Phân tích mediation trung gian giúp hiểu cách một biến độc lập ảnh hưởng đến biến phụ thuộc qua trung gian, cung cấp thông tin về các tác động gián tiếp và con đường cơ bản. Nghiên cứu tâm lý, khoa học xã hội, và hành vi thường sử dụng phương pháp này để có kết luận chính xác hơn. Hayes PROCESS Macro cho SPSS đơn giản hóa quy trình phân tích trung gian, tự động hóa các tính toán phức tạp, mang lại kết quả mạnh mẽ và đáng tin cậy. Bài viết này sẽ hướng dẫn bạn cách thực hiện phân tích trung gian với công cụ này, từ cài đặt đến diễn giải kết quả.

Xem thêm:

Phân biệt Tương quan và Hồi quy trong SPSS

Kinh nghiệm thực hiện khóa luận & luận văn tốt nghiệp và các vấn đề liên quan 2024

Phân tích Mediation bằng Hayes PROCESS Macro Trong SPSS 26, 27

Phân tích Mediation là gì?

Phân tích trung gian kiểm tra cách một biến độc lập (X) ảnh hưởng đến biến phụ thuộc (Y) thông qua một biến trung gian, được gọi là trung gian (M). Về cơ bản, nó kiểm tra xem mối quan hệ giữa X và Y là trực tiếp hay hoạt động thông qua M. Loại phân tích này rất quan trọng trong khoa học hành vi, nơi hiểu được các cơ chế đằng sau các tác động quan sát được có thể dẫn đến các can thiệp có mục tiêu hơn.

Phân tích Mediation hoạt động như thế nào

Phân tích trung gian bao gồm việc ước tính tác động gián tiếp của X lên Y thông qua M. Tác động gián tiếp này là sản phẩm của hai con đường: tác động của X lên M và tác động của M lên Y, kiểm soát X. Các nhà nghiên cứu sử dụng phân tích trung gian để khám phá những con đường gián tiếp này, cung cấp hiểu biết sâu sắc hơn về cơ chế nhân quả và tăng cường sức mạnh giải thích của mô hình của họ.

Hayes PROCESS Macro là gì?

Hayes PROCESS Macro là một công cụ thống kê phổ biến, được thiết kế để hỗ trợ phân tích trung gian, điều tiết và phân tích quá trình có điều kiện. Được phát triển bởi Andrew F. Hayes, macro này tích hợp mượt mà với phần mềm SPSS, cung cấp giao diện thân thiện để thực hiện các phân tích thống kê phức tạp. Sự phổ biến của Hayes PROCESS Macro xuất phát từ khả năng tự động hóa các tính toán phức tạp, giảm thiểu sai sót và tiết kiệm thời gian quý báu cho các nhà nghiên cứu.

Macro này hỗ trợ nhiều mô hình khác nhau, cho phép các nhà nghiên cứu khám phá các hiệu ứng trực tiếp, gián tiếp và có điều kiện trong dữ liệu của họ. Bằng cách cung cấp các khoảng tin cậy bootstrap cho các hiệu ứng gián tiếp, macro đảm bảo độ chính xác và độ tin cậy của kết quả. Tính năng này đặc biệt quan trọng trong phân tích trung gian, nơi mà việc hiểu rõ các hiệu ứng gián tiếp là điều then chốt. Tổng thể, Hayes PROCESS Macro nâng cao khả năng phân tích của SPSS, giúp các kỹ thuật thống kê tiên tiến trở nên dễ tiếp cận hơn.

Hướng dẫn cài đặt Hayes PROCESS Macro trong SPSS

Trước tiên, hãy tải xuống Hayes PROCESS Macro từ trang web chính thức . Đảm bảo rằng bạn chọn đúng phiên bản tương thích với phần mềm SPSS của mình. Sau khi tải xuống, hãy định vị tệp, thường có định dạng .zip và giải nén nội dung của tệp vào một thư mục được chỉ định trên máy tính của bạn.

Tiếp theo, mở SPSS và điều hướng đến trình soạn thảo cú pháp bằng cách nhấp vào File > New > Syntax. Trong trình soạn thảo cú pháp, nhập lệnh sau: INSTALL FILE=’C:\path\to\processmacro.sps ‘. Thay thế C:\path\to\processmacro.sps bằng đường dẫn thực tế đến tệp .sps đã trích xuất. Chạy lệnh bằng cách tô sáng lệnh đó và nhấn nút phát màu xanh lá cây. Sau khi cài đặt, PROCESS Macro sẽ có sẵn trong menu Analyze > Regression.

Cách thực hiện phân tích trung gian trong SPSS

Bước 1: Đảm bảo đã tải và cài đặt PROCESS Macro

Bước 2: Phân tích Mediation với Hayes PROCESS

1. Chuẩn bị bộ dữ liệu

Đảm bảo tập dữ liệu của bạn được tải trong SPSS và bao gồm biến độc lập (X), biến trung gian (M) và biến phụ thuộc (Y).

