Bootstrap tác động gián tiếp trong AMOS: từ estimand đến báo cáo

1. Mục tiêu học tập và điều kiện đầu vào

Sau chuyên đề này, bạn cần tự xác định direct, indirect và total effect, gắn nhãn tham số trong AMOS, khai báo specific indirect effect khi có nhiều mediator, chạy bootstrap, đọc confidence interval và viết một đoạn kết quả có thể kiểm tra.

Điều kiện đầu vào là mô hình đo lường đã được đánh giá, mô hình cấu trúc có nhận dạng và biến X, M, Y được sắp theo lập luận thời gian hoặc cơ chế. AMOS ước lượng quan hệ thống kê, không tự tạo thứ tự nhân quả từ dữ liệu cắt ngang.

• X, M và Y có định nghĩa và thang đo rõ.
• Thứ tự X đến M đến Y có căn cứ lý thuyết hoặc thời gian.
• Mô hình đo lường đã có nghiệm hợp lệ.
• Covariates được xác định trước khi xem kết quả.
• Specific indirect effects cần báo đã được liệt kê.
• Cỡ mẫu và missing-data strategy đã được xem xét.

2. Xác định đúng estimand trước khi mở bootstrap

Trong mô hình trung gian đơn, đường a nối X với M, đường b nối M với Y khi đã kiểm soát X, direct effect c-prime nối X với Y và indirect effect bằng a x b. Total effect bằng c-prime + a x b. Đây là bốn đại lượng khác nhau và cần được đặt tên rõ.

Estimand chính nên là indirect effect chưa chuẩn hóa vì nó được tính trực tiếp từ các hệ số trên thang gốc. Standardized indirect effect có thể bổ sung để mô tả độ lớn, nhưng cách chuẩn hóa phải nhất quán và confidence interval cần được tạo cho chính đại lượng chuẩn hóa đó (Cheung, 2009).

Nếu có nhiều mediator, total indirect effect là tổng các đường gián tiếp. Nó không cho biết mediator nào tạo cơ chế. Khi câu hỏi nghiên cứu nói về từng cơ chế, phải khai báo và báo specific indirect effects riêng.

3. Vì sao bootstrap phù hợp với tích a x b?

Indirect effect là tích của hai hệ số. Phân phối lấy mẫu của một tích thường bất đối xứng, nhất là khi một hoặc cả hai đường gần 0. Confidence interval dựa trên xấp xỉ chuẩn có thể mất cân bằng trong tình huống này (MacKinnon, Lockwood và Williams, 2004).

Bootstrap tái lấy mẫu có hoàn lại từ dữ liệu quan sát, ước lượng lại mô hình và tạo phân phối thực nghiệm của indirect effect. Preacher và Hayes (2008) khuyến nghị suy luận trực tiếp từ bootstrap confidence interval của hiệu ứng gián tiếp thay vì yêu cầu từng đường riêng lẻ vượt một ngưỡng p.

Bootstrap vẫn dựa trên chất lượng mẫu và đặc tả mô hình. Nó không sửa confounding, sai số đo lường chưa mô hình hóa, thứ tự thời gian không rõ hoặc các mẫu bootstrap không hội tụ.

4. Chuẩn bị mô hình AMOS và gắn nhãn tham số

Vẽ X, M và Y theo đặc tả lý thuyết, giữ direct path X đến Y nếu mục tiêu là phân rã total effect. Với latent variables, hoàn thiện measurement model trước rồi mới thêm structural paths. Mỗi biến nội sinh cần disturbance.

Trong Object Properties, gắn nhãn cho các regression weights cần dùng, chẳng hạn a, b và cp. Khi có nhiều mediator, dùng tên có cấu trúc như a1, b1, a2 và b2 để giảm nhầm lẫn. Theo IBM Corp. (2022), AMOS hỗ trợ direct, indirect và total effects, đồng thời cho phép user-defined estimands khi đại lượng cần báo không có sẵn.

User-defined estimand đặc biệt quan trọng trong parallel hoặc serial mediation. Total indirect effect mặc định không thay thế các tích a1 x b1, a2 x b2 hoặc chuỗi a1 x d21 x b2.

5. Thiết lập bootstrap và confidence interval

Trong Analysis Properties, bật bootstrap và chọn số mẫu lặp. Năm nghìn mẫu thường là lựa chọn thực hành hợp lý cho bài nghiên cứu, nhưng không phải ngưỡng bảo đảm chính xác trong mọi mô hình. Số mẫu cần đủ để các quantile của confidence interval ổn định.

Percentile và bias-corrected interval không đồng nhất. Cheung (2009) cho thấy các phương pháp bootstrap có thể có coverage khác nhau cho standardized indirect effects. Hãy chọn loại interval trước khi xem kết quả và báo đúng lựa chọn, không thử nhiều loại rồi giữ kết quả thuận lợi.

Kiểm tra số bootstrap samples ước lượng thành công. Tỷ lệ không hội tụ đáng kể là cảnh báo về nhận dạng, điểm bắt đầu, ngoại lệ, cỡ mẫu hoặc độ phức tạp. Không nên báo CI như thể toàn bộ số lần yêu cầu đều hợp lệ.

