Phân tích biến trung gian bằng PROCESS trong SPSS

Một biến được gọi là biến trung gian khi nó tham gia vào việc giải thích cơ chế tác động giữa biến độc lập và biến phụ thuộc (Baron & Kenny, 1986). Nói cách khác, biến trung gian giúp làm rõ vì sao và bằng cách nào biến độc lập ảnh hưởng đến biến phụ thuộc.

1. Cơ sở lý thuyết về biến trung gian và tác động gián tiếp

Một mô hình trung gian cơ bản được biểu diễn như ảnh bên dưới với X là biến độc lập, Y là biến phụ thuộc, M là biến trung gian.

Biến trung gian (mediator) được xem là biến thứ ba can thiệp vào mối quan hệ giữa X và Y. Việc phân tích mô hình trung gian nhằm đánh giá mức độ can thiệp này, từ đó hình thành tác động gián tiếp (indirect effect).

Trong mô hình trung gian, có ba loại tác động chính:

• c’: Tác động trực tiếp (direct effect) từ X lên Y
• a × b: Tác động gián tiếp (indirect effect) từ X lên Y thông qua M
• c: Tác động tổng hợp (total effect) từ X lên Y

1.1. Đánh giá mô hình biến trung gian theo cách tiếp cận truyền thống

Một trong những cách tiếp cận sớm nhất và được sử dụng rộng rãi là phương pháp của Baron & Kenny (1986). Theo đó, một biến được xem là biến trung gian khi đồng thời thỏa mãn ba điều kiện sau:

• Điều kiện 1: Biến độc lập X có tác động có ý nghĩa thống kê lên biến trung gian M.
• Điều kiện 2: Biến trung gian M có tác động có ý nghĩa thống kê lên biến phụ thuộc Y.
• Điều kiện 3: Biến độc lập X có tác động lên Y, và khi đưa M vào mô hình thì mức độ tác động của X lên Y giảm đi.

Để kiểm định ba điều kiện trên, Baron & Kenny đề xuất thực hiện ba mô hình hồi quy:

Nếu bất kỳ điều kiện nào không được thỏa mãn, biến M sẽ không được xem là biến trung gian theo cách tiếp cận truyền thống.

1.2 Cách tiếp cận hiện đại: kiểm định trung gian bằng Bootstrapping

Các nghiên cứu sau này (Collins et al., 1998; Kenny et al., 1998; MacKinnon, 2000; Shrout & Bolger, 2002; Preacher & Hayes, 2008) đã chỉ ra rằng điều kiện thứ ba của Baron & Kenny là không bắt buộc. Cụ thể, tác động tổng hợp (c) giữa X và Y không nhất thiết phải có ý nghĩa thống kê thì mới tồn tại quan hệ trung gian.

Theo Preacher & Hayes (2008), kỹ thuật Bootstrapping là phương pháp hiệu quả để kiểm định tác động gián tiếp. Phương pháp này sử dụng lấy mẫu lặp lại từ dữ liệu gốc nhằm ước lượng chính xác phân phối của tích số a × b.

Nhiều nghiên cứu đã chứng minh Bootstrapping vượt trội hơn các phương pháp truyền thống vì:

• Không yêu cầu dữ liệu phân phối chuẩn
• Phù hợp với cỡ mẫu nhỏ
• Trực tiếp kiểm định tác động gián tiếp

Đây cũng chính là cơ chế được tích hợp trong macro PROCESS của SPSS.

Tóm lại:

• Cách tiếp cận truyền thống yêu cầu phải có mối quan hệ trực tiếp X → Y
• Cách tiếp cận hiện đại cho phép kết luận quan hệ trung gian ngay cả khi X không tác động trực tiếp lên Y

Nếu bạn đang gặp khó khăn trong xử lý dữ liệu trên SPSS liên quan đến biến trung gian, điều tiết, kiểm soát. Bạn có thể tham khảo dịch vụ hỗ trợ SPSS của DVS để tối ưu về thời gian và có được kết quả phù hợp.

2. Phân tích biến trung gian bằng macro PROCESS trong SPSS

2.1 Chuẩn bị tập dữ liệu

Giả sử tập dữ liệu có cấu trúc như sau:

• Biến độc lập X: X1, X2, X3
• Biến phụ thuộc Y: Y1, Y2, Y3
• Biến trung gian M: M1, M2, M3

Tiến hành lấy trung bình các biến quan sát để tạo ra ba biến tổng hợp X, Y, M, sau đó sử dụng các biến này cho phân tích trung gian bằng PROCESS.

2.2 Thực hành phân tích mediator bằng PROCESS trên SPSS

Để thực hiện phân tích biến trung gian bằng Bootstrap trên SPSS, chúng ta sẽ dụng Hayes Process Macro. Các bạn tiến hành cài đặt macro này theo hướng dẫn tại bài viết Tải và cài đặt macro PROCESS v4 cho SPSS 20 – SPSS 31. Tại giao diện SPSS, vào Analyze > Regression > PROCESS v4.2 by Andrew F. Hayes.

Cửa sổ PROCESS xuất hiện,:

• Chọn Model 4 (mô hình trung gian)
• Đưa X vào X Variable, Y vào Y Variable, M vào Mediator(s)

Xong xuôi, chúng ta nhấp vào Options mục 3.

Trong Options, thiết lập các mục 1-2-3-4 như ảnh. Nhấp Continue để quay lại cửa sổ ban đầu, sau đó nhấp OK để xuất kết quả ra Output.

2.3 Cách đọc kết quả phân tích trung gian trên SPSS

Macro PROCESS sẽ xuất kết quả các phép hồi quy X → M (hồi quy 1) và X, M → Y (hồi quy 2).

Bởi vì cơ chế Bootstrapping mỗi lần thực hiện sẽ lấy mẫu khác nhau nên trong nhiều trường hợp kết quả chạy ra giữa các lần có sự chênh lệch nhỏ ở phần thập phân số 2, số 3.

(Kết quả phép hồi quy từ X lên M)

(Kết quả phép hồi quy từ X, M lên Y)

Một số kết quả trong phần tác động trung gian:

• Total effect of X on Y: Tổng tác động từ X lên Y (hệ số c)
• Direct effect of X on Y: Tác động trực tiếp từ X lên Y (hệ số c’)
• Indirect effect(s) of X on Y: Tác động gián tiếp từ X lên Y qua M (tích số a*b)

Để kết luận quan hệ trung gian có ý nghĩa hay không chúng ta chỉ cần dựa vào Indirect effect(s) of X on Y:

• Nếu khoảng tin cậy Bootstrap [BootLLCI;BootULCI] không chứa giá trị 0 → quan hệ gián tiếp có ý nghĩa, biến M đóng vai trò trung gian trong quan hệ từ X lên Y.
• Nếu khoảng tin cậy Bootstrap [BootLLCI;BootULCI] chứa giá trị 0 → quan hệ gián tiếp không có ý nghĩa, biến M không đóng vai trò trung gian trong quan hệ từ X lên Y.

BootLLCI và BootULCI lần lượt là cận dưới và cận trên của tác động gián tiếp.

Nếu hai giá trị này có hệ số đều mang dấu dương hoặc dấu âm, thì khoảng tin cậy Bootstrap [BootLLCI;BootULCI] không chứa giá trị 0. Ngược lại, nếu hai giá trị này có hệ số đều mang dấu ngược nhau một bên âm một bên dương, thì khoảng tin cậy Bootstrap [BootLLCI;BootULCI] chứa giá trị 0.