Biến trung gian là gì? Cách đọc và kiểm định trong SPSS

Q: Có thể dùng SmartPLS để kiểm định biến trung gian không?

Có. Trong SmartPLS, bạn xem Specific Indirect Effects sau khi chạy bootstrapping, đồng thời kiểm tra hệ số đường dẫn và khoảng tin cậy. Khi báo cáo PLS-SEM, bạn cũng cần trình bày rõ quy trình bootstrapping và số lần lặp theo phương pháp đã chọn, chẳng hạn 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022). Bạn hãy mở lại file SPSS, vẽ đúng sơ đồ X, M, Y, kiểm tra tên biến và chạy lại bảng Indirect effect bằng dữ liệu thật trước khi chép số vào chương 4. Nếu cần chạy phân tích trên file .sav hoặc .csv và chuyển kết quả thành phần viết phù hợp, bạn có thể xem M4 phân tích dữ liệu định lượng của DoThesis.

Mô hình nghiên cứu·8 tháng 9, 2026·15 phút đọc

Biến trung gian là gì

Biến trung gian, tiếng Anh là mediator, là biến giải thích cơ chế mà qua đó biến độc lập tác động đến biến phụ thuộc. Thay vì chỉ hỏi “X có ảnh hưởng đến Y không”, mô hình có biến trung gian hỏi thêm “X ảnh hưởng đến Y thông qua M như thế nào”.

Ví dụ, bạn nghiên cứu ảnh hưởng của chất lượng dịch vụ đến lòng trung thành. Có thể chất lượng dịch vụ không tác động trực tiếp hoàn toàn đến lòng trung thành, mà trước hết làm tăng sự hài lòng, sau đó sự hài lòng mới làm tăng lòng trung thành. Trong mô hình này, chất lượng dịch vụ là biến độc lập X, sự hài lòng là biến trung gian M, còn lòng trung thành là biến phụ thuộc Y.

Mô hình cơ bản có hai phương trình:

M = i1 + aX + e1
Y = i2 + c'X + bM + e2

Trong đó, a là tác động của X lên M, b là tác động của M lên Y khi đã đưa X vào mô hình, c' là tác động trực tiếp của X lên Y sau khi kiểm soát M. Tác động gián tiếp được tính bằng a × b. Tác động tổng thường được biểu diễn là c = c' + ab.

Khi bạn mở file kết quả, các tên như Indirect effect, Direct effect, Total effect, BootSE, BootLLCI hoặc BootULCI thường xuất hiện trong output của PROCESS Macro. Đây là những dòng cần đọc để kết luận về biến trung gian, không phải chỉ nhìn vào hệ số tương quan giữa ba biến.

Nếu đang xây dựng mô hình từ đầu, bạn có thể xem thêm biến độc lập là gì để phân biệt rõ vai trò của X trong sơ đồ nghiên cứu.

Ý nghĩa của biến trung gian trong nghiên cứu định lượng

Biến trung gian giúp bạn trả lời câu hỏi về cơ chế tác động. Một mối quan hệ có ý nghĩa giữa X và Y chỉ cho biết hai biến có liên quan theo mô hình, nhưng chưa cho biết quá trình tác động diễn ra qua yếu tố nào. Khi đưa M vào, bạn có thể kiểm tra phần tác động đi qua M và phần còn lại đi thẳng từ X đến Y.

Trong luận văn, biến trung gian thường được dùng khi lý thuyết cho rằng một yếu tố tạo ra thay đổi ở yếu tố thứ hai trước khi dẫn đến kết quả cuối cùng. Chẳng hạn, đào tạo nhân viên có thể cải thiện năng lực nhân viên, rồi năng lực mới ảnh hưởng đến hiệu suất công việc. Mối quan hệ này có logic X, M, Y rõ hơn việc đưa nhiều biến vào mô hình chỉ vì chúng có tương quan.

