Biến trung gian (mediator) đóng vai trò quan trọng trong việc khám phá cơ chế tác động giữa các biến trong nghiên cứu định lượng. Với ưu điểm dễ sử dụng và phổ biến, SPSS là công cụ phù hợp để kiểm định biến trung gian. Bài viết này sẽ hướng dẫn bạn cách phân tích biến trung gian trên SPSS bằng hai phương pháp: Sobel Test và Bootstrapping với PROCESS Macro.

1. Biến trung gian mediator là gì?

Trong nghiên cứu định lượng, biến trung gian (mediator) là một khái niệm quan trọng nhằm giải thích cơ chế tác động giữa biến độc lập và biến phụ thuộc. Theo định nghĩa kinh điển của Baron & Kenny (1986), biến trung gian là một biến nằm giữa mối quan hệ giữa biến độc lập (X) và biến phụ thuộc (Y), giúp làm rõ cách thức mà X ảnh hưởng đến Y thông qua một quá trình trung gian (M).

Cụ thể, mô hình trung gian bao gồm ba đường tác động chính:

• Tác động trực tiếp (direct effect – c’): Là ảnh hưởng của biến độc lập (X) đến biến phụ thuộc (Y) khi đã kiểm soát sự xuất hiện của biến trung gian (M).
• Tác động gián tiếp (indirect effect – a*b): Là ảnh hưởng của X đến Y thông qua M. Trong đó:
  • a: hệ số tác động từ X đến M
  • b: hệ số tác động từ M đến Y
• Tổng tác động (total effect – c): Là tổng của tác động trực tiếp và gián tiếp: c = c’ + a*b

Sơ đồ mô hình trung gian cơ bản:

• X là biến độc lập
• M là biến trung gian
• Y là biến phụ thuộc
• Mũi tên từ X đến Y biểu thị tác động trực tiếp (c’)
• Mũi tên X → M và M → Y thể hiện tác động gián tiếp (a và b)

Phân biệt với các loại biến khác:

• Biến điều tiết (moderator): Là biến làm thay đổi cường độ hoặc hướng tác động giữa X và Y, thường được kiểm tra qua tương tác (interaction term).
• Biến kiểm soát (control variable): Là các yếu tố được giữ cố định để loại bỏ nhiễu trong quá trình phân tích, không nằm trong mô hình trung gian.

2. Phương pháp xử lý biến trung gian bằng Sobel Test

a) Cơ sở lý thuyết: Mô hình của Baron & Kenny (1986)

Baron và Kenny (1986) là những người đầu tiên đề xuất quy trình kiểm định biến trung gian (mediator) một cách có hệ thống. Để xác định sự tồn tại của một biến trung gian, cần thỏa mãn ba điều kiện sau:

• Biến độc lập (X) phải ảnh hưởng đến biến trung gian (M): Hệ số a ≠ 0, nghĩa là mối quan hệ giữa X và M là có ý nghĩa.
• Biến trung gian (M) phải ảnh hưởng đến biến phụ thuộc (Y): Hệ số b ≠ 0, tức là khi M thay đổi thì Y cũng thay đổi có ý nghĩa.
• Tác động trực tiếp của X đến Y (c’) phải giảm so với tổng tác động ban đầu (c): Điều này cho thấy một phần ảnh hưởng từ X đến Y được truyền qua M.

Nếu tác động trực tiếp (c’) không còn ý nghĩa thống kê, có thể coi là trung gian toàn phần. Nếu c’ vẫn còn ý nghĩa nhưng nhỏ hơn c, ta có trung gian một phần.

b) Quy trình 3 bước hồi quy trên SPSS

Để kiểm định vai trò của biến trung gian theo mô hình của Baron & Kenny (1986), ta tiến hành 3 phân tích hồi quy riêng biệt như sau:

1. Hồi quy đơn: X → M → Kiểm tra xem biến độc lập (X) có ảnh hưởng đáng kể đến biến trung gian (M) hay không (tương ứng với điều kiện 1). Kết quả mong đợi: hệ số X có giá trị Sig. < 0.05. Phương trình hồi quy: M = β₀ + aX + e₁

