Trong các nghiên cứu định lượng hiện đại, đặc biệt là các mô hình cấu trúc tuyến tính (SEM), biến trung gian (mediator) đóng vai trò quan trọng trong việc lý giải cơ chế tác động giữa biến độc lập và biến phụ thuộc. Thay vì chỉ biết rằng X ảnh hưởng đến Y, nhà nghiên cứu có thể đi sâu hơn để xác định thông qua đâu mà ảnh hưởng đó diễn ra, từ đó củng cố tính học thuật và giá trị thực tiễn của mô hình. Ví dụ, trong lĩnh vực marketing, sự hài lòng của khách hàng thường được xem là biến trung gian giữa chất lượng dịch vụ và lòng trung thành của khách hàng. Việc kiểm định sự tồn tại và mức độ của mối quan hệ trung gian này giúp xác định các điểm chạm then chốt trong chiến lược cải thiện trải nghiệm khách hàng.

Trong bối cảnh đó, phần mềm SmartPLS 3 nổi bật lên như một công cụ phù hợp để kiểm định biến trung gian mediator, đặc biệt trong các tình huống:

• Cỡ mẫu nhỏ,
• Dữ liệu không tuân theo phân phối chuẩn,
• Mô hình mang tính khám phá hoặc định hướng dự báo.

Với giao diện trực quan và khả năng phân tích Bootstrapping mạnh mẽ, SmartPLS trở thành lựa chọn phổ biến trong các nghiên cứu thực nghiệm tại Việt Nam cũng như quốc tế.

Bài viết này sẽ hướng dẫn chi tiết cách xử lý biến trung gian mediator trên SmartPLS 3, từ khâu xây dựng mô hình, chạy bootstrapping, đến cách diễn giải kết quả và trình bày trong báo cáo chương 4–5. Qua đó, người đọc có thể tự tin ứng dụng phương pháp này một cách chính xác và hiệu quả trong luận văn hoặc công trình nghiên cứu của mình.

1. Biến trung gian (mediator) là gì trong mô hình SEM-PLS?

Biến trung gian (mediator) là một khái niệm trung tâm trong các mô hình phân tích cấu trúc (Structural Equation Modeling – SEM), bao gồm cả phương pháp PLS-SEM. Theo định nghĩa kinh điển của Baron và Kenny (1986), một biến trung gian là biến số đóng vai trò trung gian trong mối quan hệ giữa biến độc lập (independent variable – X) và biến phụ thuộc (dependent variable – Y). Cụ thể, X ảnh hưởng đến M (biến trung gian), và M ảnh hưởng đến Y, do đó tác động của X đến Y là gián tiếp thông qua M.

Về sau, Hayes (2013) bổ sung khung lý thuyết hiện đại, cho rằng kiểm định sự trung gian không chỉ đơn thuần dựa vào việc kiểm tra từng bước tuyến tính như Baron & Kenny đề xuất, mà cần dựa vào kiểm định gián tiếp (indirect effect) thông qua bootstrapping – phương pháp đặc biệt phù hợp với PLS-SEM.

Trong mô hình SEM-PLS, biến trung gian (mediator) thường được biểu diễn bằng sơ đồ đường dẫn như sau:

Trong đó:

• A là biến độc lập (X)
• M là biến trung gian (Mediator)
• B là biến phụ thuộc (Y)

Mối quan hệ này có thể có thêm tác động trực tiếp từ A đến B, tùy theo mô hình kiểm định trung gian toàn phần hay trung gian một phần.

Ví dụ minh họa trong lĩnh vực quản trị nhân sự: Chính sách đào tạo (A) ảnh hưởng đến mức độ hài lòng công việc (B) thông qua năng lực được cải thiện (M). Trong trường hợp này, năng lực được cải thiện đóng vai trò là biến trung gian giúp làm rõ “cơ chế” từ chính sách đến kết quả đầu ra.

