Tài liệu hướng dẫn thống kê y học sử dụng SPSS - Phân tích hiệu ứng điều phối Lê Đông Nhật Nam

Với mục tiêu thứ 1, quy trình có bản chất là 1 phân tích hồi quy đa biến, với mô hình có dạng: Trường hợp M không có hiệu ứng điều phối: Quan hệ giữa Y và X không hề thay đổi khi M biến

Phân tích hiệu ứng điều phối

Lê Đông Nhật Nam

IBM.SPSS Tài liệu hướng dẫn thống kê y học sử dụng SPSS

Lời nói đầu

Agatha Christie là một nữ văn sĩ trinh thám nổi tiếng, một trong những nhân vật thành công của bà là thám tử người Bỉ Hercules Poirot Sau vài chục tác phẩm thuật lại quãng đời chu du khắp nước Anh, khám phá những vụ án mạng bí hiểm, Agatha Christie đã kết thúc cuộc đời Hercules Poirot trong một

vụ án kì lạ Trong tác phẩm: «Thám tử rời sân khấu», Poirot phải chiến đấu chống lại một tên giết người hàng loạt với cách thức gây án độc nhất vô nhị Nhân vật M (Murder) này không trực tiếp giết ai cả, nhưng nơi nào hắn xuất hiện, ở đó chắc chắn xảy ra án mạng, vì hắn có khả năng gây tác động tâm lý lên một đối tượng A và thúc đẩy người này đi đến hành vi giết một nạn nhân B

Trong nghiên cứu khoa học, có những tình huống tương tự như câu chuyện li kỳ này, khi quan hệ giữa

2 yếu tố X và Y chịu sự chi phối của yếu tố M hoàn toàn độc lập Mục tiêu nghiên cứu đặt ra nhằm trả lời 2 câu hỏi:

(1) Phát hiện có hiệu ứng điều phối hay nói cách khác là nhận diện yếu tố điều phối M;

(2) Mô tả quy luật điều phối của M bằng cách tìm ra những cột mốc quan trọng của M và tùy vào chúng, tương quan giữa X và Y có thể mạnh hơn, yếu đi, mất hẳn, thậm chí đảo chiều

Vấn đề này có thể được trả lời bằng phân tích hiệu ứng điều phối (Moderation, Moderating effect analysis) Quy trình này có bản chất là một mô hình hồi quy tuyến tính với giá trị dự báo (outcome) = Y, chứa X, M và yếu tố tương tác giữa chúng (X*M)

Trong tài liệu này, Bs Khả Nhi sẽ hướng dẫn các bạn toàn bộ phương pháp phân tích hiệu ứng điều phối (moderating effect, moderation analysis), từ nguyên tắc, các bước thực hiện, cách diễn giải cũng như liệt kê một số tình huống giả định mà phương pháp này có thể ứng dụng

Chúc các bạn thành công

2

Quy ước trình bày

Trong tài liệu này chúng ta sẽ làm quen với 3 nhân vật

Bác sĩ Nguyễn Văn Thái

Bác sĩ Thái là một cao thủ thống kê y học trên giang hồ Anh ta sẽ xuất hiện trước mọi vấn đề khó khăn, nhằm đưa ra câu trả lời chính xác và

ôn lại cho bạn những kiến thức cơ bản cũng như chuyên sâu về lý thuyết thống kê Tuy nhiên BS Thái lại rất bận rộn nên không đủ thời gian đi vào cách thực hiện chi tiết Anh ta cũng hay trình bày lý thuyết thuần túy và sử dụng nhiều công thức toán học nên không mấy gần gũi với sinh viên và gây không ít trở ngại cho các bạn vốn dị ứng với thống

kê …

Bác sĩ Lê Ngọc Khả Nhi

Khả Nhi là một nữ bác sĩ trẻ dễ thương và sử dụng thành thạo SPSS Như tên gọi của mình, BS Nhi có tính cách hồn nhiên và ngây thơ như trẻ con, vì vậy cô ấy luôn có khuynh hướng đơn giản hóa tối đa mọi vấn đề Khả Nhi sẽ hướng dẫn các bạn sử dụng SPSS qua từng bước cụ thể, chia sẻ những mẹo vặt, thủ thuật để giúp các bạn đi đến kết quả nhanh và dễ dàng nhất