2. Hồi quy bội: X, M → Y → Kiểm tra xem biến trung gian (M) có tác động đáng kể đến biến phụ thuộc (Y) hay không khi đã kiểm soát biến X (tương ứng với điều kiện 2). Kết quả mong đợi: hệ số M có giá trị Sig. < 0.05. Phương trình hồi quy: Y = β₀ + c′X + bM + e₂

3. Hồi quy đơn: X → Y → Xác định tổng ảnh hưởng ban đầu của biến độc lập (X) lên biến phụ thuộc (Y), tức là hệ số c. Dùng để so sánh với hệ số c′ từ bước 2 nhằm đánh giá mức độ giảm tác động trực tiếp khi thêm biến trung gian vào mô hình. Kết quả mong đợi: c′ < c, và nếu c′ không còn ý nghĩa thì có thể kết luận trung gian toàn phần.

Phương trình hồi quy: Y = β₀ + cX + e₃

Ví dụ:

• Nếu c = 0.6 và c’ = 0.2 ⇒ M đóng vai trò trung gian lớn
• Nếu c = 0.6 và c’ ≈ 0.6 ⇒ M không phải biến trung gian đáng kể

c) Thực hiện Sobel Test

Sau khi hoàn tất 3 bước hồi quy theo mô hình của Baron & Kenny (1986), chúng ta sẽ tiến hành kiểm tra ý nghĩa thống kê của hiệu ứng gián tiếp thông qua Sobel Test (Sobel, 1982). Phép kiểm này giúp xác định xem biến trung gian (M) có thực sự đóng vai trò trung gian trong mối quan hệ giữa biến độc lập (X) và biến phụ thuộc (Y) hay không.

Cách thực hiện:

• Lấy các hệ số từ hồi quy 1 và 2:
  • a = hệ số X → M
  • b = hệ số M → Y
  • sa = sai số chuẩn (standard error) của a
  • sb = sai số chuẩn của b

Cách tính nhanh: Bạn có thể sử dụng công cụ Sobel Test Online như

• https://www.danielsoper.com/statcalc/calculator.aspx?id=31
• http://quantpsy.org/sobel/sobel.htm

Nhập vào: a, sa, b, sb Kết quả trả ra: z-value và p-value

Diễn giải:

• Nếu p < 0.05, hiệu ứng gián tiếp có ý nghĩa → có trung gian
• Nếu p ≥ 0.05, không đủ bằng chứng khẳng định có trung gian

d) Thực hành xử lý biến trung gian bằng Sobel Test

Giả sử bạn đã có dữ liệu gồm 3 biến X (biến độc lập), M (trung gian), và Y (biến phụ thuộc). Ví dụ:

• X: Chất lượng dịch vụ
• M: Mức độ hài lòng
• Y: Ý định quay lại sử dụng dịch vụ

Tất cả các biến được đo lường bằng thang đo Likert 5 điểm. Phân tích này sẽ giúp xác định xem mức độ hài lòng có đóng vai trò trung gian trong mối quan hệ giữa chất lượng dịch vụ và ý định quay lại hay không.

Bước 1: Lấy thông tin từ hồi quy X → M

Bạn hãy xem lại cách chạy hồi quy trên SPSS tại bài viết này. Chúng ta có sig kiểm định t của biến X bằng 0.000 < 0.05, biến X có tác động lên M. Hệ số tác động chưa chuẩn hóa và sai số chuẩn của X lần lượt: a = 0.305 và sa = 0.028 (các ký hiệu a, sa chúng ta sẽ dùng ở Sobel Test).

Bước 2: Lấy thông tin từ hồi quy X, M → Y

Chúng ta có sig kiểm định t của biến M bằng 0.000 < 0.05, biến M có tác động lên Y. Hệ số tác động chưa chuẩn hóa và sai số chuẩn của M lần lượt: b = 0.104 và sb = 0.027. Hệ số tác động chưa chuẩn hóa của X trong phép hồi quy này là c’ = 0.626.

Bước 3: Thực hiện hồi quy đơn X → Y

Chúng ta có hệ số tác động chưa chuẩn hóa c = 0.657 > c’ = 0.626, điều này cho thấy biến trung gian M đã làm giảm tác động của biến độc lập lên biến phụ thuộc.

