Các Phương Pháp Tích Hợp Sự Điều Tiết Và Trung Gian – Jeffrey R. Edwards & Lisa Schurer Lambert

Phân tích đường dẫn điều tiết (Moderated Path Analysis) là khung thống kê tích hợp phân tích hồi quy có điều tiết và phân tích đường dẫn. Nguyên nhân chính gây sai lệch trong các nghiên cứu là do phương pháp truyền thống đã phân tách rời rạc các hiệu ứng nhân quả. Giải pháp nhanh nhất và khoa học nhất là áp dụng hệ phương trình rút gọn (reduced form equations) kết hợp kỹ thuật lấy mẫu lại Bootstrap để ước lượng chính xác đồng thời cả hiệu ứng trung gian và điều tiết.

1. Tổng Quan & Lý Thuyết Nền Tảng (Overview & Theoretical Foundations)

1.1 Thông tin định danh bài báo

• Tiêu đề gốc: Methods for Integrating Moderation and Mediation: A General Analytical Framework Using Moderated Path Analysis
• Tiêu đề tiếng Việt: Các phương pháp tích hợp sự điều tiết và trung gian: Một khung phân tích tổng quát sử dụng Phân tích đường dẫn điều tiết
• Tác giả: Jeffrey R. Edwards (Đại học North Carolina tại Chapel Hill) & Lisa Schurer Lambert (Đại học Bang Georgia)
• Tạp chí: Psychological Methods (2007)

1.2 Tóm tắt nghiên cứu (Abstract)

Các nghiên cứu kết hợp biến điều tiết (moderation) và biến trung gian (mediation) rất phổ biến trong nghiên cứu tâm lý học cơ bản và ứng dụng. Thông thường, các nghiên cứu này được xây dựng theo khuôn khổ điều tiết trung gian (moderated mediation) hoặc trung gian điều tiết (mediated moderation), cả hai đều liên quan đến các phương pháp phân tích tương tự nhau. Thật không may, những phương pháp này có những thiếu sót quan trọng, làm che giấu bản chất của các hiệu ứng đang được nghiên cứu.

Bài viết này trình bày một khung phân tích tổng quát bằng cách tích hợp phân tích hồi quy điều tiết và phân tích đường dẫn. Khung này làm rõ cách các biến điều tiết ảnh hưởng đến các đường dẫn cấu thành nên hiệu ứng trực tiếp, gián tiếp và tổng thể. Các tác giả minh họa khung này bằng thực nghiệm, đưa ra hướng dẫn từng bước để ước lượng, giải thích cách nó bao hàm cả hai khái niệm trên, đồng thời mô tả cách mở rộng mô hình cho các biến tiềm ẩn và mối quan hệ phi tuyến tính.

1.3 Bối cảnh thực tiễn & Khoảng trống nghiên cứu

Sự điều tiết xảy ra khi tác động của một biến độc lập lên một biến phụ thuộc thay đổi tùy theo mức độ của một biến thứ ba (biến điều tiết). Trung gian chỉ ra rằng tác động này được truyền qua một biến thứ ba (biến trung gian). Trước khi mô hình của Edwards và Lambert (2007) ra đời, các nhà nghiên cứu thường sử dụng ba phương pháp truyền thống có nhiều hạn chế nghiêm trọng về mặt phương pháp luận. Những sai sót này làm giảm độ tin cậy của các kết luận học thuật và gây khó khăn cho việc áp dụng vào thực tiễn quản trị.

