Giải Quyết Các Giả Thuyết Trung Gian Điều Tiết: Lý Thuyết, Phương Pháp và Chỉ Dẫn – Preacher, Rucker & Hayes (2007)

Giải quyết các giả thuyết trung gian điều tiết (Addressing Moderated Mediation Hypotheses) là một khung phân tích thống kê toàn diện và chặt chẽ nhằm kiểm định tác động gián tiếp có điều kiện (conditional indirect effects). Trong nghiên cứu khoa học xã hội và hành vi, các mô hình đơn giản thường không đủ để giải thích sự phức tạp của thực tế. Về bản chất, đây là phương pháp xác định độ lớn và ý nghĩa thống kê của một tác động trung gian (con đường từ X → M → Y) thay đổi như thế nào tùy thuộc vào giá trị của một hoặc nhiều biến điều tiết (W).

Bài báo kinh điển của Preacher, Rucker và Hayes (2007) đã giải quyết các vấn đề phương pháp luận tồn đọng, chuẩn hóa các thuật ngữ gây tranh cãi, cung cấp 5 mô hình lý thuyết cụ thể. Quan trọng hơn, bài báo đề xuất sự chuyển dịch từ các phương pháp kiểm định truyền thống kém hiệu quả sang sử dụng Bootstrapping (lấy mẫu lại) kết hợp với kỹ thuật Johnson-Neyman để xác định vùng giá trị cụ thể mà tại đó hiệu ứng trung gian thực sự tồn tại.

1. Tổng Quan Nghiên Cứu & Định Danh Khoa Học

1.1 Thông tin định danh bài báo

• Tiêu đề gốc: Addressing Moderated Mediation Hypotheses: Theory, Methods, and Prescriptions.
• Tiêu đề tiếng Việt: Giải quyết các giả thuyết về trung gian điều tiết: Lý thuyết, Phương pháp và Các chỉ dẫn.
• Tác giả: Kristopher J. Preacher (Đại học Kansas), Derek D. Rucker (Đại học Northwestern), Andrew F. Hayes (Đại học Bang Ohio).
• Nguồn: Multivariate Behavioral Research, 42(1), 185–227 (2007).

1.2 Tóm tắt & Mục tiêu cốt lõi (Abstract & Objectives)

Bài viết ra đời nhằm giải quyết sự nhầm lẫn phổ biến trong giới học thuật giữa các thuật ngữ như “trung gian bị điều tiết” (moderated mediation) và “điều tiết qua trung gian” (mediated moderation). Trước đó, các định nghĩa của Baron & Kenny (1986) hay James & Brett (1984) đôi khi chồng chéo hoặc mâu thuẫn. Các tác giả thống nhất gọi chung tất cả các hiện tượng này dưới thuật ngữ “tác động gián tiếp có điều kiện”.

Mục tiêu chính của nghiên cứu bao gồm:

• Làm rõ định nghĩa: Tháo gỡ mâu thuẫn lý thuyết và cung cấp một khung khái niệm thống nhất.
• Cung cấp công cụ thống kê: Giới thiệu công thức tính sai số chuẩn (SE) dựa trên phương pháp Delta và ủng hộ mạnh mẽ phương pháp Bootstrapping để khắc phục vi phạm giả định phân phối chuẩn.
• Mở rộng kỹ thuật phân tích: Giới thiệu kỹ thuật xác định Vùng ý nghĩa (Regions of significance) thông qua phương pháp Johnson-Neyman, thay vì chỉ kiểm định tại các điểm đơn lẻ.
• Hỗ trợ thực hành: Cung cấp mã lệnh (Macro SPSS) để các nhà nghiên cứu dễ dàng áp dụng.

2. Cơ Sở Lý Luận: Từ Trung Gian Đơn Giản Đến Điều Tiết

Trước đi sâu vào các mô hình phức tạp, nhà nghiên cứu cần nắm vững bản chất toán học của hai thành tố cơ bản cấu thành nên mô hình này.

