PHÂN TÍCH BIẾN TRUNG GIAN TRONG SMARTPLS

Đọc tác động gián tiếp cụ thể, tổng tác động và khoảng tin cậy bootstrap trong SmartPLS 4, rồi phân loại trung gian

Bài nên đọc trước

• Bootstrapping kiểm định giả thuyết trong SmartPLS 4
• Phân tích biến trung gian trong SEM bằng bootstrap

Bài bootstrapping trong SmartPLS cho thấy tác động trực tiếp của Xác nhận kỳ vọng lên Ý định mua lại không có ý nghĩa (H4: p = 0,085). Nhưng trong mô hình sàn X, Xác nhận còn tác động lên Giá trị cảm nhận và Sự hài lòng và hai biến này lại tác động lên Ý định. Vậy Xác nhận có ảnh hưởng đến Ý định qua hai biến này không? Đây là câu hỏi của phân tích trung gian (mediation).

Bài biến trung gian trong SEM đã làm phân tích này bằng AMOS. Bài này làm lại bằng SmartPLS 4, dùng chính báo cáo Bootstrapping của bài bootstrapping trong SmartPLS và so sánh kết quả.

Về hình minh họa và con số. Ảnh chụp thật báo cáo Bootstrapping của SmartPLS 4.1.2.1 (Ringle và cộng sự, 2026; bản dùng thử) cho mô hình mo-hinh-san-x: 5000 mẫu, khoảng tin cậy percentile, kiểm định hai phía, Casewise deletion, 254 người (bài bootstrapping trong SmartPLS). Theo trang so sánh giấy phép của SmartPLS, bản Student không có phân tích trung gian. Mục 5 đối chiếu bằng R (file trung_gian.R, gói cSEM).

Dữ liệu mẫu. Dữ liệu và script dùng trong bài nằm ở thư mục 40-bien-trung-gian-smartpls của kho dữ liệu mẫu trên GitHub. Muốn tải cả kho, bấm Code > Download ZIP rồi giải nén và giữ nguyên cấu trúc thư mục.

1. Các loại tác động trong mô hình

Mô hình sàn X có hai biến trung gian (Giá trị, Hài lòng) nằm nối tiếp nhau. Từ Xác nhận đến Ý định có bốn con đường (Bảng 1):

Bảng 1. Bốn con đường từ Xác nhận đến Ý định.

• Tác động gián tiếp cụ thể (specific indirect effect) là tích các hệ số trên con đường đó.
• Tổng tác động gián tiếp (total indirect effect) là tổng các tác động gián tiếp cụ thể giữa hai biến.
• Tác động tổng (total effect) = tác động trực tiếp + tổng tác động gián tiếp.

Tính tay

Dùng hệ số đường dẫn của bài bootstrapping trong SmartPLS (H1 = 0,501; H2 = 0,345; H3 = 0,383; H4 = 0,101; H5 = 0,185; H6 = 0,221):

1. Qua Giá trị: 0,501 × 0,185 = 0,093.
2. Qua Hài lòng: 0,345 × 0,221 = 0,076.
3. Qua chuỗi Giá trị rồi Hài lòng: 0,501 × 0,383 × 0,221 = 0,042.
4. Tổng tác động gián tiếp: 0,093 + 0,076 + 0,042 = 0,211.
5. Tác động tổng: 0,101 + 0,211 = 0,312.

Nhân các hệ số đã làm tròn có thể lệch một đơn vị ở chữ số thứ ba so với SmartPLS, vì SmartPLS nhân các hệ số chưa làm tròn.

Vì sao cần bootstrap?

Tích của hai hệ số không có phân phối chuẩn, nên kiểm định Sobel (giả định phân phối chuẩn) kém chính xác (Preacher & Hayes, 2008). Bootstrap tính tích trong từng mẫu trong 5000 mẫu bootstrap, rồi lấy điểm cắt 2,5% và 97,5% làm khoảng tin cậy. Tác động gián tiếp có ý nghĩa khi khoảng tin cậy không chứa 0.

Trong SmartPLS, không cần thiết lập riêng cho tác động gián tiếp. Mỗi lần chạy Bootstrapping, SmartPLS tự tính mọi tác động gián tiếp cụ thể, tổng tác động gián tiếp và tác động tổng của mô hình.

2. Đọc tác động gián tiếp trong SmartPLS 4

Bước 1. Chạy Calculate > Bootstrapping với thiết lập của bài bootstrapping trong SmartPLS (5000 mẫu, Percentile bootstrap, Two-tailed, Fixed seed, Casewise deletion). Nếu báo cáo của bài bootstrapping trong SmartPLS còn mở, dùng tiếp báo cáo đó.

Bước 2. Mở Final results > Specific indirect effects > Mean, STDEV, T values, p values (Hình 1).

Hình 1. Tác động gián tiếp cụ thể: (1) mục Mean, STDEV, T values, p values, (2) giá trị p, (3) đường Xác nhận đến Giá trị đến Ý định, p = 0,014.