Hiệu số c – c’ = 0.657 – 0.626 = 0.031 (cũng chính bằng tích số a*b) cho chúng ta thấy có sự khác biệt. Tuy nhiên, sự khác biệt này có ý nghĩa thống kê hay không, c lớn hơn c’ có ý nghĩa thống kê hay không, chúng ta cần phải thực hiện kiểm định t để đánh giá. Phép kiểm định t đánh giá hiệu số c – c’ có nghĩa thống kê hay không được gọi là Sobel Test (xem thêm tại đây). Do đó, chúng ta sẽ tiếp tục thực hiện bước 4.

Bước 4: Đánh giá sự khác biệt c – c’ bằng Sobel Test.

SPSS không tích hợp sẵn Sobel Test, chúng ta sẽ thực hiện kiểm định tại website này. Sau khi truy cập vào website, chúng ta sẽ chú ý tới phần Input với 4 giá trị cần khai báo đầu vào là a, b, sa, sb. Với:

• a, sa: lần lượt là hệ số hồi quy chưa chuẩn hóa và sai số chuẩn của X trong phương trình hồi quy đơn X → M.
• b, sb: lần lượt là hệ số hồi quy chưa chuẩn hóa và sai số chuẩn của M trong phương trình hồi quy bội X, M → Y.

Nhập 4 giá trị a, b, sa, sb tương ứng vào các ô trên bảng Sobel Test, sau đó nhấn vào Calculate để tiến hành phân tích. Chúng ta sẽ đọc kết quả giá trị p-value ở phần bôi vàng.

Giá trị sig (p-value) của kiểm định Sobel bằng 0.000 < 0.05, như vậy M là biến trung gian tác động lên mối quan hệ từ X lên Y.

3. Phân tích biến trung gian mediator bằng Bootstrapping trong SPSS

a) Cơ sở lý thuyết Bootstrapping

Biến trung gian (mediator) là một khái niệm quan trọng trong các mô hình phân tích hồi quy và mô hình nhân quả. Theo lý thuyết kinh điển của Baron và Kenny (1986), biến trung gian là biến nằm giữa mối quan hệ của biến độc lập (X) và biến phụ thuộc (Y), giúp giải thích cơ chế tại sao hoặc bằng cách nào mà X ảnh hưởng đến Y.

Cấu trúc mô hình trung gian cơ bản bao gồm:

Với các thành phần:

• a: Hệ số tác động của biến độc lập X lên biến trung gian M
• b: Hệ số tác động của biến trung gian M lên biến phụ thuộc Y (đã kiểm soát X)
• c’: Tác động trực tiếp của X lên Y (direct effect)
• a*b: Tác động gián tiếp (indirect effect)
• c = a*b + c’: Tác động tổng hợp (total effect)

Từ đây, ta thấy tổng ảnh hưởng của X đến Y bao gồm cả ảnh hưởng trực tiếp (c’) và ảnh hưởng gián tiếp thông qua M (a*b).

Baron & Kenny cho rằng, để phân tích biến trung gian có ý nghĩa, tác động tổng hợp c (X → Y) phải có ý nghĩa thống kê. Tuy nhiên, các nghiên cứu sau này đã chỉ ra rằng điều kiện này không bắt buộc.

Theo MacKinnon et al. (2000) và Shrout & Bolger (2002), việc mối quan hệ tổng thể (c) không có ý nghĩa không đồng nghĩa với việc không tồn tại tác động trung gian. Điều này đặc biệt đúng trong các tình huống xảy ra trung gian hoàn toàn (full mediation), khi tác động trực tiếp c’ không còn đáng kể và toàn bộ ảnh hưởng được truyền qua M.

Do đó, việc kiểm định hiệu ứng gián tiếp (a*b) trở nên quan trọng và là trọng tâm của phân tích trung gian hiện đại.

Trong bối cảnh đó, kỹ thuật Bootstrapping đã được đề xuất như một phương pháp mạnh mẽ để kiểm định tác động gián tiếp trong mô hình trung gian.

Bootstrapping là phương pháp lấy mẫu lặp lại (resampling with replacement) từ tập dữ liệu gốc để tạo ra hàng ngàn mẫu mới (ví dụ: 5.000 mẫu), sau đó ước lượng hệ số a, b và đặc biệt là tích số ab trên mỗi mẫu. Từ đó, ta tạo ra **phân phối ước lượng của ab** và tính khoảng tin cậy (Confidence Interval – CI) cho tác động gián tiếp.

