PHÂN TÍCH VAI TRÒ BIẾN ĐIỀU TIẾT – Hayes Process Macro – Mô hình 1

Chỉ số mô hình (Model Index)

Mọi mô hình đều có một biến độc lập chính (primary independent variable – IV) và một biến phụ thuộc (dependent variable – DV). Để tính toán các tác động gián tiếp và tác động có điều kiện, cần lưu ý:

Biến độc lập chính (IV – variable X): Được giả định là liên tục hoặc nhị phân.

Các biến điều tiết (Moderators – variables W, V, Q, Z): Được giả định là liên tục, nhưng cũng có thể là phân loại.

Biến trung gian (Mediators – variable M, hoặc M1, M2, v.v.): Được giả định là liên tục.

Biến phụ thuộc (DV – variable Y): Được giả định là liên tục và đáp ứng các giả định của hồi quy bội chuẩn. Ngoài ra, biến phụ thuộc cũng có thể là nhị phân.

Mô hình Hayes – mô hình 1 – Biến điều tiết là biến liên tục

Ví dụ minh họa

Giả thuyết nghiên cứu: Mức độ thân thiết giữa khách hàng và nhà bán lẻ điều tiết mối quan hệ giữa sự hài lòng và lòng trung thành

(*) Các biến trong mô hình là các biến định lượng, likert 5. Trước khi chạy kiểm định biến điều tiết các biến trong mô hình sẽ được thực hiện qua các bước: Cronbach, EFA để đánh giá độ tin cậy, độ hội tụ, độ phân biệt. Sau đó sẽ được tạo thành các biến đại diện để kiểm định vai trò điều tiết.

Hướng dẫn cách chạy biến điều tiết bằng Macro Process trên SPSS

Bước 1: Thực hiện theo các bước sau để tiến hành hồi quy với Process v4.2 của Andrew F. Hayes trong SPSS: Analyze -> Regression -> Process v4.2 by Andrew F. Hayes

Điều này sẽ mở hộp thoại Process, nơi bạn có thể cấu hình mô hình hồi quy với các biến độc lập, biến điều tiết, và các thông số khác

Bước 2: Nhập các biến cần thiết vào hộp thoại Process v4.2. Trong ví dụ này:

Y Variable (Biến phụ thuộc): Nhập LOYA làm biến phụ thuộc (Lòng trung thành của khách hàng).

X Variable (Biến độc lập): Nhập SATI làm biến độc lập chính (Sự hài lòng của khách hàng).

Moderator Variable W (Biến điều tiết W): Nhập CUST làm biến điều tiết (Mức độ thân thiết giữa khách hàng và nhà bán lẻ).

Model Number: Chọn Model 1 từ danh sách các mô hình (đây là mô hình kiểm tra sự điều tiết cơ bản).

Bước 3: Thực hiện các lựa chọn trong hộp thoại tùy chọn (Options) như sau:

Chọn nút “Options” trong hộp thoại Process.

Chọn Generate code for visualizing interaction: Tích vào tùy chọn này để tạo mã nhằm trực quan hóa tương tác. Điều này sẽ tạo các biểu đồ dùng để phân tích độ dốc (slope analysis).

Mean center for construction of products:

Từ hộp thoại này, chọn Only continuous variables that define products (Chỉ các biến liên tục xác định các sản phẩm). Điều này sẽ giúp chuẩn hóa các biến liên quan đến thuật ngữ tương tác, nhằm giảm thiểu đa cộng tuyến giữa biến dự báo và thuật ngữ tương tác.

Moderation and conditioning:

Chọn -1SD, Mean, and +1SD cho mức Low (Thấp), Average (Trung bình) và High (Cao) của biến điều tiết (Moderator). Điều này sẽ giúp kiểm tra tác động của biến điều tiết ở các mức khác nhau.

Johnson-Neyman output: Tích vào lựa chọn này để xuất kết quả Johnson-Neyman, đây là phương pháp xác định khoảng giá trị của biến điều tiết nơi tác động của biến độc lập đến biến phụ thuộc là có ý nghĩa.

Sau khi đã chọn tất cả các tùy chọn cần thiết, nhấn Continue và OK để tiếp tục phân tích.

Hướng dẫn đọc kết quả biến điều tiết trên SPSS

Model summary – Tóm tắt kết quả mô hình nghiên cứu

Phần Model Summary giúp đánh giá xem mô hình có phù hợp và các biến có giải thích tốt kết quả hay không. Phần Model Summary cung cấp tổng quan về hiệu quả của mô hình hồi quy, bao gồm các chỉ số sau:

R: Hệ số tương quan giữa các biến độc lập và biến phụ thuộc, cho thấy mức độ tương quan tổng thể.

R-Square (R²): Mô tả tỷ lệ phần trăm biến thiên trong biến phụ thuộc (Y) được giải thích bởi các biến độc lập (X) và biến điều tiết (W). R² càng cao, mô hình càng giải thích tốt sự thay đổi của biến phụ thuộc.