2.1 Trung gian đơn giản (Simple Mediation) & Hạn chế của Sobel

Trung gian xảy ra khi biến độc lập X tác động lên biến phụ thuộc Y thông qua một biến thứ ba là M.

Hệ phương trình hồi quy cơ bản:

M = a₀ + a₁X + r

Y = b₀ + c’X + b₁M + r

Tác động gián tiếp được định lượng là tích của hai hệ số hồi quy: a₁b₁.

Công thức sai số chuẩn (SE) chính xác: Trong kiểm định Sobel truyền thống, một số hạng thường bị bỏ qua do giả định nó quá nhỏ. Tuy nhiên, Preacher et al. (2007) khuyến nghị sử dụng công thức đầy đủ (dựa trên phương pháp Delta bậc hai) để tăng độ chính xác:

SE(a₁b₁) = √[a₁²s(b₁)² + b₁²s(a₁)² + s(a₁)²s(b₁)²]

(Trong đó s² là bình phương sai số chuẩn của các hệ số tương ứng).

Hạn chế cốt tử: Kiểm định z dựa trên lý thuyết chuẩn (Normal-theory) thường sai lệch vì phân phối của tích số a₁b₁ thường bị lệch (skewed) và có độ nhọn cao (kurtotic), không tuân theo phân phối chuẩn tắc hình chuông. Do đó, Bootstrapping là giải pháp thay thế ưu việt vì nó không đưa ra giả định về hình dạng phân phối của dữ liệu.

2.2 Điều tiết (Moderation) & Kỹ thuật Johnson-Neyman

Điều tiết xảy ra khi cường độ hoặc chiều hướng của mối quan hệ X → Y thay đổi tùy theo biến W.

Phương trình hồi quy đặc trưng:

Y = a₀ + a₁X + a₂W + a₃XW + r

Viết lại dưới dạng độ dốc đơn (simple slope):

Y = (a₀ + a₂W) + (a₁ + a₃W)X + r

(Ở đây, tác động của X lên Y không còn là hằng số a₁ mà là hàm số (a₁ + a₃W)).

Vấn đề của phương pháp truyền thống (Pick-a-point): Việc chọn các điểm tùy ý như Trung bình (Mean), Trung bình + 1 SD, Trung bình – 1 SD để kiểm định độ dốc đơn có thể dẫn đến việc bỏ sót thông tin hoặc kết luận sai lầm nếu hiệu ứng chỉ xuất hiện ở các giá trị cực đoan.

Giải pháp: Sử dụng kỹ thuật Johnson-Neyman (J-N). Kỹ thuật này giải phương trình bậc hai để xác định chính xác “vùng ý nghĩa” – dải giá trị cụ thể của W mà tại đó tác động của X lên Y khác biệt đáng kể so với 0 (p < .05).

3. Hệ Thống Hóa 5 Mô Hình Trung Gian Điều Tiết (Conceptualizing Models)

Đây là phần trọng tâm nhất của bài báo. Các tác giả đã chi tiết hóa 5 cách thức mà một tác động trung gian có thể bị điều tiết, tương ứng với các vị trí khác nhau trong chuỗi nhân quả.

Bảng Tổng Hợp Chi Tiết 5 Mô Hình

Mô hình 1: Biến độc lập (X) điều tiết đường dẫn b

• Mô tả: Biến độc lập X đóng vai trò kép: vừa là nguyên nhân, vừa là biến điều tiết tác động của M lên Y.
• Phương trình: Y = b₀ + c’X + (b₁ + b₂X)M + r
• Công thức Tác động Gián tiếp Có điều kiện:
  f(θ|X) = a₁(b₁ + b₂X)
• Ý nghĩa: Tác động của trung gian lên kết quả phụ thuộc vào mức độ của biến độc lập ban đầu.

Mô hình 2: Biến thứ ba (W) điều tiết đường dẫn a

• Mô tả: Biến điều tiết W chỉ tác động vào giai đoạn đầu của chuỗi trung gian (X → M). Đây còn gọi là “First-stage Moderation”.
• Phương trình: M = a₀ + a₁X + a₂W + a₃XW + r
• Công thức Tác động Gián tiếp Có điều kiện:
  f(θ|W) = (a₁ + a₃W)b₁
• Ý nghĩa: Mức độ X ảnh hưởng đến M thay đổi theo W, từ đó làm thay đổi tổng tác động gián tiếp truyền tới Y.

