Phân Tích Trung Gian Trong Mô Hình Đường Dẫn PLS – Christian Nitzl, José L. Roldán & Gabriel Cepeda Carrión (2016)

Phân tích trung gian trong PLS (Partial Least Squares) là kỹ thuật thống kê nâng cao nhằm kiểm định cơ chế mà qua đó biến độc lập (X) tác động lên biến phụ thuộc (Y) thông qua sự can thiệp của biến thứ ba (M). Vấn đề nghiêm trọng trong giới nghiên cứu hiện nay là sự phụ thuộc vào quy trình lỗi thời của Baron & Kenny (1986) hoặc kiểm định Sobel, dẫn đến sai lệch kết quả nghiêm trọng. Bài viết này cung cấp quy trình chuẩn xác nhất dựa trên nghiên cứu của Nitzl et al. (2016), tập trung vào kiểm định tác động gián tiếp (a × b) bằng Bootstrapping và phân loại cơ chế trung gian theo cây quyết định hiện đại.

1. Tổng quan và cơ sở lý thuyết (Overview & Theoretical Foundations)

1.1. Thông tin định danh bài báo khoa học

Để đảm bảo tính minh bạch và độ tin cậy học thuật, nội dung bài viết này được xây dựng và dịch thuật chuyên sâu dựa trên công trình gốc sau đây:

• Tiêu đề gốc: Mediation Analysis in Partial Least Squares Path Modeling: Helping Researchers Discuss More Sophisticated Models.
• Tiêu đề tiếng Việt: Phân tích trung gian trong mô hình cấu trúc tuyến tính bình phương tối thiểu riêng phần (PLS-SEM): Hỗ trợ nhà nghiên cứu khoa học thảo luận các mô hình phức tạp hơn.
• Tác giả: Christian Nitzl (Đại học Lực lượng Vũ trang Liên bang Đức Munich), José L. Roldán & Gabriel Cepeda Carrión (Đại học Seville).
• Năm xuất bản: 2016 (Được chấp nhận đăng trên tạp chí Industrial Management & Data Systems).

1.2. Bối cảnh thực tiễn và Khoảng trống nghiên cứu

PLS-SEM (Mô hình cấu trúc tuyến tính bình phương tối thiểu riêng phần) đã trở thành công cụ chủ lực trong nghiên cứu quản trị và khoa học xã hội nhờ khả năng xử lý các mô hình đường dẫn phức tạp và định hướng dự báo. Tuy nhiên, một thực trạng đáng báo động là:

• Trong phân tích: Nhiều nhà nghiên cứu chỉ tập trung vào các mối quan hệ trực tiếp mà bỏ qua hoàn toàn các hiệu ứng trung gian. Điều này dẫn đến việc giải thích sai lệch, thậm chí loại bỏ các biến quan trọng chỉ vì chúng không có tác động trực tiếp, trong khi thực tế chúng tác động mạnh mẽ thông qua cơ chế gián tiếp.
• Thống kê thực tế: Chỉ khoảng 1/3 các nghiên cứu PLS trên tạp chí hàng đầu về kế toán/marketing và 20% trên tạp chí MIS Quarterly có thực hiện phân tích trung gian rõ ràng.
• Phương pháp lỗi thời: Đa số các nghiên cứu hiện tại vẫn sử dụng quy trình Baron & Kenny (1986) hoặc kiểm định Sobel. Đây là các phương pháp được phát triển cho hồi quy đa biến và CB-SEM, không còn phù hợp và thiếu chính xác trong bối cảnh PLS hiện đại.

Bài viết này lấp đầy khoảng trống đó bằng cách cung cấp một “Cây quyết định” (Decision Tree) và quy trình thực hiện từng bước dựa trên Bootstrapping, giúp nhà nghiên cứu tránh được sai lầm loại I và loại II.