2. Mở Macro Hayes PROCESS

Điều hướng đến Analyze > Regression > PROCESS v4.2 trong SPSS. Thao tác này sẽ mở hộp thoại Hayes PROCESS Macro.

Điều hướng đến Analyze > Regression > PROCESS v4.2

3. Chỉ định các biến

Trong hộp thoại PROCESS, nhập biến độc lập (X) của bạn vào trường Independent Variable.

Nhập biến trung gian (M) của bạn vào trường Mediator Variable.

Nhập biến phụ thuộc (Y) của bạn vào trường Dependent Variable.

4. Chọn loại mô hình

Chọn Model 4 từ menu thả xuống vì nó tương ứng với phân tích trung gian đơn giản.

5. Điều chỉnh mẫu Bootstrap

Đặt số lượng mẫu bootstrap thành 5000. Điều này sẽ cung cấp khoảng tin cậy chính xác hơn cho hiệu ứng gián tiếp.

Chỉ định các biến, mô hình và cỡ mẫu

6. Cấu hình Output Options

Đảm bảo rằng các tùy chọn cho Generate Total Effect Model và Generate Direct and Indirect Effect Model được chọn. Các tùy chọn này sẽ cung cấp cho bạn kết quả đầu ra toàn diện, bao gồm tất cả các hiệu ứng có liên quan.

Cấu hình Output Options

7. Chạy phân tích

Nhấp vào nút OK để chạy phân tích trung gian. SPSS sẽ xử lý dữ liệu và tạo ra các bảng đầu ra nêu chi tiết các tác động trực tiếp, gián tiếp và tổng thể, cùng với mức độ ý nghĩa của chúng.

Hướng dẫn đọc kết quả

Bảng kết quả từ Hayes PROCESS macro

1. Bảng Model Summary

– R: Điều này biểu thị mối tương quan giữa giá trị quan sát được và giá trị dự đoán của biến phụ thuộc. Giá trị cao hơn cho thấy mối quan hệ chặt chẽ hơn.
– R bình phương (R²): Giá trị này biểu thị tỷ lệ phương sai trong biến phụ thuộc được giải thích bởi các biến độc lập và biến trung gian. Giá trị R² gần 1 cho thấy sự phù hợp tốt hơn.
– R bình phương điều chỉnh: Điều chỉnh giá trị R² cho số lượng dự báo trong mô hình. Giá trị này hữu ích để so sánh các mô hình có số lượng dự báo khác nhau.

2. Bảng ANOVA

– Thống kê F: Kiểm tra ý nghĩa tổng thể của mô hình. Giá trị F đáng kể (p < 0,05) cho biết mô hình dự đoán biến phụ thuộc một cách đáng kể.
– (giá trị p): Nếu giá trị p nhỏ hơn 0,05, mô hình được coi là có ý nghĩa thống kê, nghĩa là các biến độc lập và biến trung gian cùng nhau dự đoán đáng kể biến phụ thuộc.

3. Bảng Coefficients

– Hệ số không chuẩn hóa (B): Hệ số biến
– Hằng số (Giá trị chặn): Giá trị kỳ vọng của biến phụ thuộc khi tất cả các yếu tố dự báo bằng 0.
– Hệ số chuẩn hóa (Beta): Các hệ số này hữu ích để so sánh sức mạnh tương đối của từng yếu tố dự báo trong mô hình.
– Thống kê t và Sig. (giá trị p): Chỉ ra liệu mỗi yếu tố dự báo có đóng góp đáng kể vào mô hình hay không. Nếu giá trị p nhỏ hơn 0,05, yếu tố dự báo được coi là có ý nghĩa thống kê.

Nhận trợ giúp cho phân tích SPSS của bạn

Nếu bạn gặp khó khăn trong việc phân tích Mediation, hãy bắt đầu hành trình nghiên cứu với xulysolieu.info, nơi đội ngũ tận tâm của chúng tôi cung cấp hỗ trợ phân tích dữ liệu chuyên môn cho sinh viên, học giả và cá nhân. Chúng tôi đảm bảo nghiên cứu của bạn được nâng cao với độ chính xác. Khám phá các trang của chúng tôi:

8 thuật ngữ thống kê quan trọng trong nghiên cứu khoa học & luận văn

Khóa luận tốt nghiệp & thực tập tốt nghiệp và những điều cần biết

Nghiên cứu khoa học là gì, khái niệm và 4 cách phân loại

Hoặc bạn có thể trực tiếp liên hệ thông quan fanpage chính thức và Dịch vụ SPSS trên trang web chính thức của xulysolieu.info.