Mediation là gì? Cách đọc biến trung gian trong nghiên cứu định lượng
Mediation là gì
Mediation là phân tích tác động trung gian, dùng để kiểm tra một biến X ảnh hưởng đến biến Y thông qua biến M hay không. Trong mô hình này, X thường được gọi là biến độc lập, M là mediator hoặc biến trung gian, còn Y là biến phụ thuộc.
Ví dụ, bạn muốn kiểm tra chất lượng dịch vụ ảnh hưởng đến lòng trung thành thông qua sự hài lòng. Khi đó, chất lượng dịch vụ là X, sự hài lòng là M và lòng trung thành là Y. Câu hỏi nghiên cứu không chỉ là X có làm Y thay đổi hay không, mà còn là tác động đó có đi qua M hay không.
Mô hình cơ bản có ba đường dẫn:
- Đường dẫn a: X → M.
- Đường dẫn b: M → Y, khi đã kiểm soát X.
- Đường dẫn c': X → Y, khi đã đưa M vào mô hình.
Tác động gián tiếp, hay indirect effect, thường được biểu diễn bằng tích a × b. Tác động tổng, gọi là total effect, có thể được mô tả bằng c = c' + a × b. Trong đó, c' là tác động trực tiếp của X lên Y sau khi M được đưa vào mô hình.
Bạn có thể xem thêm bài mediator là gì nếu đang nhầm giữa tên của biến trung gian và kỹ thuật mediation. Hai khái niệm này liên quan chặt chẽ, nhưng mediator là một biến trong mô hình, còn mediation là cách kiểm định cơ chế tác động của mô hình.
Ý nghĩa của mediation trong nghiên cứu định lượng
Mediation giúp bạn trả lời câu hỏi về cơ chế tác động. Một mối quan hệ có thể tồn tại ở mức tổng thể, nhưng nhà nghiên cứu vẫn cần biết vì sao mối quan hệ đó xuất hiện. Chẳng hạn, đào tạo nhân viên có thể cải thiện hiệu suất vì đào tạo làm tăng năng lực, rồi năng lực mới dẫn đến hiệu suất cao hơn.
Trong luận văn, mediation thường được dùng khi mô hình có dạng “X ảnh hưởng đến Y thông qua M”. Các giả thuyết có thể gồm:
- H1: Chất lượng dịch vụ ảnh hưởng tích cực đến sự hài lòng.
- H2: Sự hài lòng ảnh hưởng tích cực đến lòng trung thành.
- H3: Chất lượng dịch vụ ảnh hưởng tích cực đến lòng trung thành.
- H4: Sự hài lòng đóng vai trò trung gian trong mối quan hệ giữa chất lượng dịch vụ và lòng trung thành.
H4 là giả thuyết về mediation. Việc X có tác động đến Y chưa đủ để kết luận H4. Bạn cần kiểm tra riêng indirect effect và khoảng tin cậy của nó. Với bootstrapping, tác động gián tiếp được xem là có ý nghĩa khi khoảng tin cậy không chứa giá trị 0 (Preacher và Hayes, 2008).
Mediation cũng giúp bạn tránh cách giải thích quá rộng từ một hệ số hồi quy. Nếu X tác động đến Y, bạn chỉ biết có một mối liên hệ hoặc tác động theo mô hình đã chọn. Khi indirect effect có ý nghĩa, bạn có thêm căn cứ để trình bày rằng một phần cơ chế đi qua M. Tuy nhiên, kết quả thống kê không tự chứng minh quan hệ nhân quả tuyệt đối nếu thiết kế nghiên cứu của bạn là khảo sát cắt ngang.
Nếu mô hình của bạn có biến làm thay đổi độ mạnh của mối quan hệ, đó là moderation, không phải mediation. Bạn có thể xem bài moderating là gì và moderator là gì để phân biệt hai trường hợp này trước khi chọn cách chạy.