2. Khái niệm hóa và cấu trúc khái niệm (Conceptualization)

2.1. Bản chất của Phân tích trung gian trong PLS

Hiệu ứng trung gian (Mediation/Indirect effect) xảy ra khi một biến tiền đề (X) ảnh hưởng đến biến trung gian (M), và biến này sau đó ảnh hưởng đến biến phụ thuộc (Y). Mục tiêu cốt lõi không chỉ là xác nhận mối quan hệ, mà là giải thích “tại sao” và “như thế nào” (cơ chế/quy trình) một biến lại tác động lên biến khác.

Cấu trúc toán học của mô hình trung gian bao gồm:

• Tác động trực tiếp (c’): Là hệ số đường dẫn từ X đến Y khi đã có sự hiện diện của biến M trong mô hình.
• Tác động gián tiếp (a × b): Là tích của hệ số đường dẫn từ X đến M (a) và từ M đến Y (b). Đây là thước đo chính của hiệu ứng trung gian.
• Tổng tác động (c): Là tổng của tác động trực tiếp và tác động gián tiếp.

Công thức: c = c’ + (a × b)

2.2. Tại sao quy trình Baron & Kenny và Sobel Test bị loại bỏ?

Nitzl et al. (2016) đưa ra các luận điểm khoa học sắc bén để bác bỏ các phương pháp cũ:

• Sai lầm về điều kiện tiên quyết (The Precondition Error):
  Baron & Kenny yêu cầu phải có tác động tổng thể (c) đáng kể từ X lên Y trước khi xét đến trung gian.
  Tại sao sai? Trong trường hợp “Trung gian cạnh tranh” (Competitive Mediation), tác động trực tiếp (c’) và gián tiếp (a × b) có thể ngược dấu (ví dụ: dương và âm). Khi cộng lại, chúng triệt tiêu nhau khiến tổng tác động (c) gần bằng 0 hoặc không có ý nghĩa. Nếu tuân theo Baron & Kenny, nhà nghiên cứu sẽ dừng lại và bỏ sót một phát hiện quan trọng.
• Sai lệch do ước lượng từng bước (Step-wise Estimation Bias):
  Cách cũ yêu cầu chạy mô hình 1 (chỉ có X → Y) để tìm c, sau đó chạy mô hình 2 (thêm M) để tìm c’.
  Trong PLS, việc thêm một biến mới vào mô hình sẽ làm thay đổi trọng số (weights) và hệ số tải (loadings) của các biến tiềm ẩn khác. Do đó, việc so sánh hệ số giữa hai mô hình khác nhau sẽ tạo ra sai số ước lượng. PLS cho phép kiểm định tất cả trong cùng một mô hình duy nhất, loại bỏ sai số này.
• Hạn chế của kiểm định Sobel (Sobel Test Limitations):
  Sobel test giả định rằng phân phối của tích số (a × b) là phân phối chuẩn (normal distribution).
  Tuy nhiên, tích của hai biến có phân phối chuẩn thường bị lệch (skewed) và có độ nhọn cao (kurtosis), đặc biệt là với kích thước mẫu nhỏ – điều rất phổ biến trong nghiên cứu PLS. Do đó, Sobel test có độ mạnh (power) thấp và dễ mắc sai lầm.

3. Quy trình phân tích và phân loại trung gian (Advanced Procedure)

Dựa trên những hạn chế trên, quy trình chuẩn hiện nay phải tuân theo 2 bước chính sử dụng Bootstrapping.

Bước 1: Xác định ý nghĩa thống kê của Tác động gián tiếp (a × b)

Thay vì dùng Sobel, nhà nghiên cứu bắt buộc phải sử dụng Bootstrapping (kỹ thuật lấy mẫu lại). Đây là phương pháp phi tham số, không yêu cầu giả định về phân phối chuẩn của dữ liệu.

