Đánh giá vai trò điều tiết của biến điều tiết liên tục trong mô hình nghiên cứu đa biến – tình huống minh hoạ: Hành vi đổi mới sáng tạo trong công việc

TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 3 ĐÁNH GIÁ VAI TRÒ ĐIỀU TIẾT CỦA BIẾN ĐIỀU TIẾT LIÊN TỤC TRONG MÔ HÌNH NGHIÊN CỨU ĐA BIẾN – TÌNH HUỐNG MINH HOẠ: HÀNH VI ĐỔI MỚI SÁNG TẠO TRONG CÔNG VIỆC Cao Quốc Việt1 , Bạch Ngọc Hoàng Ánh2, Nguyễn Quang Anh1 Title: Assessment of the moderating role of moderator variable in multivariate research model – illustrative case study: innovative work behaviour Từ khóa: Biến điều tiết liên tục, hướng tiếp cận tích biến quan sát, hướng tiếp cận trực giao, hướng tiếp cận hai giai đoạn, hành vi đổi mới sáng tạo Keywords: Continuing moderator variable, product indicator approach, orthogonalizing approach, two- stage approach, innovative work behavior. Ngày nhận bài: 15/7/2019; Ngày nhận kết quả bình duyệt: 23/7/2019; Ngày chấp nhận đăng bài: 25/7/2019. Tác giả: 1 Trường Đại học Kinh tế TP.HCM 2 Trường Đại học Yersin Đà Lạt Email: badv1@yersin.edu.vn TÓM TẮT Kiểm định mối quan hệ giữa hai biến thông qua vai trò của biến điều tiết góp phần trả lời cho câu hỏi nghiên cứu rất thú vị trong lĩnh vực quản trị kinh doanh. Bài viết này tóm tắt lý thuyết về kiểm định mô hình nghiên cứu đa biến với biến điều tiết liên tục. Đầu tiên, nhóm tác giả giới thiệu về biến điều tiết, các dạng biến điều tiết và các hướng tiếp cận khi kiểm định bằng PLS – SEM. Thứ hai, bài viết này chỉ tập trung vào biến điều tiết liên tục và giới thiệu ba hướng tiếp cận khi kiểm định mối quan hệ nhân quả có biến điều tiết. Hướng tiếp cận hai giai đoạn được các nhà nghiên cứu khuyến khích sử dụng. Cuối cùng, tình huống về mức độ tác động của hành vi lướt mạng lên mối quan hệ giữa hiệu quả làm việc và hành vi đổi mới sáng tạo của nhân viên được minh hoạ cho lý thuyết kiểm định trên. ABSTRACT Testing the relationship between exogenous variables and endogenous variables through the moderating role can answer to the interesting research question in business administration. This paper summarizes the theory on the testing multivariable research model with continuing moderator variable. Firstly, the authors make an introduction on moderator, type of moderators and approaches in PLS-SEM. Secondly, the paper just only focuses on continuing moderator variable and present three approaches in testing causal moderating relationship. A two-stage approach is recommended by researchers instead of using product indicator approach and orthogonalizing approach. Finally, the authors conduct a case study illustrative the moderating effect of cyberloafing on the relationship between job performance and innovative work behaviour. 1. Giới thiệu Phân tích đánh giá mô hình nghiên cứu dưới tác động của biến điều tiết ngày càng được chú ý trong nghiên cứu định lượng thuộc lĩnh vực quản trị kinh doanh. Ví dụ như trong lĩnh vực lãnh đạo, điển hình có các công trình của Van Lange, Joireman, Parks và Van Dijk (2013); TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 4 Mohamed, Hassan và Spencer (2011). Trong nhân sự có các công trình của Koay (2018); De Witte (2012); Altinay và cộng sự (2019). Đặc biệt, trong lĩnh vực marketing, rất nhiều công trình kiểm định vai trò của biến điều tiết như Clayton (2015); Lee & Kim (2018); Noddings (2012); Svensson và cộng sự (2018); Thiruvattal (2017). Chính vì vậy, hiểu và vận dụng kỹ thuật kiểm định mô hình phân tích đa biến trong nghiên cứu khoa học rất quan trọng và cần thiết. Điều này giúp các nhà nghiên cứu trong nước tiếp cận với các kỹ thuật phân tích tiên tiến, mới nhất mà các nhà khoa học trên thế giới trong lĩnh vực quản trị kinh doanh nói chung đang thực hiện. Cấu trúc bài báo này gồm ba phần chính. Đầu tiên chúng tôi giới thiệu tầm quan trọng của mô hình nghiên cứu đa biến dưới vai trò của biến điều tiết. Phần tiếp theo, tóm lược lý thuyết về kiểm định mô hình nghiên cứu có sự can thiệp của biến điều tiết liên tục. Cuối cùng, trình bày ví dụ minh họa để các nhà nghiên cứu, sinh viên hieểu và vận dụng được lý thuyeế t vào thực tieễn nghiên cứu qua ví dụ về hành vi đổi mới sáng tạo trong công việc. Phần mềm Smart PLS 3.2.7 được sử dụng cho ví dụ này. 2. Cơ sở lý thuyết về biến điều tiết và tác động của biến điều tiết lên mối quan hệ nhân quả của hai biến trong mô hình nghiên cứu đa biến Tác động điều tiết 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. Hair Jr, Hult, Ringle và Sarstedt (2017) đã đưa ra một ví dụ minh hoạ cho mối quan hệ giữa sự hài lòng và lòng trung thành của khách hàng có sự khác biệt giữa các mức thu nhập khác nhau. Các tác giả đề xuất thu nhập có ảnh hưởng nghịch chiều đến mối quan hệ giữa sự hài lòng - lòng trung thành của họ. Nghĩa là mức thu nhập càng cao thì mối quan hệ giữa sự hài lòng và trung thành càng yếu. Nói cách khác, thu nhập đóng vai trò là một biến điều tiết gây ra sự không đồng nhất trong mối quan hệ sự hài lòng và lòng trung thành. Mối quan hệ này không giống nhau đối với tất cả khách hàng mà thay đổi tùy thuộc vào thu nhập của họ. Hình 1 minh họa một tác động điều tiết trong mô hình lên mối quan hệ giữa sự hài lòng và lòng trung thành của khách hàng. Hình 1: Mô hình biến điều tiết (Nguồn: Hair Jr, Hult, Ringle và Sarstedt (2017)) Các dạng biến điều tiết Bieến đieều tieế t có theể có mặt trong các mô hı̀nh caếu trúc dưới nhieều hıǹh thức khác nhau. Chúng có theể đại diện cho các đặc đieểm có theể quan sát được như giới tı́nh, độ tuoể i, hoặc thu nhập. Chúng cũng có thể là các biến tiềm ẩn (latent variable) Sự hài lòng của KH Lòng trung thành của KH Thu nhập TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 5 không quan sát trực tiếp được chẳng hạn như căng thẳng trong công việc, trì hoãn trong công việc. 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 Nhiều tác giả sử dụng 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 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. Trở lại nghiên cứu trường hợp của Hair và cộng sự (2017) về mô hình danh tiếng công ty, các tác giả đưa ra giả thuyết rằng mối quan hệ giữa sự hài lòng và lòng trung thành bị ảnh hưởng bởi thu nhập của khách hàng. Nói cách khác, mối quan hệ giữa sự hài lòng và lòng trung thành của khách hàng sẽ yếu hơn đối với các khách hàng có thu nhập cao và mạnh hơn đối với các khách hàng có thu nhập thấp. 1 Điều tiết với biến phân loại khá phức tạp, chúng tôi sẽ trình bày ở bài viết khác. Độc giả quan tâm có thể xem thêm hướng dẫn của Hair Jr, J. F., Sarstedt, M., Ringle, C. M., & Hair Jr và cộng sự (2017) đề xuất không nên sử dụng các biến đơn để đo lường khái niệm. Các biến đơn (single variable) thì