Phân tích biến trung gian là một kỹ thuật không thể thiếu để làm sâu sắc thêm kết quả nghiên cứu, giúp lý giải cơ chế “tại sao” và “thông qua đâu” mà một biến độc lập lại có thể tác động đến biến phụ thuộc. Tuy nhiên, nhiều nhà nghiên cứu, từ sinh viên đến học viên cao học, thường gặp khó khăn trong việc thực hiện kiểm định và diễn giải kết quả một cách chính xác trên phần mềm SmartPLS 3.

Bài viết này sẽ là cẩm nang chi tiết từ A–Z, hướng dẫn bạn từng bước xử lý, phân tích và trình bày kết quả về biến trung gian một cách chuyên nghiệp, đảm bảo tính khoa học và ứng dụng cao cho luận văn, luận án của mình.

1. Khái Niệm Cơ Bản Và Tầm Quan Trọng Của Biến Trung Gian

1.1. Biến Trung Gian Là Gì?

Biến trung gian (tiếng Anh: mediator variable) là một biến thứ ba đóng vai trò là cầu nối, giải thích mối quan hệ nhân quả giữa biến độc lập (X) và biến phụ thuộc (Y). Thay vì chỉ xác nhận rằng X ảnh hưởng đến Y, việc đưa một biến trung gian (M) vào mô hình giúp làm rõ rằng tác động của X lên Y được truyền tải thông qua M. Mối quan hệ này có thể được biểu diễn dưới dạng chuỗi nhân quả: X → M → Y.

Ví dụ, trong lĩnh vực marketing, một nghiên cứu muốn tìm hiểu tác động của “Chất lượng dịch vụ” (X) đến “Lòng trung thành của khách hàng” (Y). Thay vì chỉ kiểm định đường dẫn trực tiếp, nhà nghiên cứu có thể đưa “Sự hài lòng của khách hàng” (M) vào làm biến trung gian. Mô hình lúc này sẽ cho thấy rằng chất lượng dịch vụ tốt sẽ làm tăng sự hài lòng, và chính sự hài lòng này mới dẫn đến lòng trung thành.

Về bản chất, biến trung gian trả lời cho câu hỏi “Cơ chế nào đứng sau mối quan hệ này?”. Việc xác định được yếu tố này không chỉ làm tăng giá trị học thuật mà còn mang lại những gợi ý quản trị thực tiễn và sâu sắc hơn.

1.2. Vai Trò Của Biến Trung Gian Trong Nghiên Cứu Khoa Học

Trong nghiên cứu khoa học, vai trò của biến trung gian là vô cùng quan trọng vì nó giúp mở ra “hộp đen” của các mối quan hệ nhân quả. Thay vì chấp nhận một mối liên hệ bề mặt, nhà nghiên cứu có thể đào sâu vào cơ chế hoạt động, từ đó cung cấp một lời giải thích toàn diện và thuyết phục hơn.

Hãy xem xét một ví dụ trong lĩnh vực quản trị nhân sự: một công ty triển khai “Chính sách đào tạo” (biến độc lập) với hy vọng tăng “Mức độ hài lòng trong công việc” (biến phụ thuộc) của nhân viên. Phân tích trực tiếp có thể cho thấy một tác động yếu. Tuy nhiên, nếu đưa “Năng lực chuyên môn được cải thiện” vào làm một biến trung gian, kết quả có thể sẽ rõ ràng hơn rất nhiều. Chính sách đào tạo giúp nhân viên nâng cao năng lực, và chính việc cảm thấy mình giỏi hơn, làm việc hiệu quả hơn mới là nguyên nhân trực tiếp dẫn đến sự hài lòng.

Việc xác định đúng biến trung gian không chỉ làm phong phú thêm cơ sở lý thuyết mà còn giúp các nhà quản lý đưa ra quyết định chính xác hơn. Trong ví dụ trên, thay vì chỉ tập trung vào việc tổ chức đào tạo, doanh nghiệp cần đảm bảo chương trình đào tạo đó thực sự nâng cao được năng lực cho nhân viên.

2. Quy Trình Kiểm Định Biến Trung Gian Trên SmartPLS 3

Để kiểm định một biến trung gian trên SmartPLS 3, bạn cần tuân thủ một quy trình chặt chẽ, bắt đầu từ khâu chuẩn bị dữ liệu cho đến khi chạy phân tích bootstrapping.

