Phân tích Trung gian: Xem xét lại Baron & Kenny – Những Lầm tưởng và Sự thật – Zhao, Lynch & Chen (2010)

Phân tích trung gian (Mediation Analysis) là phương pháp thống kê nhằm xác định cơ chế mà qua đó một biến độc lập (X) tác động lên một biến phụ thuộc (Y) thông qua một biến thứ ba gọi là biến trung gian (M). Bài viết này phân tích sâu sắc công trình của Zhao, Lynch và Chen (2010), bác bỏ quy trình lỗi thời của Baron & Kenny (1986), khẳng định rằng không cần tác động tổng thể X-Y để thiết lập trung gian, và đề xuất sử dụng kiểm định Bootstrap thay thế Sobel test để tăng độ chính xác và năng lực kiểm định (statistical power).

1. Thông tin định danh bài báo

Để đảm bảo tính chuẩn xác trong trích dẫn khoa học và phục vụ cho việc tra cứu tài liệu gốc, dưới đây là thông tin chi tiết của tài liệu được phân tích:

• Tiêu đề gốc: Reconsidering Baron and Kenny: Myths and Truths about Mediation Analysis.
• Tiêu đề tiếng Việt: Xem xét lại Baron & Kenny: Những lầm tưởng và sự thật về phân tích trung gian.
• Tác giả: Xinshu Zhao (University of North Carolina), John G. Lynch Jr. (University of Colorado), Qimei Chen (University of Hawaii).
• Tạp chí: The Journal of Consumer Research, Vol. 37, No. 2 (August 2010), pp. 197-206.
• Lĩnh vực: Nghiên cứu hành vi người tiêu dùng, Phương pháp nghiên cứu định lượng, Tâm lý học xã hội.

2. Lịch sử và sự chuyển dịch: Tại sao cần “khai tử” quy trình Baron & Kenny cũ?

Trong hơn hai thập kỷ, quy trình của Baron & Kenny (1986) được coi là “tiêu chuẩn vàng” (Gold Standard) với hơn 12.000 trích dẫn tính đến thời điểm bài báo này ra đời. Tuy nhiên, việc áp dụng máy móc quy trình này – đặc biệt là yêu cầu tiên quyết về tác động tổng thể – đã khiến nhiều dự án nghiên cứu tiềm năng bị hủy bỏ oan uổng hoặc bị từ chối đăng bài vì “dữ liệu không hợp lệ”.

Quy trình cũ của Baron & Kenny (1986)

Theo Baron & Kenny, để kết luận có trung gian, nhà nghiên cứu phải thỏa mãn 3 bước tuần tự thông qua việc ước lượng 3 phương trình hồi quy riêng biệt:

1. Phương trình 1 (Quan hệ X → M): Biến độc lập (X) phải tác động có ý nghĩa thống kê lên biến trung gian (M). Đây là đường dẫn a.
2. Phương trình 2 (Quan hệ X → Y): Biến độc lập (X) phải tác động có ý nghĩa thống kê lên biến phụ thuộc (Y). Đây là đường dẫn c’ (thường được gọi là “tác động cần được trung gian hóa” – effect to be mediated). Nếu bước này không có ý nghĩa (p > 0,05), quy trình dừng lại và kết luận không có trung gian.
3. Phương trình 3 (Quan hệ M → Y | X): Biến trung gian (M) phải tác động có ý nghĩa lên biến phụ thuộc (Y) khi kiểm soát biến X (đường dẫn b). Đồng thời, tác động trực tiếp của X lên Y (đường dẫn c) phải giảm đi so với phương trình 2 hoặc tiến về 0.

Những lầm tưởng chết người (Myths) được Zhao et al. vạch trần

Zhao et al. (2010) đã sử dụng các chứng minh toán học và mô phỏng Monte Carlo để phản bác lại 3 điểm cốt yếu trong quy trình trên:

• Lầm tưởng 1: Phải có tác động trực tiếp “X lên Y” (c’) thì mới được xét trung gian. (Đây là sai lầm lớn nhất gây cản trở khoa học).
• Lầm tưởng 2: “Trung gian toàn phần” (Full mediation – khi c không có ý nghĩa) là kết quả tốt nhất; sự xuất hiện của tác động trực tiếp (c có ý nghĩa) là một sự thất bại hoặc kém hoàn hảo.
• Lầm tưởng 3: Kiểm định Sobel (Sobel z-test) là phương pháp đủ tốt và chính xác để đo lường ý nghĩa của tác động gián tiếp.