Quy trình thực hiện Bootstrapping chuyên sâu:

1. Thiết lập: Chạy Bootstrapping với số lượng mẫu con (subsamples) lớn, tối thiểu là k = 5.000 mẫu.
2. Tính toán thủ công (nếu phần mềm không hỗ trợ): Với mỗi mẫu con, phần mềm sẽ tính ra một giá trị a và một giá trị b. Bạn cần tính tích a × b cho từng mẫu con này (tạo ra 5.000 giá trị a × b).
3. Xác định Khoảng tin cậy (Confidence Interval – CI):
   • Sắp xếp 5.000 giá trị a × b từ nhỏ đến lớn.
   • Với độ tin cậy 95%, ta tìm giá trị ở vị trí thứ 2.5% (giới hạn dưới) và 97.5% (giới hạn trên).
4. Quy tắc quyết định: Nếu khoảng tin cậy không chứa số 0 (ví dụ: từ 0.15 đến 0.45), ta kết luận tác động gián tiếp có ý nghĩa thống kê (p < 0.05).

Công thức hiệu chỉnh sai lệch (Bias-Corrected CI):

Khi giá trị trung bình của các mẫu bootstrap (a_M × b_M) bị lệch so với giá trị ước lượng từ mẫu gốc (a_0 × b_0), cần dùng công thức hiệu chỉnh để đảm bảo độ chính xác cao nhất:

CI_hiệu_chỉnh = [Thứ hạng(k × (.5 – CI%/2)) + (a_0 × b_0 – a_M × b_M) ; Thứ hạng(1 + k × (.5 + CI%/2)) + (a_0 × b_0 – a_M × b_M)]

Bước 2: Xác định loại hình trung gian (Determining the type of mediation)

Sau khi xác nhận a × b có ý nghĩa, ta tiến hành kiểm tra tác động trực tiếp (c’) để phân loại theo sơ đồ sau:

Loại Hình (Type)	Điều kiện Tác động Gián tiếp (a × b)	Điều kiện Tác động Trực tiếp (c’)	Dấu của tích số (a × b × c’)	Giải thích & Ví dụ
1. Trung gian Toàn phần (Full Mediation)	Có ý nghĩa (Sig.)	Không có ý nghĩa (Not Sig.)	N/A	Biến X chỉ tác động lên Y hoàn toàn thông qua M. Ví dụ: Niềm tin (Y) chỉ được hình thành khi môi trường (X) tạo ra sự đáng tin cậy (M).
2. Trung gian Bổ sung (Complementary Partial)	Có ý nghĩa (Sig.)	Có ý nghĩa (Sig.)	Dương (+)	a × b và c’ cùng dấu. X vừa tác động trực tiếp, vừa gián tiếp lên Y theo cùng một hướng. Còn gọi là “Mô hình nhất quán”.
3. Trung gian Cạnh tranh (Competitive Partial)	Có ý nghĩa (Sig.)	Có ý nghĩa (Sig.)	Âm (-)	a × b và c’ ngược dấu. Biến M làm giảm hoặc kìm hãm tổng tác động. Ví dụ: Thông minh (X) làm tăng Hiệu suất (Y), nhưng Thông minh (X) cũng làm tăng Nhàm chán (M), mà Nhàm chán lại làm giảm Hiệu suất.
4. Chỉ tác động trực tiếp (Direct Only)	Không có ý nghĩa	Có ý nghĩa (Sig.)	N/A	Không có vai trò trung gian.
5. Không có tác động (No Effect)	Không có ý nghĩa	Không có ý nghĩa	N/A	Mô hình lý thuyết có thể bị sai hoặc thiếu sức mạnh thống kê (Power).

4. Các khía cạnh bổ sung đánh giá mô hình (Additional Aspects)

4.1. Đánh giá sự phù hợp của mô hình (Goodness of Fit)

Trước khi phân tích sâu, cần đảm bảo mô hình phù hợp với dữ liệu. Trong PLS, chỉ số SRMR (Standardized Root Mean Square Residual) được khuyến nghị.

• Ngưỡng: Giá trị SRMR < 0.08 cho thấy sự phù hợp tốt.
• Ứng dụng: Một mô hình không có đường dẫn trực tiếp (c’) mà có SRMR tốt hơn mô hình có c’ có thể là bằng chứng ủng hộ cho Trung gian Toàn phần.

