Kết hợp thiết kế thực nghiệm 2×2 với SEM: từ trung gian đến moderated mediation
Thiết kế 2×2 xác định tác động của hai yếu tố được thao tác. SEM giúp kiểm định cơ chế tâm lý đứng giữa điều kiện thực nghiệm và kết quả, nhưng tác động gián tiếp vẫn cần những giả định nhân quả riêng.
Phân tích nên đi theo thứ tự: kiểm tra ngẫu nhiên hóa và thao tác, ước lượng hiệu ứng chính cùng tương tác 2×2, xác nhận mô hình đo lường, rồi mới kiểm định từng tác động gián tiếp và chỉ số moderated mediation bằng khoảng tin cậy bootstrap.
1. Mục tiêu học tập và cấu trúc dữ liệu đầu vào
Sau chuyên đề này, người đọc cần tự thiết kế được bốn điều kiện thực nghiệm, lập codebook cho hai biến yếu tố, kiểm tra hiệu ứng chính và tương tác, đặc tả mô hình trung gian, chọn cách kiểm định tác động gián tiếp và viết báo cáo có thể tái lập. Quy trình phù hợp khi hai yếu tố được phân ngẫu nhiên, còn các biến trung gian và kết quả được đo bằng thang đo quan sát hoặc biến tiềm ẩn.
Dữ liệu nên ở dạng mỗi người tham gia là một dòng. Hai yếu tố nhị phân được mã hóa 0/1, chẳng hạn DISCLOSE = 0 cho không tiết lộ danh tính AI và DISCLOSE = 1 cho có tiết lộ; PRESENCE = 0 cho hiện diện xã hội thấp và PRESENCE = 1 cho hiện diện xã hội cao. Các item của niềm tin, cảm nhận nồng ấm, thái độ và ý định mua nằm ở các cột riêng. Giữ thêm mã người tham gia, thời điểm đo, tiêu chí loại mẫu và biến kiểm tra thao tác.
| Nhóm cột | Ví dụ | Cách dùng |
|---|---|---|
| Định danh | ID | Truy vết một người tham gia, không dùng làm biến phân tích |
| Yếu tố A | DISCLOSE: 0/1 | Ước lượng hiệu ứng chính của A |
| Yếu tố B | PRESENCE: 0/1 | Ước lượng hiệu ứng chính của B |
| Tương tác | DISCLOSE × PRESENCE | Kiểm định hiệu ứng A phụ thuộc B |
| Trung gian | TRUST1 đến TRUST4 | Dùng cho CFA/SEM hoặc điểm thang đo đã được biện minh |
| Kết quả | ATT1 đến ATT4; BUY1 đến BUY3 | Biến phụ thuộc hoặc cấu trúc nội sinh |
| Kiểm tra thao tác | MC_DISCLOSE; MC_PRESENCE | Xác nhận người tham gia nhận biết đúng thao tác |
- Mỗi người tham gia có một ID duy nhất.
- Hai yếu tố được mã hóa 0/1 và nhóm tham chiếu được ghi trong codebook.
- Quy tắc loại mẫu được định trước và lưu thành biến cờ.
- Item đảo chiều được xử lý theo codebook, không sửa trực tiếp trên dữ liệu gốc.
- Bốn ô thực nghiệm có số quan sát và tỷ lệ loại mẫu được báo cáo riêng.
2. Đọc đúng thiết kế thực nghiệm nhân tố 2×2
Thiết kế 2×2 có hai yếu tố độc lập, mỗi yếu tố gồm hai mức. Bốn tổ hợp điều kiện cho phép ước lượng hai hiệu ứng chính và một hiệu ứng tương tác. Hiệu ứng chính của A là chênh lệch trung bình giữa hai mức A sau khi lấy trung bình qua các mức B. Tương tác A × B trả lời câu hỏi chênh lệch của A có thay đổi theo B hay không.