1.4 Đánh giá và Phê bình các phương pháp kết hợp truyền thống

Việc xem xét nghiên cứu thực nghiệm đã xác định ba phương pháp chính thường bị sử dụng sai lệch:

A. Phương pháp Chắp vá (Piecemeal Approach)
Phương pháp này phân tích điều tiết và trung gian riêng biệt, sau đó diễn giải chung. Điều tiết thường được kiểm định bằng phân tích phương sai (ANOVA) hoặc phân tích hồi quy:
Y = b01 + bX1 X + bZ1 Z + bXZ1 XZ + eY1
Trung gian được kiểm định bằng quy trình các bước nhân quả qua 3 phương trình:
Y = b02 + bX2 X + eY2
M = a03 + aX3 X + eM3
Y = b04 + bX4 X + bM4 M + eY4
Hạn chế: Nó không tiết lộ đường dẫn nào liên kết biến độc lập X, trung gian M và phụ thuộc Y thay đổi như một hàm của biến điều tiết Z. Hơn nữa, yêu cầu mối quan hệ có ý nghĩa giữa X và Y ở bước đầu có thể che khuất một hiệu ứng trung gian nếu nó đi kèm với một hiệu ứng trực tiếp mang dấu ngược lại (hiện tượng triệt tiêu lẫn nhau). Phương pháp này cũng không trực tiếp kiểm định hiệu ứng gián tiếp (được biểu thị bằng tích aX3bM4).

B. Phương pháp Chia Nhóm con (Subgroup Approach)
Chia mẫu thành các nhóm con đại diện cho các giá trị khác nhau của biến điều tiết và đánh giá sự trung gian trong mỗi nhóm.
Hạn chế: Phân tích trong mỗi nhóm con có mức ý nghĩa thống kê (statistical power) thấp hơn. Việc nhị phân hóa một biến liên tục làm mất thông tin, tạo ước lượng chệch. Nó cũng không cung cấp các kiểm định về sự khác biệt trong tính trung gian giữa các mức độ của Z. Các nhà nghiên cứu chỉ đơn giản so sánh xem một nhóm có ý nghĩa thống kê còn nhóm kia thì không, thay vì kiểm định trực tiếp sự khác biệt của tích số đường dẫn.

C. Phương pháp Các bước Nhân quả Có Điều tiết (Moderated Causal Steps Approach)
Phương pháp này thêm các số hạng tích (product terms) vào quy trình các bước nhân quả. Ở bước thứ hai, kiểm tra xem Z có điều tiết hiệu ứng của X lên M hay không:
M = a05 + aX5 X + aZ5 Z + aXZ5 XZ + eM5
Ở bước cuối, thêm M vào phương trình biến phụ thuộc:
Y = b06 + bX6 X + bZ6 Z + bXZ6 XZ + bM6 M + eY6
Hạn chế: Nó không trực tiếp ước lượng mức độ mà Z ảnh hưởng đến hiệu ứng gián tiếp truyền qua M. Nó cũng không tiết lộ cách M ảnh hưởng đến dạng tương tác giữa X và Z. Hầu hết các nghiên cứu chỉ kiểm tra sự điều tiết cho một tập hợp con các đường dẫn, khiến các giả thuyết không được kiểm chứng toàn diện.

1.5 Hệ thống Lý thuyết nền tảng (Theoretical Foundations)

Khung Phân tích đường dẫn điều tiết khắc phục toàn bộ các nhược điểm trên bằng cách sử dụng hệ thống các phương trình hồi quy bình phương tối thiểu thông thường (OLS) để thiết lập các mô hình dạng rút gọn (reduced form equations). Các phương trình này được thiết lập bằng cách thế phương trình của biến trung gian vào phương trình của biến phụ thuộc, từ đó minh họa chính xác từng hiệu ứng nhân quả.

2. Khái Niệm Hóa và Cấu Trúc Khái Niệm (Conceptualization)

Dưới góc độ Phân tích đường dẫn điều tiết, hai khái niệm cốt lõi được định nghĩa lại một cách tường minh về mặt toán học:

• Trung gian được điều tiết (Moderated Mediation): Xảy ra khi hiệu ứng trung gian thay đổi theo các mức độ khác nhau của biến điều tiết. Trong ngôn ngữ đường dẫn, đường dẫn từ X đến M, từ M đến Y, hoặc cả hai đều biến thiên theo biến điều tiết Z.
• Điều tiết qua trung gian (Mediated Moderation): Xảy ra khi tương tác giữa biến độc lập và biến điều tiết tác động lên biến trung gian, và biến trung gian này tiếp tục tác động lên biến kết quả. Nghĩa là, đường dẫn từ X đến M bị điều tiết bởi Z, trong khi đường dẫn từ M đến Y không chịu tác động của Z.

