Cách chạy bootstrap trung gian trong SPSS bằng PROCESS Macro

Khi nào dùng bootstrap trung gian trong SPSS

Bạn dùng bootstrap trung gian khi muốn kiểm tra một biến X tác động đến biến Y thông qua biến M. Trong mô hình này, X là biến độc lập, M là biến trung gian và Y là biến phụ thuộc. Ví dụ, bạn muốn kiểm tra liệu chất lượng dịch vụ có làm tăng ý định mua thông qua sự hài lòng hay không.

Câu hỏi chính của phân tích là: tác động gián tiếp của X lên Y thông qua M có khác 0 hay không. PROCESS Macro sẽ ước lượng hai quan hệ chính, X đến M và M đến Y khi đã đưa X vào mô hình, sau đó dùng bootstrap để tạo khoảng tin cậy cho indirect effect.

Bạn nên phân biệt rõ biến trung gian với biến điều tiết. Biến trung gian giải thích cơ chế tác động, còn biến điều tiết làm thay đổi độ mạnh hoặc hướng của quan hệ giữa hai biến. Nếu chưa chắc cách đặt vai trò các biến, bạn có thể xem thêm biến trung gian là gì, biến độc lập là gì và bài biến kiểm soát là gì.

Trong nghiên cứu định lượng, bootstrap thường được ưu tiên hơn cách suy luận chỉ dựa trên kiểm định Sobel vì indirect effect thường có phân phối lệch. Bootstrap tạo nhiều mẫu lặp từ dữ liệu gốc, tính indirect effect ở từng mẫu rồi dùng phân vị để tạo confidence interval. Với cách báo cáo theo bootstrap, indirect effect được xem là có ý nghĩa khi khoảng tin cậy không chứa 0 (Preacher và Hayes, 2008).

Chuẩn bị dữ liệu trước khi chạy

Xác định đúng vai trò của X, M và Y

Trước khi mở SPSS, hãy viết mô hình trên một dòng: X → M → Y. Chẳng hạn, Chất lượng dịch vụ → Sự hài lòng → Ý định mua. Nếu có nhiều biến quan sát cho mỗi khái niệm, bạn thường cần tính điểm đại diện cho từng thang đo trước khi chạy PROCESS, chẳng hạn điểm trung bình của các biến quan sát sau khi kiểm tra độ tin cậy và giá trị thang đo.

Mô hình trung gian chỉ có ý nghĩa khi có cơ sở lý thuyết cho đường đi X đến M và M đến Y. PROCESS không tự chứng minh quan hệ nhân quả chỉ vì bảng output có p-value nhỏ. Bạn cần đối chiếu mô hình với giả thuyết đã xây dựng trong chương 2 và chương 3.

Kiểm tra kiểu dữ liệu và missing values

Trong Data View, X, M và Y phải là biến số dạng Scale hoặc có thể sử dụng như biến liên tục trong mô hình. Nếu dữ liệu đang được nhập dưới dạng chuỗi, PROCESS có thể không nhận biến hoặc cho kết quả không đúng. Vào Variable View để kiểm tra Type, Decimals, Measure và nhãn biến.

Bạn cũng cần kiểm tra giá trị thiếu. Vào Analyze > Descriptive Statistics > Frequencies hoặc Analyze > Descriptive Statistics > Descriptives để xem số quan sát hợp lệ. Không nên tự đổi missing value thành 0 nếu 0 không phải là câu trả lời thực tế. Hãy ghi lại số dòng bị loại và lý do loại để có thể giải trình khi viết luận văn.

Kiểm tra mã hóa ngược và điểm thang đo

Nếu bảng hỏi có biến quan sát mang nội dung đảo chiều, bạn phải reverse code trước khi tính điểm thang đo. Một biến chưa đảo mã có thể làm điểm trung bình của M hoặc X bị sai, từ đó ảnh hưởng đến indirect effect.

Bạn cũng nên xem nhanh thống kê mô tả, outlier và tương quan giữa các biến. Tương quan cao không tự động chứng minh có trung gian, còn tương quan thấp không phải lúc nào cũng khiến mô hình vô nghĩa. Đây là bước phát hiện lỗi dữ liệu, không phải bước thay thế cho kiểm định bootstrap.