Bảng có năm tác động gián tiếp cụ thể. Dòng cuối bị cắt tên; tên đầy đủ là XACNHAN -> GIATRI -> HAILONG -> YDINH (trung gian chuỗi). Dòng XACNHAN -> GIATRI -> HAILONG là tác động gián tiếp của Xác nhận lên Hài lòng qua Giá trị, không liên quan đến Ý định.

Bước 3. Mở Specific indirect effects > Confidence intervals (Hình 2, Bảng 2, Hình 3).

Hình 2. Khoảng tin cậy percentile 95% của tác động gián tiếp cụ thể: (1) mục Confidence intervals, (2) giới hạn 2,5% và 97,5%.

Bảng 2. Ba tác động gián tiếp cụ thể.

Hình 3. Tác động gián tiếp cụ thể (chấm tròn), tổng tác động gián tiếp của Xác nhận lên Ý định (hình thoi) và khoảng tin cậy 95%, số liệu của SmartPLS. Không khoảng nào chứa 0.

Bước 4. Mở Final results > Total indirect effects > Mean, STDEV, T values, p values (Hình 4).

Hình 4. Tổng tác động gián tiếp: (1) mục Mean, STDEV, T values, p values, (2) Xác nhận đến Ý định, 0,211.

Bước 5. Mở Total indirect effects > Confidence intervals để lấy khoảng tin cậy của tổng tác động gián tiếp (Hình 5).

Hình 5. Khoảng tin cậy của tổng tác động gián tiếp: (1) mục Confidence intervals, (2) Xác nhận đến Ý định, [0,141; 0,292].

Bước 6. Mở Final results > Total effects > Mean, STDEV, T values, p values (Hình 6, Bảng 3, Hình 7).

Hình 6. Tác động tổng: (1) mục Mean, STDEV, T values, p values, (2) Giá trị đến Ý định, 0,270, (3) Xác nhận đến Ý định, 0,312.

Bảng 3. Tác động trực tiếp, gián tiếp và tổng.

Hình 7. Tác động tổng của Xác nhận và của Giá trị lên Ý định, tách thành phần trực tiếp và các phần gián tiếp, số liệu của SmartPLS.

3. Phân loại trung gian

Cách tiếp cận của Baron và Kenny (1986) yêu cầu tác động tổng có ý nghĩa trước khi xét trung gian và dùng kiểm định Sobel. Zhao và cộng sự (2010) chỉ ra rằng điều kiện này không cần thiết: điều quyết định là tác động gián tiếp có ý nghĩa hay không. Nitzl và cộng sự (2016) đưa cách phân loại này vào PLS-SEM, sau đó sách hướng dẫn của Hair và cộng sự (2022) dùng lại. Bảng 4 tóm tắt năm loại trung gian:

Bảng 4. Năm loại trung gian (Nitzl và cộng sự, 2016).

Áp dụng cho mô hình sàn X:

• Xác nhận đến Ý định: chỉ gián tiếp. Tổng tác động gián tiếp 0,211 có ý nghĩa, cả ba con đường gián tiếp đều có ý nghĩa, còn tác động trực tiếp không có ý nghĩa. Xác nhận kỳ vọng ảnh hưởng đến ý định mua lại qua giá trị cảm nhận và sự hài lòng. Vì vậy, H4 không được ủng hộ không có nghĩa là Xác nhận không quan trọng.
• Giá trị đến Ý định: bổ sung. Tác động gián tiếp qua Hài lòng (0,084) và tác động trực tiếp (0,185) đều có ý nghĩa và cùng dấu dương. Hài lòng là trung gian một phần: giá trị cảm nhận vừa tác động trực tiếp, vừa tác động qua sự hài lòng.
• Xác nhận đến Hài lòng: bổ sung. Tác động gián tiếp qua Giá trị (0,192) và tác động trực tiếp (0,345) đều có ý nghĩa và cùng dấu.

Tỷ lệ gián tiếp (VAF)

Một số luận văn báo cáo thêm VAF (variance accounted for) = tổng tác động gián tiếp / tác động tổng, để mô tả bao nhiêu phần tác động đi qua trung gian:

• Xác nhận đến Ý định: 0,211 / 0,312 = 67,6%.
• Giá trị đến Ý định: 0,084 / 0,270 = 31,1%.
• Xác nhận đến Hài lòng: 0,192 / 0,537 = 35,8%.

VAF chỉ để mô tả. Việc phân loại trung gian dựa trên ý nghĩa thống kê của tác động gián tiếp và trực tiếp như bảng trên (Nitzl và cộng sự, 2016). Ví dụ, với Xác nhận đến Ý định, VAF là 67,6% chứ không phải 100%, vì trong mẫu tác động trực tiếp bằng 0,101 chứ không bằng 0. Dù vậy, tác động trực tiếp này không khác 0 có ý nghĩa, nên loại trung gian vẫn là chỉ gián tiếp.