4.2. Chỉ số VAF (Variance Accounted For) và Các cảnh báo

VAF dùng để đo lường tỷ lệ phần trăm phương sai của biến phụ thuộc được giải thích bởi cơ chế trung gian.

Công thức:

VAF = (a × b) / (a × b + c’)

Quy tắc ngón tay cái (Rule of Thumb):

• VAF < 20%: Không có trung gian.
• 20% ≤ VAF ≤ 80%: Trung gian một phần.
• VAF > 80%: Trung gian toàn phần.

Cảnh báo quan trọng:

VAF có thể lớn hơn 1 (vô lý) hoặc âm trong trường hợp Trung gian cạnh tranh (khi a × b và c’ ngược dấu) hoặc hiệu ứng kìm hãm (Suppressor effect). Do đó, VAF chỉ nên được diễn giải khi tổng tác động chuẩn hóa (c) đạt ít nhất 0.2 và các tác động cùng chiều.

4.3. Tại sao không dùng R²?

Sự gia tăng của hệ số xác định R² khi thêm biến trung gian chỉ phản ánh “tác động cộng thêm” (additive effect), không phản ánh quá trình truyền dẫn tác động. Do đó, không dùng thay đổi R² để đo độ mạnh trung gian.

4.4. Vấn đề phần dư tương quan (Correlated Residuals)

Một giả định quan trọng là các sai số (residuals) không được tương quan với nhau. Trong PLS, nếu độ tin cậy của biến trung gian thấp, ước lượng tác động trực tiếp (c’) có thể bị sai lệch (bias). Vì vậy, yêu cầu bắt buộc là thang đo đo lường phải đảm bảo độ tin cậy và giá trị hội tụ cao.

5. Xử lý đa trung gian (Handling Multiple Mediations)

Trong thực tế, mô hình thường phức tạp hơn với nhiều biến trung gian (M1, M2).

5.1. Tác động Gián tiếp Cụ thể và Tổng hợp

• Tác động gián tiếp cụ thể (Specific Indirect Effect): Là tác động đi qua từng biến trung gian riêng biệt (ví dụ: a1 × b1 qua M1).
• Tác động gián tiếp tổng hợp (Total Indirect Effect): Là tổng của tất cả các tác động gián tiếp cụ thể (a1 × b1 + a2 × b2).

Tổng tác động (c): c = c’ + a1 × b1 + a2 × b2

Lưu ý: Nếu M1 là trung gian bổ sung (dương) và M2 là trung gian cạnh tranh (âm), chúng có thể triệt tiêu nhau khiến “Tác động gián tiếp tổng hợp” không có ý nghĩa, mặc dù từng tác động cụ thể vẫn có ý nghĩa. Đây gọi là mô hình trung gian không nhất quán.

5.2. So sánh độ mạnh các biến trung gian (Contrast Analysis)

Nhà nghiên cứu có thể muốn biết cơ chế nào quan trọng hơn (M1 hay M2). Ta thực hiện kiểm định sự khác biệt:

D_M = (a1 × b1) – (a2 × b2)

Sử dụng Bootstrapping để xây dựng khoảng tin cậy cho D_M. Nếu khoảng tin cậy không chứa số 0, ta kết luận sức mạnh của hai cơ chế trung gian là khác biệt nhau.

5.3. Trung gian nối tiếp (Serial Mediation)

Khi các biến trung gian có quan hệ nhân quả với nhau (X → M1 → M2 → Y).

Công thức tổng tác động mở rộng:

c = c’ + (a1 × b1) + (a2 × b2) + (a1 × a3 × b2)

Trong đó a3 là đường dẫn từ M1 đến M2. Nếu đường dẫn a1 × a3 × b2 có ý nghĩa, ta xác nhận một chuỗi nhân quả dài (M1 trung gian cho quan hệ giữa X và M2; M2 trung gian cho quan hệ giữa M1 và Y).

