Tag Archives: Stata

Cách viết chương 4 luận văn dữ liệu bảng bằng Stata: từ FE, RE đến FGLS

Stata, , , , , , , , ,

Với luận văn dùng dữ liệu bảng, chương 4 không chỉ là đọc một bảng hồi quy. Hội đồng muốn thấy chuỗi lập luận chọn mô hình: vì sao chọn FE thay vì RE, mô hình có khuyết tật gì, và bạn khắc phục ra sao. Bài này hướng dẫn viết chương 4 theo đúng thứ tự đó, kèm lệnh Stata, cách xuất bảng và mẫu câu diễn giải.

Quy trình 8 bước của chương 4 (dữ liệu bảng)

  1. Thống kê mô tả và ma trận tương quan
  2. Chạy mô hình Pooled OLS, Fixed Effects (FE), Random Effects (RE)
  3. Lựa chọn mô hình: kiểm định F, Breusch-Pagan LM, Hausman
  4. Kiểm tra đa cộng tuyến
  5. Kiểm tra phương sai sai số thay đổi
  6. Kiểm tra tự tương quan
  7. Khắc phục bằng FGLS (hoặc sai số chuẩn vững)
  8. Bảng kết quả cuối cùng, diễn giải và thảo luận

Trong bài, ví dụ dùng biến phụ thuộc roa, các biến độc lập size, lev, growth, biến định danh doanh nghiệp id và biến thời gian year. Bạn thay bằng biến của mình.

Bước 1. Thống kê mô tả và ma trận tương quan

Khai báo dữ liệu bảng trước khi làm bất cứ thứ gì:

xtset id year

. xtset id year

Panel variable: id (strongly balanced)
 Time variable: year, 2015 to 2024
         Delta: 1 unit

Xuất bảng thống kê mô tả:

ssc install estout, replace

estpost tabstat roa size lev growth, statistics(count mean sd min max) columns(statistics)

esttab using thongke.rtf, cells("count mean(fmt(3)) sd(fmt(3)) min(fmt(3)) max(fmt(3))") noobs nomtitle nonumber replace

Với dữ liệu bảng, có thể dùng thêm lệnh xtsum để tách độ biến thiên giữa các đơn vị (between) và theo thời gian (within):

xtsum roa size lev growth

Ma trận tương quan:

pwcorr roa size lev growth, star(0.05) sig

Cách diễn giải: nêu giá trị trung bình, độ phân tán, giá trị min/max bất thường, số quan sát và số đơn vị (N, T). Với tương quan, chỉ ra chiều và độ mạnh sơ bộ, nhắc rằng tương quan chưa phải nhân quả.

Mẫu câu: "Bảng 4.1 cho thấy mẫu gồm 1.200 quan sát của 120 doanh nghiệp trong giai đoạn 2015–2024. ROA có giá trị trung bình 0,062, độ lệch chuẩn 0,048, giá trị nhỏ nhất -0,15 và lớn nhất 0,31, cho thấy hiệu quả hoạt động chênh lệch đáng kể giữa các doanh nghiệp."

Nếu gặp lỗi unbalanced khi xtset, xem bài Dữ liệu bảng bị lỗi unbalanced panel khi dùng lệnh xtset.

Bước 2. Chạy mô hình Pooled OLS, FE và RE

Chạy ba mô hình và lưu kết quả để so sánh:

regress roa size lev growth

estimates store pooled

xtreg roa size lev growth, fe

estimates store fe

xtreg roa size lev growth, re

estimates store re

Ở bước này chưa vội diễn giải hệ số. Việc cần làm là cho hội đồng thấy bạn đã ước lượng cả ba mô hình và sẽ chọn mô hình phù hợp ở bước 3. Xem thêm bài Mô hình tác động cố định Fixed effects và các kiểm định liên quan và Mô hình tác động ngẫu nhiên Random Effects và cách chạy trong Stata.

