Xử lý biến trung gian mediator trên SMARTPLS 4

1. Khái niệm biến trung gian và tác động gián tiếp

Biến trung gian đóng vai trò như một biến số thứ ba xen vào mối liên hệ giữa hai biến số khác. Mối quan hệ này được hình thành theo chuỗi nhân quả, trong đó biến độc lập tác động đến biến trung gian, và biến trung gian tiếp tục truyền tải tác động này đến biến phụ thuộc (MacKinnon et al., 2007; Nitzl et al., 2016).

Phân tích mô hình biến trung gian nghĩa là chúng ta phân tích sự can thiệp của biến trung gian lên quan hệ từ độc lập lên phụ thuộc, sự can thiệp này tạo ra một loại tác động được 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.

Để đánh giá mô hình biến trung gian, chúng ta tìm hiểu qua hai phương thức tiếp cận: truyền thống và hiện đại.

1.1. Phân tích mô hình biến trung gian theo phương thức truyền thống

Phương pháp đánh giá mô hình biến trung gian của Baron & Kenny (1986) được xem là một phương pháp đầu tiên và được nhiều nhà nghiên cứu áp dụng rộng rãi sau đó. Theo quan điểm của các tác giả, một biến được xác định là đóng vai trò biến trung gian nếu nó đồng thời thỏa mãn 3 điều kiện và được chứng minh thông qua 3 hồi quy như ảnh dưới:

Điều kiện 1. Biến độc lập (X) có mối liên hệ với biến trung gian (M).

Hệ số hồi quy (a) phải khác 0 và có ý nghĩa thống kê (thường là sig < 0.05).

Điều kiện 2. Biến trung gian (M) có mối liên hệ với biến phụ thuộc (Y).

Hệ số hồi quy (b) phải khác 0 và có ý nghĩa thống kê (thường là sig < 0.05).

Điều kiện 3. Mối liên hệ giữa biến độc lập (X) và biến phụ thuộc (Y) bị suy yếu khi có sự hiện diện của biến trung gian (M).

Điều này được kiểm định bằng cách so sánh hệ số hồi quy (c) trong mô hình hồi quy đơn số ba (X → Y) với hệ số hồi quy (c’) trong mô hình hồi quy bội số hai (X, M → Y). Hệ số hồi quy (c’) phải nhỏ hơn hệ số hồi quy (c), đồng thời, hệ số hồi quy (c) phải khác 0 và có ý nghĩa thống kê (thường là sig < 0.05).

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.

Lưu ý:

• Phương pháp Baron & Kenny (1986) chỉ là một trong nhiều phương pháp đánh giá biến trung gian.
• Một số nhà nghiên cứu cho rằng phương pháp này có một số hạn chế, ví dụ như không xem xét đến khả năng biến trung gian có tác động điều tiết (moderating effect).
• Do đó, khi sử dụng phương pháp này, cần kết hợp với các phương pháp khác để có đánh giá toàn diện về vai trò của biến trung gian.

b. Phân tích mô hình biến trung gian theo phương thức mới

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.

Nhiều nghiên cứu trước đây (Collins, Graham & Flaherty, 1998; Kenny et al., 1998; MacKinnon, 2000; Shrout & Bolger, 2002; Preacher & Hayes, 2008) cho rằng, để xác định mối quan hệ trung gian, mối tác động tổng hợp (điều kiện số 3 của Baron & Kenny) phải có ý nghĩa thống kê. Tuy nhiên, quan điểm này đã được thay đổi bởi các nghiên cứu mới.

Preacher & Hayes (2008) đề xuất sử dụng kỹ thuật Bootstrapping để đánh giá mối quan hệ trung gian chính xác hơn. Bootstrapping thực hiện lấy mẫu lặp lại từ tập dữ liệu và ước tính tác động gián tiếp (tích số a*b) trong mỗi mẫu được lấy lại.

Nhiều nghiên cứu đã chứng minh rằng Bootstrapping hiệu quả hơn các kỹ thuật khác (Williams & MacKinnon, 2008; Preacher & Hayes, 2008; Zhao, Lynch & Chen, 2010) bởi vì Không yêu cầu dữ liệu phải có phân phối chuẩn và có thể áp dụng cho các cỡ mẫu nhỏ. Phương pháp PLS-SEM, với thuật toán của SMARTPLS, hoàn toàn phù hợp với kỹ thuật Bootstrapping. Nhờ đó, việc đánh giá mối quan hệ trung gian trở nên chính xác và hiệu quả hơn.

Như vậy, với phương pháp đánh giá mới, không cần tới sự xuất hiện của mỗi tên tác động từ X lên Y, chúng ta vẫn đánh giá được biến trung gian có ý nghĩa trong mô hình hay không.

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

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:

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 Total Indirect Effects và 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.

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.

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

a. Gián tiếp riêng biệt: Specific Indirect Effects

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

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.

---

b. Gián tiếp tổng hợp: Total Indirect Effects

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

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 do cơ chế làm tròn số ở từng tác động gián tiếp.