6. Hướng dẫn ứng dụng trong nghiên cứu khoa học (Academic Implications)

Với tư cách là người hướng dẫn, tôi đề xuất quy trình chuẩn hóa sau để đưa vào luận văn/bài báo:

1. Thiết kế mẫu: Đảm bảo kích thước mẫu đủ lớn để đạt độ mạnh (Power) = 0.8. Với các hiệu ứng trung gian nhỏ, cần mẫu lớn hơn nhiều so với chỉ kiểm định tác động trực tiếp (cần ít nhất 481 quan sát để phát hiện hiệu ứng nhỏ).
2. Thực hiện Bootstrapping: Chạy 5.000 mẫu con, chọn phương pháp “Bias-Corrected and Accelerated (BCa) Bootstrap” trong phần mềm (như SmartPLS).
3. Trình bày kết quả:
   • Báo cáo hệ số tác động (path coefficient).
   • Báo cáo giá trị t-value và p-value.
   • Bắt buộc: Báo cáo khoảng tin cậy 95% [Lower Bound ; Upper Bound].
4. Biện luận: Sử dụng thuật ngữ chính xác (Trung gian bổ sung/cạnh tranh) thay vì chỉ nói “trung gian một phần”.
5. Kiểm tra tính logic: Nếu kết quả là “Không có tác động” hoặc “Trung gian toàn phần” với mẫu nhỏ, hãy kiểm tra lại lý thuyết và dữ liệu xem có vấn đề đa cộng tuyến hay thiếu mẫu không.

7. Ứng dụng quản trị doanh nghiệp (Managerial Implications)

Hiểu đúng về trung gian giúp nhà quản trị ra quyết định chính xác:

• Với Trung gian Toàn phần: Muốn đạt kết quả Y, bắt buộc phải đầu tư vào M. (Ví dụ: Muốn nhân viên làm việc hiệu quả (Y), tăng lương (X) là vô nghĩa nếu không tạo ra được Sự hài lòng (M)).
• Với Trung gian Cạnh tranh: Cảnh báo về các tác dụng phụ tiêu cực. (Ví dụ: Áp lực doanh số (X) làm tăng doanh thu (Y), nhưng cũng làm tăng Stress (M) và Stress lại làm giảm doanh thu về lâu dài. Cần giải pháp giảm thiểu M).

8. Các câu hỏi thường gặp (FAQ) – Tư duy nghịch đảo

Tôi chạy dữ liệu thấy tác động trực tiếp của X lên Y không có ý nghĩa (p > 0.05). Tôi có nên dừng lại không?

Tuyệt đối không. Bạn vẫn phải chạy Bootstrapping cho tác động gián tiếp. Nếu a × b có ý nghĩa, bạn đã tìm ra “Trung gian toàn phần”. Đây là một phát hiện rất giá trị.

Tại sao VAF của tôi lại ra số âm (-0.5)? Tôi có tính sai không?

Không hẳn. Đó là dấu hiệu của “Trung gian cạnh tranh” (Competitive Mediation), khi tác động trực tiếp và gián tiếp ngược dấu nhau. Trong trường hợp này, không dùng VAF để báo cáo độ mạnh nữa, mà hãy tập trung biện luận về sự “kìm hãm” của biến trung gian.

Tôi có thể dùng file Excel bên ngoài để tính toán Bootstrapping không?

Được và rất khuyến khích, đặc biệt với các mô hình phức tạp hoặc so sánh đa trung gian. Bạn xuất 5.000 dòng kết quả từ PLS ra Excel, tính toán cột tích số mới và tìm khoảng tin cậy thủ công để có độ chính xác cao nhất.

9. Tài liệu tham khảo (References)

Baron, R. M. and Kenny, D. A. (1986), “The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic and Statistical Considerations”, Journal of Personality and Social Psychology, Vol. 51 No. 6, pp. 1173-1182.

Castro, I. and Roldán, J. L. (2013), “A Mediation Model Between Dimensions of Social Capital”, International Business Review Vol. 22 No. 6, pp. 1034-1050.

Cepeda, G. and Vera, D. (2007), “Dynamic Capabilities and Operational Capabilities: A Knowledge Management Perspective”, Journal of Business Research, Vol. 60 No. 5, pp. 426-437.

