Kỹ thuật Johnson-Neyman là gì? Cách đọc và chạy trong SPSS

Kỹ thuật Johnson-Neyman là gì

Bạn mở output PROCESS trong SPSS và thấy phần kiểm định tương tác giữa biến độc lập, biến điều tiết với một con số gọi là Johnson-Neyman. Kỹ thuật Johnson-Neyman là cách xác định khoảng giá trị của biến điều tiết tại đó tác động của biến độc lập lên biến phụ thuộc có ý nghĩa thống kê. Thay vì chỉ kiểm tra tác động tại ba mức thấp, trung bình và cao của moderator, bạn tìm trực tiếp điểm chuyển giữa vùng có ý nghĩa và vùng không có ý nghĩa.

Trong mô hình điều tiết, giả sử X là biến độc lập, W là biến điều tiết và Y là biến phụ thuộc. Phương trình thường có dạng:

Y = b0 + b1X + b2W + b3XW + e

Trong đó XW là biến tương tác. Tác động có điều kiện của X lên Y tại một giá trị cụ thể của W được tính bằng:

dY/dX = b1 + b3W

Johnson-Neyman giải phương trình này cùng với sai số chuẩn để tìm giá trị W mà khoảng tin cậy của tác động vừa chạm mức 0. Hai phía của điểm này tạo thành vùng ý nghĩa thống kê và vùng không có ý nghĩa. Đây là phân tích cho moderator, không phải kiểm định biến trung gian. Nếu đề tài của bạn hỏi X tác động đến Y thông qua M, hãy xem hướng dẫn về biến trung gian là gì và bootstrap trung gian trong SPSS.

Ý nghĩa của kỹ thuật Johnson-Neyman trong nghiên cứu định lượng

Câu hỏi mà Johnson-Neyman trả lời là: “Ở mức nào của W thì tác động của X lên Y bắt đầu có ý nghĩa, hoặc mất ý nghĩa”. Chẳng hạn, X là chất lượng dịch vụ, Y là ý định mua lại và W là mức độ tin cậy. Kết quả có thể cho thấy chất lượng dịch vụ chỉ tác động có ý nghĩa khi độ tin cậy vượt một ngưỡng nhất định. Con số đó giúp bạn giải thích điều kiện mà quan hệ nghiên cứu xuất hiện, thay vì kết luận chung rằng moderator “làm tăng” hay “làm giảm” tác động.

Bạn cần phân biệt ba thông tin. Hệ số X*W cho biết độ dốc của quan hệ X và Y thay đổi thế nào khi W tăng. Bảng conditional effect cho biết tác động của X tại từng giá trị W. Johnson-Neyman region cho biết toàn bộ khoảng W mà tác động có ý nghĩa, dựa trên khoảng tin cậy. PROCESS trong SPSS thường cung cấp cả ba nhóm thông tin này khi bạn chọn phân tích moderation.

Nếu biến điều tiết là biến liên tục, Johnson-Neyman thường hữu ích hơn việc tự chia biến thành nhóm thấp và cao. Việc chia nhóm làm mất thông tin và có thể khiến kết quả phụ thuộc vào điểm cắt do người nghiên cứu chọn. Tuy vậy, output vẫn cần được đọc cùng biểu đồ tương tác và bối cảnh lý thuyết. Một vùng ý nghĩa rất hẹp chưa đủ để bạn viết rằng tác động có giá trị thực tiễn lớn.

Biến W trong công thức phải được hiểu đúng. Nếu bạn đang kiểm tra “ảnh hưởng của biến độc lập”, hãy xác định biến nào thật sự là X trong mô hình. Bạn có thể xem thêm giải thích về biến độc lập là gì trước khi thiết lập PROCESS. Phần này đặc biệt quan trọng khi mô hình có nhiều biến kiểm soát, mediator và moderator cùng lúc.

Kỹ thuật Johnson-Neyman bao nhiêu là đạt

Johnson-Neyman không có một ngưỡng kiểu “lớn hơn 0.5 là đạt”. Đây là thủ tục xác định vùng ý nghĩa của conditional effect. Bạn đánh giá kết quả bằng dấu của hệ số, p-value hoặc khoảng tin cậy, vị trí của điểm chuyển và mức độ hợp lý của vùng đó trong thang đo W. Quy trình PROCESS và cách diễn giải moderation được trình bày trong (Hayes, 2018).

Bảng dưới đây giúp bạn tránh biến Johnson-Neyman thành một chỉ số cần vượt qua. Mỗi dòng ghi rõ nguồn cho phần tiêu chí hoặc cách diễn giải tương ứng.

Ví dụ, nếu cutoff là W = 3.42 trên thang Likert từ 1 đến 5 và tác động có ý nghĩa khi W lớn hơn 3.42, bạn có thể nói quan hệ X và Y xuất hiện trong nhóm có W cao hơn mức này. Bạn không nên viết “Johnson-Neyman đạt 3.42”. 3.42 là điểm chuyển của biến điều tiết trong mẫu, không phải điểm đạt chung cho mọi nghiên cứu.

