Mediators là gì? Cách đọc và xử lý biến trung gian
Bạn mở output SPSS và thấy các đường a, b, c, c', cùng một bảng Indirect effect. Những ký hiệu này đang trả lời câu hỏi: biến X ảnh hưởng đến Y trực tiếp, hay ảnh hưởng thông qua một biến M ở giữa. Đó là vấn đề của mediator, thường gọi là biến trung gian. Nếu bạn đang tìm cách chạy phân tích cho đề tài của mình, có thể xem thêm mediator là gì trong nhóm tài liệu Thống kê.
Mediators là gì
Mediator là biến giải thích cơ chế truyền tác động từ biến độc lập X đến biến phụ thuộc Y. M nằm giữa X và Y trong mô hình nghiên cứu. Ví dụ, chất lượng website có thể làm tăng sự hài lòng, rồi sự hài lòng làm tăng ý định mua lại. Trong mô hình này, sự hài lòng là mediator.
Có thể hình dung mô hình cơ bản như sau:
X → M → Y
Trong đó, đường a là tác động của X lên M, đường b là tác động của M lên Y khi đã kiểm soát X, còn c' là tác động trực tiếp của X lên Y sau khi đưa M vào mô hình. Tác động gián tiếp được tính bằng a × b. Tác động tổng thường được biểu diễn là c = c' + ab.
Ví dụ, X là trải nghiệm mua sắm trực tuyến, M là sự hài lòng và Y là ý định mua lại. Bạn không chỉ hỏi X có ảnh hưởng đến Y hay không. Bạn muốn biết X làm tăng ý định mua lại vì khách hàng hài lòng hơn, hay còn có một tác động trực tiếp khác.
Trong bài viết này, từ “mediators” được dùng theo cách sinh viên thường tìm kiếm, nhưng trong luận văn bạn nên dùng nhất quán “biến trung gian” hoặc “mediator”. Nếu mô hình có nhiều biến trung gian, bạn cần ghi rõ đó là các mediator song song hay mediator nối tiếp.
Ý nghĩa của mediators trong nghiên cứu định lượng
Một mô hình chỉ có X và Y cho biết mức độ liên hệ hoặc tác động giữa hai biến. Khi thêm M, bạn có thể giải thích cơ chế phía sau mối quan hệ đó. Đây là lý do mediator thường xuất hiện trong mô hình hành vi người tiêu dùng, chấp nhận công nghệ, chất lượng dịch vụ và quản trị nhân sự.
Mediator giúp bạn trả lời ba câu hỏi. Thứ nhất, X có làm thay đổi M không. Thứ hai, M có liên quan đến Y sau khi kiểm soát X không. Thứ ba, tích a × b có khác không một cách có ý nghĩa thống kê.
Khi tác động gián tiếp có ý nghĩa, bạn có cơ sở nói rằng M truyền một phần tác động của X đến Y. Cách diễn đạt này thận trọng hơn câu “M là nguyên nhân chắc chắn”, vì dữ liệu khảo sát cắt ngang thường không tự chứng minh đầy đủ quan hệ nhân quả.
Bạn cũng cần phân biệt mediator với moderator. Mediator trả lời “vì sao” hoặc “thông qua cơ chế nào” X liên quan đến Y. Moderator trả lời “khi nào” hoặc “đối với nhóm nào” tác động X lên Y mạnh hơn. Bạn có thể xem bài moderator là gì và moderating nếu mô hình của bạn có biến điều tiết.
Về công cụ, SPSS có thể chạy hồi quy và PROCESS để phân tích trung gian. SmartPLS dùng path coefficient và bootstrapping để kiểm tra tác động gián tiếp trong mô hình PLS-SEM. AMOS phù hợp với CB-SEM, còn R và JASP phù hợp khi bạn chấp nhận làm việc bằng cú pháp hoặc giao diện khác. Dùng dịch vụ chạy SPSS có thể tiết kiệm thời gian trước mắt, nhưng bạn vẫn cần hiểu bảng kết quả để giải trình khi bị hỏi. Rủi ro lớn nhất là nhận một kết luận không khớp với mô hình, mã hóa dữ liệu hoặc giả thuyết của bạn.
