KỸ THUẬT PHÂN TÍCH ẢNH HƯỞNG CỦA
BIẾN ĐIỀU TIẾT BẰNG ĐỒ THỊ
Kỹ thuật phân tích ảnh hưởng của biến
điều tiết bằng đồ thị được sử dụng để xác định mức độ ảnh hưởng của biến điều
tiết đến mối quan hệ giữa biến phụ thuộc và biến độc lập.
Khi
sử dụng kỹ thuật này, chúng ta sẽ tạo ra một đồ thị để hiển thị mức độ ảnh hưởng
của biến điều tiết đến mối quan hệ giữa biến phụ thuộc và biến độc lập (biến nguyên
nhân). Đồ thị này sẽ chúng ta biết liệu biến điều tiết có ảnh hưởng tích cực
hay tiêu cực đến mối quan hệ giữa các biến hay không.
Trước
tiên, chúng ta cần xác định một biến điều tiết trong mô hình có đóng vai trò điều
tiết mối quan hệ mà nó chi phối trong mô hình hay không. Bằng cách phân tích ảnh
hưởng của cụm tương tác (interaction term) lên biến phụ thuộc, nếu cụm tương tác
có ảnh hưởng đến biến phụ thuộc có ý nghĩa thống kê thì chúng ta kết luận được
rằng, biến điều tiết thực sự đóng vai trò điều tiết mối quan hệ mà nó chi phối
trong mô hình nghiên cứu.
Khi
một biến đóng vai trò điều tiết thì chúng ta sẽ tiếp tục câu chuyện phân tích ảnh
hưởng của biến điều tiết trong mô hình nghiên cứu thông qua biểu đồ trực quan.
Chúng ta sẽ có 2 dạng đồ thị để đánh giá, thứ nhất là dạng spotlight analysis,
và dạng thứ hai là floodlight analysis
Spiller
và cộng sự (2003) đề nghị nên ưu tiên sử dụng đồ thị floodlight để đánh giá ảnh
hưởng của biến điều tiết khi viết báo cáo, bởi lẽ đồ thị floodlight cung cấp cụ
thể khu vực ảnh hưởng cần quan tâm của biến điều tiết thông qua việc xác định điểm
J-N (điểm Johnson-Neyman). Tuy nhiên, theo cá nhân tôi, kỹ thuật này tương đối
khó để có thể vẽ thủ công, đòi hỏi phải có những macro hỗ trợ. Nên, theo tôi kỹ
thuật spotlight vẫn là lựa chọn phù hợp nhất cho các nghiên cứu ứng dụng, bởi lẽ,
chúng ta cũng chỉ cần xác định khuynh hướng điều tiết mối quan hệ nhân quả
trong mô hình nghiên cứu để từ đó có những giải pháp quản trị cho phù hợp.
Sau
đây, chúng tôi sẽ hướng dẫn các bạn kỹ thuật phân tích ảnh hưởng của biến điều
tiết trong mô hình SEM bằng đồ thị spotlight.
Trước tiên, chúng ta xác lập một phương trình hồi qui của biến điều tiết lên mối quan hệ nhân quả. Ở đây, chúng tôi thực hiện một ví dụ trực quan để các bạn dễ hình dung. Chúng ta sẽ có mô hình như dữ liệu mẫu Data23070102, mô hình chạy bằng SmartPLS 4.0.9.2 như sau:
Kết quả chạy boostrap như sau:
Từ
kết quả này, phương trình hồi qui của biến điều tiết được viết như sau:
Gimp = 0.304*GIntend + 0.374*Subnorm + 0.153*Subnorm*GIntend (*)
Chúng
ta sẽ vẽ 3 đường thẳng tương ứng với 3 giá trị nhỏ nhất (-1SD), trung bình (0),
và lớn nhất (+1SD) của biến điều tiết (Subnorm), ở đó SD là độ lệch chuẩn. Thông
thường, chúng ta nên sử dụng dữ liệu chuẩn hóa, nên SD đối với dữ liệu chuẩn hóa
sẽ là 1.
