Tác động gián tiếp là gì? Cách đọc kết quả trung gian trong SPSS

Tác động gián tiếp là gì

Tác động gián tiếp là ảnh hưởng của biến độc lập X lên biến phụ thuộc Y thông qua một biến trung gian M. Trong mô hình này, X không chỉ liên quan trực tiếp với Y mà còn tạo ra thay đổi ở M, sau đó M liên quan đến Y.

Ví dụ, bạn nghiên cứu ảnh hưởng của chất lượng dịch vụ đến lòng trung thành. Sự hài lòng có thể là biến trung gian. Chất lượng dịch vụ làm tăng sự hài lòng, rồi sự hài lòng làm tăng lòng trung thành. Phần ảnh hưởng đi qua sự hài lòng chính là tác động gián tiếp.

Mô hình cơ bản có dạng:

• X → M: đường dẫn a.
• M → Y khi đã đưa X vào mô hình: đường dẫn b.
• X → Y khi đưa M vào mô hình: tác động trực tiếp c’.
• X → Y nếu chưa đưa M vào mô hình: tác động tổng c.
• Tác động gián tiếp: a × b.

Quan hệ giữa các thành phần thường được trình bày là c = c’ + ab. Trong đó, ab là phần tác động của X lên Y được truyền qua M. Bạn có thể xem thêm biến trung gian là gì nếu đang chưa chắc M trong mô hình của mình có đúng là biến trung gian hay không.

Tác động gián tiếp không chỉ là phép nhân hai hệ số rồi nhìn vào kết quả. Bạn cần kiểm tra mức ý nghĩa của hiệu ứng, thường bằng bootstrapping, và xem khoảng tin cậy của tác động gián tiếp có chứa giá trị 0 hay không.

Ý nghĩa của tác động gián tiếp trong nghiên cứu định lượng

Tác động gián tiếp trả lời câu hỏi: X ảnh hưởng đến Y thông qua cơ chế nào. Đây là phần giúp mô hình có lời giải thích cụ thể hơn thay vì chỉ kết luận rằng hai biến có liên quan.

Giả sử kết quả cho thấy đào tạo ảnh hưởng đến hiệu suất làm việc. Nếu mức độ tự tin trong công việc là biến trung gian, bạn có thể kiểm tra chuỗi giải thích sau: đào tạo làm nhân viên tự tin hơn, sự tự tin cao hơn góp phần cải thiện hiệu suất. Nếu hiệu ứng gián tiếp có ý nghĩa thống kê, dữ liệu ủng hộ cơ chế này trong phạm vi mẫu nghiên cứu.

Khi đọc kết quả, bạn cần tách ba câu hỏi. Thứ nhất, X có ảnh hưởng đến M không. Thứ hai, M có ảnh hưởng đến Y khi X được giữ trong mô hình không. Thứ ba, tích a × b có khác 0 một cách có ý nghĩa thống kê không.

Tác động gián tiếp cũng giúp bạn phân biệt trung gian toàn phần và trung gian một phần. Trung gian toàn phần thường được dùng khi tác động gián tiếp có ý nghĩa, còn tác động trực tiếp c’ không còn ý nghĩa trong mô hình có M. Trung gian một phần thường được dùng khi cả tác động gián tiếp và tác động trực tiếp đều có ý nghĩa. Cách gọi này cần được đặt cạnh kết quả cụ thể, không nên suy ra chỉ từ một p-value riêng lẻ.

Bạn cũng nên phân biệt biến trung gian với biến kiểm soát. Biến kiểm soát được đưa vào để loại bớt ảnh hưởng của một yếu tố khác, còn biến trung gian mô tả cơ chế truyền dẫn từ X đến Y. Nếu đang nhầm hai vai trò này, hãy đọc thêm biến kiểm soát là gì trước khi diễn giải mô hình.

