Trong các nghiên cứu khoa học, việc hiểu rõ mối quan hệ giữa các biến số là một yếu tố quan trọng để đưa ra kết luận chính xác. Biến trung gian (mediator) đóng vai trò quan trọng trong việc giải thích cách biến độc lập tác động lên biến phụ thuộc thông qua một yếu tố khác.
Bài viết này sẽ cung cấp hướng dẫn chi tiết về cách xử lý và phân tích biến trung gian trong phần mềm SmartPLS 4, giúp người dùng hiểu rõ hơn về tác động gián tiếp và trực tiếp giữa các biến trong mô hình nghiên cứu.
1. Tổng quan về biến trung gian
Biến trung gian (mediator) là biến đóng vai trò can thiệp vào mối quan hệ giữa biến độc lập (X) và biến phụ thuộc (Y). Theo lý thuyết, biến trung gian giúp giải thích cách biến X tác động đến biến Y thông qua biến M. Phân tích này có ý nghĩa đặc biệt trong nghiên cứu khoa học, khi ta muốn tìm hiểu sâu hơn về bản chất các mối quan hệ nhân quả.
Trong đó:
– c’: Tác động trực tiếp (direct effect) từ X lên Y
– a*b: Tác động gián tiếp (indirect effect) từ X lên Y
– c = a*b + c’: Tác động tổng hợp (total effects) từ X lên Y
2. Phương pháp đánh giá biến trung gian
2.1. Phương pháp Baron & Kenny (1986)
Phương pháp cổ điển của Baron & Kenny đề xuất 3 điều kiện để xác định một biến trung gian:
– Biến độc lập X có tác động đáng kể đến biến trung gian M.
– Biến trung gian M có tác động đáng kể đến biến phụ thuộc Y.
– Biến độc lập X có tác động đáng kể lên biến phụ thuộc Y + Điều kiện 1 và 2, sự xuất hiện của biến M làm giảm tác động trực tiếp của X lên Y.
Phương pháp này yêu cầu thực hiện ba phép hồi quy và kiểm tra xem các điều kiện này có được thỏa mãn không.
Hồi quy đơn: X → M
– Hệ số a phải khác 0 và giá trị sig của biến X nhỏ hơn 0.05 (với độ tin cậy 95%).
– Đáp ứng điều kiện 1
Hồi quy bội: X, M → Y
– Hệ số b phải khác 0 và sig của biến M nhỏ hơn 0.05. Đồng thời, kiểm tra hệ số c’ giữa X và Y.
– Đáp ứng điều kiện 2
Hồi quy đơn: X → Y
– Kiểm tra hệ số c từ X lên Y phải khác 0, và c’ < c.
– Đáp ứng điều kiện 3
Nếu cả ba điều kiện đều đạt, biến trung gian có ý nghĩa trong mô hình, ngược lại 1 trong 3 điều kiện trên vi phạm thì kết luận biến trung gian M không đóng vai trò trung gian can thiệp và sự tác động giữa biến độc lập X và biến phụ thuộc Y.
2.2. Phương pháp Bootstrapping
Nhiều nghiên cứu, bao gồm của Collins, Graham, và MacKinnon, đã chỉ ra rằng việc đánh giá mối quan hệ trung gian không nhất thiết phải dựa vào sự hiện diện của tác động tổng hợp có ý nghĩa thống kê. Điều này mở ra cách tiếp cận linh hoạt hơn trong phân tích các mô hình phức tạp.
Phương pháp bootstrapping, được Preacher và Hayes (2008) phát triển, giúp tính toán tác động gián tiếp giữa các biến mà không cần dữ liệu phải có phân phối chuẩn. Điều này đặc biệt hữu ích khi nghiên cứu sử dụng mẫu nhỏ, vì bootstrapping lặp lại mẫu nhiều lần để ước tính độ tin cậy của kết quả.
Tóm lại, việc ứng dụng bootstrapping trong SmartPLS 4 không chỉ giúp cải thiện độ chính xác trong phân tích mà còn mang lại sự linh hoạt trong việc đánh giá các mối quan hệ nhân quả tiềm ẩn, bất kể dữ liệu có phân phối chuẩn hay không.
3. Hướng dẫn phân tích biến trung gian trong SmartPLS 4
3.1. Cài đặt và sử dụng SmartPLS 4
Trước khi tiến hành phân tích, bạn cần cài đặt và kích hoạt SmartPLS 4. Bạn có thể tải phần mềm này và dùng thử phiên bản miễn phí từ trang chủ của SmartPLS hoặc Tại đây.
3.2. Xây dựng mô hình trung gian trong SmartPLS 4
Trong SmartPLS 4, bạn có thể xây dựng một mô hình SEM bao gồm các biến độc lập, biến trung gian và biến phụ thuộc. Ví dụ mô hình có thể gồm các biến như chất lượng dịch vụ (CLDV), giá trị cảm nhận (GTCN), sự hài lòng khách hàng (SHL), và ý định quay lại (YDQL).
Khi xây dựng mô hình, chúng ta sẽ tạo các mối quan hệ giữa các biến và kiểm tra xem có sự tác động gián tiếp giữa CLDV và YDQL thông qua GTCN và SHL hay không.