Dưới lăng kính của Phân tích đường dẫn điều tiết, khi sự điều tiết chỉ nằm ở giai đoạn 1, “Trung gian được điều tiết” và “Điều tiết qua trung gian” là hoàn toàn tương đương nhau về mặt phân tích (analytically equivalent). Việc phân định hai khái niệm này phần lớn phụ thuộc vào cách đóng khung khái niệm của nhà nghiên cứu.

3. Quy Trình Phát Triển Thang Đo & Phân Tích (Scale Development & Analytical Process)

Quy trình áp dụng Phân tích đường dẫn điều tiết đòi hỏi sự chính xác cao từ người nghiên cứu:

1. Thiết lập phương trình hồi quy: Xây dựng phương trình cho biến trung gian (M) và biến phụ thuộc (Y) bao gồm các biến tích (tương tác) dựa trên lý thuyết nền tảng.
2. Giải phương trình rút gọn: Thế phương trình M vào phương trình Y để xác định biểu thức toán học cho hiệu ứng trực tiếp, gián tiếp và hiệu ứng tổng.
3. Tính toán các đường dẫn đơn giản (Simple Paths): Thay các giá trị cụ thể của Z vào phương trình rút gọn để tính toán độ lớn của các hiệu ứng tại từng điều kiện. Cụ thể, thay giá trị +1 và -1 độ lệch chuẩn đối với biến liên tục, hoặc thay 0 và 1 đối với biến phân loại.
4. Ước lượng Bootstrap: Sử dụng Bootstrap với ít nhất 1.000 mẫu lặp lại để tạo ra phân phối mẫu cho các tích số của hệ số hồi quy. Điều này giúp vượt qua hạn chế của phương pháp Sobel (vốn sai lầm khi giả định tích của hai biến ngẫu nhiên là phân phối chuẩn).

Bảng Hệ Thống 8 Mô Hình Phân Tích Đường Dẫn Điều Tiết

Khung phân tích hệ thống hóa 8 mô hình cấu trúc dựa trên việc biến Z tác động vào giai đoạn nào của quá trình nhân quả.

Loại Mô Hình (Model Type)	Đường dẫn bị điều tiết bởi Z	Đặc điểm phân tích chính
Mô hình Trung gian cơ bản	Không có	Chỉ đánh giá hiệu ứng trực tiếp (bX4) và gián tiếp (aX3bM4).
Điều tiết Giai đoạn 1	X → M	Hiệu ứng gián tiếp biến thiên theo Z; Hiệu ứng trực tiếp độc lập với Z.
Điều tiết Giai đoạn 2	M → Y	Giai đoạn 2 của hiệu ứng gián tiếp phụ thuộc Z; Hiệu ứng trực tiếp không đổi.
Điều tiết Giai đoạn 1 và 2	X → M và M → Y	Xuất hiện thuật ngữ Z² và XZ²; Mức độ điều tiết thay đổi theo chính mức độ của Z.
Điều tiết Hiệu ứng trực tiếp	X → Y	Hiệu ứng trực tiếp biến thiên theo Z; Hiệu ứng gián tiếp không đổi.
Điều tiết Giai đoạn 1 & Trực tiếp	X → Y và X → M	Cả hiệu ứng trực tiếp và giai đoạn 1 của hiệu ứng gián tiếp đều phụ thuộc Z.
Điều tiết Giai đoạn 2 & Trực tiếp	X → Y và M → Y	Cả hiệu ứng trực tiếp và giai đoạn 2 của hiệu ứng gián tiếp phụ thuộc Z.
Điều tiết Hiệu ứng Tổng	Tất cả các đường dẫn	Tất cả đường dẫn đều biến thiên theo Z; Phương trình chứa hạng tử bậc hai của Z.