Sinh viên Trần Quốc Bảo

Bảo là sinh viên y khoa năm thứ sáu và bắt đầu làm quen với nghiên cứu khoa học Đây là một cậu sinh viên rất tò mò và luôn đặt ra nhiều câu hỏi liên quan đến thống kê Mặc dù những đế tài do Bảo thực hiện còn đơn giản, nhưng đồng hành với cậu ta, các bạn có cơ hội tích lũy cho mình nhiều kinh nghiệm trong công việc phân tích

số liệu và thiết kế nghiên cứu

Thăm dò chức năng hô hấp:

Hô hấp kí (đo dung tích sống VC) Khả năng trao đổi khí (TLCO)

Phân tích khí máu động mạch sau test đi bộ

Một bác sĩ khoa thăm dò chức năng hô hấp-tim mạch muốn khảo sát liên hệ giữa giá trị 2 yếu

tố: dung tích sống gắng sức (FVC), khả năng khuếch tán khí CO qua màng phế nang, mao mạch

(TLCO) và kết quả áp suất riêng phần Oxy máu động mạch (PaO2) sau khi bệnh nhân thực hiện

nghiệm pháp đi bộ 6 phút (6MWT) Giả thuyết của anh ta là: khả năng trao đổi khí (TLCO) có

quan hệ chặt chẽ với kết quả oxy máu động mạch (PaO2), tuy nhiên mối tương quan này còn

tùy thuộc vào yếu tố thứ 3 là dung tích phổi (FVC) Chúng ta phải trả lời cho câu hỏi nghiên cứu

này như thế nào ?

Bảo thân mến, chúng ta có thể áp dụng quy trình phân tích hiệu ứng điều phối (Moderating effect) Phương pháp này dựa trên lý thuyết về mô hình hồi quy tuyến tính đa biến nhưng không phải với mục đích quy nạp mà là diễn dịch.Mục tiêu chính là chứng minh 1 biến số M có vai trò điều phối quan hệ giữa 2 biến X và Y M có thể là biến nhị phân, liên tục, thứ hạng hay rời rạc

4

1 1.2 Phân tích hiệu ứng điều phối là gì ?

Với mục tiêu thứ 1, quy trình có bản chất là 1 phân tích hồi quy đa biến, với mô hình có dạng:

Trường hợp M không có hiệu ứng điều phối: Quan hệ

giữa Y và X không hề thay đổi khi M biến thiên Điều

này được biểu thị bằng những đường thẳng hồi quy

Phân tích hiệu ứng điều phối (Moderation, hay Moderating effect analysis) bao gồm 2 mục tiêu chính sau đây:

1 Nhận diện yếu tố điều phối M, hay nói cách khác, chứng minh M gây ra hiệu ứng điều phối có ý nghĩa đối với quan hệ giữa 2 đại lượng X và Y

2 Khảo sát quy luật điều phối: mô tả sự thay đổi về độ mạnh, hướng và ý nghĩa thống kê của quan

hệ Y/X tùy theo sự biến thiên của M Định vị những mốc giá trị M đặc biệt, giới hạn khoảng ý nghĩa của M

Phân tích tương quan

Mô hình hồi quy tuyến tính

Y = b0 + b* X + sai số

M1 M2 M3 M4

Yếu tố điều phối M

Định lượng liên tục Thứ hạng

Định lượng rời rạc Định tính nhị phân

Hiệu ứngđiều phối

Phân tích hiệu ứng điều phối

Một phương pháp trị liệu X gây ra hiệu ứng điều trị Y

Giả thuyết nghiên cứu: Một loại thuốc M có tác dụng hiệp đồng làm tăng hiệu quả điều trị của X