Kết quả trung gian thường được diễn giải theo ba thành phần:

Tác động tổng cho biết X ảnh hưởng đến Y khi chưa tách cơ chế trung gian.
Tác động trực tiếp cho biết X còn ảnh hưởng đến Y bao nhiêu sau khi đưa M vào.
Tác động gián tiếp cho biết ảnh hưởng của X đến Y truyền qua M có đáng kể hay không.

Có hai trường hợp thường gặp. Nếu tác động gián tiếp có ý nghĩa và tác động trực tiếp vẫn có ý nghĩa, mô hình thường được mô tả là trung gian một phần. Nếu tác động gián tiếp có ý nghĩa nhưng tác động trực tiếp không còn ý nghĩa, kết quả phù hợp với trung gian toàn phần theo cách diễn giải kinh điển. Tuy vậy, bạn cần trình bày theo kết quả và nền tảng lý thuyết, không nên ép mọi mô hình vào nhãn “toàn phần” hoặc “một phần” chỉ dựa trên một p-value.

Bạn cũng cần phân biệt vai trò của biến trung gian với biến kiểm soát. Biến kiểm soát là gì sẽ giúp bạn hiểu nhóm biến được đưa vào để giữ ổn định ảnh hưởng của các yếu tố khác, trong khi biến trung gian là một phần của cơ chế lý thuyết mà bạn muốn kiểm định.

Biến trung gian bao nhiêu là đạt

Nhiều bạn tìm “biến trung gian bao nhiêu là tốt” rồi cố tìm một ngưỡng cho hệ số a × b. Cách đọc đúng không phải là biến trung gian có một mức điểm riêng bao nhiêu thì đạt. Bạn cần xem tác động gián tiếp có ý nghĩa thống kê hay không, thường thông qua khoảng tin cậy bootstrap.

Nếu khoảng tin cậy bootstrap của indirect effect không chứa giá trị 0, tác động gián tiếp được xem là có ý nghĩa theo cách tiếp cận bootstrap của Preacher và Hayes. Ngược lại, nếu khoảng tin cậy chứa 0, dữ liệu chưa cung cấp đủ bằng chứng để kết luận X tác động đến Y thông qua M. Tiêu chí này được nêu trong (Preacher và Hayes, 2008).

Bảng dưới đây tóm tắt các chỉ số bạn thường gặp. Các giá trị trong bảng là quy tắc diễn giải hoặc số liệu minh họa, không phải kết quả bắt buộc cho mọi đề tài.

Thành phần cần đọc	Dấu hiệu thường dùng để kết luận	Nguồn hoặc cách diễn giải
Indirect effect, `a × b`	Khoảng tin cậy bootstrap không chứa 0	(Preacher và Hayes, 2008)
BootLLCI và BootULCI	Hai cận cùng dương hoặc cùng âm, không đi qua 0	(Preacher và Hayes, 2008)
Số mẫu bootstrap	Có thể dùng 5.000 mẫu lặp khi chạy PLS-SEM	(Hair và cộng sự, 2022)
Tác động trực tiếp, `c'`	Đọc cùng indirect effect để phân biệt dạng trung gian	Cách báo cáo mô hình trung gian
Tác động tổng, `c`	Dùng để mô tả ảnh hưởng tổng của X lên Y	Cách báo cáo mô hình trung gian
Khoảng tin cậy của indirect effect	Có ý nghĩa khi không chứa 0	(Preacher và Hayes, 2008)

Không có quy định rằng hệ số indirect effect phải đạt 0.1, 0.2 hay một con số cố định mới là tốt. Độ lớn phụ thuộc thang đo, cỡ mẫu, bối cảnh và cách chuẩn hóa biến. Một indirect effect nhỏ vẫn có thể có ý nghĩa, còn hệ số lớn nhưng khoảng tin cậy đi qua 0 thì chưa đủ cơ sở để kết luận.