Chernick, M. R. (2011), Bootstrap Methods: A Guide for Practitioners and Researchers, Wiley.

Cheung, G. W. and Lau, R. S. (2008), “Testing Mediation and Suppression Effects of Latent Variables: Bootstrapping With Structural Equation Models”, Organizational Research Methods, Vol. 11 No. 2, pp. 296-325.

Chi, M., Zhao, J., George, J. F. and Chong, A. (2015), “Mediation and Time-lag Analyses of E-alignment and E-collaboration Capabilities”, Industrial Management & Data Systems, Vol. 115 No. 6, pp. 1113-1131.

Chin, W. W. (2010), “How to Write Up and Report PLS Analyses”, in Esposito Vinzi, V., Chin, W. W., Henseler, J. and Wang, H. (Eds.) Handbook of Partial Least Squares: Concepts, Methods and Applications, Springer, Heidelberg, Dordrecht, London, New York, pp. 655-690.

Cohen, J. (1988), Statistical Power Analysis for the Behavioral Sciences, Lawrence Erlbaum Associates, Hillsdale.

Dijkstra, T. K. and Henseler, J. (2015), “Consistent Partial Least Squares Path Modeling”, MIS Quarterly, Vol. 39 No. 2, pp. 297-316.

Falk, R. F. and Miller, N. B. (1992), A Primer for Soft Modeling, University of Akron Press, Akron, OH.

Hair, J. F., Black, W. C., Babin, B. J. and Anderson, R. E. (2010), Multivariate Data Analysis, Prentice Hall, Englewood Cliffs.

Hair, J. F., Hult, G. T. M., Ringle, C. M. and Sarstedt, M. (2016), A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), Sage, Thousand Oaks.

Hair, J. F., Ringle, C. M. and Sarstedt, M. (2013), “Partial Least Squares Structural Equation Modeling: Rigorous Applications, Better Results and Higher Acceptance”, Long Range Planning, Vol. 46 No. 1-2, pp. 1-12.

Hair, J. F., Sarstedt, M., Ringle, C. M. and Mena, J. A. (2012), “An Assessment of the Use of Partial Least Squares Structural Equation Modeling in Marketing Research”, Journal of the Academy of Marketing Science, Vol. 40 No. 3, pp. 414-433.

Hayes, A. F. (2009), “Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millennium”, Communication Monographs, Vol. 76 No. 4, pp. 408-420.

Hayes, A. F. and Scharkow, M. (2013), “The Relative Trustworthiness of Inferential Test of the Indirect Effect in Statistical Mediation Analysis: Does Method Rally Matter?”, Psychological Science, Vol. 24 No. 10, pp. 1918-1927.

Helm, S., Eggert, A. and Garnefeld, I. (2010), “Modelling the Impact of Corporate Reputation on Customer Satisfaction and Loyalty Using PLS”, in Esposito Vinzi, V., Chin, W. W., Henseler, J. and Wang, H. (Eds.) Handbook of Partial Least Squares: Concepts, Methods and Applications (Springer Handbooks of Computational Statistics Series, vol. II), Springer, Heidelberg, Dordrecht, London, New York, pp. 515-534.

Henseler, J. (2012), “Why Generalized Structured Component Analysis Is Not Universally Preferable to Structural Equation Modeling”, Journal of the Academy of Marketing Science, Vol. 40 No. 3, pp. 402-413.

Henseler, J., Dijkstra, T. K., Sarstedt, M., Ringle, C. M., Diamantopoulos, A., Straub, D. W., Ketchen, D. J., Hair, J. F., Hult, G. T. M. and Calantone, R. J. (2014), “Common Beliefs and Reality about PLS: Comments on Rönkkö & Evermann (2013)”, Organizational Research Methods, Vol. 17 No. 2, pp. 182-209.

Henseler, J., Hubona, G. S. and Pauline, A. R. (2016), “Using PLS Path Modeling in New Technology Research: Updated Guidelines”, Industrial Management & Data Systems, Vol. 116 No. 1, pp. 2-20.

