Trước khi tiến hành phân tích biến trung gian trong SMARTPLS, cần lưu ý rằng nghiên cứu này sử dụng các thuật ngữ tiếng Anh trong quá trình đánh giá mô hình PLS-SEM. Trường hợp chưa nắm rõ các khái niệm liên quan, người đọc nên tham khảo nội dung về Mô hình cấu trúc và mô hình đo lường trong PLS-SEM để đảm bảo sự hiểu biết đầy đủ về nền tảng lý thuyết.
1. Cơ sở lý thuyết về biến trung gian
Biến trung gian là biến tham gia vào chuỗi quan hệ nhân quả giữa biến độc lập và biến phụ thuộc, đóng vai trò truyền dẫn hoặc giải thích cơ chế tác động từ biến độc lập đến biến phụ thuộc. Phân tích biến trung gian nhằm xác định liệu biến này có thực sự tham gia vào quá trình truyền dẫn tác động hay không, cũng như mức độ và hình thức can thiệp của nó trong mối quan hệ nghiên cứu.
Trong mô hình trung gian cơ bản, X đại diện cho biến độc lập, Y là biến phụ thuộc và M là biến trung gian.
Trong cấu trúc này, ảnh hưởng của X lên Y bao gồm hai thành phần: tác động trực tiếp và tác động gián tiếp. Tác động trực tiếp được biểu diễn bằng đường X → Y, trong khi tác động gián tiếp được thể hiện qua chuỗi X → M → Y.
Mô hình trung gian tiêu chuẩn bao gồm các thành phần và mối quan hệ sau:
Cụ thể:
- c’: tác động trực tiếp từ X lên Y
- ab: tác động gián tiếp từ X lên Y thông qua M
- c: tác động tổng hợp từ X lên Y, được xác định theo công thức c = ab + c’
Theo quan điểm kinh điển của Baron và Kenny (1986), một biến được xác định là biến trung gian khi đồng thời thỏa mãn ba điều kiện:
- Điều kiện 1: Biến độc lập có ảnh hưởng có ý nghĩa thống kê đến biến trung gian (a ≠ 0).
- Điều kiện 2: Biến trung gian có ảnh hưởng có ý nghĩa thống kê đến biến phụ thuộc (b ≠ 0).
- Điều kiện 3: Khi biến trung gian được đưa vào mô hình, hệ số tác động trực tiếp từ X đến Y giảm so với mô hình không có biến trung gian (c’ < c), trong đó c là hệ số hồi quy giữa X và Y khi chưa xét đến sự hiện diện của M.
Để kiểm định ba điều kiện trên, quy trình phân tích bao gồm ba phương trình hồi quy:
1. Thứ nhất, hồi quy đơn giữa X và M nhằm đánh giá ảnh hưởng của biến độc lập đến biến trung gian (điều kiện 1). Kết quả kỳ vọng là giá trị p của kiểm định t đối với hệ số a nhỏ hơn 0.05.
M = hằng số 1 + aX + e1
2. Thứ hai, hồi quy bội giữa X, M và Y nhằm đánh giá ảnh hưởng của biến trung gian đến biến phụ thuộc khi đã kiểm soát biến độc lập (điều kiện 2). Kết quả kỳ vọng là giá trị p của kiểm định t đối với hệ số b nhỏ hơn 0.05.
Y = hằng số 2 + c’X + bM + e2
3. Thứ ba, hồi quy đơn giữa X và Y để so sánh hệ số tác động tổng hợp c với hệ số tác động trực tiếp c’ khi có sự xuất hiện của biến trung gian. Điều kiện đặt ra là c’ nhỏ hơn c.
Y = hằng số 3 + cX + e3
Nếu một trong ba điều kiện không được thỏa mãn, biến M không được xem là biến trung gian theo cách tiếp cận truyền thống của Baron và Kenny.
Tuy nhiên, nhiều nghiên cứu sau đó đã chỉ ra những hạn chế của phương pháp này và cho rằng tác động tổng hợp không nhất thiết phải có ý nghĩa thống kê thì mối quan hệ trung gian mới tồn tại (Collins, Graham và Flaherty, 1998; Judd và Kenny, 1981; Kenny và cộng sự, 1998; MacKinnon, 1994, 2000; MacKinnon, Krull và Lockwood, 2000; Shrout và Bolger, 2002). Quan điểm này nhấn mạnh sự cần thiết của các phương pháp đánh giá trung gian chính xác và mạnh hơn về mặt thống kê.