2.1. Các Bước Chuẩn Bị Dữ Liệu

Chất lượng của dữ liệu đầu vào quyết định trực tiếp đến độ tin cậy của kết quả phân tích. Trước khi đưa dữ liệu vào SmartPLS, bạn cần đảm bảo đã hoàn thành các bước sau:

• Làm sạch dữ liệu: Kiểm tra và xử lý các giá trị thiếu (missing values), các giá trị ngoại lai (outliers) có thể gây nhiễu kết quả.
• Mã hóa dữ liệu: Đảm bảo tất cả các biến quan sát đã được mã hóa dưới dạng số và nhất quán theo thang đo đã thiết kế (ví dụ: thang đo Likert 5 điểm từ 1 đến 5).
• Thiết lập mô hình trong SmartPLS: Sau khi nhập dữ liệu, bạn tiến hành vẽ mô hình nghiên cứu.
  • Outer model (Mô hình đo lường): Vẽ các mối quan hệ từ biến tiềm ẩn (hình tròn) đến các biến quan sát (hình chữ nhật).
  • Inner model (Mô hình cấu trúc): Vẽ các mũi tên thể hiện mối quan hệ giả thuyết giữa các biến tiềm ẩn. Đối với mô hình có biến trung gian, bạn cần vẽ các đường dẫn: từ Biến độc lập (X) đến Biến trung gian (M), từ Biến trung gian (M) đến Biến phụ thuộc (Y), và cả đường dẫn trực tiếp từ Biến độc lập (X) đến Biến phụ thuộc (Y).

2.2. Thiết Lập Phân Tích Bootstrapping

Bootstrapping là kỹ thuật cốt lõi trong PLS-SEM để kiểm định ý nghĩa thống kê của các hệ số đường dẫn, đặc biệt là tác động gián tiếp. Đây là phương pháp lấy mẫu lặp lại có thay thế từ mẫu gốc để tạo ra một phân phối lấy mẫu, từ đó ước tính sai số chuẩn và giá trị p-value.

Để cấu hình Bootstrapping trong SmartPLS, bạn thực hiện như sau:

1. Sau khi đã vẽ xong mô hình, vào menu Calculate → Bootstrapping.
2. Một hộp thoại cấu hình sẽ hiện ra. Bạn cần thiết lập các thông số sau:
   • Subsamples: Nhập số mẫu lặp lại. Theo khuyến nghị của các chuyên gia hàng đầu như Hair và cộng sự (2017), bạn nên chọn 5,000 mẫu để đảm bảo kết quả ổn định và đáng tin cậy.
   • Confidence Interval Method: Chọn Bias-Corrected and Accelerated (BCa) Bootstrap. Đây là phương pháp được khuyến nghị vì nó cho ra khoảng tin cậy chính xác nhất, đặc biệt khi dữ liệu không tuân theo phân phối chuẩn.
3. Nhấn nút Start Calculation để phần mềm bắt đầu chạy phân tích.

3. Diễn Giải Kết Quả Kiểm Định Biến Trung Gian

Sau khi SmartPLS chạy xong bootstrapping, việc quan trọng nhất là đọc và diễn giải các chỉ số một cách chính xác để kết luận về vai trò của biến trung gian.

3.1. Cách Đọc Các Chỉ Số Quan Trọng

Trong cửa sổ kết quả, bạn cần chú ý đến các mục chính sau:

• Path Coefficients: Bảng này cho thấy các tác động trực tiếp trong mô hình. Bạn sẽ tìm thấy hệ số đường dẫn, giá trị T-Statistics và P-Values cho mối quan hệ X → Y (Direct Effect).
• Specific Indirect Effects: Đây là bảng quan trọng nhất để kiểm định biến trung gian. Bảng này cung cấp hệ số tác động gián tiếp (Indirect Effect) của đường dẫn X → M → Y, cùng với giá trị p-value và khoảng tin cậy.
• Total Effects: Bảng này thể hiện tổng tác động từ X đến Y, bao gồm cả trực tiếp và gián tiếp.

Để kết luận một tác động có ý nghĩa thống kê hay không, bạn cần dựa vào hai chỉ số:

• P-Value: Nếu p-value < 0.05, tác động đó có ý nghĩa thống kê ở mức tin cậy 95%.
• Confidence Intervals (Khoảng tin cậy): Nếu khoảng tin cậy (ví dụ: BCa 95%) không chứa giá trị 0, tác động đó có ý nghĩa thống kê. Ví dụ, khoảng [0.105; 0.215] là có ý nghĩa, trong khi khoảng [-0.022; 0.194] không có ý nghĩa vì nó chứa số 0.

