Phân tích điều tiết bằng AMOS: đặc tả tương tác và diễn giải kết quả

Một đường dẫn có thể khác nhau theo giới tính, tuổi hoặc điều kiện làm việc. Để kiểm tra điều đó bằng AMOS, trước hết phải xác định đối tượng đang tương tác là điểm quan sát hay biến tiềm ẩn. Cách tạo biến, kiểm định và diễn giải sẽ đi theo quyết định này.

AMOS, CB-SEM VÀ HIỆU ỨNG ĐIỀU TIẾTBiên soạn: Lê Minh9 phútCập nhật 15/11/2026

LUẬN ĐIỂM CHÍNH

Bằng chứng điều tiết nằm ở sự thay đổi của quan hệ X với Y theo M. Cần đặc tả đúng tương tác, giữ các thành phần bậc thấp, đọc hệ số cùng độ bất định và kiểm định trực tiếp sự khác biệt. p lớn chưa chứng minh tác động bằng không.

Bắt đầu đọc

1. Từ câu hỏi nghiên cứu đến một tham số kiểm định

Giả sử nghiên cứu quan tâm mối liên hệ giữa lòng trung thành thương hiệu (LY) và ý định mua lặp lại (RI). Giới tính chỉ đóng vai trò điều tiết nếu mối liên hệ LY với RI thay đổi theo nhóm giới tính. Việc giới tính có liên hệ riêng với RI là một câu hỏi khác. Trong mô hình tương tác tuyến tính, hai câu hỏi được thể hiện bằng các tham số khác nhau (Hayes, 2022).

Trước khi mở phần mềm, ghi rõ X, Y, M, cách đo từng biến, nhóm tham chiếu nếu M là biến phân loại và các biến điều chỉnh có căn cứ. Một sơ đồ lý thuyết có mũi tên từ M vào đường X → Y chưa phải đặc tả ước lượng. Phần mềm cần một mô hình thống kê cụ thể.

Mô hình nghiên cứu mối quan hệ giữa lòng trung thành thương hiệu, giới tính và ý định mua lặp lại — Hình 1. Sơ đồ câu hỏi LY, giới tính và RI; cần xác định cách đo và mã hóa trước khi xây tương tác. Nguồn: hình gốc trong bài của Lê Minh.

2. Chọn giữa điểm quan sát, tương tác tiềm ẩn và đa nhóm

Ba chiến lược phân tích và phạm vi kết luận
Chiến lược	Đầu vào và đối tượng ước lượng	Điểm cần bảo vệ
Tương tác điểm quan sát	Điểm tổng/trung bình hoặc biến đo trực tiếp; đưa X, M và X×M vào phương trình.	Kết luận về các điểm đang dùng; sai số đo không tự được mô hình hóa.
Tương tác tiềm ẩn	X và/hoặc M được biểu diễn bằng mô hình đo lường; dùng phương pháp tương tác tiềm ẩn thích hợp.	Cần đặc tả và nhận dạng riêng; nhân hai điểm xuất ra không tự tạo thành tương tác tiềm ẩn.
SEM đa nhóm	Nhóm có ý nghĩa từ thiết kế; so sánh một hay nhiều đường cấu trúc.	Cần tính so sánh được của phép đo và một kiểm định trực tiếp giữa các hệ số.

Nếu LY và RI là điểm trung bình nhiều item rồi được đưa vào các hình chữ nhật, phân tích đang dùng điểm quan sát. Nếu chúng là nhân tố được đo bởi các item, cần cân nhắc mô hình tương tác phù hợp với cấu trúc tiềm ẩn. Maslowsky và cộng sự (2015) trình bày LMS bằng Mplus; không nên coi bài hướng dẫn đó là một chuỗi thao tác LMS có sẵn trong AMOS.

Với AMOS, cách tiếp cận bằng chỉ báo tích cần một đặc tả có căn cứ về chỉ báo, sai số và ràng buộc. Bài này không đưa ra quy tắc nhân item phổ quát. Khi mục tiêu là so sánh các nhóm có sẵn, đa nhóm có thể phù hợp hơn, nhưng vẫn phải xác định đúng tham số cần so sánh (Kline, 2023).

