Trong thế giới của nghiên cứu định lượng, việc hiểu rõ các mối quan hệ nhân quả phức tạp giữa các biến số là chìa khóa để xây dựng nên những công trình khoa học có giá trị. Một trong những khái niệm quan trọng giúp chúng ta giải mã các mối quan hệ này chính là biến trung gian là gì. Khái niệm này không chỉ đơn thuần là một thuật ngữ thống kê, mà nó còn là công cụ mạnh mẽ giúp các nhà nghiên cứu hiểu sâu hơn về “cách thức” và “lý do” mà một sự kiện dẫn đến một sự kiện khác. Bài viết này của xulysolieu.info sẽ đi sâu vào định nghĩa, vai trò, các phương pháp kiểm định, và cách thực hiện phân tích biến trung gian trên các phần mềm thống kê phổ biến, mang đến cái nhìn toàn diện và thực tiễn nhất.

1. Biến Trung Gian Là Gì? Định Nghĩa & Tầm Quan Trọng

Để hiểu rõ biến trung gian là gì, chúng ta cần đặt nó vào bối cảnh của mô hình quan hệ giữa biến độc lập và biến phụ thuộc. Biến trung gian (Mediating Variable), hay còn gọi là biến gián tiếp, là một biến nắm giữ vai trò đặc biệt: nó nằm giữa biến độc lập (Variable X) và biến phụ thuộc (Variable Y), có chức năng giải thích cơ chế hoặc quá trình mà biến độc lập tác động lên biến phụ thuộc. Nói cách khác, biến trung gian giúp chúng ta trả lời câu hỏi cốt lõi: “Bằng cách nào?” (How) hoặc “Tại sao?” (Why) biến X lại ảnh hưởng đến biến Y. Đây chính là bản chất của việc phân tích biến trung gian, không chỉ dừng lại ở việc xác định liệu có mối quan hệ giữa X và Y, mà còn đi sâu vào bản chất của mối quan hệ đó.

Trong mô hình hồi quy thông thường, chúng ta thường tập trung vào tác động trực tiếp của X lên Y. Tuy nhiên, trong thực tế, rất nhiều tác động không diễn ra một cách trực diện mà thông qua một hoặc nhiều bước trung gian. Ví dụ, việc một công ty áp dụng chính sách lương thưởng tốt (X) có thể không trực tiếp làm tăng hiệu suất làm việc (Y) mà có thể qua việc gia tăng động lực làm việc của nhân viên (M – biến trung gian). Khi đó, động lực làm việc chính là một giải thích hợp lý cho mối liên hệ giữa lương thưởng và hiệu suất. Việc nhận diện và kiểm định được biến trung gian là gì sẽ giúp mô hình trở nên tinh tế, phù hợp với thực tiễn hơn, đồng thời mở ra những hướng can thiệp hiệu quả hơn trong các lĩnh vực ứng dụng. Chính vì vậy, việc kiểm tra xem có biến trung gian là gì và tác động của nó rất quan trọng.

Cấu trúc mô hình biến trung gian thường được biểu diễn theo sơ đồ nhân quả: $X \rightarrow M \rightarrow Y$. Trong đó, $X$ tác động đến $M$, và $M$ lại tác động tiếp đến $Y$. Bên cạnh đó, có thể tồn tại một tác động trực tiếp của $X$ lên $Y$ (khi đã kiểm soát $M$). Khái niệm biến trung gian là gì còn mở rộng ra hai loại chính: trung gian một phần và trung gian hoàn toàn. Trung gian một phần xảy ra khi tác động gián tiếp qua biến trung gian có ý nghĩa, nhưng tác động trực tiếp của biến độc lập lên biến phụ thuộc vẫn còn ý nghĩa thống kê. Ngược lại, trung gian hoàn toàn xảy ra khi tác động gián tiếp có ý nghĩa, và khi đưa biến trung gian vào mô hình, tác động trực tiếp của biến độc lập lên biến phụ thuộc trở nên không có ý nghĩa thống kê hoặc bằng 0.