3.2. Phân Loại Loại Trung Gian

Dựa trên kết quả kiểm định, vai trò của biến trung gian được chia thành hai loại chính:

• Trung gian toàn phần (Full Mediation): Xảy ra khi:
  • Tác động gián tiếp (X → M → Y) có ý nghĩa thống kê (p < 0.05).
  • Tác động trực tiếp (X → Y) không có ý nghĩa thống kê (p > 0.05) sau khi đã đưa biến trung gian vào mô hình.
  • Diễn giải: Toàn bộ ảnh hưởng từ biến độc lập đến biến phụ thuộc đều được truyền tải hoàn toàn thông qua biến trung gian.
• Trung gian một phần (Partial Mediation): Xảy ra khi:
  • Tác động gián tiếp (X → M → Y) có ý nghĩa thống kê (p < 0.05).
  • Tác động trực tiếp (X → Y) vẫn có ý nghĩa thống kê (p < 0.05).
  • Diễn giải: Biến độc lập vừa tác động trực tiếp đến biến phụ thuộc, vừa tác động gián tiếp thông qua biến trung gian. Biến trung gian chỉ giải thích được một phần cơ chế tác động.

4. Những Chỉ Số Quan Trọng Cần Lưu Ý Trong Phân Tích

Ngoài việc kiểm định giả thuyết, bạn cũng cần đánh giá chất lượng tổng thể của mô hình cấu trúc để đảm bảo kết quả nghiên cứu là vững chắc.

4.1. Hệ Số Đường Dẫn Trực Tiếp Và Gián Tiếp

Việc xem xét cả ba loại hiệu ứng là rất quan trọng để có cái nhìn toàn cảnh:

• Direct Effect (Tác động trực tiếp): Cho biết ảnh hưởng còn lại của X lên Y sau khi đã kiểm soát M. Sự thay đổi của chỉ số này (từ có ý nghĩa thành không ý nghĩa) là dấu hiệu then chốt để xác định trung gian toàn phần.
• Indirect Effect (Tác động gián tiếp): Đây là chỉ số cốt lõi để khẳng định sự tồn tại của vai trò biến trung gian. Nếu chỉ số này không có ý nghĩa thống kê, ta có thể kết luận không có vai trò trung gian.
• Total Effect (Tổng hiệu ứng): Bằng tổng của tác động trực tiếp và gián tiếp. Chỉ số này cho biết mức độ ảnh hưởng tổng thể của X lên Y, giúp so sánh sức mạnh tương đối của các biến độc lập trong mô hình.

4.2. Đánh Giá Tính Đáng Tin Cậy Của Mô Hình

Để kết quả kiểm định biến trung gian được công nhận, mô hình của bạn phải đáp ứng các tiêu chí chất lượng sau:

• Hệ số VIF (Variance Inflation Factor): Chỉ số này dùng để kiểm tra hiện tượng đa cộng tuyến giữa các biến độc lập cùng dự báo cho một biến phụ thuộc. Các giá trị VIF nên nhỏ hơn 5 (hoặc theo tiêu chuẩn khắt khe hơn là < 3.3). Nếu VIF quá cao, các hệ số hồi quy sẽ không đáng tin cậy. Bạn có thể xem chỉ số này trong kết quả PLS-Algorithm, mục Collinearity Statistics.
• Hệ số R² (R-squared): Đo lường mức độ biến thiên của biến phụ thuộc (và biến trung gian) được giải thích bởi các biến độc lập trong mô hình. Giá trị R² càng cao (gần 1) thì mô hình càng có khả năng giải thích tốt.
• Chỉ số Q² (Predictive Relevance): Đánh giá khả năng dự báo của mô hình đối với các biến nội sinh. Giá trị Q² > 0 cho thấy mô hình có năng lực dự báo. Việc thêm một biến trung gian hữu ích vào mô hình thường sẽ làm tăng cả chỉ số R² và Q² của biến phụ thuộc cuối cùng.

5. Những Lưu Ý Khi Xử Lý Biến Trung Gian

Để tránh những sai lầm phổ biến và nâng cao chất lượng nghiên cứu, hãy ghi nhớ những điểm quan trọng sau.

5.1. Điều Kiện Lý Thuyết Cần Thiết

Việc lựa chọn một biến trung gian không thể thực hiện một cách tùy tiện hay chỉ dựa trên linh cảm. Nó phải được xây dựng trên một nền tảng lý thuyết vững chắc. Trước khi đưa biến M vào mô hình để kiểm định, bạn phải trả lời được câu hỏi: “Tại sao về mặt lý thuyết, X lại có thể tác động đến Y thông qua M?”.

Cơ sở lý thuyết này có thể đến từ các nghiên cứu trước, các học thuyết đã được công nhận, hoặc một lập luận logic chặt chẽ. Một biến trung gian không có nền tảng lý thuyết sẽ làm giảm tính thuyết phục của nghiên cứu, dù kết quả thống kê có ý nghĩa.

