giới tính, Tuổi, Thâm niên công tác, Trình độ học vấn,… Những yếu tố này có thể ảnh hưởng gián tiếp đến hiệu suất, nếu không kiểm soát sẽ làm nhiễu mối quan hệ chính.

Cách xử lý

Sẽ tùy vào dạng biến kiểm soát là định tính hay định lượng mà chúng ta có kỹ thuật đánh giá khác nhau.

• Nếu biến kiểm soát là biến định tính, muốn đánh giá sự tác động của nó lên biến định lượng, chúng ta có hai lựa chọn: (1) phổ biến nhất sẽ dùng phân tích One-way ANOVA hoặc (2) mã hóa sang biến giả (dummy) rồi chạy hồi quy, SEM đánh giá tác động.
• Nếu biến kiểm soát là biến định lượng, chúng ta sẽ sử dụng phân tích hồi quy trên SPSS, SEM trên AMOS/SMARTPLS để đánh giá quan hệ này.

Lưu ý

• Biến kiểm soát thường là nhân khẩu học (demographics) hoặc đặc điểm tổ chức (loại hình, quy mô…).
• Không nên lạm dụng quá nhiều biến kiểm soát vì sẽ làm giảm sức mạnh thống kê của mô hình.
• Nên chọn các biến có cơ sở lý thuyết và dữ liệu thực tế chứng minh ảnh hưởng tiềm ẩn.

Nếu bạn đang gặp khó khăn trong xử lý dữ liệu trên SPSS liên quan đến biến trung gian, điều tiết, kiểm soát. Bạn có thể tham khảo dịch vụ hỗ trợ SPSS của Xử Lý Định Lượng để tối ưu về thời gian và có được kết quả phù hợp.