Yếu tố nguy cơ X góp phần gây ra một rối loạn bệnh lý Y

Giả thuyết nghiên cứu: M là một yếu tố bảo vệ, làm giảm hiệu ứng có hại của X đối với Y

Tình huống 3:

Một loại thuốc X gây ra đáp ứng điều trị Y

Giả thuyết nghiên cứu: Có thể sử dụng đồng thời 2 loại thuốc X và M mà không gây ảnh hưởng tiêu cực đối với hiệu quả điều trị (M không chi phối quan hệ giữa

X và Y)

Tổng kết

Phân tích hiệu ứng điều phối là bước mở rộng một phân tích tương quan giữa 2 biến số định lượng liên tục, hoặc mở rộng mô hình hồi quy tuyến tính đơn biến Đối tượng chính của phân tích điều phối không phải là X,Y (chắc chắn đã có tương quan ý nghĩa giữa chúng), mà là yếu tố điều phối M Vai trò của M, hiệu ứng của M khi tương tác với X mới chính là mục tiêu mà ta muốn nhắm tới

Do M có thể là biến liên tục, thứ hạng, nhị phân, nên trong thực tế nó có thể là bất cứ đại lượng, đặc tính, chủ thể nào, từ giới tính, chủng tộc cho tới độ nặng 1 căn bệnh, 1 loại thuốc, một yếu tố tự nhiên… vân vân Phương pháp này chỉ có thể bị giới hạn duy nhất bởi trí tưởng tượng và sự tò mò của nghiên cứu sinh, thậm chí không loại trừ những giả thuyết bất ngờ nhất

6

Trong trường hợp M là 1 biến nhị phân:

Khảo sát quy luật điều phối tương ứng với việc

dựng 2 mô hình hồi quy Y(X) tương ứng với mỗi

giá trị Mi, cho phép khảo sát sự biến thiên về độ

mạnh, ý nghĩa và khuynh hướng của quan hệ Y/X

tùy theo Mi

Thí dụ trong hình bên: Quan hệ giữa Y và X thay

đổi tùy theo giá trị của M là biến nhị phân : Mi=0

hay Mi=1

Khi Mi=0: Y và X có quan hệ tỉ lệ thuận song rất

yếu (không có ý nghĩa: mô hình 1)

Khi M=1: Hiệu ứng của X lên Y trở nên mạnh hơn

(mô hình 2)

Nếu M là 1 biến định tính rời rạc, cách làm cũng

tương tự

Cách làm này giống như mô hình tuyến tính tổng

quát (General linear model) trong phân tích

ANCOVA với X= hiệp biến số (covariate) và M= yếu

tố phân nhóm (Factor) Biểu đồ 2 chiều có thể

được trình bày như hình bên

Yếu tố điều phối M có thể là biến số định lượng liên tục, định tính rời rạc, thứ hạng, hoặc định tính nhị phân Tùy vào bản chất của M, mục tiêu thứ 2 sẽ có cách làm riêng

Dựa trên tình huống thí dụ trong tài liệu, có thể tạo ra những biến thể về giả thuyết nghiên cứu như sau:

Khảo sát hiệu ứng điều phối của Giới tính (biến nhị phân) hoặc Loại bệnh lý hô hấp (biến thứ hạng rời rạc) lên quan hệ giữa khả năng trao đổi khí (TLCO) và PaO2 sau test đi bộ 6 phút

1 1.4 Khi yếu tố điều phối là 1 biến thứ hạng

Trong trường hợp M là 1 biến thứ hạng, mục tiêu 2 - khảo sát

quy luật điều phối có thể thực hiện tương tự như trường hợp

biến rời rạc

Ta sẽ dựng k mô hình hồi quy Y(X,M) tương ứng với k bậc thứ

hạng của M (M1…Mk), để khảo sát sự biến thiên về độ mạnh, ý

nghĩa và khuynh hướng của quan hệ Y/X tùy theo M

Trong thí dụ này, M là 1 biến thứ hạng có 5 bậc giá trị Tương ứng với Mi =1,2,3,4,5 ta có 5 mô hình hồi quy khác nhau Bằng trực quan ta thấy:

Mi=1: Quan hệ giữa Y và X rất yếu và không có ý nghĩa thống kê Quan hệ tuyến tính của Y và X mạnh dần khi M tăng từ 2 đến 5 và đạt cực đại khi Mi=5

Dựa vào tình huống trong tài liệu này, ta có thể tạo ra giả thuyết nghiên cứu với M là biến thứ hạng như sau:

Khảo sát hiệu ứng điều phối của độ nặng hội chứng hạn chế (giảm dung tích phổi : FVC) lên quan hệ giữa TLCO và PaO2

(Chú thích: FVC có thể được chuyển dạng thành 3-5 độ nặng khác nhau khi so sánh với ngưỡng giá trị lý thuyết)

8

Trong trường hợp M là 1 biến liên tục (trường

hợp tổng quát và thường gặp nhất), khảo sát quy

luật điều phối có thể thực hiện bằng cách định vị

một số cột mốc Mi đặc biệt và dựng mô hình hồi

quy Y(X,M) tương ứng với M=Mi, để khảo sát sự

biến thiên về độ mạnh, ý nghĩa và khuynh hướng

của quan hệ Y/X tùy theo M

Có 3 cách làm:

+ Dựa vào 3 cột mốc : 𝜇𝑀, 𝜇𝑀+SD và 𝜇𝑀-SD

+ Dựa vào những cột mốc bách phân vị khác nhau

của M (ví dụ 10,25,50,75,90)

+ Không dựa vào mốc cố định, mà khảo sát toàn

bộ khoảng biến thiên của M bằng máy tính để tự

động định vị những ngưỡng giá trị Mi quan trọng

Ví dụ trong hình vẽ thứ 3: ta áp dụng cách khảo

sát 5 mô hình Y=f(X) tại những mốc giá trị quan

trọng trên khoảng biến thiên của M Theo đó:

Tại M2: Quan hệ Y và X yếu nhất (không có ý

nghĩa)

Tại M1: Y tỉ lệ nghịch với X

Từ M3 đến M5: Quan hệ giữa Y và X đảo chiều: Y

tỉ lệ thuận với X Độ mạnh quan hệ tăng dần

trong khoảng M3 đến M5 và đạt cực đại tại M5

1 1.5 Chuẩn hóa theo trung bình cho X và M

Trong trường hợp M là biến số liên tục, có một điểm tế nhị, đó là:

Trước khi phân tích mô hình chứa hiệu ứng tương tác (X*M), để kiểm tra hiệu ứng điều phối, ta cần chuẩn hóa yếu tố chính (predictor, X) và yếu tố điều phối (moderator, M) theo trung bình của chúng Việc chuẩn hóa này gọi là Mean centering

Mean centering là một hình thức chuyển dạng biến số đơn giản, mục đích là chuyển giá trị gốc của X cho mỗi trường hợp i (Xi) thành khoảng cách di giữa Xi và trung bình của X trong quần thể (𝜇X)

X’ (sau hiệu chỉnh) = di = (Xi - 𝜇X)

Như vậy: đơn vị đo không thay đổi (ví dụ nếu nguyên thủy X là 1 thể tích, đo bằng mL thì sau hiệu chỉnh X’ vẫn

đo bằng mL), ta chỉ di dời cột mốc X=0 về vị trí mới = 𝜇X

Trước khi chuyển dạng

Sau khi chuyển dạng

Trường hợp (i)

Giá trị nguyên thủy (Xi)

Sai biệt d so với trung bình μ(X)

Giá trị sau chuẩn hóa theo trung bình (Yi’)

1 X1 = μ(X) d1=0 X’1= X1− μ(X) = 0

2 X2 < μ(X) d2 X’2= X2 - μ(X) = d2 < 0

3 X3 > μ(X) d3 X'3= X3- μ(X) = d3 > 0

Chú ý:

+ Mean centering chỉ áp dụng khi X hoặc M là 1 biến số định lượng liên tục

+ Cẩn trọng về ý nghĩa logic: một số đại lượng (sinh lý) không bao giờ có giá trị = 0 (ví dụ tuổi, cân nặng)

10

Tại sao phải chuẩn hóa theo trung bình ?