Bootstrapping được xem là kỹ thuật phù hợp trong bối cảnh này. Phương pháp này dựa trên việc tái lấy mẫu nhiều lần từ bộ dữ liệu ban đầu và ước lượng tác động gián tiếp thông qua tích số a*b trong từng mẫu lặp lại. Phân phối thực nghiệm của tích số này được sử dụng để xây dựng khoảng tin cậy và kiểm định ý nghĩa thống kê của tác động gián tiếp.
Các nghiên cứu thực nghiệm đã chứng minh rằng Bootstrapping có độ tin cậy cao hơn so với các phương pháp truyền thống khi đánh giá biến trung gian (Williams và MacKinnon, 2008; Preacher và Hayes, 2008; Zhao, Lynch và Chen, 2010). Phương pháp này không yêu cầu giả định phân phối chuẩn của dữ liệu và có thể áp dụng hiệu quả cho các mẫu nghiên cứu có kích thước nhỏ. Cách tiếp cận này hoàn toàn tương thích với phương pháp PLS-SEM, và thuật toán của SMARTPLS cũng sử dụng Bootstrapping làm nền tảng trong quá trình đánh giá tác động trung gian.
2. Phân tích vai trò biến trung gian trên phần mềm SmartPLS 3
Nếu muốn tải và kích hoạt dùng thử vĩnh viễn phần mềm SMARTPLS Full, các bạn có thể thực hành theo các bước tại bài viết này.
Để triển khai phân tích biến trung gian bằng SmartPLS 3, người nghiên cứu cần thiết lập mô hình cấu trúc và mô hình đo lường phù hợp với giả thuyết nghiên cứu. Nhằm minh họa quy trình phân tích, phần này trình bày một mô hình nghiên cứu cụ thể với các biến và thang đo như sau:
CLDV – Chất lượng dịch vụ: Được đo lường bằng 4 biến quan sát gồm CLDV1, CLDV2, CLDV3, CLDV4.
GTCN – Giá trị cảm nhận: Được đo lường bằng 2 biến quan sát gồm GTCN1, GTCN2.
SHL – Sự hài lòng khách hàng: Được đo lường bằng 1 biến quan sát SHL1.
YDQL – Ý định quay lại: Được đo lường bằng 3 biến quan sát gồm YDQL1, YDQL2, YDQL3.
Trong mô hình giả định này, tất cả các mối quan hệ trực tiếp giữa các biến tiềm ẩn đều có hệ số mang dấu dương, thể hiện tác động thuận chiều theo các giả thuyết nghiên cứu được đề xuất.
Trọng tâm phân tích là đánh giá tác động gián tiếp của biến CLDV lên biến YDQL thông qua hai biến trung gian là GTCN và SHL. Việc kiểm định vai trò trung gian được thực hiện thông qua phương pháp bootstrap trong PLS-SEM nhằm ước lượng độ lớn và ý nghĩa thống kê của các hiệu ứng gián tiếp.
2.1 Total Indirect Effects và Specific Indirect Effects
Từ cấu trúc mô hình có thể nhận thấy tồn tại hai cơ chế trung gian trong mối quan hệ giữa CLDV và YDQL, bao gồm:
CLDV → GTCN → YDQL
CLDV → SHL → YDQL
Trong trường hợp này, mô hình xuất hiện hai dạng tác động gián tiếp: tác động gián tiếp riêng biệt và tác động gián tiếp tổng hợp.
- Tác động gián tiếp tổng hợp (Total Indirect Effects) phản ánh toàn bộ ảnh hưởng gián tiếp của CLDV lên YDQL thông qua tất cả các biến trung gian trong mô hình. Chỉ số này cho phép đánh giá mức độ tác động trung gian tổng thể của hệ thống biến trung gian.
- Tác động gián tiếp riêng biệt (Specific Indirect Effects) thể hiện ảnh hưởng gián tiếp của CLDV lên YDQL thông qua từng biến trung gian cụ thể, tức là xem xét riêng từng chuỗi quan hệ trung gian trong mô hình cấu trúc.
Về mặt định lượng, tác động gián tiếp tổng hợp từ CLDV lên YDQL được xác định bằng tổng các tác động gián tiếp riêng biệt thông qua từng biến trung gian. Việc so sánh giá trị và ý nghĩa thống kê của các tác động này giúp nhà nghiên cứu xác định vai trò và mức độ đóng góp của từng cơ chế trung gian trong mô hình nghiên cứu.