Mô hình 3: Biến thứ ba (W) điều tiết đường dẫn b

• Mô tả: Biến điều tiết W chỉ tác động vào giai đoạn sau của chuỗi trung gian (M → Y). Đây còn gọi là “Second-stage Moderation”.
• Phương trình: Y = b₀ + c’X + b₁M + b₂W + b₃MW + r
• Công thức Tác động Gián tiếp Có điều kiện:
  f(θ|W) = a₁(b₁ + b₃W)
• Ý nghĩa: Dù X tác động lên M là hằng số, nhưng việc M chuyển hóa thành Y mạnh hay yếu lại phụ thuộc vào W.

Mô hình 4: Điều tiết kép (W điều tiết a, Z điều tiết b)

• Mô tả: Mô hình phức tạp với hai biến điều tiết riêng biệt. W điều tiết đường dẫn X → M, trong khi một biến khác là Z điều tiết đường dẫn M → Y.
• Công thức Tác động Gián tiếp Có điều kiện:
  f(θ|W,Z) = (a₁ + a₃W)(b₁ + b₃Z)
• Ý nghĩa: Tác động gián tiếp phụ thuộc vào tổ hợp giá trị của cả hai biến W và Z.

Mô hình 5: Điều tiết toàn phần (W điều tiết cả a và b)

• Mô tả: Một biến W duy nhất điều tiết cả hai giai đoạn của chuỗi trung gian. Đây tương ứng với mô hình mà Baron & Kenny (1986) đã thảo luận.
• Công thức Tác động Gián tiếp Có điều kiện:
  f(θ|W) = (a₁ + a₃W)(b₁ + b₂W)
• Ý nghĩa: Tác động gián tiếp là một hàm bậc hai (phi tuyến tính) của biến điều tiết W.

4. Phương Pháp Kiểm Định & Ước Lượng (Estimation & Testing Methods)

Bài báo đề xuất và so sánh hai phương pháp chính để kiểm định các giả thuyết trên, đồng thời chỉ ra ưu nhược điểm của từng loại.

4.1 Phương pháp 1: Sai số chuẩn lý thuyết chuẩn (Normal-Theory SE)

Phương pháp này mở rộng cách tiếp cận tích các hệ số (Product of coefficients).

• Kỹ thuật: Sử dụng phương pháp Delta đa biến (Multivariate Delta Method) bậc nhất hoặc bậc hai để giải tích và ước lượng SE xấp xỉ.
• Công thức SE (Ví dụ cho Mô hình 1 – Bậc nhất):
  SE = √[(b₁ + b₂X)²s(a₁)² + a₁²[s(b₁)² + 2s(b₁,b₂)X + s(b₂)²X²]]
• Kiểm định Z: Giá trị thống kê z được tính bằng cách chia giá trị ước lượng của tác động gián tiếp có điều kiện cho SE của nó. Kết quả được so sánh với phân phối chuẩn tắc.
• Ứng dụng quan trọng nhất: Phương pháp này cho phép giải phương trình bậc hai để tìm nghiệm X_low và X_high. Đây chính là các ngưỡng giá trị của kỹ thuật Johnson-Neyman.

4.2 Phương pháp 2: Bootstrapping (Khuyên dùng)

Quy trình thực hiện:

1. Tạo ra một mẫu mới bằng cách lấy mẫu lại (Resampling) N đơn vị từ dữ liệu gốc theo phương pháp có hoàn lại.
2. Ước lượng lại toàn bộ các tham số mô hình và tính toán tác động gián tiếp có điều kiện: f(θ|W)*.
3. Lặp lại quy trình này k lần (khuyến nghị k ≥ 5000).
4. Sắp xếp k giá trị kết quả từ nhỏ đến lớn để tạo phân phối thực nghiệm.
5. Xác định khoảng tin cậy (CI) dựa trên phân vị (Percentile) hoặc phương pháp Hiệu chỉnh độ lệch (Bias-Corrected – BC) và Tăng tốc (BCa).

