HƯỚNG DẪN PHÂN TÍCH BIẾN ĐIỀU TIẾT TRONG MÔ HÌNH BẬC CAO (ỨNG DỤNG AMOS & SmartPLS)

(PHẦN 2 – NÂNG CAO)

Chào các anh chị! Vì bài viết có tính học thuật cao, nên mọi sao chép, cảm phiền các anh chị ghi chú nguồn amosleminh.com giúp chúng tôi.

Hôm nay, chúng tôi sẽ hướng dẫn các anh chị thực hiện phân tích biến điều tiết trong mô hình bậc cao. Mô hình chúng ta nghiên cứu hôm nay có dạng như sau:

Đối với mô hình bậc 1, việc phân tích biến điều tiết chúng tôi cũng đã có dịp trình bày chi tiết với các anh chị trong những chuyên đề cũ hơn tại amosleminh.com. Trong phạm vi chuyên đề này, chúng tôi sẽ tập trung hướng dẫn các anh chị cách phân tích một mô hình bậc 2 chứa biến điều tiết. Chúng ta sẽ có 2 trường hợp cơ bản như sau:

Trường hợp 1: Biến điều tiết chi phối mối quan hệ giữa 2 biến đều là bậc 1.

Trường hợp 2: Biến điều tiết chi phối lên mối quan hệ giữa 2 biến mà có biến nguyên nhân là biến bậc cao (cụ thể chúng ta hay gặp là biến bậc 2). Như trong mô hình nghiên cứu ở trên, biến CTCV là biến nguyên nhân bậc 2 tác động lên biến phụ thuộc là biến KQ. Biến KG (Không gian làm việc) điều tiết mối quan hệ từ Căng thẳng công việc (CTCV) lên Kết quả thực hiện công việc (KQ).

Đối với trường hợp 1, mặc dù mô hình bậc cao, nhưng mối quan hệ biến điều tiết chi phối không chứa biến bậc cao, nên việc phân tích bài toán ảnh hưởng của biến điều chúng ta thực hiện tương tự như trong mô hình bậc 1.

Đối với trường hợp 2, việc phân tích bài toán ảnh hưởng của biến điều tiết sẽ gặp khó khăn bởi vì chúng ta sẽ gặp rắc rối trong việc tính toán giá trị cụm tương tác (interection term). Trong trường hợp này, chúng tôi sẽ hướng dẫn các anh chị cách xử lý trong phân tích cho hai dạng mô hình phổ biến hiện nay là CB SEM chạy trên nền AMOS và PLS SEM chạy trên nền SmartPLS.

I. Đối với mô hình PLS SEM

Hiện nay có nhiều ứng dụng thực hiện phân tích loại mô hình PLS SEM như ADANCO, SmartPLS, R, v.v. Tuy nhiên, tại Việt Nam, ứng dụng phổ biến nhất là SmartPLS (phiên bản mới nhất đến thời điểm hiện tại là 4.0.9.5).

Trong chuyên đề này, chúng tôi sử dụng SmartPLS 4.0.9.2. Điểm nổi bậc nhất của SmartPLS là tính dễ sử dụng trong quá trình triển khai mô hình. Kể cả biến điều tiết, người thực hiện không cần phải tính toán thủ công giá trị của cụm tương tác để đưa vào mô hình, mà chỉ cần thực hiện bằng cách cho mũi tên hướng vào mối quan hệ cần phân tích là được. Chương trình sẽ tự tính toán giá trị của cụm tương tác, việc này được thực hiện ngay cả đối với các biến bậc 2. Bởi SmartPLS sẽ tính toán giá trị tiềm ẩn của biến bậc 2 (một loại biến không được đo lường trực tiếp bởi các quan sát (items)) và chuyển chúng về dạng bậc 1. Ở đây, chúng ta sẽ thực hiện qui trình phân tích 2 giai đoạn (two-stages analysis) để đưa mô hình bậc cao về dạng bậc 1.

Chúng tôi sẽ không hướng dẫn chi tiết cách phân tích mô hình bậc cao ở đây, vì đây là một chủ đề cũ, anh chị tham khảo thêm tại amosleminh.com. Chúng ta sẽ chuyển về dạng mô hình bậc thấp và bắt đầu tiến hành phân tích biến điều tiết tương tự như trường hợp 1. Mô hình được chuyển về có dạng như sau:

Kết quả phân tích như sau:

Chúng ta thấy giá trị P values của cụm tương tác Không gian làm việc x CTCV → KQ là nhỏ hơn 5%, nên kết luận được rằng, Không gian làm việc có ảnh hưởng điều tiết mối quan hệ từ Căng thẳng công việc lên Kết quả thực hiện công việc của nhân viên.

Phân tích độ dốc ảnh hưởng của biến điều tiết có thể thấy được rằng, khi công việc căng thẳng ở mức cao thì không gian làm việc càng tốt thì căng thẳng công việc ảnh hưởng lên kết quả thực hiện công việc càng ít đi. Ví dụ, tại vị trí CTCV là 1, không gian làm việc càng tốt thì kết quả thực hiện công việc càng cao. Tuy nhiên, khi nhân viên làm việc ít căng thẳng thì không gian làm việc càng tốt sẽ cho kết quả thực hiện công việc càng giảm (nhưng tỷ lệ thay đổi ở khoảng này là không cao). Anh chị có thể phân tích thêm bằng đồ thị spotlight hay floodlight như chúng tôi hướng dẫn trong các chuyên đề cũ hơn tại amosleminh.com.

