Tìm hiểu cách phân tích biến trung gian (mediator) trong SMARTPLS 4 – từ khái niệm lý thuyết về mediator, cách kiểm định theo truyền thống của Baron & Kenny đến phương pháp hiện đại sử dụng bootstrapping trong PLS-SEM giúp đánh giá chính xác tác động gián tiếp trong mô hình.
1. Lý thuyết về biến trung gian
Biến trung gian (mediator) được xác định là một biến thứ ba tham gia vào việc giải thích mối quan hệ giữa hai biến khác trong mô hình nghiên cứu. Vai trò của biến này được thể hiện thông qua một chuỗi quan hệ nhân quả, trong đó biến độc lập tác động đến biến trung gian, và tiếp theo, biến trung gian truyền dẫn ảnh hưởng đó đến biến phụ thuộc (MacKinnon và cộng sự, 2007; Nitzl và cộng sự, 2016).
Phân tích mô hình biến trung gian tập trung vào việc xem xét mức độ và cơ chế can thiệp của biến trung gian trong mối quan hệ giữa biến độc lập và biến phụ thuộc. Sự can thiệp này tạo ra một dạng ảnh hưởng được gọi là tác động gián tiếp (indirect effect).
Một mô hình trung gian cơ bản thường được minh họa với X đại diện cho biến độc lập, Y là biến phụ thuộc và M là biến trung gian.
a. Đánh giá mô hình biến trung gian theo phương pháp truyền thống
Một trong những phương pháp đánh giá mô hình biến trung gian được đề xuất sớm và được sử dụng phổ biến trong các nghiên cứu thực nghiệm là phương pháp của Baron và Kenny (1986). Theo cách tiếp cận này, một biến được xem là biến trung gian khi đồng thời thỏa mãn ba điều kiện sau:
-
Điều kiện thứ nhất: Biến độc lập X có ảnh hưởng có ý nghĩa đến biến trung gian M.
-
Điều kiện thứ hai: Biến trung gian M có ảnh hưởng có ý nghĩa đến biến phụ thuộc Y.
-
Điều kiện thứ ba: Biến độc lập X có ảnh hưởng đến biến phụ thuộc Y; đồng thời, khi điều kiện thứ nhất và thứ hai được đáp ứng, việc đưa biến trung gian vào mô hình sẽ làm suy giảm mức độ tác động trực tiếp của biến độc lập lên biến phụ thuộc.
Để kiểm định việc một biến có đáp ứng đầy đủ ba điều kiện nêu trên hay không, Baron và Kenny đề xuất tiến hành ba mô hình hồi quy riêng biệt tương ứng.
1. Hồi quy đơn giữa X và M
Điều kiện đặt ra là hệ số tác động a phải khác 0, hoặc giá trị sig của kiểm định t đối với biến X nhỏ hơn 0,05 khi sử dụng mức ý nghĩa 5% (độ tin cậy 95%). Việc thỏa mãn yêu cầu này cho phép kết luận điều kiện thứ nhất được đáp ứng.
2. Hồi quy bội giữa X, M và Y
Trong mô hình hồi quy này, yêu cầu hệ số tác động b khác 0, hay giá trị sig của kiểm định t đối với biến M nhỏ hơn 0,05. Từ kết quả hồi quy bội, ta xác định được hệ số tác động c’ phản ánh ảnh hưởng của X lên Y khi có sự tham gia của biến M. Khi điều kiện này được thỏa mãn, điều kiện thứ hai được xem là đạt yêu cầu.
3. Hồi quy đơn giữa X và Y
Yêu cầu thứ nhất là hệ số tác động c phải khác 0, hay giá trị sig của kiểm định t đối với biến X nhỏ hơn 0,05. Yêu cầu thứ hai là hệ số tác động c’ phải nhỏ hơn hệ số tác động c. Khi cả hai yêu cầu này được đáp ứng, điều kiện thứ ba được thỏa mãn.
