Trung Gian Bị Điều Tiết Từng Phần, Có Điều Kiện: Định Lượng, Suy Diễn Và Diễn Giải – Andrew F. Hayes (2018)

Moderated Moderated Mediation (Trung gian điều tiết bị điều tiết) và các biến thể của nó như Partial Moderated Mediation (Trung gian bị điều tiết từng phần) là những mô hình thống kê phức tạp bậc cao trong phân tích đường dẫn (Path Analysis). Chúng được thiết lập nhằm giải quyết câu hỏi nghiên cứu đa chiều: “Liệu cơ chế trung gian (X → M → Y) có thay đổi tùy thuộc vào các điều kiện biên (W, Z), và liệu các điều kiện biên này có tương tác với nhau để cùng chi phối tác động đó hay không?”.

Trong công trình kinh điển năm 2018, Andrew F. Hayes đã chuẩn hóa các khái niệm này, thay thế cách tiếp cận kiểm định rời rạc (piecemeal approach) dễ gây sai số bằng phương pháp kiểm định thống nhất thông qua Chỉ số (Index), giúp các nhà nghiên cứu định lượng chính xác độ lớn và ý nghĩa của các tác động phức tạp này.

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

1.1 Thông tin định danh bài báo

• Tiêu đề gốc: Partial, conditional, and moderated moderated mediation: Quantification, inference, and interpretation.
• Tiêu đề tiếng Việt: Trung gian bị điều tiết từng phần, có điều kiện và trung gian điều tiết bị điều tiết: Định lượng, suy diễn và diễn giải.
• Tác giả: Andrew F. Hayes (Đại học Bang Ohio).
• Tạp chí: Communication Monographs (2018).

1.2 Bối cảnh thực tiễn & Khoảng trống nghiên cứu

Trong nghiên cứu khoa học xã hội và hành vi hiện đại, mục tiêu tối thượng không chỉ dừng lại ở việc xác định “Cái gì” tác động đến “Cái gì” (Mối quan hệ nhân quả đơn thuần), mà là phải hiểu tường tận “Cách thức” (thông qua cơ chế trung gian) và “Hoàn cảnh” (thông qua các biến điều tiết) mà tác động đó xảy ra.

Hayes (2018) nhận định rằng các nghiên cứu trước đây thường mắc kẹt trong các mô hình quá đơn giản (chỉ có 1 biến điều tiết). Khi thực tế đòi hỏi mô hình phức tạp hơn, các nhà nghiên cứu thường lúng túng trong việc xử lý.

Khoảng trống nghiên cứu (Research Gap): Thiếu các khung phân tích định lượng thống nhất cho các hệ thống nhân quả nơi có nhiều hơn một biến điều tiết tham gia vào quá trình. Sự thiếu hụt này dẫn đến việc sử dụng sai thuật ngữ, nhầm lẫn giữa “trung gian bị điều tiết từng phần” (các biến điều tiết độc lập) và “trung gian điều tiết bị điều tiết” (các biến điều tiết tương tác lẫn nhau), từ đó dẫn đến những kết luận sai lệch về bản chất dữ liệu.

1.3 Các khái niệm nền tảng (Grand Theories)

• Phân tích quá trình có điều kiện (Conditional Process Analysis): Đây là chiến lược phân tích kết hợp, không tách rời việc kiểm định trung gian và điều tiết. Mục tiêu là định lượng các điều kiện biên mà tại đó cơ chế trung gian hoạt động mạnh nhất, yếu nhất hoặc không tồn tại.
• Lý thuyết tích hợp (Integration): Phương pháp luận của Hayes dựa trên sự kết hợp toán học giữa mô hình trung gian (Mediation) và mô hình điều tiết (Moderation) trong cùng một hệ phương trình tuyến tính tổng quát (GLM), cho phép tính toán sai số chuẩn và khoảng tin cậy (Confidence Intervals) chính xác hơn so với các phương pháp truyền thống (như Sobel test).