Nếu kiểm định bằng SmartPLS, bạn có thể xem thêm Specific Indirect Effects, Total Indirect Effects và khoảng tin cậy từ bootstrapping. Với SPSS, PROCESS Macro thường hiển thị Indirect effect(s) of X on Y. Hai phần mềm có cách trình bày khác nhau nhưng cùng tập trung vào tác động gián tiếp và khoảng tin cậy.

Cách đọc biến trung gian trên output

Giả sử bạn kiểm định mô hình: Chất lượng dịch vụ X → Sự hài lòng M → Lòng trung thành Y. Bạn chạy PROCESS Model 4 trong SPSS với 5.000 bootstrap samples. Bảng dưới đây là số liệu minh họa, được dựng theo dạng output thường gặp để bạn biết cần nhìn dòng nào. Đây không phải kết quả của một nghiên cứu thực tế.

Thành phần trong output	Effect	BootSE	BootLLCI	BootULCI	Kết luận minh họa
Total effect of X on Y	0.482	0.071	0.341	0.623	Tác động tổng có ý nghĩa vì khoảng tin cậy không chứa 0
Direct effect of X on Y	0.291	0.078	0.137	0.445	Tác động trực tiếp còn ý nghĩa
Indirect effect of X on Y through M	0.191	0.045	0.110	0.287	Tác động gián tiếp có ý nghĩa

Đầu tiên, nhìn dòng Indirect effect of X on Y through M. Trong ví dụ, Effect = 0.191. Con số này là tích của đường X đến M và đường M đến Y, có thể có sai khác nhỏ do cách tính và làm tròn.

Tiếp theo, nhìn hai cột BootLLCI và BootULCI. Khoảng từ 0.110 đến 0.287 không chứa 0, vì vậy tác động gián tiếp có ý nghĩa theo bootstrap. Bạn có thể kết luận rằng chất lượng dịch vụ có ảnh hưởng đến lòng trung thành thông qua sự hài lòng.

Sau đó, nhìn dòng Direct effect of X on Y. Trong minh họa, khoảng từ 0.137 đến 0.445 cũng không chứa 0. Tác động trực tiếp vẫn có ý nghĩa sau khi đưa biến trung gian vào. Vì vậy, bạn có thể mô tả kết quả theo hướng có bằng chứng về trung gian một phần, đồng thời cần đối chiếu với dấu của các hệ số và lập luận lý thuyết.

Đừng chỉ nhìn cột p-value của hồi quy X lên M rồi kết luận có trung gian. Một mô hình trung gian cần đánh giá đường truyền tổng thể. Bạn cũng không nên lấy R Square của riêng phương trình M hoặc Y để thay thế cho kiểm định indirect effect.

Trong SPSS, quy trình thường dùng là PROCESS Macro. Bạn có thể xem hướng dẫn liên quan tại PROCESS Macro là gì và bootstrap trung gian trong SPSS. Nếu dùng SmartPLS, hãy đọc các bảng Path Coefficients và Specific Indirect Effects, sau đó kiểm tra cột T Statistics, P Values và khoảng tin cậy bootstrap.

Khi biến trung gian không đạt thì xử lý thế nào

Nếu indirect effect không đạt, việc đầu tiên là kiểm tra mô hình và dữ liệu trước khi loại biến. Một kết quả không có ý nghĩa không đồng nghĩa với việc bạn được phép xóa biến trung gian để làm đẹp mô hình.

Kiểm tra lại logic giả thuyết

Xem lại giả thuyết có mô tả rõ X tác động đến M và M tác động đến Y hay chưa. Mối quan hệ phải có cơ sở từ mô hình nghiên cứu và thang đo bạn đã chọn. Nếu biến M chỉ được thêm vào vì thấy có tương quan với X và Y, hội đồng có thể hỏi tại sao nó là mediator thay vì một biến độc lập khác.

Kiểm tra mã hóa và dữ liệu

Mở lại các biến quan sát của M, kiểm tra biến đảo chiều, giá trị thiếu, mã giá trị và các trường hợp nhập sai. Nếu một biến quan sát đáng lẽ mã từ 1 đến 5 lại có giá trị 55 hoặc 0, kết quả hồi quy có thể bị ảnh hưởng. Bạn cũng cần kiểm tra số quan sát thực tế sau khi loại các dòng thiếu dữ liệu.