Ưu điểm: Không cần giả định phân phối chuẩn, độ chính xác cao hơn, đặc biệt tin cậy với các mẫu có kích thước nhỏ hoặc vừa.

4.3 Kết quả Mô phỏng (Simulation Results)

Các tác giả đã thực hiện mô phỏng Monte Carlo để so sánh hiệu quả giữa các phương pháp. Kết quả cho thấy:

• Về độ chính xác: Bootstrapping (đặc biệt là BCa) có độ mạnh (Power) cao nhất và tỷ lệ sai lầm Loại I (Type I error) sát với mức ý nghĩa danh định nhất.
• Về độ nhạy của mô hình: Khả năng phát hiện tác động có ý nghĩa thống kê ở Mô hình 4 và 5 cao hơn rõ rệt so với Mô hình 1, 2 và 3, do sự cộng hưởng của các hiệu ứng điều tiết.
• Kết luận: Luôn ưu tiên Bootstrapping nếu điều kiện phần mềm và phần cứng cho phép.

5. Công Cụ & Kỹ Thuật Phân Tích Thực Hành

5.1 Macro SPSS (MODMED)

Để hỗ trợ nhà nghiên cứu không thạo lập trình phức tạp, nhóm tác giả cung cấp Macro MODMED (tiền thân của PROCESS macro).

• Chức năng: Tự động hóa việc ước lượng 1 trong 5 mô hình, tính toán SE bậc hai, chạy Bootstrapping và xuất kết quả vùng ý nghĩa Johnson-Neyman.
• Ví dụ cú pháp (Mô hình 3): modmed dv = happy / med = shyness / dvmodel = shyness activity / mmodel = disposition. (Giải thích: dv = biến phụ thuộc, med = biến trung gian, dvmodel = danh sách biến dự báo Y bao gồm cả biến điều tiết, mmodel = biến dự báo M).

5.2 Phương pháp Trung tâm hóa Biến điều tiết (Moderator Centering Approach)

Đây là một phương pháp thay thế đơn giản hơn về mặt tính toán (dựa trên Muller et al., 2005):

1. Bước 1: Trung tâm hóa biến điều tiết (W) tại các giá trị quan tâm cụ thể (ví dụ: tạo biến W_high = W – (Mean + 1SD)).
2. Bước 2: Chạy lại mô hình hồi quy với biến đã trung tâm hóa.
3. Bước 3: Hệ số của đường dẫn chính lúc này sẽ đại diện cho tác động đơn giản tại giá trị đó.

Hạn chế: Phải tính toán lại nhiều lần thủ công và không tự động cung cấp vùng ý nghĩa liên tục (continuous regions) như phương pháp J-N.

6. Phụ Lục Kỹ Thuật: Cơ Sở Toán Học (Technical Appendix)

Để đảm bảo tính chính xác khoa học cho các nhà nghiên cứu định lượng, bài báo cung cấp nền tảng toán học chi tiết cho các dẫn xuất:

• Ước lượng điểm (Point Estimates): Sử dụng đại số ma trận để tính toán tác động gián tiếp tổng quát.
  • Ví dụ Mô hình 1: f(θ|X) = a₁(b₁ + b₂X).
• Ma trận Hiệp phương sai (Covariance Matrix): Ma trận Σ̂(θ̂) chứa các phương sai (s²) và hiệp phương sai của các hệ số hồi quy, là đầu vào quan trọng cho việc tính toán sai số chuẩn.
• Xấp xỉ Phương sai (Variance Approximation): Sử dụng phương pháp Delta bậc hai (Second-order Delta Method) với công thức tổng quát:
  Var[f(θ)] ≈ D’Σ̂D + ½tr{(HΣ̂)²}
  • Trong đó D là vectơ đạo hàm bậc nhất (Gradient).
  • H là ma trận đạo hàm bậc hai (Hessian matrix).

