Rất nhiều mô hình nghiên cứu có dạng "X tác động đến Y thông qua M": chất lượng dịch vụ làm tăng niềm tin, rồi niềm tin làm tăng sự hài lòng. Khi đó M là biến trung gian và câu hỏi cần trả lời là tác động gián tiếp có ý nghĩa hay không. Phương pháp được khuyến nghị hiện nay là kiểm định trung gian bằng bootstrap, thay cho các bước của Baron và Kenny hay kiểm định Sobel. Bài viết giải thích cách tính tác động gián tiếp a×b, đọc khoảng tin cậy bootstrap, phân loại trung gian và trình bày trong luận văn.
Các thành phần của một mô hình trung gian
Mô hình trung gian đơn giản nhất có ba biến và ba đường dẫn:
- a: tác động của X (chất lượng dịch vụ) lên M (niềm tin).
- b: tác động của M lên Y (sự hài lòng), khi đã kiểm soát X.
- c': tác động trực tiếp của X lên Y, khi đã kiểm soát M.
Từ đó, tác động gián tiếp bằng tích a×b, và tác động tổng c = c' + a×b. Trong ví dụ (hệ số chuẩn hóa trên biến trung bình của thang đo): a = 0,369, b = 0,375, c' = 0,263, nên a×b = 0,138 và c = 0,401. Khoảng 34,5% tác động của chất lượng dịch vụ lên sự hài lòng đi qua niềm tin.
Vì sao không dùng các bước của Baron và Kenny?
Baron và Kenny (1986) đề xuất bốn bước, trong đó bước đầu yêu cầu X phải tác động có ý nghĩa lên Y. Các nghiên cứu sau chỉ ra hai điểm yếu: tác động gián tiếp có thể tồn tại ngay cả khi tác động tổng không có ý nghĩa (ví dụ khi hai đường đi ngược dấu triệt tiêu nhau), và phương pháp này không kiểm định trực tiếp a×b nên có lực kiểm định thấp (Zhao, Lynch và Chen, 2010; Hayes, 2018). Hiện nay hầu hết tạp chí yêu cầu kiểm định trực tiếp tác động gián tiếp.
Kiểm định Sobel và hạn chế
Kiểm định Sobel (1982) tính sai số chuẩn của a×b bằng công thức xấp xỉ và giả định a×b có phân phối chuẩn. Vấn đề: tích của hai hệ số thường có phân phối lệch, nhất là với mẫu nhỏ, nên kiểm định Sobel bảo thủ và khoảng tin cậy đối xứng không phản ánh đúng dữ liệu.
Bootstrap: cách hoạt động
Bootstrap không giả định phân phối của a×b. Quy trình (Preacher và Hayes, 2008):
- Lấy mẫu lặp có hoàn lại từ dữ liệu gốc, cỡ mẫu bằng n.
- Ước lượng lại a và b trên mẫu mới, tính a×b.
- Lặp lại nhiều lần, thường 5.000 lần (Hayes, 2018); ví dụ minh họa dùng 2.000 lần.
- Lấy phân vị 2,5% và 97,5% của các giá trị a×b làm khoảng tin cậy 95%.
Nếu khoảng tin cậy không chứa 0, tác động gián tiếp có ý nghĩa ở mức 5%.
Phân loại trung gian theo Zhao, Lynch và Chen (2010)
Sau khi xác định a×b có ý nghĩa, xét tiếp tác động trực tiếp c':
| Kết quả | a×b | c' | Loại |
|---|---|---|---|
| Chỉ có trung gian | Có ý nghĩa | Không ý nghĩa | Trung gian toàn phần (indirect-only) |
| Bổ sung | Có ý nghĩa | Có ý nghĩa, cùng dấu với a×b | Trung gian một phần (complementary) |
| Cạnh tranh | Có ý nghĩa | Có ý nghĩa, ngược dấu với a×b | Trung gian cạnh tranh (competitive) |
| Chỉ có trực tiếp | Không ý nghĩa | Có ý nghĩa | Không có trung gian (direct-only) |
| Không tác động | Không ý nghĩa | Không ý nghĩa | Không có trung gian, không có tác động |
Trong ví dụ, a×b có ý nghĩa và c' = 0,263 cũng có ý nghĩa, cùng dấu dương: đây là trung gian bổ sung (một phần). Niềm tin giải thích một phần, không phải toàn bộ, cơ chế chất lượng dịch vụ làm tăng sự hài lòng.