3. Bản chất Toán học: Tại sao không cần “Tác động cần được trung gian hóa”? 

Đây là phần mở rộng quan trọng giải thích tại sao trực giác của các giáo sư hướng dẫn cũ (“Phải tìm thấy quan hệ X-Y trước rồi mới đi tìm biến trung gian”) là hoàn toàn sai lầm về mặt toán học và logic thống kê.

Zhao et al. (2010) chỉ ra phương trình toán học phân rã tác động tổng thể (Total Effect – c’):

c’ = (a × b) + c

Trong đó:

• c’: Tác động tổng thể (Total Effect) của X lên Y (tương đương hệ số tương quan bậc không r_XY trong hồi quy đơn).
• a × b: Tác động gián tiếp (Indirect Effect) thông qua trung gian M.
• c: Tác động trực tiếp (Direct Effect) còn lại của X lên Y sau khi đã đưa M vào mô hình.

Vấn đề cốt lõi (Sự triệt tiêu):

Tác động tổng thể c’ thực chất là tổng đại số của tác động gián tiếp và trực tiếp.

Nếu a × b mang dấu Dương (+) và c mang dấu Âm (-) (hoặc ngược lại) với độ lớn tương đương nhau, chúng sẽ cộng lại và triệt tiêu lẫn nhau. Khi đó, c’ sẽ tiến về 0 và không có ý nghĩa thống kê (p > 0,05).

Ví dụ thực tế sinh động:

Giả sử nghiên cứu về tác động của Sự sẵn có bao cao su (X) lên Bệnh lây truyền qua đường tình dục (Y).

• Con đường gián tiếp (a × b): Sẵn có bao cao su (X) → Làm giảm nhận thức rủi ro (M) → Dẫn đến tăng tần suất quan hệ tình dục → Làm tăng nguy cơ mắc bệnh (Y). Con đường này tạo ra tác động Dương (+) lên bệnh tật (do cơ chế tâm lý chủ quan).
• Con đường trực tiếp (c): Sẵn có bao cao su (X) → Tạo màng chắn vật lý → Làm giảm bệnh tật (Y). Con đường này tạo ra tác động Âm (-) lên bệnh tật.

Kết quả: Hai lực này triệt tiêu nhau khiến dữ liệu tổng thể cho thấy “Sự sẵn có bao cao su không có mối tương quan đáng kể với tỷ lệ mắc bệnh”. Nếu tuân theo quy trình Baron & Kenny (dừng lại ở bước 2), nghiên cứu sẽ bị hủy bỏ, dù thực tế cả hai cơ chế trung gian và trực tiếp đều đang hoạt động mạnh mẽ.

4. Tác động Trực tiếp (The “Silver Lining” of Partial Mediation) 

Baron & Kenny coi “Trung gian toàn phần” (Full mediation – khi đường dẫn c giảm về 0) là tiêu chuẩn vàng minh chứng cho một lý thuyết hoàn hảo. Tuy nhiên, Zhao et al. (2010) lập luận ngược lại và kêu gọi các nhà nghiên cứu thay đổi tư duy.

Giá trị gợi mở (Heuristic Value) cho xây dựng lý thuyết

Khi một mô hình xuất hiện “Trung gian một phần” (Partial Mediation – cả a × b và c đều có ý nghĩa), đường dẫn trực tiếp c không phải là nhiễu, mà là phần chưa được giải thích (unexplained part) của mô hình.

Đường dẫn c có ý nghĩa thống kê là một tín hiệu gợi ý rằng: Có một hoặc nhiều biến trung gian khác (omitted mediators) đã bị bỏ sót khỏi mô hình.

Quy tắc xác định biến bị bỏ sót:

• Nếu tác động trực tiếp c là Dương (+): Nhà nghiên cứu nên tìm kiếm các biến trung gian khác trong tương lai có cơ chế tác động cùng chiều (Dương).
• Nếu tác động trực tiếp c là Âm (-): Hãy tìm các cơ chế/biến trung gian mang dấu Âm.