Mediators bao nhiêu là đạt
Mediator không có một ngưỡng đơn lẻ giống Cronbach's Alpha. Bạn cần xem tác động gián tiếp và khoảng tin cậy của nó. Nếu dùng bootstrapping, tác động gián tiếp được xem là có ý nghĩa khi khoảng tin cậy không chứa 0 (Preacher và Hayes, 2008).
Bảng dưới đây tóm tắt các điểm thường được báo cáo. Mỗi dòng đi kèm nguồn để bạn không chép một con số không rõ xuất xứ vào chương 4.
| Nội dung cần kiểm tra | Cách đọc hoặc ngưỡng tham khảo | Nguồn |
|---|---|---|
Tác động gián tiếp a × b | Khoảng tin cậy bootstrap không chứa 0 | (Preacher và Hayes, 2008) |
| Số mẫu bootstrap | Có thể thiết lập 5.000 mẫu trong PLS-SEM | (Hair và cộng sự, 2022) |
| Đường dẫn trong mô hình | Xem path coefficient, dấu tác động và p-value hoặc khoảng tin cậy | (Hair và cộng sự, 2022) |
| Phân biệt mediator và moderator | Mediator giải thích cơ chế truyền tác động, moderator thay đổi độ mạnh hoặc hướng tác động | (Baron và Kenny, 1986) |
| R² của biến nội sinh | 0,75 đáng kể, 0,50 trung bình, 0,25 yếu trong PLS-SEM | (Hair và cộng sự, 2011) |
| VIF giữa các biến dự báo | Dưới 5 là ngưỡng thường được báo cáo trong PLS-SEM | (Hair và cộng sự, 2019) |
| Tác động gián tiếp trong PROCESS | Báo cáo Effect, BootSE, BootLLCI và BootULCI | (Preacher và Hayes, 2008) |
Từ “đạt” cần được hiểu theo mục tiêu kiểm định. Một mediator không bị loại chỉ vì hệ số nhỏ. Nếu khoảng tin cậy không chứa 0, tác động gián tiếp có thể có ý nghĩa dù mức tác động yếu. Bạn nên báo cáo cả hệ số, khoảng tin cậy và hướng tác động, thay vì chỉ ghi “có trung gian”.
Nếu tác động gián tiếp có ý nghĩa và tác động trực tiếp c' vẫn có ý nghĩa, mô hình thường được gọi là trung gian một phần. Nếu tác động gián tiếp có ý nghĩa nhưng c' không còn có ý nghĩa, nhiều luận văn gọi là trung gian toàn phần. Tuy nhiên, đừng chỉ dựa vào việc đường tổng c có ý nghĩa hay không. Tác động gián tiếp mới là phần cần được kiểm tra trực tiếp bằng bootstrap.
Cách đọc mediators trên output
Giả sử bạn chạy PROCESS trong SPSS với X là trải nghiệm ứng dụng, M là sự tin tưởng và Y là ý định tiếp tục sử dụng. Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được rút gọn theo các bảng mà sinh viên thường gặp trong output PROCESS.
| Quan hệ hoặc chỉ số | Coeff | SE | LLCI | ULCI | p-value |
|---|---|---|---|---|---|
| X → M, đường a | 0,542 | 0,081 | 0,382 | 0,702 | < 0,001 |
| M → Y, kiểm soát X, đường b | 0,417 | 0,096 | 0,227 | 0,608 | < 0,001 |
| X → Y, tác động trực tiếp c' | 0,186 | 0,078 | 0,032 | 0,340 | 0,018 |
| X → Y, tác động tổng c | 0,412 | 0,071 | 0,272 | 0,552 | < 0,001 |
| Indirect effect X → M → Y | 0,226 | 0,061 | 0,115 | 0,357 | BootLLCI, BootULCI |
Bạn đọc theo thứ tự. Trước hết, đường a dương cho thấy X dự báo M theo hướng dương. Tiếp theo, đường b dương cho thấy M vẫn dự báo Y khi X đã được đưa vào phương trình. Cuối cùng, BootLLCI = 0,115 và BootULCI = 0,357 đều lớn hơn 0, nên khoảng tin cậy không chứa 0. Tác động gián tiếp trong ví dụ có ý nghĩa thống kê.
Trong bảng Indirect effect, PROCESS thường không dùng p-value như một dòng quyết định chính. Bạn nhìn vào BootLLCI và BootULCI. Nếu một đầu âm và một đầu dương, khoảng tin cậy chứa 0, khi đó chưa đủ cơ sở kết luận mediator truyền tác động.