4. Thang Đo Lường Chính Thức (Measurement Scale)

Trong ví dụ thực nghiệm minh họa (với tập dữ liệu khảo sát từ 1.307 người phản hồi về các vấn đề công việc và gia đình), các tác giả đã sử dụng thang đo Likert 7 điểm. Dưới đây là trích xuất các biến số phục vụ đo lường thực tế:

• Biến Độc Lập (X) – Phản hồi (Feedback): 5 biến quan sát (VD: “My family thinks what I do at home is outstanding” – Gia đình tôi cho rằng những gì tôi làm ở nhà là rất xuất sắc).
• Biến Trung Gian (M) – Sự hài lòng (Satisfaction): 3 biến quan sát (VD: “In general, I am satisfied with my family life” – Nhìn chung, tôi hài lòng với cuộc sống gia đình của mình).
• Biến Phụ Thuộc (Y) – Sự cam kết (Commitment): 8 biến quan sát (VD: “I feel a great sense of commitment to my family” – Tôi cảm thấy có ý thức cam kết to lớn đối với gia đình mình).
• Biến Điều Tiết (Z) – Tính trung tâm của gia đình (Family centrality): 6 biến quan sát (VD: “The most important things that happen in life involve family” – Những điều quan trọng nhất xảy ra trong cuộc sống đều liên quan đến gia đình).

5. Mạng Lưới Quan Hệ Lý Thuyết (Nomological Network)

• Tiền tố (Antecedents): Chịu tác động bởi Phản hồi từ gia đình (Feedback – X) và Tính trung tâm của gia đình (Centrality – Z). Nghiên cứu thực nghiệm cũng phân tích Giới tính (Gender) như một biến điều tiết dạng phân loại.
• Hậu tố (Consequences): Hình thành nên Sự hài lòng (M) và dẫn đến kết quả cuối cùng là Sự cam kết (Y). Đặc biệt, kết quả chứng minh rằng tác động của X lên Y thông qua M mạnh mẽ hơn đáng kể đối với những cá nhân có Tính trung tâm của gia đình thấp (Low Centrality) so với những người có mức độ cao. Trong khi đó, với biến giới tính, đường dẫn trực tiếp lại biểu hiện cường độ mạnh hơn ở nam giới so với nữ giới.

6. Hướng Dẫn Ứng Dụng Nghiên Cứu (Academic Implications)

Là một giảng viên hướng dẫn nghiên cứu định lượng, tôi khuyên các nhà nghiên cứu muốn áp dụng phương pháp Phân tích đường dẫn điều tiết vào luận văn một cách chuẩn khoa học cần tuân thủ nghiêm ngặt các nguyên tắc sau:

• Tránh nhị phân hóa dữ liệu: Giữ nguyên biến điều tiết ở dạng liên tục nguyên bản. Việc biến đổi dữ liệu liên tục thành phân loại sẽ làm mất đi phương sai tự nhiên của dữ liệu và dẫn đến sai lệch.
• Kiểm tra mô hình tổng thể: Luôn sử dụng Mô hình Điều tiết Hiệu ứng Tổng (Total Effect Moderation Model) làm cơ sở đánh giá ban đầu để không bỏ sót các đường dẫn bị điều tiết ẩn. Việc chỉ đưa ra một giả thuyết điều tiết trên một đường dẫn đơn lẻ sẽ khiến nghiên cứu có nguy cơ bị bác bỏ bởi các hiệu ứng ngược chiều.
• Đánh giá ý nghĩa gián tiếp: Bắt buộc phải sử dụng kỹ thuật Bootstrap tạo khoảng tin cậy thay vì kiểm định Sobel truyền thống để giảm thiểu sai số do giả định phân phối chuẩn.
• Đo lường sai số: Phương pháp hồi quy thông thường giả định các biến không có sai số đo lường. Nếu dữ liệu có sai số đo lường lớn (điển hình ở dữ liệu khảo sát tâm lý), hãy nâng cấp khung Phân tích đường dẫn điều tiết này vào Mô hình phương trình cấu trúc (SEM) với các biến tiềm ẩn (latent variables).