Kiểm tra thang đo trước khi kiểm định trung gian

Nếu thang đo của M có độ tin cậy thấp hoặc biến quan sát không đại diện đúng khái niệm, tác động gián tiếp dễ bị suy yếu. Hãy lưu lại từng vòng kiểm định Cronbach's Alpha, EFA hoặc mô hình đo lường thay vì xóa biến theo cảm tính. Việc loại item chỉ vì nó làm p-value đẹp hơn thường khó giải trình.

Báo cáo kết quả không có ý nghĩa

Nếu sau khi kiểm tra, indirect effect vẫn có khoảng tin cậy chứa 0, bạn nên báo cáo trung thực rằng giả thuyết trung gian chưa được ủng hộ. Có thể thảo luận rằng dữ liệu của mẫu nghiên cứu chưa cung cấp đủ bằng chứng cho cơ chế đề xuất. Bạn không cần sửa số liệu, đổi thang đo tùy tiện hoặc chạy đi chạy lại cho đến khi xuất hiện p-value mong muốn.

Sobel test có thể xuất hiện trong một số luận văn cũ, nhưng nó dựa nhiều hơn vào giả định phân phối của tích a × b. Bạn có thể xem phân tích Sobel test SPSS để hiểu cách tính, sau đó đối chiếu với bootstrap. Khi viết chương kết quả, hãy ghi rõ phương pháp kiểm định mà bạn thực sự dùng.

Phân biệt biến trung gian với biến điều tiết

Biến trung gian trả lời câu hỏi “X ảnh hưởng đến Y thông qua yếu tố nào”. Biến điều tiết, hay moderator, trả lời câu hỏi “mối quan hệ giữa X và Y thay đổi như thế nào tùy theo mức của Z”.

Ví dụ, sự hài lòng là biến trung gian nếu chất lượng dịch vụ làm tăng sự hài lòng, rồi sự hài lòng làm tăng lòng trung thành. Độ tuổi có thể là biến điều tiết nếu tác động của chất lượng dịch vụ đến lòng trung thành mạnh hơn ở nhóm trẻ và yếu hơn ở nhóm lớn tuổi.

Trong sơ đồ, mediator thường nằm trên đường truyền X → M → Y. Moderator thường tạo ra một tương tác, chẳng hạn X × Z, để kiểm tra liệu hệ số X đến Y có thay đổi theo Z hay không. Hai vai trò này có thể cùng xuất hiện trong một mô hình, nhưng cách đặt giả thuyết và cách chạy phân tích khác nhau.

Bạn cũng cần phân biệt mediator với biến kiểm soát. Biến kiểm soát được đưa vào để hạn chế ảnh hưởng của những yếu tố có thể gây nhiễu, còn mediator được đặt trong chuỗi giải thích của mô hình. Nếu gọi nhầm biến kiểm soát là trung gian, phần giả thuyết và diễn giải kết quả sẽ không nhất quán.

Lỗi thường gặp

Chỉ nhìn p-value của tác động trực tiếp. Một tác động trực tiếp có ý nghĩa không chứng minh có trung gian. Bạn phải kiểm tra indirect effect và khoảng tin cậy bootstrap.

Đòi hỏi indirect effect phải lớn hơn một ngưỡng cố định. Không có một con số chung áp dụng cho mọi nghiên cứu. Hãy báo cáo hệ số, sai số chuẩn và khoảng tin cậy, rồi diễn giải theo bối cảnh.

Dùng thuật ngữ toàn phần và một phần quá máy móc. Hãy xem cả direct effect, indirect effect, dấu của hệ số và lập luận lý thuyết. Nếu cách phân loại không phù hợp với mô hình của bạn, hãy mô tả trực tiếp kết quả thay vì gắn nhãn.

