1. Kiến thức cơ bản về biến điều tiết
1.1. Khái niệm biến điều tiết
Biến điều tiết đóng vai trò quan trọng trong việc điều chỉnh mối quan hệ giữa biến độc lập và biến phụ thuộc. Nó có thể làm cho mối quan hệ này mạnh hơn, yếu hơn hoặc thậm chí thay đổi chiều hướng tác động.
Ví dụ, một nghiên cứu trước đây đã chỉ ra rằng sự tác động từ sự hài lòng lên lòng trung thành thương hiệu sẽ bị thay đổi bởi thu nhập của khách hàng. Thu nhập cao làm giảm mối quan hệ này, nghĩa là khách hàng có thu nhập cao thì ít trung thành hơn với công ty ngay cả khi họ hài lòng với dịch vụ.
Biến điều tiết có thể là biến định tính hoặc biến định lượng. Nếu là dạng biến định tính, chúng ta thường sử dụng kỹ thuật phân tích cấu trúc đa nhóm để đánh giá sự điều tiết hoặc mã hóa biến định tính về dạng dummy và xử lý như một biến điều tiết định lượng. Với biến điều tiết dạng định lượng, chúng ta sẽ đánh giá tác động tương tác “interaction effect” lên biến phụ thuộc.
Một mô hình lý thuyết biến điều tiết có thể được biểu diễn như ảnh bên dưới:
1.2. Cách thức đánh giá biến điều tiết
Để đánh giá biến điều tiết chúng ta sẽ sử dụng mô hình hồi quy biến điều tiết MMR (Saunders, 1956) như sau:
Mô hình này có 3 biến tác động vào biến phụ thuộc Y gồm:
- Tác động của biến độc lập X lên biến phụ thuộc Y
- Tác động của biến điều tiết W lên biến phụ thuộc Y
- Tác động của tích số X*W lên biến phụ thuộc Y (còn gọi là interaction effects hoặc moderating effects)
Trích theo Baron & Kenny (1986) với cách đánh giá truyền thống, để một biến là biến điều tiết thì:
(1) biến này không có quan hệ với cả biến độc lập và biến phụ thuộc, cùng với đó
(2) tích số X*W phải có sự tác động lên Y.
Tuy nhiên theo hướng tiếp cận mới, điều kiện thứ nhất không nhất thiết phải xảy ra, chỉ cần điều kiện thứ hai thỏa mãn thì có thể kết luận có mối tác động điều tiết. Hair và cộng sự (2013), Andrew F. Hayes (2013) cho rằng chi cần tác động của tích số X*W lên biến phụ thuộc Y có ý nghĩa thì có thể kết luận biến điều tiết W có sự điều tiết lên quan hệ tác động từ X lên Y.
1. Hair và cộng sự (A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 3rd Edition, 2013)
2. Andrew F. Hayes (Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach. New York, NY: The Guilford Press, 2013)
Cách đọc kết quả tác động điều tiết:
| Hệ số a tác động từ X lên Y | Hệ số c tác động tương tác | 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) |
| Dương (+) | Âm (-) | Biến điều tiết làm yếu đi mới quan hệ tích cực giữa biến độc lập và biến phụ thuộc (Điều tiết tiêu cực) |
| Âm (-) | Dương (+) | 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) |
2. Phân tích biến điều tiết trên SMARTPLS 4
Xét một đề tài nghiên cứu với mô hình gồm 4 nhân tố như sau:
Workload (Khối lượng công việc)
1. Gần đây, lượng công việc tôi phải hoàn thành trong ngày tăng lên so với mức tiêu chuẩn
2. Gần đây, phát sinh thêm nhiều công việc đòi hỏi quá trình xử lý mất nhiều thời gian hơn