Như đã giải thích, khảo sát hiệu ứng điều phối của M đối với tương quan giữa X và Y, thực chất là khảo sát mô hình hồi quy tuyến tính với outcome = Y và chứa 3 predictors: X (hiệu ứng riêng phần của X), M (hiệu ứng riêng phần của M) và X*M (hiệu ứng tương tác giữa X và M)

Y = b0 + b1*X + b2*M + b3*(X*M)

Khi chưa hiệu chỉnh Mean centering, mỗi hệ số b (b1,b2,b3) chính là hiệu ứng của một yếu tố (ví dụ X) KHI yếu tố còn lại = 0 Nhưng điều này chỉ hoàn toàn đúng cho mô hình chỉ có X, M mà không chứa yếu tố tương tác Khi có thêm (X*M), ý nghĩa của b1,b2,b3 sẽ rất khó diễn giải khi 1 trong 2 yếu tố = 0 (X=0 hoặc M=0)

Sau khi chuẩn hóa theo trung bình cho cả X và M (thực chất là di chuyển mốc X=0 và M=0 về 1 vị trí mới =

𝜇X và 𝜇M, b3 sẽ không thay đổi, tuy nhiên b1 và b2 sẽ đổi Lúc này b1 và b2 sẽ được diễn giải như: (1) b=hiệu ứng của 1 yếu tố (X) khi yếu tố còn lại (M) có giá trị trung bình (Mi= 𝜇M)

(2) b= hiệu ứng TRUNG BÌNH của yếu tố tương ứng, khi yếu tố còn lại biến thiên trong 1 khoảng giới hạn xác định

Ví dụ: b1 là hiệu ứng trung bình của X khi M di chuyển dọc theo khoảng giới hạn 𝜇M ± SDM

2 2.1 Quy trình phân tích hiệu ứng điều phối

Chuẩn hóa theo trung bình (Mean centering)

Tạo biến số tương tác (X*M) Thăm dò + Thống kê mô tả

Khảo sát mô hình hồi quy chứa X*M

Yếu tố tương tác

CÓ ý nghĩa

Yếu tố tương tác

Phân tích sâu hiệu ứng điều phối

Khảo sát tương quan X*Y theo M Phương pháp Johnson-Neyman (1936)

Đây là lưu đồ các bước thực hiện phân tích hiệu ứng điều phối

Bước 1 có thể thực hiện dễ dàng nhờ lệnh Explore trong SPSS Tuy nhiên kể từ bước 2 trở đi thì không được SPSS hỗ trợ

Bước 2: chuẩn hóa theo trung bình, bạn phải thực hiện thủ công, đầu tiên xác định giá trị trung bình của X,M (từ kết quả bước 1), sau đó dùng lệnh Compute để tạo ra 2 biến số Xmc và Mmc tương ứng với:

Xmc = Xi – mean(X) và Mmc = Mi – Mean(M)

Ở bước 3, bạn phải tiếp tục dùng lệnh Compute để tạo ra biến số tương tác : INT= Xmc*Mmc

Bước 4 : Hoặc bạn sử dụng quy trình GLM như trong ANCOVA, hoặc bạn sử dụng quy trình Linear regression analysis (hồi quy tuyến tính) với Method = Enter để dựng mô hình hồi quy chứa cả Xmc, Mmc và INT

Sau đó bạn phải diễn giải kết quả của mô hình này để kết luận về ý nghĩa của quan hệ tương tác giữa X