3. Tạo tương tác khi các biến là điểm quan sát

Với M nhị phân mã 0/1, một phương trình có thể viết như dưới đây. C là các biến điều chỉnh đã chọn trước; Xc là X trừ một mốc có ý nghĩa, chẳng hạn trung bình mẫu. Ở M = 0, độ dốc của Xc là b₁; ở M = 1, độ dốc là b₁ + b₃. Hệ số b₃ biểu thị chênh lệch hai độ dốc trong mô hình này (Hayes, 2022).

Y = b₀ + b₁Xc + b₂M + b₃(Xc×M) + ΣγⱼCⱼ + ε

Giữ cả Xc và M khi thêm tích Xc×M. Không loại chúng chỉ vì p riêng lẻ lớn. Với M có từ ba nhóm trở lên, cần một hệ mã hóa và các tương tác tương ứng; không dùng các mã 1, 2, 3 như một đại lượng liên tục nếu khoảng cách giữa nhóm không có ý nghĩa.

Mean-centering trong mô hình tương tác tuyến tính đầy đủ giúp đổi mốc diễn giải các hệ số bậc thấp. Nó không sửa sai số đo, không chữa nội sinh và không tự làm xuất hiện điều tiết. Không bắt buộc phải chuẩn hóa mọi biến trước khi kiểm tra tương tác (Hayes, 2022).

Ví dụ SPSS cho điểm quan sát; các tên biến và mốc dưới đây chỉ để minh họa

* M đã được mã 0/1; X và M phải có định nghĩa rõ.
* Mốc 4 chỉ là ví dụ do người phân tích lựa chọn.
COMPUTE Xc = X - 4.
COMPUTE INT = Xc * M.
EXECUTE.

Trước khi lưu dữ liệu cho AMOS, kiểm tra vài dòng bằng tay, khai báo mã thiếu và giữ cùng tập quan sát cho những mô hình cần đối chiếu. Nếu M là điểm liên tục, giữ thông tin liên tục và chọn các giá trị M có dữ liệu hỗ trợ để thăm dò độ dốc.

4. Quy trình thực hành cho mô hình điểm quan sát trong AMOS

Khóa dữ liệu và cách tính điểm

Lưu codebook, chiều item, quy tắc thiếu và công thức tính X, M, Y. Xác định đây là điểm quan sát; không gọi chúng là điểm tiềm ẩn chỉ vì được tính từ nhiều item.

Gắn tệp dữ liệu

Trong AMOS Graphics, dùng File → Data Files để chọn dữ liệu. Kiểm tra tên và kiểu biến, số dòng được dùng và nhóm nếu phân tích đa nhóm.

Đặc tả phương trình

Vẽ các đường Xc → Y, M → Y, INT → Y và các biến điều chỉnh có căn cứ. Cho phép các biến dự báo hiệp biến phù hợp với đặc tả; gắn sai số cho Y.

Chọn ước lượng và đầu ra

Nêu bộ ước lượng và giả định phù hợp với thang đo, dữ liệu. Trong Analysis Properties → Output, chọn đầu ra cần thiết; xem Estimate, S.E., C.R. và P ở Regression Weights.

Kiểm tra nghiệm

Chạy Calculate Estimates. Đọc cảnh báo, nhận dạng, hội tụ và các ước lượng bất hợp lý trước khi xem p của INT. Mô hình vừa nhận dạng có df = 0 không cung cấp một phép kiểm tra global fit có sức phân biệt.

Lưu kết quả và bất định

Lưu file mô hình, thiết lập và output. Nếu dùng bootstrap, ghi cách lập khoảng, số mẫu yêu cầu/hợp lệ và lỗi hội tụ; khoảng cho độ dốc cần đúng tổ hợp tham số.