Với bảng hồi quy, bạn cũng cần kiểm tra R-sq, Model, Coefficients và số quan sát. Nếu chạy SmartPLS, tên bảng có thể là Path Coefficients, Specific Indirect Effects, Total Effects và kết quả Bootstrapping. Logic đọc vẫn tương tự, bạn xem hệ số gián tiếp, khoảng tin cậy và hướng tác động.
Cách viết vào luận văn
Bạn có thể điều chỉnh câu sau theo output thật: “Kết quả bootstrapping cho thấy tác động gián tiếp của [X] lên [Y] thông qua [M] có hệ số là [ab] và khoảng tin cậy [BootLLCI; BootULCI] không chứa 0. Do đó, [M] có vai trò trung gian trong mối quan hệ giữa [X] và [Y], với mức độ trung gian [một phần/toàn phần nếu phù hợp với kết quả tác động trực tiếp].”
Không điền số minh họa vào luận văn của bạn. Hãy mở đúng bảng output, ghi lại hệ số từ file .sav hoặc .csv của mình, rồi đối chiếu với giả thuyết đã đặt ở chương 2.
Khi mediators không đạt thì xử lý thế nào
Nếu khoảng tin cậy của indirect effect chứa 0, trước hết kiểm tra bạn có chọn đúng biến X, M, Y và đúng chiều giả thuyết hay không. Một lỗi phổ biến là đọc dòng Total effect rồi kết luận về trung gian, trong khi cần đọc dòng Indirect effect.
Tiếp theo, kiểm tra mã hóa thang đo. Một biến quan sát đảo chiều chưa được recode có thể làm giảm điểm M hoặc làm đổi hướng quan hệ. Kiểm tra missing value, các giá trị ngoài thang đo và những mẫu trả lời bất thường. Nếu dữ liệu có outlier, bạn có thể xem hướng dẫn outliers, nhưng đừng xóa quan sát chỉ để làm p-value đẹp hơn.
Nếu thang đo M chưa ổn, quay lại kiểm tra Cronbach's Alpha, Corrected Item-Total Correlation, EFA hoặc mô hình đo lường. Khi một biến quan sát không phù hợp về mặt nội dung và thống kê, bạn có thể cân nhắc loại biến, chạy lại mô hình và ghi rõ từng vòng xử lý. Thang đo nên được bảo vệ bằng lập luận lý thuyết, không chỉ bằng việc hệ số tăng lên.
Nếu mediator không có ý nghĩa, hãy giữ kết quả đó nếu dữ liệu và quy trình phân tích hợp lệ. Bạn có thể kiểm tra một mô hình thay thế đã được lý thuyết hỗ trợ, chẳng hạn tác động trực tiếp hoặc một mediator khác, nhưng không nên thử hàng chục mô hình rồi chỉ chọn mô hình có p-value nhỏ.
Trong SmartPLS, kiểm tra Outer Loadings, Construct Reliability and Validity, HTMT, VIF, Path Coefficients và Specific Indirect Effects. Các ngưỡng về CR, AVE và HTMT cần được đọc đúng bối cảnh PLS-SEM, lần lượt có thể đối chiếu (Fornell và Larcker, 1981) và (Henseler và cộng sự, 2015). Các chỉ số CFI, TLI, RMSEA thuộc CB-SEM và không nên đưa vào phần đánh giá mô hình SmartPLS.
Phân biệt mediators với moderator
Hai khái niệm này dễ bị nhầm vì đều được thêm vào mô hình hồi quy. Mediator nằm trên đường truyền tác động. Moderator tạo ra điều kiện làm quan hệ X và Y mạnh hơn, yếu hơn hoặc đổi hướng.
Ví dụ, sự hài lòng là mediator nếu trải nghiệm dịch vụ làm tăng sự hài lòng, rồi sự hài lòng làm tăng ý định giới thiệu. Thu nhập là moderator nếu tác động của trải nghiệm dịch vụ lên ý định giới thiệu khác nhau giữa nhóm thu nhập thấp và cao.
Với mediator, bạn kiểm tra indirect effect, thường qua bootstrap. Với moderator, bạn kiểm tra biến tương tác, chẳng hạn X × Z, và xem hệ số tương tác có ý nghĩa hay không. Không thể dùng kết quả của một loại để kết luận cho loại kia. Phân biệt này được trình bày trong (Baron và Kenny, 1986).
