Biến trung gian: kiểm định tác động gián tiếp bằng bootstrap và PROCESS Model 4
Bài này giải thích vì sao bootstrap đã thay thế cách tiếp cận Baron và Kenny, hướng dẫn chạy PROCESS Model 4 trong SPSS và đọc từng khối output bằng một ví dụ số nhất quán.
Tóm tắt nhanh
- Biến trung gian M giải thích cơ chế X → M → Y; tác động gián tiếp bằng a × b, và với hồi quy OLS trên cùng mẫu: c = c′ + ab.
- Không cần tổng tác động c có ý nghĩa mới được kiểm định trung gian (Zhao, Lynch & Chen, 2010; Hayes, 2022).
- Dùng bootstrap 5.000 mẫu và khoảng tin cậy 95% percentile: nếu khoảng không chứa 0 thì tác động gián tiếp có ý nghĩa.
- Trong SPSS: cài PROCESS v4, chọn Model 4, đọc khối Indirect effect(s) of X on Y với BootLLCI và BootULCI.
- Ví dụ minh họa: ab = 0,2132, KTC 95% [0,142; 0,291], c′ = 0,18 (p = 0,012), cùng dấu nên là trung gian bổ sung (complementary).
Biến trung gian là gì và các đường a, b, c, c′
Biến trung gian (mediator, M) trả lời câu hỏi X tác động đến Y bằng cách nào: X làm thay đổi M, và M làm thay đổi Y. Biến điều tiết (moderator, W) trả lời câu hỏi tác động của X lên Y mạnh yếu ra sao, với ai, khi nào: W làm thay đổi độ lớn hoặc chiều của quan hệ X → Y và được kiểm định bằng tích tương tác X × W, không phải bằng tác động gián tiếp (Baron & Kenny, 1986; Hayes, 2022).
- a: hệ số của X khi hồi quy M theo X.
- b: hệ số của M khi hồi quy Y theo cả X và M.
- c′ (tác động trực tiếp): hệ số của X trong chính phương trình đó.
- c (tổng tác động): hệ số của X khi hồi quy Y chỉ theo X.
Đẳng thức này đúng chính xác khi các phương trình được ước lượng bằng OLS, M và Y là biến liên tục, và mọi phương trình dùng cùng một mẫu (cùng các quan sát, cùng biến kiểm soát) (Hayes, 2022). Với Y nhị phân (hồi quy logistic) thì không còn đúng.
Từ Baron & Kenny, Sobel đến bootstrap
Các bước nhân quả của Baron & Kenny (1986)
Cách tiếp cận cổ điển yêu cầu: (1) c có ý nghĩa; (2) a có ý nghĩa; (3) b có ý nghĩa khi kiểm soát X; (4) c′ nhỏ hơn c, nếu c′ không còn ý nghĩa thì gọi là "trung gian toàn phần". Cách này không còn được khuyến nghị. Điều kiện (1) là không cần thiết: tác động gián tiếp có thể tồn tại khi tổng tác động không có ý nghĩa, ví dụ khi c′ và ab ngược dấu triệt tiêu nhau, hoặc khi kiểm định c thiếu lực thống kê (Zhao, Lynch & Chen, 2010; Hayes, 2022). Quan trọng hơn, các bước này không kiểm định trực tiếp đại lượng cần quan tâm là ab.
Kiểm định Sobel
Kiểm định Sobel (Sobel, 1982) giả định phân phối mẫu của ab là phân phối chuẩn. Thực tế tích của hai hệ số thường có phân phối lệch, nên Sobel có lực thống kê thấp, dễ bỏ sót tác động gián tiếp có thật (Preacher & Hayes, 2008). Trong ví dụ bên dưới (SEa = 0,049; SEb = 0,055), z ≈ 6,10, nhưng con số này nên xem là bổ sung, không phải bằng chứng chính.
Bootstrap
Bootstrap lấy mẫu lặp có hoàn lại (with replacement) n quan sát từ chính dữ liệu của bạn, lặp 5.000 lần; mỗi lần ước lượng lại a, b và ab. 5.000 giá trị ab tạo thành phân phối thực nghiệm, không cần giả định chuẩn. Khoảng tin cậy 95% percentile lấy giá trị ở phân vị 2,5 và 97,5. Nếu khoảng tin cậy không chứa 0, tác động gián tiếp có ý nghĩa thống kê (Preacher & Hayes, 2008; Hayes, 2022).