2. Khái Niệm Hóa và Phân Loại Chi Tiết (Conceptualization & Classification)

Phần này mở rộng định nghĩa để phân biệt rõ ràng 3 cấp độ cấu trúc của mô hình, giúp người đọc không bị nhầm lẫn khi thiết lập giả thuyết.

2.1 Trung gian bị điều tiết từng phần (Partial Moderated Mediation)

Đây là mô hình xảy ra khi hệ thống có nhiều biến điều tiết (ví dụ: W và Z), nhưng chúng hoạt động độc lập và song song theo dạng cộng (additive form).

• Bản chất: Tác động gián tiếp của X lên Y phụ thuộc vào biến W khi biến Z được giữ không đổi, và phụ thuộc vào biến Z khi biến W được giữ không đổi. Không có sự pha trộn hay tương tác giữa W và Z.
• Ví dụ minh họa: Tác động của Tin tức về khủng bố (X) lên Định kiến (M) bị điều tiết bởi Tuổi tác (W) VÀ Giới tính (Z). Tuy nhiên, cách người già phản ứng với tin tức không phụ thuộc vào việc họ là nam hay nữ (Tuổi và Giới tính tác động riêng biệt).

2.2 Trung gian bị điều tiết có điều kiện (Conditional Moderated Mediation)

Khái niệm này đề cập đến việc đánh giá (probing) mô hình tại một điểm cụ thể.

• Bản chất: Đây là trạng thái khi ta xét sự điều tiết của một biến (ví dụ: W) lên tác động gián tiếp tại một giá trị cụ thể được cố định của biến thứ hai (ví dụ: Z).
• Ý nghĩa: Nó giúp trả lời câu hỏi cụ thể: “Sự điều tiết của Tuổi (W) lên cơ chế trung gian diễn ra mạnh hay yếu khi chúng ta chỉ xét riêng nhóm Nữ giới (Z=0)?”. Đây là bước đệm quan trọng để phân tích sâu hơn.

2.3 Trung gian điều tiết bị điều tiết (Moderated Moderated Mediation)

Đây là mô hình phức tạp nhất và là trọng tâm của bài báo, liên quan đến tương tác ba chiều (3-way interaction).

• Bản chất: Sự điều tiết của tác động gián tiếp bởi biến W phụ thuộc vào giá trị của biến Z. Biến Z đóng vai trò là “biến điều tiết của biến điều tiết” (secondary moderator).
• Ví dụ minh họa: Quy luật “Càng lớn tuổi càng dễ bị kích động bởi tin tức” (X → M bị điều tiết bởi W) hoạt động rất mạnh ở nhóm Nữ giới (Z=0), nhưng quy luật này lại hoàn toàn biến mất hoặc đảo chiều ở nhóm Nam giới (Z=1). Lúc này, Giới tính đã can thiệp vào cách Tuổi tác điều tiết mối quan hệ.

3. Các Mô Hình Toán Học và Phương Trình Ước Lượng (Mathematical Models & Estimation Equations)

Để đảm bảo tính khoa học và khả năng tái lập nghiên cứu, dưới đây là hệ thống phương trình định lượng chính xác được trích xuất từ tài liệu gốc.

3.1 Mô hình Trung gian bị điều tiết từng phần (Giai đoạn đầu)

Mô hình này tương ứng với Model 9 trong PROCESS macro. Khi đường dẫn X → M bị điều tiết bởi cả W và Z theo dạng cộng:

Phương trình hồi quy:

$$\hat{M} = i_M + a_1X + a_2W + a_3Z + a_4XW + a_5XZ$$

$$\hat{Y} = i_Y + c’X + bM$$

Phân tích tác động:

• Tác động gián tiếp có điều kiện (Conditional Indirect Effect):
  $$(a_1 + a_4W + a_5Z)b = a_1b + a_4bW + a_5bZ$$
• Chỉ số định lượng (Indices of Partial Moderated Mediation):
  • $a_4b$: Chỉ số trung gian bị điều tiết từng phần bởi W. (Đo lường sự thay đổi của tác động gián tiếp khi W thay đổi, giữ Z không đổi).
  • $a_5b$: Chỉ số trung gian bị điều tiết từng phần bởi Z. (Đo lường sự thay đổi của tác động gián tiếp khi Z thay đổi, giữ W không đổi).

