PHÂN TÍCH BIẾN ĐIỀU TIẾT TRONG SMARTPLS

Thêm biến tương tác, đọc hệ số, f² và độ dốc đơn giản, rồi kiểm định tác động điều tiết bằng bootstrapping

Bài nên đọc trước

• Bootstrapping kiểm định giả thuyết trong SmartPLS 4
• Phân tích đa nhóm và biến điều tiết trong SEM

Bài biến trung gian trong SmartPLS cho thấy qua đâu Xác nhận ảnh hưởng đến Ý định (trung gian). Bài này hỏi một câu khác: tác động của một biến mạnh hay yếu đi tùy theo mức của biến thứ ba không? Đây là biến điều tiết (moderator).

Bài phân tích đa nhóm đã kiểm định một giả thuyết điều tiết bằng AMOS: Niềm tin có điều tiết tác động của Sự hài lòng lên Ý định mua lại không? Lập luận: khi khách hàng tin tưởng sàn X, họ có thể mua lại dù không quá hài lòng, nên tác động của sự hài lòng sẽ yếu đi khi niềm tin cao. Bài này kiểm định lại giả thuyết đó bằng SmartPLS 4.

Về hình minh họa và con số. Ảnh chụp thật SmartPLS 4.1.2.1 (Ringle và cộng sự, 2026; bản dùng thử) cho mô hình mo-hinh-dieu-tiet, bản sao của mo-hinh-san-x (bài nhập dữ liệu và vẽ mô hình trong SmartPLS), Casewise deletion, 254 người. Theo trang so sánh giấy phép của SmartPLS, bản Student không có phân tích điều tiết. Con số trong bài lấy từ báo cáo của SmartPLS. Mục 6 đối chiếu bằng R (file dieu_tiet.R, gói cSEM) và với AMOS (bài phân tích đa nhóm).

Dữ liệu mẫu. Dữ liệu và script dùng trong bài nằm ở thư mục 41-bien-dieu-tiet-smartpls của kho dữ liệu mẫu trên GitHub. Muốn tải cả kho, bấm Code > Download ZIP rồi giải nén và giữ nguyên cấu trúc thư mục.

1. Biến điều tiết và biến trung gian

Biến điều tiết và biến trung gian thường bị nhầm với nhau, dù chúng trả lời hai câu hỏi khác nhau (Bảng 1).

Bảng 1. Biến trung gian và biến điều tiết.

Trong mô hình sàn X, Niềm tin vừa tác động trực tiếp lên Ý định (H7), vừa được giả thuyết là điều tiết đường Hài lòng đến Ý định (Hình 1).

Hình 1. Trái: mô hình khái niệm, Niềm tin tác động lên đường dẫn Hài lòng đến Ý định. Phải: mô hình thống kê, thêm biến tương tác Niềm tin x Hài lòng; hệ số của SmartPLS (Hình 4).

2. SmartPLS ước lượng tác động điều tiết thế nào?

SmartPLS 4 dùng cách tiếp cận hai giai đoạn (two-stage approach; Becker và cộng sự, 2018; Hair và cộng sự, 2022):

1. Giai đoạn 1. Ước lượng mô hình chính (chưa có biến tương tác), lấy điểm biến tiềm ẩn của Hài lòng và Niềm tin.
2. Giai đoạn 2. Tạo biến tương tác bằng tích hai điểm đó, dùng làm biến một chỉ báo, rồi ước lượng mô hình có biến tương tác.

Hai điểm cần biết:

• Đường từ biến điều tiết đến biến phụ thuộc. SmartPLS tự thêm đường từ biến điều tiết đến biến phụ thuộc khi tính toán, vì kiểm định tương tác chỉ đúng khi mô hình có cả tác động chính của biến điều tiết. Ở mô hình sàn X, đường Niềm tin đến Ý định (H7) đã có sẵn.
• Thang của biến tương tác. Với Type of results là Standardized, điểm biến tiềm ẩn dùng để nhân đã chuẩn hóa. Tích của chúng được giữ nguyên, không chuẩn hóa lại.

3. Thêm tác động điều tiết vào mô hình

Bước 1. Tạo bản sao của mo-hinh-san-x trong Workspace, đặt tên mo-hinh-dieu-tiet, rồi mở bản sao. Giữ nguyên mô hình gốc để các bài trước vẫn chạy lại được.

Bước 2. Bấm nút Connect trên thanh công cụ. Bấm vào NIEMTIN, kéo đến giữa mũi tên HAILONG đến YDINH rồi thả chuột (Hình 2). SmartPLS vẽ một đường đứt đoạn từ NIEMTIN chạm vào mũi tên đó; không có nút riêng cho biến tương tác trong vùng vẽ.

Hình 2. Vẽ tác động điều tiết: (1) nút Connect, (2) đường đứt đoạn từ NIEMTIN chạm vào mũi tên HAILONG đến YDINH.

Bước 3. Bấm Save. Chọn Calculate > PLS-SEM algorithm, kiểm tra Type of results là Standardized và thẻ Data là Casewise deletion, rồi bấm Start calculation (Hình 3).

Hình 3. Hộp thoại PLS-SEM algorithm: (1) Type of results là Standardized, (2) nút Start calculation.

4. Đọc kết quả của thuật toán PLS-SEM

Kết quả của thuật toán PLS-SEM cho ba thông tin về tác động điều tiết: hệ số tương tác, f² và độ dốc đơn giản.

Hệ số tương tác

Sơ đồ kết quả có thêm đường NIEMTIN x HAILONG đến YDINH (Hình 4, Bảng 2).

Hình 4. Kết quả thuật toán PLS-SEM: (1) hệ số của tác động điều tiết, −0,020, (2) R² của Ý định, 0,318.

Bảng 2. Hệ số đường dẫn đến Ý định khi có và không có biến tương tác.

Đọc hệ số:

• Hệ số tương tác −0,020 có dấu âm, đúng chiều giả thuyết (niềm tin càng cao thì tác động của hài lòng càng yếu), nhưng rất nhỏ.
• Khi có biến tương tác, hệ số 0,222 của Hài lòng là tác động của Hài lòng khi Niềm tin ở mức trung bình, không còn là "tác động chung" như bài đánh giá mô hình cấu trúc trong SmartPLS. Tương tự, 0,275 là tác động của Niềm tin khi Hài lòng ở mức trung bình.
• R² không đổi (0,318, làm tròn ba chữ số): biến tương tác gần như không giải thích thêm phương sai nào của Ý định.

Mức tác động f²

Bước 4. Mở Quality criteria > f-square > Matrix (Hình 5).

Hình 5. Ma trận f²: (1) mục Matrix, (2) f² của NIEMTIN x HAILONG lên YDINH, 0,001, SmartPLS tô đỏ vì dưới 0,02.

f² của biến tương tác là 0,001. Với tác động điều tiết, ngưỡng 0,02 của Cohen (1988) là quá khắt khe: tổng quan 30 năm của Aguinis và cộng sự (2005) cho thấy f² trung bình của tác động điều tiết (với biến điều tiết định danh) trong các nghiên cứu đã công bố chỉ khoảng 0,009. Dù so với mức này, 0,001 vẫn là rất nhỏ.

Độ dốc đơn giản (simple slope)

Bước 5. Mở Final results > Simple slope analysis (Hình 6).

Hình 6. Biểu đồ simple slope: (1) mục Simple slope analysis, (2) ba đường ứng với Niềm tin thấp (−1 độ lệch chuẩn), trung bình và cao (+1 độ lệch chuẩn).

Mỗi đường thể hiện quan hệ giữa Hài lòng (trục ngang) và Ý định (trục dọc) ở một mức Niềm tin. Đọc biểu đồ:

• Ba đường gần như song song. Độ dốc tính tay từ hệ số của SmartPLS: 0,222 − 0,020 × (mức Niềm tin), tức 0,242 khi Niềm tin thấp, 0,222 khi trung bình và 0,202 khi cao. Độ dốc giảm rất ít.
• Khoảng cách giữa các đường là tác động chính của Niềm tin (0,275): ở cùng mức hài lòng, người có niềm tin cao có ý định mua lại cao hơn.

Nếu có tác động điều tiết đáng kể, các đường sẽ không song song: ví dụ đường của Niềm tin cao dốc ít hơn rõ rệt so với đường của Niềm tin thấp.

5. Kiểm định ý nghĩa bằng bootstrapping

Bước 6. Bấm Edit để quay về mô hình, chọn Calculate > Bootstrapping với thiết lập của bài bootstrapping trong SmartPLS (5000 mẫu, Percentile bootstrap, Two-tailed, Fixed seed), rồi bấm Start calculation.

Bước 7. Mở Final results > Path coefficients > Mean, STDEV, T values, p values (Hình 7).

Hình 7. Bảng kiểm định hệ số đường dẫn của mô hình điều tiết: (1) mục Mean, STDEV, T values, p values, (2) NIEMTIN x HAILONG đến YDINH, p = 0,670, (3) XACNHAN đến YDINH, p = 0,105.

Bước 8. Mở Path coefficients > Confidence intervals (Hình 8, Bảng 3).

Hình 8. Khoảng tin cậy percentile: (1) mục Confidence intervals, (2) NIEMTIN x HAILONG đến YDINH, [−0,115; 0,070].

Bảng 3. Kết quả bootstrapping của mô hình điều tiết.

Kết luận: hệ số tương tác không có ý nghĩa (t = 0,427; p = 0,670), khoảng tin cậy chứa 0. Niềm tin không điều tiết tác động của Sự hài lòng lên Ý định mua lại. Giả thuyết điều tiết không được ủng hộ.

Các đường còn lại giữ nguyên kết luận của bài bootstrapping trong SmartPLS. H4 (Xác nhận đến Ý định) vẫn không có ý nghĩa; p tăng từ 0,085 lên 0,105 vì mô hình đã thay đổi.

6. So sánh với AMOS và R

Bảng 4 đặt kết quả của SmartPLS cạnh kết quả AMOS và R trên cùng dữ liệu sàn X.

Bảng 4. Tác động điều tiết theo phần mềm và phương pháp ước lượng.

Ba cách cho cùng kết luận. Hệ số của AMOS khác vì AMOS dùng biến tương tác tiềm ẩn đo bằng bốn chỉ báo tích và báo cáo hệ số chuẩn hóa, còn SmartPLS dùng tích hai điểm biến tiềm ẩn. Trong R, hệ số chuẩn hóa của biến tương tác là −0,024; chia cho độ lệch chuẩn của tích điểm (1,149) thì được −0,021, cùng thang với SmartPLS. Phần lệch 0,001 còn lại có thể do chi tiết tính toán ở giai đoạn 2, không ảnh hưởng kết luận.

7. Trình bày kết quả

Tác động điều tiết của niềm tin lên quan hệ giữa sự hài lòng và ý định mua lại được kiểm định bằng cách tiếp cận hai giai đoạn (Becker và cộng sự, 2018) và bootstrapping 5000 mẫu. Hệ số của biến tương tác âm, đúng chiều giả thuyết, nhưng rất nhỏ và không có ý nghĩa thống kê (hệ số = −0,020; t = 0,427; p = 0,670; 95% CI [−0,115; 0,070]; f² = 0,001). R² của ý định mua lại không thay đổi (0,318). Biểu đồ độ dốc đơn giản cho thấy tác động của sự hài lòng gần như không đổi ở các mức niềm tin (độ dốc 0,242; 0,222 và 0,202 khi niềm tin ở mức thấp, trung bình và cao). Vì vậy, giả thuyết niềm tin điều tiết tác động của sự hài lòng không được ủng hộ.

Khi tác động điều tiết không có ý nghĩa, vẫn nên báo cáo đủ hệ số, p, khoảng tin cậy và f² và bàn luận lý do trong phần thảo luận (ví dụ: biến động của niềm tin trong mẫu không đủ lớn, hoặc cỡ mẫu chưa đủ để phát hiện tác động nhỏ).

Năm lỗi thường gặp

Các lỗi dưới đây thường gặp trong luận văn khi làm bước này.

1. Đọc hệ số chính như tác động chung. Khi có biến tương tác, hệ số 0,222 của Hài lòng là tác động khi Niềm tin ở mức trung bình.
2. Bỏ đường từ biến điều tiết đến biến phụ thuộc. SmartPLS tự thêm đường này khi tính toán; khi báo cáo, cần trình bày cả tác động chính của biến điều tiết.
3. Chia nhóm theo trung vị của biến điều tiết liên tục rồi so sánh hai nhóm. Cách này làm mất thông tin và giảm lực kiểm định (bài phân tích đa nhóm).
4. Kết luận có điều tiết chỉ từ biểu đồ simple slope. Biểu đồ chỉ để minh họa; kết luận dựa trên kiểm định hệ số tương tác.
5. Kiểm định nhiều biến điều tiết rồi chỉ báo cáo biến có ý nghĩa. Giả thuyết điều tiết cần có cơ sở lý thuyết từ trước.

Tài liệu tham khảo

Aguinis, H., Beaty, J. C., Boik, R. J., & Pierce, C. A. (2005). Effect size and power in assessing moderating effects of categorical variables using multiple regression: A 30-year review. Journal of Applied Psychology, 90(1), 94–107. https://doi.org/10.1037/0021-9010.90.1.94

Becker, J.-M., Ringle, C. M., & Sarstedt, M. (2018). Estimating moderating effects in PLS-SEM and PLSc-SEM: Interaction term generation × data treatment. Journal of Applied Structural Equation Modeling, 2(2), 1–21. https://doi.org/10.47263/JASEM.2(2)01

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates. https://doi.org/10.4324/9780203771587

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE Publications. https://collegepublishing.sagepub.com/products/a-primer-on-partial-least-squares-structural-equation-modeling-pls-sem-3-270548

Ringle, C. M., Wende, S., & Becker, J.-M. (2026). SmartPLS 4 (Version 4.1.2.1) [Computer software]. SmartPLS GmbH. https://www.smartpls.com