II. Đối với mô hình CB SEM

Đối với mô hình CB SEM cũng giống với PLS SEM, tuy nhiên có sự khác biệt nằm ở chỗ công cụ thực hiện phân tích mô hình. Về cơ bản như chúng tôi đã nói rất nhiều lần, là chúng ta phải chuyển từ mô hình bậc cao về dạng mô hình bậc 1. Sau khi chuyển về dạng bậc 1, chúng ta mới tiến hành phân tích ảnh hưởng của biến điều tiết.

II.1. Chạy bằng SmartPLS

Kể từ phiên bản SmartPLS 4.0.9.2, mô hình CB SEM được hỗ trợ phân tích. Một trong những điểm mạnh của ứng dụng này là nó có thể tính ra cho chúng ta được giá trị của biến tiềm ẩn (mặc dù điều này cho đến thời điểm hại tại chưa có nghiên cứu chính thức nào kiểm định về tính chuẩn xác, nhưng đây là cơ sở để chúng ta triển khai).

Mô hình bậc cao CB SEM chạy bằng SmartPLS như sau:

Chuyển về dạng bậc 1 dựa trên phân tích đường dẫn bằng cách dựa trên giá trị factor scores.

Theo kinh nghiệm của chúng tôi, chương trình đưa ra 3 bảng giá trị score, chúng ta nên lựa chọn Thurstone scores. Bởi vì, khi so sánh với PLS SEM, chúng tôi phát hiện thấy giá trị của nó gần với giá trị các biến tiềm ẩn trong thuật toán PLS hơn.

Mô hình chuyển về dạng bậc 1 như sau:

Lúc này, chúng ta đưa biến điều tiết vào như phân tích mô hình bậc 1. Anh chị lưu ý, cũng thực hiện trên SmartPLS 4.0.9.2, nhưng đối với PLS SEM chương trình sẽ hỗ trợ phân tích biến điều tiết bằng cách mô hình trực tiếp vào chương trình. Tuy nhiên, đối với CB SEM chạy trên ứng dụng SmartPLS 4.0.9.2 thì không được hỗ trợ mô hình trực tiếp biến điều tiết. Nên bắt buộc chúng ta phải thực hiện mô phỏng thủ công theo lý thuyết, bằng cách chúng ta tính toán cụm tương tác CTCV x KG, và đưa vào mô hình như sau:

Kết quả phân tích CB SEM cho thấy rằng, biến điều tiết trong trường hợp mô hình CB SEM không ảnh hưởng lên mối quan hệ từ CTCV đến KQ.

II.2. Chạy bằng AMOS

Trường hợp mô hình bậc cao CB SEM chạy bằng AMOS thì câu chuyện phân tích sẽ khác. Vì tính toán giá trị của biến tiềm ẩn là phức tạp và khó khăn, nên trường hợp này không thể phân tích biến điều tiết theo cách thông thường được, mà chúng ta phải chuyển về dạng MGA để đánh giá ảnh hưởng của biến điều tiết trong mô hình.

Biến Không gian làm việc có thang đo thuộc dạng likert 7 điểm, nên ở đây chúng tôi sẽ chia 2 khuynh hướng tương ứng với 2 nhóm để chạy MGA.

Nhóm 1: có giá trị trung bình của biến Không gian làm việc ≤4, nghĩa là không gian làm việc kém. Nhóm này, chúng tôi đặt tên là Group KG bad.

Nhóm 2: có giá trị trung bình của biến Không gian làm việc >4, nghĩa là không gian làm việc tốt. Nhóm này, chúng tôi đặt tên là Group KG good.

Kết quả kiểm định của mô hình khả biến như sau:

Kết quả kiểm định của mô hình bất biến như sau:

Kết quả lựa chọn mô hình:

Kết quả phân tích lựa chọn mô hình cho thấy Mô hình bất biến được chọn. Điều này có nghĩa rằng, giữa các nhóm không có sự khác biệt có ý nghĩa thống kê trong mô hình nghiên cứu. Nghĩa là, Không gian làm việc không đóng vai trò điều tiết lên mối quan hệ từ CTCV → KQ.

Tài liệu tham khảo:

DiStefano, C., Zhu, M., & Mindrila, D. (2009). Understanding and using factor scores: Considerations for the applied researcher. Practical Assessment, Research, and Evaluation, 14(1), 20.

Hair Jr, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2017). Advanced issues in partial least squares structural equation modeling. saGe publications.

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach. Guilford publications.

Sarstedt, M., Hair Jr, J. F., Cheah, J.-H., Becker, J.-M., & Ringle, C. M. (2019). How to specify, estimate, and validate higher-order constructs in PLS-SEM. Australasian Marketing Journal, 27(3), 197–211.