Trung gian trong SEM và PLS-SEM
Trong CB-SEM, tác động gián tiếp được tính trên các khái niệm tiềm ẩn nên đã loại bỏ sai số đo lường, thường cho a và b lớn hơn so với dùng biến trung bình. Trong PLS-SEM, bảng Specific indirect effects của bước bootstrapping cho a×b, t, p và khoảng tin cậy của từng chuỗi trung gian (Nitzl, Roldan và Cepeda, 2016). Với nhiều biến trung gian song song hoặc nối tiếp, báo cáo riêng từng tác động gián tiếp cụ thể.
Cỡ mẫu cho kiểm định trung gian
Lực kiểm định của tác động gián tiếp phụ thuộc vào độ lớn của cả a và b. Mô phỏng của Fritz và MacKinnon (2007) cho thấy với bootstrap percentile, khi a và b đều nhỏ (khoảng 0,14) cần khoảng 500 quan sát để đạt power 0,8; khi cả hai ở mức trung bình (khoảng 0,39), khoảng 80 quan sát là đủ. Vì vậy, nếu kỳ vọng tác động nhỏ, hãy lên kế hoạch cỡ mẫu lớn ngay từ đầu, hoặc dùng dữ liệu mô phỏng để ước lượng power với mô hình và cỡ mẫu dự kiến (xem bài cách tính cỡ mẫu nghiên cứu).
Những lỗi thường gặp
- Kết luận trung gian chỉ từ ý nghĩa của a và b riêng lẻ: cần kiểm định trực tiếp a×b bằng bootstrap.
- Gọi là trung gian toàn phần khi mẫu nhỏ: c' không có ý nghĩa có thể chỉ do thiếu lực kiểm định; nên báo cáo độ lớn của c' kèm khoảng tin cậy.
- Diễn giải nhân quả từ dữ liệu cắt ngang: thứ tự X → M → Y phải dựa trên lý thuyết; dữ liệu khảo sát một thời điểm không chứng minh được chiều nhân quả.
- Không nêu số mẫu bootstrap, loại khoảng tin cậy và seed: các thông tin này cần thiết để người khác tái lập kết quả.
Trình bày kết quả trong luận văn
Kết quả bootstrap với 5.000 mẫu cho thấy tác động gián tiếp của chất lượng dịch vụ lên sự hài lòng thông qua niềm tin có ý nghĩa (β = 0,138; KTC 95%: 0,095-0,193). Tác động trực tiếp vẫn có ý nghĩa (β = 0,263), cùng dấu với tác động gián tiếp, nên niềm tin đóng vai trò trung gian bổ sung (Zhao và cộng sự, 2010).
Làm trên ResearchSTAT
- PLS-SEM kiểu SmartPLS: ở bước "Mô hình SEM" của Phân tích tự động, thêm đường dẫn để có biến trung gian, chọn số mẫu bootstrap (khuyến nghị 5.000). Kết quả có bảng tác động gián tiếp cụ thể kèm kết luận "Có trung gian" và file BOOTSTRAPPING.xlsx.
- R: trong công cụ R (RStudio), dùng lavaan với tham số định nghĩa
ab := a*bvàse = "bootstrap". - Thiết kế trước khi thu dữ liệu: Dữ liệu mô phỏng cho phép thử mô hình trung gian, điều tiết với cỡ mẫu dự kiến. Xem thêm bài tạo dữ liệu mô phỏng có biến trung gian, điều tiết.
Cần bao nhiêu mẫu bootstrap?
Tối thiểu 1.000; khuyến nghị 5.000 để khoảng tin cậy ổn định (Hayes, 2018). Ghi rõ số mẫu và seed trong luận văn.
Tác động tổng không có ý nghĩa thì có kiểm định trung gian được không?
Có. Theo Zhao và cộng sự (2010), tác động gián tiếp vẫn có thể tồn tại; hãy kiểm định trực tiếp a×b.
Nên dùng khoảng tin cậy percentile hay bias-corrected?
Khoảng percentile được khuyến nghị nhiều hơn gần đây vì bias-corrected có thể làm tăng sai lầm loại I; nêu rõ loại khoảng tin cậy đã dùng.
Biến trung gian khác biến điều tiết thế nào?
Trung gian giải thích cơ chế "vì sao" X tác động lên Y; điều tiết thay đổi độ mạnh hoặc chiều của tác động "khi nào" và "với ai".