3. Gần đây, phát sinh thêm nhiều công việc đòi hỏi việc xử lý phức tạp hơn
Stress (Căng thẳng công việc)
1. Gần đây, tôi cảm thấy bị kiệt sức sau mỗi ngày đi làm
2. Gần đây, tôi có cảm giác khó ngủ vào buổi tối hơn trước
3. Gần đây, tôi hay cáu giận với người thân, đồng nghiệp
Support (Sự hỗ trợ trong công việc)
1. Đồng nghiệp nhiệt tình giúp đỡ khi tôi cần hỗ trợ
2. Sếp tận tình hướng dẫn tôi cách xử lý các công việc khó
3. Mọi người trong team động viên nhau trong công việc
Workout (Tập thể dục)
1. Tôi dành ít nhất 15 phút ít nhất 3 ngày trong tuần cho việc tập thể dục
Trước đó, các nhà nghiên cứu đã xác định được mối quan hệ thuận chiều giữa Khối lượng công việc (Workload) và Căng thẳng công việc (Stress). Cụ thể, khi lượng công việc tăng lên, mức độ căng thẳng của người lao động cũng gia tăng. Tiế theo, các nhà nghiên cứu này muốn đánh giá xem sự hỗ trợ trong công việc và thói quen tập thể dục có làm thay đổi quan hệ tác động này hay không:
– Sự hỗ trợ công việc (Support) từ đồng nghiệp, từ sếp có giúp làm giảm sự tác động của việc gia tăng khối lượng công việc lên căng thẳng công việc hay không?
– Việc tập thể dục (Workout) có giúp làm giảm sự tác động của việc gia tăng khối lượng công việc lên căng thẳng công việc hay không?
2.1. Vẽ biến điều tiết lên diagram SMARTPLS 4
Nếu bạn lần đầu làm quen với SMARTPLS 4, bạn xem trước bài viết Vẽ mô hình, xuất/nhập dự án trên SMARTPLS 4 để nắm được cách sử dụng các công cụ vẽ diagram trên phần mềm này nhé.
Sau khi vẽ xong các biến từ mô hình lý thuyết lên diagram, tiếp tục vẽ mũi tên tác động trực tiếp từ Khối lượng công việc (Workload) lên Căng thẳng công việc (Stress). Sau đó, vẫn sử dụng công cụ Connect nhấp vào biến điều tiết Support, đè giữ chuột kéo mũi tên hướng về phía mũi tên quan hệ tác động giữa Workload với Stress.
Khi thực hiện thành công, sẽ xuất hiện một mũi tên điều tiết nét đứt hướng từ biến Support lên mũi tên trực tiếp như ảnh bên dưới.
Thao tác tương tự cho biến Workout, chúng ta có được diagram hoàn thiện như sau:
2.2 Đánh giá biến điều tiết moderator trên SMARTPLS 4
Để phân tích biến điều tiết trên SMARTPLS 4, chúng ta cần thực hiện Bootstrapping. Tại giao diện diagram, nhấp vào nút Calculate, chọn Bootstrapping.
Cửa sổ thiết lập thông số Bootstrap xuất hiện, nếu không có thay đổi gì bạn để thiết lập mặc định và nhấp vào Start calculation. Chi tiết cách thiết lập bootstrap bạn xem tại bài này.
Kết quả phân tích Bootstrap xuất hiện, từ menu bên trái, nhấp vào mục Path Coefficients > Mean, STDEV, T values, p values để đánh giá tác động.
Trong phân tích biến điều tiết trên SMARTPLS 4, mặc dù trên sơ đồ không vẽ mũi tên tác động trực tiếp từ biến điều tiết lên biến phụ thuộc, nhưng phần mềm sẽ tự động tính toán mối tác động này. Đây là nguyên tắc khi đánh giá quan hệ điều tiết nhằm tránh thổi phồng mức độ tác động của giá trị tương tác interaction effects.