Việc bổ sung thành phần bậc hai (trace của ma trận Hessian) giúp tăng độ chính xác của ước lượng SE so với phương pháp bậc nhất thông thường.

7. Ví Dụ Ứng Dụng Thực Tiễn (Case Study: MSALT)

Để minh họa lý thuyết, các tác giả sử dụng dữ liệu thực tế từ Nghiên cứu Đời sống Chuyển tiếp của Thanh thiếu niên Michigan (MSALT).

Thiết kế nghiên cứu (Mô hình 3):

• X (Biến độc lập): Hứng thú nội tại với toán học (INTRINT – đo lường lớp 6).
• M (Biến trung gian): Nhận thức của giáo viên về tài năng học sinh (PERCTAL – đo lường lớp 7).
• Y (Biến phụ thuộc): Thành tích toán học (MATH8 – đo lường lớp 8).
• W (Biến điều tiết): Khái niệm bản thân về toán học (SCMATH – đo lường lớp 8) điều tiết mối quan hệ M → Y.

Kết quả phân tích chi tiết:

• Hệ số tương tác giữa SCMATH và PERCTAL có ý nghĩa thống kê (p < .05), xác nhận sự tồn tại của hiệu ứng điều tiết.
• Kiểm định tại các điểm (Pick-a-point): Tác động gián tiếp có ý nghĩa dương tại giá trị Trung bình và ± 1 Độ lệch chuẩn (SD) của SCMATH.
• Phân tích Johnson-Neyman: Thay vì chỉ kết luận chung chung, phân tích chỉ ra rằng tác động gián tiếp có ý nghĩa thống kê tại bất kỳ giá trị SCMATH nào lớn hơn 1.99 (trên thang đo 7 điểm).

Kết luận thực tiễn: Hứng thú của học sinh chỉ có thể chuyển hóa thành điểm số cao (thông qua sự ghi nhận của giáo viên) khi và chỉ khi học sinh đó có mức độ tự tin vào khả năng toán học của mình đạt trên ngưỡng tối thiểu là 1.99.

8. Các Câu Hỏi Thường Gặp (FAQ)

Tại sao tôi nên dùng Bootstrapping thay vì kiểm định Sobel cho Moderated Mediation? 

Kiểm định Sobel dựa trên giả định phân phối chuẩn tắc (Normal distribution). Tuy nhiên, về mặt toán học, tích của hai hệ số phân phối chuẩn (a × b) thường tạo ra một phân phối bị lệch (skewed distribution). Bootstrapping xây dựng khoảng tin cậy dựa trên dữ liệu thực tế thông qua việc lấy mẫu lại hàng nghìn lần, do đó nó cho kết quả chính xác hơn (độ mạnh cao hơn, sai lầm Loại I thấp hơn), đặc biệt quan trọng khi cỡ mẫu nghiên cứu nhỏ.

Kỹ thuật Johnson-Neyman (J-N) khác biệt gì so với cách tiếp cận Simple Slopes truyền thống? 

Simple Slopes (Pick-a-point) chỉ kiểm định tại các điểm cắt tùy ý do nhà nghiên cứu chọn (ví dụ: Thấp, Trung bình, Cao). Cách này có thể bỏ sót thông tin quan trọng nằm giữa các điểm đó. Ngược lại, J-N cung cấp một cái nhìn toàn cảnh bằng cách xác định chính xác vùng giá trị liên tục (ví dụ: từ 1.99 đến 7.0) mà tại đó tác động có ý nghĩa thống kê, giúp nhà nghiên cứu đưa ra kết luận chính xác và toàn diện hơn.

Tôi có thể sử dụng các mô hình này cho biến điều tiết là biến định tính (như Giới tính) không? 

Có hoàn toàn được. Tuy nhiên, kỹ thuật Johnson-Neyman thường được thiết kế tối ưu cho biến điều tiết liên tục (continuous moderators). Với biến định tính (ví dụ: Nam/Nữ), bạn sẽ thực hiện so sánh tác động gián tiếp giữa các nhóm (Multiple Group Analysis) hoặc sử dụng biến giả (dummy variable) trong mô hình hồi quy để kiểm định sự khác biệt về độ lớn hiệu ứng.