Study 2 của De Cicco và cộng sự (2025) minh họa cấu trúc này bằng việc thao tác tiết lộ danh tính AI và mức hiện diện xã hội của chatbot. Mẫu phân tích có 231 người sau loại trừ, bốn ô có từ 51 đến 62 người. Đây là ví dụ bối cảnh để hiểu thiết kế, không phải bộ dữ liệu đi kèm bài hướng dẫn.
Khi A × B có ý nghĩa và đủ lớn để quan tâm, hiệu ứng chính là trung bình qua hai mức của yếu tố còn lại. Hãy phân tích hiệu ứng đơn giản hoặc trung bình biên ước lượng trước khi kết luận về A và B.
3. SEM bổ sung điều gì cho thí nghiệm?
ANOVA hoặc hồi quy tương tác cho biết điều kiện thực nghiệm làm kết quả thay đổi ra sao. SEM cho phép mô hình hóa phần đo lường của các khái niệm tâm lý, ước lượng nhiều đường trung gian trong cùng hệ phương trình và tách sai số đo lường khỏi phương sai của cấu trúc.
Lợi thế này không biến mọi đường SEM thành quan hệ nhân quả. Phân ngẫu nhiên giúp nhận diện tác động của yếu tố được thao tác, nhưng biến trung gian thường không được phân ngẫu nhiên. Diễn giải nhân quả của tác động gián tiếp còn phụ thuộc giả định không có nhiễu chưa quan sát giữa biến trung gian và kết quả, cùng các giả định về thứ tự thời gian và đặc tả mô hình (VanderWeele, 2016).
| Lớp phân tích | Câu hỏi | Bằng chứng chính | Giới hạn |
|---|---|---|---|
| 2×2 ANOVA/hồi quy | A, B và A × B làm Y thay đổi thế nào? | Trung bình biên, tương tác, hiệu ứng đơn giản | Không mô hình hóa đầy đủ sai số đo lường |
| CFA | Thang đo có đại diện hợp lý cho cấu trúc? | Tải, độ tin cậy, hội tụ, phân biệt | Không xác nhận thứ tự nhân quả |
| SEM trung gian | Tác động đi qua cơ chế nào? | Tác động gián tiếp và khoảng tin cậy | Cần giả định nhân quả bổ sung |
| Moderated mediation | Cơ chế gián tiếp thay đổi theo điều kiện nào? | Tác động gián tiếp có điều kiện và chỉ số chênh lệch | Không được suy ra từ hai p-value riêng lẻ |
4. Trung gian song song: tách các cơ chế cạnh tranh
Trong trung gian song song, X ảnh hưởng Y qua từ hai biến trung gian trở lên, nhưng mô hình không giả định một trung gian gây ra trung gian còn lại. Với M1 và M2, hai tác động gián tiếp riêng là a1b1 và a2b2. Tổng tác động gián tiếp bằng a1b1 + a2b2; tác động tổng còn bao gồm đường trực tiếp c'. Preacher và Hayes (2008) khuyến nghị ước lượng đồng thời các trung gian và dùng resampling để suy luận cho từng tác động gián tiếp.
Trong bối cảnh chatbot, một mô hình minh họa có thể đặt niềm tin và cảm nhận nồng ấm ở hai đường song song từ tiết lộ AI đến thái độ. Cảm nhận nồng ấm và năng lực là các cơ chế được dùng trong nghiên cứu robot dịch vụ, nhưng việc đưa chúng vào một nghiên cứu mới phải dựa trên giả thuyết và thang đo phù hợp, không dựa riêng vào việc một bài trước đã sử dụng các khái niệm đó (Li và cộng sự, 2024).
Khoảng tin cậy của tổng tác động gián tiếp không cho biết M1 hay M2 tạo ra bằng chứng. Báo cáo a1b1, a2b2, khoảng tin cậy của từng hiệu ứng và phép so sánh hai hiệu ứng nếu giả thuyết yêu cầu.