Trong trường hợp một trong ba điều kiện nêu trên không được đáp ứng, có thể kết luận rằng biến M không đóng vai trò là biến trung gian trong mối quan hệ tác động từ X lên Y.
b. Đánh giá mô hình biến trung gian theo phương pháp tiếp cận mới
Trong mô hình biến trung gian, ba dạng tác động chính được xem xét bao gồm:
- Tác động trực tiếp c’ từ X lên Y;
- Tác động gián tiếp ab từ X lên Y thông qua biến trung gian M;
- Tác động tổng hợp c, được xác định bằng tổng của tác động gián tiếp và tác động trực tiếp, tức c = ab + c’.
Nhiều nghiên cứu của các tác giả như Collins, Graham và Flaherty (1998), Kenny và cộng sự (1998), MacKinnon (2000), Shrout và Bolger (2002), Preacher và Hayes (2008) cho rằng tác động tổng hợp không nhất thiết phải có ý nghĩa thống kê thì mối quan hệ trung gian mới được xác lập. Do đó, việc đánh giá vai trò trung gian cần được tiếp cận theo hướng chính xác và linh hoạt hơn.
Theo Preacher và Hayes (2008), bootstrapping là một kỹ thuật dựa trên việc lấy mẫu lặp lại từ dữ liệu gốc nhằm ước lượng tác động gián tiếp thông qua tích số a*b trong mỗi mẫu được tạo ra.
Nhiều nghiên cứu thực nghiệm đã chứng minh rằng kỹ thuật bootstrapping cho kết quả đáng tin cậy hơn so với các phương pháp truyền thống trong đánh giá mối quan hệ trung gian (Williams & MacKinnon, 2008; Preacher & Hayes, 2008; Zhao, Lynch & Chen, 2010), do không đòi hỏi giả định phân phối chuẩn của dữ liệu và có thể áp dụng hiệu quả đối với các cỡ mẫu nhỏ. Cách tiếp cận này phù hợp với phương pháp PLS-SEM, đồng thời thuật toán của phần mềm SmartPLS cũng sử dụng bootstrapping để đánh giá vai trò của biến trung gian.
Như vậy, theo phương pháp đánh giá truyền thống, việc xác lập mối quan hệ trung gian đòi hỏi phải tồn tại tác động trực tiếp từ X lên Y. Trong khi đó, theo phương pháp đánh giá mới, việc xác định vai trò trung gian tập trung chủ yếu vào ý nghĩa thống kê của tác động gián tiếp thông qua biến M.
2. Phân tích mô hình biến trung gian trên SMARTPLS 4
Trong trường hợp người nghiên cứu chưa cài đặt phần mềm SMARTPLS 4, có thể tải xuống và kích hoạt phiên bản dùng thử theo hướng dẫn được trình bày trong bài viết liên quan.
Nhằm tăng tính trực quan cho quá trình minh họa các bước phân tích mô hình biến trung gian bằng SMARTPLS 4, nghiên cứu này sử dụng một mô hình ví dụ với các cấu trúc tiềm ẩn và chỉ báo đo lường như sau:
CLDV – Chất lượng dịch vụ: được đo lường thông qua bốn biến quan sát, bao gồm CLDV1, CLDV2, CLDV3 và CLDV4.
GTCN – Giá trị cảm nhận: được đo lường bằng hai biến quan sát là GTCN1 và GTCN2.
SHL – Sự hài lòng của khách hàng: được đo lường bằng một biến quan sát duy nhất là SHL1.
YDQL – Ý định quay lại: được đo lường thông qua ba biến quan sát, bao gồm YDQL1, YDQL2 và YDQL3.