Theo Preacher & Hayes (2004, 2008): Nếu khoảng tin cậy không chứa giá trị 0, thì có thể kết luận rằng hiệu ứng gián tiếp có ý nghĩa thống kê, và tồn tại mối quan hệ trung gian.

b) So sánh Bootstrapping với Sobel Test

Tiêu chí	Sobel Test	Bootstrapping
Yêu cầu phân phối chuẩn	Có	Không
Độ nhạy với cỡ mẫu nhỏ	Thấp	Cao (hiệu quả với mẫu nhỏ)
Phương pháp kiểm định	Phân tích phương sai tích số a*b (giả định chuẩn)	Dựng phân phối thực nghiệm từ lấy mẫu lặp
Phổ biến hiện nay	Ít dùng trong thực tế	Là phương pháp chuẩn mực hiện nay
Ưu điểm	Đơn giản, tính toán tay được	Chính xác hơn, phù hợp với dữ liệu thực nghiệm

Theo Williams & MacKinnon (2008) và Zhao, Lynch & Chen (2010), Bootstrapping vượt trội hơn về mặt thống kê, khắc phục các hạn chế nghiêm ngặt của Sobel Test, đặc biệt trong bối cảnh dữ liệu không phân phối chuẩn hoặc cỡ mẫu không lớn.

c) Giới thiệu và cách cài đặt PROCESS Macro của Hayes

Để thực hiện phân tích biến trung gian (mediator) một cách chính xác và chuyên nghiệp trên SPSS, công cụ được sử dụng phổ biến nhất hiện nay là PROCESS Macro do GS. Andrew F. Hayes phát triển. Công cụ này hỗ trợ chạy mô hình trung gian (model 4), mô hình điều tiết, và các dạng phân tích nhân quả mở rộng khác.

Hướng dẫn tải PROCESS Macro

• Bạn có thể tải phiên bản mới nhất của PROCESS Macro tại website chính thức: https://www.processmacro.org/download.html
• Tại đây, bạn sẽ thấy các phiên bản dành cho: SPSS (Windows hoặc Mac), SAS, R. Chọn đúng phiên bản SPSS tương ứng với hệ điều hành bạn đang sử dụng (Windows/Mac).

Hướng dẫn cài đặt PROCESS Macro vào SPSS

➤ Bước 1: Tải file process.sps về máy

Sau khi truy cập trang trên, hãy tải file process.sps về máy. Đây là file script cài đặt PROCESS.

➤ Bước 2: Mở SPSS và chạy file process.sps

• Mở phần mềm SPSS.
• Vào File → Open → Syntax và chọn file process.sps vừa tải về.
• Một cửa sổ Syntax sẽ hiện ra. Nhấn nút Run All (Ctrl + R) hoặc chọn toàn bộ đoạn lệnh và nhấn Run để thực thi.

Nếu cài đặt thành công, bạn sẽ thấy thông báo: PROCESS version 3.5 by Andrew F. Hayes installed successfully.

Kiểm tra PROCESS đã cài thành công chưa

• Trên thanh công cụ SPSS, vào: Analyze → Regression → PROCESS v3.5 by Andrew F. Hayes
• Nếu bạn thấy dòng lệnh này, tức là PROCESS đã được cài đặt thành công và sẵn sàng để sử dụng.

Giới thiệu Model 4 – Mô hình trung gian cơ bản

Trong PROCESS, các mô hình phân tích nhân quả được đánh số theo sơ đồ có sẵn từ 1 đến 92. Trong đó:

• Model 4 là mô hình trung gian cơ bản (simple mediation model), thường dùng nhất trong nghiên cứu khoa học xã hội.
• Cấu trúc: X → M → Y, trong đó:
  • X: Biến độc lập
  • M: Biến trung gian (Mediator)
  • Y: Biến phụ thuộc

Mô hình này ước lượng:

• Tác động trực tiếp (c’): X ảnh hưởng đến Y sau khi kiểm soát M
• Tác động gián tiếp (a*b): Thông qua M
• Tác động tổng hợp (c = c’ + a*b)

Đặc biệt, PROCESS tự động thực hiện:

• Bootstrapping để kiểm định hiệu ứng gián tiếp
• Xuất kết quả bao gồm: hệ số hồi quy, khoảng tin cậy (CI), giá trị p

