BIẾN TRUNG GIAN TRONG MÔ HÌNH SEM (PHẦN 3)

CÁCH TÍNH VÀ DIỄN GIẢI CHỈ SỐ VAF TRONG PHÂN TÍCH TRUNG GIAN

Phần này tiếp nối với phần 1 & phần 2. Phần 1 chi tiết tại đây: Click here. Phần 2 chi tiết tại đây: Click here. Ở phần 3 này, chúng ta sẽ tìm hiểu chi tiết cách xác định chỉ số VAF (Variance Accounted For) và cách diễn giải trong phân tích trung gian.

Chỉ số VAF (Variance Accounted For) là gì? Cách tính và diễn giải trong phân tích trung gian

Chuyên mục: Phương pháp nghiên cứu  |  Từ khóa: VAF, mediation, indirect effect, PLS-SEM, SEM

Trong các nghiên cứu sử dụng SEM hoặc PLS-SEM, phân tích tác động trung gian (mediation effect) là bước quan trọng giúp giải thích cơ chế tác động giữa các biến. Thay vì chỉ kiểm tra mối quan hệ trực tiếp giữa biến độc lập và biến phụ thuộc, nhà nghiên cứu thường muốn biết: tác động đó diễn ra trực tiếp hay thông qua một biến trung gian?

Để trả lời câu hỏi này một cách định lượng, chỉ số VAF (Variance Accounted For) được sử dụng phổ biến — đặc biệt trong PLS-SEM — nhằm xác định tỷ lệ tác động truyền qua biến trung gian và từ đó phân loại loại trung gian: toàn phần, một phần hay không có trung gian.

1. Chỉ số VAF là gì?

Variance Accounted For (VAF) là chỉ số đo lường tỷ lệ của tác động gián tiếp so với tổng tác động trong mô hình trung gian.

Nói đơn giản, VAF cho biết: bao nhiêu phần trăm ảnh hưởng của biến độc lập lên biến phụ thuộc được truyền thông qua biến trung gian?

Chỉ số này giúp trả lời hai câu hỏi cốt lõi:

•            Câu hỏi 1: Biến trung gian có thực sự đóng vai trò truyền dẫn tác động hay không?

•            Câu hỏi 2: Tác động trung gian chiếm bao nhiêu phần trăm tổng tác động?

 

Trong phân tích trung gian, tổng tác động giữa các biến bao gồm:

•            Direct effect — tác động trực tiếp từ biến độc lập đến biến phụ thuộc

•            Indirect effect — tác động gián tiếp thông qua biến trung gian

•            Total effect = Direct effect + Indirect effect

 2. Công thức tính VAF

Chỉ số VAF được tính bằng công thức:

VAF = Indirect Effect / Total Effect

Trong đó:

•            Indirect Effect = a × b

•            Total Effect = Direct Effect (c') + Indirect Effect (a × b)

 Cụ thể với mô hình trung gian cơ bản X → M → Y:

•            (a): hệ số tác động từ biến độc lập (X) → biến trung gian (M)

•            (b): hệ số tác động từ biến trung gian (M) → biến phụ thuộc (Y)

•            (c'): hệ số tác động trực tiếp từ X → Y (sau khi kiểm soát M)

VAF = (a × b) / (a × b + c')

3. Ví dụ minh họa cách tính

Giả sử mô hình nghiên cứu:

Service Quality → Customer Satisfaction → Customer Loyalty

Kết quả phân tích SEM cho thấy:

Quan hệ	Hệ số đường dẫn
Service Quality → Customer Satisfaction (a)	0.60
Customer Satisfaction → Customer Loyalty (b)	0.50
Service Quality → Customer Loyalty — Direct (c')	0.20

Bước 1: Tính Indirect Effect

Indirect Effect = a × b = 0.60 × 0.50 = 0.30

Bước 2: Tính Total Effect

Total Effect = 0.30 + 0.20 = 0.50

Bước 3: Tính VAF

VAF = 0.30 / 0.50 = 0.60 = 60%

Kết quả: VAF = 60% → biến Customer Satisfaction đóng vai trò trung gian một phần (partial mediation) giữa Service Quality và Customer Loyalty.

4. Cách diễn giải giá trị VAF

Trong PLS-SEM, quy tắc thường được áp dụng để xác định loại trung gian dựa trên giá trị VAF là:

 

Giá trị VAF	Loại trung gian	Diễn giải
VAF < 20%	Không có trung gian	Biến trung gian không đóng vai trò truyền dẫn đáng kể
20% ≤ VAF ≤ 80%	Trung gian một phần (Partial mediation)	Tác động vừa trực tiếp vừa qua trung gian
VAF > 80%	Trung gian toàn phần (Full mediation)	Gần như toàn bộ tác động truyền qua biến trung gian

 

Áp dụng vào ví dụ trên với VAF = 60%:

•            60% nằm trong khoảng 20%–80% → kết luận: trung gian một phần

•            Service Quality ảnh hưởng đến Loyalty vừa trực tiếp, vừa thông qua Customer Satisfaction

 

Lưu ý: Các ngưỡng 20% và 80% là quy tắc thực nghiệm phổ biến trong PLS-SEM, không phải ngưỡng thống kê chính thức. Một số nhà phương pháp luận khuyến nghị kết hợp với kết quả bootstrap để có kết luận toàn diện hơn.