9. Tài Liệu Tham Khảo (References)

Dưới đây là danh sách các tài liệu tham khảo gốc được trích dẫn trong bài viết (Giữ nguyên chuẩn APA để đảm bảo tính hàn lâm):

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

Arbuckle, J. L. (1996). Full information estimation in the presence of incomplete data. In G. A. Marcoulides & R. E. Schumacker (Eds.), Advanced structural equation modeling: Issues and techniques. Mahwah, NJ: Lawrence Erlbaum Associates, Inc.

Aroian, L. A. (1947). The probability function of the product of two normally distributed variables. Annals of Mathematical Statistics, 18, 265–271.

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

Bauer, D. J., & Curran, P. J. (2005). Probing interactions in fixed and multilevel regression: Inferential and graphical techniques. Multivariate Behavioral Research, 40, 373–400.

Bauer, D. J., Preacher, K. J., & Gil, K. M. (2006). Conceptualizing and testing random indirect effects and moderated mediation in multilevel models: New procedures and recommendations. Psychological Methods, 11, 142–163.

Bollen, K. A. (1987). Total, direct, and indirect effects in structural equation models. In C. C. Clogg (Ed.), Sociological methodology 1987 (pp. 37–69). Washington, DC: American Sociological Association.

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

Bollen, K. A., & Stine, R. (1990). Direct and indirect effects: Classical and bootstrap estimates of variability. Sociological Methodology, 20, 115–140.

Calvete, E., & Cardenoso, O. (2005). Gender differences in cognitive vulnerability to depression and behavior problems in adolescents. Journal of Abnormal Child Psychology, 33, 179–192.

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

Cole, D. A., & Maxwell, S. E. (2003). Testing mediational models with longitudinal data: Questions and tips in the use of structural equation modeling. Journal of Abnormal Psychology, 112, 558–577.

Craig, C. C. (1936). On the frequency function of xy. Annals of Mathematical Statistics, 7, 1–15.

Darlington, R. B. (1990). Regression and linear models. New York: McGraw-Hill.

Donaldson, S. I. (2001). Mediator and moderator analysis in program development. In S. Sussman (Ed.), Handbook of program development for health behavior research and practice (pp. 470–496). Thousand Oaks, CA: Sage.

Eccles, J. S. (1988). Achievement beliefs and the environment (Rep. No. NICHD-PS-019736). Bethesda, MD: National Institute of Child Health and Development.

Efron, B. (1987). Better bootstrap confidence intervals. Journal of the American Statistical Association, 82, 171–185.

Efron, B., & Tibshirani, R. J. (1998). An introduction to the bootstrap. Boca Raton, FL: Chapman & Hall.

Fredrickson, B. L., Tugade, M. M., Waugh, C. E., & Larkin, G. R. (2003). What good are positive emotions in crises? A prospective study of resilience and emotions following the terrorist attacks on the United States on September 11th, 2001. Journal of Personality and Social Psychology, 84, 365–376.

Frone, M. R. (1999). Work stress and alcohol use. Alcohol Research & Health, 23, 284–291.

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

Graybill, F. A. (1983). Matrices with applications in statistics (2nd ed.). Belmont, CA: Duxbury.

Hodges, E. V. E., & Perry, D. G. (1999). Personal and interpersonal antecedents and consequences of victimization by peers. Journal of Personality and Social Psychology, 76, 677–685.

Holmbeck, G. N. (1997). Toward terminological, conceptual, and statistical clarity in the study of mediators and moderators: Examples from the child-clinical and pediatric psychology literatures. Journal of Consulting and Clinical Psychology, 65, 599–610.

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

Johnson, P. O., & Neyman, J. (1936). Tests of certain linear hypotheses and their applications to some educational problems. Statistical Research Memoirs, 1, 57–93.