6. Parallel và serial mediation: không đọc nhầm total indirect

Trong parallel mediation, X tác động đến nhiều mediator và mỗi mediator nối với Y. Specific indirect effect qua M1 là a1 x b1; qua M2 là a2 x b2. Total indirect là tổng của hai tích. Nếu hai hiệu ứng trái dấu, tổng có thể gần 0 dù từng cơ chế rõ.

Trong serial mediation, một đường có thể là X đến M1 đến M2 đến Y, tương ứng a1 x d21 x b2. Mô hình còn có thể chứa các đường ngắn hơn. Mỗi tích phải khớp đúng giả thuyết.

Preacher và Hayes (2008) trình bày việc ước lượng và so sánh indirect effects trong multiple mediator models. Khi muốn nói cơ chế M1 mạnh hơn M2, cần confidence interval cho chênh lệch giữa hai specific indirect effects, không so hai p-value riêng.

7. Ví dụ số giả định: tính và đọc indirect effect

Ví dụ dưới đây là tình huống minh họa, không phải dữ liệu nghiên cứu thật. Giả sử X là chất lượng thông tin, M là niềm tin và Y là ý định tiếp tục sử dụng. AMOS cho a = 0,42, b = 0,36 và c-prime = 0,18.

Indirect effect chưa chuẩn hóa bằng 0,42 x 0,36 = 0,151. Với 5.000 bootstrap samples, percentile 95% CI là [0,071; 0,246]. Khoảng không chứa 0 nên dữ liệu ủng hộ indirect effect dương trong mô hình đã đặc tả.

Total effect bằng 0,18 + 0,151 = 0,331. Direct effect vẫn dương và confidence interval [0,035; 0,325] không chứa 0. Không nên gọi đây là partial mediation như một nhãn tự động; cần mô tả rằng cả direct và indirect effect được hỗ trợ, rồi giải thích theo lý thuyết.

8. Diễn giải mediation mà không quay lại quy trình cũ

Total effect không cần có ý nghĩa trước khi kiểm định indirect effect. Zhao, Lynch và Chen (2010) cùng Rucker và cộng sự (2011) chỉ ra rằng việc yêu cầu một total effect có ý nghĩa có thể bỏ sót cơ chế gián tiếp, nhất là khi các đường có dấu đối nghịch.

Direct effect không có ý nghĩa cũng không chứng minh full mediation. Nó chỉ cho thấy uncertainty của c-prime trong mô hình và mẫu hiện tại. Nhãn full hoặc partial mediation thường che mất thông tin quan trọng về estimate, confidence interval và khả năng có mediator bị bỏ sót.

Hay viết trực tiếp: indirect effect qua M là bao nhiêu, khoảng tin cậy ra sao, direct effect còn lại thế nào và kết luận giới hạn ở thiết kế nào.

9. Causal mediation cần nhiều hơn một mô hình AMOS

Một indirect effect thống kê không tự động là cơ chế nhân quả. Diễn giải nhân quả cần thứ tự thời gian, kiểm soát confounding cho các quan hệ X-M, M-Y và X-Y, cùng giả định không có post-treatment confounder không được xử lý.

Dữ liệu cắt ngang đo X, M và Y cùng lúc không quan sát quá trình diễn ra theo thời gian. Bootstrap chỉ lượng hóa sampling uncertainty của estimand dưới mô hình, không kiểm tra các giả định nhân quả.

Nếu dữ liệu cụm, dọc hoặc có repeated measures, đơn vị bootstrap phải phù hợp với đơn vị độc lập. Tái lấy mẫu từng dòng khi quan sát nằm trong cụm có thể làm uncertainty quá nhỏ.

10. Lỗi thao tác và diễn giải thường gặp

11. Mẫu báo cáo APA 7 và bảng kiểm

Mẫu dưới đây dùng số giả định. Thay các số bằng output thật và nêu phiên bản AMOS, loại confidence interval, số bootstrap samples yêu cầu và số mẫu hội tụ.

• Đã xác định indirect estimand trước khi chạy.
• Đã giữ direct path khi cần phân rã total effect.
• Đã gắn nhãn đúng các regression weights.
• Đã khai báo specific indirect effects cho nhiều mediator.
• Đã dùng hệ số chưa chuẩn hóa cho estimand chính.
• Đã báo số bootstrap samples và confidence level.
• Đã ghi loại percentile hoặc bias-corrected interval.
• Đã kiểm tra số bootstrap samples hội tụ.
• Đã đọc CI của indirect effect thay vì chỉ a và b.
• Không yêu cầu total effect phải có ý nghĩa.
• Không dùng full hoặc partial mediation như kết luận duy nhất.
• Đã báo direct, indirect và total effects khi phù hợp.
• Đã nêu giới hạn nhân quả và cấu trúc dữ liệu.
• Đã đối chiếu trích dẫn với tài liệu tham khảo.