7. Ứng Dụng Quản Trị Doanh Nghiệp (Managerial Implications)

Trong thực tiễn quản trị doanh nghiệp và Marketing hiện đại, nguyên lý của Phân tích đường dẫn điều tiết giúp ban lãnh đạo tối ưu hóa quyết định chiến lược:

• Nhận diện tác động phi tuyến tính để tối ưu ngân sách: Một chiến dịch truyền thông tiếp thị (X) có thể tạo ra doanh số bán hàng (Y) thông qua trải nghiệm của khách hàng (M). Tuy nhiên, mức độ thu nhập của khách hàng (Z) có thể điều tiết toàn bộ quá trình này. Việc tính toán chính xác biến Z giúp doanh nghiệp phân bổ ngân sách quảng cáo đúng tệp khách hàng trọng tâm, từ đó tối ưu hóa chi phí CAC (Customer Acquisition Cost) và gia tăng LTV (Lifetime Value).
• Đừng bị lừa bởi hiệu ứng tổng (Total Effect): Đôi khi tổng thể một chiến dịch trông có vẻ không hiệu quả vì đường dẫn trực tiếp và gián tiếp mang dấu ngược nhau, tự triệt tiêu lẫn nhau. Việc bóc tách từng đường dẫn theo mô hình này giúp nhà quản trị tìm ra chính xác lỗi nằm ở khâu thu hút hay khâu chuyển đổi trong phễu tiếp thị (Marketing Funnel), từ đó tăng cường hệ số ROI một cách minh bạch và khoa học.

8. Các Câu Hỏi Thường Gặp (FAQ)

Sự khác biệt bản chất giữa phương pháp Causal Steps truyền thống và Phân tích đường dẫn điều tiết là gì?

Phương pháp Causal Steps đòi hỏi X và Y phải có tương quan ý nghĩa ở bước 1. Điều này dễ làm mất đi hiệu ứng gián tiếp thực sự nếu trong mô hình có sự triệt tiêu ngược dấu. Ngược lại, Phân tích đường dẫn điều tiết sử dụng hệ phương trình rút gọn để trực tiếp đánh giá cách Z ảnh hưởng lên từng đường dẫn và hiệu ứng gián tiếp mà không cần điều kiện tiên quyết sai lệch này.

Có nên chia mẫu thành 2 nhóm (Nam/Nữ hoặc Cao/Thấp) để chạy phân tích trung gian độc lập không?

Tuyệt đối không nên đối với các biến liên tục. Việc cắt đôi biến liên tục (nhị phân hóa) làm mất thông tin, tạo ước lượng chệch và giảm ý nghĩa thống kê. Phương pháp Phân tích đường dẫn điều tiết ưu việt hơn vì nó đánh giá trực tiếp trên toàn bộ mẫu bằng các hệ số tương tác (product terms), giúp bảo toàn phương sai của dữ liệu.

Làm thế nào để kiểm định độ tin cậy của tích hai hệ số hồi quy (hiệu ứng gián tiếp) trong mô hình này?

Không sử dụng phương pháp phương sai đơn thuần hay kiểm định Sobel vì phân phối của tích số là không chuẩn (nonnormal). Bắt buộc phải sử dụng phương pháp lấy mẫu lại Bootstrap (với ít nhất 1.000 mẫu lặp lại) để xây dựng khoảng tin cậy đã hiệu chỉnh chệch (bias-corrected confidence intervals) ở mức 95% nhằm đưa ra kết luận thống kê chính xác.

9. Tài Liệu Tham Khảo (References)

Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Thousand Oaks, CA: Sage.

Ajzen, I. (2001). Nature and operation of attitudes. Annual Review of Psychology, 52, 27-58.

