Biến điều tiết: 5 bước kiểm định tương tác và simple slope trong SPSS

Biến điều tiết giúp trả lời câu hỏi "tác động của X lên Y mạnh hơn hay yếu hơn trong điều kiện nào?". Ví dụ: tác động của giá lên ý định mua có yếu hơn ở nhóm thu nhập cao không; ảnh hưởng của áp lực công việc lên kiệt sức có giảm khi nhân viên được hỗ trợ từ cấp trên không. Bài viết hướng dẫn chi tiết 5 bước kiểm định biến điều tiết trong SPSS (hồi quy và PROCESS Model 1), cách trung tâm hóa biến, đọc hệ số tương tác, ΔR², vẽ đồ thị simple slope và báo cáo kết quả.

Biến điều tiết là gì?

Biến điều tiết (moderator, ký hiệu W hoặc Z) là biến làm thay đổi chiều hướng hoặc độ mạnh của mối quan hệ giữa biến độc lập X và biến phụ thuộc Y. Về mặt thống kê, tác động điều tiết được thể hiện qua hiệu ứng tương tác X × W trong mô hình hồi quy:

Y = b0 + b1·X + b2·W + b3·(X × W) + e

Nếu hệ số b3 có ý nghĩa thống kê, W là biến điều tiết của mối quan hệ X - Y. Khi đó, tác động của X lên Y không còn là một con số cố định b1, mà bằng (b1 + b3·W), tức là thay đổi theo từng giá trị của W.

Biến điều tiết có thể là biến định lượng (thu nhập, kinh nghiệm, mức hỗ trợ) hoặc biến phân loại (giới tính, khu vực, loại hình doanh nghiệp).

Biến điều tiết khác biến trung gian thế nào?

Biến trung gian giải thích cơ chế: X tác động Y thông qua M. Biến điều tiết giải thích điều kiện: X tác động Y mạnh hay yếu tùy vào W. Một số cách phân biệt nhanh:

• Biến trung gian chịu tác động của X; biến điều tiết thường độc lập với X.
• Biến trung gian nằm trên con đường X → M → Y; biến điều tiết tác động lên chính mũi tên X → Y.
• Kiểm định trung gian dựa trên tác động gián tiếp a × b; kiểm định biến điều tiết dựa trên hệ số tương tác.

Xem chi tiết tại bài phân tích biến trung gian.

Khi nào nên đưa biến điều tiết vào mô hình?

Bạn nên cân nhắc biến điều tiết khi:

• Các nghiên cứu trước cho kết quả không nhất quán về mối quan hệ X - Y: có nghiên cứu thấy tác động mạnh, có nghiên cứu thấy yếu hoặc không có. Một biến bối cảnh như vậy có thể giải thích sự khác biệt này.
• Lý thuyết nền chỉ ra rằng tác động phụ thuộc vào đặc điểm cá nhân hoặc bối cảnh, ví dụ lý thuyết dự phòng (contingency theory) trong quản trị.
• Đề tài có ý nghĩa thực tiễn về phân khúc: doanh nghiệp muốn biết chính sách tác động khác nhau thế nào giữa các nhóm khách hàng.

Giả thuyết về biến điều tiết cần nêu rõ chiều hướng, ví dụ: "Thu nhập điều tiết làm giảm tác động tiêu cực của giá cảm nhận lên ý định mua."

5 bước kiểm định biến điều tiết trong SPSS

Bước 1: Xác định X, W và Y

Từ giả thuyết, xác định rõ biến độc lập X, biến điều tiết W và biến phụ thuộc Y. Tạo biến đại diện cho từng khái niệm bằng hàm MEAN sau khi thang đo đã đạt Cronbach's Alpha và EFA.

Bước 2: Trung tâm hóa biến

Trung tâm hóa (mean-centering) là trừ mỗi giá trị cho trung bình của biến. Thao tác này giúp hệ số b1 và b2 dễ diễn giải hơn (tác động tại mức trung bình của biến còn lại) và giảm đa cộng tuyến "không cốt lõi" giữa X, W và X × W.