Cách chạy PROCESS Model 4 trong SPSS
Trước hết, tính điểm trung bình cho từng construct (X, M, Y) sau khi thang đo đạt độ tin cậy và độ giá trị, như mô tả trong bài đọc kết quả hồi quy SPSS. Nên đặt tên biến ngắn, không dấu (ví dụ CLDV, HL, TT) để tránh lỗi khi chạy macro.
Cài đặt PROCESS v4 (Hayes)
- Tải PROCESS for SPSS tại processmacro.org và giải nén; tệp cần dùng là
process.spd. - Trên Windows, có thể phải mở SPSS bằng Run as administrator để cài được.
- Vào
Extensions → Utilities → Install Custom Dialog (Compatibility mode)...rồi chọnprocess.spd. - Sau khi cài, mở
Analyze → Regression → PROCESS v4.x by Andrew F. Hayes.
Thiết lập hộp thoại
- Y variable:
TT; X variable:CLDV; Mediator(s) M:HL. - Model number: 4; Confidence intervals: 95; Number of bootstrap samples: 5000.
- Options: tích Show total effect model; thêm tùy chọn hệ số chuẩn hóa/effect size nếu cần (tên tùy chọn khác nhau đôi chút giữa các phiên bản).
Nếu dùng cú pháp, mở process.sps và chạy toàn bộ một lần để định nghĩa macro, sau đó chạy:
process y=TT/x=CLDV/m=HL/model=4/total=1/boot=5000/seed=31216.Đọc output PROCESS từng khối
- OUTCOME VARIABLE: HL: hồi quy M theo X. Hệ số dòng
CLDVlà a = 0,52. - OUTCOME VARIABLE: TT: hồi quy Y theo X và M. Dòng
HLlà b = 0,41; dòngCLDVlà c′ = 0,18. - TOTAL EFFECT MODEL: hồi quy Y chỉ theo X. Hệ số
CLDVlà c = 0,393; kiểm tra lại c = c′ + ab. - TOTAL, DIRECT, AND INDIRECT EFFECTS OF X ON Y: khối tóm tắt quan trọng nhất, gồm hai phần bên dưới.
Direct effect of X on Y
Effect se t p LLCI ULCI
.1800 .0711 2.5316 .0119 .0401 .3199
Indirect effect(s) of X on Y:
Effect BootSE BootLLCI BootULCI
HL .2132 .0380 .1420 .2910Effect là ước lượng ab; BootSE là sai số chuẩn bootstrap; BootLLCI và BootULCI là cận dưới và cận trên của khoảng tin cậy 95%. Khoảng [0,142; 0,291] không chứa 0, nên sự hài lòng là biến trung gian có ý nghĩa. Lưu ý phần Indirect effect không có p-value: kết luận dựa vào khoảng tin cậy.
Phân loại kết quả theo Zhao, Lynch & Chen (2010)
| Loại | ab | c′ | Diễn giải |
|---|---|---|---|
| Trung gian bổ sung (complementary) | Có ý nghĩa | Có ý nghĩa, cùng dấu với ab | Có trung gian; có thể còn biến trung gian khác chưa đưa vào |
| Trung gian cạnh tranh (competitive) | Có ý nghĩa | Có ý nghĩa, ngược dấu với ab | Có trung gian; nhiều khả năng bỏ sót một cơ chế ngược chiều |
| Chỉ gián tiếp (indirect-only) | Có ý nghĩa | Không có ý nghĩa | Có trung gian; khung lý thuyết nhất quán với dữ liệu |
| Chỉ trực tiếp (direct-only) | Không có ý nghĩa | Có ý nghĩa | Không có trung gian qua M |
| Không có tác động (no-effect) | Không có ý nghĩa | Không có ý nghĩa | Không có trung gian, không có tác động trực tiếp |
Trong ví dụ, ab có ý nghĩa (khoảng tin cậy không chứa 0), c′ = 0,18 có ý nghĩa (p = 0,012) và cả hai đều dương, nên đây là trung gian bổ sung. Hayes (2022) khuyên không dùng nhãn "trung gian toàn phần/một phần", vì việc c′ có ý nghĩa hay không phụ thuộc nhiều vào cỡ mẫu; hãy báo cáo độ lớn và khoảng tin cậy của ab và c′. Tỷ lệ ab/c (ở đây khoảng 54%) cũng không ổn định khi c nhỏ, nên chỉ dùng tham khảo.
