Mediation và Moderation là gì?

Trong nghiên cứu quản trị kinh doanh, marketing hay tâm lý học, các mô hình đơn giản chỉ xét quan hệ trực tiếp giữa biến độc lập (X) và biến phụ thuộc (Y) thường không đủ để giải thích cơ chế tác động. Vì vậy, hai loại biến thường được đưa thêm vào mô hình là biến trung gian (mediator) và biến điều tiết (moderator).

Biến trung gian (Mediator – M): là biến giải thích cơ chế mà qua đó X tác động đến Y. Nói cách khác, X tác động đến M, rồi M tác động đến Y. Ví dụ: Đào tạo nhân viên (X) → Sự hài lòng công việc (M) → Hiệu suất làm việc (Y). Ở đây sự hài lòng công việc là "cầu nối" giải thích tại sao đào tạo lại giúp tăng hiệu suất.

Biến điều tiết (Moderator – W): là biến làm thay đổi cường độ hoặc chiều hướng của mối quan hệ giữa X và Y. Ví dụ: mối quan hệ giữa Đào tạo (X) và Hiệu suất (Y) có thể mạnh hơn ở nhóm nhân viên có Thâm niên (W) cao, và yếu hơn ở nhóm thâm niên thấp. Thâm niên ở đây đóng vai trò điều tiết.

Nhầm lẫn giữa hai khái niệm này là lỗi rất phổ biến khi sinh viên bảo vệ luận văn, vì vậy cần phân biệt rõ trước khi đi vào thực hành trên Stata.

Phân biệt nhanh Mediation và Moderation

Tiêu chí	Biến trung gian (Mediator)	Biến điều tiết (Moderator)
Vai trò	Giải thích "tại sao" / "bằng cách nào" X tác động Y	Giải thích "khi nào" / "với ai" thì X tác động Y mạnh/yếu hơn
Vị trí trong mô hình	Nằm giữa, chịu tác động của X và tác động lên Y	Tương tác với X, không nhất thiết bị X tác động
Kiểm định phổ biến	Sobel test, Bootstrap (Preacher & Hayes)	Biến tương tác (interaction term) X*W
Câu lệnh Stata thường dùng	sem, medsem, nlcom	regress với biến tương tác, margins, marginsplot

Cách chạy phân tích biến điều tiết (Moderation) trong Stata

Đây là kỹ thuật đơn giản hơn, phù hợp làm trước. Ý tưởng: thêm biến tương tác X*W vào mô hình hồi quy.

Bước 1: Chuẩn hóa (căn giữa) biến trước khi tạo tương tác

Để tránh đa cộng tuyến giữa biến gốc và biến tương tác, nên "căn giữa" (mean-centering) biến X và W trước:

egen x_c = std(X), mean(0) std(1)

egen w_c = std(W), mean(0) std(1)

gen xw = x_c*w_c

Lưu ý về đặt tên biến khi dùng lệnh sem: Stata mặc định coi tên biến bắt đầu bằng chữ HOA là biến tiềm ẩn (latent variable) trong cú pháp sem. Vì vậy ở các mục dùng lệnh sem và medsem bên dưới, bài viết dùng tên biến chữ thường (x, m, y). Nếu bạn muốn giữ tên biến chữ hoa như X, M, Y, hãy thêm option nocapslatent vào cuối câu lệnh sem, ví dụ: sem (M <- X) (Y <- X M), method(mlmv) nocapslatent.

Bước 2: Chạy hồi quy với biến tương tác

regress Y x_c w_c xw

Nếu hệ số của xw có ý nghĩa thống kê (p < 0.05), kết luận W có vai trò điều tiết mối quan hệ giữa X và Y.

Bảng kết quả regress có biến tương tác:

Bước 3: Vẽ đồ thị điều tiết (simple slope) để diễn giải trực quan

margins, at(x_c=(-2(1)2) w_c=(-1 0 1))

marginsplot

Đồ thị này cho thấy độ dốc của đường hồi quy X→Y thay đổi như thế nào ở các mức khác nhau của W (thấp – trung bình – cao), rất hữu ích khi trình bày trong chương 4 luận văn.

Đồ thị marginsplot:

Cách chạy phân tích biến trung gian (Mediation) trong Stata

Cách 1: Phương pháp Baron & Kenny (truyền thống, dễ hiểu)

Chạy 3 phương trình hồi quy riêng biệt:

* Bước 1: X tác động Y (chưa có M)

regress Y X

* Bước 2: X tác động M

regress M X

* Bước 3: X và M cùng tác động Y

regress Y X M

Nếu hệ số của X ở bước 3 giảm đi (so với bước 1) hoặc mất ý nghĩa thống kê, trong khi M có ý nghĩa, thì M đóng vai trò trung gian (trung gian một phần hoặc toàn phần).

Nhược điểm: phương pháp này không kiểm định trực tiếp ý nghĩa thống kê của "tác động gián tiếp" (indirect effect), nên hiện nay ít được các hội đồng chấm luận văn chấp nhận nếu dùng riêng lẻ.

Cách 2: Bootstrap với medsem hoặc sem (khuyến nghị – chuẩn hiện nay)

Đây là cách được yêu cầu phổ biến nhất trong các luận văn hiện đại vì cho khoảng tin cậy bootstrap của tác động gián tiếp, không giả định phân phối chuẩn như Sobel test.

ssc install medsem

sem (m <- x) (y <- x m), method(mlmv)
medsem, indep(x) med(m) dep(y)

Hoặc dùng bootstrap trực tiếp:

sem (M <- X) (Y <- X M), method(mlmv)

estat teffects

Kết quả estat teffects cho ra 3 chỉ số quan trọng cần báo cáo trong luận văn:

• Direct effect: tác động trực tiếp của X lên Y (không qua M)
• Indirect effect: tác động gián tiếp của X lên Y thông qua M (= a×b)
• Total effect: tổng tác động = direct + indirect

 

Lưu ý khi trình bày trong luận văn

• Luôn báo cáo hệ số hồi quy, sai số chuẩn, khoảng tin cậy bootstrap (thường 5000 lần lặp: bootstrap, reps(5000)) và p-value.
• Với biến điều tiết, nên vẽ đồ thị simple slope để hội đồng dễ hình dung trực quan.
• Với biến trung gian, cần phân biệt rõ "trung gian toàn phần" (full mediation – hệ số trực tiếp mất ý nghĩa) và "trung gian một phần" (partial mediation – hệ số trực tiếp vẫn có ý nghĩa nhưng giảm).