5. Trung gian chuỗi: thứ tự phải đến từ thiết kế và lý thuyết
Trung gian chuỗi mô tả quá trình X → M1 → M2 → Y. Tác động gián tiếp của chuỗi đơn giản là a1d21b2. Mô hình thường giữ thêm các đường X → M2, M1 → Y và X → Y để tránh ép toàn bộ tác động đi qua một chuỗi duy nhất. Thứ tự M1 trước M2 phải được xác lập từ lý thuyết, thời điểm đo hoặc thao tác bổ sung.
Một mở rộng hợp lý từ De Cicco và cộng sự (2025) là tiết lộ danh tính AI → niềm tin → thái độ đối với doanh nghiệp → ý định mua. Bài gốc báo cáo niềm tin làm trung gian riêng cho thái độ và ý định mua; chuỗi ba bước ở đây chỉ là mô hình minh họa. Không được trình bày nó như kết quả đã được bài gốc kiểm định nguyên văn.
Nếu M1, M2 và Y được đo cùng thời điểm, một mô hình chuỗi phù hợp chưa đủ để chứng minh M1 xảy ra trước M2. Hãy cân nhắc đo theo nhiều thời điểm, thao tác trực tiếp một trung gian hoặc phân tích độ nhạy cho giả định nhân quả.
6. Moderated mediation: kiểm định tác động gián tiếp có điều kiện
Moderated mediation xuất hiện khi tác động gián tiếp của X lên Y qua M thay đổi theo W. Nếu W điều tiết đường X → M, tác động gián tiếp tại W là IE(W) = (a1 + a3W)b. Trong mô hình tuyến tính này, a3b là chỉ số moderated mediation. Nếu W điều tiết đường M → Y, IE(W) = a(b1 + b3W) và chỉ số tương ứng là ab3 (Hayes, 2015; Preacher và cộng sự, 2007).
De Cicco và cộng sự (2025) cho thấy tác động tiêu cực của tiết lộ danh tính AI biến mất khi hiện diện xã hội cao. Khi dùng kết quả như một khuôn phương pháp, nhà nghiên cứu phải kiểm định trực tiếp chênh lệch giữa các tác động gián tiếp có điều kiện. Một hiệu ứng gián tiếp có ý nghĩa ở W = 0 và không có ý nghĩa ở W = 1 chưa phải là bằng chứng rằng hai hiệu ứng khác nhau.
Mẫu báo cáo tiếng Việt
Chỉ số moderated mediation ở giai đoạn thứ nhất bằng [giá trị], với khoảng tin cậy bootstrap 95% [cận dưới; cận trên] dựa trên [số] mẫu lặp. Khoảng tin cậy [không chứa/chứa] 0, cho thấy [có/chưa có] bằng chứng rằng tác động gián tiếp của [X] lên [Y] qua [M] thay đổi theo [W]. Tác động gián tiếp có điều kiện tại W = 0 là [giá trị; CI], và tại W = 1 là [giá trị; CI].
7. Quy trình step-by-step từ dữ liệu thô đến kết luận
Quy trình dưới đây tách phần kiểm tra thiết kế khỏi phần cơ chế. Không chuyển thẳng sang SEM khi phân bổ nhóm, tiêu chí loại mẫu hoặc kiểm tra thao tác còn chưa rõ. Mỗi bước cần lưu bảng kết quả, cú pháp hoặc tệp dự án tương ứng để người khác có thể tái lập phân tích.
Bước 1. Khóa sơ đồ giả thuyết trước khi xem kết quả
Vẽ A, B, A × B, từng trung gian và kết quả. Ghi rõ đường nào là confirmatory, đường nào là thăm dò, W điều tiết giai đoạn thứ nhất hay thứ hai, và hiệu ứng gián tiếp nào sẽ được báo cáo.
Bước 2. Đối chiếu phân bổ và dòng chảy mẫu
Lập bảng số người được phân vào, hoàn tất và bị loại ở từng ô. Kiểm tra missing, thời gian trả lời, câu chú ý và tiêu chí chất lượng theo quy tắc đã định trước. Không loại trường hợp chỉ vì họ làm kết quả kém đẹp.