3.2 Mô hình Trung gian điều tiết bị điều tiết (Tương tác 3 chiều)

Mô hình này tương ứng với Model 11 trong PROCESS macro. Khi đường dẫn X → M bị điều tiết bởi sự tương tác giữa W và Z:

Phương trình hồi quy:

$$\hat{M} = i_M + a_1X + a_2W + a_3Z + a_4XW + a_5XZ + a_6WZ + a_7XWZ$$

$$\hat{Y} = i_Y + c’X + bM$$

Phân tích tác động:

• Tác động gián tiếp (Indirect Effect):
  $$(a_1 + a_4W + a_5Z + a_7WZ)b$$
  Có thể viết lại để thấy rõ vai trò của W thay đổi theo Z:
  $$[a_1 + a_3Z + (a_4 + a_7Z)W]b$$
• Chỉ số định lượng (Index of Moderated Moderated Mediation):
  • $a_7b$: Đây là chỉ số quan trọng nhất. Nó định lượng tốc độ thay đổi của sự điều tiết (mà W tác động lên ab) khi Z thay đổi.
  • Quy tắc quyết định: Nếu khoảng tin cậy (Bootstrap CI) của $a_7b$ khác 0, ta có bằng chứng thống kê khẳng định sự tồn tại của mô hình Trung gian điều tiết bị điều tiết.

---

4. Dữ Liệu Minh Họa và Biến Quan Sát (Working Example & Variables)

Hayes sử dụng bộ dữ liệu thực tế từ nghiên cứu “Climate of Fear” (Nisbet et al., 2011) để minh họa cách tính toán. Việc hiểu rõ các biến giúp việc diễn giải kết quả trở nên thực tế hơn.

• Biến độc lập (X): binladen (Tiếp xúc với tin tức). Được mã hóa nhị phân:
  • 0 = Đọc bài phỏng vấn bối cảnh trước khi Bin Laden chết.
  • 1 = Đọc bài phỏng vấn bối cảnh sau khi Bin Laden chết.
• Biến trung gian (M): stereo (Định kiến tiêu cực về người Hồi giáo). Thang đo liên tục, điểm càng cao thể hiện định kiến càng lớn.
• Biến phụ thuộc (Y): mcivil (Sự ủng hộ hạn chế quyền tự do dân sự của người Mỹ gốc Hồi giáo). Điểm càng cao nghĩa là càng ủng hộ việc kiểm soát gắt gao.
• Biến điều tiết 1 (W): age (Tuổi tác). Biến liên tục (đơn vị: năm).
• Biến điều tiết 2 (Z): sex (Giới tính). Biến phân loại:
  • 0 = Nữ giới.
  • 1 = Nam giới.
• Biến kiểm soát: ideo (Quan điểm chính trị). Đo lường mức độ bảo thủ hay tự do để loại bỏ nhiễu.

---

5. Phân Tích Kết Quả Định Lượng (Quantitative Analysis Results)

Phần này đi sâu vào giải thích các con số từ Phụ lục (Appendices) của bài báo, giúp bạn hiểu cách đọc Output từ phần mềm.