Mediation bao nhiêu là đạt
Mediation không có một ngưỡng duy nhất giống Cronbach's Alpha hay AVE. Tiêu chí quyết định là indirect effect có ý nghĩa thống kê hay không, thường được đánh giá bằng bootstrap confidence interval. Bạn cũng cần xem dấu của indirect effect có phù hợp với giả thuyết hay không.
Bảng dưới đây là các điểm kiểm tra thường dùng. Mỗi hàng cần được đọc cùng với nguồn và phương pháp bạn đã chọn.
| Nội dung cần kiểm tra | Cách đọc kết quả | Tiêu chí hoặc hướng diễn giải | Nguồn |
|---|---|---|---|
| Tác động gián tiếp | Indirect effect hoặc Specific indirect effects | Khoảng tin cậy bootstrap không chứa 0 | (Preacher và Hayes, 2008) |
| Số mẫu bootstrap | Bootstrap subsamples | Có thể dùng 5.000 subsamples trong quy trình PLS-SEM | (Hair và cộng sự, 2022) |
| Tác động trực tiếp | Direct effect hoặc c' | Xem hệ số, dấu và p-value hoặc khoảng tin cậy | (Preacher và Hayes, 2008) |
| Tác động tổng | Total effect | Xem mức độ tác động tổng của X lên Y | (Preacher và Hayes, 2008) |
| Phân biệt mediator và moderator | Cấu trúc giả thuyết | Mediator giải thích cơ chế, moderator làm thay đổi độ mạnh hoặc hướng tác động | (Baron và Kenny, 1986) |
| VIF trong mô hình PLS-SEM | Inner VIF Values | VIF dưới 5 | (Hair và cộng sự, 2019) |
| R² của biến phụ thuộc | R Square | 0,75 substantial, 0,50 moderate, 0,25 weak trong PLS-SEM | (Hair và cộng sự, 2011) |
Bạn không nên kết luận “mediation đạt” chỉ vì p-value của đường X → M nhỏ hơn 0,05. Đường a có ý nghĩa là một bằng chứng cần xem xét, nhưng kết luận về tác động trung gian phải dựa vào indirect effect. Nếu khoảng tin cậy của indirect effect chứa 0, bạn chưa có đủ bằng chứng để kết luận tác động trung gian có ý nghĩa.
Hai cách gọi thường gặp là trung gian toàn phần và trung gian một phần. Trung gian toàn phần thường được dùng khi indirect effect có ý nghĩa, còn direct effect sau khi thêm M không còn ý nghĩa. Trung gian một phần thường được dùng khi indirect effect và direct effect đều có ý nghĩa. Cách phân loại cần được trình bày thận trọng vì một số hướng dẫn hiện đại ưu tiên báo cáo trực tiếp indirect effect và confidence interval thay vì phụ thuộc hoàn toàn vào chuỗi bước truyền thống.
Cách đọc mediation trên output
Trên SPSS, mediation thường được chạy bằng PROCESS macro, sau đó bạn đọc các bảng về total effect, direct effect và indirect effect. Trên SmartPLS, bạn chạy bootstrapping rồi xem các bảng Specific Indirect Effects, Direct Effects, Total Effects và Path Coefficients.
Dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Giả sử X là chất lượng dịch vụ, M là sự hài lòng và Y là lòng trung thành.
| Bảng output | Quan hệ | Original Sample hoặc Effect | Bootstrapped t hoặc t value | p-value | 95% Confidence Interval | Diễn giải minh họa |
|---|---|---|---|---|---|---|
| Path Coefficients | X → M | 0,62 | 10,41 | < 0,001 | 0,50 đến 0,73 | Tác động a dương, có ý nghĩa |
| Direct Effects | X → Y | 0,21 | 2,48 | 0,013 | 0,05 đến 0,37 | Tác động trực tiếp c' còn ý nghĩa |
| Specific Indirect Effects | X → M → Y | 0,29 | 4,96 | < 0,001 | 0,19 đến 0,41 | Khoảng tin cậy không chứa 0 |
| Total Effects | X → Y | 0,50 | 8,02 | < 0,001 | 0,38 đến 0,62 | Tác động tổng dương, có ý nghĩa |
Với dòng Specific Indirect Effects, khoảng tin cậy từ 0,19 đến 0,41 không chứa 0. Trong số liệu minh họa này, indirect effect có ý nghĩa và mang dấu dương. Vì direct effect vẫn còn ý nghĩa ở mức 0,21, bạn có thể mô tả kết quả theo hướng trung gian một phần, với điều kiện cách phân loại này phù hợp với khung lý thuyết và quy ước bạn đã chọn.
Nếu dùng SPSS PROCESS, hãy chú ý bảng Indirect effect(s) of X on Y. Bạn tập trung vào Effect, BootSE, LLCI và ULCI. LLCI là cận dưới, ULCI là cận trên của khoảng tin cậy. Khi LLCI và ULCI cùng dương hoặc cùng âm, khoảng tin cậy không đi qua 0. Bạn không cần chỉ nhìn vào p-value của một đường dẫn riêng lẻ để kết luận indirect effect.
Nếu dùng SmartPLS 4, quy trình thường là chạy Calculate > Bootstrapping, chọn số subsamples theo thiết kế phân tích, rồi mở kết quả Bootstrapping > Specific Indirect Effects. SmartPLS 3 và SmartPLS 4 có khác biệt về vị trí một số menu, vì vậy hãy kiểm tra đúng phiên bản đang dùng. Trong PLS-SEM, quy trình đánh giá nên tách measurement model và structural model theo hướng tiếp cận hai bước (Anderson và Gerbing, 1988), sau đó mới diễn giải các đường dẫn trung gian.
Một kết quả mediation cần được đọc theo chuỗi. Trước hết, kiểm tra mô hình đo lường nếu bạn dùng biến tiềm ẩn. Sau đó kiểm tra đường dẫn X → M và M → Y, indirect effect, direct effect, total effect, dấu của hệ số và khoảng tin cậy. Cuối cùng, đối chiếu kết quả với giả thuyết, thay vì chép toàn bộ bảng output vào chương 4.
Khi mediation không đạt thì xử lý thế nào
Nếu indirect effect không có ý nghĩa, bạn nên xử lý theo thứ tự sau.
Kiểm tra lại biến và hướng giả thuyết
Xem bạn đã chọn đúng X, M và Y chưa. Một lỗi thường gặp là đưa biến điều tiết vào vị trí của biến trung gian, hoặc viết giả thuyết “M điều tiết X và Y” nhưng lại chạy mô hình mediation. Kiểm tra sơ đồ mô hình, mã biến và cách diễn đạt giả thuyết trước khi chạy lại.
Kiểm tra dữ liệu và thang đo
Nếu biến quan sát bị mã hóa ngược nhưng chưa reverse code, kết quả đường dẫn có thể bị đảo dấu hoặc yếu đi. Bạn cũng cần xem missing values, các dòng trả lời bất thường và outliers. Khi loại dữ liệu, phải ghi rõ tiêu chí và số quan sát bị loại, không xóa tùy ý để làm p-value đẹp hơn.
Kiểm tra measurement model
Với SmartPLS, hãy xem outer loadings, CR, AVE và HTMT trước khi diễn giải mediation. Outer loading từ 0,7 trở lên thường được dùng trong PLS-SEM (Chin, 1998), CR từ 0,7 và AVE từ 0,5 là các ngưỡng thường được trích dẫn (Fornell và Larcker, 1981). Nếu thang đo không ổn định, việc kết luận indirect effect sẽ thiếu cơ sở.