kém hơn so với thang đo đa biến về giá trị ước lượng (xem Sarstedt, Diamantopoulos, Salzberger và Baumgartner, 2016; Diamantopoulos, Sarstedt, Fuchs, Wilczynski và Kaiser, 2012), điều này có thể gây ra những vấn đề đặc biệt phụ thuộc vào bối cảnh điều tiết. Aguinis, Beaty, Boik và Pierce ( 2005) giải thích sự điều tiết thường liên quan đến độ lớn tác động giới hạn mà bất kỳ sự thiếu hụt độ nhạy thống kê nào đó sẽ khó nhận dạng được mối quan hệ có ý nghĩa. Hơn nữa, khi mô hình hóa các tác động điều tiết, mô hình đo lường của biến điều tiết được bao gồm hai lần trong mô hình - trong chính biến điều tiết cũng như trong biến tương tác. Đặc điểm này khuếch đại những hạn chế của phép đo đơn biến trong bối cảnh điều tiết. Trong bài viết này, chúng tôi chỉ tập trung vai trò điều tiết của biến liên tục1. Mô hình hoá sự tác động được trình bày ở mục tiếp theo. Mô hình nghiên cứu có tác động của biến điều tiết Trong Hình 2, thu nhập đóng vai trò là biến điều tiết (M), tác động đến mối quan hệ giữa sự hài lòng của khách hàng (Y1) và lòng trung thành của khách hàng (Y2). Tác động điều tiết (ρ3) được thể hiện bởi một mũi tên chỉ tác động ρ1, liên kết Y1 và Y2. Hơn nữa, khi có tác động điều tiết trong mô hình cấu trúc, cũng có một mối quan hệ trực tiếp (ρ2) từ biến điều tiết đến biến nội sinh. Gudergan, S. P. (2017). Advanced issues in partial least squares structural equation modeling. Sage Publications. TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 6 Hình 2: Mô hình hoá tác động điều tiết (Nguồn: Đề xuất của tác giả) Đường dẫn bổ sung này rất quan trọng (và là một sai lầm thường gặp) vì nó kiểm soát tác động trực tiếp của biến điều tiết lên biến nội sinh. Nếu tác động ρ2 được bỏ qua, tác động của M lên mối quan hệ giữa Y1 và Y2 (tức là, ρ3) sẽ bị phóng đại lên. Có thể thấy, tác động điều tiết tương tự như tác động trung gian, trong đó một biến thứ ba (biến điều tiết biến trung gian) tác động đến độ mạnh của mối quan hệ giữa hai biến tiềm ẩn. Sự khác biệt quan trọng giữa hai khái niệm này là biến điều tiết không phụ thuộc vào biến ngoại sinh. Trong khi đó, khi xem xét mô hình với biến trung gian, có một tác động trực tiếp giữa biến ngoại sinh và biến trung gian. Biểu diễn bằng công thức toán học mô hình nghiên cứu trên như sau: Y2 = (ρ1 + ρ3 • M) • Y1 + ρ2 • M Như vậy, theo Hair Jr và cộng sự (2017), ảnh hưởng của Y1 lên Y2 không chỉ phụ thuộc vào độ mạnh của tác động đơn ρ1 mà còn dựa vào tích của ρ3 và M. Để hiểu được cách thức một biến điều tiết có thể được tích hợp trong mô hình, phương trình trên được viết lại như sau: Y2 = ρ1• Y1 + ρ2 • M + ρ3• (Y1 • M) Phương trình này cho thấy rằng tác động điều tiết yêu cầu đặc điểm tác động của biến tiềm ẩn ngoại sinh (ρ1• Y1), tác động của biến điều tiết (ρ2 • M) và tích số hạng ρ3• (Y1 • M), còn được gọi là biến tương tác. Kết quả là hệ số ρ3 giải thích tác động của ρ1 thay đổi khi biến điều tiết M tăng hoặc giảm một độ lệch chuẩn. Hình 3 minh hoạ khái niệm tương tác. Hình 3: Biến tương tác trong sự điều tiết (Nguồn: đề xuất của tác giả) Có thể thấy, mô hình chứa biến tương tác như là một biến tiềm ẩn bổ sung bao hàm tích của biến tiềm ẩn ngoại sinh Y1 và biến điều tiết M. Do biến tương tác này, các nhà nghiên cứu thường đề cập đến tác động tương tác khi mô hình hóa các biến điều tiết. Tạo biến tương