Ví dụ minh họa:

Nghiên cứu kinh điển của Morgan & Hunt (1994) về Marketing quan hệ cho rằng Hoạt động Marketing dẫn đến Kết quả kinh doanh thông qua Lòng tin. Tuy nhiên, Palmatier et al. (2006) khi phân tích lại thấy vẫn còn tác động trực tiếp rất lớn. Điều này thúc đẩy Palmatier (2009) tìm ra biến trung gian mới là “Lòng biết ơn của khách hàng” (Customer Gratitude) để giải thích phần còn thiếu đó, làm giàu thêm cho hệ thống lý thuyết marketing.

5. Hiện tượng Đảo dấu và Ức chế thuần (Net Suppression) 

Một hiện tượng thú vị và nguy hiểm mà Zhao et al. (2010) cảnh báo là “Net Suppression” (Ức chế thuần). Đây là bẫy mà các nhà nghiên cứu nghiệp dư thường mắc phải khi chỉ nhìn vào bảng ma trận tương quan (Correlation Matrix).

Kịch bản:

Nhà nghiên cứu quan sát thấy:

• Tương quan giữa X và M là dương (r_XM > 0).
• Tương quan giữa M và Y là dương (r_MY > 0).
• Tương quan giữa X và Y là dương (r_XY > 0).
• Tư duy thông thường sẽ dự đoán tác động gián tiếp là Dương.

Thực tế bất ngờ:

Tuy nhiên, khi chạy kiểm định Bootstrap trong mô hình đa biến, tác động gián tiếp (a × b) lại ra kết quả mang dấu ÂM (-).

Nguyên nhân toán học:

Điều này xảy ra khi thỏa mãn bất đẳng thức: r_XM > (r_MY / r_XY). Trong các trường hợp này, biến X đóng vai trò là biến ức chế (suppressor). Việc chỉ nhìn vào dấu của các tương quan đơn biến sẽ dẫn đến kết luận sai lầm về bản chất mối quan hệ.

Lời khuyên: Chỉ có chạy kiểm định Bootstrap và xem xét dấu của hệ số hồi quy chuẩn hóa (Beta) và không chuẩn hóa (B) trong mô hình đầy đủ mới phát hiện ra cơ chế thực sự.

6. Phân loại mô hình Phân tích Trung gian: 5 Dạng thức cốt lõi

Thay vì hệ thống phân loại nghèo nàn của Baron & Kenny (Toàn phần, Một phần, Không trung gian), Zhao et al. (2010) đề xuất hệ thống phân loại 5 dạng (Typology) dựa trên hai chiều kích: ý nghĩa của tác động gián tiếp (a × b) và tác động trực tiếp (c).

Loại hình (Type)	Tác động gián tiếp (a × b)	Tác động trực tiếp (c)	Dấu của tích số (a × b × c)	Ý nghĩa & Hàm ý (Implication)
1. Trung gian bổ sung (Complementary Mediation)	Có ý nghĩa	Có ý nghĩa	Dương (+) (Cùng dấu)	Tương đương “Trung gian một phần”. Dữ liệu ủng hộ giả thuyết trung gian. Tuy nhiên, sự tồn tại của c cùng dấu gợi ý còn biến trung gian khác cùng chiều bị bỏ sót.
2. Trung gian cạnh tranh (Competitive Mediation)	Có ý nghĩa	Có ý nghĩa	Âm (-) (Ngược dấu)	Tương đương “Trung gian một phần”. Dữ liệu ủng hộ giả thuyết. Dấu hiệu có biến trung gian khác bị bỏ sót mang dấu ngược lại (đối trọng lại biến M hiện tại).
3. Trung gian duy nhất (Indirect-only Mediation)	Có ý nghĩa	Không ý nghĩa	N/A	Tương đương “Trung gian toàn phần”. Đây là kịch bản lý tưởng nhất phù hợp với lý thuyết đơn biến, cho thấy M giải thích trọn vẹn tác động của X lên Y.
4. Phi trung gian trực tiếp (Direct-only Nonmediation)	Không ý nghĩa	Có ý nghĩa	N/A	Không có trung gian. Chỉ có tác động trực tiếp. Gợi ý rằng mô hình lý thuyết có vấn đề: hoặc chọn sai biến trung gian, hoặc đo lường sai, hoặc năng lực kiểm định quá thấp.
5. Phi trung gian vô hiệu (No-effect Nonmediation)	Không ý nghĩa	Không ý nghĩa	N/A	Thất bại hoàn toàn. Không có tác động nào được tìm thấy giữa các biến.