5.1 Kết quả Mô hình Trung gian bị điều tiết từng phần (Model 9)

Khi chạy Model 9 (giả định Tuổi và Giới tính tác động độc lập), kết quả cho thấy:

• Kiểm định tương tác:
  • Tương tác $X \times W$ (Tin tức × Tuổi) có ý nghĩa thống kê (p = .0215).
  • Tương tác $X \times Z$ (Tin tức × Giới tính) không có ý nghĩa thống kê (p = .2597).
• Chỉ số Trung gian bị điều tiết từng phần (Indices of Partial Moderated Mediation):
  • Index bởi Tuổi ($a_4b$): Giá trị là -0.0447 với Khoảng tin cậy 95% (Bootstrap CI) từ -0.0861 đến -0.0056. Vì khoảng này không chứa số 0, ta kết luận: Tuổi tác thực sự điều tiết tác động gián tiếp (khi giữ giới tính không đổi).
  • Index bởi Giới tính ($a_5b$): Giá trị là -0.0720 với CI từ -0.2005 đến 0.0496. Vì khoảng này chứa số 0, ta kết luận: Giới tính không điều tiết tác động gián tiếp (khi giữ tuổi không đổi).
• Kết luận mô hình 9: Có sự trung gian bị điều tiết từng phần bởi Tuổi, nhưng không có bằng chứng cho Giới tính.

5.2 Kết quả Mô hình Trung gian điều tiết bị điều tiết (Model 11)

Khi chuyển sang Model 11 (cho phép Tuổi và Giới tính tương tác với nhau), bức tranh thay đổi hoàn toàn:

• Tương tác 3 chiều ($X \times W \times Z$): Hệ số hồi quy $a_7$ có ý nghĩa thống kê (p = .0190). Điều này gợi ý rằng mô hình 9 trước đó có thể đã bị thiếu sót (misspecified) vì bỏ qua tương tác này.
• Chỉ số quan trọng nhất (Index of Moderated Moderated Mediation – $a_7b$):
  • Giá trị ước lượng: 0.0911.
  • Khoảng tin cậy Bootstrap 95%: [0.0136 đến 0.1742].
  • Kết luận: Vì khoảng tin cậy dương hoàn toàn và không chứa số 0, ta khẳng định chắc chắn có sự tồn tại của hiện tượng “Trung gian điều tiết bị điều tiết”. Biến Giới tính (Z) đã làm thay đổi cách mà Tuổi (W) điều tiết tác động.
• Phân tích sâu (Probing the interaction):
  Để hiểu rõ bản chất, ta xét chỉ số điều tiết của Tuổi tại từng nhóm Giới tính:
  • Tại nhóm Nữ (Z=0): Chỉ số điều tiết có điều kiện là -0.092 (CI: -0.156 đến -0.034). → Có ý nghĩa. Nghĩa là ở phụ nữ, tuổi càng cao thì tác động gián tiếp càng thay đổi mạnh theo chiều âm.
  • Tại nhóm Nam (Z=1): Chỉ số điều tiết có điều kiện là -0.001 (CI: -0.053 đến 0.052). → Không có ý nghĩa (chứa 0). Nghĩa là ở nam giới, tuổi tác không ảnh hưởng gì đến cơ chế trung gian này.

---

6. Hướng Dẫn Thực Hiện Trên PROCESS Macro (Implementation Guide)

Để sinh viên và nhà nghiên cứu có thể tái lập kết quả, dưới đây là mã lệnh (Syntax) chuẩn cho phần mềm SPSS/SAS sử dụng PROCESS Macro v3 trở lên.

6.1 Cài đặt tham số kỹ thuật

• Bootstrapping: Thiết lập ở mức 10,000 mẫu (thay vì 5,000 mặc định) để đảm bảo độ trơn và chính xác cao nhất cho các giới hạn của khoảng tin cậy (Lower/Upper Limit CI).
• Confidence Level: 95% (tiêu chuẩn khoa học xã hội).

6.2 Mã lệnh cho Mô hình Trung gian bị điều tiết từng phần

Sử dụng Model 9 trong PROCESS. Mô hình này phù hợp khi lý thuyết của bạn cho rằng hai biến điều tiết là độc lập.

Plaintext:

process y=mcivil/x=binladen/m=stereo/w=age/z=sex/cov=ideo/plot=1/moments=1/model=9/boot=10000

• plot=1: Yêu cầu xuất dữ liệu để vẽ biểu đồ tương tác.
• moments=1: Yêu cầu xuất các thống kê mô tả điều kiện (Mean, SD) dùng cho việc probing.