2. Quy trình kiểm định biến trung gian mediator trong SmartPLS 3

Việc hiểu rõ biến trung gian (mediator) là gì là tiền đề quan trọng để xây dựng mô hình phân tích phù hợp và lựa chọn phương pháp kiểm định chính xác, đặc biệt khi sử dụng SmartPLS 3 trong các nghiên cứu ứng dụng.

Để kiểm định biến trung gian (mediator) một cách chính xác trong mô hình SEM sử dụng SmartPLS 3, người nghiên cứu cần thực hiện theo một quy trình chuẩn bao gồm 3 bước chính: thiết lập mô hình, cấu hình phân tích bootstrapping và trích xuất – diễn giải kết quả.

a) Chuẩn bị dữ liệu và thiết lập mô hình (outer model + inner model)

Bước đầu tiên là đảm bảo dữ liệu đã được chuẩn hóa, mã hóa đúng và không có giá trị thiếu. Trong SmartPLS, mô hình được chia thành hai phần:

• Outer model (Measurement Model): Thiết lập mối quan hệ giữa các biến quan sát và các biến ẩn (latent variables). Xác định rõ các thang đo là phản xạ (reflective) hay hình thành (formative). Điều này ảnh hưởng đến các chỉ số cần kiểm tra về độ tin cậy và giá trị hội tụ/phân biệt.
• Inner model (Structural Model): Xây dựng mối quan hệ giữa các biến ẩn, trong đó xác định rõ biến độc lập (X), biến trung gian (M) và biến phụ thuộc (Y). Liên kết cần được vẽ đầy đủ theo hướng:

• Và nếu muốn kiểm tra trung gian một phần, cần thêm đường dẫn X → Y trực tiếp để đối chiếu.

b) Thiết lập phân tích Bootstrapping

Sau khi hoàn tất mô hình, bước tiếp theo là chạy Bootstrapping để kiểm định thống kê các mối quan hệ.

• Truy cập mục Calculate → Bootstrapping.

• Chọn Number of Samples là 5.000 để có độ tin cậy cao.
• Giữ nguyên phương pháp Bias-Corrected and Accelerated (BCa) hoặc chọn Percentile Bootstrap tùy mục tiêu kiểm định.
• Đảm bảo tick chọn hiển thị Indirect Effects, Total Effects và Confidence Intervals (CI) để phân tích hiệu ứng trung gian.

• Nhấn vào “Start Calculation” để phân tích hiệu ứng trung gian.

Bootstrapping là công cụ chính để kiểm định ý nghĩa thống kê của hiệu ứng gián tiếp (indirect effect) – yếu tố cốt lõi trong phân tích biến trung gian.

c) Chạy mô hình để lấy các chỉ số quan trọng

Sau khi chạy Bootstrapping, SmartPLS sẽ trả về các chỉ số quan trọng cần xem xét để kiểm định biến trung gian:

• Indirect Effect (X → M → Y): hệ số β, giá trị p-value và khoảng tin cậy (Confidence Interval). Đây là chỉ số then chốt để xác định có tồn tại hiện tượng trung gian hay không.
• Direct Effect (X → Y): cho biết mức độ ảnh hưởng trực tiếp sau khi đã có biến trung gian.
• Total Effect (X → Y thông qua cả trực tiếp và gián tiếp): giúp đánh giá tổng tác động của X đến Y.

→ Nếu Indirect Effect có ý nghĩa thống kê (p < 0.05) và Direct Effect không còn ý nghĩa, ta kết luận có trung gian toàn phần (full mediation). Ngược lại, nếu cả hai cùng có ý nghĩa, ta có trung gian một phần (partial mediation).