Phương
trình tương ứng với Subnorm = -1SD = -1:
(*)
→ Gimp = 0.304*GIntend + 0.374*(-1) + 0.153*(-1)*GIntend
→ Gimp = -0.374 + 0.151*Gintend (1)
Phương
trình tương ứng với Subnorm = 0:
(*)
→ Gimp = 0.304*GIntend + 0.374*(0) + 0.153*(0)*GIntend
→ Gimp = 0.304*Gintend (2)
Phương
trình tương ứng với Subnorm = +1SD = +1:
(*)
→ Gimp = 0.304*GIntend + 0.374*(+1) + 0.153*(+1)*GIntend
→ Gimp = 0.374 + 0.457*Gintend (3)
Từ 3 phương trình tuyến tính (1), (2) và (3) chúng ta sẽ vẽ được đồ thị Spolight (bằng cách cho Gintend có giá trị lần lượt là -1 và +1) như sau:
(Vẽ bằng excel)
Còn dưới đây là đồ thị spotlight xuất ra từ SmartPLS
Như
vậy, chúng ta đã cơ bản vẽ được đồ thị spotlight cho phân tích biến điều tiết
trong mô hình SEM.
Bằng
kiến thức toán học, dựa vào độ dốc của từng đường thẳng, các bạn hãy phân tích
sự điều tiết của biến điều tiết trong mô hình SEM. Lưu ý, độ dốc của một đường
thẳng tuyến tính chính là hệ số góc của nó. Trong ví dụ trên, hệ số góc của đường
thẳng số (1) là 0.151, của đường thẳng số (2) là 0.304, và của đường thẳng số
(3) là 0.457. Các số hạng tự do trong phương trình tuyến tính, người ta gọi là
hệ số dừng (hay còn gọi là hằng số tự do), về mặt ý nghĩa hình học nó thể hiện
khoảng cách tịnh tiến từ đường này đến đường kia.
Ở
đây, chúng ta có thể thấy rằng, Subnorm có vai trò điều tiết tích cực lên mối
quan hệ giữa GIntend và Gimp. Nếu Subnorm càng mạnh thì sẽ làm cho hệ số ảnh hưởng
của GIntend lên Gimp tăng lên. Và tăng lên cụ thể như thế nào thì bài toán phân
tích biến điều tiết sẽ không hỗ trợ làm rõ. Để làm rõ thì cách duy nhất chúng tôi
nghĩ đó là chuyển qua phân tích MGA (multigroup), và câu chuyện sẽ trở nên phức
tạp hơn.
Chúng
tôi sẽ dừng câu chuyện phân tích spotlight tại đây. Bây giờ sẽ hướng dẫn các bạn
vẽ đồ thị J-N bằng plugin trong AMOS.
Để
cài đặt plugin này, các bạn tham khảo thêm bài viết của chúng tôi trên mục chia
sẻ tại amosleminh.com.
Trước khi chạy plugin J-N plot, chúng ta sẽ phải chọn đường dẫn từ biến độc lập lên biến phụ thuộc, đường dẫn từ biến điều tiết lên biến phụ thuộc, đường dẫn giữa biến điều tiết với cụm tương tác, và chọn cụm tương tác như hình bên dưới.
Sau
đó chạy plugin J-N plot, kết quả biểu đồ floodlight như hình bên dưới.
Tài
liệu tham khảo
Frazier, P. A.,
Tix, A. P., & Barron, K. E. (2004). Testing moderator and mediator effects
in counseling psychology research. Journal of Counseling Psychology, 51(1),
115.
Fritz, M. S.,
& Arthur, A. M. (2017). Moderator variables. In Oxford research
encyclopedia of psychology.
Hayes, A. F.
(2022). Introduction to mediation, moderation, and conditional process
analysis: A regression-based approach. Guilford publications.
Kraemer, H. C.,
Wilson, G. T., Fairburn, C. G., & Agras, W. S. (2002). Mediators and
moderators of treatment effects in randomized clinical trials. Archives of
General Psychiatry, 59(10), 877–883.
Spiller, S. A., Fitzsimons, G. J., Lynch Jr, J. G., & McClelland, G. H. (2013). Spotlights, floodlights, and the magic number zero: Simple effects tests in moderated regression. Journal of Marketing Research, 50(2), 277–288.
Bài Viết Liên Quan.