5. Vai trò của VAF trong nghiên cứu SEM

5.1. Xác định cơ chế tác động

VAF giúp nhà nghiên cứu hiểu được biến trung gian có đóng vai trò quan trọng trong mô hình hay không. Thay vì chỉ biết "có tác động", bạn biết được "bao nhiêu phần trăm tác động đi qua con đường trung gian đó".

5.2. Phân loại loại trung gian

Một trong những ứng dụng chính của VAF là phân biệt ba loại trung gian:

•            Full mediation: biến trung gian hấp thụ hầu hết tác động, tác động trực tiếp gần như biến mất

•            Partial mediation: cả hai con đường (trực tiếp và gián tiếp) đều có ý nghĩa

•            No mediation: biến trung gian không đóng vai trò truyền dẫn đáng kể

5.3. Bổ trợ cho kiểm định bootstrap

Ngoài việc kiểm định bootstrap cho indirect effect, VAF cung cấp thêm góc nhìn định lượng về mức độ trung gian. Hai công cụ này bổ trợ cho nhau: bootstrap xác nhận ý nghĩa thống kê, VAF cho biết mức độ thực tế.

6. Quy trình phân tích trung gian với VAF

Trong thực tế nghiên cứu, quy trình phân tích trung gian thường gồm ba bước:

1.          Bước 1: Kiểm định tác động gián tiếp bằng Bootstrapping — Kiểm tra xem indirect effect có ý nghĩa thống kê không (p < 0.05 hoặc CI không chứa 0). Nếu không có ý nghĩa, dừng lại và kết luận không có trung gian.

2.        Bước 2: Tính chỉ số VAF — Nếu indirect effect có ý nghĩa, tính VAF = Indirect Effect / Total Effect và chuyển sang phần trăm.

3.        Bước 3: Xác định loại trung gian — Áp dụng ngưỡng: VAF < 20% (không trung gian), 20%–80% (trung gian một phần), > 80% (trung gian toàn phần).

 

Quan trọng: Chỉ tính VAF khi indirect effect đã được xác nhận có ý nghĩa thống kê qua bootstrap. Tính VAF trước khi kiểm định bootstrap là sai quy trình.

7. Hạn chế của chỉ số VAF

7.1. Không thay thế được kiểm định bootstrap

VAF chỉ đo tỷ lệ tác động, không xác định ý nghĩa thống kê. Một VAF cao (ví dụ 70%) nhưng indirect effect không có ý nghĩa thống kê thì kết luận vẫn là không có trung gian.

7.2. Phụ thuộc vào cấu trúc mô hình

Giá trị VAF có thể thay đổi khi:

•            Thêm hoặc bớt biến kiểm soát vào mô hình

•            Thay đổi cấu trúc mô hình (ví dụ thêm biến trung gian khác)

•            Thay đổi cách đo lường biến

7.3. Xu hướng trong nghiên cứu hiện đại

Trong các hướng dẫn PLS-SEM mới nhất (Hair et al., 2022), một số nhà phương pháp luận khuyến nghị ưu tiên báo cáo indirect effect và kết quả bootstrap thay vì chỉ dựa vào VAF. VAF vẫn được chấp nhận rộng rãi nhưng nên được dùng như chỉ số bổ trợ, không phải chỉ số duy nhất để kết luận về trung gian.

8. Cách báo cáo VAF trong bài nghiên cứu

Dưới đây là ví dụ cách viết kết quả trong bài báo khoa học:

Bằng tiếng Anh

"The indirect effect of Service Quality on Customer Loyalty through Customer Satisfaction is significant (β = 0.30, p < 0.01, 95% CI [0.12, 0.48]). The direct effect is β = 0.20 (p < 0.05). The VAF value is 60%, indicating partial mediation."

Bằng tiếng Việt

"Kết quả bootstrap cho thấy tác động gián tiếp của Chất lượng dịch vụ lên Lòng trung thành thông qua Sự hài lòng là có ý nghĩa thống kê (β = 0.30, p < 0.01). Tác động trực tiếp là β = 0.20 (p < 0.05). Giá trị VAF = 60% cho thấy Sự hài lòng đóng vai trò trung gian một phần giữa Chất lượng dịch vụ và Lòng trung thành."

Kết luận

Chỉ số VAF (Variance Accounted For) là công cụ hữu ích và đơn giản để đánh giá mức độ trung gian trong mô hình SEM và PLS-SEM. Chỉ số này giúp nhà nghiên cứu:

•            Đo lường tỷ lệ tác động truyền qua biến trung gian

•            Phân loại loại trung gian: toàn phần, một phần hay không có trung gian

•            Diễn giải và báo cáo kết quả phân tích trung gian rõ ràng hơn

Tuy nhiên, VAF luôn cần được sử dụng kết hợp với kiểm định bootstrap của indirect effect để đảm bảo kết luận có đầy đủ bằng chứng thống kê. Đây là thực hành được khuyến nghị trong hầu hết các hướng dẫn PLS-SEM hiện đại.

Nếu bạn cần hỗ trợ phân tích trung gian, tính VAF hoặc chạy bootstrap trong SmartPLS, có thể liên hệ với chúng tôi để được tư vấn.

Tài liệu tham khảo

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.

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

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.