Trang chủ » AMOS » Phân biệt 2 loại biến trung gian: một phần và toàn phần trong mô hình nghiên cứu

Phân biệt 2 loại biến trung gian: một phần và toàn phần trong mô hình nghiên cứu

Trong nghiên cứu định lượng, việc xây dựng mô hình lý thuyết không chỉ dừng lại ở việc xác định mối quan hệ trực tiếp giữa các biến độc lập và biến phụ thuộc. Trên thực tế, nhiều hiện tượng xã hội, hành vi tiêu dùng hay cảm nhận tâm lý diễn ra thông qua các cơ chế trung gian phức tạp. Đây chính là lúc biến trung gian trở thành yếu tố then chốt để lý giải bản chất của các mối quan hệ nhân quả.

Biến trung gian (mediation variable) được xem là “mắt xích” giúp giải thích tại sao và bằng cách nào một biến độc lập lại ảnh hưởng đến biến phụ thuộc. Chẳng hạn, trong lĩnh vực marketing, “sự hài lòng” của khách hàng có thể đóng vai trò là biến trung gian giữa “chất lượng dịch vụ” và “lòng trung thành”. Điều đó có nghĩa là: khi chất lượng dịch vụ được cải thiện, khách hàng cảm thấy hài lòng hơn, và chính sự hài lòng này là yếu tố thúc đẩy họ quay lại sử dụng dịch vụ — chứ không phải chất lượng dịch vụ tác động trực tiếp đến lòng trung thành.

Việc xác định và kiểm định đúng biến trung gian giúp người nghiên cứu:

Làm sáng tỏ cơ chế tác động giữa các yếu tố, thay vì chỉ biết mối quan hệ tồn tại.
Nâng cao giá trị học thuật của mô hình nghiên cứu, vì mô hình có chiều sâu và được xây dựng dựa trên cơ sở lý thuyết rõ ràng.
Tăng tính ứng dụng thực tiễn, bởi vì các chiến lược can thiệp hay quản lý có thể tập trung vào “điểm nút” trung gian để đạt hiệu quả cao hơn.

Tuy nhiên, rất nhiều bạn khi làm luận văn hoặc nghiên cứu lại gặp khó khăn trong việc xác định có tồn tại biến trung gian hay không, cách xây dựng giả thuyết trung gian ra sao, và làm sao để kiểm định hiệu quả. Trong bài viết này, chúng ta sẽ cùng tìm hiểu chi tiết về khái niệm biến trung gian, cách kiểm định, cách trình bày kết quả, và những lưu ý để tránh mắc lỗi phổ biến.

1. Biến trung gian là gì?

Mục lục

a) Định nghĩa theo lý thuyết

Trong các mô hình nghiên cứu định lượng, đặc biệt là khi áp dụng mô hình cấu trúc tuyến tính (SEM), khái niệm biến trung gian (mediation variable) đóng vai trò quan trọng trong việc lý giải cơ chế tác động giữa các yếu tố. Vậy biến trung gian là gì?

Theo định nghĩa kinh điển của Baron và Kenny (1986), biến trung gian là một biến nằm giữa biến độc lập (X) và biến phụ thuộc (Y), giúp giải thích tại sao hoặc bằng cách nào mà X ảnh hưởng đến Y. Nói cách khác, biến trung gian giúp “truy vết” con đường tác động, làm rõ mối quan hệ nhân quả giữa các yếu tố.

Sau này, Hayes (2013) mở rộng khái niệm này trong các mô hình hiện đại và nhấn mạnh rằng biến trung gian có thể được kiểm định một cách trực tiếp bằng kỹ thuật bootstrapping để xác định tính ý nghĩa thống kê của tác động gián tiếp. Việc hiểu rõ biến trung gian là gì sẽ giúp nhà nghiên cứu không dừng lại ở việc xác nhận có mối quan hệ hay không, mà còn tiến sâu hơn vào cơ chế tác động trong hệ thống nghiên cứu.

b) Biểu diễn bằng mô hình SEM

Để hình dung rõ hơn biến trung gian là gì, ta có thể xem xét mô hình cấu trúc tuyến tính cơ bản như sau:

Trong mô hình trên:

M là biến trung gian.
X tác động đến M, và M tác động đến Y.
Đồng thời, có thể tồn tại đường dẫn trực tiếp từ X đến Y.