Bước 3. Lựa chọn mô hình: F test, Breusch-Pagan LM, Hausman

Quy trình chọn mô hình gồm ba kiểm định:

Kiểm định

So sánh

Lệnh

H0

F test (cuối bảng xtreg, fe)

FE và Pooled OLS

Tự xuất hiện khi chạy xtreg, fe

Các hiệu ứng đơn vị đều bằng 0 (Pooled phù hợp)

Breusch-Pagan LM

RE và Pooled OLS

xttest0 (chạy ngay sau xtreg, re)

Phương sai hiệu ứng đơn vị bằng 0 (Pooled phù hợp)

Hausman

FE và RE

hausman fe re

RE phù hợp (không có tương quan giữa hiệu ứng riêng và biến giải thích)

xtreg roa size lev growth, re

xttest0

hausman fe re

Nếu Hausman cho chi2 âm, xem bài Xử lý lỗi chi2 nhỏ hơn 0 khi kiểm định Hausman. Cách dùng chi tiết có trong bài Cách chạy kiểm định Hausman để lựa chọn giữa mô hình FE và RE.

Mẫu câu: "Kiểm định F ở cuối bảng ước lượng FE có Prob > F = 0,000 < 0,05, bác bỏ H0, do đó FE phù hợp hơn Pooled OLS. Kiểm định Breusch-Pagan LM cho Prob > chibar2 = 0,000 < 0,05, do đó RE phù hợp hơn Pooled OLS. Kiểm định Hausman cho Prob > chi2 = 0,003 < 0,05, bác bỏ H0, vì vậy mô hình tác động cố định (FE) được lựa chọn."

Bước 4. Kiểm tra đa cộng tuyến

Lệnh estat vif chỉ chạy sau regress, nên ta chạy hồi quy OLS thông thường chỉ để tính VIF (đa cộng tuyến là tính chất của các biến độc lập, không phụ thuộc vào FE hay RE):

regress roa size lev growth

estat vif

Quy ước thường dùng: VIF < 10 là chấp nhận được, chặt hơn là VIF < 5. Xem bài Đa cộng tuyến trong Stata: cách dùng lệnh vif.

Mẫu câu: "Bảng 4.4 cho thấy hệ số VIF của các biến đều nhỏ hơn 2 (VIF trung bình là 1,35), thấp hơn ngưỡng 10, do đó mô hình không có hiện tượng đa cộng tuyến nghiêm trọng." 

Bước 5. Kiểm tra phương sai sai số thay đổi

Với mô hình FE, dùng kiểm định Modified Wald (cần cài lệnh xttest3):

ssc install xttest3

xtreg roa size lev growth, fe

xttest3

H0: phương sai sai số không đổi giữa các đơn vị. Xem thêm bài Cách cài đặt lệnh xttest3 và Phương sai của sai số thay đổi: định nghĩa, cách phát hiện, cách khắc phục.

Mẫu câu: "Kiểm định Modified Wald có Prob > chi2 = 0,000 < 0,05, bác bỏ H0, cho thấy mô hình FE có hiện tượng phương sai sai số thay đổi."

Bước 6. Kiểm tra tự tương quan

Dùng kiểm định Wooldridge (cần cài lệnh xtserial):

ssc install xtserial

xtserial roa size lev growth

H0: không có tự tương quan bậc 1. Xem thêm bài Cách cài đặt lệnh xtserial và Kiểm định tự tương quan, tương quan chuỗi trong Stata.

Mẫu câu: "Kiểm định Wooldridge có Prob > F = 0,001 < 0,05, bác bỏ H0, cho thấy mô hình có hiện tượng tự tương quan bậc 1."

 Bước 7. Khắc phục bằng FGLS

Khi mô hình đồng thời có phương sai thay đổi và tự tương quan, ước lượng FE/RE thông thường cho sai số chuẩn không đáng tin. Hai hướng xử lý phổ biến:

Hướng 1: FGLS

xtgls roa size lev growth, panels(hetero) corr(ar1)

estimates store fgls

  • panels(hetero): cho phép phương sai khác nhau giữa các đơn vị
  • corr(ar1): xử lý tự tương quan bậc 1

Hướng 2: giữ FE nhưng dùng sai số chuẩn vững theo cụm

xtreg roa size lev growth, fe vce(cluster id)

estimates store fe_robust

Hai lưu ý quan trọng khi dùng FGLS: (1) tùy chọn panels(correlated) chỉ dùng được khi số kỳ T lớn hơn số đơn vị N, (2) xtgls không tự khử hiệu ứng cố định như xtreg, fe. Chi tiết xem các bài FGLS trong Stata: Giải pháp cho phương sai sai số thay đổi và tự tương quan, So sánh OLS, GLS và FGLS và Khi nào KHÔNG được dùng FGLS trong Stata. Nếu bạn không chắc FGLS phù hợp, dùng vce(cluster id) là lựa chọn an toàn hơn cho mẫu có N lớn, T nhỏ.