tác Henseler và Chin (2010); Henseler và Fassott (2010); Rigdon, Ringle và Sarstedt, (2010) đã đề xuất một số cách tiếp cận để tạo ra điều kiện tương tác. Có ba cách tiếp cận nổi bật: (1) Cách tiếp cận tích biến quan sát (product indicator approach), (2) cách tiếp cận trực giao (orthogonalizing approach), và (3) cách tiếp cận hai giai đoạn (Two – stage approach). Do các hạn chế của tiếp cận tích và tiếp cận trực giao, trong bài viết này, chúng tôi chỉ tập trung vào tiếp cận hai giai đoạn. Thu nhập (M) Sự hài lòng của KH (Y1) Lòng trung thành của KH (Y2) ρ 1 ρ 3 ρ 2 Thu nhập (M) Sự hài lòng của KH (Y1) Lòng trung thành của KH (Y2) ρ 1 ρ 3 ρ 2 Sự hài lòng KH (Y1)* Thu nhập (M) TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 7 Cách tiếp cận hai giai đoạn Cách tiếp cận hai giai đoạn như là một công cụ để chạy phân tích điều tiết khi biến ngoại sinh và/ hoặc biến điều tiết đo lường nguyên nhân. Cụ thể, hai giai đoạn này diễn ra như sau: Giai đoạn 1: Mô hình tác động chính (mô hình không có biến tương tác) được ước lượng để có được điểm số của các biến tiềm ẩn. Chúng được lưu lại để phân tích thêm ở giai đoạn thứ hai. Giai đoạn 2: Các điểm số biến tiềm ẩn của biến tiềm ẩn ngoại sinh và biến điều tiết từ Giai đoạn 1 được nhân lên để tạo ra một đo lường đơn biến dùng để đo biến tương tác. Tất cả các biến tiềm ẩn khác được biểu diễn bằng các biến đơn của điểm số biến tiềm ẩn của chúng từ Giai đoạn 1. Hình 4 minh họa cách tiếp cận hai giai đoạn cho mô hình nghiên cứu trước đây, nhưng 2 biến quan sát nguyên nhân được sử dụng trong Giai đoạn 1 để đo lường biến điều tiết (chú ý dấu mũi tên quay đầu vào khái niệm M). Mô hình tác động chính trong Giai đoạn 1 được chạy để có được điểm số biến tiềm ẩn cho Y1, Y2 và M (tức là, LVS (Y1), LVS (Y2) và LVS (M)). Giai đoạn 1: Giai đoạn 2: Hình 4: Mô hình nghiên cứu theo hướng tiếp cận 2 giai đoạn (Nguồn: Đề xuất của tác giả) Các điểm số biến tiềm ẩn của Y2 và M sau đó được nhân lại để tạo thành một biến đơn dùng để đo lường số hạng tương tác Y1• M trong Giai đoạn 2. Các biến tiềm ẩn Y1, Y2 và M được đo bằng một biến đơn của điểm số biến tiềm ẩn từ Giai đoạn 1. Điều quan trọng cần lưu ý là những hạn chế được xác định khi sử dụng các biến đơn không áp dụng trong trường hợp này, vì biến đơn thể hiện các điểm số biến tiềm ẩn được lấy từ phép đo đa biến trong Giai đoạn 1. Cách tạo Biến tương tác trong tiếp cận hai giai đoạn Hình 5 tóm tắt kết quả của Henseler và Chin (2010), có tính đến các khác biệt về khái niệm giữa các cách tiếp cận đã được trình bày ở phần trước. Đầu tiên, cách tiếp cận tích biến quan sát hay cách tiếp cận trực giao không thể áp dụng được khi biến ngoại sinh và/ hoặc biến điều tiết có mô hình đo lường nguyên nhân. Vì vậy, khi có đo lường nguyên nhân, phải sử dụng cách tiếp cận hai giai đoạn. M Y1 Y2 m1 m2 X1 X2 X3 X4 P2 P1 TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 8 Nếu biến ngoại sinh và biến điều tiết đo lường kết quả, việc lựa chọn phương pháp tiếp theo phụ thuộc vào mục tiêu nghiên cứu. Khi mục tiêu là xác định xem biến điều tiết có ảnh hưởng đáng kể đến mối quan hệ hay không thì cách tiếp cận hai giai đoạn được ưa thích hơn. Cách tiếp cận này mang lại độ nhạy thống kê cao so với cách tiếp cận trực giao và đặc biệt là cách tiếp cận tích biến quan sát. Tuy nhiên, khi mối quan tâm