Việc kiểm định biến trung gian giúp xác định xem đường dẫn X → Y còn giữ ý nghĩa khi đã xét đến M, hay toàn bộ ảnh hưởng của X đến Y thực chất đi qua biến trung gian M.

c) Phân biệt với biến độc lập và biến phụ thuộc

Để hiểu chính xác biến trung gian là gì, cần phân biệt rõ với các loại biến khác:

Biến độc lập (X): Là yếu tố được cho là gây ảnh hưởng (nguyên nhân).
Biến phụ thuộc (Y): Là yếu tố bị ảnh hưởng (kết quả).
Biến trung gian (M): Là yếu tố đóng vai trò cầu nối, chuyển tải một phần hoặc toàn bộ ảnh hưởng từ X đến Y.

Ví dụ: Trong nghiên cứu hành vi tiêu dùng, “niềm tin vào thương hiệu” có thể là biến trung gian giữa “chất lượng quảng cáo” và “ý định mua hàng”. Điều này có nghĩa là chất lượng quảng cáo chưa chắc đã tác động trực tiếp đến hành vi mua hàng, mà thông qua việc xây dựng niềm tin.

2. Vai trò của biến trung gian trong nghiên cứu khoa học

a) Làm sáng tỏ cơ chế tác động về mặt lý thuyết

Trong một mô hình nghiên cứu, mối quan hệ giữa biến độc lập và biến phụ thuộc thường không đơn giản chỉ là một đường tác động trực tiếp. Chính vì vậy, việc đưa vào biến trung gian là cần thiết để làm rõ câu hỏi: “Tại sao” và “bằng cách nào” mà biến X ảnh hưởng đến biến Y?

Biến trung gian giúp giải thích cơ chế tác động – tức là quá trình hoặc con đường qua đó một yếu tố gây ảnh hưởng đến kết quả. Ví dụ, trong ngành tâm lý học, người ta thường nghiên cứu tác động của áp lực công việc (biến độc lập) lên sức khỏe tâm lý (biến phụ thuộc), và kiệt sức (burnout) chính là biến trung gian giúp giải thích sự chuyển hóa giữa hai yếu tố trên.

Việc xác định được biến trung gian đúng nghĩa góp phần khẳng định hoặc mở rộng lý thuyết nền tảng, từ đó làm tăng giá trị khoa học cho nghiên cứu.

b) Ý nghĩa ứng dụng: mô hình sâu hơn – giải pháp thực tế hơn

Không chỉ mang lại giá trị lý thuyết, biến trung gian còn có giá trị thực tiễn cao trong việc ứng dụng kết quả nghiên cứu vào bối cảnh thực tế.

Ví dụ: Trong lĩnh vực marketing, thay vì chỉ xác nhận rằng chất lượng dịch vụ ảnh hưởng đến lòng trung thành, việc thêm sự hài lòng làm biến trung gian sẽ chỉ ra rằng doanh nghiệp nên tập trung vào nâng cao trải nghiệm khách hàng, bởi vì đó chính là “cầu nối” dẫn đến lòng trung thành thực sự.

Khi hiểu rõ biến trung gian là gì và vai trò của nó, nhà nghiên cứu sẽ xây dựng được mô hình phân tích sâu sắc hơn, từ đó đưa ra giải pháp chính xác hơn, thay vì chỉ dừng lại ở mối quan hệ bề mặt.

c) Những lĩnh vực nghiên cứu thường xuyên xuất hiện biến trung gian

Trong nhiều ngành khoa học xã hội và quản trị, biến trung gian xuất hiện khá phổ biến và cần thiết, đặc biệt là trong các lĩnh vực sau:

Tâm lý học: Biến trung gian như stress, burnout, cảm xúc tiêu cực thường dùng để giải thích mối quan hệ giữa tác nhân bên ngoài và hành vi cá nhân.

Marketing: Các yếu tố như cảm nhận giá trị, sự hài lòng, niềm tin thương hiệu thường đóng vai trò trung gian giữa các chiến lược marketing và hành vi tiêu dùng.

Giáo dục: Sự tự tin học tập, động lực nội tại có thể là biến trung gian giữa phương pháp giảng dạy và kết quả học tập.

Quản trị nhân sự: Cam kết tổ chức hoặc mức độ hài lòng công việc có thể trung gian hóa mối quan hệ giữa phong cách lãnh đạo và hiệu suất nhân viên.

