1. Lý thuyết về biến trung gian

Biến trung gian (mediator) được coi là biến số thứ ba can thiệp vào mối liên hệ giữa hai biến số. Sự can thiệp được hình thành theo một chuỗi nhân quả mà ở đó biến độc lập sẽ tác động tơi biến trung gian, sau đó, biến trung gian sẽ truyên tải tác động này tới biến phụ thuộc (MacKinnon và cộng sự, 2007; Nitzl và cộng sự 2016). 

Phân tích mô hình biến trung gian nghĩa là chúng ta phân tích sự can thiệp của biến trung gian, sự can thiệp đó sẽ tạo ra một loại tác động goi là “tác động gián tiếp” (indirect effect).

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.

a. Đánh giá mô hình biến trung gian theo phương thức truyền thống

Một phương thức đánh giá mô hình biến trung gian được coi là đầu tiên và được giới nghiên cứu áp dụng rộng rãi sau đó là cách đánh giá của Baron & Kenny (1986). Theo các tác giả này, một biến được xác định là đóng vai trò trung gian nếu thỏa mãn cùng lúc 3 điều kiện sau đây:

– Điều kiện 1: Biến độc lập X có tác động lên biến trung gian M.
– Điều kiện 2: Biến trung gian M có tác động lên biến phụ thuộc Y.
– Điều kiện 3: Biến độc lập X có tác động lên biến phụ thuộc Y + Khi điều kiện 1 và 2 thỏa mãn, sự xuất hiện của biến trung gian sẽ làm giảm sự tác động từ biến độc lập lên biến phụ thuộc.

Để kiểm tra một biến trung gian có thỏa được 3 điều kiện ở trên hay không, Baron & Kenny đề xuất thực hiện 3 phép hồi quy như sau:

1. Hồi quy đơn X → M

Yêu cầu: Hệ số tác động a ≠ 0 hay sig kiểm định t của biến X nhỏ hơn 0.05 (nếu sử dụng độ tin cậy là 95%).

Giải quyết điều kiện 1.

2. Hồi quy bội X, M → Y

Yêu cầu: Hệ số tác động b ≠ 0 hay sig kiểm định t của biến M nhỏ hơn 0.05.

Trong kết quả hồi quy thứ hai này, chúng ta sẽ có được hệ số tác động c’ từ X lên Y.

Giải quyết điều kiện 2.

3. Hồi quy đơn: X → Y

Yêu cầu 1: Hệ số tác động c ≠ 0 hay sig kiểm định t của biến X nhỏ hơn 0.05.

Yêu cầu 2: Hệ số tác động c’ < c.

Giải quyết điều kiện 3.

Nếu 1 trong 3 điều kiện trên bị vi phạm, kết luận biến M không đóng vai trò trung gian can thiệp vào sự tác động từ X lên Y.

b. Đánh giá mô hình biến trung gian theo phương thức mới

Trong mô hình biến trung gian, chúng ta quan tâm tới 3 loại tác động sau:

  • c’: Tác động trực tiếp direct effect từ X lên Y
  • a*b: Tác động gián tiếp indirect effect từ X lên Y
  • c = a*b + c’: Tác động tổng hợp total effects từ X lên Y 

Các công trình nghiên cứu của nhiều tác giả về sau như Collins, Graham, & Flaherty (1998), Kenny và cộng sự (1998), MacKinnon (2000). Shrout & Bolger, (2002), Preacher & Hayes (2008)… đã đưa ra quan điểm rằng, mối tác động tổng hợp total effects (điều kiện số 3 của Baron & Kenny) không nhất thiết phải có ý nghĩa thì mới có mối quan hệ trung gian. Chúng ta cần có một hướng đánh giá mối quan hệ trung gian chính xác hơn.

Preacher & Hayes (2008) cho rằng, bootstrapping là một kỹ thuật liên quan đến việc lấy mẫu lặp lại từ tập dữ liệu mẫu và ước tính tác động gián tiếp indirect (tích số a*b) trong mỗi tập dữ liệu được lấy mẫu lại.