Trong mô hình nghiên cứu đề xuất, tất cả các mối quan hệ tác động trực tiếp giữa các biến tiềm ẩn đều được giả định mang dấu dương, thể hiện mối quan hệ cùng chiều. Trọng tâm của phân tích là xem xét và đánh giá tác động gián tiếp của chất lượng dịch vụ (CLDV) đến ý định quay lại (YDQL) thông qua hai biến trung gian là giá trị cảm nhận (GTCN) và sự hài lòng của khách hàng (SHL).
2.1 Tác động gián tiếp tổng hợp (Total Indirect Effects) và tác động gián tiếp riêng biệt (Specific Indirect Effects)
Dựa trên mô hình nghiên cứu đã đề xuất, có thể nhận thấy sự tồn tại của hai biến trung gian trong mối quan hệ giữa chất lượng dịch vụ (CLDV) và ý định quay lại (YDQL), bao gồm các chuỗi tác động CLDV → GTCN → YDQL và CLDV → SHL → YDQL. Trong bối cảnh này, mối quan hệ giữa biến độc lập và biến phụ thuộc phát sinh hai dạng tác động gián tiếp là tác động gián tiếp riêng biệt và tác động gián tiếp tổng hợp.
- Tác động gián tiếp tổng hợp (Total Indirect Effects) phản ánh mức độ ảnh hưởng gián tiếp tổng thể của CLDV lên YDQL thông qua toàn bộ các biến trung gian có trong mô hình.
- Tác động gián tiếp riêng biệt (Specific Indirect Effects) xem xét mức độ ảnh hưởng gián tiếp của CLDV lên YDQL thông qua từng biến trung gian riêng lẻ trong mô hình.
Về mặt thống kê, tác động gián tiếp tổng hợp từ CLDV lên YDQL được xác định bằng tổng của tất cả các tác động gián tiếp riêng biệt thông qua từng biến trung gian.
2.2 Đánh giá tác động gián tiếp trên phần mềm SmartPLS 4
Trong giao diện diagram của SmartPLS 4, người nghiên cứu thực hiện nhấp vào nút Calculate và lựa chọn chức năng Bootstrapping để tiến hành đánh giá ý nghĩa thống kê của các tác động gián tiếp trong mô hình.
Sau khi lựa chọn Bootstrapping, một cửa sổ thiết lập phân tích bootstrap xuất hiện. Người dùng tiến hành cấu hình các tham số phân tích theo hướng dẫn và nhấp vào Start calculation để bắt đầu quá trình tính toán. Chi tiết về cách thiết lập bootstrap trong SmartPLS 4 có thể tham khảo tại các tài liệu hướng dẫn chuyên sâu.
Khi quá trình bootstrapping hoàn tất, SmartPLS sẽ hiển thị bảng kết quả output. Trong nghiên cứu tác động trung gian, hai nhóm chỉ số cần được tập trung phân tích là Total Indirect Effects và Specific Indirect Effects, nhằm đánh giá mức độ và ý nghĩa thống kê của các tác động gián tiếp trong mô hình nghiên cứu.
a. Specific Indirect Effects
Trước hết, lựa chọn mục Specific Indirect Effects nhằm đánh giá riêng lẻ từng mối quan hệ tác động gián tiếp trong mô hình nghiên cứu.
Kết quả tại đây phản ánh toàn bộ các mối quan hệ gián tiếp cụ thể. Trong trường hợp nghiên cứu này, tồn tại hai mối quan hệ gián tiếp riêng biệt, bao gồm CLDV → GTCN → YDQL và CLDV → SHL → YDQL.
-
Original sample: Thể hiện hệ số hồi quy chuẩn hóa của tác động gián tiếp dựa trên mẫu gốc. Dấu của hệ số này phụ thuộc vào dấu của hệ số hồi quy từ biến độc lập đến biến trung gian (X→M, ký hiệu a) và từ biến trung gian đến biến phụ thuộc (M→Y, ký hiệu b). Nếu tích ab mang giá trị dương thì hệ số Original Sample có dấu dương; ngược lại, nếu tích ab mang giá trị âm thì hệ số Original Sample sẽ mang dấu âm.