Bước 3. Kiểm tra thao tác
Ước lượng mô hình riêng cho từng biến kiểm tra thao tác. Báo cáo chênh lệch, khoảng tin cậy và kích thước tác động. Kiểm tra thao tác thất bại cần được thảo luận như vấn đề thiết kế, không phải lệnh tự động xóa người tham gia.
Bước 4. Ước lượng mô hình 2×2 cơ sở
Chạy Y = b0 + b1A + b2B + b3(A × B) + e. Đọc b3 trước; nếu tương tác đáng quan tâm, ước lượng hiệu ứng đơn giản và trung bình biên. Giữ bảng này làm mốc trước khi thêm trung gian.
Bước 5. Kiểm định mô hình đo lường
Với cấu trúc tiềm ẩn, chạy CFA hoặc mô hình đo lường PLS-SEM. Rà tải, sai số, độ tin cậy, hội tụ và phân biệt. Khi so sánh cấu trúc giữa các điều kiện, đánh giá bất biến đo lường theo mục tiêu so sánh (Putnick & Bornstein, 2016).
Bước 6. Ước lượng từng cơ chế trung gian
Đặc tả đường trực tiếp, các đường a và b, hiệp phương sai hợp lý giữa các trung gian song song, cùng biến kiểm soát đã định trước. Trích từng tác động gián tiếp, tổng tác động gián tiếp và khoảng tin cậy bootstrap.
Bước 7. Kiểm định moderated mediation
Tạo hoặc đặc tả tương tác ở đúng giai đoạn. Tính tác động gián tiếp có điều kiện tại các mức W có ý nghĩa, sau đó kiểm định chỉ số moderated mediation hoặc chênh lệch trực tiếp giữa các tác động gián tiếp (Edwards & Lambert, 2007; Hayes, 2015).
Bước 8. Chạy phân tích độ nhạy
So sánh mô hình có và không có biến kiểm soát định trước, rà ảnh hưởng của tiêu chí loại mẫu, kiểm tra các thứ tự trung gian hợp lý khác và thảo luận nhiễu chưa quan sát giữa M và Y. Đánh dấu rõ mọi phân tích hậu nghiệm.
Bước 9. Đóng gói đầu ra tái lập
Lưu dữ liệu phân tích đã khử định danh, codebook, cú pháp hoặc tệp dự án, bảng tham số, số mẫu bootstrap, seed nếu phần mềm hỗ trợ và nhật ký quyết định. Bảng kết quả cần khớp với đúng phiên bản mô hình trong sơ đồ.
8. Đọc output theo một trật tự cố định
Output nên được đọc theo luận điểm, bằng chứng rồi đến giới hạn. Trước hết nêu hiệu ứng đang được kiểm định. Sau đó báo cáo ước lượng, sai số chuẩn hoặc khoảng tin cậy và kích thước tác động. Cuối cùng ghi điều kiện áp dụng, chẳng hạn mô hình dùng biến quan sát hay tiềm ẩn, bootstrap bao nhiêu lần và cơ chế có được đo theo thời gian hay không.
Số mẫu bootstrap 5.000 trong Study 2 của De Cicco và cộng sự (2025) là một lựa chọn thực hành của nghiên cứu đó. Đây không phải ngưỡng bảo đảm kết quả đúng. Mức lặp cần đủ để khoảng tin cậy ổn định, đồng thời phải được ghi rõ trong báo cáo.