5.2. Các Vấn Đề Thường Gặp Khi Làm Việc Với SmartPLS

Trong quá trình phân tích, bạn có thể gặp một số vấn đề khiến kết quả không như mong đợi. Dưới đây là cách giải quyết:

• Tác động gián tiếp không có ý nghĩa (p > 0.05):
  • Nguyên nhân: Cỡ mẫu nhỏ, mối quan hệ thực sự yếu, hoặc hiện tượng đa cộng tuyến cao giữa biến độc lập và biến trung gian.
  • Giải pháp: Kiểm tra lại chỉ số VIF. Nếu VIF > 5, hãy xem xét loại bỏ các biến quan sát có sự trùng lặp về nội dung. Đồng thời, đảm bảo thang đo của bạn đạt độ tin cậy và giá trị hội tụ.
• Thang đo không đạt độ tin cậy (Cronbach’s Alpha, CR < 0.7) hoặc giá trị hội tụ (AVE < 0.5):
  • Nguyên nhân: Các câu hỏi khảo sát bị hiểu sai, không đo lường đúng khái niệm.
  • Giải pháp: Vào kết quả PLS Algorithm, xem bảng “Outer Loadings”. Loại bỏ các biến quan sát có hệ số tải thấp (ví dụ, < 0.5) để cải thiện các chỉ số CR và AVE.
• Vi phạm giá trị phân biệt (HTMT > 0.9):
  • Nguyên nhân: Các khái niệm nghiên cứu quá gần nhau, người trả lời không phân biệt được (ví dụ: “Sự hài lòng” và “Sự thỏa mãn”).
  • Giải pháp: Xem xét lại định nghĩa các khái niệm và các biến quan sát. Có thể cần loại bỏ các biến quan sát gây nhầm lẫn hoặc trong trường hợp xấu nhất là gộp hai khái niệm lại nếu lý thuyết cho phép.

6. Cách Trình Bày Kết Quả Trong Báo Cáo Nghiên Cứu

Trình bày kết quả một cách rõ ràng, chuyên nghiệp là bước cuối cùng để thuyết phục hội đồng khoa học về giá trị nghiên cứu của bạn.

6.1. Gợi Ý Cấu Trúc Trình Bày Hiệu Quả

Một cấu trúc trình bày logic sẽ giúp người đọc dễ dàng theo dõi và nắm bắt kết quả. Bạn nên trình bày theo thứ tự sau:

1. Đánh giá mô hình đo lường: Trình bày bảng tổng hợp các chỉ số độ tin cậy (Cronbach’s Alpha, CR), giá trị hội tụ (AVE), và giá trị phân biệt (HTMT) để chứng minh rằng các thang đo của bạn là tốt.
2. Đánh giá mô hình cấu trúc: Trình bày các chỉ số R², Q² và VIF.
3. Kiểm định giả thuyết: Chèn hình ảnh sơ đồ mô hình từ SmartPLS với các hệ số đường dẫn và p-value được hiển thị. Kèm theo đó là bảng tổng hợp kết quả kiểm định các tác động trực tiếp và gián tiếp.
4. Tổng kết và biện luận: Diễn giải ý nghĩa của các kết quả, kết luận giả thuyết nào được chấp nhận/bác bỏ và đặc biệt là kết luận về vai trò của biến trung gian.

6.2. Mẫu Bảng Trình Bày Kết Quả Kiểm Định

Việc sử dụng bảng biểu chuẩn hóa sẽ làm tăng tính chuyên nghiệp cho báo cáo của bạn. Dưới đây là một mẫu bảng tham khảo theo chuẩn APA.

Bảng: Kết quả kiểm định vai trò trung gian (Bootstrapping, N=5000)

Kết quả kiểm định bootstrapping cho thấy tác động gián tiếp từ X đến Y thông qua biến trung gian M là có ý nghĩa thống kê (β = 0.238, p = 0.002), và khoảng tin cậy 95% không chứa số 0 [0.107; 0.356]. Trong khi đó, tác động trực tiếp từ X đến Y trở nên không còn ý nghĩa thống kê (β = 0.122, p = 0.082). Những kết quả này cung cấp bằng chứng mạnh mẽ để kết luận rằng M đóng vai trò trung gian toàn phần trong mối quan hệ giữa X và Y.

Việc phân tích biến trung gian bằng SmartPLS 3 không hề phức tạp nếu bạn nắm vững quy trình và ý nghĩa của các chỉ số. Hy vọng bài viết này đã cung cấp cho bạn một lộ trình rõ ràng để thực hiện thành công phần phân tích quan trọng này. Nếu bạn vẫn gặp khó khăn trong việc xử lý dữ liệu, chạy mô hình hay diễn giải kết quả, đội ngũ chuyên gia của Xử Lý Số Liệu Info luôn sẵn sàng hỗ trợ.