7. Quy trình kiểm định mới: Từ Sobel đến Bootstrap

Trong kỷ nguyên mới của phân tích trung gian, Zhao et al. (2010) yêu cầu thay thế hoàn toàn Sobel Test bằng phương pháp Bootstrap (được phổ biến bởi Preacher & Hayes).

Nhược điểm chí mạng của Sobel Test

• Sai lệch phân phối (Distribution Assumption): Sobel z-test dựa trên giả định phân phối chuẩn (Normal distribution). Tuy nhiên, tích của hai biến số (a × b) thường có phân phối lệch (skewed) và nhọn (kurtotic).
• Hệ quả: Vì giả định sai, Sobel test tạo ra khoảng tin cậy đối xứng ép buộc, khiến khoảng tin cậy 95% thường bao gồm số 0 một cách sai lệch. Điều này dẫn đến Sai lầm loại II (Type II error) – tức là kết luận không có trung gian trong khi thực tế là có.
• Năng lực thấp (Low Power): Sobel hoạt động rất kém và thiếu ổn định với các mẫu nghiên cứu cỡ nhỏ (N < 200).

Ưu điểm vượt trội của Bootstrap (Preacher & Hayes)

• Cơ chế phi tham số: Bootstrap không giả định phân phối chuẩn. Nó tạo ra phân phối mẫu thực nghiệm bằng cách lấy mẫu lại có hoàn lại (sampling with replacement) hàng ngàn lần (ví dụ: 5.000 hoặc 10.000 mẫu) từ dữ liệu gốc.
• Độ chính xác cao: Nó xây dựng khoảng tin cậy dựa trên các phân vị (percentiles) thực tế của dữ liệu (ví dụ: phân vị thứ 2.5 và 97.5 cho độ tin cậy 95%).

Minh chứng thực nghiệm (Dữ liệu Super Bowl 1994):

Trong bài báo, Zhao phân tích lại dữ liệu cũ với: X (Tần suất quảng cáo) → M (Sự lộn xộn) → Y (Sự yêu thích).

• Kiểm định X-Y ban đầu theo Baron & Kenny không có ý nghĩa (p = 0,74). Nếu dùng quy trình cũ, nghiên cứu đã bị dừng lại.
• Tuy nhiên, Bootstrap chỉ ra khoảng tin cậy của a × b là [-0,0930 đến -0,0268], hoàn toàn không chứa số 0. Kết luận: Có Trung gian cạnh tranh. Quy trình mới đã “cứu sống” một phát hiện khoa học quan trọng.

8. So sánh Phương pháp Hồi quy và Mô hình Cấu trúc (SEM) 

Bài báo cũng giải quyết cuộc tranh luận kinh điển giữa trường phái Hồi quy (Regression – phương pháp của Baron & Kenny) và trường phái Mô hình Cấu trúc tuyến tính (SEM – quan điểm của Iacobucci 2008).

• Quan điểm của Zhao et al.: SEM về mặt kỹ thuật là ưu việt hơn vì nó ước lượng tất cả các tham số đồng thời (simultaneous estimation) và quan trọng nhất là xử lý được sai số đo lường (measurement error) thông qua các biến tiềm ẩn (latent variables).
• Thực tế áp dụng: Hồi quy vẫn phổ biến hơn do tính dễ dùng và tích hợp sẵn trong SPSS.

Lời khuyên cốt lõi: Các nguyên tắc về logic trung gian (phân loại 5 dạng, vai trò cốt lõi của a × b) áp dụng đúng cho cả SEM và Hồi quy.

• Nếu dùng Hồi quy: Bắt buộc phải dùng Bootstrap (Macro PROCESS).
• Nếu dùng SEM (AMOS, SmartPLS, Mplus): Mặc định các phần mềm này đã mạnh, nhưng nên dùng Bootstrap trong SEM để kiểm định đường dẫn gián tiếp. Đặc biệt nếu biến trung gian M là thang đo đa biến (multi-item scales), nên dùng SEM để kết quả chính xác hơn, tránh bị nhiễu bởi sai số đo lường.

9. Sơ đồ cây ra quyết định (Decision Tree) và Hướng dẫn thực hành

Để giúp các nhà nghiên cứu dễ dàng thực hành và tránh sai sót logic, Zhao et al. (2010) cung cấp “Decision Tree” chuẩn hóa gồm 3 bước logic chặt chẽ:

Bước 1: Chỉ chạy một kiểm định duy nhất cho tác động gián tiếp (a × b) bằng Bootstrap.