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

Judd, C. M., Kenny, D. A., & McClelland, G. H. (2001). Estimating and testing mediation and moderation in within-subject designs. Psychological Methods, 6, 115–134.

Judd, C. M., & McClelland, G. H. (1989). Data analysis: A model comparison approach. San Diego: Harcourt, Brace, Jovanovich.

Lambert, A. J., Payne, B. K., Jacoby, L. L., Shaffer, L. M., Chasteen, A. L., & Khan, S. R. (2003). Stereotypes as dominant responses: On the “social facilitation” of prejudice in anticipated public contexts. Journal of Personality and Social Psychology, 84, 277–295.

Lockwood, C. M., & MacKinnon, D. P. (1998). Bootstrapping the standard error of the mediated effect. Proceedings of the 23rd annual meeting of SAS Users Group International (pp. 997–1002). Cary, NC: SAS Institute, Inc.

Lunneborg, C. A. (2000). Data analysis by resampling: Concepts and applications. Pacific Grove, CA: Duxbury.

MacKinnon, D. P. (1992). Statistical simulations using the CALIS procedure. Proceedings of the 17th Annual SAS Users Group International Conference 1992 (pp. 1199–1203). Cary, NC: SAS Institute, Inc.

MacKinnon, D. P. (2000). Contrasts in multiple mediator models. In J. S. Rose, L. Chassin, C. C. Presson, & S. J. Sherman (Eds.), Multivariate applications in substance use research (pp. 141–160). Mahwah, NJ: Lawrence Erlbaum Associates, Inc.

MacKinnon, D. P. (2001). Commentary on Donaldson, Mediator and moderator analysis in program development. In S. Sussman (Ed.), Handbook of program development for health behavior research and practice (pp. 497–500). Thousand Oaks, CA: Sage.

MacKinnon, D. P., Lockwood, C. M., & Hoffman, J. M. (1998). A new method to test for mediation. Paper presented at the annual meeting of the Society for Prevention Research, Park City, UT.

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.

MacKinnon, D. P., Warsi, G., & Dwyer, J. H. (1995). A simulation study of mediated effect measures. Multivariate Behavioral Research, 30, 41–62.

Madon, S., Guyll, M., Spoth, R. L., Cross, S. E., & Hilbert, S. J. (2003). The self-fulfilling influence of mother expectations on children’s underage drinking. Journal of Personality and Social Psychology, 84, 1188–1205.

Madon, S., Jussim, L., & Eccles, J. (1997). In search of the powerful self-fulfilling prophecy. Journal of Personality and Social Psychology, 72, 791–809.

Mandel, N., & Johnson, E. J. (2002). When web pages influence choice: Effects of visual primes on experts and novices. Journal of Consumer Research, 29, 235–245.

Mood, A., Graybill, F. A., & Boes, D. C. (1974). Introduction to the theory of statistics. New York: McGraw-Hill.

Morgan-Lopez, A. A. (2003). A simulation study of the mediated baseline by treatment interaction effect in preventive intervention trials. Unpublished doctoral dissertation, Arizona State University.

Morgan-Lopez, A. A., & MacKinnon, D. P. (2006). Demonstration and evaluation of a method for assessing mediated moderation. Behavior Research Methods, 38, 77–87.

Morgan-Lopez, A. A., Castro, F. G., Chassin, L., & MacKinnon, D. P. (2003). A mediated moderation model of cigarette use among Mexican American youth. Addictive Behaviors, 28, 583–589.

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.

Murray, S. L., Bellavia, G. M., Rose, P., & Griffin, D. W. (2003). Once hurt, twice hurtful: How perceived regard regulates daily marital interactions. Journal of Personality and Social Psychology, 84, 126–147.

Pothoff, R. F. (1964). On the Johnson-Neyman technique and some extensions thereof. Psychometrika, 29, 241–256.