Nhầm mediator với moderator. Nếu output có biến tương tác X × Z, đó là dấu hiệu bạn đang kiểm định điều tiết, không phải trung gian. PROCESS cũng có nhiều model khác nhau, vì vậy cần chọn đúng model theo sơ đồ giả thuyết.

Xóa biến sau nhiều lần chạy để tìm kết quả có ý nghĩa. Đây là rủi ro lớn khi bạn chạy lại mô hình mà không ghi nhận các quyết định phân tích. Mỗi lần điều chỉnh thang đo hoặc mô hình cần có lý do phương pháp và được trình bày nhất quán.

Viết nguyên kết quả minh họa vào luận văn. Bảng trong bài chỉ giúp bạn nhận diện cấu trúc output. Khi viết, bạn phải thay bằng số liệu từ file .sav hoặc .csv của mình, kiểm tra tên biến và cỡ mẫu trước khi kết luận.

Câu hỏi thường gặp

Biến trung gian là gì và có bắt buộc phải có tác động trực tiếp không?

Biến trung gian là biến giải thích con đường tác động từ X đến Y. Một mô hình vẫn có thể có tác động gián tiếp đáng kể khi tác động trực tiếp không có ý nghĩa. Vì vậy, bạn không nên loại bỏ khả năng trung gian chỉ vì đường X đến Y ban đầu không có ý nghĩa.

Biến trung gian bao nhiêu là tốt?

Không có mức hệ số indirect effect cố định để kết luận tốt hay xấu. Tiêu chí chính thường là khoảng tin cậy bootstrap của tác động gián tiếp không chứa 0, theo (Preacher và Hayes, 2008). Bạn vẫn cần xem độ lớn hiệu ứng, dấu tác động và sự phù hợp với lý thuyết.

Có cần chạy Sobel test khi đã chạy bootstrap không?

Không nhất thiết. Bootstrap thường được dùng để đánh giá khoảng tin cậy của indirect effect và phù hợp với việc kiểm tra tích của hai hệ số. Nếu giảng viên yêu cầu Sobel test, bạn có thể báo cáo thêm nhưng cần ghi rõ hai phương pháp và không trộn kết quả của chúng.

PROCESS Macro Model 4 dùng để kiểm định gì?

PROCESS Model 4 thường được dùng cho mô hình trung gian đơn, trong đó X tác động đến Y thông qua một biến M. Nếu bạn có nhiều mediator nối tiếp, nhiều mediator song song, moderator hoặc mô hình điều kiện, cần chọn cấu trúc và model phù hợp hơn.

Nếu khoảng tin cậy bootstrap chứa 0 thì phải làm sao?

Bạn cần kiểm tra lại mã hóa, dữ liệu, chất lượng thang đo, cỡ mẫu và logic giả thuyết. Nếu các bước kiểm tra đều hợp lý mà khoảng tin cậy vẫn chứa 0, hãy báo cáo rằng tác động gián tiếp chưa được ủng hộ. Không nên sửa dữ liệu chỉ để loại giá trị 0 khỏi khoảng tin cậy.

Có thể dùng SmartPLS để kiểm định biến trung gian không?

Có. Trong SmartPLS, bạn xem Specific Indirect Effects sau khi chạy bootstrapping, đồng thời kiểm tra hệ số đường dẫn và khoảng tin cậy. Khi báo cáo PLS-SEM, bạn cũng cần trình bày rõ quy trình bootstrapping và số lần lặp theo phương pháp đã chọn, chẳng hạn 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022).

Bạn hãy mở lại file SPSS, vẽ đúng sơ đồ X, M, Y, kiểm tra tên biến và chạy lại bảng Indirect effect bằng dữ liệu thật trước khi chép số vào chương 4. Nếu cần chạy phân tích trên file .sav hoặc .csv và chuyển kết quả thành phần viết phù hợp, bạn có thể xem M4 phân tích dữ liệu định lượng của DoThesis.