Bạn cũng cần phân biệt “trung gian toàn phần” và “trung gian một phần”. Đây là cách mô tả mức độ còn lại của tác động trực tiếp sau khi thêm M, không phải hai loại biến khác nhau. Nếu bài nghiên cứu chỉ có một mediator, dùng số ít “mediator”. “Mediators” phù hợp khi bạn nói về nhiều biến trung gian hoặc dùng theo từ khóa tìm kiếm.
Lỗi thường gặp
Chỉ nhìn p-value của đường a và b. Hai đường riêng lẻ có thể có ý nghĩa, nhưng kết luận cuối cùng vẫn cần dựa vào indirect effect và khoảng tin cậy bootstrap.
Gọi mọi biến đứng giữa hai mũi tên là mediator. Vị trí trong sơ đồ chưa đủ. Biến M cần có lập luận lý thuyết và thang đo phù hợp với cơ chế bạn muốn kiểm tra.
Kết luận trung gian toàn phần chỉ vì tác động trực tiếp không có ý nghĩa. Hãy báo cáo indirect effect, direct effect, total effect và khoảng tin cậy. Không nên che giấu dấu âm, hệ số nhỏ hoặc kết quả không ủng hộ giả thuyết.
Dùng sai công cụ. PROCESS trong SPSS phù hợp với nhiều mô hình hồi quy trung gian. SmartPLS phù hợp khi mô hình của bạn là PLS-SEM. AMOS và các chỉ số độ phù hợp CB-SEM có logic khác, vì vậy cần nêu rõ phần mềm và phiên bản trong phương pháp nghiên cứu.
Chọn mẫu hoặc loại dữ liệu sau khi xem kết quả. Bạn không nên xóa các câu trả lời chỉ vì chúng làm mediator không có ý nghĩa. Nếu phải loại dữ liệu, hãy ghi tiêu chí đã đặt trước, số quan sát bị loại và ảnh hưởng đến cỡ mẫu.
Câu hỏi thường gặp
Mediators là gì trong SPSS?
Mediators là các biến trung gian được dùng để kiểm tra cơ chế X tác động đến Y thông qua M. Trong SPSS, bạn có thể chạy hồi quy theo từng phương trình hoặc dùng PROCESS để nhận trực tiếp indirect effect và khoảng tin cậy bootstrap.
Biến trung gian toàn phần và một phần khác nhau thế nào?
Trung gian một phần thường được dùng khi indirect effect có ý nghĩa và tác động trực tiếp c' vẫn còn ý nghĩa. Trung gian toàn phần thường được dùng khi indirect effect có ý nghĩa nhưng tác động trực tiếp không còn ý nghĩa. Bạn nên báo cáo đầy đủ các tác động thay vì chỉ gắn nhãn.
Xử lý biến trung gian mediator SPSS như thế nào?
Bạn kiểm tra mã hóa dữ liệu, độ tin cậy thang đo, sau đó chọn mô hình PROCESS phù hợp. Khi chạy, hãy thiết lập số bootstrap, xác định đúng X, M, Y, rồi đọc bảng Indirect effect với BootLLCI và BootULCI.
Tác động gián tiếp không có ý nghĩa thì có phải xóa mediator không?
Chưa thể kết luận ngay. Hãy kiểm tra mô hình lý thuyết, dữ liệu thiếu, biến đảo chiều, outlier, cỡ mẫu và cách chọn thang đo. Nếu quy trình hợp lệ, kết quả không có ý nghĩa vẫn cần được báo cáo, vì xóa mediator chỉ để đạt giả thuyết sẽ làm sai diễn giải nghiên cứu.
Có thể dùng SmartPLS để kiểm định mediators không?
Có. Trong SmartPLS, bạn xem Specific Indirect Effects, Path Coefficients và khoảng tin cậy từ Bootstrapping. Bạn cần đánh giá mô hình đo lường trước, sau đó mới diễn giải mediator trong mô hình cấu trúc theo quy trình PLS-SEM.
Mở lại file của bạn, vẽ rõ X, M và Y, rồi ghi riêng các giá trị Indirect effect, BootLLCI, BootULCI, c' và R-sq trước khi viết kết luận. Nếu cần chạy trên chính file .sav hoặc .csv và chuyển output thành phần phân tích, M4 phân tích của DoThesis thực hiện bước này.