Trong SPSS: chạy Analyze > Descriptive Statistics > Descriptives để lấy trung bình, sau đó Transform > Compute Variable: X_c = X - 3.42 (thay 3.42 bằng trung bình thực tế). Làm tương tự với W. Lưu ý: với biến điều tiết phân loại (0/1), không cần trung tâm hóa.

Bước 3: Tạo biến tương tác

Tạo biến XW = X_c * W_c bằng Compute Variable. Nếu dùng PROCESS, macro sẽ tự tạo biến tương tác và có tùy chọn trung tâm hóa.

Bước 4: Kiểm định tương tác

Cách 1, hồi quy phân cấp: vào Analyze > Regression > Linear. Block 1 đưa X_c, W_c và các biến kiểm soát. Nhấn Next, Block 2 đưa thêm XW. Trong Statistics, tick R squared change. Biến W có ý nghĩa khi hệ số XW có Sig. < 0,05 và ΔR² ở Block 2 có ý nghĩa.

Cách 2, PROCESS Model 1: vào Analyze > Regression > PROCESS, đưa Y, X, và W vào ô Moderator, chọn Model 1. Trong Options, tick Mean center for construction of products và Generate code for visualizing interactions. Cú pháp:

process y=YD /x=GIA /w=THUNHAP /model=1 /center=1 /plot=1 /jn=1.

Bước 5: Phân tích simple slope

Khi tương tác có ý nghĩa, bước tiếp theo là xem tác động của X tại các mức khác nhau của W: thấp (trung bình - 1 SD), trung bình, cao (trung bình + 1 SD). PROCESS trả về bảng Conditional effects of the focal predictor at values of the moderator.

Cách đọc kết quả kiểm định biến điều tiết

Bảng minh họa trên là kết quả hồi quy với Y là ý định mua, X là giá cảm nhận, W là thu nhập, cỡ mẫu 380. Các biến đã được trung tâm hóa. Số liệu chỉ mang tính minh họa.

• Giá cảm nhận (X): B = -0,284, p < 0,001. Tại mức thu nhập trung bình, giá cảm nhận càng cao thì ý định mua càng giảm.
• Thu nhập (W): B = 0,152, p < 0,001. Tại mức giá cảm nhận trung bình, người có thu nhập cao hơn có ý định mua cao hơn.
• Tương tác X × W: B = 0,118, p = 0,001. Hệ số dương, trái dấu với tác động âm của X, cho thấy thu nhập làm giảm tác động tiêu cực của giá lên ý định mua.
• ΔR² = 0,025 (p = 0,001): biến tương tác giải thích thêm 2,5% biến thiên của ý định mua.

Mức ΔR² vài phần trăm là phổ biến với hiệu ứng tương tác trong khoa học xã hội, vì vậy không nên đánh giá thấp kết quả chỉ vì con số có vẻ nhỏ.

Đồ thị simple slope và vùng Johnson-Neyman

Đồ thị simple slope

Đồ thị gồm trục hoành là X, trục tung là Y dự báo, và ba đường thẳng ứng với W thấp, trung bình và cao. Nếu các đường có độ dốc khác nhau rõ rệt, biến điều tiết có tác động. Có thể vẽ bằng đoạn mã PROCESS sinh ra (dán vào Syntax và chạy GGRAPH) hoặc dùng file Excel của Dawson (2014).

Mức thu nhập (W)	Tác động của giá (Effect)	SE	p
Thấp (-1 SD)	-0,402	0,056	< 0,001
Trung bình	-0,284	0,041	< 0,001
Cao (+1 SD)	-0,166	0,053	0,002

Ghi chú: số liệu minh họa. Tác động tiêu cực của giá mạnh nhất ở nhóm thu nhập thấp và yếu dần khi thu nhập tăng.

Vùng Johnson-Neyman

Khi biến W liên tục, việc chọn ±1 SD mang tính quy ước. Phương pháp Johnson-Neyman xác định chính xác khoảng giá trị của W mà tại đó tác động của X có ý nghĩa thống kê. Ví dụ: tác động của giá chỉ có ý nghĩa khi thu nhập (đã trung tâm hóa) nhỏ hơn 1,82. Cách trình bày này cung cấp nhiều thông tin hơn simple slope.