| Thứ tự | Output | Câu hỏi kiểm tra |
|---|---|---|
| 1 | Dòng chảy mẫu và cân bằng ô | Có chênh lệch loại mẫu hoặc thiếu dữ liệu theo điều kiện? |
| 2 | Kiểm tra thao tác | Thao tác có làm biến kiểm tra thay đổi đúng hướng? |
| 3 | A, B và A × B | Tác động nằm ở hiệu ứng chính hay tương tác? |
| 4 | Mô hình đo lường | Các cấu trúc có được đo đủ tin cậy và phân biệt? |
| 5 | Đường trực tiếp và gián tiếp | Cơ chế nào có bằng chứng, CI có chứa 0? |
| 6 | Chỉ số moderated mediation | Hai tác động gián tiếp có khác nhau trực tiếp? |
| 7 | Độ nhạy | Kết luận có ổn định trước các lựa chọn hợp lý khác? |
9. Chọn phần mềm theo mô hình cần ước lượng
Phần mềm không quyết định chất lượng thiết kế. Chọn công cụ dựa trên việc biến trung gian được dùng như điểm số quan sát hay cấu trúc tiềm ẩn, tương tác nằm giữa biến quan sát hay tiềm ẩn, và nghiên cứu cần CB-SEM, PLS-SEM hay hồi quy có điều kiện. Một nghiên cứu có thể dùng nhiều phần mềm để kiểm tra, nhưng giả thuyết chính phải dựa trên một chiến lược ước lượng nhất quán.
| Công cụ | Phù hợp | Điểm cần ghi rõ |
|---|---|---|
| SPSS/PROCESS | ANOVA, hồi quy, mediation và conditional process với biến quan sát | Mẫu mô hình, mã hóa biến và số lần bootstrap |
| AMOS | CFA, CB-SEM, bootstrap và so sánh đa nhóm | Cách tạo tương tác hoặc chiến lược nhóm |
| SmartPLS | PLS-SEM, tác động gián tiếp và một số mô hình điều tiết | Lý do chọn PLS-SEM và quy trình đo lường |
| R/lavaan | CFA, SEM, tác động gián tiếp định nghĩa bằng cú pháp và multi-group SEM | Estimator, xử lý missing và cú pháp tham số dẫn xuất |
| Mplus | SEM phức tạp, dữ liệu phân loại và tương tác tiềm ẩn | Estimator, thuật toán tích phân và cách lấy CI |
Nếu hai cách ước lượng hợp lý cho kết luận khác nhau, báo cáo như một phân tích độ nhạy. Không chọn riêng kết quả thuận lợi rồi bỏ qua sự khác biệt.
10. Các lỗi thường gặp và cách sửa
| Lỗi | Vì sao chưa đúng | Cách sửa |
|---|---|---|
| Chỉ chạy bốn t-test giữa các ô | Không kiểm định trực tiếp cấu trúc hai yếu tố và tương tác | Dùng mô hình factorial hoặc hồi quy có A, B và A × B |
| Tương tác có ý nghĩa nhưng vẫn kết luận từ hiệu ứng chính | Hiệu ứng chính đã lấy trung bình qua mức của yếu tố kia | Đọc hiệu ứng đơn giản và trung bình biên |
| SEM phù hợp tốt nên cơ chế là nhân quả | Fit không loại trừ nhiễu M → Y hoặc đảo chiều | Nêu giả định, thứ tự đo và phân tích độ nhạy |
| Một indirect effect có ý nghĩa, một cái không, nên hai nhóm khác nhau | Khác biệt giữa hai p-value không phải kiểm định chênh lệch | Kiểm định index hoặc hiệu số indirect effects |
| Đưa nhiều trung gian để mô hình trông toàn diện | Mỗi đường làm tăng yêu cầu lý thuyết và nhận diện | Chỉ giữ cơ chế có căn cứ và phân biệt được về đo lường |
| Dùng thang đo khác nhau giữa bốn ô | Khác biệt có thể do cách đo | Giữ thiết kế đo nhất quán và kiểm tra bất biến khi cần |
11. Mẫu báo cáo APA 7 và bảng kiểm trước khi nộp
Mẫu dưới đây là khung viết, không phải câu chữ cố định. Thay toàn bộ dấu ngoặc vuông bằng kết quả thực tế, nêu rõ hệ số chưa chuẩn hóa hay chuẩn hóa và dùng cùng một số chữ số thập phân trong bảng.
