Một biến được xem là biến trung gian khi nó đóng vai trò giải thích cơ chế tác động giữa biến độc lập và biến phụ thuộc (Baron & Kenny, 1986). Các phân tích chi tiết về ba nhóm biến thường gặp trong nghiên cứu định lượng, bao gồm biến trung gian, biến điều tiết và biến kiểm soát, có thể tham khảo thêm tại bài viết này.
1. Cơ sở lý thuyết về biến trung gian và mối quan hệ gián tiếp
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.
Biến trung gian (mediator) được hiểu là một biến thứ ba tham gia vào quá trình liên kết giữa hai biến nghiên cứu chính, qua đó làm rõ cách thức hoặc con đường mà biến độc lập ảnh hưởng đến biến phụ thuộc.
Phân tích mô hình biến trung gian nhằm đánh giá vai trò can thiệp của biến trung gian trong mối quan hệ này. Sự can thiệp đó tạo ra một dạng ảnh hưởng đặc thù được gọi là tác động gián tiếp (indirect effect).
Trong mô hình biến trung gian, ba dạng tác động cơ bản được xác định như sau:
- c’: Tác động trực tiếp (direct effect) của X lên Y
- a*b: Tác động gián tiếp (indirect effect) của X lên Y thông qua M
- c: Tác động tổng (total effect) của X lên Y
a. Đánh giá mô hình biến trung gian theo cách tiếp cận truyền thống
Một trong những phương pháp sớm nhất được sử dụng để đánh giá mô hình biến trung gian, đồng thời cũng được áp dụng rộng rãi trong các nghiên cứu sau này, là cách tiếp cận do Baron và Kenny (1986) đề xuất. Theo lập luận của hai tác giả, một biến được xem là biến trung gian khi đồng thời đáp ứng ba điều kiện cơ bản sau đây:
-
Điều kiện 1: Biến độc lập X có ảnh hưởng có ý nghĩa thống kê đến biến trung gian M.
-
Điều kiện 2: Biến trung gian M có ảnh hưởng có ý nghĩa thống kê đến biến phụ thuộc Y.
-
Điều kiện 3: Biến độc lập X có ảnh hưởng đến biến phụ thuộc Y; đồng thời, khi biến trung gian M được đưa vào mô hình và hai điều kiện trước được thỏa mãn, mức độ ảnh hưởng của X lên Y sẽ suy giảm.
Để kiểm định một biến trung gian có đáp ứng đầy đủ ba điều kiện trên hay không, Baron và Kenny đề xuất tiến hành ba mô hình hồi quy theo trình tự như sau:
-
Hồi quy đơn X → M
Yêu cầu: Hệ số tác động a khác 0, hoặc giá trị sig của kiểm định t đối với biến X nhỏ hơn 0,05 trong trường hợp sử dụng mức ý nghĩa 5% (độ tin cậy 95%).
Mô hình này nhằm kiểm tra và xác nhận điều kiện 1.
-
Hồi quy bội X, M → Y
Yêu cầu: Hệ số tác động b khác 0, hoặc giá trị sig của kiểm định t đối với biến M nhỏ hơn 0,05.
Trong kết quả hồi quy thứ hai, hệ số tác động c’ thể hiện ảnh hưởng trực tiếp của X lên Y khi có sự hiện diện của biến trung gian M.
Mô hình này dùng để kiểm tra điều kiện 2.
-
Hồi quy đơn X → Y
Yêu cầu 1: Hệ số tác động c khác 0, hoặc giá trị sig của kiểm định t đối với biến X nhỏ hơn 0,05.
Yêu cầu 2: Giá trị hệ số c’ nhỏ hơn hệ số c.
Mô hình này nhằm đánh giá điều kiện 3.