Tên hộp thoại có thể khác giữa các phiên bản AMOS. Một sơ đồ nhìn giống ảnh chưa đủ để tái lập: phải khớp cách tính điểm, bộ ước lượng, tập quan sát và ràng buộc. Các kiểm tra về mô hình đo lường và nghiệm SEM theo Kline (2023) vẫn cần được bảo đảm.

Mô hình có biến tương tác INT và biến giới tính — Hình 2. Mô hình có INT và thành phần bậc thấp. Khi tái lập, phải kiểm tra các đường hiệp biến và quy tắc tính tích. Nguồn: hình gốc trong bài của Lê Minh.

Mô hình biến điều tiết được thiết lập trong AMOS — Hình 3. Ví dụ bố trí trong AMOS; ảnh là minh họa đặc tả, không thay thế tệp dữ liệu và file mô hình. Nguồn: hình gốc trong bài của Lê Minh.

5. Đọc lại đúng kết quả trong ảnh gốc

Kết quả P-value của biến tương tác INT trong AMOS — Hình 4. Dòng RI ← INT có Estimate = −0,007, S.E. = 0,010, C.R. = −0,740 và p = 0,459. Nguồn: hình gốc trong bài của Lê Minh.

Ở ảnh trên, p = 0,459 không cung cấp bằng chứng rõ chống giả thuyết hệ số tương tác bằng 0 trong mô hình đã ước lượng. Không thể từ đó khẳng định giới tính hoàn toàn không điều tiết trong quần thể. Một kiểm định có thể chưa đủ nhạy để phân biệt các tác động nhỏ hoặc các ước lượng còn thiếu chính xác (Hayes, 2022).

Ảnh không cung cấp khoảng tin cậy, cỡ mẫu hay bảng mã giới tính. Vì vậy, chưa thể đánh giá đầy đủ độ lớn có ý nghĩa thực tiễn hoặc gán hệ số cho một nhóm giới tính cụ thể. Không khôi phục kiểm định chính xác bằng cách chia các con số đã làm tròn. Cũng không dùng riêng mô hình khảo sát này để kết luận nhân quả.

Cách viết phù hợp với ảnh: Hệ số tương tác LY × giới tính không đạt ý nghĩa thống kê trong mô hình ước lượng (B = −0,007; SE = 0,010; p = 0,459). Kết quả chưa cung cấp bằng chứng rõ về sự khác nhau của quan hệ LY với RI theo cách mã hóa giới tính đã dùng. Cần bổ sung khoảng tin cậy và thông tin thiết kế để đánh giá mức tác động còn tương thích với dữ liệu.

6. Độ dốc có điều kiện và khoảng tin cậy

Độ dốc của X tại M = m: s(m) = b₁ + b₃m

Var[s(m)] = Var(b₁) + m²Var(b₃) + 2mCov(b₁,b₃)

Sai số chuẩn của một độ dốc là căn bậc hai của phương sai ở công thức trên. Không cộng hai sai số chuẩn, và không cộng hai đầu khoảng tin cậy riêng để tạo khoảng cho b₁ + b₃m. Cần hiệp phương sai giữa các ước lượng hoặc phân phối bootstrap của chính tổ hợp đó (Hayes, 2022).

Ví dụ giả định, không phải kết quả từ ảnh AMOS
Thông tin giả định	Giá trị	Diễn giải
Mã nhóm	M = 0 và M = 1	Hai nhóm minh họa, không gán cho giới tính trong ảnh.
b₁; b₃; SE(b₃)	0,40; 0,08; 0,10	Độ dốc dự đoán là 0,40 và 0,48.
Khoảng Wald xấp xỉ 95% cho b₃	[−0,116; 0,276]	Từ 0,08 ± 1,96×0,10, theo xấp xỉ chuẩn.
p hai phía xấp xỉ cho b₃	0,424	Dữ liệu giả định chưa phân biệt rõ chênh lệch với 0; nhiều mức tác động còn tương thích.