• Hỏi: Khoảng tin cậy Bootstrap 95% của a × b có chứa số 0 hay không? (Ví dụ: CI [-0,5; 0,2] là chứa số 0; CI [0,1; 0,5] là không chứa).
• Nếu CÓ (Chứa số 0): Kết luận Không có trung gian. Dừng lại hoặc xem xét dạng “Phi trung gian trực tiếp”.
• Nếu KHÔNG (Không chứa số 0): Kết luận CÓ trung gian. Chuyển ngay sang Bước 2.

Bước 2: Kiểm định tác động trực tiếp (c).

• Hỏi: Hệ số hồi quy c (tác động của X lên Y khi đã có M) có ý nghĩa thống kê (p < 0,05 hoặc t-value > 1,96) không?
• Nếu KHÔNG: Kết luận Indirect-only Mediation (Trung gian duy nhất/Toàn phần). Quy trình kết thúc.
• Nếu CÓ: Chuyển sang Bước 3 để phân loại sâu hơn.

Bước 3: Xác định dấu của tích số (a × b × c).

• Hỏi: Tác động gián tiếp (a × b) và tác động trực tiếp (c) CÙNG DẤU hay NGƯỢC DẤU?
• Nếu Cùng dấu (Tích dương): Kết luận Complementary Mediation (Trung gian bổ sung).
• Nếu Ngược dấu (Tích âm): Kết luận Competitive Mediation (Trung gian cạnh tranh).

10. Hướng dẫn ứng dụng Nghiên cứu Khoa học và Quản trị

Việc hiểu đúng và áp dụng triệt để quan điểm của Zhao et al. mang lại nhiều lợi ích thực tiễn cho cả giới học thuật và doanh nghiệp:

Đối với Nhà nghiên cứu (Academic Implications)

• Thay đổi điểm xuất phát: Đừng bắt đầu bằng việc tìm kiếm “Effect to be mediated” (r_XY). Đừng lãng phí thời gian tranh biện về việc X có tác động tổng thể lên Y hay không. Hãy đi thẳng vào giả thuyết trung gian và lý giải cơ chế (WHY and HOW).
• Báo cáo chuẩn mực: Phải báo cáo hệ số a, b, c chưa chuẩn hóa (Unstandardized Coefficients) và khoảng tin cậy Bootstrap (Bootstrap Confidence Intervals – LLCI & ULCI). Đừng chỉ báo cáo p-value vì p-value không phản ánh độ lớn của hiệu ứng.
• Tận dụng phần thảo luận (Discussion): Nếu gặp kết quả “Trung gian cạnh tranh” hoặc “Bổ sung”, đây là “mỏ vàng” để viết phần Discussion. Hãy gợi ý hướng nghiên cứu tiếp theo về các biến bị bỏ sót (omitted mediators) dựa trên dấu của c.

Đối với Nhà quản trị Doanh nghiệp (Managerial Implications)

• Tư duy đa chiều: Hiểu rằng một tác động kinh doanh không bao giờ đơn tuyến. Một chiến dịch Marketing có thể vừa có tác động tích cực gián tiếp (tăng nhận diện), vừa có tác động tiêu cực trực tiếp (gây phiền nhiễu).
• Ra quyết định tối ưu: Việc tách bạch hai luồng tác động (gián tiếp vs trực tiếp) giúp doanh nghiệp điều chỉnh chiến thuật (ví dụ: giữ tần suất quảng cáo để duy trì nhận diện, nhưng thay đổi nội dung để giảm sự phiền nhiễu) thay vì hủy bỏ hoàn toàn chiến dịch.

11. Các câu hỏi thường gặp (FAQ)

Nếu dữ liệu của tôi cho ra kết quả “Competitive Mediation” (tác động gián tiếp và trực tiếp ngược dấu), liệu bài báo của tôi có bị từ chối không?

Không những không bị từ chối, đây còn là một kết quả có giá trị khoa học cao theo Zhao et al. (2010). Nó cho thấy hiện thực phức tạp hơn lý thuyết đơn giản ban đầu. Bạn nên dùng kết quả này để biện luận cho sự cần thiết của các nghiên cứu sâu hơn nhằm tìm ra biến trung gian đối trọng kia. Hãy trích dẫn Zhao et al. (2010) để bảo vệ luận điểm này trước hội đồng phản biện.