2. Các Phương Pháp Kiểm Định Biến Trung Gian Phổ Biến

Việc xác định và kiểm định biến trung gian là gì đòi hỏi các phương pháp thống kê chuyên biệt. Có ba phương pháp chính đã và đang được sử dụng rộng rãi trong nghiên cứu khoa học để đánh giá vai trò của biến trung gian. Mỗi phương pháp có những ưu và nhược điểm riêng, phù hợp với các điều kiện và yêu cầu khác nhau của dữ liệu.

2.1. Phương pháp Baron & Kenny (1986) – Bước đệm lịch sử

Phương pháp của Baron & Kenny là một trong những cách tiếp cận đầu tiên và cổ điển nhất để kiểm định biến trung gian. Mặc dù hiện nay không còn được khuyến nghị cho các nghiên cứu phức tạp do những hạn chế của nó, nhưng vẫn là nền tảng quan trọng để hiểu về biến trung gian là gì và cách thức kiểm định. Phương pháp này yêu cầu thực hiện ba mô hình hồi quy riêng biệt:

1. Mô hình 1 ($X \rightarrow Y$): Kiểm tra xem biến độc lập (X) có tác động đáng kể lên biến phụ thuộc (Y) hay không. Hệ số $c$ phải có ý nghĩa thống kê.
2. Mô hình 2 ($X \rightarrow M$): Kiểm tra xem biến độc lập (X) có tác động đáng kể lên biến trung gian (M) hay không. Hệ số $a$ phải có ý nghĩa thống kê.
3. Mô hình 3 ($X \rightarrow Y$ và $M \rightarrow Y$): Kiểm tra tác động của biến trung gian (M) lên biến phụ thuộc (Y) (hệ số $b$) khi biến độc lập (X) cũng có mặt trong mô hình, và xem xét tác động trực tiếp mới của X lên Y (hệ số $c’$).

Nếu cả ba điều kiện trên đều được thỏa mãn và hệ số $c’$ giảm đi (hoặc trở nên không có ý nghĩa) so với $c$ ban đầu, thì có bằng chứng về tác động trung gian. Hạn chế lớn nhất của phương pháp này là nó không cung cấp một kiểm định trực tiếp về ý nghĩa thống kê của hiệu ứng gián tiếp ($a \times b$), và cũng không kiểm soát được lỗi loại I một cách hiệu quả. Do đó, mặc dù cung cấp cái nhìn ban đầu về biến trung gian là gì, phương pháp này đã dần được thay thế bởi các kỹ thuật hiện đại hơn.

2.2. Kiểm định Sobel (Sobel Test)

Để khắc phục nhược điểm của Baron & Kenny trong việc đánh giá ý nghĩa thống kê của hiệu ứng gián tiếp, kiểm định Sobel đã được phát triển. Phương pháp này sử dụng công thức để tính giá trị Z-score cho hiệu ứng gián tiếp ($a \times b$), dựa trên các hệ số hồi quy và sai số chuẩn của chúng.

• Công thức cụ thể:

$Z = \frac{a \times b}{\sqrt{a^2 \times S_b^2 + b^2 \times S_a^2}}$

• Trong đó:
  • $S_a$ và $S_b$ là sai số chuẩn của các hệ số $a$ và $b$ tương ứng.

Nếu giá trị Z tính toán đủ lớn (thường là lớn hơn 1.96 cho mức ý nghĩa 0.05), kết luận hiệu ứng gián tiếp có ý nghĩa thống kê. Tuy nhiên, kiểm định Sobel lại có một hạn chế lớn khác: nó giả định rằng phân phối của hiệu ứng gián tiếp là chuẩn, điều này thường không đúng trong thực tế, đặc biệt với cỡ mẫu nhỏ hoặc khi phân phối của các biến không đối xứng. Do đó, việc hiểu biến trung gian là gì qua kiểm định Sobel cũng cần thận trọng.