Henseler, J. and Sarstedt, M. (2013), “Goodness-of-Fit Indices for Partial Least Squares Path Modeling”, Computational Statistics, Vol. 28, pp. 565-580.

Hu, L.-t. and Bentler, P. M. (1998), “Fit indices in covariance structure modeling: Sensitivity to underparameterized model misspecification”, Psychological Methods, Vol. 3 No. 4, pp. 424-453.

Iacobucci, D., Saldanha, N. and Deng, X. (2007), “A Mediation on Mediation: Evidence That Structural Equation Models Perform Better Than Regression”, Journal of Consumer Psychology, Vol. 17 No. 2, pp. 140-154.

James, L. R. and Brett, J. M. (1984), “Mediators, Moderators and Tests for Mediation”, Journal of Applied Psychology, Vol. 69 No. 2, pp. 307-334.

Jiang, Y. and Zhao, J. (2014), “Co-creating Business Value of Information Technology”, Industrial Management & Data Systems, Vol. 114 No. 1, pp. 53-69.

Klarner, P., Sarstedt, M., Ringle, C. M. and Höck, M. (2013), “Disentangling the Effects of Team Competences, Team Adaptability, and Client Communication on the Performance of Management Consulting Teams”, Long Range Planning, Vol. 46 No. 3, pp. 258-286.

Lau, R. S. and Cheung, G. W. (2012), “Estimating and Comparing Specific Mediation Effects in Complex Latent Variable Models”, Organizational Research Methods Vol. 15 No. 1, pp. 3-16.

MacKinnon, D. P., Fairchild, A. J. and Fritz, M. S. (2007), “Mediation Analysis”, Annual Review of Psychology Vol. 58, pp. 593-614.

MacKinnon, D. P., Lockwood, C. M. and Williams, J. (2004), “Confidence Limits for the Indirect Effect: Distribution of the Product and Resampling Methods”, Multivariate Behavioral Research, Vol. 39 No. 1, pp. 99-128.

Mathieu, J. E., DeShon, R. P. and Bergh, D. D. (2008), “Mediational Inferences in Organizational Research: Then, Now, and Beyond”, Organizational Research Methods, Vol. 11 No. 2, pp. 203-223.

McDonald, R. P. (1997), “Haldane’s Lungs: A Case Study in Path Analysis”, Multivariate Behavioral Research, Vol. 32 No. 1, pp. 1-38.

McFatter, R. M. (1979), “The Use of Structural Equation Models in Interpreting Regression Equations Including Suppressor and Enhancer Variables”, Applied Psychological Measurement, Vol. 3 No. 1, pp. 123-135.

Nitzl, C. (in press), “The Use of Partial Least Squares Structural Equation Modelling (PLS-SEM) in Management Accounting Research: Directions for Future Theory Development”, Journal of Accounting Literature.

Nitzl, C. and Hirsch, B. (in press), “The Drivers of a Superior’s Trust Formation in his Subordinate: The Manager-Management Accountant Example”, Journal of Accounting & Organizational Change.

Preacher, K. J. and Hayes, A. F. (2004), “SPSS and SAS Procedures for Estimating Indirect Effects in Simple Mediation Models”, Behavior Research Methods Instruments, and Computers, Vol. 36 No. 4, pp. 717-731.

Preacher, K. J. and Hayes, A. F. (2008), “Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Models”, Behavior Research Methods, Vol. 40 No. 3, pp. 879-891.

Ringle, C. M., Sarstedt, M. and Straub, D. W. (2012), “A Critical Look at the Use of PLS-SEM in MIS Quarterly”, MIS Quarterly, Vol. 36 No. 1, pp. iii-xiv.

Roldán, J. L. and Sánchez-Franco, M. J. (2012), “Variance-Based Structural Equation Modeling: Guidelines for Using Partial Least Squares in Information Systems Research”, Research Methodologies, Innovations and Philosophies in Software Systems Engineering and Information Systems, IGI Global, pp. 193-221.