3.3. Phân tích gián tiếp tổng hợp (Total Indirect Effects) và gián tiếp riêng biệt (Specific Indirect Effects)
SmartPLS 4 cung cấp hai loại phân tích gián tiếp:
– Gián tiếp tổng hợp: Đánh giá tác động gián tiếp từ X lên Y thông qua tất cả các biến trung gian.
– Gián tiếp riêng biệt: Đánh giá tác động gián tiếp thông qua từng biến trung gian riêng biệt.
Ví dụ, nếu CLDV tác động lên YDQL qua cả GTCN và SHL, thì ta có thể phân tích từng tác động gián tiếp riêng biệt để xem biến trung gian nào có vai trò mạnh hơn.
3.4. Thực hiện Bootstrapping trong SmartPLS 4
Khi bạn đã hoàn thành mô hình, bạn có thể sử dụng chức năng Bootstrapping của SmartPLS 4 để đánh giá các mối quan hệ. Bạn chỉ cần vào giao diện “Calculate” và chọn Bootstrapping. Sau đó, phần mềm sẽ tiến hành phân tích và đưa ra các kết quả về tác động gián tiếp và trực tiếp.
4. Đọc kết quả và diễn giải
Sau khi phân tích, bạn cần đọc và diễn giải kết quả. SmartPLS sẽ cung cấp các giá trị như hệ số hồi quy chuẩn hóa, giá trị P-value, và độ lệch chuẩn. Các giá trị này giúp bạn xác định xem mối quan hệ gián tiếp và trực tiếp có ý nghĩa thống kê hay không.
4.1 Specific Indirect Effects
– Original Sample: Đây là hệ số hồi quy chuẩn hóa được tính từ dữ liệu gốc. Dấu của hệ số này phụ thuộc vào dấu của hệ số hồi quy từ biến độc lập đến trung gian (X→M) và từ trung gian đến phụ thuộc (M→Y). Nếu tích của hai hệ số này (a*b) là dương, hệ số hồi quy cũng dương, và ngược lại.
– Sample Mean: Trung bình của hệ số hồi quy chuẩn hóa từ tất cả các mẫu bootstrap. Ví dụ, với 1000 lần chạy bootstrap trên một tập dữ liệu gốc có kích thước 200, sẽ có 1000 hệ số hồi quy chuẩn hóa tương ứng được tính, và Sample Mean là giá trị trung bình của chúng.
– Standard Deviation: Độ lệch chuẩn của các hệ số hồi quy được tính từ các mẫu bootstrap. Đây là một chỉ số về độ phân tán của các giá trị hồi quy chuẩn hóa quanh trung bình.
– T-statistics: Đây là giá trị kiểm định t, sử dụng để đánh giá ý nghĩa thống kê của hệ số hồi quy.
– P-value: Là giá trị để đánh giá mức ý nghĩa của kiểm định. Nếu P-value < 0.05, mối tác động gián tiếp có ý nghĩa thống kê ở mức độ tin cậy 95%. Nếu P-value > 0.05, mối tác động không có ý nghĩa.
4.2 Total Indirect Effects
Tổng tác động gián tiếp tổng hợp (Total Indirect Effect) trong mô hình trung gian là tổng các tác động gián tiếp riêng lẻ (Specific Indirect Effects). Trong ví dụ này, tác động gián tiếp từ chất lượng dịch vụ (CLDV) đến ý định quay lại (YDQL) có P-value = 0.000, nhỏ hơn 0.05, cho thấy mối quan hệ gián tiếp có ý nghĩa thống kê. Hệ số hồi quy chuẩn hóa (Original Sample) bằng 0.188, tương đương với tổng của các hệ số từ các tác động gián tiếp riêng biệt.
5. Kết luận
Phân tích biến trung gian trong SmartPLS 4 là một công cụ mạnh mẽ để hiểu rõ hơn về các mối quan hệ nhân quả trong mô hình SEM. Bằng cách sử dụng Bootstrapping, bạn có thể đánh giá một cách chính xác tác động gián tiếp và trực tiếp, từ đó có những kết luận chính xác về vai trò của các biến trung gian trong mô hình của mình.
Phương pháp này không chỉ giúp tăng tính chính xác của kết quả mà còn giúp hiểu rõ hơn về cách các biến tác động qua lại với nhau trong mô hình nghiên cứu.
Nhận trợ giúp cho phân tích SMARTPLS của bạn
Dịch vụ chạy SmartPLS giá rẻ cho sinh viên
Nếu bạn gặp khó khăn trong việc chạy dữ liệu trên SmartPLS 4, 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:
Dùng chỉ số HTMT để đánh giá tính phân biệt của thang đo trong SmartPLS 4
Giá trị hệ số tải ngoài Outer Loading trong SmartPLS 4
Biểu đồ Tầm quan trọng hiệu suất IPMA trong SmartPLS 4
Hoặc bạn có thể trực tiếp liên hệ thông quan fanpage chính thức và Dịch vụ Smart PLS trên trang web chính thức của xulysolieu.info.
