HƯỚNG DẪN CHẠY BIẾN ĐIỀU TIẾT TRÊN SMART PLS4

1.Biến điều tiết là gì ?

Tác động điều tiết được mô tả một tình huống mà ở đó mối quan hệ giữa hai biến không phải là một hằng số, nó thay đổi phụ thuộc vào các giá trị của biến thứ ba, được gọi là biến điều tiết. Biến điều tiết (hoặc khái niệm nghiên cứu điều tiết – moderator construct) thay đổi cường độ hoặc chiều hướng của mối quan hệ giữa hai khái niệm trong mô hình.

Biến điều tiết có thể có mặt trong các mô hı̀nh cấu trúc dưới nhiều hı̀nh thức khác nhau. Chúng có thể đại diện cho các đặc điểm có thể quan sát được như giới tı́nh, độ tuổi, hoặc thu nhập. Chúng cũng có thể là các biến tiềm ẩn (latent variable).

2. Các loại biến điều tiết (Type of moderator variable)

Hair Jr và cộng sự (2017) tổng kết rằng sự khác biệt quan trọng nhất liên quan đến thang đo của biến điều tiết, bao gồm sự phân biệt giữa biến điều tiết phân loại và biến điều tiết liên tục.

Biến điều tiết phân loại

Biến điều tiết phân loại như giới tính, trình độ học vấn, thu nhập, loại hình doanh nghiệp,… Trong hầu hết các trường hợp, các nhà nghiên cứu sử dụng biến điều tiết phân loại để chia bộ dữ liệu thành hai nhóm trở lên và ước lượng các mô hình riêng cho từng nhóm dữ liệu. Chạy phân tích đa nhóm (Multi Group Analysis) cho phép xác định mối quan hệ mô hình khác biệt giữa các nhóm.

Biến điều tiết liên tục

Trong nhiều trường hợp, các nhà nghiên cứu có một biến điều tiết liên tục mà họ cho rằng có thể ảnh hưởng đến độ mạnh của một mối quan hệ nhân quả cụ thể giữa hai biến tiềm ẩn.

3. Hướng dẫn cách chạy mô hình có biến điều tiết

Bước 1: Đưa các biến trong mô hình vào phần mềm

Bước 2: Vẽ các liên kết đến các nhân tố trong mô hình

Tiếp tục, Vẽ connection cho biến điều tiết . Các bạn chỉ cần vẽ mũi tên thẳng vào chính giữa mối quan hệ giữa biến độc lập và biến phụ thuộc thì lúc đó mối quan hệ điều tiết sẽ hình thành. Ở Smart PLS 4 này bạn không cần phải khai báo hay tạo biến tương tác như ở Smart PLS 3.0.

Bước 3: Đánh giá mô hình đo lường. Việc đánh giá sẽ bao gồm các tiêu chí sau: (1) độ tin cậy thang đo, (2) độ hội tụ, (3) độ phân biệt

Tiếp tục nhấn calculation để chạy kết quả

Bước 4: Chuẩn bị đọc kết quả . Các bạn muốn hiển thị cửa sổ kết quả thì cần nhấp vào icon Open report để mở ra 1 cửa sổ mới hiện thị kết quả vừa chạy được

Đọc kết quả – Độ tin cậy thang đo

Độ tin cậy được thể hiện qua các chỉ số Cronbach alpha và độ tin cậy tổng hợp (rho C). Lưu ý: nếu ở bảng kết quả này có tiêu chí nào chưa đạt thì mình sẽ xem xét loại bỏ bớt biến quan sát khi xét outer loading nhằm cải thiện chỉ số của mô hình. Nếu các chỉ số ở đây đạt rồi thì giá trị outer loading trong khoảng 0.4 đến 0.7 thì vẫn có thể xem xét giữ lại trong mô hình nghiên cứu.

Đọc kết quả – Độ hội tụ

Độ hội tụ outer loading dùng để xét độ hội tụ. Tùy mục đích nghiên cứu của bạn mà bạn có thể chọn ngưỡng outer loading cho việc loại bỏ biến quan sát của mình. Nếu bạn muốn tiêu chuẩn cao thì lấy ngưỡng outerloading là 0.7. Ngưỡng từ 0.4 – 0.7 vẫn có thể chấp nhận được.

Đọc kết quả – Độ phân biệt (Fornell – Larcker)

Đọc kết quả – Độ phân biệt (HTMT)

Có 2 tiêu chí đánh giá độ phân biệt được sử dụng là Fornell Larcker và HTMT. Bất cứ sự tương quan mạnh nào trong mô hình nghiên cứu sẽ ảnh hưởng đến tiêu chí độ phân biệt. Nếu kết quả bạn xuất hiện các cảnh báo về độ phân biệt thì bạn cần biết rằng có hiện tượng tương quan rất mạnh giữa các biến trong mô hình của mình.

Đọc kết quả – Bootstrapping (Dùng để kiểm định các giả thuyết trong mô hình)

Sau khi đánh giá mô hình đo lường với các tiêu chí về độ tin cậy, độ hội tụ, độ phân biệt thì các bạn kiểm định mô hình đo lường bằng cách chạy Bootstrapping. Bootstrapping sẽ giúp chúng ta kiểm định các hypothesis (giả thuyết nghiên cứu). Bằng cách xét giá trị p (p value) để chấp nhận hoặc bác bỏ giả thuyết đã xây dựng trước đó.

Sau khi nhận xét kết quả bootstrapping thì tiếp tục đánh giá các tiêu chí khác

Để kiểm tra đa cộng tuyến thì dùng hệ số VIF.

Hệ số R2 nói lên các biến độc lập tham gia giải thích được bao nhiêu % sự thay đổi của biến phụ thuộc. Các nghiên cứu thường dùng R2 điều chỉnh để nhận xét. Tại sao lại dùng R2 điều chỉnh mà không dùng R2 để nhận xét mức độ phù hợp của mô hình? Do trong phân tích hồi quy khi đưa thêm 1 biến mới vào mô hình thì R2 sẽ tăng lên, nếu càng đưa nhiều biến vào thì R2 sẽ tiếp tục tăng thổi phồng mức độ giải thích của mô hình. Đối với R2 điều chỉnh thì khi đưa thêm 1 biến mới vào mô hình và biến đó có ý nghĩa thống kê thì R2 điều chỉnh mới tăng đáng kể. Việc sử dụng R2 sẽ hợp lý hơn đối với hồi quy đa biến.

Hệ số f2 nói lên mức độ tác động của biến độc lập lên biến phụ thuộc

Cohen (1988) đã đề xuất bảng chỉ số f² để đánh giá tầm quan trọng của các biến độc lập như sau:

• f² < 0.02: mức ảnh hưởng là cực kỳ nhỏ hoặc không có ảnh hưởng
• 0.02 ≤ f² < 0.15: mức ảnh hưởng nhỏ
• 0.15 ≤ f² < 0.35: mức ảnh hưởng trung bình
• f² ≥ 0.35: mức ảnh hưởng lớn

Cuối cùng, để chạy giá trị Q2 thì các bạn sẽ chạy tiếp 1 phần nữa. Phần này nằm ở bước chạy PLS predict. Nếu như ở verson Smart PLS 3 các bạn chạy Blind Fonding để ra giá trị Q2 thì trong Smart PLS 4 này các bạn chạy PLS predict.