6.3 Mã lệnh cho Mô hình Trung gian điều tiết bị điều tiết

Sử dụng Model 11 trong PROCESS. Đây là mô hình kiểm định tương tác 3 chiều.

Plaintext: 

process y=mcivil/x=binladen/m=stereo/w=age/z=sex/cov=ideo/plot=1/moments=1/model=11/boot=10000

Lưu ý quan trọng: Bạn phải quan sát chỉ số Index of moderated moderated mediation trong phần Output cuối cùng. Nếu chỉ số này có CI không chứa 0, bạn mới được phép phân tích sâu sự khác biệt giữa các nhóm.

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

Lý thuyết này không chỉ có giá trị hàn lâm mà còn cung cấp bộ công cụ tư duy sắc bén cho nhà quản trị:

• Cá nhân hóa chiến lược (Micro-targeting & Segmentation):
  Không thể áp dụng một chiến lược Marketing (X) đại trà và mong đợi hiệu quả (Y) giống nhau. Doanh nghiệp cần hiểu rằng hiệu quả không chỉ phụ thuộc vào Khách hàng là ai (Tuổi – W), mà còn phụ thuộc vào bối cảnh văn hóa/giới tính của họ (Z). Ví dụ: Một quảng cáo cảm xúc có thể hiệu quả với phụ nữ lớn tuổi nhưng lại vô tác dụng với nam giới lớn tuổi.
• Tối ưu hóa và Tránh lãng phí nguồn lực:
  Kết quả nghiên cứu cho thấy ở nhóm Nam giới, biến Tuổi tác không ảnh hưởng đến cơ chế tác động (Index không ý nghĩa). Do đó, nếu doanh nghiệp cố gắng phân khúc khách hàng Nam theo độ tuổi để chạy các chiến dịch truyền thông phức tạp, đó sẽ là một sự lãng phí ngân sách vô ích. Nên tập trung ngân sách vào nhóm Nữ giới nơi biến Tuổi thực sự tạo ra sự khác biệt.
• Dự báo khủng hoảng và Quản trị rủi ro:
  Hiểu rõ tương tác 3 chiều giúp doanh nghiệp dự báo chính xác “điểm nóng”. Trong ví dụ bài báo, nhóm “Nữ giới – Lớn tuổi” là nhóm có phản ứng thay đổi mạnh nhất. Doanh nghiệp có thể thiết lập các kịch bản xử lý khủng hoảng riêng biệt cho nhóm đối tượng nhạy cảm này thay vì áp dụng quy trình xử lý chung chung.

8. Các Câu Hỏi Thường Gặp (FAQ)

Tại sao tôi chạy Model 9 ra kết quả khác Model 11?

Model 9 là mô hình “cộng” (additive), nó ép buộc giả định rằng W và Z hoạt động độc lập. Model 11 là mô hình “nhân” (multiplicative), cho phép W và Z tương tác. Nếu trong thực tế tương tác 3 chiều (a_7) thực sự tồn tại (a_7 khác 0), thì việc dùng Model 9 sẽ dẫn đến sai lệch mô hình (misspecification bias), làm kết quả bị méo mó. Hãy luôn ưu tiên kiểm tra lý thuyết và thử nghiệm Model 11 trước.

Chỉ số “Index of Moderated Moderated Mediation” dương nghĩa là gì?

Giá trị dương (ví dụ 0.0911) nghĩa là mối quan hệ điều tiết đang tăng dần theo đại số. Cụ thể trong bài này: Ở Nữ (Z=0), sự điều tiết là âm mạnh (-0.092). Ở Nam (Z=1), sự điều tiết tăng lên mức gần bằng 0 (-0.001). Sự dịch chuyển từ “Âm mạnh” lên “Gần bằng 0” là một sự gia tăng dương. Điều này cho thấy sự hiện diện của Nam giới đã “vô hiệu hóa” tác động điều tiết tiêu cực của tuổi tác.