3. Cách kiểm định biến trung gian

Việc xác định biến trung gian không chỉ dừng lại ở mặt lý thuyết mà cần được kiểm định bằng các phương pháp thống kê. Kiểm định biến trung gian giúp làm rõ xem yếu tố này có thực sự đóng vai trò trung gian trong mối quan hệ giữa biến độc lập và biến phụ thuộc hay không. Dưới đây là các phương pháp phổ biến được sử dụng trong nghiên cứu định lượng.

a) Phương pháp Baron & Kenny (1986)

Đây là phương pháp kiểm định biến trung gian kinh điển, gồm 3 bước cơ bản:

Kiểm tra mối quan hệ giữa biến độc lập (X) và biến phụ thuộc (Y).
Kiểm tra mối quan hệ giữa biến độc lập (X) và biến trung gian (M).
Kiểm tra mối quan hệ giữa X và Y khi đã kiểm soát biến trung gian (M).

Nếu mối quan hệ giữa X và Y không còn ý nghĩa sau khi đưa M vào mô hình, thì có thể kết luận trung gian toàn phần. Nếu mối quan hệ vẫn còn nhưng yếu đi, thì là trung gian một phần.

Tuy nhiên, phương pháp này hiện được coi là lỗi thời do không kiểm soát tốt sai số và không xét đến phân phối mẫu.

b) Sobel Test

Sobel Test là một bài kiểm tra thống kê dùng để kiểm định xem hiệu ứng trung gian (tức là đường gián tiếp X → M → Y) có ý nghĩa thống kê hay không.

Tuy nhiên, Sobel Test giả định phân phối chuẩn của sai số trong đường gián tiếp, điều này không phù hợp khi mẫu nhỏ hoặc dữ liệu không chuẩn. Vì thế, nó cũng dần ít được khuyến nghị sử dụng.

c) Bootstrapping – Phương pháp kiểm định hiện đại và được khuyến nghị

Hiện nay, bootstrapping là phương pháp được ưu tiên sử dụng khi kiểm định biến trung gian, đặc biệt trong các phần mềm như SmartPLS, AMOS, hoặc PROCESS của Hayes.

Nguyên tắc của bootstrapping là:

Lấy mẫu lại nhiều lần (thường là 5000 hoặc 10000 lần).
Ước lượng lại các hệ số và tính khoảng tin cậy (Confidence Interval – CI) cho đường gián tiếp X → M → Y.

Nếu khoảng tin cậy không chứa giá trị 0, thì hiệu ứng trung gian có ý nghĩa thống kê.

4. Diễn giải kết quả kiểm định biến trung gian

Khi kiểm định biến trung gian bằng phương pháp bootstrapping hoặc các công cụ như PROCESS/SmartPLS, bạn cần trình bày rõ:

Hệ số β trực tiếp (X → Y), gián tiếp (X → M → Y), và tổng ảnh hưởng.
Giá trị p và khoảng tin cậy (CI) cho từng đường dẫn.

Xác định loại trung gian như sau:

Loại trung gian	Mô tả
Trung gian toàn phần	Khi hiệu ứng trực tiếp (X → Y) không còn ý nghĩa sau khi đưa biến trung gian (M) vào mô hình, nhưng hiệu ứng gián tiếp có ý nghĩa.
Trung gian một phần	Khi cả hiệu ứng trực tiếp và gián tiếp đều có ý nghĩa thống kê, cho thấy X tác động đến Y cả trực tiếp lẫn gián tiếp thông qua M.

Lưu ý: Việc phân biệt trung gian một phần và toàn phần rất quan trọng, giúp người nghiên cứu hiểu rõ bản chất mối quan hệ và từ đó xây dựng mô hình giải thích có chiều sâu hơn.

5. Phân biệt biến trung gian với biến điều tiết và biến trung gian chuỗi

Trong nghiên cứu định lượng, các thuật ngữ như biến trung gian, biến điều tiết, hay trung gian chuỗi thường gây nhầm lẫn cho người mới bắt đầu. Việc hiểu rõ bản chất của từng loại biến không chỉ giúp xây dựng mô hình chính xác mà còn tránh sai sót khi trình bày kết quả.

a) Biến điều tiết là gì? Khác với biến trung gian ra sao?

Biến điều tiết (moderator) là biến làm thay đổi cường độ hoặc hướng của mối quan hệ giữa biến độc lập và biến phụ thuộc. Nói cách khác, nó không nằm trên đường truyền nguyên nhân, mà đóng vai trò làm mạnh lên, yếu đi hoặc đảo chiều mối quan hệ đang xét.

Ví dụ: Trong mối quan hệ giữa cường độ làm việc và stress, sự hỗ trợ từ đồng nghiệp có thể là biến điều tiết – khiến stress giảm đi nếu có sự hỗ trợ cao.