-
Sample mean: Là giá trị trung bình của hệ số hồi quy chuẩn hóa của tác động gián tiếp thu được từ tất cả các mẫu bootstrap. Ví dụ, với cỡ mẫu ban đầu là 200 và số lần bootstrap là 1000, phần mềm sẽ tạo ra 1000 bộ dữ liệu có cùng cỡ mẫu 200. Mỗi bộ dữ liệu sẽ cho ra một hệ số hồi quy chuẩn hóa tương ứng, và Sample Mean được tính bằng trung bình cộng của 1000 giá trị này.
-
Standard deviation: Phản ánh độ lệch chuẩn của hệ số hồi quy chuẩn hóa, cho biết mức độ phân tán của các ước lượng bootstrap quanh giá trị trung bình.
-
T statistics: Chỉ số kiểm định Student’s T nhằm đánh giá ý nghĩa thống kê của hệ số hồi quy.
-
P values: Dùng để xác định mức ý nghĩa thống kê của kiểm định. Nếu P value < 0.05, mối quan hệ tác động gián tiếp được xem là có ý nghĩa thống kê; nếu P value > 0.05, mối quan hệ tác động gián tiếp không có ý nghĩa ở mức tin cậy 95%.
Trong ví dụ nêu trên, cả hai mối quan hệ tác động gián tiếp riêng biệt đều có P value nhỏ hơn 0.05. Điều này cho thấy GTCN và SHL đều đóng vai trò biến trung gian trong mối quan hệ tác động từ CLDV đến YDQL.
Hệ số tác động gián tiếp của mối quan hệ CLDV → GTCN → YDQL đạt giá trị 0.104, lớn hơn hệ số tác động gián tiếp của mối quan hệ CLDV → SHL → YDQL là 0.084. Do đó, có thể kết luận rằng biến GTCN giữ vai trò trung gian mạnh hơn so với biến SHL trong mô hình nghiên cứu.
b. Total Indirect Effects
Trong phần kết quả output, tiếp tục lựa chọn mục Total Indirect Effects để xem xét tác động gián tiếp tổng hợp. Giao diện kết quả được hiển thị như sau:
Như đã trình bày ở mục 2.1, tác động gián tiếp tổng (Total Indirect Effects) của một mối quan hệ trung gian được xác định bằng tổng của tất cả các tác động gián tiếp riêng biệt (Specific Indirect Effects). Trong trường hợp này, tác động gián tiếp tổng hợp từ CLDV đến YDQL có P value bằng 0.000, nhỏ hơn 0.05, cho thấy tồn tại mối quan hệ tác động gián tiếp có ý nghĩa thống kê từ CLDV lên YDQL.
Hệ số hồi quy chuẩn hóa Original Sample của Total Indirect Effects đạt giá trị 0.188, tương ứng với tổng của hai hệ số Original Sample trong các mối quan hệ gián tiếp riêng biệt, cụ thể là 0.104 + 0.084. Trong một số trường hợp, tổng các hệ số này có thể không hoàn toàn trùng khớp do sai số làm tròn ở chữ số thập phân thứ hai hoặc thứ ba, đây là hiện tượng bình thường trong quá trình tính toán của phần mềm.
Cần lưu ý rằng, trong các phần mềm phân tích thống kê, mỗi loại mối quan hệ tác động, bao gồm tác động trực tiếp, gián tiếp, điều tiết, tổng hợp hay riêng biệt, đều phải được kiểm định ý nghĩa thống kê một cách độc lập. Không được suy diễn kết quả kiểm định từ mối quan hệ tổng hợp sang các mối quan hệ thành phần hoặc ngược lại. Ví dụ, không thể suy luận rằng các mối quan hệ Specific Indirect Effects có ý nghĩa thì Total Indirect Effects cũng đương nhiên có ý nghĩa, mà cần thực hiện kiểm định riêng cho từng trường hợp.