Nhiều nghiên cứu đã chứng minh kỹ thuật Bootstrapping tốt hơn các kỹ thuật khác khi đánh giá mối quan hệ trung gian (Williams & MacKinnon, 2008; Preacher & Hayes, 2008; Zhao, Lynch & Chen, 2010) vì nó không yêu cầu dữ liệu phải có phân phối chuẩn và có thể áp dụng cho các cỡ mẫu nhỏ. Cách tiếp cận này hoàn toàn phù hợp với phương pháp PLS-SEM và thuật toán của SMARTPLS cũng sử dụng kỹ thuật này trong đánh giá biến trung gian.

Như vậy, với phương thức đánh giá cũ, muốn đánh giá được quan hệ trung gian phải có mũi tên tác động từ X lên Y. Còn ở phương thức đánh giá mới, việc có hay không có mũi tên này chúng ta đều có thể đánh giá được quan hệ trung gian.

2. Phân tích mô hình biến trung gian trên SMARTPLS 4

Nếu chưa cài đặt SMARTPLS 4, bạn có thể tải và kích hoạt dùng thử phần mềm theo hướng dẫn tại bài viết này.

Để trực quan hơn khi hướng dẫn phân tích mô hình biến trung gian trên SMARTPSL 4, chúng ta sẽ sử dụng một mô hình ví dụ như sau:

bien trung gian mediator smartpls 4

CLDV – Chất lượng dịch vụ: Được đo bằng 4 chỉ báo CLDV1, CLDV2, CLDV3, CLDV4

GTCN – Giá trị cảm nhận: Được đo bằng 2 chỉ báo GTCN1, GTCN2

SHL – Sự hài lòng khách hàng: Được đo bằng 1 chỉ báo SHL1

YDQL – Ý định quay lại: Được đo bằng 3 chỉ báo YDQL1, YDQL2, YDQL3

Tất cả các mối tác động trực tiếp trong mô hình đều mang dấu dương – tác động thuận chiều.

Chúng ta sẽ đánh giá mối tác động gián tiếp từ CLDV lên YDQL thông qua hai biến trung gian GTCN và SHL.

2.1 Gián tiếp tổng hợp (Total Indirect Effects) và gián tiếp riêng biệt (Specific Indirect Effects)

Với mô hình ở trên có thể thấy rằng có tới 2 biến trung gian trong mối quan hệ từ CLDV lên YDQL:

CLDV → GTCN → YDQL và CLDV → SHL → YDQL. Trường hợp này chúng ta xuất hiện hai loại tác động gián tiếp là riêng biệt và tổng hợp.

  • Tác động gián tiếp tổng hợp (Total Indirect Effects): xét chung mối quan hệ gián tiếp từ CLDV lên YDQL ở tất cả các biến trung gian.
  • Tác động gián tiếp riêng biệt (Specific Indirect Effects): xét từng mối quan hệ gián tiếp từ CLDV lên YDQL qua mỗi biến trung gian.

Tác động gián tiếp tổng hợp từ CLDV lên YDQL sẽ bằng tổng tất cả các mối quan hệ gián tiếp riêng biệt cộng lại. 

2.2 Đánh giá tác động gián tiếp trên SMARTPLS 4

Tại giao diện diagram, nhấp vào nút Calculate, chọn Bootstrapping

bien trung gian mediator smartpls 4

Một cửa sổ xuất hiện, tiến hành thiết lập phân tích bootstrap SMARTPLS 4 như ảnh và nhấp vào Start calculation. Chi tiết cách thiết lập bootstrap bạn xem tại bài này.

bien trung gian mediator smartpls 4

Kết quả output SMARTPLS xuất hiện. Chúng ta tập trung vào 2 mục là Total Indirect Effects và Specific Indirect Effects.

bien trung gian mediator smartpls 4

a. Specific Indirect Effects

Chúng ta sẽ tích vào Specific Indirect Effects để đánh giá từng mối quan hệ gián tiếp riêng biệt trước.

bien trung gian mediator smartpls 4

Tại đây sẽ hiển thị kết quả của tất cả các mối quan hệ gián tiếp riêng biệt, cụ thể trong tình huống này là 2 mối quan hệ gián tiếp riêng biệt CLDV → GTCN → YDQL và CLDV → SHL → YDQL.