Khác biệt cốt lõi với biến trung gian:

Tiêu chí	Biến trung gian	Biến điều tiết
Vị trí trong mô hình	Nằm trên đường truyền nhân quả	Tương tác với biến độc lập
Vai trò	Giải thích cơ chế tác động	Điều chỉnh mức độ của tác động
Dạng phân tích	SEM hoặc hồi quy tuyến tính	Tương tác (interaction term) trong hồi quy

b) Trung gian chuỗi (chain mediation) là gì?

Trung gian chuỗi (serial mediation) là tình huống có nhiều hơn một biến trung gian, và các biến này liên kết tuần tự để tạo ra hiệu ứng gián tiếp tổng hợp.

Ví dụ: Chất lượng dịch vụ → Sự hài lòng → Niềm tin → Lòng trung thành

Trong đó:

Sự hài lòng và niềm tin đều là biến trung gian.
Mối quan hệ diễn ra theo trình tự logic.

Trong trường hợp này, bạn cần kiểm định các đường gián tiếp riêng lẻ và kiểm định cả đường X → M1 → M2 → Y.

c) Những nhầm lẫn thường gặp

Gộp nhầm biến trung gian và biến điều tiết: Nhiều người gọi chung là “biến trung gian” nhưng thật ra mô hình của họ là tương tác, dẫn đến diễn giải sai bản chất tác động.
Thiếu kiểm định chuỗi trong mô hình có nhiều biến trung gian: Trình bày mô hình chuỗi nhưng chỉ kiểm định từng biến một cách rời rạc.
Diễn giải sai trong Chương 4: Không tách bạch rõ giữa các đường dẫn, không phân tích rõ hiệu ứng gián tiếp hoặc không nêu rõ loại trung gian là một phần hay toàn phần.

6. Phần mềm kiểm định biến trung gian

Việc lựa chọn phần mềm phù hợp để kiểm định biến trung gian phụ thuộc vào phương pháp phân tích (CB-SEM hay PLS-SEM), loại dữ liệu, và năng lực của người sử dụng. Dưới đây là một số phần mềm phổ biến và gợi ý cách trình bày kết quả phân tích.

a) SPSS – Sử dụng PROCESS Macro của Hayes

PROCESS Macro do Andrew F. Hayes phát triển là công cụ mạnh mẽ tích hợp trong SPSS, cho phép kiểm định biến trung gian (mediation), điều tiết (moderation), và cả mô hình hỗn hợp.

Ưu điểm:

Cài đặt đơn giản, tích hợp sẵn trong SPSS.
Hỗ trợ kiểm định đường dẫn gián tiếp bằng Bootstrapping.
Có thể kiểm tra trung gian một phần, toàn phần, và cả trung gian chuỗi (mẫu số 4, 6…).

Chỉ số quan trọng:

Hiệu ứng tổng thể (Total effect)
Hiệu ứng trực tiếp (Direct effect)
Hiệu ứng gián tiếp (Indirect effect)
Giá trị p, khoảng tin cậy 95% Bootstrap

b) AMOS – Kiểm định gián tiếp qua Bootstrap

AMOS là phần mềm sử dụng CB-SEM (Covariance-Based SEM) rất phổ biến trong nghiên cứu học thuật.

Cách làm:

Vẽ mô hình trung gian với các mũi tên từ X → M → Y.
Trong phần Analysis Properties, chọn Bootstrapping (500–5.000 mẫu).
Kiểm tra Indirect effect và p-value trong bảng kết quả.

Chỉ số cần trình bày:

χ²/df, CFI, TLI, RMSEA, SRMR (độ phù hợp mô hình)
Đường dẫn β và p-value
Giá trị bootstrap (CI 95%) cho hiệu ứng gián tiếp

c) SmartPLS – Phân tích PLS Path + Bootstrapping

SmartPLS là phần mềm ứng dụng PLS-SEM, phù hợp với dữ liệu không chuẩn, mẫu nhỏ, hoặc mô hình phức tạp.

Cách thực hiện:

Vẽ mô hình cấu trúc bao gồm biến trung gian.
Chạy Bootstrapping (500–5.000 mẫu).