Trong trường hợp một trong ba điều kiện nêu trên không được thỏa mãn, có thể kết luận rằng biến M không đóng vai trò là biến trung gian trong mối quan hệ tác động từ biến độc lập X đến biến phụ thuộc Y.
b. Đánh giá mô hình biến trung gian theo cách tiếp cận mới
Các nghiên cứu tiếp theo của nhiều học giả như Collins, Graham và Flaherty (1998), Kenny và cộng sự (1998), MacKinnon (2000), Shrout và Bolger (2002), Preacher và Hayes (2008)… đã chỉ ra rằng điều kiện thứ ba trong mô hình của Baron và Kenny, tức là yêu cầu tác động tổng (total effect) giữa biến độc lập và biến phụ thuộc phải có ý nghĩa thống kê, không còn được xem là điều kiện bắt buộc để khẳng định sự tồn tại của mối quan hệ trung gian. Trên cơ sở đó, các tác giả này cho rằng cần áp dụng một cách tiếp cận linh hoạt và có độ chính xác cao hơn trong việc đánh giá vai trò của biến trung gian.
Theo Preacher và Hayes (2008), kỹ thuật bootstrapping được xem là một phương pháp hiệu quả để kiểm định tác động trung gian, trong đó việc lấy mẫu lặp lại nhiều lần từ bộ dữ liệu ban đầu cho phép ước lượng phân phối thực nghiệm của tác động gián tiếp (indirect effect, được xác định bằng tích số a*b) một cách chính xác hơn ở mỗi lần lấy mẫu.
Nhiều nghiên cứu thực nghiệm đã chứng minh rằng bootstrapping có ưu thế vượt trội so với các phương pháp truyền thống trong kiểm định mối quan hệ trung gian (Williams & MacKinnon, 2008; Preacher & Hayes, 2008; Zhao, Lynch & Chen, 2010), nhờ không đặt ra giả định về phân phối chuẩn của dữ liệu và có thể áp dụng hiệu quả cho các mẫu nghiên cứu có kích thước nhỏ. Cách tiếp cận này cũng tương thích với phương pháp bootstrapping được tích hợp trong macro PROCESS.
Tóm lại, theo cách tiếp cận truyền thống, việc kiểm định vai trò trung gian đòi hỏi phải tồn tại mối quan hệ tác động trực tiếp giữa biến độc lập X và biến phụ thuộc Y. Ngược lại, theo cách tiếp cận hiện đại dựa trên bootstrapping, mối quan hệ trung gian vẫn có thể được đánh giá một cách hợp lệ ngay cả khi không quan sát được tác động trực tiếp có ý nghĩa thống kê giữa X và Y.
Trong trường hợp gặp khó khăn khi xử lý dữ liệu trên SPSS liên quan đến các mô hình biến trung gian, biến điều tiết hoặc biến kiểm soát, người nghiên cứu có thể tham khảo các dịch vụ hỗ trợ phân tích SPSS chuyên sâu của Phạm Lộc Blog nhằm tối ưu hóa thời gian xử lý và đảm bảo kết quả phân tích phù hợp với mục tiêu nghiên cứu.
2. Xử lý biến trung gian (mediator) bằng macro PROCESS trên SPSS
Để thực hiện phân tích biến trung gian bằng phương pháp Bootstrap trong SPSS, nghiên cứu sử dụng macro PROCESS do Hayes phát triển. Macro này cho phép ước lượng các hiệu ứng trung gian một cách linh hoạt và được sử dụng rộng rãi trong các nghiên cứu định lượng thuộc lĩnh vực khoa học xã hội. Người dùng tiến hành cài đặt macro PROCESS theo hướng dẫn tại bài viết Cách tải và cài đặt macro PROCESS vào SPSS từ 20 đến 31.
2.1 Chuẩn bị tập dữ liệu
Giả sử một tập dữ liệu nghiên cứu có cấu trúc biến như sau:
-
Biến độc lập X gồm các biến quan sát X1, X2, X3
-
Biến phụ thuộc Y gồm các biến quan sát Y1, Y2, Y3
-
Biến trung gian M gồm các biến quan sát M1, M2, M3
Trước khi tiến hành phân tích, dữ liệu của các biến quan sát được xử lý bằng cách tính giá trị trung bình để tạo thành ba biến tổng hợp đại diện cho các biến tiềm ẩn X, Y và M. Các biến này được sử dụng trực tiếp trong mô hình phân tích trung gian bằng macro PROCESS.