Mẫu báo cáo tiếng Việt
Người tham gia được phân ngẫu nhiên vào thiết kế 2 (A: [mức 0; mức 1]) × 2 (B: [mức 0; mức 1]). Mô hình factorial cho thấy tương tác A × B [có/không có] bằng chứng, b = [ ], SE = [ ], 95% CI [ ; ], p = [ ]. Phân tích hiệu ứng đơn giản cho thấy tác động của A tại B = 0 là [ ], còn tại B = 1 là [ ]. Trong mô hình SEM, tác động gián tiếp của A lên Y qua M là ab = [ ], 95% CI bootstrap [ ; ] với [số] mẫu lặp. Chỉ số moderated mediation bằng [ ], 95% CI [ ; ], cho thấy tác động gián tiếp [có/không] thay đổi theo B. Vì biến trung gian không được phân ngẫu nhiên, kết quả về cơ chế được diễn giải dưới các giả định nhân quả đã nêu.
- Báo cáo số người ở từng ô trước và sau loại trừ.
- Nêu mã 0/1 và nhóm tham chiếu của từng yếu tố.
- Báo cáo A, B, A × B và hiệu ứng đơn giản khi tương tác cần diễn giải.
- Phân biệt kết quả kiểm tra thao tác với kết quả chính.
- Mô tả estimator, xử lý missing và số lần bootstrap.
- Báo cáo từng tác động gián tiếp cùng khoảng tin cậy.
- Kiểm định trực tiếp moderated mediation, không so sánh hai p-value riêng.
- Đánh dấu mô hình hoặc đường dẫn hậu nghiệm.
- Danh mục tham khảo khớp toàn bộ trích dẫn trong bài.
Kết luận
Thiết kế 2×2 và SEM giải quyết hai lớp câu hỏi khác nhau. Phần thực nghiệm nhận diện tác động của các điều kiện được thao tác; phần SEM mô hình hóa cơ chế được giả thuyết và sai số đo lường. Một phân tích chặt chẽ giữ hai lớp bằng chứng này tách bạch trước khi nối chúng bằng tác động gián tiếp.
Thứ tự thực hành nên cố định: kiểm tra dữ liệu và thao tác, đọc A × B, xác nhận mô hình đo lường, ước lượng indirect effects, kiểm định moderated mediation trực tiếp, rồi mới viết kết luận. Các giới hạn về nhiễu của biến trung gian và thứ tự thời gian phải được trình bày cùng kết quả.
Tài liệu tham khảo
- De Cicco, R., Elmashhara, M. G., Silva, S. C., & Hammerschmidt, M. (2025). The impact of providing non-human identity cues about sales agents on consumer responses: The role of social presence and speciesism activation. European Journal of Marketing, 59(13), 55-84. https://doi.org/10.1108/EJM-01-2022-0066
- 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. https://doi.org/10.1037/1082-989X.12.1.1
- Hayes, A. F. (2015). An index and test of linear moderated mediation. Multivariate Behavioral Research, 50(1), 1-22. https://doi.org/10.1080/00273171.2014.962683
- Li, Y., Zhou, X., Jiang, X., Fan, F., & Song, B. (2024). How service robots’ human-like appearance impacts consumer trust: A study across diverse cultures and service settings. International Journal of Contemporary Hospitality Management, 36(9), 3151-3167. https://doi.org/10.1108/IJCHM-06-2023-0845
- 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(3), 879-891. https://doi.org/10.3758/BRM.40.3.879
- 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. https://doi.org/10.1080/00273170701341316
- Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The state of the art and future directions for psychological research. Developmental Review, 41, 71-90. https://doi.org/10.1016/j.dr.2016.06.004
- VanderWeele, T. J. (2016). Mediation analysis: A practitioner's guide. Annual Review of Public Health, 37, 17-32. https://doi.org/10.1146/annurev-publhealth-032315-021402
Ghi chú học thuật: Mô hình ba trung gian và chuỗi niềm tin → thái độ → ý định mua là minh họa phương pháp, không phải mô hình được một bài báo duy nhất kiểm định nguyên văn. Khi áp dụng, cần chọn estimator, cách xử lý dữ liệu phân loại và chiến lược tương tác theo thiết kế thực tế.