Lợi ích của việc dùng PROCESS v3.5

Tính năng	Mô tả
Hỗ trợ Bootstrapping	Giúp kiểm định hiệu ứng trung gian chính xác hơn
Tích hợp SPSS	Không cần phần mềm ngoài
Giao diện đơn giản	Không cần biết lập trình
Tùy chỉnh tham số	Số mẫu Bootstrap, loại khoảng tin cậy, chuẩn hóa…

d) Thao tác chạy PROCESS để phân tích trung gian

Sau khi đã cài đặt thành công PROCESS Macro v3.5 của Hayes, bạn có thể bắt đầu thực hiện phân tích biến trung gian (mediator) trên SPSS theo mô hình cơ bản (Model 4). Dưới đây là các bước hướng dẫn chi tiết từ thiết lập mô hình đến diễn giải kết quả.

Mở tệp dữ liệu SPSS cần chạy phân tích trung gian, vào Analyze > Regression > PROCESS v3.5 by Andrew F. Hayes (macro cập nhật liên tục theo thời gian, do vậy số phiên bản 3.5 có thể thay đổi). Nếu bạn không nắm rõ về kỹ thuật thao tác, tải – cài đặt – chạy phần mềm, bạn cần dịch vụ SPSS có thể tham khảo dịch vụ từ Xử Lý Số Liệu nhé.

Cửa sổ PROCESS xuất hiện, chúng ta đưa biến phụ thuộc vào Y variable, biến độc lập vào X variable, biến trung gian vào Mediator(s). Nếu có nhiều biến trung gian cùng tác động lên mối quan hệ X, Y, chúng ta có thể đưa tất cả vào cùng lúc. Chọn các tùy chọn giống như mục số 2, sau đó nhấp vào Options mục 3.

Trong Options, tích vào 2 lựa chọn ở mục 1 và thiết lập mục 2 như ảnh. Nhấp Continue để quay lại cửa sổ ban đầu, sau đó nhấp OK để xuất kết quả ra Output.

Tương tự như Sobel Test, Macro PROCESS cũng xuất kết quả các phép hồi quy X → M (hồi quy 1) và X, M → Y (hồi quy 2). Tuy nhiên, kết quả các phép hồi quy này dù thế nào đi nữa cũng không quyết định có hay không mối tác động trung gian trong phương pháp Bootstrapping.

Yếu tố quyết định một biến có vai trò trung gian hay không, hay tồn tại mối quan hệ gián tiếp giữa hai biến hay không trong kỹ thuật Bootstrapping là kết quả đoạn tin cậy bootstrap của mối quan hệ Indirect effects. Bảng TOTAL, DIRECT AND INDIRECT EFFECTS OF X ON Y:

• 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)

e) Diễn giải kết quả Bootstrapping

Phần Indirect effects chúng ta sẽ đánh giá có sự tác động gián tiếp hay không dựa vào khoảng tin cậy phép bootstrap cho tích số a*b .

• Nếu khoảng tin cậy phép bootstrap tích số a*b chứa giá trị 0, chúng ta kết luận không cótác động gián tiếp từ X lên Y.
• Nếu khoảng tin cậy phép bootstrap tích số a*b không chứa giá trị 0, chúng ta kết luận cótác động gián tiếp từ X lên Y.

Cụ thể trong ví dụ thực hành, từ đầu chúng ta chọn độ tin cậy là 95%, kết quả cho gá trị dưới BootLLCI (Lower-Level Confidence Interval) bằng 0.0139 và giá trị trên BootULCI (Upper-Level Confidence Interval) bằng 0.0509. Khoảng tin cậy [0.0139; 0.0509] không bao gồm giá trị 0, như vậy có tác động gián tiếp từ X lên Y qua M với mức tác động là 0.0317. Như vậy, biến M có vai trò trung gian tác động lên mối quan hệ từ X tới Y.

4. Một số lưu ý khi phân tích biến trung gian trên SPSS

Phân tích biến trung gian là một bước quan trọng trong nghiên cứu định lượng, giúp làm sáng tỏ cơ chế tác động giữa các biến trong mô hình. Tuy nhiên, để đảm bảo kết quả có giá trị và đáng tin cậy, người nghiên cứu cần lưu ý một số điểm sau:

a) Cơ sở lý thuyết phải rõ ràng trước khi đưa biến vào mô hình

Không nên đưa biến trung gian chỉ vì mục tiêu kiểm định kỹ thuật. Việc xây dựng mô hình trung gian cần dựa trên lý thuyết vững chắc, các nghiên cứu trước đó, và giả thuyết khoa học rõ ràng. Cấu trúc X → M → Y phải được lý giải hợp lý về mặt logic và học thuật.

