2 Tháng chín, 2026
Trong nghiên cứu khoa học, biến trung gian giúp giải thích rõ hơn cơ chế tác động giữa biến độc lập và biến phụ thuộc, từ đó làm mô hình nghiên cứu trở nên chặt chẽ và có chiều sâu hơn. Vậy biến này là gì, có vai trò như thế nào và cách kiểm định trong SPSS được thực hiện ra sao? Cùng VietGuru tìm hiểu nhé!
1. Vai trò của biến trung gian trong nghiên cứu khoa học
Biến trung gian (Mediating Variable) là biến giúp giải thích cơ chế hoặc quá trình mà qua đó biến độc lập tác động đến biến phụ thuộc. Thay vì chỉ xem xét X ảnh hưởng trực tiếp đến Y, việc đưa biến trung gian M vào mô hình giúp nghiên cứu làm rõ tác động của X đến Y diễn ra thông qua yếu tố nào.
Biến trung gian có một số vai trò quan trọng:
- Giải thích cơ chế tác động: Cho biết vì sao hoặc bằng cách nào biến độc lập tạo ra sự thay đổi ở biến phụ thuộc. Ví dụ: Chất lượng dịch vụ (X) có thể tác động đến lòng trung thành khách hàng (Y) thông qua sự hài lòng (M).
- Làm rõ mối quan hệ giữa các biến: Một mối quan hệ tưởng như đơn giản giữa X và Y có thể được giải thích cụ thể hơn khi xem xét vai trò của M.
- Đánh giá tác động trực tiếp và gián tiếp: Mô hình biến trung gian cho phép phân biệt tác động của X lên Y theo hai hướng: tác động trực tiếp và tác động gián tiếp thông qua M.
- Nâng cao giá trị của mô hình nghiên cứu: Việc xác định đúng biến trung gian giúp mô hình có cơ sở lý thuyết rõ ràng hơn và cung cấp những kết luận sâu sắc hơn thay vì chỉ xác định X có ảnh hưởng đến Y hay không.
- Hỗ trợ đề xuất giải pháp: Khi biết yếu tố nào đóng vai trò trung gian, nhà nghiên cứu có thể xác định điểm tác động phù hợp để cải thiện kết quả đầu ra.
Bạn có thể hình dung đơn giản theo mô hình: Biến độc lập (X) → Biến trung gian (M) → Biến phụ thuộc (Y)
Ví dụ: Trong nghiên cứu về hành vi mua hàng, chất lượng dịch vụ (X) có thể ảnh hưởng đến ý định mua lại (Y) thông qua sự hài lòng của khách hàng (M). Khi đó, sự hài lòng chính là biến trung gian giúp giải thích rõ hơn quá trình tác động từ chất lượng dịch vụ đến ý định mua lại.
Vai trò của biến trung gian trong nghiên cứu khoa học
2. Phân biệt trung gian toàn phần và trung gian một phần
Trong phân tích biến trung gian, tác động của biến độc lập (X) đến biến phụ thuộc (Y) có thể được giải thích hoàn toàn hoặc chỉ một phần thông qua biến trung gian (M). Dựa trên mức độ này, biến trung gian thường được chia thành trung gian toàn phần (Full Mediation) và trung gian một phần (Partial Mediation).
Biến trung gian toàn phần
Biến trung gian toàn phần xảy ra khi biến độc lập (X) tác động đến biến phụ thuộc (Y) chủ yếu thông qua biến trung gian (M), trong khi tác động trực tiếp của X lên Y không còn có ý nghĩa thống kê sau khi đưa M vào mô hình.
Mô hình có dạng: X → M → Y
Ví dụ: Chất lượng dịch vụ (X) ảnh hưởng đến ý định mua lại (Y) thông qua sự hài lòng của khách hàng (M).
Biến trung gian một phần
Biến trung gian một phần xảy ra khi biến trung gian (M) giải thích một phần tác động của X lên Y, nhưng X vẫn còn tác động trực tiếp có ý nghĩa thống kê đến Y sau khi đưa M vào mô hình.
Mô hình có dạng:
- X → M → Y
- X → Y
Ví dụ: Chất lượng dịch vụ (X) vừa ảnh hưởng đến sự hài lòng (M), vừa có thể tác động trực tiếp đến ý định mua lại (Y). Đồng thời, chất lượng dịch vụ cũng tác động gián tiếp đến ý định mua lại thông qua sự hài lòng.
Phân biệt trung gian toàn phần và trung gian một phần
3. Cách kiểm định biến trung gian trên SPSS
Để xác định một biến có thực sự đóng vai trò trung gian hay không, nhà nghiên cứu cần kiểm tra cả tác động trực tiếp và tác động gián tiếp giữa các biến trong mô hình. Trên SPSS, có thể áp dụng nhiều phương pháp khác nhau, trong đó Baron và Kenny, Sobel Test và Bootstrap là ba cách tiếp cận phổ biến.
3.1. Phương pháp Baron và Kenny
Phương pháp Baron và Kenny (1986) kiểm định biến trung gian thông qua ba mô hình hồi quy:
- X → M: X phải có ảnh hưởng có ý nghĩa thống kê đến M, thường xét Sig. < 0,05.
- X, M → Y: M phải có ảnh hưởng có ý nghĩa đến Y khi đồng thời đưa X vào mô hình.
- X → Y: X phải có ảnh hưởng đến Y và mức độ tác động của X lên Y phải giảm khi đưa M vào mô hình.