3. Các chỉ số cần quan tâm trong phân tích biến trung gian mediator

Khi phân tích biến trung gian (mediator) bằng SmartPLS 3, có một số chỉ số quan trọng bạn cần tập trung theo dõi để xác định rõ vai trò và mức độ ảnh hưởng của biến trung gian trong mô hình SEM:

a) Hệ số đường dẫn trực tiếp (Direct Effect)

• Đây là hệ số biểu thị mức độ ảnh hưởng của biến độc lập (X) đến biến phụ thuộc (Y) không thông qua biến trung gian.
• Trong mô hình SEM có mediator, việc giữ lại đường dẫn trực tiếp X → Y là cần thiết để kiểm tra xem hiệu ứng này còn có ý nghĩa hay không khi đã có mediator.
• Nếu hệ số này không còn ý nghĩa thống kê (p > 0.05), và hiệu ứng gián tiếp có ý nghĩa, ta có thể suy luận rằng mối quan hệ giữa X và Y được truyền hoàn toàn qua biến trung gian.

b) Hệ số gián tiếp (Indirect Effect)

• Chính là mối quan hệ trung gian, tức là đường dẫn từ X → M → Y.
• Đây là phần trọng tâm để xác định có tồn tại hiện tượng trung gian hay không.
• Trong SmartPLS, bạn có thể dễ dàng kiểm tra hệ số này bằng cách xem mục Specific Indirect Effects trong phần kết quả Bootstrapping.
• Quan sát hệ số β và giá trị p-value, cùng Confidence Interval (CI) để đánh giá ý nghĩa thống kê.

c) Tổng hiệu ứng (Total Effect)

• Là tổng hợp của Direct Effect và Indirect Effect.
• Nó phản ánh ảnh hưởng tổng thể của biến độc lập X đến biến phụ thuộc Y bao gồm cả ảnh hưởng trực tiếp và gián tiếp thông qua biến trung gian.
• Total Effect = Direct Effect + Indirect Effect

Việc hiểu rõ tổng hiệu ứng giúp nhà nghiên cứu đánh giá mức độ tác động toàn diện của một biến trong mô hình.

d) P-value và khoảng tin cậy (Confidence Interval – CI)

• P-value: giúp xác định xem các mối quan hệ có ý nghĩa thống kê hay không.
  • Nếu p < 0.05 → mối quan hệ có ý nghĩa.
• Confidence Interval (CI):
  • Quan trọng trong kiểm định bootstrap.
  • Nếu khoảng CI không chứa giá trị 0, thì mối quan hệ được coi là có ý nghĩa thống kê.
  • Ví dụ: CI = [0.045; 0.317] → Ý nghĩa; CI = [-0.022; 0.194] → Không có ý nghĩa.

Sử dụng kết hợp p-value và CI giúp tăng độ tin cậy khi đánh giá hiệu ứng trung gian.

e) Tự động kiểm định trung gian bằng mục “Specific Indirect Effects” trong SmartPLS

• SmartPLS cung cấp tự động các hiệu ứng gián tiếp cụ thể trong tab kết quả của Bootstrapping → Specific Indirect Effects.
• Bạn không cần tính tay các hệ số, chỉ cần quan sát:
  • Hệ số gián tiếp
  • p-value
  • CI
• Đây là kết quả then chốt để kết luận xem mô hình có biến trung gian hay không, và là cơ sở để xác định trung gian toàn phần hay trung gian một phần.

4. Cách diễn giải kết quả biến trung gian trong SmartPLS

Sau khi chạy mô hình và thu được kết quả từ phần Bootstrapping trong SmartPLS, bước tiếp theo là diễn giải hiệu ứng trung gian (mediation effect) một cách rõ ràng và chính xác. Việc phân biệt giữa trung gian một phần (partial mediation) và trung gian toàn phần (full mediation) là điều then chốt trong báo cáo chương 4 cũng như khi viết thảo luận chương 5.

a) Trung gian một phần (Partial Mediation) là gì?