Cũng cần kiểm tra cutoff có nằm trong miền dữ liệu hay không. Nếu W quan sát được chỉ từ 2.1 đến 4.7 nhưng điểm chuyển là 5.8, vùng ý nghĩa nằm ngoài dữ liệu thực tế. Khi đó, kết luận về moderation cần thận trọng vì mẫu của bạn không quan sát được vùng chứa điểm chuyển.

Cách đọc kỹ thuật Johnson-Neyman trên output

Tên bảng có thể khác nhẹ tùy phiên bản PROCESS và cách xuất kết quả, nhưng bạn thường gặp các phần như Model, Coefficients, Product terms key, Test(s) of highest order unconditional interaction(s), Conditional effect of X on Y at values of the moderator(s) và Johnson-Neyman output. Đừng chỉ nhìn dòng p-value của X. Trong mô hình có tương tác, ý nghĩa của X phụ thuộc vào W.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được sắp theo dạng output PROCESS để bạn đối chiếu với file SPSS.

Ở dòng W = 2.00, khoảng tin cậy từ -0.06 đến 0.22 chứa 0 nên tác động chưa có ý nghĩa. Ở W = 3.00 và 4.00, khoảng tin cậy không chứa 0 nên tác động có ý nghĩa trong các mức minh họa đó. Điểm 2.57 là cutoff được dùng để xác định ranh giới. Nếu vùng ý nghĩa nằm phía trên cutoff, bạn diễn giải rằng X tác động có ý nghĩa lên Y khi W lớn hơn khoảng 2.57.

Bảng conditional effect chỉ hiển thị một số giá trị W, thường là trung bình, thấp hơn một độ lệch chuẩn và cao hơn một độ lệch chuẩn. Johnson-Neyman bổ sung vùng liên tục giữa các giá trị đó. Bạn cần xem thêm dòng hoặc biểu đồ có nhãn Significance regions nếu PROCESS phiên bản của bạn xuất phần này.

Khi kỹ thuật Johnson-Neyman không đạt thì xử lý thế nào

Trước tiên, xác định “không đạt” đang nói đến điều gì. Johnson-Neyman không trả về một chỉ số đạt hay không đạt. Có thể hệ số tương tác không có ý nghĩa, vùng ý nghĩa nằm ngoài miền dữ liệu, khoảng tin cậy chứa 0 ở mọi mức W, hoặc biểu đồ tương tác không phù hợp với giả thuyết.

Kiểm tra lại cách mã hóa và nhập biến

Xem thang đo của X, W và Y, đặc biệt khi một số biến quan sát được reverse code. Kiểm tra missing value, giá trị ngoài phạm vi và việc W có bị nhập dưới dạng chuỗi hay không. Nếu W được nhập là 1 đến 5 nhưng trong file lại có một số giá trị 55 do lỗi nhập liệu, điểm trung bình và cutoff đều có thể bị kéo lệch.

Kiểm tra biến tương tác và centering

PROCESS có thể tự mean-center biến khi bạn chọn tùy chọn phù hợp. Centering giúp hệ số chính dễ diễn giải hơn, nhưng không biến một tương tác không có ý nghĩa thành có ý nghĩa. Hãy ghi rõ bạn đã chọn center continuous variables hay chưa, đồng thời không tự tạo nhiều phiên bản XW trong dữ liệu nếu chưa hiểu chúng được dùng ở đâu.

Đọc lại vùng dữ liệu quan sát

Nếu cutoff nằm ngoài khoảng nhỏ nhất và lớn nhất của W, đừng cố chọn một điểm cắt khác để làm kết quả đẹp hơn. Bạn có thể báo cáo rằng vùng ý nghĩa không được quan sát trong phạm vi dữ liệu. Khi interaction không có ý nghĩa, kết luận phù hợp là chưa có bằng chứng thống kê cho tác động điều tiết trong mẫu này.

Kiểm tra power và mô hình lý thuyết

Tương tác thường khó phát hiện hơn tác động chính. Xem lại cỡ mẫu, chất lượng thang đo và cơ sở lý thuyết trước khi thêm bớt biến. Không nên loại moderator chỉ vì một lần chạy không có ý nghĩa, nhưng cũng không nên chạy nhiều cách rồi chỉ giữ kết quả có lợi. Nếu khoảng tin cậy bootstrap trong một phân tích liên quan chứa 0, hướng xử lý được trình bày tại khoảng tin cậy bootstrap chứa 0 phải làm sao. Với lỗi kỹ thuật của SPSS, xem thêm lỗi khoảng tin cậy bootstrap chứa 0 SPSS.

Phân biệt kỹ thuật Johnson-Neyman với simple slope

Simple slope kiểm tra tác động của X lên Y tại một số mức được chọn trước của W. Các mức thường là giá trị thấp, trung bình và cao, nhưng lựa chọn cụ thể phải được ghi rõ. Johnson-Neyman tìm ranh giới của toàn bộ vùng có ý nghĩa, nên không bị giới hạn ở ba điểm kiểm tra.