Chạy lại bằng bootstrap phù hợp
Nếu bạn đang dùng cách kiểm tra chỉ dựa vào Sobel test hoặc chỉ nhìn p-value của từng đường dẫn, hãy cân nhắc bootstrapping indirect effect. Trong SPSS, PROCESS cho phép thiết lập số bootstrap và khoảng tin cậy. Trong SmartPLS, dùng kết quả bootstrapping của Specific Indirect Effects. Không thay đổi số bootstrap liên tục chỉ để tìm ra kết quả có ý nghĩa.
Giữ nguyên kết quả nếu vẫn không đạt
Nếu indirect effect vẫn không có ý nghĩa sau khi kiểm tra hợp lý, hãy báo cáo kết quả không được ủng hộ. Bạn có thể thảo luận rằng dữ liệu của mẫu này chưa cung cấp đủ bằng chứng cho vai trò trung gian. Loại bỏ mediator khỏi chương kết quả chỉ vì giả thuyết không được ủng hộ sẽ làm báo cáo thiếu minh bạch.
Phân biệt mediation với moderation và mediator
Mediation trả lời câu hỏi “X ảnh hưởng đến Y thông qua cơ chế nào”. Moderator trả lời câu hỏi “mối quan hệ giữa X và Y mạnh hay yếu trong điều kiện nào, hoặc với nhóm nào”.
Ví dụ, sự hài lòng là mediator nếu chất lượng dịch vụ làm tăng sự hài lòng, rồi sự hài lòng làm tăng lòng trung thành. Độ tuổi có thể là moderator nếu tác động của chất lượng dịch vụ lên lòng trung thành khác nhau giữa các nhóm tuổi hoặc thay đổi theo độ tuổi.
Mediator thường nằm trên đường truyền tác động: X → M → Y. Moderator thường xuất hiện qua biến tương tác, chẳng hạn X × W → Y. Vì vậy, việc bạn có một biến thứ ba trong mô hình chưa đủ để gọi đó là mediation. Cần nhìn vào câu hỏi nghiên cứu, sơ đồ giả thuyết và cách biến thứ ba được đưa vào phương trình.
Một số đề tài có cả hai cơ chế. Ví dụ, chất lượng dịch vụ ảnh hưởng đến lòng trung thành thông qua sự hài lòng, nhưng mức độ tác động lại khác nhau theo mức độ gắn kết của khách hàng. Đây có thể là mô hình moderated mediation, phức tạp hơn mediation cơ bản và cần nêu rõ biến nào là mediator, biến nào là moderator.
Bạn cũng nên phân biệt mediation với việc chỉ thêm một biến kiểm soát vào hồi quy. Biến kiểm soát được đưa vào để giảm ảnh hưởng của các yếu tố khác theo thiết kế nghiên cứu. Mediator cần có lập luận lý thuyết và giả thuyết riêng về cơ chế X → M → Y.
Lỗi thường gặp khi đọc mediation
Lỗi đầu tiên là kết luận có mediation chỉ vì X → M có p-value nhỏ hơn 0,05. Bạn cần đọc dòng indirect effect và confidence interval của chính tác động gián tiếp.
Lỗi thứ hai là dùng cụm “trung gian toàn phần” một cách máy móc. Nếu direct effect không có ý nghĩa, điều đó hỗ trợ cách diễn giải trung gian toàn phần trong mô hình của bạn, nhưng vẫn cần báo cáo hệ số, khoảng tin cậy và cơ sở lý thuyết. Nếu direct effect và indirect effect có dấu ngược nhau, đừng gộp ngay vào trung gian một phần mà không giải thích hiện tượng này.
Lỗi thứ ba là nhầm p-value với kích thước tác động. Một indirect effect có thể có ý nghĩa thống kê nhưng độ lớn nhỏ. Hãy báo cáo effect, confidence interval và bối cảnh nghiên cứu, không chỉ ghi “có tác động”.
Lỗi thứ tư là trộn tiêu chí của CB-SEM vào SmartPLS. CFI, TLI, RMSEA và SRMR thuộc nhóm chỉ số thường dùng trong CB-SEM, với nguồn (Hu và Bentler, 1999). Bạn không nên đưa các chỉ số này vào bài hướng dẫn PLS-SEM nếu không có lý do phương pháp rõ ràng.