Các bước chạy bootstrap trung gian trong SPSS

Cài và mở PROCESS Macro

PROCESS Macro là công cụ mở rộng cho SPSS, dùng để chạy mediation, moderation và conditional process. Bạn có thể xem PROCESS Macro là gì trước khi cài để hiểu sự khác nhau giữa công cụ này và các lệnh hồi quy thông thường.

Sau khi cài đúng phiên bản tương thích với SPSS, PROCESS thường xuất hiện tại Analyze > Regression > PROCESS v4.x. Tên phiên bản có thể khác theo file cài đặt, nhưng menu chính vẫn nằm trong nhóm Regression. Nếu không thấy PROCESS, hãy kiểm tra lại việc cài đặt và khởi động lại SPSS.

Chọn biến và model trung gian

Vào Analyze > Regression > PROCESS v4.x. Trong hộp thoại chính, đưa biến độc lập vào ô Y Variable? Với PROCESS, cách đặt thường là biến phụ thuộc vào Y Variable, biến độc lập vào X Variable, còn biến trung gian vào M Variable(s). Vì vậy, với mô hình X → M → Y, bạn đặt Y vào Y, X vào X và M vào M.

Ở ô Model Number, nhập 4. Model 4 là mô hình mediation đơn giản, phù hợp khi có một biến trung gian nằm giữa X và Y. Nếu bạn có hai biến trung gian nối tiếp hoặc song song, không nên tùy tiện dùng Model 4, vì cấu trúc giả thuyết đã khác.

Chọn bootstrap và tùy chọn thống kê

Trong phần tùy chọn, chọn Bootstrap samples là 5000. Số lần lặp này được khuyến nghị trong quy trình PLS-SEM, còn trong PROCESS bạn cũng cần ghi rõ số bootstrap đã dùng trong output và luận văn. Cách báo cáo 5.000 bootstrap subsamples có thể tham chiếu (Hair và cộng sự, 2022) khi phù hợp với thiết kế nghiên cứu.

Chọn hiển thị Total effect model, Direct and indirect effects và khoảng tin cậy bootstrap. Bạn có thể chọn Standardized coefficients nếu muốn diễn giải hệ số chuẩn hóa, đồng thời chọn Effect size nếu phiên bản PROCESS cung cấp tùy chọn này và đề tài cần báo cáo.

Nếu mô hình có biến kiểm soát, đưa các biến đó vào ô Covariates. Biến kiểm soát phải được xác định từ mô hình nghiên cứu, không nên thêm vào chỉ vì làm cho p-value đẹp hơn. Kiểm tra lại thứ tự X, M và Y trước khi bấm OK.

Lưu và kiểm tra output

SPSS sẽ tạo output gồm phần mô tả mô hình, các bảng hồi quy và bảng Indirect effect(s) of X on Y. Lưu file .spv ngay sau khi chạy. Nếu bạn chạy nhiều phiên bản, đặt tên theo ngày hoặc theo vòng phân tích để không nhầm kết quả.

Đừng chỉ chụp riêng dòng BootLLCI và BootULCI. Hãy giữ cả bảng Model Summary, bảng hệ số của phương trình M và phương trình Y, vì người đọc cần biết mô hình đã được kiểm tra như thế nào.

Đọc kết quả output

PROCESS thường trình bày hai phương trình hồi quy. Phương trình thứ nhất dự đoán M từ X và biến kiểm soát, nếu có. Phương trình thứ hai dự đoán Y từ X, M và biến kiểm soát. Trong output, hãy chú ý R-sq, Coeff, SE, t và p của từng phương trình.

Bảng quan trọng nhất là Indirect effect(s) of X on Y. Trong bảng này, Effect là indirect effect, BootSE là sai số chuẩn bootstrap, còn BootLLCI và BootULCI là cận dưới và cận trên của khoảng tin cậy bootstrap. Nếu BootLLCI và BootULCI cùng dương hoặc cùng âm, khoảng tin cậy không chứa 0. Khi đó, bạn có bằng chứng thống kê để kết luận tác động gián tiếp khác 0.

Output Model Summary

R-sq cho biết tỷ lệ biến thiên của biến được dự đoán trong từng phương trình. Với phương trình M, đó là phần biến thiên của M được giải thích bởi X và biến kiểm soát. Với phương trình Y, đó là phần biến thiên của Y được giải thích bởi X, M và biến kiểm soát.

R-sq không phải là kết luận duy nhất của mediation. Một mô hình có R-sq không cao vẫn có thể có indirect effect có ý nghĩa, còn R-sq cao không tự động chứng minh cơ chế trung gian.

Output Model

Trong bảng hệ số, dòng X ở phương trình dự đoán M giúp bạn xem quan hệ X → M. Ở phương trình dự đoán Y, dòng M giúp xem quan hệ M → Y khi X được đưa vào cùng mô hình. Dòng X trong phương trình Y thể hiện direct effect của X lên Y sau khi đã đưa M vào.

Hãy phân biệt Total effect of X on Y với Direct effect of X on Y. Total effect là tác động tổng thể trước khi tách đường qua M. Direct effect là tác động còn lại của X lên Y sau khi kiểm soát M.

Output Indirect effect(s) of X on Y

Ví dụ dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu cụ thể:

Với bảng minh họa này, indirect effect bằng 0.184. Khoảng tin cậy bootstrap 95% từ 0.091 đến 0.298 đều lớn hơn 0, nên có thể kết luận tác động gián tiếp có ý nghĩa thống kê ở mức tin cậy tương ứng. Đây chỉ là cách đọc output, không phải phát hiện từ dữ liệu của bạn.

Nếu BootLLCI là -0.04 và BootULCI là 0.08, khoảng tin cậy chứa 0. Khi đó, bạn chưa có đủ bằng chứng để kết luận indirect effect khác 0. Không nên gọi biến M là trung gian có ý nghĩa chỉ vì X và Y có tương quan hoặc vì một đường hồi quy riêng lẻ có p-value nhỏ.

Tiêu chí đánh giá

Bảng dưới đây tập trung vào tiêu chí thường dùng khi đọc bootstrap trung gian trong SPSS. Mỗi dòng đều nêu nguồn để bạn không chép một ngưỡng rời khỏi tài liệu tham khảo.

Cách gọi “trung gian toàn phần” cần thận trọng. Logic cổ điển thường dựa vào việc direct effect giảm hoặc không còn ý nghĩa sau khi thêm M (Baron và Kenny, 1986), nhưng quyết định chính trong bootstrap vẫn là khoảng tin cậy của indirect effect. Bạn nên báo cáo cả direct effect, total effect và indirect effect thay vì chỉ ghi một nhãn.

Nếu dùng biến kiểm soát, hãy ghi rõ các biến này được đưa vào cả phương trình liên quan theo thiết lập của PROCESS. Không so sánh hai mô hình có và không có biến kiểm soát nếu bạn không nêu lý do lý thuyết và cách thay đổi mô hình.

Cách viết kết quả vào luận văn

Bạn có thể viết theo mẫu sau và thay toàn bộ phần trong ngoặc vuông bằng số liệu thật từ output:

Cách viết vào luận văn: “Kết quả PROCESS Macro với Model 4 và [số bootstrap] mẫu bootstrap cho thấy tác động gián tiếp của [X] đến [Y] thông qua [M] có hệ số là [Effect] và khoảng tin cậy bootstrap 95% từ [BootLLCI] đến [BootULCI]. Do khoảng tin cậy không chứa 0, tác động gián tiếp có ý nghĩa thống kê, vì vậy giả thuyết [H] được [chấp nhận/ủng hộ] ở mức ý nghĩa [mức ý nghĩa].”

Nếu khoảng tin cậy chứa 0, hãy viết: “Khoảng tin cậy bootstrap 95% của tác động gián tiếp từ [BootLLCI] đến [BootULCI] chứa 0, do đó chưa có đủ bằng chứng thống kê để kết luận [M] truyền tải tác động của [X] đến [Y].”

Sau đoạn này, nên thêm bảng tóm tắt gồm hệ số, BootSE, BootLLCI, BootULCI và kết luận của từng giả thuyết. Đừng ghi “tác động tăng [X]%” nếu bạn chưa có cách diễn giải phù hợp với đơn vị đo. Hệ số 0.184 trong bảng output không tự động có nghĩa là tăng 18,4%.

Nếu giảng viên yêu cầu kiểm định Sobel, bạn có thể đọc thêm phân tích Sobel test SPSS. Tuy nhiên, hãy ghi rõ phương pháp nào được dùng trong kết quả chính và không trộn confidence interval bootstrap với kết luận của Sobel trong cùng một dòng.