Biến điều tiết là biến phân loại

Khi biến điều tiết là biến phân loại như giới tính hay khu vực, có hai cách:

• Hồi quy với biến giả: mã hóa W thành biến 0/1, tạo tương tác X × W và kiểm định như trên. Với biến nhiều nhóm, PROCESS hỗ trợ mã hóa biến giả tự động (tùy chọn mcw).
• Phân tích đa nhóm (multi-group analysis): trong AMOS hoặc SmartPLS, ước lượng mô hình riêng cho từng nhóm và kiểm định sự khác biệt của hệ số đường dẫn. Cách này phù hợp khi mô hình có nhiều đường và biến tiềm ẩn, nhưng cần kiểm tra tính bất biến của thang đo giữa các nhóm.

Không nên chia mẫu thành hai nhóm rồi chạy hồi quy riêng và so sánh "bằng mắt" các hệ số, vì cách này không kiểm định được sự khác biệt có ý nghĩa thống kê hay không.

Ví dụ thực hành: hỗ trợ từ cấp trên và kiệt sức nghề nghiệp

Để hình dung rõ hơn, xét một đề tài về nhân viên ngân hàng (số liệu minh họa, cỡ mẫu 412). Giả thuyết cho rằng áp lực công việc (X) làm tăng mức kiệt sức (Y), nhưng tác động này yếu hơn ở những người nhận được nhiều hỗ trợ từ cấp trên (W).

Sau khi trung tâm hóa, mô hình cho thấy áp lực công việc có hệ số B = 0,451 (p < 0,001), hỗ trợ từ cấp trên có B = -0,213 (p < 0,001) và tương tác có B = -0,097 (p = 0,008). ΔR² khi thêm tương tác là 0,014.

Tác động của áp lực lên kiệt sức là 0,548 ở nhóm hỗ trợ thấp, 0,451 ở mức trung bình và 0,354 ở nhóm hỗ trợ cao. Cả ba đều có ý nghĩa, nhưng độ dốc giảm rõ rệt khi hỗ trợ tăng.

Diễn giải thực tiễn: hỗ trợ từ cấp trên không loại bỏ hoàn toàn tác động của áp lực, nhưng giúp giảm khoảng một phần năm mức tác động khi đi từ nhóm thấp lên nhóm cao. Đây là cơ sở để đề xuất chương trình đào tạo kỹ năng quản lý cho trưởng phòng.

Lưu ý rằng với dữ liệu khảo sát một thời điểm, kết luận này chỉ phản ánh mối liên hệ có điều kiện. Muốn khẳng định hiệu quả của chính sách, cần thiết kế can thiệp hoặc dữ liệu theo dõi nhiều thời điểm.

Kiểm tra giả định trước khi diễn giải

Mô hình có tương tác vẫn là hồi quy tuyến tính, nên cần kiểm tra các giả định quen thuộc:

• Phần dư phân phối xấp xỉ chuẩn: xem biểu đồ Histogram và P-P Plot của phần dư chuẩn hóa.
• Phương sai phần dư không đổi: xem biểu đồ phân tán giữa giá trị dự báo chuẩn hóa và phần dư chuẩn hóa. Nếu có dạng hình phễu, cân nhắc sai số chuẩn vững (PROCESS có tùy chọn HC3).
• Không có quan sát ảnh hưởng mạnh: kiểm tra Cook's distance. Hiệu ứng tương tác đặc biệt nhạy với một vài quan sát cực đoan ở hai đầu phân phối.
• Độ tin cậy thang đo: sai số đo lường của X và W bị khuếch đại trong tích X × W, làm giảm lực kiểm định. Thang đo có độ tin cậy cao giúp phát hiện tương tác tốt hơn.

Ghi lại kết quả kiểm tra giả định trong phụ lục để hội đồng có thể đối chiếu khi cần.

Những lỗi thường gặp khi kiểm định biến điều tiết

Chia đôi biến liên tục theo trung vị

Chuyển thu nhập thành "cao" và "thấp" theo trung vị làm mất thông tin, giảm lực kiểm định và có thể tạo ra kết quả sai lệch (MacCallum và cộng sự, 2002). Nên giữ biến W ở dạng liên tục.