2.2 Đánh giá mối quan hệ gián tiếp trên SmartPLS
Việc đánh giá mối quan hệ gián tiếp trong mô hình PLS-SEM được thực hiện thông qua thủ tục bootstrap trên phần mềm SmartPLS theo quy trình phân tích đã được thiết lập. Trong bảng kết quả đầu ra, hai mục quan trọng cần quan tâm bao gồm Total Indirect Effects và Specific Indirect Effects.
a. Specific Indirect Effects
Trước tiên, lựa chọn Specific Indirect Effects nhằm xem xét từng mối quan hệ gián tiếp riêng lẻ trong mô hình nghiên cứu.
Tại mục này, hệ thống sẽ hiển thị kết quả của toàn bộ các tác động gián tiếp riêng biệt. Trong trường hợp minh họa, tồn tại hai chuỗi trung gian cụ thể: CLDV → GTCN → YDQL và CLDV → SHL → YDQL.
– Original Sample: Là hệ số hồi quy chuẩn hóa phản ánh mức độ tác động gián tiếp được ước lượng từ mẫu dữ liệu gốc. Dấu của hệ số này phụ thuộc vào tích của hai hệ số thành phần: hệ số từ biến độc lập đến biến trung gian (X→M, ký hiệu a) và hệ số từ biến trung gian đến biến phụ thuộc (M→Y, ký hiệu b). Khi tích a × b mang giá trị dương thì hệ số Original Sample dương; ngược lại, khi a × b âm thì hệ số này mang dấu âm.
– Sample Mean: Là giá trị trung bình của các hệ số hồi quy chuẩn hóa thu được từ toàn bộ các mẫu bootstrap. Ví dụ, với cỡ mẫu ban đầu là 200 và thực hiện bootstrap 1000 lần, phần mềm sẽ tạo ra 1000 mẫu lặp lại, mỗi mẫu gồm 200 quan sát. Mỗi mẫu sẽ cho một hệ số ước lượng tương ứng; trung bình cộng của 1000 hệ số này chính là Sample Mean.
– Standard Deviation: Thể hiện độ lệch chuẩn của phân phối các hệ số hồi quy trong các mẫu bootstrap, phản ánh mức độ phân tán của ước lượng.
– T Statistics: Giá trị thống kê t được sử dụng để kiểm định giả thuyết về ý nghĩa thống kê của hệ số hồi quy.
– P Values: Là mức ý nghĩa của kiểm định. Nếu P Value < 0.05, tác động gián tiếp được xem là có ý nghĩa thống kê ở mức tin cậy 95%; ngược lại, nếu P Value > 0.05 thì tác động không có ý nghĩa thống kê ở mức này.
Trong ví dụ minh họa, cả hai mối quan hệ gián tiếp riêng biệt đều có P Value nhỏ hơn 0.05, cho thấy GTCN và SHL đều đóng vai trò biến trung gian trong mối quan hệ giữa CLDV và YDQL.
So sánh cường độ tác động cho thấy hệ số hồi quy của chuỗi CLDV → GTCN → YDQL bằng 0.126, lớn hơn hệ số 0.107 của chuỗi CLDV → SHL → YDQL. Điều này hàm ý rằng GTCN thể hiện vai trò trung gian mạnh hơn so với SHL trong mô hình nghiên cứu.
b. Total Indirect Effects
Tại bảng kết quả, lựa chọn Total Indirect Effects để xem xét tác động gián tiếp tổng hợp.
Theo nguyên tắc, tổng tác động gián tiếp bằng tổng của tất cả các tác động gián tiếp riêng biệt cấu thành. Trong trường hợp này, tác động gián tiếp tổng hợp từ CLDV đến YDQL có P Value bằng 0.000 và nhỏ hơn 0.05, cho thấy tồn tại mối quan hệ gián tiếp có ý nghĩa thống kê giữa hai biến.
Cần lưu ý rằng trong bất kỳ phần mềm phân tích thống kê nào, mỗi loại tác động (trực tiếp, gián tiếp, điều tiết, tổng hợp hoặc riêng biệt) đều phải được kiểm định độc lập. Không được suy diễn ý nghĩa thống kê của tác động tổng hợp dựa trên kết quả của các tác động thành phần, hoặc ngược lại. Chẳng hạn, việc các tác động Specific có ý nghĩa không đồng nghĩa với việc tác động Total cũng tự động có ý nghĩa nếu chưa được kiểm định riêng.
Hệ số hồi quy chuẩn hóa Original Sample của tác động gián tiếp tổng hợp bằng 0.233, đúng bằng tổng của hai hệ số Specific Indirect Effects là 0.126 và 0.107. Trong một số trường hợp, tổng các hệ số có thể không hoàn toàn trùng khớp do sai số làm tròn ở các chữ số thập phân; sự chênh lệch nhỏ này là hiện tượng bình thường trong quá trình xử lý số liệu của phần mềm.