Ajzen, I., & Fishbein, M. (1980). Understanding attitudes and predicting social behavior. Englewood Cliffs, NJ: Prentice Hall.

Alwin, D. F., & Hauser, R. M. (1975). The decomposition of effects in path analysis. American Sociological Review, 40, 35-47.

Anderson, T. W. (1984). An introduction to multivariate statistical analysis (2nd ed.). New York: Wiley.

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, 5, 1173-1182.

Berry, W. D. (1984). Nonrecursive causal models. Beverly Hills, CA: Sage.

Berry, W. D. (1993). Understanding regression assumptions. Newbury Park, CA: Sage.

Bohrnstedt, G. W., & Carter, T. M. (1971). Robustness in regression analysis. Sociological Methodology, 3, 118-146.

Bohrnstedt, G. W., & Goldberger, A. S. (1969). On the exact covariance of products of random variables. Journal of the American Statistical Association, 64, 1439-1442.

Bollen, K. A. (1989). Structural equations with latent variables. New York: Wiley.

Cohen, J. (1978). Partialed products are interactions: Partialed powers are curve components. Psychological Bulletin, 85, 858-866.

Cohen, J. (1983). The cost of dichotomization. Applied Psychological Measurement, 7, 249-253.

Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (2003). Applied multiple regression/correlation analysis for the behavioral sciences (3rd ed.). Mahwah, NJ: Erlbaum.

Cohen, S., & Edwards, J. R. (1989). Personality characteristics as moderators of the relationship between stress and disorder. In Advances in the investigation of psychological stress (pp. 235-283). New York: Wiley.

Cohen, S., & Wills, T. A. (1985). Stress, social support, and the buffering hypothesis. Psychological Bulletin, 98, 310-357.

Collins, L. M., Graham, J. W., & Flaherty, B. P. (1998). An alternative framework for defining mediation. Multivariate Behavioral Research, 33, 295-312.

Duncan, O. D. (1975). Introduction to structural equation models. New York: Academic Press.

Edwards, J. R., & Rothbard, N. P. (1999). Work and family stress and well-being… Organizational Behavior and Human Decision Processes, 77, 85-129.

Efron, B., & Tibshirani, R. (1993). An introduction to the bootstrap. New York: Chapman & Hall.

Goodman, L. A. (1960). On the exact variance of products. Journal of the American Statistical Association, 55, 708-713.

Goodman, L. A. (1979). A brief guide to the causal analysis of data from surveys. American Journal of Sociology, 84, 1078-1095.

Gore, S. (1981). Stress-buffering functions of social supports… In Stressful life events and their contexts (pp. 202-222). New York: Prodist.

Heise, D. R. (1969). Problems in path analysis and causal inference. In Sociological methodology 1969 (pp. 38-73). San Francisco: Jossey-Bass.

Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association, 81, 945-960.

Holland, P. W. (1988). Causal inference, path analysis, and recursive structural equations models. In Sociological methodology 1988 (pp. 449-484).

Holmbeck, G. N. (1997). Toward terminological, conceptual, and statistical clarity in the study of mediators and moderators… Journal of Consulting and Clinical Psychology, 65, 599-610.

Hosmer, D. W., & Lemeshow, S. (2000). Applied logistic regression. New York: Wiley.

Hunter, J. E., & Schmidt, F. L. (1996). Cumulative research knowledge and social policy formulation: The critical role of meta-analysis. Psychology, Public Policy, & Law, 2, 324-347.

James, L. R., & Brett, J. M. (1984). Mediators, moderators, and tests for mediation. Journal of Applied Psychology, 69, 307-321.

James, L. R., & Singh, B. K. (1978). An introduction to the logic, assumptions, and basic analytic procedures of two-stage least squares. Psychological Bulletin, 85, 1104-1122.

Johnston, J. (1984). Econometric methods. New York: McGraw-Hill.

Jöreskog, K. G., & Sörbom, D. (1996). LISREL 8: User’s reference guide. Chicago: Scientific Software International.