2.3. Phương pháp Bootstrap – Giải pháp ưu việt hiện nay

Ngày nay, phương pháp Bootstrap được coi là tiêu chuẩn vàng để kiểm định biến trung gian vì độ chính xác và độ mạnh thống kê vượt trội. Kỹ thuật này không yêu cầu giả định về phân phối chuẩn của dữ liệu và có thể kiểm định trực tiếp khoảng tin cậy của hiệu ứng gián tiếp.
Nguyên lý của Bootstrap là tái lấy mẫu dữ liệu gốc một số lượng lớn lần (ví dụ: 5000 hoặc 10000 lần) để tạo ra các tập dữ liệu giả lập. Với mỗi tập dữ liệu giả lập này, hiệu ứng gián tiếp ($a \times b$) được tính toán. Từ hàng ngàn giá trị $a \times b$ thu được, khoảng tin cậy (ví dụ 95% Confidence Interval – CI) được xây dựng. Nếu khoảng tin cậy này không chứa số 0, thì hiệu ứng gián tiếp được coi là có ý nghĩa thống kê. Việc này giúp chúng ta có một đánh giá chính xác hơn về biến trung gian là gì và vai trò của nó.
Phương pháp Bootstrap có ưu điểm vượt trội khi sử dụng khoảng tin cậy: nó không chỉ cho biết liệu tác động gián tiếp có ý nghĩa hay không mà còn cung cấp ước lượng về độ lớn và hướng của tác động đó. Đây là lý do tại sao các nhà nghiên cứu hiện đại thường được khuyến nghị sử dụng Bootstrap cho các kiểm định biến trung gian.

3. Chạy Phân Tích Biến Trung Gian trên Các Phần Mềm Thống Kê Chuyên Dụng

Việc áp dụng lý thuyết về biến trung gian là gì vào thực tiễn nghiên cứu thường được thực hiện thông qua các phần mềm thống kê chuyên dụng. Mỗi phần mềm có những đặc điểm và quy trình riêng, nhưng đều hướng đến mục tiêu chung là kiểm định và đánh giá vai trò của biến trung gian.

3.1. Chạy Biến Trung Gian trong SPSS với Macro PROCESS

SPSS, mặc dù là phần mềm thống kê phổ biến, nhưng không có chức năng kiểm định biến trung gian tích hợp sẵn. Để thực hiện, các nhà nghiên cứu thường sử dụng Macro PROCESS của Andrew F. Hayes – một công cụ mạnh mẽ và linh hoạt.
Quy trình thực hiện:

1. Cài đặt Macro PROCESS: Tải Macro PROCESS (tệp .sps) từ trang web chính thức của tác giả và cài đặt vào SPSS theo hướng dẫn.
2. Chọn biến: Mở dữ liệu của bạn trong SPSS. Vào Analyze > Regression > PROCESS v3.x by Andrew F. Hayes.
3. Thiết lập mô hình:
   • Kéo biến phụ thuộc (Y) vào ô Dependent Variable (Y).
   • Kéo biến độc lập (X) vào ô Independent Variable (X).
   • Kéo biến trung gian (M) vào ô Mediator Variable(s) (M).
   • Chọn Model number là 4 (Model 4 is for simple mediation).
   • Quan trọng nhất: Đảm bảo đã chọn Bootstrap với số mẫu cao (ví dụ: 5000 iterations) và chọn Bias corrected and accelerated confidence intervals. Đặt mức khoảng tin cậy 95%.

Cách đọc kết quả:
Sau khi chạy, kết quả sẽ hiển thị trong cửa sổ Output của SPSS. Bạn cần tập trung vào các phần sau:

• Outcome: M (Biến trung gian): Kiểm tra xem biến độc lập (X) có tác động ý nghĩa lên biến trung gian (M) hay không (hệ số $a$).
• Outcome: Y (Biến phụ thuộc):
  • Kiểm tra tác động của biến trung gian (M) lên biến phụ thuộc (Y) (hệ số $b$).
  • Kiểm tra tác động trực tiếp của X lên Y khi có M (hệ số $c’$).
• Indirect Effect ($a \times b$): Đây là phần quan trọng nhất để hiểu biến trung gian là gì. Tìm bảng “Indirect effect(s) of X on Y”. Cụ thể, kiểm tra dòng “PROCESS Output for Model 4”.
  • Nếu khoảng tin cậy Bootstrap 95% (Lower Level CI và Upper Level CI) không chứa số 0 (ví dụ: từ 0.15 đến 0.45), điều đó có nghĩa là hiệu ứng gián tiếp có ý nghĩa thống kê, tức là có tác động trung gian.
  • Để xác định loại trung gian (toàn phần hay một phần), bạn tiếp tục xem dòng Direct Effect. Nếu tác động trực tiếp $c’$ vẫn có ý nghĩa (p < 0.05 hoặc CI không chứa 0), đó là trung gian một phần. Nếu $c’$ mất ý nghĩa (p > 0.05 hoặc CI chứa 0), đó là trung gian hoàn toàn.