Nhiều biến trung gian, SmartPLS và giới hạn về nhân quả
- Trung gian song song: vẫn dùng Model 4, đưa nhiều biến vào ô Mediator(s) M. PROCESS báo từng tác động gián tiếp riêng và tổng tác động gián tiếp.
- Trung gian nối tiếp (X → M1 → M2 → Y): dùng Model 6; tác động gián tiếp đi qua cả hai biến là a1 × d21 × b2.
- SmartPLS: chạy Bootstrapping với 5.000 subsamples, đọc bảng Specific indirect effects (hệ số, t, p và khoảng tin cậy) cho từng đường gián tiếp (Hair, Risher, Sarstedt & Ringle, 2019). Mô hình đo lường phải đạt CR, AVE và HTMT trước khi đọc mô hình cấu trúc.
Tác động gián tiếp thường nhỏ, nên cần cỡ mẫu lớn hơn để có đủ lực thống kê; xem bài cách tính cỡ mẫu. Phân hệ nghiên cứu SPSS của AutoFillForm cho phép khai báo đường tác động, kể cả đường đi qua biến trung gian, và xem hệ số đường dẫn, p-value trên bộ dữ liệu; công cụ này không thay thế khoảng tin cậy bootstrap của PROCESS hay SmartPLS. Dữ liệu mô phỏng chỉ dùng để thử bảng hỏi và luyện quy trình, không dùng thay dữ liệu khảo sát thật.
Cách trình bày kết quả và checklist
Kết quả phân tích bằng PROCESS Model 4 (Hayes, 2022) với 5.000 mẫu bootstrap cho thấy chất lượng dịch vụ tác động dương đến sự hài lòng (a = 0,52; p < 0,001) và sự hài lòng tác động dương đến lòng trung thành khi kiểm soát chất lượng dịch vụ (b = 0,41; p < 0,001). Tác động gián tiếp của chất lượng dịch vụ đến lòng trung thành thông qua sự hài lòng có ý nghĩa thống kê (ab = 0,213; BootSE = 0,038; KTC 95% [0,142; 0,291]). Tác động trực tiếp vẫn có ý nghĩa (c′ = 0,18; p = 0,012) và cùng dấu với tác động gián tiếp, nên đây là trung gian bổ sung (Zhao và cộng sự, 2010). Tổng tác động c = 0,393 (p < 0,001).
| Đường tác động | Hệ số | SE | p hoặc KTC 95% | Kết luận |
|---|---|---|---|---|
| a: CLDV → HL | 0,520 | 0,049 | p < 0,001 | Có ý nghĩa |
| b: HL → TT | 0,410 | 0,055 | p < 0,001 | Có ý nghĩa |
| c′: CLDV → TT (trực tiếp) | 0,180 | 0,071 | p = 0,012 | Có ý nghĩa |
| ab: CLDV → HL → TT | 0,213 | 0,038 (BootSE) | [0,142; 0,291] | Có ý nghĩa |
| c: tổng tác động | 0,393 | 0,068 | p < 0,001 | Có ý nghĩa |
- Có lý thuyết giải thích vì sao X → M → Y, không chỉ dựa vào dữ liệu.
- Thang đo của X, M, Y đã đạt độ tin cậy và độ giá trị; dùng điểm trung bình construct.
- Kiểm định ab bằng bootstrap 5.000 mẫu, KTC 95% percentile; ghi seed.
- Không đòi hỏi c có ý nghĩa trước khi kiểm định trung gian.
- Báo cáo đủ a, b, c′, c, ab kèm SE, p hoặc khoảng tin cậy, và kiểm tra c = c′ + ab.
- Phân loại theo Zhao và cộng sự (2010) thay vì nhãn "toàn phần/một phần".
- Thừa nhận giới hạn nhân quả của dữ liệu cắt ngang trong phần hạn chế.
Câu hỏi thường gặp
Nguồn tham khảo
- Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182.
- Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24.
- Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). The Guilford Press.
- Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891.
- Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312.
- Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206.
Ngưỡng đánh giá trong bài là quy ước phổ biến trong các tài liệu trên. Hãy đối chiếu với yêu cầu của giảng viên hướng dẫn hoặc tạp chí bạn nộp bài.