F-Statistic: Thống kê F được sử dụng để kiểm tra xem mô hình hồi quy có ý nghĩa tổng thể hay không. Nếu giá trị F có ý nghĩa (thường là p < 0.05), điều đó cho thấy mô hình là tốt và các biến độc lập giải thích được biến phụ thuộc.

P-Value: Giá trị P cho toàn bộ mô hình. Nếu P-value nhỏ hơn mức ý nghĩa đã chọn (thường là 0.05), điều đó có nghĩa là mô hình hồi quy có ý nghĩa thống kê và các biến trong mô hình có thể giải thích được kết quả của biến phụ thuộc.

Tiếp theo là bảng hệ số (coefficients), trong đó thể hiện tác động của biến SATI (Sự hài lòng của khách hàng), CUST (Mức độ thân thiết giữa khách hàng và nhà bán lẻ), và tác động tương tác giữa chúng để đánh giá xem có tồn tại hiện tượng điều tiết hay không.

Test of Unconditional Interaction:Đây là kiểm định để đánh giá sự thay đổi trong R-Square (R²) do tác động tương tác (X*W).Nếu kiểm định này có ý nghĩa (p-value < 0.05), điều này cho thấy rằng sự tương tác giữa SATI và CUST đã làm thay đổi đáng kể khả năng giải thích của mô hình, góp phần vào việc cải thiện R-Square.

Biến kết quả: LOYA (Biến phụ thuộc)

R: 0.4701 – Đây là hệ số tương quan giữa các giá trị quan sát và giá trị dự đoán.
R-sq: 0.2210 – Đây là R-squared, cho biết khoảng 22,1% sự biến thiên của biến phụ thuộc (LOYA) được giải thích bởi các biến độc lập và tương tác của chúng.
MSE: 0.3158 – Đây là Sai số bình phương trung bình (Mean Square Error), biểu thị độ lệch bình phương trung bình giữa các giá trị quan sát và dự đoán.
F-statistic: 33.2863 – Thống kê này cho thấy mô hình tổng thể có ý nghĩa thống kê.
p-value: 0.0000 – Vì giá trị này nhỏ hơn 0.05, điều này cho thấy mô hình tổng thể là có ý nghĩa thống kê.

Tóm tắt mô hình cho các biến dự báo

Constant: 3.8401 (với giá trị p = 0.0000) – Đây là hệ số chặn (intercept).
SATI (Sự hài lòng): Hệ số = 0.4998, p = 0.0000 – Sự hài lòng có tác động mạnh và tích cực đến kết quả (LOYA).
CUST (Mức độ thân thiết giữa khách hàng và nhà bán lẻ): Hệ số = 0.0183, p = 0.6655 – Tùy chỉnh có tác động tích cực nhưng không có ý nghĩa thống kê đối với kết quả.
Tương tác giữa SATI và CUST (được gắn nhãn Int_1): Hệ số = 0.1244, p = 0.0706 – Tương tác giữa Sự hài lòng và Tùy chỉnh có tác động tích cực đến LOYA nhưng chỉ có ý nghĩa thống kê ở mức cận biên (p ≈ 0.07).

Kiểm tra tương tác không điều kiện

Thay đổi R² (X*W): 0.0073 – Tác động tương tác chiếm 0,73% thay đổi trong R², cho thấy sự đóng góp nhỏ nhưng đáng chú ý cho mô hình.
F-statistic: 3.2885 – Giá trị này liên quan đến hiệu ứng tương tác.
p-value (X*W): 0.0706 – Giá trị p cao hơn một chút so với mức 0.05, cho thấy hiệu ứng tương tác có ý nghĩa thống kê ở mức cận biên.

Diễn giải:

Sự hài lòng (SATI) có ảnh hưởng mạnh mẽ và có ý nghĩa thống kê đến lòng trung thành (LOYA).
Mức độ thân thiết giữa khách hàng và nhà bán lẻ (CUST), tự nó, không có tác động có ý nghĩa thống kê đến lòng trung thành.
Tương tác giữa SATI và CUST (Int_1) có ý nghĩa thống kê ở mức cận biên, gợi ý rằng mối quan hệ giữa Sự hài lòng và Lòng trung thành được điều tiết bởi Mức độ thân thiết giữa khách hàng và nhà bán lẻ, nhưng hiệu ứng này yếu và cần phân tích hoặc thử nghiệm thêm ở các ngưỡng ý nghĩa khác để xác nhận sự điều tiết.

Tóm lại, yếu tố chính trong mô hình này là Sự hài lòng, với khả năng có một hiệu ứng tương tác với Mức độ thân thiết giữa khách hàng và nhà bán lẻ, có thể điều chỉnh mối quan hệ giữa Sự hài lòng và Lòng trung thành. Tuy nhiên, hiệu ứng tương tác này không đủ mạnh để có ý nghĩa thống kê ở mức 0.05 thông thường.