Jöreskog, K. G., & Yang, F. (1996). Nonlinear structural equation models… In Advanced structural equation modeling (pp. 57-88). Hillsdale, NJ: Erlbaum.

Judd, C. M., & Kenny, D. A. (1981). Process analysis: Estimating mediation in treatment evaluations. Evaluation Review, 5, 602-619.

Kennedy, P. (1998). Guide to econometrics (4th ed.). Cambridge, MA: MIT Press.

Kenny, D. A. (1979). Correlation and causality. New York: Wiley.

Kenny, D. A., Kashy, D. A., & Bolger, N. (1998). Data analysis in social psychology. In The handbook of social psychology (pp. 233-265).
+1

Kossek, E. E., Colquitt, J. A., & Noe, R. A. (2001). Caregiving decisions, well-being, and performance… Academy of Management Journal, 44, 29-44.

Lee, S., & Hershberger, S. (1990). A simple rule for generating equivalent models in covariance structure modeling. Multivariate Behavioral Research, 25, 313-334.

Li, F., Harmer, P., Duncan, T. E., Duncan, S. C., Acock, A., & Boles, S. (1998). Approaches to testing interaction effects using structural equation modeling methodology. Multivariate Behavioral Research, 33, 1-39.

Little, R. J., & Rubin, D. B. (2000). Causal effects in clinical and epidemiological studies via potential outcomes… Annual Review of Public Health, 21, 121-145.

MacCallum, R. C., Wegener, D. T., Uchino, B. N., & Fabrigar, L. R. (1993). The problem of equivalent models in applications of covariance structure analysis. Psychological Bulletin, 114, 185-199.

MacCallum, R. C., Zhang, S., Preacher, K. J., & Rucker, D. D. (2002). On the practice of dichotomization of quantitative variables. Psychological Methods, 7, 19-40.

MacKinnon, D. P., & Dwyer, J. H. (1993). Estimating mediated effects in prevention studies. Evaluation Review, 17, 144-158.

MacKinnon, D. P., Krull, J. L., & Lockwood, C. M. (2000). Equivalence of the mediation, confounding, and suppression effect. Prevention Science, 1, 173-181.

MacKinnon, D. P., Lockwood, C. M., Hoffman, J. M., West, S. G., & Sheets, V. (2002). A comparison of methods to test mediation and other intervening variable effects. Psychological Methods, 7, 83-104.

MacKinnon, D. P., Lockwood, C. M., & Williams, J. (2004). Confidence limits for the indirect effect: Distribution of the product and resampling methods. Multivariate Behavioral Research, 39, 99-128.

Marini, M. M., & Singer, B. (1988). Causality in the social sciences. In Sociological methodology 1988 (pp. 347-410).

Marsh, H. W., Wen, Z., & Hau, K.-T. (2004). Structural equation models of latent interactions… Psychological Methods, 9, 275-300.

Maxwell, S. E. (2004). The persistence of underpowered studies in psychological research: Causes, consequences, and remedies. Psychological Methods, 9, 147-163.

Maxwell, S. E., & Delaney, H. D. (1993). Bivariate median splits and spurious statistical significance. Psychological Bulletin, 113, 181-190.

Mooney, C. Z., & Duval, R. D. (1993). Bootstrapping: A nonparametric approach to statistical inference. Newbury Park, CA: Sage.

Muller, D., Judd, C. M., & Yzerbyt, V. Y. (2005). When moderation is mediated and mediation is moderated. Journal of Personality and Social Psychology, 89, 852-863.
+1

Neter, J., Wasserman, W., & Kutner, M. H. (1989). Applied linear regression models (2nd ed.). Chicago: Irwin.

Pearl, J. (2000). Causality: Models, reasoning, and inference. Cambridge, England: Cambridge University Press.

Pedhazur, E. J. (1997). Multiple regression in behavioral research (3rd ed.). New York: Harcourt, Brace.