chı́nh là giảm thieểu sự sai chệch ước lượng, cách tieếp cận trực giao nên được lựa chọn vı̀ nó thực hiện toế t nhaế t veề độ chıńh xác điểm. Tương tự như vậy, khi mục đích là để tối đa hóa dự báo về biến nội sinh, các nhà nghiên cứu nên áp dụng cách tiếp cận trực giao vì cách tiếp cận này mang lại độ chính xác dự báo cao. Hình 5: Hướng dẫn tạo biến tương tác (Nguồn: Tổng hợp của tác giả) Kiểm tra kiểu mô hình đo lường của khái niệm điều tiết và khái niệm ngoại sinh Khái niệm điều tiết/ngoại sinh là KN nguyên nhân Khái niệm điều tiết/ngoại sinh là KN kết quả Tiếp cận hai giai đoạn Xác định mục đích của phân tích Khám phá mức ý nghĩa của tác động điều tiết Tối thiểu sai lệch ước lượng của tác động điều tiết Tối đa sự dự báo Tiếp cận hai giai đoạn Tiếp cận trực giao Tiếp cận trực giao TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 9 Đánh giá mô hình đo lường Khi đánh giá mô hình đo lường kết quả, biến điều tiết phải đáp ứng tiêu chuẩn có liên quan về nhất quán độ tin cậy bên trong, giá trị hội tụ, và giá trị phân biệt. Tương tự, tất cả tiêu chuẩn mô hình đo lường nguyên nhân cũng áp dụng toàn bộ cho biến điều tiết. Tuy nhiên, biến tương tác không có yêu cầu như vậy. Những tiêu chuẩn để đánh giá mô hình cấu trúc rất quan trọng. Trong trường hợp tác động tương tác, giá trị f2 chỉ ra mức độ đóng góp của biến điều tiết là bao nhiêu trong việc giải thích biến tiềm ẩn ngoại sinh. Hướng dẫn chung cho đánh giá f2 chỉ ra rằng các giá trị 0.02, 0.15 và 0.35 đại diện cho tác động tương ứng nhỏ, trung bình và lớn (Cohen, 1988). Tuy nhiên, Aguinis và cộng sự (2005) chỉ ra tác động trung bình trong kiểm định của biến điều tiết chỉ là 0.009. Ngược lại, Kenny (2016)2 không chỉ đề xuất 0.005, 0.01, và 0.025 tương ứng tác động nhỏ, trung bình và lớn, mà còn chỉ ra rằng những giá trị này là lạc quan so với tổng kết của Aguinis và cộng sự (2005). Diễn giải các kết quả Khi diễn giải kết quả của phân tích biến điều tiết, lợi ích đầu tiên đó là ý nghĩa của biến tương tác. Nếu tác động của biến tương tác vào các khái niệm nội sinh có ý nghĩa thống kê, kết luận rằng biến điều tiết M có sự điều tiết một cách có ý nghĩa lên mối quan hệ giữa Y1 và Y2. Quy trình bootstrapping tạo điều kiện cho đánh giá này. Trong trường hợp biến điều tiết có ý nghĩa, bước tiếp theo xác định độ mạnh 2 của tác động điều tiết, việc phân tích phụ thuộc vào cách biến tương tác được tạo ra. Tác động giữa Y1 và Y2 (ρ1) khác với mô hình có và không có biến điều tiết khi sử dụng tiếp cận tích biến quan sát và tiếp cận 2 giai đoạn. Nhà nghiên cứu cần lưu ý điều này. Nếu một nhà nghiên cứu quan tâm đến ý nghĩa kiểm định của tác động chính ρ1 giữa Y1 và Y2, phân tích PLS-SEM nên thực hiện ban đầu với không có biến điều tiết. Sau đó, phân tích mô hình nên theo phân tích bổ sung cho mối quan hệ điều tiết cụ thể. Vấn đề này quan trọng bởi vì tác động trực tiếp trở thành tác động đơn trong mô hình biến điều tiết, điều này sẽ dẫn đến sự khác biệt trong giá trị ước lượng của nó, ý nghĩa của nó, và cách diễn giải. Tác động đơn đại diện cho mối quan hệ giữa một biến ngoại sinh và một biến tiềm ẩn nội sinh khi giá trị biến điều tiết ngang bằng với giá trị trung bình của nó (sự chuẩn hóa đã được áp dụng). Vì thế, diễn giải kết quả tác động đơn của mô hình biến điều tiết như thể nó là tác động trực tiếp (vd, giả thuyết kiểm định mối quan hệ có ý nghĩa ρ1 giữa Y1 và Y2) có thể dẫn đến kết luận sai và không chính xác (Henseler và Fassott, 2010). Việc minh họa kết quả bằng đồ họa giúp hiểu biết thấu đáo hơn và rút ra kết luận chặt chẽ hơn. Cách thông thường nhất để minh họa kết quả của phân tích biến điều tiết là bằng đồ thị đường dốc. Trong ví dụ tương tác 2 chiều (Hình 6) giả sử rằng mối quan hệ giữa Y1 và Y2 có giá trị 0.50, mối quan hệ giữa M và Y2 có giá trị 0.10, giới hạn tương tác (Y1 x M) là 0.25 TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 10 quan hệ với Y2. Hình 6 chỉ ra đường dốc cho một thiết lập như vậy, ở đó trục-x đại diện cho các khái niệm ngoại sinh (Y1) và trục-y cho các khái niệm nội sinh (Y2). Hai đường trong Hình 6 đại diện cho mối quan hệ giữa Y1 và Y2 cho mức thấp và cao của khái niệm M. Thông thường, mức thấp của M là 1 đơn vị độ lệch chuẩn bên dưới giá trị trung bình của nó (đường thẳng trong Hình 6) trong khi mức cao của M là 1 đơn vị độ lệch chuẩn bên trên giá trị trung bình của nó (đường thẳng đứt đoạn trong Hình 6). Bởi vì tác động điều tiết dương được biểu diễn 0.25 mối quan hệ giữa điều kiện tương tác và khái niệm nội sinh, độ dốc của đường thẳng có mức độ điều tiết cao sẽ dốc hơn. Có nghĩa là, mối quan hệ giữa Y1 và Y2 trở nên mạnh hơn với mức cao của M. Với mức thấp của M, độ dốc sẽ phẳng hơn trong Hình 6. Vì thế, với mức thấp của khái niệm biến điều tiết M, mối quan hệ giữa Y1 và Y2 trở nên yếu hơn. Hình 6: Sơ đồ hoá mức độ tác động khi có biến điều tiết M (Nguồn: Đề xuất của tác giả) Tình huống minh hoạ: Hành vi đổi mới sáng tạo của nhân viên Để minh hoạ cho mô hình nghiên cứu có biến điều tiết. Chúng tôi đề xuất mô hình nghiên cứu như Hình 7 bên dưới. TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 11 Hình 7: Mô hình nghiên cứu đề xuất - hành vi đổi mới sáng tạo của nhân viên trong công việc (Nguồn: Đề xuất của tác giả) Trong mô hình nghiên cứu đề xuất trên, chúng tôi tập trung vào mối quan hệ giữa JP (hiệu quả công việc) và IWB (hành vi đổi mới sáng tạo của nhân viên). Giả thuyết đặt ra là nhân viên càng đánh giá hiệu quả công việc của họ càng cao thì hành vi đổi mới sáng tạo của họ càng tăng lên. Liệu mối quan hệ này thay đổi như thế nào khi có sự hiện diện của hành vi lướt mạng trong khi làm việc (cyberloafing) là câu hỏi nghiên cứu đáng quan tâm. Vì hành vi lướt mạng là hành động mang tính tiêu cực, nhân viên không tập trung vào làm việc mà họ sử dụng thời gian làm việc để chat chit, vào facebook, gửi tin nhắn Do đó, suy diễn ở đây là hành vi làm việc riêng qua mạng càng cao thì mối quan hệ giữa hiệu quả công việc và hành vi đổi mới sáng tạo càng giảm. Để kiểm định được tác động này (giả thuyết H8(-) như trong Hình 7), biến trung gian hành vi lướt mạng được đưa vào mô hình và mũi tên của nó chỉ trực tiếp vào khái niệm nội sinh IWB. Sau đó, kỹ thuật tạo biến tương tác 2 giai đoạn của Smart PLS 3 góp phần tạo ra biến tương tác Moderating effect JP*Cyberloafing minh hoạ trên Hình 7. Kết quả nghiên cứu sau khi bootstrapping 5000 mẫu được thể hiện trong Hình 8 sau: TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 12 Hình 8: Kết quả kiểm định mô hình nghiên cứu đề xuất (Nguồn: Tổng hợp của tác giả) Trong Hình 8, chúng ta chú ý đến biến tương tác Moderating effect JP*Cyberloafing và sự tác động của nó lên mối quan hệ giữa JP – IWB. Hình 9 cho kết quả biến tương tác Moderating effect JP*Cyberloafing và sự tác động của nó lên mối quan hệ giữa JP – IWB là – 0.032 và không có ý nghĩa thống kê (p > 0.05). Chúng ta có thể kết luận, giả thuyết H8 không được chấp nhận trong tình huống này. Có nghĩa là, mối quan hệ giữa hiệu quả công việc và hành vi đổi mới sáng tạo không thay đổi trong trường hợp có sự hiện diện của cyberloafing với vai trò điều tiết. Hình 9: Kết quả hồi quy đa biến sau khi bootstrapping 5000 mẫu (Nguồn: Tổng hợp của tác giả) TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 13 Để minh hoạ, chúng tôi giả sử kết quả biến tương tác Moderating effect JP*Cyberloafing và sự tác động của nó lên mối quan hệ giữa JP – IWB là – 0.032 và có ý nghĩa thống kê (p < 0.05). Trong tình huống giả sử này, nhà nghiên cứu sẽ đọc và diễn giải kết quả nghiên cứu căn cứ trên Hình 10 như sau: Hình 10: Biểu đồ minh hoạ độ dốc khi có biến điều tiết (Nguồn: Đề xuất của tác giả) Biến tương tác có tác động nghịch chiều lên IWB (-0.032). Tác động giữa JP  IWB là (0.250). Điều này có nghĩa là mối quan hệ giữa JP và IWB là 0.250 cho mức độ cyberloafing trung bình. Khi cyberloafing tăng lên 1 độ lệch chuẩn thì mối quan hệ JP  IWB giảm xuống 1 khoảng (0.250 – 0.032 = 0.218). Ngược lại, khi cyberloafing giảm xuống 1 độ lệch chuẩn thì mối quan hệ JP  IWB trở thành (0.250 + 0.032 = 0.282). Hình 10 cho thấy hành vi đổi mới sáng tạo – IWB được thể hiện ở trục tung (Y) và hiệu quả làm việc JP được thể hiện ở trục X. Đường màu xanh chính giữa thể hiện mối quan hệ cho một mức độ điều tiết trung bình của cyberloafing. Hai đường còn lại minh hoạ mối quan hệ JP  IWB ở mức độ cao (giá trị trung bình của cyberloafing cộng thêm 1 độ lệch chuẩn) và mức độ thấp hơn (giá trị trung bình của cyberloafing trừ bớt đi 1 độ lệch chuẩn). Độ dốc dương của cả 3 đường thẳng cho thấy một tác động dương: Đánh giá hiệu quả công việc càng cao thì hành vi đổi mới sáng tạo càng cao. Có thể kết luận mức độ cyberloafing càng cao kéo theo mối quan hệ JP  IWB càng yếu và mức độ cyberloafing càng yếu dẫn đến mối quan hệ mạnh hơn giữa JP  IWB. Cuối cùng, nhìn vào Hình 11 - kết quả tác động f2 và xem xét giá trị của nó. Giá trị f2 = 0.001 cho thấy một ảnh hưởng nhỏ của biến tương tác. Kết quả này hợp lý vì trong tình huống này, chúng tôi đang giả sử rằng tác động của biến tương tác lên mối quan hệ là có ý nghĩa thống kê. TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 14 Hình 11: Kết quả tác động f2 (Nguồn: Tổng hợp của tác giả) 3. Kết luận Để đánh giá chính xác sự tác động của biến điều tiết, nhà nghiên cứu cần hiểu rõ bản chất của biến điều tiết. Công trình của Hair Jr và cộng sự (2017) giúp nhà nghiên cứu có một nền tảng lý thuyết chặt chẽ để phân tích và đánh giá. Biến tương tác được tạo ra một cách tự động với Smart PLS 3 khi nhà nghiên cứu thực hiện theo các hướng tiếp cận tích biến quan sát, trực giao và hai giai đoạn. Hướng tiếp cận hai giai đoạn được các nhà nghiên cứu khuyến khích sử dụng khi mục tiêu nghiên cứu là đánh giá mức độ tác động lên một mối quan hệ của biến điều tiết hoặc biến điều tiết là biến đo lường phản ánh nguyên nhân. Phân tích vai trò điều tiết là một kỹ thuật tiên tiến nâng cao, phức tạp về mặt thuật toán. Nhưng hiểu và vận dụng được điều này sẽ phát hiện ra những mối quan hệ rất thú vị và ý nghĩa trong nghiên cứu quản trị kinh doanh. 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. Altinay, L., Dai, Y. De, Chang, J., Lee, C. H., Zhuang, W. L., & Liu, Y. C. (2019). How to facilitate hotel employees’ work engagement: The roles of leader- member exchange, role overload and job security. International Journal of Contemporary Hospitality Management. Clayton, B. C. (2015). Shared vision and autonomous motivation vs. financial incentives driving success in corporate acquisitions. Frontiers in Psychology, 6(JAN), 1–19. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences. De Witte, H. (2012). Job insecurity: Review of the international literature on definitions, prevalence, antecedents and consequences. SA Journal of Industrial Psychology, 31(4). TẠP CHÍ KHOA HỌC YERSIN – CHUYÊN ĐỀ QUẢN LÝ KINH TẾ Tập 05 (8/2019) 15 Diamantopoulos, A., Sarstedt, M., Fuchs, C., Wilczynski, P., & Kaiser, S. (2012). Guidelines for choosing between multi- item and single-item scales for construct measurement: A predictive validity perspective. Journal of the Academy of Marketing Science, 40(3), 434–449. Hair Jr, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM) (2nd ed.). Thousand Oaks, CA: SAGE Publications, Inc. Henseler, J., & Chin, W. W. (2010). A comparison of approaches for the analysis of interaction effects between latent variables using partial least squares path modeling. Structural Equation Modeling, 17(1), 82–109. Henseler, J., & Fassott, G. (2010). Testing Moderating Effects in PLS Path Models: An Illustration of Available Procedures. In E. V. V., C. W., H. J., & W. H. (Eds.), Handbook of Partial Least Squares (pp. 713–735). Koay, K. Y. (2018). Workplace ostracism and cyberloafing: a moderated– mediation model. Internet Research, 28(4), 1122–1141. Lee, S., & Kim, D. Y. (2018). Brand personality of Airbnb: application of user involvement and gender differences. Journal of Travel and Tourism Marketing, 35(1), 32–45. Mohamed, F., Hassan, A., & Spencer, B. (2011). Conceptualization and measurement of perceived risk of online education. Academy of Educational Leadership Journal, 15(4), 1–16. Noddings, N. (2012). Cosmopolitismo, patriotismo y ecología Cosmopolitanism, Patriotism, and Ecology Le Cosmopolitisme, le patriotisme, et l’écologie. 13, 15–26. Rigdon, E. E., Ringle, C. M., & Sarstedt, M. (2010). Structural modeling of heterogeneous data with partial least squares. Review of Marketing Research, 7, 255–296. Sarstedt, M., Diamantopoulos, A., Salzberger, T., & Baumgartner, P. (2016). Selecting single items to measure doubly concrete constructs: A cautionary tale. Journal of Business Research, 69(8), 3159–3167. Svensson, G., Ferro, C., Høgevold, N., Padin, C., Carlos Sosa Varela, J., & Sarstedt, M. (2018). Framing the triple bottom line approach: Direct and mediation effects between economic, social and environmental elements. Journal of Cleaner Production, 197, 972–991. Thiruvattal, E. (2017). Impact of value co- creation on logistics customers’ loyalty. Journal of Global Operations and Strategic Sourcing, 10(3), 334–361. Van Lange, P. a M., Joireman, J., Parks, C. D., & Van Dijk, E. (2013). The psychology of social dilemmas: A review. Organizational Behavior and Human Decision Processes, 120(2), 125–141.