Nghe có vẻ rất đáng sợ ? Nhưng bạn đừng lo lắng Nếu bạn giở sang trang tiếp theo, phép lạ sẽ hiện

ra Đó là 1 bộ macro syntax cho phép thực hiện tự động cả 5 bước trong quy trình, chỉ cần 1 vài thao tác bạn đã có kết quả

2 2.2 Công cụ Process của Hayes

Trước năm 2013, chúng ta bắt buộc phải làm phân tích hiệu

ứng điều phối hoàn toàn thủ công, bằng cách thực hiện 5

bước nêu trên Quy trình này tốn khá nhiều thời gian và bắt

buộc lập trình cú pháp lệnh trên SPSS nên làm nản lòng sinh

viên; nhất là khi họ có quá nhiều giả thuyết cần kiểm tra

Tuy nhiên hiện nay quy trình phân tích hiệu ứng điều phối

trên SPSS trở nên cực kì đơn giản và nhanh chóng nhờ vào

công cụ Process của tiến sĩ Andrew F Hayes (đại học Ohio,

Hoa kỳ)

Như ta biết, SPSS cho phép mở rộng chức năng cơ bản bằng

cách nạp thêm những gói macro syntax được lập trình sẵn Ít

người tận dụng chức năng lập trình trong SPSS vì vậy chúng ta

không có nhiều package để xài như trong R Tuy vậy, package

của SPSS có giao diện đồ họa (GUI) nên rất thân thiện và dễ

sử dụng hơn nhiều so với package của R

Process là một tập hợp những mã lệnh (syntax) SPSS và hơn

thế nữa, nó đi kèm với giao diện đồ họa tương tác, cho phép

bạn thao tác dễ dàng như vẫn thường làm trên SPSS Bạn

không cần hiểu về cú pháp lệnh SPSS nhưng vẫn có thể xuất

kết quả chỉ với vài lần nhấn nút (Bây giờ là tháng 11 năm

2015 Nếu không nhờ vào Process, tài liệu hướng dẫn này

chắc sẽ hoàn thành vào năm 2016)

Để tưởng nhớ công lao của tiến sĩ Hayes, khi thực hiện luận

văn, bài báo khoa học, xin bạn hãy trích dẫn lại nguồn gốc

công trình của ông như dưới đây:

Hayes,AF (2013) Introduction to mediation, moderation, and

conditional process analysis New York: The Guilford Press

Andrew F Hayes, Ph.D Department of Psychology The Ohio State University Columbus, OH 43210, U.S.A

Công cụ Process rất mạnh , nó cho phép phân tích yếu tố trung gian và yếu tố điều phối trên

74 loại mô hình khác nhau, có những mô hình phức tạp hơn rất nhiều so với ví dụ cơ bản mà chúng ta đang thực hiện Nếu tò mò, bạn có thể tìm đọc quyển sách này của tác giả để tìm hiểu sâu hơn

2

Hướng dẫn cài đặt Process cho SPSS:

Lưu ý: Gói công cụ này chỉ tương thích với SPSS 18 trở lên, nếu bạn đang sử dụng phiên bản cũ hơn, hãy cài phiên bản SPSS mới nhất trước khi sử dụng Process

Truy cập trang web sau để tải gói tập tin Process.zip

Sau khi giải nén, bạn sẽ thấy những tập tin bên trong, quan trọng nhất là file process.psd chứa bộ mã

Bạn khởi động chương trình SPSS với vai trò quản trị,

nhấp chuột phải vào icon SPSS và chọn thi hành với

quyền hạn administrator Điều này rất cần thiết vì chỉ có

quản trị viên mới có quyền thay đổi cấu trúc những gì có

trong thư mục Programme Nếu bạn sử dụng SPSS tại

công ty hay thư viện trường, bạn không có quyền cài

Process, bạn chỉ có thể cài cho máy tính của riêng bạn

7

8

Sau khi cài đặt xong, trong menu Analysis> Regression sẽ xuất hiện thêm chức năng Process

by Andrew F Hayes

9

16

3 Thực hiện phân tích 3.1 Nhập dữ liệu

Đầu tiên bạn sẽ tạo những biến số cần khảo sát trong SPSS rồi dán nhãn cho chúng Đối với phân tích yếu tố điều phối, chúng ta cần có ít nhất 3 biến số : Y, X và M Để khái quát hóa, tác giả sử dụng chính tên biến số viết tắt này