Tác động gián tiếp bao nhiêu là đạt

Câu hỏi “tác động gián tiếp bao nhiêu là tốt” dễ khiến bạn tìm một ngưỡng cố định cho hệ số ab. Thực tế, không có một mức ab chung áp dụng cho mọi đề tài. Một hiệu ứng 0.08 có thể có ý nghĩa trong mô hình này, còn hiệu ứng 0.25 có thể không có ý nghĩa nếu dữ liệu biến động lớn. Quyết định chính thường dựa trên khoảng tin cậy bootstrap và mức ý nghĩa đã chọn.

Bảng dưới đây tóm tắt các tiêu chí thường dùng. Mỗi tiêu chí cần được đọc cùng nguồn và cách chạy tương ứng.

Vì vậy, bạn không nên viết “tác động gián tiếp đạt vì hệ số lớn hơn 0.1” nếu không có cơ sở phương pháp phù hợp. Con số ab cho biết độ lớn và chiều của hiệu ứng, còn khoảng tin cậy cho biết hiệu ứng có đủ bằng chứng khác 0 trong mẫu và quy trình ước lượng hay không.

Nếu khoảng tin cậy 95% là [0.042; 0.137], khoảng này không chứa 0 nên có thể kết luận tác động gián tiếp có ý nghĩa theo kiểm định bootstrap. Nếu khoảng tin cậy là [-0.018; 0.096], 0 nằm trong khoảng nên chưa đủ bằng chứng để kết luận hiệu ứng khác 0.

Cách đọc tác động gián tiếp trên output

Trong SPSS, tác động gián tiếp thường được chạy bằng PROCESS macro hoặc một quy trình bootstrap tương đương. Bạn có thể xem hướng dẫn riêng về bootstrap trung gian trong SPSS nếu file của bạn đang có bảng “Indirect effect(s) of X on Y”. Với mô hình đơn giản có một biến trung gian, PROCESS Model 4 là dạng thường gặp.

Dưới đây là bảng số liệu minh họa, được dựng để giống cấu trúc output, không phải kết quả của một nghiên cứu thực tế.

Cột Effect là ước lượng hiệu ứng. Trong dòng Indirect effect of X on Y, giá trị 0.181 cho biết X có tác động gián tiếp dương lên Y thông qua M trong ví dụ này. Cột BootSE là sai số chuẩn bootstrap. Hai cột BootLLCI và BootULCI là cận dưới và cận trên của khoảng tin cậy bootstrap.

Bạn nhìn hai cột cuối trước khi nhìn độ lớn của Effect. Khoảng [0.091; 0.287] không chứa 0, vì vậy tác động gián tiếp có ý nghĩa theo tiêu chí của (Preacher và Hayes, 2008). Tác động trực tiếp cũng còn ý nghĩa vì khoảng [0.131; 0.431] không chứa 0. Trong ví dụ này, cách diễn giải phù hợp là X ảnh hưởng đến Y vừa trực tiếp vừa gián tiếp qua M, thường được gọi là trung gian một phần.

Nếu bạn chạy PLS-SEM trên SmartPLS, tên bảng có thể là Specific Indirect Effects, Direct Effects, Total Effects hoặc Path Coefficients, tùy phiên bản và phần kết quả đang mở. Với SmartPLS, bạn cần đánh giá measurement model trước rồi mới diễn giải structural model. Các chỉ số như CFI, TLI và RMSEA thuộc CB-SEM, không nên đưa vào phần đánh giá trung gian của SmartPLS.

Khi tác động gián tiếp không đạt thì xử lý thế nào

Trước hết, kiểm tra bạn đang đọc đúng hàng và đúng chiều biến. Nhiều bạn lấy hệ số của đường X → M làm tác động gián tiếp, trong khi tác động gián tiếp phải là hiệu ứng đi qua toàn bộ đường X → M → Y. Hãy kiểm tra tên X, M, Y trong syntax hoặc hộp thoại trước khi sửa dữ liệu.