Khi nào nên dùng Partial Moderated Mediation thay vì Moderated Moderated Mediation?

Bạn chỉ nên dùng Partial Moderated Mediation (Model 9) khi có lý do lý thuyết cực kỳ vững chắc rằng hai biến điều tiết là hai thực thể tách biệt, không bao giờ gặp nhau. Ví dụ: Thời tiết (W) và Giá cả (Z) cùng ảnh hưởng đến quyết định mua hàng, nhưng cơ chế tác động của thời tiết (vật lý) có thể không liên quan đến cơ chế của giá cả (kinh tế).

9. Tài Liệu Tham Khảo (References)

1. Armstrong, B., Carmody, J. K., & Janicke, D. M. (2014). Predictors of maternal encouragement to diet: A moderated mediation analysis. Maternal and Child Health Journal, 18, 1480–1487.
2. Bauer, D. J., & Curran, P. J. (2005). Probing interactions in fixed and multilevel regression: Inferential and graphical techniques. Multivariate Behavioral Research, 40, 373–400.
3. Beullens, K., & Vandenbosch, L. (2016). A conditional process analysis on the relationship between the use of social networking sites, attitudes, peer norms, and adolescents’ intentions to consume alcohol. Media Psychology, 19, 310–333.
4. Bollen, K. A., & Stine, R. (1990). Direct and indirect effects: Classical and bootstrap estimates of variability. Sociological Methodology, 20, 115–140.
5. Cheung, G. W., & Lau, R. S. (2017). Accuracy of parameter estimates and confidence intervals in moderated mediation models: A comparison of regression and latent moderated structural equations. Organizational Research Methods.
6. Craig, C. C. (1936). On the frequency function of xy. The Annals of Mathematical Statistics, 7, 1–15.
7. Darlington, R. B., & Hayes, A. F. (2017). Regression analysis and linear models: Concepts, applications, and implementation. New York, NY: The Guilford Press.
8. Dixon, G. (2016). Applying the gateway belief model to genetically modified food perceptions: New insights and additional questions. Journal of Communication, 66, 888–908.
9. Edwards, J. R., & Lambert, L. S. (2007). Methods for integrating moderation and mediation: A general analytical framework using moderated path analysis. Psychological Methods, 12, 1–22.
10. Fairchild, A. J., & MacKinnon, D. P. (2009). A general model for testing mediation and moderation effects. Prevention Science, 10, 87–99.
11. Feldman, L. (2013). Learning about politics from The Daily Show: The role of viewer orientations and processing motivations. Mass Communication and Society, 16, 586–607.
12. Freis, S. D., Brown, A. A., Carroll, P. J., & Arkin, R. M. (2015). Shame, rage, and unsuccessful motivated reasoning in vulnerable narcissism. Journal of Social and Clinical Psychology, 34, 877–895.
13. Gabbiadini, A., Riva, P., Andrighetto, L., Volpato, C., & Bushman, B. J. (2016). Acting like a tough guy: Violent-sexist video games, identification with game characters, masculine beliefs, and empathy for female violence victims. Plos One, 11(4), 1–14.
14. Goodboy, A. K., Martin, M. M., & Brown, E. (2016). Bullying on the school bus: Deleterious effects on public school bus drivers. Journal of Applied Communication Research, 44, 434–452.
15. Guame, J., Longabaugh, R., Magill, M., Bertholet, N., Gmel, G., & Daeppen, J.-B. (2016). Under what conditions? Therapist and client characteristics moderate the role of change talk in brief motivational intervention. Journal of Consulting and Clinical Psychology, 84, 211–220.
16. Hart, P. S. (2013). The role of numeracy in moderating the influence of statistics in climate change messages. Public Understanding of Science, 22, 785–798.
17. Hayes, A. F. (2015). An index and test of linear moderated mediation. Multivariate Behavioral Research, 50, 1–22.
18. Hayes, A. F. (2018). Introduction to mediation, moderation, and conditional process analysis: A regression-based perspective (2nd ed.). New York, NY: The Guilford Press.