– Original sample: Hệ số hồi quy chuẩn hóa mối tác động theo mẫu gốc. Hệ số này âm hay dương tùy thuộc vào dấu hệ số hồi quy từ biến độc lập lên trung gian (X→M: hệ số hồi quy là a) và từ trung gian lên phụ thuộc (M→Y: hệ số hồi quy là b). Nếu a*b mang dấu dương thì Original Sample mang dấu dương, nếu a*b mang dấu âm thì Original Sample mang dấu âm.

– Sample mean: Trung bình hệ số hồi quy chuẩn hóa mối tác động từ tất cả mẫu bootstrap. Ví dụ, cỡ mẫu của dữ liệu là 200, chạy bootstrap 1000, kết quả sẽ có 1000 tập dữ liệu có cỡ mẫu 200 được sinh ra. Mỗi cỡ mẫu đó sẽ có hệ số hồi quy chuẩn hóa Original Sample tương ứng, lấy trung bình cộng 1000 giá trị Original Sample này sẽ ra giá trị Sample Mean.

– Standard deviation: Độ lệch chuẩn của hệ số hồi quy.

– T statistics: Kiểm định student T ý nghĩa thống kê của hệ số hồi quy.

– P values: Đánh giá mức ý nghĩa của phép kiểm định. Nếu P value < 0.05, mối tác động gián tiếp có ý nghĩa, nếu P value > 0.05, mối tác động gián tiếp không có ý nghĩa (ở độ tin cậy 95%).

Cụ thể trong ví dụ ở trên, cả 2 mối tác động gián tiếp riêng biệt đều có P value nhỏ hơn 0.05, như vậy, GTCN và SHL có vai trò trung gian trong mối quan hệ tác động từ CLDV lên YDQL.

Hệ số tác động gián tiếp CLDV → GTCN → YDQL bằng 0.104 lớn hơn 0.084 là hệ số tác động gián tiếp CLDV → SHL → YDQL. Như vậy, biến GTCN đóng vai trò trung gian mạnh hơn so với SHL.

Nếu bạn đang gặp khó khăn khi thao tác phần mềm hoặc gặp những vấn đề liên quan đến phân tích biến trung gian trên SMARTPLS 4, bạn có thể liên hệ dịch vụ SMARTPLS Phạm Lộc Blog để có được kết quả tốt và tối ưu chi phí nhé.

b. Total Indirect Effects

Tại kết quả output, nhấp vào Total Indirect Effects. Giao diện kết quả như sau:

bien trung gian mediator smartpls 4

Như đã đề cập ở mục 2.1, Total của mối quan hệ trung gian sẽ bằng tất cả các Specific cộng lại. Ở đây, tác động gián tiếp tổng hợp từ CLDV → YDQL có P Value bằng 0.000 < 0.05. Như vậy, tồn tại mối quan hệ gián tiếp từ CLDV lên YDQL. 

Hệ số hồi quy chuẩn hóa Original Sample bằng 0.188, chính bằng tổng Original Sample của hai Specific Indirect Effects là 0.104 + 0.084. Một số trường hợp cộng lại sẽ không bằng chính xác mà sẽ có sự chênh lệch rất nhỏ ở phần thập phân thứ 2, thứ 3, điều này là bình thường do cơ chế làm tròn số của phần mềm.

Lưu ý rằng, mối quan hệ tác động trong bất cứ phần mềm thống kê nào, dù là trực tiếp, gián tiếp, điều tiết, tổng hợp, riêng biệt thì mối tác động nào sẽ có kiểm định đánh giá mối quan hệ đó, không được suy diễn kiểm định từ tổng hợp sang thành phần hoặc từ thành phần sang tổng hợp. Ví dụ, không được suy diễn Specific các mối quan hệ có ý nghĩa sang Total cũng có ý nghĩa, mà phải kiểm định cho từng loại.

Đánh giá
Admin
Admin

Would you like to share your thoughts?

Your email address will not be published. Required fields are marked *