2.2 Thực hành phân tích biến trung gian bằng PROCESS trên SPSS
Trên giao diện SPSS, người nghiên cứu chọn Analyze > Regression > PROCESS v4.2 by Andrew F. Hayes.
Khi cửa sổ PROCESS xuất hiện, các bước thiết lập được thực hiện như sau:
– Tại mục số 1, lựa chọn Model 4, đây là mô hình tiêu chuẩn dùng để kiểm định vai trò trung gian của biến M.
– Tại mục số 2, đưa biến phụ thuộc vào ô Y variable, biến độc lập vào ô X variable và biến trung gian vào ô Mediator(s).
Sau khi hoàn tất khai báo các biến, nhấp vào Options tại mục số 3.
Trong cửa sổ Options, thiết lập các tùy chọn theo các mục 1, 2, 3 và 4 như minh họa. Sau đó chọn Continue để quay lại cửa sổ chính của PROCESS và nhấp OK để thực hiện phân tích và xuất kết quả ra cửa sổ Output.
2.3 Cách đọc kết quả phân tích trung gian trên SPSS
Macro PROCESS cung cấp kết quả của các mô hình hồi quy gồm: mô hình hồi quy X → M (mô hình 1) và mô hình hồi quy đồng thời X, M → Y (mô hình 2).
Do phương pháp Bootstrapping sử dụng cơ chế lấy mẫu lặp ngẫu nhiên ở mỗi lần thực hiện, nên kết quả phân tích giữa các lần chạy có thể xuất hiện sai khác nhỏ ở các chữ số thập phân thứ hai hoặc thứ ba, tuy nhiên sự khác biệt này không ảnh hưởng đến kết luận thống kê.
Một số chỉ số quan trọng trong kết quả phân tích tác động trung gian bao gồm:
- Total effect of X on Y: Tổng tác động của X lên Y (hệ số c).
- Direct effect of X on Y: Tác động trực tiếp của X lên Y khi đã kiểm soát M (hệ số c’).
- Indirect effect(s) of X on Y: Tác động gián tiếp của X lên Y thông qua M, được tính bằng tích số a*b.
Việc đánh giá sự tồn tại của tác động trung gian chủ yếu dựa trên chỉ số Indirect effect(s) of X on Y:
Nếu khoảng tin cậy Bootstrap [BootLLCI; BootULCI] không bao gồm giá trị 0 thì tác động gián tiếp có ý nghĩa thống kê, cho thấy biến M đóng vai trò trung gian trong mối quan hệ giữa X và Y.
Ngược lại, nếu khoảng tin cậy Bootstrap [BootLLCI; BootULCI] bao gồm giá trị 0 thì tác động gián tiếp không có ý nghĩa thống kê, biến M không thực hiện vai trò trung gian trong mối quan hệ giữa X và Y.
Trong đó, BootLLCI và BootULCI lần lượt là cận dưới và cận trên của khoảng tin cậy bootstrap đối với hệ số tác động trung gian.
Nếu cả hai giá trị này đều mang cùng dấu (đều dương hoặc đều âm), khoảng tin cậy Bootstrap sẽ không chứa giá trị 0. Trường hợp hai giá trị mang dấu trái ngược nhau (một âm, một dương), khoảng tin cậy Bootstrap sẽ chứa giá trị 0.
Cụ thể trong ví dụ minh họa trên
Khoảng tin cậy bootstrap nằm trong khoảng [0.0139; 0.0509] và không bao gồm giá trị 0, cho thấy tác động gián tiếp theo đường X → M → Y có ý nghĩa thống kê. Giá trị tác động gián tiếp được ước lượng là 0.0317. Do đó, có thể kết luận rằng biến M đóng vai trò biến trung gian trong mối quan hệ tác động từ X đến Y.