19. Hayes, A. F., & Matthes, J. (2009). Computational procedures for probing interactions in OLS and logistic regression: SPSS and SAS implementations. Behavior Research Methods, 41, 924–936.
20. Hayes, A. F., & Montoya, A. K. (2017). A tutorial on testing, visualizing, and probing an interaction involving a multicategorical variable in linear regression analysis. Communication Methods and Measures, 11, 1–30.
21. Hayes, A. F., Montoya, A. K., & Rockwood, N. J. (2017). The analysis of mechanisms and their contingencies: PROCESS versus structural equation modeling. Australasian Marketing Journal, 25, 76–81.
22. Hayes, A. F., & Preacher, K. J. (2013). Conditional process modeling: Using structural equation modeling to examine contingent causal processes. In G. R. Hancock & R. O. Mueller (Eds.), Structural equation modeling: A second course (2nd ed., pp. 217–264). Greenwich, CT: Information Age.
23. Hayes, A. F., & Preacher, K. J. (2014). Statistical mediation analysis with a multicategorical independent variable. British Journal of Mathematical and Statistical Psychology, 67, 451–470.
24. Hill, E. M., Billington, R., & Krägeloh, C. (2014). Noise sensitivity and diminished health: Testing moderators and mediators of the relationship. Noise and Health, 16, 47–56.
25. Igartua, J.-J., & Frutos, F. J. (2017). Enhancing attitudes toward stigmatized groups with movies: Mediating and moderating processes of narrative persuasion. International Journal of Communication, 11, 158–177.
26. James, L. R., & Brett, J. M. (1984). Mediators, moderators, and tests for mediation. Journal of Applied Psychology, 69, 307–321.
27. Johnson, B. K., Slater, M. D., Silver, N. A., & Ewoldsen, D. R. (2016). Entertainment and expanding boundaries of the self: Relief from the constraints of the everyday. Journal of Communication, 66, 386–408.
28. Judd, C. M., & Kenny, D. A. (1981). Process analysis: Estimating the effect of treatment evaluations. Evaluation Review, 5, 602–619.
29. Kingsbury, M., Coplan, R. J., & Rose-Krasnor, L. (2013). Shy but getting by?: An examination of the complex links among shyness, coping, and socioemotional functioning in childhood. Social Development, 22, 126–145.
30. Krieger, J. L., & Sarge, M. A. (2013). A serial mediation model of message framing on intentions to receive the Human Papillomavirus (HPV) Vaccine: Revising the role of threat and efficacy perceptions. Health Communication, 28, 5–19.
31. Lange, D., Corbett, J., Lippke, S., Knoll, N., & Schwarzer, R. (2015). The interplay of intention, automony, and sex with dietary planning: A conditional process model to predict fruit and vegetable intake. British Journal of Health Psychology, 20, 859–876.
32. Laran, J., Dalton, A. N., & Andrade, E. B. (2011). The curious case of behavioral backlash: Why brands produce priming effects and slogans produce reverse priming effects. Journal of Consumer Research, 37, 999–1014.
33. Lee, E.-J., & Jang, J. (2013). Not so imaginary interpersonal contact with public figures on social network sites: How affiliate tendency moderates its effects. Communication Research, 40, 27–51.
34. Lee-Won, J., Abo, M. M., Kilhoe, N., & White, T. N. (2016). More than numbers: Effects of social media virality metrics on intention to help unknown others in the context of bone marrow donation. Cyberpsychology, Behavior, and Social Networking, 19, 404–411.
35. Li, A., Shaffer, J., & Bagger, J. (2015). The psychological well-being of disability caregivers: Examining the roles of family strain, family-to-work conflict, and perceived supervisor support. Journal of Occupational Health Psychology, 20, 40–49.
36. Lu, Y., & Myrick, J. G. (2016). Cross-cutting exposure on Facebook and political participation: Unraveling the effects of emotional responses and online incivility. Journal of Media Psychology, 28, 100–110.
37. MacKinnon, D. P. (2008). Introduction to statistical mediation analysis. New York, NY: Routledge.
38. Muller, D., Judd, C. M., & Yzerbyt, V. Y. (2005). When mediation and moderated and moderation is mediated. Journal of Personality and Social Psychology, 89, 852–863.
39. Nisbet, E., Ortiz, M., Yasamin, M., & Smith, A. (2011). The “bin Laden” effect: How American public opinion about Muslim Americans shifted in the wake of Osama bin Laden’s death.
40. Preacher, K. J. (2015). Advances in mediation analysis: A survey and synthesis of new developments. Annual Review of Psychology, 66, 825–852.
41. 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, 879–891.
42. Preacher, K. J., Rucker, D. D., & Hayes, A. F. (2007). Assessing moderated mediation hypotheses: Theory, method, and prescription. Multivariate Behavioral Research, 42, 185–227.
43. Preacher, K. J., & Selig, J. P. (2012). Advantages of Monte Carlo confidence intervals for indirect effects. Communication Methods and Measures, 6, 77–98.
44. Sardeshmukh, S. R., & Vandenberg, R. J. (2017). Integrating moderation and mediation: A structural equation modeling approach. Organizational Research Methods.
45. Schuck, A. R. T., & de Vreese, C. H. (2012). When good news is bad news: Explicating the moderated mediation dynamic behind the reversed mobilization effect. Journal of Communication, 62, 57–77.
46. Schuler, J., Brandstatter, V., & Baumann, N. (2013). Failure cue priming and impaired cognitive performance—analyses of avoidance motivation as a mediator and fear of failure as a moderator. European Journal of Social Psychology, 43, 335–343.
47. Shrout, P. E., & Bolger, N. (2002). Mediation in experimental and nonexperimental studies: New procedures and recommendations. Psychological Methods, 7, 422–445.
48. Stone, C. A., & Sobel, M. E. (1990). The robustness of total indirect effects in covariance structure models estimated with maximum likelihood. Psychometrika, 55, 337–352.
49. Suizzo, M.-A., Jackson, K. M., Pahkle, E., Marroquin, Y., Blondeau, L., & Martinez, A. (2012). Pathways to achievement: How low-income Mexican-origin parents promote their adolescents through school. Family Relations, 61, 533–547.
50. Trucco, E. M., Colder, C. R., & Wieczorek, W. F. (2011). Vulnerability to peer influence: A moderated mediation study of early adolescent alcohol use initiation. Addictive Behaviors, 36, 729–736.
51. VanderWeele, T. J. (2015). Explanation in causal inference: Methods for mediation and interaction. Oxford: Oxford University Press.
52. Vantilborgh, T., Bidee, J., Pepermans, R., Willems, J., Huybrechts, G., & Jegers, M. (2013). Revising the relationship between personality and psychological contracts: A moderated mediation model explaining volunteer performance. Social Science Review, 87, 158–186.
53. Wang, L., & Preacher, K. J. (2015). Moderated mediation analysis using Bayesian methods. Structural Equation Modeling, 22, 249–263.
54. Yuan, Y., & MacKinnon, D. P. (2009). Bayesian mediation analysis. Psychological Methods, 14, 301–322.

10. Lời kêu gọi hành động (CTA)

Để thực sự làm chủ kỹ thuật phân tích dữ liệu cao cấp này, việc đọc lý thuyết là chưa đủ. Bạn cần thực hành trực tiếp trên bộ dữ liệu mẫu để cảm nhận sự thay đổi của các chỉ số khi thay đổi mô hình. Hãy tải tài liệu gốc và bộ dữ liệu thực hành ngay bên dưới.

Hayes, A. F. (2018). Partial, conditional, and moderated moderated mediation: Quantification, inference, and interpretation. Communication Monographs, 85(1), 4–40.

(Hãy tải về để xem chi tiết các bảng Output SPSS đầy đủ và biểu đồ tương tác mẫu được đề cập trong bài)