Rucker, D. D., Preacher, K. J., Tormala, Z. L. and Petty, R. E. (2011), “Mediation Analysis in Social Psychology: Current Practices and New Recommendations”, Social and Personality Psychology Compass, Vol. 5 No. 6, pp. 359-371.

Shmueli, G., Ray, S., Velasquez Estrada, J. M. and Chatla, S. B. (in press), “The Elephant in the Room: Predictive Performance of PLS Models”, Journal of Business Research.

Shrout, P. E. and Bolger, N. (2002), “Mediation in Experimental and Nonexperimental Studies: New Procedures and Recommendations”, Psychological Methods, Vol. 7 No. 4, pp. 422-445.

Sobel, M. E. (1982), “Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Models”, Sociological Methodology, Vol. 13, pp. 290-312.

Sosik, J. J., Kahai, S. S. and Piovoso, M. J. (2009), “Silver Bullet or Voodoo Statistics? A Primer for Using the Partial Least Squares Data Analytic Technique in Group and Organization Research”, Group Organization Management, Vol. 34 No. 1, pp. 5-36.

Streukens, S., Wetzels, M., Daryanto, A. and de Ruyter, K. (2010), “Analyzing Factorial Data Using PLS: Application in an Online Complaining Context”, in Esposito Vinzi, V., Chin, W. W., Henseler, J. and Wang, H. (Eds.) Handbook of Partial Least Squares: Concepts, Methods and Applications (Springer Handbooks of Computational Statistics Series, vol. II), Springer, Heidelberg, Dordrecht, London, New York, pp. 567-587.

Williams, J. and MacKinnon, D. P. (2008), “Resampling and Distribution of the Product Methods for Testing Indirect Effects in Complex Models”, Structural Equation Modeling Vol. 15 No. 1, pp. 23-52.

Wold, H. (1980), “Model Construction and Evaluation when Theoretical Knowledge is Scarce: Theory and Application of PLS”, in Kmenta, J. and Ramsey, J. B. (Eds.) Evaluation of Econometric Models, Academic Press, New York, pp. 47-74.

Wood, J. A., Boles, J. S., Johnston, W. and Bellenger, D. (2008a), “Buyers’ Trust of the Salesperson: An Item-Level Meta-Analysis”, Journal of Personal Selling & Sales Management, Vol. 28 No. 3, pp. 263-283.

Wood, M. (2005), “Bootstrapped Confidence Intervals as an Approach to Statistical Inference”, Organizational Research Methods, Vol. 8 No. 4, pp. 454-470.

Wood, R. E., Goodman, J. S., Beckmann, N. and Cook, A. (2008b), “Mediation Testing in Management Research: A Review and Proposals”, Organizational Research Methods, Vol. 11 No. 2, pp. 270-295.

Yu, P. L., Balaji, M. and Khong, K. W. (2015), “Building Trust in Internet Banking: A Trustworthiness Perspective”, Industrial Management & Data Systems, Vol. 115 No. 2, pp. 235-252.

Zhao, X., Lynch, J. G. and Chen, Q. (2010), “Reconsidering Baron and Kenny: Myths and Truths about Mediation Analysis”, Journal of Consumer Research, Vol. 37 No. 3, pp. 197-206.

10. Kết luận

Việc nắm vững phân tích trung gian trong PLS sẽ nâng tầm bài nghiên cứu của bạn từ mức độ mô tả đơn thuần sang giải thích cơ chế chuyên sâu, tăng khả năng được đăng trên các tạp chí quốc tế uy tín. Đừng để các lỗi phương pháp cũ làm giảm giá trị công sức của bạn.

Để có cái nhìn trực quan và các ví dụ tính toán chi tiết, hãy tải ngay tài liệu gốc:

[Nitzl, C., Roldán, J. L., & Cepeda Carrión, G. (2016). Mediation Analysis in Partial Least Squares Path Modeling: Helping Researchers Discuss More Sophisticated Models. Industrial Management & Data Systems.]