1) Biến số kết quả (hay phụ thuộc) Y =PaO2, đo áp suất riêng phần oxy máu động mạch tại thời điểm Ngay

sau khi hoàn thành test đi bộ 6 phút Nó cho phép đánh giá hiệu quả cung cấp oxy nhằm thích ứng với sự tăng nhu cầu chuyển hóa của cơ thể do nghiệm pháp gắng sức gây ra PaO2 (Y) mang ý nghĩa hậu quả hay kết quả , là 1 biến liên tục, đơn vị mmHg Chú ý: Y không bắt buộc phải đo sau X, thực ra Y và X có thể đo đồng thời

2) Yếu tố dự báo chính (biến độc lập) X: ở đây là TLCO = lưu lượng khí CO khuếch tán qua màng phế nang

mao mạch, đơn vị là ml/phút/mmHg Thông số này đại diện cho khả năng trao đổi khí của bệnh nhân TLCO mang ý nghĩa nguyên nhân, vì đo trước test (và trước Y=PaO2), nhưng điều này không bắt buộc

3) Yếu tố điều phối cần khảo sát (M): Để minh họa cho ý tưởng M có thể thuộc loại liên tục, thứ hạng hay

nhị phân, tác giả đã tạo ra 3 biến M tương ứng:

M1: Là 1 biến liên tục, đo giá trị tuyệt đối của dung tích sống FVC, đơn vị là lít

M2 : là 1 biến thứ hạng, có tên gọi là Phân loại FVC, nhận 3 giá trị: -1 = FVC thấp, 0: FVC bình thường, +1: FVC cao hơn bình thường Biến M2 được tạo ra bằng cách chuẩn hóa sự khác biệt giữa FVC đo được trên thực tế

và FVC lý thuyết trên quần thể bình thường, kết quả chuẩn hóa còn gọi là Z score Z-score < -1,645 tức là FVC thấp hơn bình thường, Z-score > +1,645 tức là FVC cao hơn bình thường Giá trị nằm giữa 2 ngưỡng cao và thấp được xem là bình thường

M3: là 1 biến nhị phân, nhận 2 giá trị: 1: có hội chứng hạn chế (FVC giảm hơn 80% giá trị lý thuyết) và =1: không có hội chứng hạn chế (FVC > 80% GTLT)

Dù ở dạng nào, M được khảo sát như yếu tố điều phối

trong mô hình: Y= b0+b1*X + b2*M + b3(X*M)

Lưu ý: Để sử dụng được Process, bạn cần chú ý một vài điểm như sau:

- Process chỉ « hiểu » được biến kiểu số, bạn không thể dùng kí tự (string) Nếu có biến số định tính bạn phải mã hóa nó dưới dạng số (1,2,3,4…) và nó sẽ được hiểu như biến định lượng thứ hạng

Bước đầu tiên bạn sẽ làm là xác định mô hình nào

sẽ được áp dụng Theo mặc định, Process mở sẵn

mô hình số 4, tương ứng với phân tích yếu tố

trung gian (Mediator) Tuy nhiên ta cần sửa lại

thành model 1 để phân tích biến điều phối

3 Thực hiện phân tích 3.2 Khởi động

Để kích hoạt gói công cụ Process, bạn lần lượt truy nhập vào:

Analyze > Regression > PROCESS …

1

2

Hình bên cạnh là giao diện của Process, như bạn

thấy, nó có cấu trúc tương tự như bất cứ hộp

thoại nào trong SPSS nên bạn sẽ làm quen với

công cụ này rất nhanh

Danh sách mô hình Chọn Model 1