4. So sánh với AMOS

Bảng 5 đặt tác động gián tiếp của PLS-SEM cạnh kết quả CB-SEM bằng AMOS.

Bảng 5. Tác động gián tiếp theo PLS-SEM và CB-SEM.

Phân tích bằng AMOS dùng FIML trên 267 người và 2000 mẫu bootstrap; bài này dùng 254 người trả lời đủ và 5000 mẫu, nên hai cột không so sánh tuyệt đối được. Dù vậy, kết luận giống nhau: cả ba con đường gián tiếp có ý nghĩa và Xác nhận đến Ý định là trung gian chỉ gián tiếp. Tác động gián tiếp của PLS-SEM nhỏ hơn, vì hệ số đường dẫn của PLS-SEM nhỏ hơn CB-SEM khi khái niệm là nhân tố chung (bài SmartPLS và PLS-SEM, bài đánh giá mô hình cấu trúc trong SmartPLS).

Phân tích bằng AMOS cũng ghi nhận rằng với CB-SEM trên 254 người trả lời đủ, khoảng tin cậy của đường qua Giá trị chạm 0 (−0,001; 0,257). Với PLS-SEM trên cùng 254 người, khoảng này là [0,024; 0,171], không chứa 0. Đường này vẫn là đường gián tiếp có p lớn nhất (0,014) trong ba đường đến Ý định, nên cần diễn giải thận trọng.

5. Đối chiếu bằng R

File trung_gian.R tính tác động gián tiếp cụ thể bằng tích các hệ số trong từng mẫu trong 5000 mẫu bootstrap của gói cSEM, rồi lấy điểm cắt 2,5% và 97,5% (Bảng 6):

Bảng 6. Tác động gián tiếp cụ thể tính bằng R.

Hệ số trùng tuyệt đối; khoảng tin cậy lệch tối đa 0,002 do mẫu bootstrap ngẫu nhiên khác nhau.

6. Trình bày kết quả

Tác động gián tiếp được kiểm định bằng bootstrapping với 5000 mẫu và khoảng tin cậy percentile 95% (Nitzl và cộng sự, 2016). Xác nhận kỳ vọng có tác động gián tiếp dương, có ý nghĩa lên ý định mua lại qua giá trị cảm nhận (0,093; 95% CI [0,024; 0,171]), qua sự hài lòng (0,076; [0,031; 0,130]) và qua chuỗi giá trị cảm nhận rồi sự hài lòng (0,042; [0,017; 0,074]). Tổng tác động gián tiếp là 0,211 ([0,141; 0,292]), trong khi tác động trực tiếp không có ý nghĩa (0,101; p = 0,085), cho thấy trung gian chỉ gián tiếp (Zhao và cộng sự, 2010): tác động của xác nhận kỳ vọng lên ý định mua lại đi qua giá trị cảm nhận và sự hài lòng. Sự hài lòng là trung gian bổ sung trong quan hệ giữa giá trị cảm nhận và ý định mua lại (gián tiếp 0,084; [0,035; 0,144]; trực tiếp 0,185; p = 0,008).

Bảng trung gian trong luận văn nên có, cho mỗi con đường: tác động gián tiếp cụ thể, t hoặc p, khoảng tin cậy 95%, tác động trực tiếp tương ứng và loại trung gian.

Năm lỗi thường gặp

Các lỗi dưới đây thường gặp trong luận văn khi làm bước này.

1. Dừng phân tích vì tác động trực tiếp hoặc tác động tổng không có ý nghĩa (điều kiện của Baron và Kenny). Với Xác nhận đến Ý định, dừng ở H4 sẽ bỏ sót kết quả quan trọng nhất của bài.
2. Chỉ báo cáo tổng tác động gián tiếp. Khi có nhiều trung gian, cần báo cáo từng tác động gián tiếp cụ thể để biết con đường nào có ý nghĩa.
3. Đọc nhầm dòng XACNHAN -> GIATRI -> HAILONG thành tác động lên Ý định. Đây là tác động gián tiếp lên Hài lòng.
4. Kết luận "trung gian toàn phần" nghĩa là không còn con đường nào khác. Zhao và cộng sự (2010) lưu ý rằng có thể còn trung gian chưa đưa vào mô hình; nên viết "trung gian chỉ gián tiếp".
5. Dùng kiểm định Sobel thay cho khoảng tin cậy bootstrap.

Tài liệu tham khảo

Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE Publications. https://collegepublishing.sagepub.com/products/a-primer-on-partial-least-squares-structural-equation-modeling-pls-sem-3-270548

Nitzl, C., Roldán, J. L., & Cepeda, G. (2016). Mediation analysis in partial least squares path modeling: Helping researchers discuss more sophisticated models. Industrial Management & Data Systems, 116(9), 1849–1864. https://doi.org/10.1108/IMDS-07-2015-0302

Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879

Ringle, C. M., Wende, S., & Becker, J.-M. (2026). SmartPLS 4 (Version 4.1.2.1) [Computer software]. SmartPLS GmbH. https://www.smartpls.com

Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257