Tiếp theo, kiểm tra khoảng tin cậy bootstrap. Nếu khoảng chứa 0, bạn chưa có bằng chứng thống kê đủ mạnh cho tác động gián tiếp. Không nên chỉ nhìn vào hệ số ab dương rồi kết luận giả thuyết được chấp nhận.

Sau đó, xem lại chất lượng thang đo của M và các biến trong mô hình. Với SPSS, bạn có thể kiểm tra Cronbach's Alpha, Corrected Item-Total Correlation, EFA và hồi quy. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được theo (Nunnally, 1978), còn Corrected Item-Total Correlation từ 0.3 trở lên được dùng theo (Nunnally và Bernstein, 1994). Với thang đo khám phá, Alpha từ 0.6 có thể được xem xét theo (Hair và cộng sự, 2010), nhưng bạn cần giải trình bối cảnh và không nên tự động giữ mọi biến.

Nếu một biến quan sát có tải yếu hoặc làm thang đo mất tính nhất quán, bạn có thể cân nhắc loại biến theo cơ sở lý thuyết và kết quả thống kê. Hãy lưu từng phiên bản file, ghi rõ biến nào bị loại và lý do. Xóa biến chỉ để làm khoảng tin cậy đẹp hơn là cách xử lý khó bảo vệ trước hội đồng.

Cuối cùng, xem cỡ mẫu, dữ liệu thiếu, outlier và đặc điểm phân phối. Nếu tác động không đạt sau khi đã kiểm tra hợp lý, kết luận phù hợp là giả thuyết trung gian chưa được ủng hộ trong mẫu nghiên cứu. Bạn không cần ép mô hình phải có ý nghĩa bằng cách chạy đi chạy lại nhiều biến thể mà không ghi nhận.

Phân biệt tác động gián tiếp với tác động trực tiếp

Tác động trực tiếp là ảnh hưởng của X lên Y sau khi biến trung gian M đã được đưa vào mô hình. Trong output PROCESS, nó thường xuất hiện ở dòng Direct effect of X on Y. Nếu bạn muốn tìm hiểu riêng câu hỏi tác động trực tiếp là gì, hãy bắt đầu từ quan hệ giữa biến độc lập và biến phụ thuộc trong mô hình hồi quy.

Tác động gián tiếp đi qua M, còn tác động trực tiếp là phần còn lại của ảnh hưởng X lên Y khi M đã được giữ trong mô hình. Tác động tổng thường được hiểu là tổng của hai phần này. Một mô hình có thể có tác động trực tiếp dương và tác động gián tiếp dương. Cũng có trường hợp hai tác động trái chiều, khi đó cần diễn giải thận trọng vì tổng hiệu ứng có thể nhỏ dù từng thành phần có độ lớn đáng kể.

Với câu hỏi “tác động trực tiếp bao nhiêu là tốt”, cũng không có một ngưỡng hệ số chung. Bạn cần nhìn chiều của hệ số, khoảng tin cậy hoặc p-value, kích thước ảnh hưởng và giả thuyết ban đầu. Một hệ số lớn nhưng không có ý nghĩa thống kê chưa đủ để kết luận quan hệ được ủng hộ.

Lỗi thường gặp

Nhầm tác động gián tiếp với tác động tổng. Bạn lấy dòng Total effect để kết luận cơ chế trung gian. Cách sửa là tìm đúng dòng Indirect effect hoặc Specific indirect effects.

Chỉ nhìn p-value của đường a hoặc đường b. Hai đường riêng lẻ có thể có p-value chưa đạt nhưng tích ab vẫn cần được kiểm tra bằng bootstrap. Tác động gián tiếp là một hiệu ứng riêng, không nên kết luận bằng cách cộng hoặc so sánh máy móc hai p-value.

Dùng Sobel test như lựa chọn duy nhất. Sobel test có thể được trình bày trong một số luận văn, nhưng bootstrap thường được dùng để ước lượng phân phối của hiệu ứng gián tiếp. Nếu đề cương yêu cầu Sobel, bạn có thể xem phân tích Sobel test SPSS, sau đó đối chiếu với phương pháp mà giảng viên đã duyệt.