Kiểm tra các chỉ số:

Path Coefficients (X → M, M → Y, X → Y)
Indirect effect (β, t-value, p-value)
R², Q² nếu cần bổ sung độ giải thích

7. Lưu ý khi sử dụng biến trung gian trong nghiên cứu

Việc sử dụng biến trung gian trong nghiên cứu khoa học mang lại nhiều giá trị về cả mặt lý thuyết và thực tiễn. Tuy nhiên, nếu không áp dụng đúng cách, rất dễ dẫn đến kết luận sai hoặc mô hình thiếu độ tin cậy. Dưới đây là những lưu ý quan trọng giúp bạn triển khai biến trung gian hiệu quả và tránh các lỗi phổ biến:

a) Đảm bảo có cơ sở lý thuyết rõ ràng

Trước khi đưa bất kỳ biến trung gian nào vào mô hình, bạn cần xác lập mối quan hệ lý thuyết vững chắc giữa biến độc lập, biến trung gian và biến phụ thuộc. Các nghiên cứu trước, lý thuyết nền (như Thuyết Hành vi có kế hoạch, Mô hình SERVQUAL, v.v.) sẽ là căn cứ cho việc xây dựng mô hình trung gian hợp lý. Việc gán ghép biến trung gian mà không có căn cứ dễ khiến mô hình bị từ chối khi phản biện hoặc xuất bản.

b) Tránh nhầm lẫn giữa biến trung gian và biến điều tiết

Một sai lầm phổ biến là nhầm lẫn giữa biến trung gian và biến điều tiết. Biến trung gian lý giải “cơ chế” ảnh hưởng, trong khi biến điều tiết mô tả “điều kiện” làm thay đổi mức độ ảnh hưởng giữa hai biến khác. Việc xác định sai loại biến không chỉ làm sai mô hình mà còn dẫn đến cách phân tích và kiểm định không phù hợp.

Gợi ý: Nếu bạn không chắc biến mình dùng là trung gian hay điều tiết, hãy rà lại mục tiêu nghiên cứu và lý thuyết nền.

c) Luôn kiểm định đầy đủ các mối quan hệ

Một biến trung gian chỉ có ý nghĩa khi bạn kiểm định đầy đủ cả ba mối quan hệ:

Tác động từ biến độc lập đến biến trung gian (X → M)
Tác động từ biến trung gian đến biến phụ thuộc (M → Y)
Và tác động trực tiếp từ biến độc lập đến biến phụ thuộc (X → Y)

Không nên bỏ qua bất kỳ đường dẫn nào vì điều này sẽ làm thiếu hụt cơ sở để kết luận mô hình trung gian là hợp lý. Trong kiểm định trung gian, giá trị β và p-value của từng đường dẫn là cơ sở để xác định mối quan hệ trực tiếp, gián tiếp và mức độ trung gian (một phần hay toàn phần).

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

Một lỗi nghiêm trọng khác là kết luận có biến trung gian mà không kiểm định hiệu ứng gián tiếp (indirect effect). Trong phân tích định lượng, đặc biệt là khi dùng CB-SEM hoặc PLS-SEM, việc sử dụng bootstrapping để kiểm định hiệu ứng gián tiếp là bắt buộc nếu muốn kết luận có trung gian.

8. Kết luận

Biến trung gian đóng vai trò vô cùng quan trọng trong nghiên cứu khoa học xã hội, kinh tế, quản trị, giáo dục và nhiều lĩnh vực khác. Thay vì chỉ dừng lại ở việc xác định mối quan hệ trực tiếp giữa các biến, việc đưa biến trung gian vào mô hình giúp làm sáng tỏ cơ chế tác động, từ đó góp phần nâng cao giá trị học thuật và độ sâu lý luận cho nghiên cứu.

Không chỉ có ý nghĩa về mặt lý thuyết, biến trung gian còn mang lại giá trị ứng dụng thực tiễn, đặc biệt trong việc hoạch định chính sách, thiết kế chiến lược quản lý, marketing, hay đánh giá hiệu quả các chương trình can thiệp.

Trong quá trình nghiên cứu, bạn hoàn toàn có thể mở rộng mô hình theo các hướng nâng cao như:

Trung gian điều tiết (moderated mediation),
Mô hình nhiều biến trung gian (multiple mediators),
Mô hình hỗn hợp (kết hợp trung gian và điều tiết trong cùng mô hình SEM), giúp giải thích hiện tượng một cách toàn diện và sắc bén hơn.

Việc xử lý mô hình có biến trung gian đòi hỏi sự thành thạo phần mềm và hiểu sâu về logic phân tích. Nếu bạn:

Chưa biết cách chạy mô hình trung gian bằng SPSS, AMOS hoặc SmartPLS
Chưa rõ cách diễn giải kết quả bootstrapping, β, CI, p-value
Hoặc cần viết chương 4–5 đúng chuẩn học thuật, có trích dẫn, bảng biểu hợp lý

Đừng lo, Xử Lý Số Liệu hiện đang cung cấp dịch vụ xử lý dữ liệu chuyên sâu, bao gồm: