Trung gian một phần là gì? Cách đọc kết quả trung gian trong SPSS
Trung gian một phần là gì
Bạn đang nhìn vào kết quả mediation trong SPSS và thấy tác động của biến độc lập lên biến phụ thuộc vẫn còn ý nghĩa sau khi thêm biến trung gian. Trường hợp đó thường được gọi là trung gian một phần. Hiểu đơn giản, biến trung gian giải thích một phần cơ chế tác động từ X đến Y, còn một phần tác động khác vẫn đi trực tiếp từ X đến Y.
Một mô hình cơ bản có ba biến: X là biến độc lập, M là biến trung gian và Y là biến phụ thuộc. Có ba đường cần quan tâm:
- Đường a: X tác động đến M.
- Đường b: M tác động đến Y khi đã đưa X vào mô hình.
- Đường c: tổng tác động của X lên Y khi chưa xét M.
- Đường c': tác động trực tiếp của X lên Y sau khi đã đưa M vào mô hình.
Tác động gián tiếp được tính theo tích a × b. Tác động tổng có thể được biểu diễn là c = c' + a × b. Khi a × b có ý nghĩa thống kê và c' vẫn có ý nghĩa, mô hình có trung gian một phần. Cách gọi này mô tả cấu trúc tác động, không có nghĩa là mô hình chắc chắn tốt chỉ vì một p-value đạt ngưỡng.
Để ôn lại khái niệm nền tảng trước khi đọc kết quả, bạn có thể xem bài biến trung gian là gì. Nếu chưa xác định rõ vai trò của X trong mô hình, bài biến độc lập là gì sẽ giúp bạn kiểm tra lại cách đặt biến.
Ý nghĩa của trung gian một phần trong nghiên cứu định lượng
Câu hỏi mà kiểm định mediation trả lời là: X ảnh hưởng đến Y thông qua M ở mức nào. Ví dụ, chất lượng dịch vụ có thể ảnh hưởng đến lòng trung thành thông qua sự hài lòng. Nếu chất lượng dịch vụ vẫn còn tác động trực tiếp đến lòng trung thành sau khi thêm sự hài lòng, sự hài lòng chỉ truyền một phần ảnh hưởng đó.
Điều này giúp bạn giải thích cơ chế thay vì chỉ kết luận rằng X có ảnh hưởng đến Y. Nhà nghiên cứu có thể nói rằng X vừa tác động trực tiếp đến Y, vừa tạo ra một kết quả trung gian thông qua M. Tuy vậy, bạn cần dựa vào tác động gián tiếp và khoảng tin cậy, không nên chỉ nhìn việc các đường hồi quy riêng lẻ có p-value nhỏ.
Trung gian một phần cũng có ý nghĩa khi xây dựng hàm ý quản trị. Nếu M là sự hài lòng, doanh nghiệp cần cải thiện sự hài lòng để tăng tác động gián tiếp, nhưng vẫn phải xử lý các yếu tố khác giúp X tác động trực tiếp đến Y. Kết quả này thường dẫn đến hàm ý rộng hơn so với mô hình trung gian toàn phần.
Trong SPSS, bạn có thể chạy mediation bằng PROCESS macro hoặc thực hiện các hồi quy theo từng bước. Cách tiếp cận hiện nay nên kiểm tra trực tiếp tác động gián tiếp bằng bootstrapping, vì tích a × b có thể có phân phối không chuẩn. Logic trung gian cổ điển của Baron và Kenny vẫn hữu ích để hiểu mô hình, nhưng kết luận cuối cùng cần xem kết quả indirect effect và bootstrap confidence interval.
Trung gian một phần bao nhiêu là đạt
Không có một con số duy nhất trả lời câu hỏi “trung gian một phần bao nhiêu là tốt”. Bạn cần xem tác động gián tiếp có khác 0 hay không, tác động trực tiếp còn ý nghĩa hay không, dấu của các hệ số có phù hợp với giả thuyết hay không và mô hình có được xây dựng hợp lý hay không.
Bảng dưới đây là các tiêu chí thường dùng khi đọc kết quả mediation. Mỗi hàng gắn với nguồn cụ thể để bạn có thể giải trình trong luận văn.
| Nội dung cần kiểm tra | Cách quyết định thường dùng | Nguồn |
|---|---|---|
| Tác động gián tiếp | Khoảng tin cậy bootstrap không chứa 0 thì tác động gián tiếp có ý nghĩa | (Preacher và Hayes, 2008) |
| Tác động trực tiếp c' | Xem p-value hoặc khoảng tin cậy của hệ số c' trong mô hình có M | (Hayes, 2018) |
| Trung gian một phần | Tác động gián tiếp có ý nghĩa và c' vẫn có ý nghĩa | (Baron và Kenny, 1986); (Hayes, 2018) |
| Trung gian toàn phần | Tác động gián tiếp có ý nghĩa, còn c' không có ý nghĩa | (Baron và Kenny, 1986); (Hayes, 2018) |
| Số mẫu trong hồi quy | Với m biến dự báo, cỡ mẫu từ 50 + 8m trở lên là một mốc tham khảo | (Tabachnick và Fidell, 2013) |
| Kiểm tra tự tương quan phần dư | Durbin-Watson nằm trong khoảng 1 đến 3 là mốc thường được dùng | (Field, 2013) |
Nếu bạn hỏi “trung gian một phần bao nhiêu là tốt” theo tỷ lệ, một số nghiên cứu tính tỷ lệ tác động gián tiếp trên tác động tổng, thường gọi là proportion mediated. Tuy nhiên, tỷ lệ này dễ gây hiểu nhầm khi tổng tác động gần 0, khi tác động trực tiếp và gián tiếp trái dấu, hoặc khi mô hình có suppression effect. Vì vậy, không nên lấy một tỷ lệ cố định để thay thế cho kiểm định bootstrap.
Bạn cũng cần phân biệt ý nghĩa thống kê và ý nghĩa thực tiễn. Một tác động gián tiếp có p-value nhỏ chưa cho biết ảnh hưởng lớn hay đủ quan trọng về mặt quản trị. Hãy báo cáo hệ số, khoảng tin cậy, hướng tác động và bối cảnh nghiên cứu cùng nhau.
Cách đọc trung gian một phần trên output SPSS
Trước hết, xác định bảng output bạn đang có. Với PROCESS, kết quả thường gồm phần Model Summary, coefficients, Indirect effect(s) of X on Y, và bảng bootstrap confidence interval. Tên cột có thể khác đôi chút tùy phiên bản macro, nhưng bạn luôn cần tìm hệ số, SE, t, p, LLCI và ULCI.
Đọc đường a từ X đến M
Trong mô hình đầu tiên, M là biến phụ thuộc và X là biến dự báo. Dòng của X cho bạn hệ số đường a. Nếu hệ số dương, X tăng thì M có xu hướng tăng, giữ các biến kiểm soát khác không đổi. Nếu p-value của hệ số nhỏ hơn mức ý nghĩa bạn đã chọn, đường a có bằng chứng thống kê.
Bạn không nên chỉ ghi “đường a đạt” rồi chuyển sang bước tiếp theo. Hãy xem hệ số B hoặc Effect, sai số chuẩn, t-value và p-value. Khi dùng PROCESS, phần coefficients thường hiển thị các cột này trong mô hình dự báo M.
Đọc đường b và đường c'
Trong mô hình thứ hai, Y là biến phụ thuộc, còn X và M cùng xuất hiện trong danh sách biến dự báo. Dòng M cho hệ số đường b. Dòng X cho hệ số đường c', tức tác động trực tiếp sau khi đã kiểm soát M.
Nếu M có tác động đến Y và c' vẫn có ý nghĩa cùng với tác động gián tiếp có ý nghĩa, bạn có cơ sở kết luận trung gian một phần. Đừng kết luận chỉ vì hệ số c' nhỏ hơn c. Việc c' giảm sau khi thêm M là dấu hiệu phù hợp với mediation, nhưng kiểm định indirect effect mới là phần quyết định tác động truyền qua M có đáng kể hay không.
Đọc bảng tác động gián tiếp
Hãy tìm bảng có tên Indirect effect(s) of X on Y. Các cột quan trọng thường là Effect, BootSE, BootLLCI và BootULCI. Nếu khoảng từ BootLLCI đến BootULCI không chứa 0, tác động gián tiếp được xem là có ý nghĩa theo cách báo cáo bootstrap của (Preacher và Hayes, 2008).
Bảng 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.
| Thành phần output PROCESS | Effect | BootSE | BootLLCI | BootULCI | Diễn giải minh họa |
|---|---|---|---|---|---|
| Indirect effect X → M → Y | 0.214 | 0.052 | 0.119 | 0.325 | Khoảng tin cậy không chứa 0, tác động gián tiếp có ý nghĩa |
| Direct effect X → Y (c') | 0.286 | 0.081 | 0.126 | 0.446 | Tác động trực tiếp vẫn có ý nghĩa |
| Total effect X → Y (c) | 0.500 | 0.076 | 0.350 | 0.650 | Tác động tổng có ý nghĩa |
Với số liệu minh họa này, BootLLCI = 0.119 và BootULCI = 0.325 đều nằm phía trên 0. Tác động gián tiếp có ý nghĩa. Đồng thời, tác động trực tiếp c' bằng 0.286 vẫn có khoảng tin cậy không chứa 0. Vì vậy, cách kết luận phù hợp là sự hài lòng đóng vai trò trung gian một phần trong mối quan hệ giữa chất lượng dịch vụ và lòng trung thành.
Nếu bạn chạy theo cách hồi quy thủ công, hãy lưu riêng kết quả của mô hình dự báo M và mô hình dự báo Y. Một file Excel ghi lại B, SE và p-value của từng vòng sẽ giúp bạn tránh nhầm c với c'. Với đề tài cần kiểm định trung gian trong SPSS, bài bootstrap trung gian trong SPSS có thể dùng làm checklist khi bạn mở output.
Khi trung gian một phần không đạt thì xử lý thế nào
Bạn nên xử lý theo thứ tự từ kiểm tra dữ liệu đến xem lại mô hình, thay vì xóa biến ngay khi thấy kết quả không như kỳ vọng.
Kiểm tra mã hóa và chiều của biến
Xem các biến quan sát có được mã hóa cùng chiều chưa. Một item đảo chiều nhưng chưa reverse code có thể làm điểm thang đo sai, khiến đường X đến M hoặc M đến Y yếu đi. Kiểm tra lại missing values, giá trị ngoài phạm vi Likert và các dòng trả lời bất thường trước khi chạy lại.
Kiểm tra độ tin cậy và cách tạo biến
Nếu M được tạo bằng trung bình các biến quan sát, hãy chắc chắn các item thuộc đúng thang đo. Cronbach's Alpha từ 0.7 trở lên thường được chấp nhận theo (Nunnally, 1978), còn alpha từ 0.6 có thể được cân nhắc với thang đo mới hoặc nghiên cứu khám phá theo (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên là mốc tham khảo theo (Nunnally và Bernstein, 1994).
Bạn không nên loại item chỉ để làm tác động gián tiếp có ý nghĩa. Mỗi lần loại biến phải có lý do về nội dung, thống kê và sự phù hợp với thang đo. Hãy lưu phiên bản dữ liệu trước và sau khi xử lý để có thể giải trình.
Kiểm tra đa cộng tuyến và biến kiểm soát
Khi X và M tương quan quá cao, hệ số c' có thể không ổn định. Xem VIF trong mô hình hồi quy, với mốc dưới 5 được đề cập trong (Hair và cộng sự, 2019). Đồng thời kiểm tra các biến kiểm soát có được đưa vào nhất quán ở cả hai phương trình hay không.
Bạn có thể đọc thêm biến kiểm soát là gì để tránh tình trạng thêm biến kiểm soát vào mô hình Y nhưng bỏ quên trong mô hình M. Nếu đang dùng Sobel test, hãy nhớ đây là một cách tiếp cận khác với bootstrap, bạn có thể xem phân tích Sobel test SPSS để so sánh.
Xem lại mô hình lý thuyết và cỡ mẫu
Nếu bootstrap confidence interval chứa 0 sau khi bạn đã kiểm tra dữ liệu, kết luận phù hợp là chưa có đủ bằng chứng về tác động trung gian trong mẫu này. Bạn không được sửa số liệu hoặc thử nhiều mô hình cho đến khi xuất hiện p-value mong muốn. Có thể mô hình lý thuyết chưa phù hợp với bối cảnh, tác động M quá nhỏ hoặc cỡ mẫu chưa đủ để phát hiện hiệu ứng.
Trong trường hợp này, hãy báo cáo kết quả không có ý nghĩa và nêu giới hạn nghiên cứu. Việc thuê dịch vụ chạy SPSS có thể tiết kiệm thao tác menu, nhưng không thay bạn giải trình vì sao chọn mô hình, loại biến hay kết luận mediation. Tự chạy bằng SPSS, PROCESS, SmartPLS, AMOS, JASP hoặc R đều có thể phù hợp, miễn bạn hiểu đúng mô hình và lưu được quy trình. Mỗi lựa chọn khác nhau về chi phí, thời gian học phần mềm và rủi ro khi bị hỏi sâu ở buổi bảo vệ.
Phân biệt trung gian một phần với trung gian toàn phần
Trung gian toàn phần là gì: tác động gián tiếp X đến Y thông qua M có ý nghĩa, trong khi tác động trực tiếp c' của X đến Y sau khi đưa M vào mô hình không còn ý nghĩa. Theo cách diễn giải này, M truyền phần tác động quan sát được từ X đến Y.
Trung gian toàn phần bao nhiêu là tốt cũng không có một con số cố định. Bạn cần xem indirect effect, bootstrap confidence interval và c' trong cùng một mô hình. Việc c' không có ý nghĩa không chứng minh rằng mọi ảnh hưởng của X đều được M giải thích, nhất là khi mô hình còn thiếu biến hoặc dữ liệu là dữ liệu cắt ngang.
Cụm từ trung gian toàn phần trong SPSS chỉ cách kiểm định trên phần mềm, không phải một chỉ số riêng trong output. Tương tự, trung gian một phần trong SPSS không nằm ở một ô có tên “partial mediation”. Bạn phải tổng hợp các bảng coefficients và indirect effect để phân loại.
Trung gian khác với moderation. Mediation hỏi “X ảnh hưởng đến Y thông qua biến nào”, còn moderation hỏi “mối quan hệ X và Y thay đổi theo mức của biến nào”. Vì vậy, đừng dùng từ mediator và moderator thay thế cho nhau trong chương 3 hoặc chương 4.
Lỗi thường gặp
Lỗi đầu tiên là nhìn p-value của đường a hoặc đường b rồi kết luận có trung gian. Hai đường riêng lẻ có thể có ý nghĩa nhưng tích a × b vẫn cần được kiểm tra bằng bootstrap. Ngược lại, tác động gián tiếp có thể được phát hiện trong một số trường hợp dù một đường riêng lẻ không đạt p-value theo cách kiểm tra đơn giản.
Lỗi thứ hai là gọi mọi trường hợp c' giảm là trung gian toàn phần. Trung gian toàn phần cần c' không còn ý nghĩa, còn trung gian một phần cần c' vẫn có ý nghĩa. Nếu c' và tác động gián tiếp trái dấu, hãy thận trọng với cách gọi và diễn giải suppression effect thay vì ép kết quả vào hai nhãn quen thuộc.
Lỗi thứ ba là báo cáo “trung gian một phần đạt 80%” nhưng không giải thích 80% là tỷ lệ nào. Nếu sử dụng proportion mediated, bạn phải nêu công thức và điều kiện tính. Khi không cần tỷ lệ, hãy báo cáo trực tiếp indirect effect, BootLLCI, BootULCI và direct effect.
Lỗi thứ tư là dùng CFI, TLI hoặc RMSEA để đánh giá một mô hình mediation chạy bằng PROCESS hồi quy. Các chỉ số fit này thuộc nhóm CB-SEM, được thảo luận trong (Hu và Bentler, 1999), không phải tiêu chí mặc định của hồi quy PROCESS hay PLS-SEM.
Cuối cùng, nhiều bạn quên ghi rõ biến, mẫu, số bootstrap subsamples và biến kiểm soát. Với PLS-SEM, quy trình thường báo cáo 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022). Với SPSS PROCESS, hãy ghi phiên bản macro nếu bạn có thông tin đó và nói rõ khoảng tin cậy bootstrap được dùng để kết luận.
Câu hỏi thường gặp
Trung gian một phần là gì và nhận biết bằng cách nào
Đó là trường hợp tác động gián tiếp X đến Y qua M có ý nghĩa, đồng thời tác động trực tiếp X đến Y sau khi thêm M vẫn có ý nghĩa. Bạn nhận biết bằng bảng indirect effect và hệ số direct effect, không dựa vào một p-value đơn lẻ.
Trung gian một phần bao nhiêu là tốt
Không có ngưỡng tỷ lệ cố định cho trung gian một phần. Kết quả cần có bootstrap confidence interval của tác động gián tiếp không chứa 0, hướng tác động phù hợp với giả thuyết và cách diễn giải có cơ sở lý thuyết.
Trung gian toàn phần là gì
Trung gian toàn phần là trường hợp tác động gián tiếp có ý nghĩa nhưng tác động trực tiếp c' không còn ý nghĩa sau khi đưa M vào mô hình. Cách gọi này cần được dùng thận trọng vì dữ liệu cắt ngang không tự chứng minh toàn bộ cơ chế nhân quả.
Trung gian toàn phần bao nhiêu là tốt
Bạn không đánh giá trung gian toàn phần bằng một con số “bao nhiêu là đạt”. Hãy báo cáo indirect effect, khoảng tin cậy bootstrap và direct effect, sau đó giải thích kết quả trong bối cảnh mô hình.
Vì sao trung gian một phần trong SPSS không ra giống tài liệu
Khác biệt có thể đến từ cách mã hóa item, cách tạo biến, mẫu nghiên cứu, biến kiểm soát, phiên bản PROCESS hoặc số bootstrap subsamples. Bạn nên đối chiếu mô hình, tên biến và khoảng tin cậy trước khi so sánh con số.
Mở lại file dữ liệu của bạn, xác định X, M, Y, kiểm tra bảng Indirect effect(s) of X on Y, rồi ghi riêng Effect, BootLLCI, BootULCI và hệ số c' vào bảng kết quả trước khi viết diễn giải; nếu cần chạy phân tích trên chính file .sav hoặc .csv, M4 phân tích của DoThesis hỗ trợ bước này.