Tôi có thể dùng Sobel test nếu mẫu của tôi lớn (N > 500 hoặc N > 1000) không?

Mặc dù mẫu lớn giúp phân phối của Sobel test tiến gần hơn đến chuẩn và giảm sai số, nhưng Bootstrap vẫn luôn vượt trội hơn vì nó không phụ thuộc vào giả định phân phối và có độ mạnh kiểm định (power) cao hơn. Ngày nay, các phần mềm như SPSS (với PROCESS Macro), AMOS, SmartPLS đều hỗ trợ Bootstrap rất dễ dàng chỉ với một cú click chuột, nên không có lý do chính đáng nào để tiếp tục dùng Sobel nữa.

“Tác động trực tiếp” (c) trong mô hình có phải là tác động thực sự không?

Chưa chắc. Đôi khi c có ý nghĩa thống kê chỉ vì sai số đo lường của biến trung gian M (tức là thang đo M chưa đủ tốt để đo lường hết khái niệm). Tuy nhiên, về mặt phát triển lý thuyết khoa học, thái độ đúng đắn nhất là nên coi c là chỉ dấu của một biến trung gian khác chưa được đưa vào mô hình (omitted mediator), mở ra cơ hội cho các nghiên cứu tiếp theo.

12. Kết luận

Bài báo của Zhao, Lynch và Chen (2010) thực sự là một cuộc cách mạng tư duy trong phân tích trung gian. Nó giải phóng các nhà nghiên cứu khỏi những ràng buộc cứng nhắc và thiếu cơ sở toán học của quy trình Baron & Kenny.

Thông điệp cốt lõi cần ghi nhớ:

1. Điều kiện duy nhất: Chỉ cần tác động gián tiếp (a × b) có ý nghĩa là đã thiết lập được trung gian.
2. Công cụ: Hãy chuyển sang sử dụng Bootstrap.
3. Tư duy: Hãy dũng cảm báo cáo và thảo luận sâu về các kết quả “Trung gian cạnh tranh” thay vì lo lắng hay tìm cách “xào nấu dữ liệu” để đạt được cái gọi là “Trung gian toàn phần”.

13. Tài liệu tham khảo

Baron, Reuben M. and David A. Kenny (1986), “Moderator-Mediator Variables Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerations,” Journal of Personality and Social Psychology, 51 (6), 1173–82.

Birnbaum, Michael H. and Barbara A. Mellers (1979), “Stimulus Recognition May Mediate Exposure Effects,” Journal of Personality and Social Psychology, 37 (3), 391–94.

Bolton, Lisa E., Joel B. Cohen, and Paul N. Bloom (2006), “Does Marketing Products as Remedies Create ‘Get Out of Jail Free Cards’?” Journal of Consumer Research, 33 (June), 71–81.

Cliff, Norman and Mitchell Earleywine (1994), “All Predictors Are ‘Mediators’ Unless the Other Predictor Is a ‘Suppressor,'” unpublished manuscript, University of Southern California.

Cohen, Jacob and Patricia Cohen (1975), Applied Multiple Regression: Correlation Analysis for the Behavioral Sciences, Hillsdale, NJ: Erlbaum.

Collins, Linda M., John W. Graham, and Brian P. Flaherty (1998), “An Alternative Framework for Defining Mediation,” Multivariate Behavioral Research, 33 (2), 295–312.

Davis, James A. (1985), “The Logic of Causal Order,” in Sage University Paper Series on Quantitative Applications in the Social Sciences, ed. John L. Sullivan and Richard G. Niemi, Beverly Hills, CA: Sage.

Fitzsimons, Gavan J. (2008), “Death to Dichotomizing,” Journal of Consumer Research, 35 (June), 5–8.

Friedman, Lynn and Melanie Wall (2005), “Graphical Views of Suppression and Multicollinearity in Multiple Linear Regression,” American Statistician, 59 (2), 127–36.

Iacobucci, Dawn (2008), Mediation Analysis, Thousand Oaks, CA: Sage.

Iacobucci, Dawn, Neela Saldanha, and Xiaoyan Deng (2007), “A Meditation on Mediation: Evidence That Structural Equations Models Perform Better than Regressions,” Journal of Consumer Psychology, 17 (2), 139–53.