Ví dụ thực tế: Một nghiên cứu về ảnh hưởng của sự hài lòng trong công việc (X) đến hiệu suất làm việc (Y) thông qua biến động lực làm việc (M). Sau khi chạy PROCESS Macro Model 4, kết quả cho thấy khoảng tin cậy 95% của hiệu ứng gián tiếp (qua M) là [0.12, 0.38] (không chứa 0), chứng tỏ sự hài lòng tác động lên hiệu suất thông qua động lực làm việc. Đồng thời, tác động trực tiếp từ hài lòng đến hiệu suất vẫn có ý nghĩa (p < 0.05), suy ra đây là trung gian một phần.

3.2. Kiểm Định Biến Trung Gian Bằng AMOS (Kỹ thuật SEM)

AMOS là một phần mềm mạnh mẽ cho phân tích mô hình cấu trúc (SEM), rất phù hợp để kiểm định các mô hình biến trung gian phức tạp hơn, đặc biệt khi các biến độc lập và phụ thuộc là các biến tiềm ẩn. AMOS sử dụng kỹ thuật Bootstrap để kiểm định ý nghĩa thống kê của các hiệu ứng gián tiếp.

Quy trình thực hiện:

1. Vẽ mô hình: Trong giao diện AMOS Graphics, vẽ sơ đồ mô hình nhân quả: $X \rightarrow M \rightarrow Y$. Đảm bảo có cả đường mũi tên từ $X \rightarrow Y$ để kiểm tra tác động trực tiếp (c’).
2. Thiết lập phân tích:
   • Vào Analyze > Analysis Properties.
   • Trong tab Output, chọn Standardized estimates và Squared multiple correlations.
   • Trong tab Bootstrap, đánh dấu Perform bootstrap. Chọn số mẫu bootstrap (ví dụ: 2000 hoặc 5000), và chọn Bias-corrected confidence intervals với mức 95%.
3. Chạy mô hình: Nhấn nút Analyze (biểu tượng máy tính cầm tay).
4. Đọc kết quả: Sau khi phân tích xong, vào View > Text Output.
   • Trong phần Estimates, bạn sẽ thấy các hệ số đường dẫn (path coefficients) cho $X \rightarrow M$ và $M \rightarrow Y$.
   • Để kiểm tra hiệu ứng gián tiếp, tìm đến mục Indirect Effects hoặc sử dụng plugin Specific Indirect Effects (nếu có):
     • Tìm dòng tương ứng với hiệu ứng gián tiếp của $X$ lên $Y$ thông qua $M$.
     • Kiểm tra cột Lower và Upper của khoảng tin cậy 95% (CI). Nếu khoảng này không chứa số 0, thì tác động gián tiếp có ý nghĩa.
     • So sánh tác động trực tiếp $X \rightarrow Y$ của bạn (trong phần Estimates hoặc Direct Effects) với 0 để phân loại trung gian (toàn phần hoặc một phần).

Ví dụ thực tế: Nghiên cứu về tác động của chất lượng dịch vụ (X) đến sự hài lòng của khách hàng (Y) thông qua hình ảnh thương hiệu (M). Sau khi vẽ và chạy mô hình SEM trên AMOS, giả sử khoảng tin cậy 95% cho hiệu ứng gián tiếp (X -> M -> Y) là [0.08, 0.25], không chứa 0. Điều này khẳng định hình ảnh thương hiệu đóng vai trò trung gian có ý nghĩa. Đồng thời, đường dẫn trực tiếp từ chất lượng dịch vụ đến hài lòng khách hàng vẫn có ý nghĩa thống kê, kết luận đây là trung gian một phần.