Preacher, K. J., Curran, P. J., & Bauer, D. J. (2003). Probing interactions in multiple linear regression, latent curve analysis, and hierarchical linear modeling: Interactive calculation tools for establishing simple intercepts, simple slopes, and regions of significance [Computer software]. Available from http://www.quantpsy.org/

Preacher, K. J., Curran, P. J., & Bauer, D. J. (2006). Computational tools for probing interaction effects in multiple linear regression, multilevel modeling, and latent curve analysis. Journal of Educational and Behavioral Statistics, 31, 437–448.

Preacher, K. J., & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, & Computers, 36, 717–731.

Preacher, K. J., & Hayes, A. F. (2006). Asymptotic and resampling strategies for assessing and comparing indirect effects in simple and multiple mediator models. Manuscript submitted for publication.

Rogosa, D. (1980). Comparing nonparallel regression lines. Psychological Bulletin, 88, 307–321.

Rogosa, D. (1981). On the relationship between the Johnson-Neyman region of significance and statistical tests of parallel within group regressions. Educational and Psychological Measurement, 41, 73–84.

Rose, B. M., Holmbeck, G. N., Coakley, R. M., & Franks, E. A. (2004). Mediator and moderator effects in developmental and behavioral pediatric research. Developmental and Behavioral Pediatrics, 25, 58–67.

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

Slater, M. D., Hayes, A. F., & Ford, V. (in press). Examining the moderating and mediating effects of media and individual differences on adolescents’ perceptions of alcohol-related risks. Communication Research.

Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equations models. In S. Leinhart (Ed.), Sociological methodology 1982 (pp. 290–312). San Francisco: Jossey-Bass.

Sobel, M. E. (1986). Some new results on indirect effects and their standard errors in covariance structure models. In N. Tuma (Ed.), Sociological methodology 1986 (pp. 159–186). Washington, DC: American Sociological Association.

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

Stolzenberg, R. M. (1980). The measurement and decomposition of causal effects in nonlinear and nonadditive models. Sociological Methodology, 11, 459–488.

Stone, C. A., & Sobel, M. E. (1990). The robustness of estimates of total indirect effects in covariance structure models estimated by maximum likelihood. Psychometrika, 55, 337–352.

Tate, R. L. (1998). Effect decomposition in interaction and nonlinear models. In R. E. Schumacker & G. A. Marcoulides (Eds.), Interaction and nonlinear effects in structural equation modeling. Mahwah, NJ: Lawrence Erlbaum Associates, Inc.

Tein, J.-Y., Sandler, I. N., MacKinnon, D. P., & Wolchik, S. A. (2004). How did it work? Who did it work for? Mediation in the context of a moderated prevention effect for children of divorce. Journal of Consulting and Clinical Psychology, 72, 617–624.

Tein, J.-Y., Sandler, I. N., & Zautra, A. J. (2000). Stressful life events, psychological distress, coping, and parenting of divorced mothers: A longitudinal study. Journal of Family Psychology, 14, 27–41.

Wegener, D. T., & Fabrigar, L. R. (2000). Analysis and design for nonexperimental data: Addressing causal and noncausal hypotheses. In H. T. Reis & C. M. Judd (Eds.), Handbook of research methods in social and personality psychology (pp. 412–450). New York: Cambridge University Press.

Wilkinson, L., & the APA Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54, 594–604.

10. Lời Kết & Tải Tài Liệu (Conclusion & CTA)

Nghiên cứu của Preacher et al. (2007) được xem là “kim chỉ nam” cho việc phân tích các mô hình phức tạp trong khoa học xã hội hiện đại. Việc chuyển dịch từ kiểm định đơn điểm sang xác định vùng ý nghĩa (J-N) và sử dụng Bootstrapping là bước tiến bắt buộc để nâng cao chất lượng công bố quốc tế và độ tin cậy của kết quả nghiên cứu.

Để tiếp cận đầy đủ các công thức toán học chi tiết trong Phụ lục và mã nguồn Macro SPSS gốc, bạn có thể tải tài liệu tại đây: 

Preacher, K. J., Rucker, D. D., & Hayes, A. F. (2007). Addressing moderated mediation hypotheses: Theory, methods, and prescriptions. Multivariate Behavioral Research, 42(1), 185–227.