• Xảy ra khi:
  • Cả hiệu ứng trực tiếp (X → Y)và hiệu ứng gián tiếp (X → M → Y) đều có ý nghĩa thống kê (p < 0.05).
• Điều này có nghĩa là biến trung gian chỉ giải thích một phần mối quan hệ giữa X và Y, còn lại vẫn có ảnh hưởng trực tiếp từ X đến Y.
• Đây là dạng trung gian phổ biến trong các nghiên cứu hành vi, tâm lý, marketing.

Ví dụ kết luận:

Biến M đóng vai trò trung gian một phần trong mối quan hệ giữa X và Y, vì cả Direct Effect (β = 0.25; p = 0.012) và Indirect Effect (β = 0.18; p = 0.004) đều có ý nghĩa thống kê.

b) Trung gian toàn phần (Full Mediation) là gì?

• Xảy ra khi:
  • Hiệu ứng gián tiếp (X → M → Y)có ý nghĩa thống kê (p < 0.05),
  • Nhưng hiệu ứng trực tiếp (X → Y)không còn ý nghĩa (p > 0.05) khi đưa biến trung gian vào mô hình.
• Tức là, toàn bộ ảnh hưởng từ X đến Y được truyền qua M, không còn ảnh hưởng trực tiếp nào.

Ví dụ kết luận:

Mối quan hệ giữa X và Y được trung gian toàn phần bởi M, vì Direct Effect không còn ý nghĩa (β = 0.09; p = 0.274), trong khi Indirect Effect có ý nghĩa (β = 0.21; p = 0.001).

c) Diễn giải theo logic và so sánh hệ số

Để đưa ra kết luận rõ ràng, bạn cần:

• So sánh giá trị β (beta coefficient): để biết mức độ ảnh hưởng.
• So sánh p-value: để đánh giá ý nghĩa thống kê.
• Xem xét CI (Confidence Interval): nếu khoảng tin cậy không chứa 0, mối quan hệ được coi là có ý nghĩa.

Bảng tóm tắt giúp bạn dễ phân loại:

Trường hợp	Direct Effect	Indirect Effect
Có ý nghĩa	Có ý nghĩa	Trung gian một phần
Không ý nghĩa	Có ý nghĩa	Trung gian toàn phần
Không ý nghĩa	Không ý nghĩa	Không có trung gian

5. Gợi ý trình bày kết quả biến trung gian trong chương 4 luận văn

Việc trình bày kết quả kiểm định biến trung gian trong chương 4 không chỉ giúp người đọc dễ hiểu mà còn thể hiện tính học thuật và sự chuyên nghiệp trong nghiên cứu. Dưới đây là các gợi ý cụ thể về bảng biểu, mô tả, và cách minh họa bằng sơ đồ mô hình.

a) Gợi ý bảng trình bày:

Bạn nên trình bày các chỉ số quan trọng của kiểm định trung gian (β – hệ số đường dẫn, p-value, Confidence Interval) theo từng loại hiệu ứng. Một bảng ví dụ như sau:

Hiệu ứng	Đường dẫn	Hệ số β	p-value	Khoảng tin cậy 95% (CI)	Ý nghĩa thống kê
Hiệu ứng trực tiếp	X → Y	0.122	0.082	[-0.015; 0.245]	Không có ý nghĩa
Hiệu ứng gián tiếp	X → M → Y	0.238	0.002	[0.107; 0.356]	Có ý nghĩa
Tổng hiệu ứng	X → Y (Total)	0.36	0	[0.220; 0.488]	Có ý nghĩa

Lưu ý: Khoảng tin cậy (CI) không chứa 0 ⇒ mối quan hệ có ý nghĩa thống kê.

b) Gợi ý viết mô tả dưới bảng theo phong cách học thuật:

Kết quả kiểm định biến trung gian cho thấy ảnh hưởng gián tiếp từ biến X đến biến Y thông qua biến trung gian M là có ý nghĩa thống kê (β = 0.238, p = 0.002, CI = [0.107; 0.356]). Trong khi đó, hiệu ứng trực tiếp từ X đến Y không có ý nghĩa (β = 0.122, p = 0.082, CI = [-0.015; 0.245]). Điều này cho thấy M đóng vai trò trung gian toàn phần, tức toàn bộ ảnh hưởng từ X đến Y được truyền qua M. Tổng hiệu ứng từ X đến Y vẫn có ý nghĩa thống kê với β = 0.360 (p = 0.000).

c) Sử dụng sơ đồ mô hình minh họa:

Ngoài bảng biểu và mô tả, bạn nên đưa vào sơ đồ minh họa mô hình SEM-PLS với:

• Các đường dẫn được gắn kèm giá trị β và p.
• Đường mũi tên đậm hoặc màu sắc để thể hiện hiệu ứng gián tiếp.
• Nếu có thể, nên vẽ hai mô hình: mô hình trước khi thêm biến trung gian và mô hình sau khi thêm M, để người đọc dễ so sánh sự thay đổi của Direct effect.

Ví dụ sơ đồ minh họa:

d) Tổng kết ngắn gọn trong phần cuối:

Sau bảng và hình, bạn nên viết 1–2 câu chốt lại, ví dụ:

“Kết quả phân tích bằng SmartPLS cho thấy sự hiện diện của biến trung gian M làm giảm hoặc triệt tiêu ảnh hưởng trực tiếp của X đến Y, khẳng định vai trò trung gian toàn phần trong mô hình nghiên cứu.”

6. Một số lưu ý khi xử lý biến trung gian mediator trong SmartPLS

Biến trung gian (mediator) đóng vai trò thiết yếu trong các mô hình SEM, giúp giải thích cơ chế tác động giữa biến độc lập và biến phụ thuộc. Trong SmartPLS – phần mềm phân tích PLS-SEM phổ biến hiện nay – việc xử lý đúng biến trung gian giúp mô hình đạt được cả giá trị học thuật lẫn ứng dụng. Tuy nhiên, nếu không cẩn trọng, người nghiên cứu có thể mắc phải những lỗi sai nghiêm trọng khi kiểm định biến trung gian.

Vậy khi xử lý biến trung gian mediator trong SmartPLS, cần lưu ý những gì? Hãy cùng Xử Lý Số Liệu tổng hợp 5 điểm quan trọng nhất ngay sau đây.

a) Luôn đảm bảo cơ sở lý thuyết khi thêm biến trung gian vào mô hình

Không nên đưa biến trung gian vào mô hình SEM một cách tùy tiện. Một biến trung gian đúng nghĩa phải có cơ sở lý thuyết rõ ràng, hoặc được kiểm chứng qua các nghiên cứu trước đó.

Ví dụ: Nếu nghiên cứu về ảnh hưởng của chất lượng dịch vụ đến lòng trung thành, bạn chỉ nên thêm sự hài lòng làm biến trung gian nếu có lý thuyết hoặc tài liệu học thuật ủng hộ mối quan hệ này.

b) Kiểm tra hiện tượng đa cộng tuyến nếu biến trung gian là formative

Trong trường hợp biến trung gian được đo lường bằng thang đo hình thành (formative), việc kiểm tra multicollinearity (đa cộng tuyến) giữa các chỉ báo là bắt buộc. Chỉ số cần theo dõi là VIF (Variance Inflation Factor):

• VIF < 3.3 → An toàn
• VIF > 5 → Cần xem lại mô hình, cân nhắc loại bỏ biến

SmartPLS có hỗ trợ tính VIF tự động ở phần Outer Model → đừng bỏ qua bước này nếu bạn muốn kết quả đáng tin cậy.

c) So sánh chỉ số R² và Q² để đánh giá sự cải thiện mô hình

Một trong những cách tốt nhất để xác định giá trị của biến trung gian là xem xét tác động của nó đến chất lượng mô hình:

• R² (Hệ số xác định): cho biết mức độ giải thích của mô hình với biến phụ thuộc.
• Q² (Dự báo ngoại mẫu): thể hiện khả năng dự báo.