Rigdon, E. E., Schumacker, R. E., & Wothke, W. (1998). A comparative review of interaction and nonlinear modeling. In Interaction and nonlinear effects in structural equation modeling (pp. 1-16).

Robins, J. M., & Greenland, S. (1992). Identifiability and exchangeability for direct and indirect effects. Epidemiology, 3, 143-155.

Rossi, J. S. (1990). Statistical power of psychological research: What have we gained in 20 years? Journal of Consulting and Clinical Psychology, 58, 646-656.

Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66, 688-701.

Rubin, D. B. (1978). Bayesian inference for causal effects: The role of randomization. Annals of Statistics, 6, 34-58.

Rubin, D. B. (2004). Direct and indirect causal effects via potential outcomes. Scandinavian Journal of Statistics, 31, 161-170.

Schumacker, R. E., & Marcoulides, G. A. (Eds.). (1998). Interaction and nonlinear effects in structural equation modeling. Mahwah, NJ: Erlbaum.

Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Boston: Houghton Mifflin.

Shrout, P. E., & Bolger, N. (2002). Mediation in experimental and nonexperimental studies: New procedures and recommendations. Psychological Methods, 7, 422-445.

Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. In Sociological methodology 1982 (pp. 290-312).

Sobel, M. E. (1996). An introduction to causal inference. Sociological Methods & Research, 24, 353-379.

SPSS, Inc. (2005). SPSS (Version 14.0) [Computer software]. Chicago: Author.

Stine, R. (1989). An introduction to bootstrap methods. Sociological Methods & Research, 18, 243-291.

Stolzenberg, R. (1980). The measurement and decomposition of causal effects in nonlinear and nonadditive models. In Sociological methodology (pp. 459-488).

Stone-Romero, E. F., & Anderson, L. E. (1994). Relative power of moderated multiple regression and the comparison of subgroup correlation coefficients for detecting moderating effects. Journal of Applied Psychology, 79, 354-359.

Tate, R. L. (1998). Effect decomposition in interaction and nonlinear models. In Interaction and nonlinear effects in structural equation modeling (pp. 167-181).
+1

Taylor, S. E., & Aspinwall, L. G. (1996). Mediating and moderating processes in psychosocial stress… In Psychosocial stress… (pp. 71-110). San Diego, CA: Academic Press.

Viswesvaran, C., & Ones, D. S. (1995). Theory testing: Combining psychometric meta-analysis and structural equations modeling. Personnel Psychology, 48, 865-886.

Wegener, D. T., & Fabrigar, L. R. (2000). Analysis and design for nonexperimental data… In Handbook of research methods in social and personality psychology (pp. 412-450).

West, S. G., Aiken, L. S., & Krull, J. L. (1996). Experimental personality designs: Analyzing categorical by continuous variable interactions. Journal of Personality, 64, 1-48.

West, S. G., Biesanz, J. C., & Pitts, S. C. (2000). Causal inference and generalization in field settings… In Handbook of research methods in social and personality psychology (pp. 40-84).

Winship, C., & Mare, R. D. (1984). Regression models with ordinal variables. American Sociological Review, 49, 512-525.

10. Lời Kêu Gọi Hành Động 

Việc hiểu và làm chủ Phân tích đường dẫn điều tiết không chỉ giúp các nghiên cứu sinh và giảng viên công bố bài báo khoa học chất lượng cao, hạn chế rủi ro bị từ chối do lỗi phương pháp luận lạc hậu, mà còn cung cấp nền tảng vững chắc cho các nhà phân tích dữ liệu doanh nghiệp. Để nghiên cứu sâu hơn về cách thiết lập hệ phương trình rút gọn, cách diễn giải phân phối mẫu Bootstrap và cấu trúc syntax trên phần mềm SPSS, độc giả hãy tải ngay file tài liệu nghiên cứu gốc.

Edwards, J. R., & Lambert, L. S. (2007). Methods for integrating moderation and mediation: A general analytical framework using moderated path analysis. Psychological Methods, 12(1), 1–22.