Diễn giải tác động chính như khi không có tương tác

Khi có biến tương tác, b1 là tác động của X tại W = 0 (hoặc tại trung bình nếu đã trung tâm hóa), không phải "tác động trung bình" của X. Diễn giải sai điểm này rất phổ biến.

Lo lắng thái quá về VIF cao

Nếu không trung tâm hóa, X, W và X × W thường có VIF cao. Đây là đa cộng tuyến do cách tạo biến, không ảnh hưởng đến kiểm định hệ số tương tác. Trung tâm hóa giúp bảng kết quả "sạch" hơn và dễ diễn giải.

Bỏ qua tác động chính khi tạo mô hình

Mô hình có biến tương tác bắt buộc phải có cả X và W. Đưa X × W vào mà thiếu X hoặc W sẽ làm sai lệch hệ số tương tác.

Tìm biến điều tiết sau khi xem dữ liệu

Thử lần lượt mọi biến nhân khẩu học làm biến điều tiết rồi chỉ báo cáo biến có ý nghĩa là thực hành không minh bạch. Nếu đó là phân tích khám phá, cần ghi rõ trong luận văn.

Cách báo cáo kết quả biến điều tiết

Ví dụ đoạn báo cáo (số liệu minh họa):

Kết quả hồi quy cho thấy tương tác giữa giá cảm nhận và thu nhập có ý nghĩa thống kê (B = 0,118; SE = 0,035; p = 0,001; ΔR² = 0,025).

Phân tích simple slope cho thấy tác động tiêu cực của giá cảm nhận lên ý định mua mạnh hơn ở nhóm thu nhập thấp (B = -0,402; p < 0,001) so với nhóm thu nhập cao (B = -0,166; p = 0,002). Như vậy, thu nhập là yếu tố làm suy giảm tác động của giá.

Kèm theo là bảng hồi quy phân cấp (Model 1 không có tương tác, Model 2 có tương tác) và đồ thị simple slope có chú thích rõ ràng.

Checklist trước khi nộp kết quả biến điều tiết

1. Giả thuyết về biến điều tiết có cơ sở lý thuyết và nêu rõ chiều hướng.
2. Đã trung tâm hóa biến liên tục trước khi tạo tương tác.
3. Mô hình có đủ X, W và X × W cùng các biến kiểm soát.
4. Báo cáo hệ số tương tác, ΔR² và mức ý nghĩa.
5. Có đồ thị simple slope hoặc vùng Johnson-Neyman.
6. Đã kiểm tra giả định của hồi quy tuyến tính bội.

Câu hỏi thường gặp về biến điều tiết

Tương tác không có ý nghĩa thì có cần vẽ simple slope không?

Không cần. Khi hệ số tương tác không có ý nghĩa, bạn kết luận không có bằng chứng về vai trò của biến W và báo cáo mô hình không có tương tác.

Biến điều tiết có cần tương quan với Y không?

Không bắt buộc. Một biến điều tiết thuần túy có thể không tác động trực tiếp đến Y mà chỉ thay đổi mối quan hệ X - Y.

Một mô hình có nhiều biến điều tiết được không?

Được. PROCESS Model 2 cho hai biến điều tiết độc lập, Model 3 cho tương tác ba chiều. Mô hình càng phức tạp, cỡ mẫu càng cần lớn và diễn giải càng khó.

Cỡ mẫu bao nhiêu để kiểm định biến điều tiết?

Hiệu ứng tương tác thường nhỏ, nên cần cỡ mẫu lớn hơn so với kiểm định tác động chính. Có thể tính bằng G*Power với f² ứng với ΔR² dự kiến. Xem cách tính cỡ mẫu.

Tài liệu tham khảo

• Aiken, L. S., & West, S. G. (1991). Multiple Regression: Testing and Interpreting Interactions. SAGE.
• Dawson, J. F. (2014). Moderation in management research: What, why, when, and how. Journal of Business and Psychology, 29(1), 1-19. doi:10.1007/s10869-013-9308-7
• Hayes, A. F. (2022). Introduction to Mediation, Moderation, and Conditional Process Analysis (3rd ed.). Guilford Press.
• MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7(1), 19-40.