Hai cách này trả lời các câu hỏi gần nhau nhưng không giống nhau. Simple slope cho bạn những con số dễ trình bày trong bảng. Johnson-Neyman cho bạn cutoff và khoảng giá trị. Trong một luận văn, có thể báo cáo cả hai: dùng bảng conditional effect để cho thấy độ dốc tại vài mức W, sau đó dùng Johnson-Neyman để chỉ ra vùng ý nghĩa.

Johnson-Neyman cũng khác với kiểm định mediator. Moderator trả lời câu hỏi “khi nào hoặc với ai X tác động đến Y thay đổi”. Mediator trả lời câu hỏi “X tác động đến Y thông qua cơ chế nào”. Dùng nhầm hai khái niệm khiến bạn chọn sai PROCESS model và viết sai giả thuyết.

Lỗi thường gặp khi đọc và chạy Johnson-Neyman

Lỗi đầu tiên là tìm một ngưỡng chung cho câu hỏi “kỹ thuật Johnson-Neyman bao nhiêu là tốt”. Không có con số cutoff cố định cho mọi thang đo. Bạn phải đọc cutoff theo đơn vị đo của moderator và kiểm tra nó nằm trong khoảng quan sát.

Lỗi thứ hai là chỉ nhìn p-value của X trong bảng Coefficients. Khi có tương tác, hệ số X là tác động của X tại W = 0 hoặc tại giá trị quy chiếu sau khi center. Nó không nhất thiết là tác động trung bình trên toàn bộ mẫu.

Lỗi thứ ba là viết “W làm tăng tác động của X” chỉ vì hệ số tương tác dương. Hệ số dương cho thấy độ dốc tăng theo W, nhưng bạn vẫn cần xem conditional effect, khoảng tin cậy và phạm vi dữ liệu.

Lỗi thứ tư là gọi mọi khoảng tin cậy trong PROCESS là bootstrap indirect effect. Johnson-Neyman của moderation và bootstrap mediation là hai phần khác nhau. Hãy lưu syntax, phiên bản PROCESS, model number, số bootstrap samples và các biến đã đưa vào để có thể giải trình khi giảng viên hỏi.

Câu hỏi thường gặp

Kỹ thuật Johnson-Neyman có phải là một kiểm định độc lập không

Đây là một thủ tục phân tích vùng ý nghĩa cho tác động có điều kiện trong mô hình điều tiết. Nó thường được chạy cùng mô hình hồi quy có biến tương tác, chứ không phải một kiểm định tách rời khỏi mô hình.

Kỹ thuật Johnson-Neyman trong SPSS dùng PROCESS model nào

Với moderation đơn giản, bạn thường dùng model phù hợp cho một biến điều tiết và một biến tương tác trong PROCESS. Model cụ thể phụ thuộc vào cấu trúc X, W, Y, biến kiểm soát và việc mô hình có mediator hay không. Hãy đối chiếu sơ đồ nghiên cứu với phần mô tả model trong PROCESS trước khi chạy.

Nếu khoảng tin cậy của conditional effect chứa 0 thì kết luận thế nào

Ở giá trị W đó, tác động của X lên Y chưa có ý nghĩa thống kê theo khoảng tin cậy đang dùng. Bạn cần xem các giá trị W khác và bảng Johnson-Neyman để biết có vùng ý nghĩa nào trong miền quan sát hay không.

Có cần chia moderator thành nhóm thấp và cao trước khi chạy không

Bạn không cần chia một moderator liên tục thành hai nhóm để chạy Johnson-Neyman. Giữ W ở dạng liên tục giúp sử dụng thông tin đầy đủ hơn. Nếu bảng hỏi dùng thang Likert, hãy kiểm tra cách mã hóa và phân phối trước khi đưa biến vào PROCESS.

Có thể báo cáo Johnson-Neyman mà không có biểu đồ tương tác không

Bạn có thể báo cáo cutoff và vùng ý nghĩa, nhưng biểu đồ giúp người đọc thấy hướng thay đổi của độ dốc rõ hơn. Nếu vẽ biểu đồ, hãy ghi đơn vị của X, W, Y, phạm vi dữ liệu và chú thích vùng có ý nghĩa thay vì chỉ chèn ảnh output.

Cách viết vào luận văn: “Kết quả phân tích điều tiết cho thấy tác động của [X] lên [Y] thay đổi theo [W]. Phân tích Johnson-Neyman xác định tác động của [X] có ý nghĩa khi [W] [lớn hơn/nhỏ hơn] [giá trị cutoff], trong khi ngoài vùng này khoảng tin cậy của tác động chứa 0. Kết quả này [ủng hộ/không ủng hộ] giả thuyết [H].”

Bạn hãy mở lại output PROCESS, ghi riêng hệ số tương tác, conditional effect, cutoff và khoảng giá trị quan sát của moderator trước khi viết chương 4. Nếu cần chạy lại phân tích trên file .sav hoặc .csv và kiểm tra toàn bộ mô hình định lượng, bạn có thể dùng module M4 của DoThesis.