Nếu tác động X → Y không còn ý nghĩa khi có M, có thể xem xét trung gian toàn phần. Nếu tác động vẫn có ý nghĩa nhưng giảm xuống, có thể xem xét trung gian một phần.
Tuy nhiên, phương pháp này có hạn chế vì yêu cầu tác động tổng X → Y phải có ý nghĩa. Các nghiên cứu sau này cho thấy một hiệu ứng trung gian vẫn có thể tồn tại ngay cả khi X không tác động trực tiếp có ý nghĩa đến Y.
3.2. Kiểm định Sobel Test
Sobel Test được sử dụng để kiểm định ý nghĩa thống kê của tác động gián tiếp (a × b), tức tác động của X lên Y thông qua M. Kết quả thường được đánh giá thông qua giá trị Z và Sig. (p-value). Nếu p < 0,05, tác động gián tiếp được xem là có ý nghĩa thống kê.
Tuy nhiên, Sobel Test yêu cầu tác động gián tiếp có phân phối gần chuẩn. Trong thực tế, tích của hai hệ số hồi quy a × b có thể không tuân theo phân phối chuẩn, khiến phương pháp này kém phù hợp, đặc biệt khi cỡ mẫu nhỏ. Vì vậy, Sobel Test hiện thường được xem là phương pháp tham khảo thay vì lựa chọn ưu tiên.
Kiểm định Sobel Test
3.3. Phương pháp Bootstrap
Bootstrap là phương pháp được sử dụng phổ biến để kiểm định biến trung gian trên SPSS, thường thực hiện thông qua PROCESS Macro của Hayes. Với mô hình trung gian cơ bản, có thể chọn Model 4, đưa X vào X Variable, Y vào Y Variable và M vào Mediator(s).
Phương pháp này tạo nhiều mẫu lặp lại từ dữ liệu ban đầu để ước lượng phân phối của tác động gián tiếp a × b, từ đó xây dựng khoảng tin cậy Bootstrap.
Khi đọc kết quả, tập trung vào Indirect effect(s) of X on Y:
- BootLLCI và BootULCI không chứa 0: tác động gián tiếp có ý nghĩa → M đóng vai trò trung gian.
- Khoảng tin cậy chứa 0: tác động gián tiếp không có ý nghĩa → chưa đủ cơ sở kết luận M là biến trung gian.
Ưu điểm quan trọng của Bootstrap là không yêu cầu tác động tổng X → Y phải có ý nghĩa thống kê và không cần giả định tác động gián tiếp tuân theo phân phối chuẩn. Vì vậy, đây thường là lựa chọn phù hợp hơn khi kiểm định mô hình trung gian trong SPSS.
4. Phân biệt biến trung gian với biến điều tiết, biến kiểm soát
Trong mô hình nghiên cứu, biến trung gian, biến điều tiết và biến kiểm soát đều có vai trò riêng trong việc làm rõ mối quan hệ giữa các biến. Tuy nhiên, ba loại biến này khác nhau về chức năng và cách tác động. Hiểu đúng sự khác biệt sẽ giúp nhà nghiên cứu xây dựng mô hình phù hợp và lựa chọn phương pháp kiểm định chính xác.
| Tiêu chí | Biến trung gian | Biến điều tiết | Biến kiểm soát |
| Kí hiệu | M | Z | C |
| Vai trò | Giải thích cơ chế tác động từ X đến Y | Làm thay đổi mức độ hoặc chiều hướng tác động X → Y | Loại trừ ảnh hưởng của các yếu tố có thể gây nhiễu |
| Mối quan hệ | X → M → Y | X × Z → Y | Cùng đưa vào mô hình để kiểm soát Y |
| Câu hỏi nghiên cứu | X tác động đến Y thông qua yếu tố nào? | Khi Z thay đổi, tác động X → Y có thay đổi không? | X → Y có còn tồn tại sau khi kiểm soát C không? |
| Ví dụ | Sự hài lòng trung gian giữa Chất lượng dịch vụ và Ý định quay lại | Thu nhập điều tiết quan hệ giữa Sự hài lòng và Lòng trung thành | Giới tính được kiểm soát khi nghiên cứu Tần suất mua hàng |
Phân biệt biến trung gian với biến điều tiết, biến kiểm soát
5. Lời kết
Nếu bạn đang gặp khó khăn trong việc xây dựng mô hình, xử lý số liệu hoặc kiểm định biến trên SPSS, VietGuru cung cấp dịch vụ viết thuê nghiên cứu khoa học hỗ trợ từ xây dựng đề tài, cơ sở lý thuyết, thiết kế mô hình đến phân tích và diễn giải kết quả SPSS. Đội ngũ chúng tôi sẽ đồng hành theo từng yêu cầu cụ thể, giúp bài nghiên cứu được triển khai logic, đúng phương pháp và trình bày rõ ràng, khoa học.
Hy vọng bài viết trên đã giúp bạn hiểu rõ biến trung gian là gì, phân biệt được trung gian toàn phần và một phần cũng như nắm được các phương pháp kiểm định phổ biến trên SPSS. Khi thực hiện nghiên cứu, việc lựa chọn phương pháp phù hợp và đọc đúng kết quả kiểm định sẽ giúp bạn đưa ra kết luận chính xác, tăng tính thuyết phục và giá trị khoa học cho đề tài.