Mẫu câu: "Do mô hình FE đồng thời vi phạm giả định về phương sai sai số không đổi và không tự tương quan, nghiên cứu sử dụng phương pháp bình phương tối thiểu tổng quát khả thi (FGLS) để khắc phục. Kết quả FGLS được sử dụng để kiểm định các giả thuyết nghiên cứu."

Bước 8. Bảng kết quả cuối cùng và diễn giải

Đặt các mô hình cạnh nhau để hội đồng dễ so sánh và thấy kết quả bền vững:

esttab pooled fe re fgls  , b(3) se(3) star(* 0.10 ** 0.05 *** 0.01) stats(N r2) mtitles("Pooled OLS" "FE" "RE" "FGLS") replace

Lưu ý: xtgls không xuất R-squared, ô này sẽ để trống, bạn ghi chú dưới bảng. Xem thêm bài Lệnh esttab.

 

5 điều cần nêu khi diễn giải mô hình cuối (FGLS)

  1. Chất lượng mô hình: Wald chi2 và p-value (mô hình có ý nghĩa tổng thể)
  2. Dấu của hệ số: cùng chiều hay ngược chiều giả thuyết
  3. Ý nghĩa thống kê: p-value hoặc số dấu sao
  4. Độ lớn tác động: "khi X tăng 1 đơn vị thì Y thay đổi b đơn vị, các yếu tố khác không đổi"
  5. Kết luận giả thuyết: ủng hộ hay không ủng hộ

Mẫu câu (biến có ý nghĩa): "Kết quả FGLS ở Bảng 4.7 cho thấy SIZE có hệ số 0,014 và có ý nghĩa thống kê ở mức 1% (p < 0,01). Khi quy mô doanh nghiệp tăng 1 đơn vị, ROA tăng trung bình 0,014 đơn vị, các yếu tố khác không đổi. Giả thuyết H1 được ủng hộ."

Mẫu câu (biến không có ý nghĩa): "Biến GROWTH có p-value = 0,27 > 0,05, do đó chưa đủ bằng chứng thống kê để kết luận biến này tác động đến ROA. Giả thuyết H3 không được ủng hộ."

Nên dùng cụm "chưa đủ bằng chứng thống kê" thay vì khẳng định "không có tác động". Nên nhắc thêm rằng kết quả FE với sai số vững và FGLS cùng dấu, cùng mức ý nghĩa (nếu đúng như vậy), vì đó là bằng chứng kết quả bền vững.

Thảo luận kết quả

Với mỗi biến chính, viết đủ ba ý: (1) kết quả của bạn, (2) so sánh với nghiên cứu trước, có trích dẫn tác giả cụ thể, (3) giải thích theo lý thuyết nền hoặc bối cảnh (ngành, quốc gia, giai đoạn).

Mẫu câu khi kết quả khác nghiên cứu trước: "Kết quả này trái với phát hiện của Nguyen (2019), có thể do khác biệt về giai đoạn nghiên cứu và đặc thù ngành trong mẫu của luận văn."

Lỗi thường gặp trong chương 4 dữ liệu bảng

  • Chỉ trình bày một mô hình mà không nói vì sao chọn FE/RE (thiếu F test, LM, Hausman)
  • Phát hiện khuyết tật nhưng không khắc phục, vẫn diễn giải kết quả FE gốc
  • Chạy FGLS mà không nêu lý do hoặc dùng panels(correlated) khi T nhỏ hơn N
  • Dán nguyên output Stata thay vì trình bày lại thành bảng có số thứ tự, tiêu đề, nguồn
  • Chỉ đọc số mà không diễn giải ý nghĩa kinh tế, quản trị
  • Kết luận không khớp giả thuyết nhưng không giải thích
  • Làm tròn số không đồng nhất giữa các bảng

Checklist trước khi nộp

☐  Có ghi rõ N (số đơn vị), T (số kỳ), tổng số quan sát, dữ liệu cân bằng hay không cân bằng

☐  Có F test, LM test, Hausman trước khi chọn mô hình

☐  Có kiểm định đa cộng tuyến, phương sai thay đổi, tự tương quan, kèm H0 và p-value

☐  Nêu rõ cách khắc phục (FGLS hoặc sai số chuẩn vững) và lý do chọn

☐  Mỗi bảng có số thứ tự, tiêu đề, nguồn và đoạn nhận xét bên dưới

☐  Kết luận từng giả thuyết rõ ràng, có so sánh với ít nhất 2 nghiên cứu trước

☐  Số liệu trong bài khớp với bảng và file Stata gốc

Nếu bạn cần hỗ trợ xử lý số liệu, chạy hồi quy hoặc kiểm định trên Stata cho luận văn, liên hệ thạc sĩ Khánh và nhóm hỗ trợ Stata qua Zalo 0903396688 hoặc email hotrostata@gmail.com.

Số liệu như thế nào là đẹp trong Stata?

Stata, , , , ,

1. Thế nào là một kết quả hồi quy "đẹp"?

Khi chạy hồi quy trong Stata, ta thường lo lắng khi nhìn vào bảng kết quả và thấy "không giống trong sách" hay "khác với các nghiên cứu trước". Vậy một kết quả hồi quy được xem là "đẹp" cần đáp ứng những tiêu chí nào?

  • P-value của biến độc lập quan trọng < 5% (hoặc ít nhất < 10% với một số ngành khoa học xã hội): cho thấy biến đó có ý nghĩa thống kê trong việc giải thích biến phụ thuộc.

  • R² hoặc R² hiệu chỉnh ở mức chấp nhận được: mức "chấp nhận được" phụ thuộc vào loại dữ liệu. Với dữ liệu chuỗi thời gian hoặc dữ liệu bảng vĩ mô, R² có thể trên 0.7–0.8. Nhưng với dữ liệu chéo (cross-section) quy mô lớn, đặc biệt trong các nghiên cứu hành vi, khảo sát cá nhân, R² chỉ 0.2–0.3 vẫn hoàn toàn bình thường và được chấp nhận trong các tạp chí uy tín.
  • Dấu hệ số hồi quy đúng với kỳ vọng lý thuyết: ví dụ biến "trình độ học vấn" được kỳ vọng có tác động dương đến "thu nhập" — nếu hệ số ra âm, cần xem lại mô hình hoặc dữ liệu.
  • Không bị đa cộng tuyến nghiêm trọng (VIF < 10, tốt nhất < 5).
  • Không có phương sai sai số thay đổi hoặc tự tương quan chưa được xử lý — nếu có, cần dùng các phương pháp ước lượng phù hợp (robust standard errors, FGLS, GLS…).

Nói cách khác, "đẹp" không có nghĩa là mọi biến đều phải có p<5%, mà là kết quả phản ánh đúng bản chất dữ liệu và được ước lượng bằng phương pháp phù hợp.

2. Vì sao kết quả hồi quy bị "xấu"? 4 nhóm nguyên nhân thường gặp

Nguyên nhân 1: Mô hình chưa đúng dạng hàm

Đây là nguyên nhân phổ biến nhất nhưng lại ít được để ý. Các lỗi thường gặp:

  • Thiếu biến độc lập quan trọng (omitted variable bias), khiến mô hình không giải thích được nhiều biến động của biến phụ thuộc.
  • Sai dạng hàm: dùng dạng tuyến tính trong khi mối quan hệ thực tế là phi tuyến (cần lấy log, bình phương, hoặc thêm biến tương tác).
  • Đưa vào biến không liên quan về mặt lý thuyết, làm nhiễu mô hình.

Nguyên nhân 2: Đa cộng tuyến giữa các biến độc lập

Khi hai hay nhiều biến độc lập có tương quan cao với nhau, mô hình khó tách bạch được tác động riêng của từng biến, dẫn đến hệ số không ổn định, sai số chuẩn bị phóng đại, và p-value không có ý nghĩa dù về lý thuyết biến đó quan trọng.

Nguyên nhân 3: Cỡ mẫu nhỏ hoặc dữ liệu không đại diện

Cỡ mẫu quá nhỏ so với số biến độc lập sẽ làm giảm sức mạnh thống kê (statistical power), khiến ngay cả những tác động thực sự tồn tại cũng khó đạt được ý nghĩa thống kê ở mức p<5%.

Nguyên nhân 4: Phương sai sai số thay đổi và tự tương quan chưa xử lý

Với dữ liệu chéo, phương sai sai số thay đổi (heteroskedasticity) là hiện tượng rất phổ biến. Với dữ liệu bảng và chuỗi thời gian, tự tương quan (autocorrelation) cũng thường xảy ra. Nếu không phát hiện và xử lý, sai số chuẩn bị ước lượng sai, kéo theo p-value không đáng tin cậy.

3. Cách chẩn đoán trong Stata

Trước khi tìm cách "sửa" kết quả, cần chẩn đoán chính xác vấn đề đang gặp phải bằng các lệnh sau (sau khi chạy reg hoặc xtreg):

  • Kiểm tra đa cộng tuyến: vif
  • Kiểm tra phương sai sai số thay đổi: estat hettest hoặc lệnh kiểm định White/Breusch-Pagan
  • Kiểm tra tự tương quan với dữ liệu bảng: xtserial
  • Đọc R², R² hiệu chỉnh và p-value ngay trong bảng kết quả sau reg/xtreg

(Bạn có thể xem chi tiết cách thực hiện từng kiểm định này trong các bài viết chuyên sâu khác trên trang.)

4. Cách khắc phục đúng phương pháp

  • Loại biến gây đa cộng tuyến dựa trên cơ sở lý thuyết, không phải chọn ngẫu nhiên biến nào cho hệ số đẹp hơn.
  • Đổi dạng hàm (lấy log, thêm biến bậc hai) khi có căn cứ lý thuyết cho thấy mối quan hệ phi tuyến, không phải để "làm đẹp" R².
  • Sử dụng robust standard errors khi phát hiện phương sai sai số thay đổi, thay vì bỏ qua vấn đề.
  • Dùng FGLS/GLS khi có cả phương sai thay đổi và tự tương quan trong dữ liệu bảng.
  • Xem xét lại cỡ mẫu và cách thu thập dữ liệu nếu nghi ngờ mẫu không đại diện.

Trong trường hợp vẫn chưa ra được số liệu có ý nghĩa, hay liên  hệ dịch vụ xử lý số liệu của ThS Khánh 0903396688 và team để được xử lý triệt để bộ số liệu ra đẹp nhé.

 

Phân tích biến trung gian và biến điều tiết bằng Stata: Lý thuyết và thực hành chi tiết

Stata, , , , , , ,

Mediation và Moderation là gì?

Trong nghiên cứu quản trị kinh doanh, marketing hay tâm lý học, các mô hình đơn giản chỉ xét quan hệ trực tiếp giữa biến độc lập (X) và biến phụ thuộc (Y) thường không đủ để giải thích cơ chế tác động. Vì vậy, hai loại biến thường được đưa thêm vào mô hình là biến trung gian (mediator) và biến điều tiết (moderator).

Biến trung gian (Mediator – M): là biến giải thích cơ chế mà qua đó X tác động đến Y. Nói cách khác, X tác động đến M, rồi M tác động đến Y. Ví dụ: Đào tạo nhân viên (X) → Sự hài lòng công việc (M) → Hiệu suất làm việc (Y). Ở đây sự hài lòng công việc là "cầu nối" giải thích tại sao đào tạo lại giúp tăng hiệu suất.

Biến điều tiết (Moderator – W): là biến làm thay đổi cường độ hoặc chiều hướng của mối quan hệ giữa X và Y. Ví dụ: mối quan hệ giữa Đào tạo (X) và Hiệu suất (Y) có thể mạnh hơn ở nhóm nhân viên có Thâm niên (W) cao, và yếu hơn ở nhóm thâm niên thấp. Thâm niên ở đây đóng vai trò điều tiết.

Nhầm lẫn giữa hai khái niệm này là lỗi rất phổ biến khi sinh viên bảo vệ luận văn, vì vậy cần phân biệt rõ trước khi đi vào thực hành trên Stata.

Phân biệt nhanh Mediation và Moderation

Tiêu chí

Biến trung gian (Mediator)

Biến điều tiết (Moderator)

Vai trò

Giải thích "tại sao" / "bằng cách nào" X tác động Y

Giải thích "khi nào" / "với ai" thì X tác động Y mạnh/yếu hơn

Vị trí trong mô hình

Nằm giữa, chịu tác động của X và tác động lên Y

Tương tác với X, không nhất thiết bị X tác động

Kiểm định phổ biến

Sobel test, Bootstrap (Preacher & Hayes)

Biến tương tác (interaction term) X*W

Câu lệnh Stata thường dùng

sem, medsem, nlcom

regress với biến tương tác, margins, marginsplot

Cách chạy phân tích biến điều tiết (Moderation) trong Stata

Đây là kỹ thuật đơn giản hơn, phù hợp làm trước. Ý tưởng: thêm biến tương tác X*W vào mô hình hồi quy.

Bước 1: Chuẩn hóa (căn giữa) biến trước khi tạo tương tác

Để tránh đa cộng tuyến giữa biến gốc và biến tương tác, nên "căn giữa" (mean-centering) biến X và W trước:

egen x_c = std(X), mean(0) std(1)

egen w_c = std(W), mean(0) std(1)

gen xw = x_c*w_c

Lưu ý về đặt tên biến khi dùng lệnh sem: Stata mặc định coi tên biến bắt đầu bằng chữ HOA là biến tiềm ẩn (latent variable) trong cú pháp sem. Vì vậy ở các mục dùng lệnh sem và medsem bên dưới, bài viết dùng tên biến chữ thường (x, m, y). Nếu bạn muốn giữ tên biến chữ hoa như X, M, Y, hãy thêm option nocapslatent vào cuối câu lệnh sem, ví dụ: sem (M <- X) (Y <- X M), method(mlmv) nocapslatent.

Bước 2: Chạy hồi quy với biến tương tác

regress Y x_c w_c xw

Nếu hệ số của xw có ý nghĩa thống kê (p < 0.05), kết luận W có vai trò điều tiết mối quan hệ giữa X và Y.

Bảng kết quả regress có biến tương tác:

Bước 3: Vẽ đồ thị điều tiết (simple slope) để diễn giải trực quan

margins, at(x_c=(-2(1)2) w_c=(-1 0 1))

marginsplot

Đồ thị này cho thấy độ dốc của đường hồi quy X→Y thay đổi như thế nào ở các mức khác nhau của W (thấp – trung bình – cao), rất hữu ích khi trình bày trong chương 4 luận văn.

Đồ thị marginsplot:

Cách chạy phân tích biến trung gian (Mediation) trong Stata

Cách 1: Phương pháp Baron & Kenny (truyền thống, dễ hiểu)

Chạy 3 phương trình hồi quy riêng biệt:

* Bước 1: X tác động Y (chưa có M)

regress Y X

* Bước 2: X tác động M

regress M X

* Bước 3: X và M cùng tác động Y

regress Y X M

Nếu hệ số của X ở bước 3 giảm đi (so với bước 1) hoặc mất ý nghĩa thống kê, trong khi M có ý nghĩa, thì M đóng vai trò trung gian (trung gian một phần hoặc toàn phần).

Nhược điểm: phương pháp này không kiểm định trực tiếp ý nghĩa thống kê của "tác động gián tiếp" (indirect effect), nên hiện nay ít được các hội đồng chấm luận văn chấp nhận nếu dùng riêng lẻ.

Cách 2: Bootstrap với medsem hoặc sem (khuyến nghị – chuẩn hiện nay)

Đây là cách được yêu cầu phổ biến nhất trong các luận văn hiện đại vì cho khoảng tin cậy bootstrap của tác động gián tiếp, không giả định phân phối chuẩn như Sobel test.

ssc install medsem

sem (m <- x) (y <- x m), method(mlmv)
medsem, indep(x) med(m) dep(y)

Hoặc dùng bootstrap trực tiếp:

sem (M <- X) (Y <- X M), method(mlmv)

estat teffects

Kết quả estat teffects cho ra 3 chỉ số quan trọng cần báo cáo trong luận văn:

  • Direct effect: tác động trực tiếp của X lên Y (không qua M)
  • Indirect effect: tác động gián tiếp của X lên Y thông qua M (= a×b)
  • Total effect: tổng tác động = direct + indirect

 

Lưu ý khi trình bày trong luận văn

  • Luôn báo cáo hệ số hồi quy, sai số chuẩn, khoảng tin cậy bootstrap (thường 5000 lần lặp: bootstrap, reps(5000)) và p-value.
  • Với biến điều tiết, nên vẽ đồ thị simple slope để hội đồng dễ hình dung trực quan.
  • Với biến trung gian, cần phân biệt rõ "trung gian toàn phần" (full mediation – hệ số trực tiếp mất ý nghĩa) và "trung gian một phần" (partial mediation – hệ số trực tiếp vẫn có ý nghĩa nhưng giảm).