3.3. SmartPLS và Phân Tích Đa Nhóm Biến Trung Gian

SmartPLS là một công cụ xuất sắc cho phân tích PLS-SEM, đặc biệt hữu ích khi xử lý dữ liệu không tuân theo phân phối chuẩn hoặc khi xây dựng mô hình dự đoán. SmartPLS cũng rất mạnh mẽ trong việc kiểm định biến trung gian và có thể mở rộng sang phân tích đa nhóm biến trung gian.

Quy trình thực hiện:

1. Xây dựng mô hình: Kéo và thả các biến để tạo mô hình PLS-SEM với X, M, và Y. Đảm bảo có đường dẫn từ X đến M, M đến Y, và X đến Y.
2. Chạy Bootstrapping:
   • Vào Calculate > Bootstrapping.
   • Chọn số lượng mẫu con bootstrap (thường là 5000).
   • Thiết lập khoảng tin cậy là Bias Corrected and Accelerated (BCa) Bootstrapping Two-tailed với mức 95%.
   • Nhấn Start Calculation.
3. Đọc kết quả:
   • Trong Report Statistic, vào tab Specific Indirect Effects.
   • Tìm hiệu ứng gián tiếp của X lên Y thông qua M.
   • Kiểm tra cột p-values (nếu p < 0.05 thì có ý nghĩa) hoặc cột Confidence Intervals Bias Corrected (nếu CI không chứa 0 thì có ý nghĩa).
   • Để phân loại trung gian, vào tab Path Coefficients (Mean, STDEV, T-Values, P-Values). Xem xét p-value của đường dẫn trực tiếp từ X đến Y. Nếu đường dẫn này có ý nghĩa thống kê (p < 0.05) và hiệu ứng gián tiếp cũng có ý nghĩa, thì đó là trung gian một phần. Nếu đường dẫn trực tiếp không có ý nghĩa (p > 0.05) và hiệu ứng gián tiếp có ý nghĩa, đó là trung gian hoàn toàn.

Phân tích đa nhóm biến trung gian: SmartPLS cho phép bạn kiểm định xem cấu trúc quan hệ trung gian có khác biệt đáng kể giữa các nhóm khác nhau (ví dụ: nam và nữ, khách hàng cũ và khách hàng mới) hay không. Sau khi chạy PLS-SEM cho từng nhóm hoặc sử dụng chức năng Multi-Group Analysis (MGA), bạn có thể so sánh các hiệu ứng gián tiếp giữa các nhóm để nhận diện sự khác biệt.

3.4. STATA/EViews và Cách Chạy Biến Trung Gian

STATA và EViews cũng cung cấp các công cụ để kiểm định biến trung gian, mặc dù có thể không trực quan bằng AMOS hay SmartPLS đối với các mô hình phức tạp.

• STATA: STATA hỗ trợ phương pháp Baron & Kenny thông qua các lệnh hồi quy chuẩn (regress). Đặc biệt, STATA có gói lệnh sgmediation (cần cài đặt từ SSC) cho phép chạy kiểm định biến trung gian với Bootstrap một cách tự động.
  • Lệnh mẫu: sgmediation Y, m(M) x(X) cipct(95) bs(5000)
  • Kết quả sẽ hiển thị bảng Indirect Effect với khoảng tin cậy, giúp bạn xác định biến trung gian là gì và liệu nó có ý nghĩa hay không.
• EViews: EViews thường được dùng cho phân tích chuỗi thời gian, và việc kiểm định biến trung gian phức tạp như Bootstrap không được tích hợp bằng một lệnh đơn giản. Tuy nhiên, bạn vẫn có thể thực hiện thủ công bằng cách chạy 3 mô hình hồi quy Baron & Kenny và sau đó tự tính toán kiểm định Sobel. Đối với các nhà nghiên cứu cần sự tiện lợi và độ chính xác cao cho biến trung gian, các phần mềm khác sẽ là lựa chọn tối ưu hơn.