Các giá trị được tạo để giải thích phép tính. Hệ số lớn hơn ở một nhóm không tự chứng minh khác biệt, và p của một nhóm nhỏ hơn 0,05 trong khi nhóm kia lớn hơn 0,05 cũng không thay thế kiểm định trực tiếp b₃ hoặc hiệu giữa hai hệ số. Khi vẽ simple slopes, giữ các biến điều chỉnh ở cùng mốc và tránh ngoại suy ra ngoài vùng dữ liệu.

7. Khi chọn đa nhóm: kiểm tra phép đo trước khi so sánh đường

Đa nhóm trả lời câu hỏi hệ số của một đường có khác giữa các nhóm hay không. Nếu X và Y là nhân tố, cần kiểm tra tính so sánh được của mô hình đo lường, cách định thang và ý nghĩa chỉ báo. Bất biến cấu hình xét cùng dạng đo lường; bất biến metric xét tải nhân tố; bất biến scalar liên quan thêm intercept và mục tiêu so sánh trung bình (Kline, 2023).

Trong AMOS, khai báo nhóm bằng Manage Groups, gắn dữ liệu đúng nhóm và ghi rõ mô hình nào tự do, mô hình nào bị ràng buộc. Để kiểm tra một đường, so sánh mô hình giữ đường đó tự do giữa nhóm với mô hình buộc chính đường ấy bằng nhau, trên nền đo lường có căn cứ. Đừng gọi việc khóa đồng thời mọi đường là kiểm định riêng cho LY → RI.

Với mô hình lồng nhau và ML thông thường trên cùng dữ liệu, có thể dùng chênh lệch χ² và df theo điều kiện của kiểm định. Các ước lượng robust hoặc cách xử lý dữ liệu khác có thể cần thủ tục hiệu chỉnh riêng. p lớn của phép so sánh chưa phải bằng chứng tương đương; muốn kết luận chênh lệch đủ nhỏ cần tiêu chí thực tiễn và đánh giá bất định tương ứng (Kline, 2023).

8. Mẫu báo cáo và hồ sơ cần lưu

Chúng tôi kiểm tra điều tiết bằng mô hình [điểm quan sát / tương tác tiềm ẩn / đa nhóm], vì [lý do gắn với phép đo và giả thuyết]. M được mã [quy tắc và nhóm tham chiếu]; X được đặt mốc tại [giá trị]. Mô hình giữ các thành phần bậc thấp và điều chỉnh cho [các biến có căn cứ]. Hệ số tương tác hoặc chênh lệch đường là [B], với [SE, CI, p và phương pháp lập khoảng]. Kết luận được giới hạn ở [mẫu, phạm vi đo lường và thiết kế].

Phân biệt rõ điểm trung bình, điểm nhân tố và biến tiềm ẩn.
Giữ X và M khi đưa tương tác vào phương trình.
Kiểm định trực tiếp tương tác hoặc sự khác biệt giữa hệ số.
Báo hệ số, đơn vị, nhóm tham chiếu và khoảng tin cậy.
Giữ cảnh báo, file mô hình và thiết lập ước lượng.
Không đổi ngưỡng hay chia nhóm sau khi xem p để tìm kết quả thuận lợi.

Một phân tích điều tiết có giá trị khi người đọc biết tham số nào đang được kiểm định và mức tác động nào còn tương thích với dữ liệu. Vẽ thêm INT chỉ hoàn thành phần đặc tả ban đầu.

Đọc tiếp

Đồ thị điều tiết và độ dốc có điều kiện; Điều tiết trong mô hình bậc cao.

Tài liệu tham khảo

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). The Guilford Press. https://www.afhayes.com/introduction-to-mediation-moderation-and-conditional-process-analysis.html
Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). The Guilford Press. https://www.guilford.com/books/Principles-and-Practice-of-Structural-Equation-Modeling/Rex-Kline/9781462551910
Maslowsky, J., Jager, J., & Hemken, D. (2015). Estimating and interpreting latent variable interactions: A tutorial for applying the latent moderated structural equations method. International Journal of Behavioral Development, 39(1), 87–96. https://doi.org/10.1177/0165025414552301