Ví dụ: Nếu nghiên cứu mối quan hệ giữa sự hài lòng công việc (X) và ý định nghỉ việc (Y), thì cam kết tổ chức (M) có thể là biến trung gian hợp lý dựa trên các nghiên cứu về hành vi tổ chức.

b) Không suy luận trung gian nếu chưa kiểm định gián tiếp

Chỉ dựa vào việc hệ số hồi quy c’ (direct effect) giảm so với c (total effect) là chưa đủ để kết luận có hiện tượng trung gian. Cần kiểm định ý nghĩa thống kê của hiệu ứng gián tiếp (a*b), đặc biệt là thông qua Bootstrapping hoặc ít nhất là Sobel Test, nếu điều kiện cho phép.

Việc bỏ qua kiểm định gián tiếp là một lỗi phổ biến và dễ dẫn đến kết luận sai trong nghiên cứu.

c) Chỉ nên dùng Sobel Test khi dữ liệu phân phối chuẩn và cỡ mẫu đủ lớn

Sobel Test có những hạn chế nhất định:

• Yêu cầu giả định phân phối chuẩn đối với tích số a*b.
• Độ tin cậy giảm đáng kể khi cỡ mẫu nhỏ (<200).
• Không cung cấp khoảng tin cậy, dễ gây hiểu nhầm về mức độ chính xác.

Do đó, Sobel Test chỉ phù hợp với những bộ dữ liệu lớn và có tính chất gần chuẩn. Trong hầu hết trường hợp thực tế, Bootstrapping được khuyến khích sử dụng thay thế.

d) PROCESS Macro cần tương thích với phiên bản SPSS đang dùng

PROCESS Macro là công cụ mạnh mẽ hỗ trợ kiểm định trung gian, điều tiết và tương tác. Tuy nhiên, để sử dụng hiệu quả, cần:

• Cài đúng phiên bản PROCESS phù hợp với phiên bản SPSS bạn đang sử dụng.
• Đảm bảo không bị lỗi macro khi chạy mô hình.
• Kiểm tra định dạng biến đầu vào (không để dữ liệu thiếu, biến định tính cần mã hóa đúng).

Bạn có thể tải PROCESS Macro bản mới nhất tại: https://www.processmacro.org/download.html

5. Kết luận

Trong bài viết này, chúng ta đã đi qua toàn bộ quy trình phân tích biến trung gian bằng hai kỹ thuật phổ biến nhất trên SPSS: Sobel Test và Bootstrapping thông qua PROCESS Macro. Cụ thể:

• Sobel Test dựa trên nền tảng lý thuyết của Baron & Kenny (1986), dễ thực hiện nhưng có nhiều giới hạn về điều kiện phân phối chuẩn và cỡ mẫu.
• Bootstrapping, đặc biệt là qua công cụ PROCESS Macro của Hayes, là phương pháp kiểm định hiệu ứng gián tiếp chính xác hơn, không yêu cầu giả định phân phối chuẩn và hiện được sử dụng rộng rãi trong nghiên cứu định lượng hiện đại.

Việc lựa chọn đúng công cụ và diễn giải đúng kết quả không chỉ giúp đảm bảo độ tin cậy của nghiên cứu mà còn phản ánh sự nghiêm túc trong phương pháp và trình độ học thuật của người nghiên cứu.

Nếu bạn đang gặp khó khăn, Xử Lý Số Liệu có thể hỗ trợ bạn:

• Hỗ trợ chạy PROCESS Macro hoặc Sobel Test nhanh, chuẩn mẫu mã và đúng logic học thuật.
• Viết chương 4–5 đúng chuẩn báo cáo nghiên cứu khoa học, đầy đủ bảng biểu và diễn giải theo chuẩn đại học/cao học.
• Tư vấn 1:1 hoặc cung cấp file mẫu phân tích trung gian để bạn học và triển khai theo.

📩 Truy cập ngay dịch vụ SPSS tại: https://xulysolieu.info/dich-vu-spss