4. Tổng Kết

Việc hiểu biến trung gian là gì và cách thức kiểm định nó là một kỹ năng thiết yếu đối với bất kỳ nhà nghiên cứu định lượng nào. Nó không chỉ làm phong phú thêm kết quả nghiên cứu mà còn cung cấp cái nhìn sâu sắc về các cơ chế tiềm ẩn, giúp chúng ta xây dựng các lý thuyết mạnh mẽ hơn và đưa ra các khuyến nghị chính sách hoặc giải pháp thực tiễn hiệu quả hơn.

Quy tắc chung để xác định loại biến trung gian sau khi chạy mô hình:

• Trung gian một phần (Partial Mediation): Cả hiệu ứng gián tiếp (qua M) VÀ hiệu ứng trực tiếp (c’) đều có ý nghĩa thống kê (CI không chứa 0 hoặc p < 0.05). Điều này có nghĩa là biến độc lập vẫn có tác động trực tiếp lên biến phụ thuộc, nhưng một phần tác động đó được giải thích thông qua biến trung gian.
• Trung gian hoàn toàn (Full Mediation): Hiệu ứng gián tiếp (qua M) CÓ ý nghĩa thống kê (CI không chứa 0 hoặc p < 0.05), NHƯNG hiệu ứng trực tiếp (c’) KHÔNG có ý nghĩa thống kê (CI chứa 0 hoặc p > 0.05). Trong trường hợp này, biến trung gian giải thích toàn bộ mối quan hệ giữa biến độc lập và biến phụ thuộc, tác động trực tiếp của X lên Y biến mất khi có M.
• Không có biến trung gian: Nếu hiệu ứng gián tiếp (qua M) KHÔNG có ý nghĩa thống kê (CI chứa 0 hoặc p > 0.05).

Những lời khuyên quan trọng khi làm việc với biến trung gian:

• Ưu tiên Bootstrap: Luôn sử dụng phương pháp Bootstrap (với ít nhất 5000 mẫu lặp lại) để kiểm định khoảng tin cậy của hiệu ứng gián tiếp. Phương pháp này đáng tin cậy hơn Sobel Test và Baron & Kenny nhiều.
• Cơ sở lý thuyết vững chắc: Biến trung gian không phải là một “công cụ vá lỗi” cho mô hình. Việc đưa biến trung gian vào phải dựa trên lý thuyết sâu rộng và cơ sở logic vững chắc từ các nghiên cứu trước. Đừng cố gắng “ép” một biến nào đó làm trung gian nếu không có lý do thuyết phục.
• Kiểm tra kỹ lưỡng các giả định: Dù Bootstrap giảm bớt yêu cầu về phân phối chuẩn, bạn vẫn cần kiểm tra các giả định khác của hồi quy (ví dụ: đa cộng tuyến, phương sai sai số không đổi) để đảm bảo kết quả chính xác.
• Chọn phần mềm phù hợp:
  • Đối với các mô hình đơn giản sử dụng biến quan sát, SPSS với Macro PROCESS là lựa chọn tuyệt vời, dễ sử dụng và phổ biến.
  • Đối với các mô hình cấu trúc phức tạp với biến tiềm ẩn, AMOS và SmartPLS là công cụ tối ưu, đặc biệt khi bạn muốn kiểm định phân tích đa nhóm biến trung gian hoặc khi dữ liệu không phân phối chuẩn.
• Diễn giải rõ ràng: Khi trình bày kết quả, hãy giải thích rõ ràng biến trung gian là gì, loại trung gian nào được tìm thấy và ý nghĩa thực tiễn của nó đối với lĩnh vực nghiên cứu.

Việc làm chủ kỹ thuật phân tích biến trung gian sẽ giúp bạn nâng tầm chất lượng các công trình nghiên cứu, từ luận văn cử nhân, luận văn thạc sĩ cho đến luận án tiến sĩ. Nếu bạn cần hỗ trợ chuyên sâu trong việc xử lý số liệu, phân tích định lượng, hoặc cần tư vấn về các phương pháp thống kê phức tạp như kiểm định biến trung gian trên SPSS, AMOS, SmartPLS hay STATA/EViews, đừng ngần ngại liên hệ với xulysolieu.info. Đội ngũ chuyên gia của chúng tôi luôn sẵn sàng đồng hành cùng bạn để biến những thách thức dữ liệu thành những kết quả nghiên cứu ý nghĩa.