Lỗi cuối là chỉnh mô hình sau nhiều lần chạy mà không ghi lại lịch sử. Nếu bạn loại biến quan sát hoặc đổi đường dẫn, hãy lập bảng theo dõi phiên bản dữ liệu, lý do điều chỉnh và kết quả sau mỗi lần chạy. Điều này giúp bạn giải trình khi giảng viên hỏi vì sao mô hình cuối khác mô hình đề xuất.
Cách viết vào luận văn có thể bắt đầu như sau: “Kết quả bootstrapping cho thấy tác động gián tiếp của [X] lên [Y] thông qua [M] đạt [hệ số], với khoảng tin cậy 95% từ [LLCI] đến [ULCI], không chứa 0. Do đó, giả thuyết [H] được [chấp nhận hoặc ủng hộ]. Tác động trực tiếp của [X] lên [Y] [còn hoặc không còn] ý nghĩa, vì vậy vai trò trung gian được diễn giải là [một phần hoặc toàn phần] theo tiêu chí của nghiên cứu.”
Câu hỏi thường gặp
Mediation là gì trong SPSS
Trong SPSS, mediation là cách kiểm tra biến M truyền một phần hoặc toàn bộ tác động của X đến Y. Bạn có thể dùng PROCESS macro để xem direct effect, indirect effect và total effect cùng khoảng tin cậy bootstrap.
Trung gian toàn phần và trung gian một phần khác nhau thế nào
Trung gian toàn phần thường được dùng khi indirect effect có ý nghĩa, còn direct effect sau khi thêm mediator không còn ý nghĩa. Trung gian một phần thường được dùng khi indirect effect có ý nghĩa và direct effect vẫn còn ý nghĩa. Bạn cần báo cáo các hệ số và khoảng tin cậy, không chỉ ghi tên loại mediation.
Indirect effect bao nhiêu là đạt
Không có một con số cố định áp dụng cho mọi mô hình. Indirect effect được xem là có ý nghĩa khi khoảng tin cậy bootstrap không chứa 0 (Preacher và Hayes, 2008). Sau đó, bạn xem thêm dấu, độ lớn hệ số và sự phù hợp với giả thuyết.
Mô hình biến trung gian mediator nằm ở đâu trong sơ đồ
Mediator nằm giữa X và Y, tạo thành đường X → M → Y. Trong ví dụ chất lượng dịch vụ, sự hài lòng, lòng trung thành, sự hài lòng là mediator. Nếu biến thứ ba làm thay đổi độ mạnh của quan hệ X → Y, đó thường là moderator.
Có thể chạy moderated mediation bằng SPSS không
Có thể, nhưng đây là mô hình phức tạp hơn mediation cơ bản. Bạn cần xác định rõ biến trung gian, biến điều tiết, biến tương tác và giả thuyết trước khi chọn PROCESS model hoặc quy trình phân tích phù hợp. Không nên dùng một mô hình mediation đơn giản rồi gọi kết quả đó là moderated mediation.
Mediation không có ý nghĩa thì có phải xóa giả thuyết không
Bạn không nên xóa kết quả chỉ vì giả thuyết không được ủng hộ. Hãy kiểm tra mã hóa, dữ liệu, thang đo và mô hình trước. Nếu kết quả vẫn không có ý nghĩa, báo cáo trung thực rằng dữ liệu chưa cung cấp đủ bằng chứng cho tác động trung gian và thảo luận khả năng giải thích.
Mở file SPSS hoặc SmartPLS của bạn, xác định đúng X, M, Y rồi tìm dòng Indirect Effects hoặc Specific Indirect Effects trước khi viết kết luận. Nếu cần chạy mediation trên chính file .sav hoặc .csv và chuyển kết quả thành phần viết chương, bạn có thể xem M4 phân tích dữ liệu.