Lỗi thường gặp khi chạy bootstrap trung gian trong SPSS

Chọn nhầm Model Number

Model 4 phù hợp với một mediator đơn giản. Nếu bạn có moderator, mediator nối tiếp hoặc nhiều mediator song song, cần chọn model tương ứng và vẽ lại sơ đồ đường dẫn trước khi chạy. Việc nhập Model 4 cho mọi đề tài khiến output có thể chạy được nhưng không trả lời đúng giả thuyết.

Đảo nhầm X và Y

Nếu đặt biến phụ thuộc vào X và biến độc lập vào Y, PROCESS vẫn có thể tạo bảng kết quả. Phần mềm không biết mô hình lý thuyết của bạn. Trước khi bấm OK, đọc lại giả thuyết theo câu: “X tác động đến Y thông qua M”.

Chỉ nhìn p-value của từng đường dẫn

Một đường X → M có p-value nhỏ và một đường M → Y có p-value nhỏ chưa đủ thay thế cho bảng indirect effect. Kết luận trung gian cần dựa vào khoảng tin cậy bootstrap của indirect effect.

Đổi dữ liệu để output đạt ngưỡng

Không xóa dòng chỉ vì dòng đó làm BootLLCI chứa 0. Bạn chỉ nên loại dữ liệu khi có tiêu chí làm sạch đã xác định, chẳng hạn bản trả lời không hợp lệ hoặc thiếu dữ liệu theo quy tắc đã nêu trong phương pháp. Lưu từng phiên bản file và ghi lại lý do loại.

Dùng nhầm ngưỡng của SmartPLS hoặc CB-SEM

PROCESS trong SPSS là hồi quy và bootstrap conditional process. Các chỉ số như AVE, HTMT, outer loading thuộc nhóm đánh giá measurement model trong PLS-SEM, còn CFI, TLI và RMSEA thuộc CB-SEM. Không đưa các ngưỡng này vào bảng đọc PROCESS nếu mô hình của bạn không chạy bằng SmartPLS hoặc AMOS.

Câu hỏi thường gặp

Bootstrap trung gian trong SPSS là gì?

Đây là cách dùng bootstrap để ước lượng và kiểm định tác động gián tiếp của X lên Y thông qua M trong SPSS, thường thực hiện bằng PROCESS Macro. Kết luận tập trung vào khoảng tin cậy của indirect effect, đặc biệt là hai cận BootLLCI và BootULCI.

Bootstrap trung gian bao nhiêu mẫu là đạt?

Bạn có thể chọn 5.000 mẫu bootstrap và ghi rõ con số này trong phương pháp. Số lần lặp không khiến dữ liệu tự trở nên tốt hơn, cũng không bảo đảm giả thuyết sẽ có ý nghĩa. Điều cần kiểm tra là cách thiết lập mô hình, chất lượng dữ liệu và khoảng tin cậy của indirect effect.

BootLLCI và BootULCI đều âm có được xem là có trung gian không?

Có thể xem indirect effect khác 0 nếu hai cận đều âm và khoảng tin cậy không chứa 0. Dấu âm cần được diễn giải theo chiều mã hóa của X, M và Y. Hãy kiểm tra lại các biến đảo chiều trước khi viết rằng tác động là nghịch chiều.

Khoảng tin cậy bootstrap chứa 0 thì làm sao?

Bạn chưa có đủ bằng chứng thống kê để kết luận tác động gián tiếp khác 0 trong mẫu hiện tại. Không nên tự tăng số bootstrap, đổi mức ý nghĩa hoặc xóa quan sát chỉ để loại 0 khỏi khoảng tin cậy. Hãy kiểm tra lại mã hóa, missing values, vai trò các biến và cơ sở lý thuyết, sau đó báo cáo kết quả đúng như output.

Có cần chạy Sobel test cùng với bootstrap không?

Không phải lúc nào cũng cần chạy cả hai. Bootstrap thường được dùng làm kết quả chính vì nó trực tiếp tạo khoảng tin cậy cho indirect effect. Nếu giảng viên yêu cầu Sobel, bạn có thể báo cáo thêm như một phân tích bổ sung, nhưng phải tách rõ hai phương pháp và không làm cho người đọc nhầm rằng chúng là cùng một kiểm định.

Mở file .sav, kiểm tra lại X, M, Y và chạy PROCESS với Model 4 trước khi sao chép bất kỳ con số nào vào chương 4. Nếu bạn muốn chạy phân tích trên chính dữ liệu SPSS hoặc CSV và giữ lại từng output, M4 phân tích dữ liệu là module phù hợp cho bước này.