Nếu R² và Q² tăng lên sau khi thêm mediator, bạn có thể kết luận rằng biến trung gian đang góp phần nâng cao độ phù hợp và giá trị dự báo của mô hình.

d) Không chỉ nhìn vào hiệu ứng gián tiếp (Indirect effect)

Rất nhiều người dùng SmartPLS chỉ kiểm tra Indirect Effect để kết luận về sự trung gian. Đây là một sai lầm! Để phân biệt trung gian một phần và trung gian toàn phần, bạn cần xem:

• Hiệu ứng trực tiếp (Direct effect) có còn ý nghĩa không sau khi thêm biến trung gian.
• So sánh cả Direct, Indirect, và Total effect với p-value tương ứng.

SmartPLS hỗ trợ mục “Specific Indirect Effects” và bảng tổng hợp hiệu ứng → hãy tận dụng để đưa ra kết luận chính xác.

e) Đảm bảo sự logic trong sơ đồ mô hình SEM

Hãy luôn xem lại sơ đồ đường dẫn: các mối quan hệ trong mô hình cần logic về mặt lý thuyết và thực tiễn. Nếu mô hình quá phức tạp hoặc thiếu tính mạch lạc, kết quả kiểm định biến trung gian dễ bị sai lệch hoặc khó diễn giải.

7. Kết luận

Biến trung gian (mediator) đóng vai trò quan trọng trong việc làm rõ cơ chế tác động giữa các biến trong mô hình nghiên cứu. Việc hiểu và xử lý đúng biến trung gian giúp người nghiên cứu không chỉ mô tả mối quan hệ mà còn lý giải được tại sao và như thế nào một yếu tố ảnh hưởng đến yếu tố khác.

Trong phần mềm SmartPLS, quá trình kiểm định biến trung gian diễn ra tương đối trực quan, bao gồm các bước: xây dựng mô hình, thiết lập Bootstrapping, phân tích các chỉ số hiệu ứng trực tiếp, gián tiếp và tổng thể. Khi diễn giải, cần đặc biệt lưu ý sự thay đổi ý nghĩa thống kê của hiệu ứng trực tiếp khi thêm biến trung gian, để xác định đúng loại trung gian: một phần hay toàn phần.

Tầm quan trọng của việc xử lý đúng biến trung gian mediator

• Đảm bảo mô hình nghiên cứu phản ánh đúng lý thuyết và thực tiễn.
• Làm tăng tính thuyết phục của kết quả nghiên cứu, đặc biệt trong luận văn thạc sĩ, nghiên cứu khoa học.
• Giúp luận giải sâu sắc hơn các hàm ý quản trị và đề xuất chính sách dựa trên cơ sở lý luận rõ ràng.

Gợi ý hướng mở rộng mô hình

• Phân tích nhiều biến trung gian trong cùng một mô hình để kiểm tra các cơ chế tác động phức tạp.
• Kết hợp biến điều tiết để kiểm định mô hình trung gian điều tiết (moderated mediation).
• Áp dụng phân tích đa nhóm để so sánh vai trò trung gian ở các nhóm đối tượng khác nhau.

Nếu bạn chưa quen thao tác hoặc chưa tự tin khi xử lý mô hình có biến trung gian trên SmartPLS, hãy cân nhắc sử dụng dịch vụ hỗ trợ từ Xử Lý Số Liệu:

• Hướng dẫn chi tiết quy trình chạy và kiểm định biến trung gian (mediator) bằng SmartPLS.
• Hỗ trợ viết chương 4 và chương 5 một cách khoa học, đầy đủ bảng biểu, dẫn giải theo chuẩn học thuật.
• Cung cấp mẫu phân tích thực tế, giúp bạn dễ dàng tham khảo và áp dụng.

Truy cập ngay: https://xulysolieu.info/dich-vu-smartpls