Irwin, Julie R. and Gary H. McClelland (2001), “Misleading Heuristics and Moderated Multiple Regression Models,” Journal of Marketing Research, 38 (February), 100–109.

Judd, Charles M. and David A. Kenny (1981), “Process Analysis: Estimating Mediation in Treatment Evaluations,” Evaluation Review, 5 (5), 602–19.

Judd, Charles M. and David A. Kenny (2010), “Data Analysis in Social Psychology: Recent and Recurring Issues,” in The Handbook of Social Psychology, 5th ed., ed. Daniel Gilbert, Susan T. Fiske, and Gardiner Lindzey, New York: Wiley, 115–39.

Kenny, David A. (2003), “Mediation,”http://www.users.rcn.com/dakenny/mediate.htm/.

Kenny, David A., Deborah A. Kashy, and Niall Bolger (1998), “Data Analysis in Social Psychology,” in Handbook of Social Psychology, 4th ed., Vol. 1, ed. Daniel Gilbert, Susan T. Fiske, and Gardner Lindzey, New York: McGraw-Hill, 233–65.

MacKinnon, David P. (2000), “Contrasts in Multiple Mediator Models,” in Multivariate Applications in Substance Use Research, ed. J. S. Rose, L. Chassin, C. Presson, and S. J. Sherman, Mahwah, NJ: Erlbaum, 141–60.

MacKinnon, David P. (2008), Introduction to Statistical Mediation Analysis, New York: Erlbaum and Taylor Francis Group.

MacKinnon, David P. (2009), “Current Directions in Mediation Analysis,” Current Directions in Psychological Science, 18 (1), 16–20.

MacKinnon, David P., Jennifer L. Krull, and Chondra M. Lockwood (2000), “Equivalence of the Mediation, Confounding, and Suppression Effect,” Prevention Science, 1 (4), 173–81.

MacKinnon, David P., Chondra M. Lockwood, Jeanne M. Hoffman, Stephen G. West, and Virgil Sheets (2002), “A Comparison of Methods to Test Mediation and Other Intervening Variable Effects,” Psychological Methods, 7 (1), 83–104.

McFatter, Robert M. (1979), “The Use of Structural Equation Models in Interpreting Regression Equations Including Suppressor and Enhancer Variables,” Applied Psychological Measurement, 3 (1), 123–35.

Mitra, Anusree and John G. Lynch Jr. (1995), “Toward a Reconciliation of Market Power and Information Theories of Advertising Effects on Price Elasticity,” Journal of Consumer Research, 21 (March), 644–59.

Morgan, Robert M. and Shelby D. Hunt (1994), “The Commitment-Trust Theory of Relationship Marketing,” Journal of Marketing, 58 (July), 20–38.

Palmatier, Robert W., Rajiv P. Dant, Dhruv Grewal, and Kenneth R. Evans (2006), “Factors Influencing the Effectiveness of Relationship Marketing: A Meta-Analysis,” Journal of Marketing, 70 (October), 136–53.

Palmatier, Robert W., Cheryl Burke Jarvis, Jennifer R. Bechkoff, and Frank R. Kardes (2009), “The Role of Customer Gratitude in Relationship Marketing,” Journal of Marketing, 73 (September), 1–18.

Preacher, Kristopher J. and Andrew F. Hayes (2004), “SPSS and SAS Procedures for Estimating Indirect Effects in Simple Mediation Models,” Behavior Research Methods, Instruments, and Computers, 36 (4), 717–31.

Preacher, Kristopher J. and Andrew F. Hayes (2008), “Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Models,” Behavior Research Methods, 40 (3), 879–91.

Shrout, Patrick E. and Niall Bolger (2002), “Mediation in Experimental and Nonexperimental Studies: New Procedures and Recommendation,” Psychological Methods, 7 (4), 422–45.

Spencer, Steven J., Mark P. Zanna, and Geoffrey T. Fong (2005), “Establishing a Causal Chain: Why Experiments Are Often More Effective than Mediational Analyses in Examining Psychological Processes,” Journal of Personality and Social Psychology, 89 (6), 845–51.

Zhao, Xinshu (1997), “Clutter and Serial Order Redefined and Retested,” Journal of Advertising Research, 37 (5), 57–74.

Tải xuống toàn văn bài báo gốc (Full Text PDF) tại đây:

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.