Bảng này sẽ tổng hợp các quan hệ tác động trực tiếp và tác động điều tiết chung với nhau. Chúng ta sẽ tập trung vào 2 quan hệ tác động tương tác, đọc kết quả qua giá trị P values và Original sample (O) là chủ yếu:
– Original sample: Hệ số tác động chuẩn hóa theo mẫu gốc. Với hai tác động tương tác, nếu hệ số tác động ở cột này mang dấu dương, tác động điều tiết là tích cực. Ngược lại, nếu hệ số mang dấu âm, tác động điều tiết là tiêu cực.
– Sample mean: Trung bình hệ số tác động chuẩn hóa từ tất cả mẫu bootstrap. Ví dụ, cỡ mẫu của dữ liệu là 200, chạy bootstrap 1000, kết quả sẽ có 1000 tập dữ liệu có cỡ mẫu 200 được sinh ra. Mỗi cỡ mẫu đó sẽ có hệ số tác động huẩn hóa ở cột Original sample tương ứng, lấy trung bình cộng 1000 giá trị Original sample này sẽ ra giá trị Sample mean.
– Standard deviation: Độ lệch chuẩn của hệ số tác động.
– T statistics: Kiểm định T ý nghĩa thống kê của hệ số tác động.
– P values: Đánh giá mức ý nghĩa của phép kiểm định. Nếu P values của tác động tương tác nhỏ hơn 0.05, tác động điều tiết có ý nghĩa thống kê, biến điều tiết có vai trò điều tiết trong mô hình. Ngược lại, nếu P values lớn hơn 0.05, chúng ta kết luận tác động điều tiết không có ý nghĩa thống kê, biến điều tiết không có vai trò điều tiết trong mô hình.
Cụ thể trong ví dụ thực hành ở trên, chúng ta quan tâm tới 2 tác động tương tác là Support x Workload → Stress và Workout x Workload → Stress.
- P values kiểm định t của mối tác động Support x Workload → Stress bằng 0.000 < 0.05, như vậy tác động điều tiết này có ý nghĩa thống kê, biến Support có vai trò điều tiết sự tác động từ Workload lên Stress. Hệ số điều tiết bằng – 0.397 < 0 cho thấy đây là điều tiết tiêu cực, như vậy khi Support tăng sẽ làm giảm sự tác động từ Workload lên Stress.
- P values kiểm định t của mối tác động Workout x Workload → Stress bằng 0.969 > 0.05, như vậy tác động điều tiết này không có ý nghĩa thống kê, biến Workout không có vai trò điều tiết sự tác động từ Workload lên Stress. Do không có sự điều tiết nên chúng ta không cần kết luận dấu hệ số điều tiết.
Mở rộng thêm khi đánh giá kết quả, bạn có thể xem ngưỡng trên – dưới khoảng tin cậy bootstrap của hệ số tương tác bằng cách nhấp vào mục Confidence intervals bias corrected ở menu bên trái. Ví dụ, đối với mối tác động Support x Workload → Stress, ngưỡng dưới bootstrap của hệ số tương tác là -0.548 và ngưỡng trên là -0.279.
Hàm ý quản trị từ kết quả phân tích biến điều tiết trong ví dụ bên trên:
1. Biến điều tiết Support:
Có ý nghĩa: Khi lượng công việc tăng vượt tiêu chuẩn, căng thẳng trong công việc của người lao động sẽ tăng lên. Tuy nhiên, sự hỗ trợ từ đồng nghiệp và quản lý có thể giúp giảm bớt căng thẳng này.
Giải pháp: Khi tăng lượng công việc cho nhân viên, nhà quản lý cần hỗ trợ trực tiếp cho nhân viên và khuyến khích sự hỗ trợ lẫn nhau giữa các nhân viên cấp dưới.
2. Biến điều tiết Workout:
Không có ý nghĩa: Mặc dù tập thể dục đều đặn có tác động làm giảm căng thẳng công việc (P-value = 0.008 < 0.05 và hệ số tác động = -0.130 < 0), nhưng việc tập thể dục đều đặn không giúp giảm bớt căng thẳng khi khối lượng công việc tăng vượt tiêu chuẩn.