Gọi mọi quan hệ có M là trung gian. M chỉ là biến trung gian khi mô hình lý thuyết, thứ tự giả định và cách đo lường đều phù hợp. Kết quả thống kê không tự chứng minh quan hệ nhân quả tuyệt đối, nhất là khi dữ liệu được thu tại một thời điểm.

Không báo cáo khoảng tin cậy. Một đoạn viết chỉ có “Indirect effect = 0.181, p < 0.05” chưa cho người đọc biết bạn đã kiểm tra hiệu ứng bằng cách nào. Hãy ghi rõ phương pháp bootstrap, số mẫu lặp nếu có, hệ số, BootSE và khoảng BootLLCI, BootULCI.

Câu hỏi thường gặp

Tác động gián tiếp trong SPSS là gì?

Đó là hiệu ứng của biến độc lập lên biến phụ thuộc thông qua biến trung gian, thường được tính và kiểm tra bằng PROCESS macro hoặc bootstrap. Trong output, bạn tìm dòng Indirect effect of X on Y và đọc các cột BootLLCI, BootULCI.

Tác động gián tiếp bao nhiêu là tốt?

Không có một con số ab cố định được xem là tốt cho mọi nghiên cứu. Bạn cần xem hướng tác động, độ lớn hiệu ứng và quan trọng nhất là khoảng tin cậy bootstrap có chứa 0 hay không. Khoảng không chứa 0 là bằng chứng phù hợp để kết luận hiệu ứng khác 0 theo tiêu chí bootstrap.

Tác động trực tiếp và tác động gián tiếp khác nhau thế nào?

Tác động trực tiếp là đường X → Y khi biến trung gian đã có trong mô hình. Tác động gián tiếp là đường X → M → Y. Nếu cả hai đều có ý nghĩa, bạn có thể diễn giải rằng X ảnh hưởng đến Y theo cả con đường trực tiếp và thông qua M.

Tác động gián tiếp không có ý nghĩa thì có phải bỏ biến trung gian không?

Chưa chắc. Bạn cần kiểm tra lại cơ sở lý thuyết, chất lượng thang đo, cỡ mẫu, dữ liệu thiếu và cách chỉ định mô hình. Nếu mọi kiểm tra đều hợp lý, hãy báo cáo rằng tác động gián tiếp chưa được ủng hộ thay vì loại M chỉ vì kết quả không như kỳ vọng.

Có cần tác động trực tiếp có ý nghĩa thì mới có tác động gián tiếp không?

Không nên dùng tác động trực tiếp như điều kiện bắt buộc để kết luận có tác động gián tiếp. Hãy kiểm tra trực tiếp hiệu ứng ab bằng bootstrap. Tác động gián tiếp có thể có ý nghĩa trong khi tác động trực tiếp không có ý nghĩa, tùy cấu trúc và dữ liệu của mô hình.

Nên dùng SPSS hay SmartPLS để kiểm định tác động gián tiếp?

SPSS với PROCESS phù hợp khi bạn chạy hồi quy và mô hình trung gian quan sát đơn giản. SmartPLS phù hợp khi mô hình có biến tiềm ẩn, nhiều biến quan sát và bạn đã thiết kế mô hình PLS-SEM. Công cụ nào được dùng cũng cần thống nhất với mô hình, thang đo và phương pháp đã trình bày trong chương phương pháp.

Khi mở lại file của mình, bạn hãy xác định đúng X, M, Y, chụp hoặc lưu bảng Indirect effect, kiểm tra BootLLCI và BootULCI, rồi viết kết luận theo đúng chiều và khoảng tin cậy của dữ liệu. Nếu cần chạy phân tích trên file .sav hoặc .csv và chuyển kết quả thành đoạn viết, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.