Kết hợp thiết kế thực nghiệm 2×2 với SEM: từ trung gian đến moderated mediation
Một thiết kế thực nghiệm nhân tố cho biết một tác động có tồn tại hay không. SEM đi xa hơn một bước: cho biết tác động đó vận hành qua cơ chế tâm lý nào, và liệu cơ chế ấy có thay đổi giữa các điều kiện thực nghiệm. Bài viết trình bày cách phối hợp hai công cụ qua ba dạng trung gian, từ song song, chuỗi, đến có điều tiết.
Phân ngẫu nhiên điều kiện thực nghiệm không đồng nghĩa với việc các biến trung gian cũng được phân ngẫu nhiên. SEM cho phép mô hình hóa đồng thời nhiều cơ chế trung gian và điều tiết với sai số đo lường, nhưng diễn giải nhân quả của tác động gián tiếp vẫn phụ thuộc vào các giả định bổ sung về nhiễu giữa biến trung gian và biến kết quả (VanderWeele, 2016).
1. Thiết kế thực nghiệm 2×2 là gì?
Thiết kế thực nghiệm nhân tố 2×2 bao gồm hai yếu tố độc lập, mỗi yếu tố có hai mức độ hoặc điều kiện. Nghiên cứu thứ hai (Study 2) trong De Cicco và cộng sự (2025), công bố trên European Journal of Marketing, minh họa rõ cấu trúc này. Nhóm tác giả tìm hiểu phản ứng của khách hàng khi trò chuyện với một nhân viên bán hàng ảo (chatbot) trong một dịch vụ giao đồ ăn giả định, và thao tác hai yếu tố:
Yếu tố A – Tiết lộ danh tính AI: Chatbot tiết lộ rõ mình là một hệ thống AI, hoặc không tiết lộ, để khách hàng ngầm hiểu đang trò chuyện với một nhân viên con người.
Yếu tố B – Mức độ hiện diện xã hội của giao diện: Thấp hoặc cao, thể hiện qua avatar, văn phong hội thoại và các cử chỉ ngôn ngữ của chatbot.
| Điều kiện | Tiết lộ danh tính AI | Hiện diện xã hội |
|---|---|---|
| Nhóm 1 | Không | Thấp |
| Nhóm 2 | Có | Thấp |
| Nhóm 3 | Không | Cao |
| Nhóm 4 | Có | Cao |
Cấu trúc bốn điều kiện mô phỏng theo Study 2 của De Cicco và cộng sự (2025), với N = 231 người tham gia sau khi loại trừ, chia thành bốn ô có kích thước từ 51 đến 62 người.
Mỗi người tham gia được phân ngẫu nhiên vào một trong bốn điều kiện và chỉ trải nghiệm một phiên bản chatbot. Đây là thiết kế between-subjects factorial experiment, vì những người tham gia thuộc các điều kiện độc lập.
Thiết kế này cho phép đánh giá ba loại tác động: main effect A (tác động trung bình của việc tiết lộ danh tính AI, xét trên cả hai mức hiện diện xã hội), main effect B (tác động trung bình của mức hiện diện xã hội, xét trên cả hai điều kiện tiết lộ), và interaction effect A×B (chênh lệch tác động của việc tiết lộ giữa điều kiện hiện diện xã hội thấp và cao). Tác động tương tác không nhất thiết xuất hiện ngay cả khi cả hai tác động chính đều có ý nghĩa thống kê, và ngược lại cũng có thể tồn tại ngay cả khi tác động chính không có ý nghĩa.
Đối với một biến kết quả Y, phương trình phân tích thực nghiệm viết dưới dạng hồi quy tương tác:
Nếu A và B được mã hóa 0–1, thì β1 là tác động của A khi B = 0, β2 là tác động của B khi A = 0, và β3 là mức chênh lệch tác động của A giữa hai điều kiện B.
Hệ số β1 không tự động là tác động chính trung bình của A trên cả hai điều kiện B. Để diễn giải tác động trung bình, cần tính các tương phản biên phù hợp hoặc sử dụng phương pháp mã hóa và mô hình hóa tương ứng, chứ không đọc trực tiếp hệ số hồi quy như một main effect đã được trung bình hóa.
2. Vì sao cần kết hợp với SEM?
ANOVA hoặc hồi quy tương tác giúp xác định liệu một yếu tố có tạo ra khác biệt về biến kết quả hay không, nhưng các kỹ thuật này không tự giải thích đầy đủ cơ chế tạo ra khác biệt. Việc tiết lộ danh tính AI, chẳng hạn, có thể làm thay đổi thái độ của khách hàng đối với doanh nghiệp thông qua nhiều con đường cùng lúc: niềm tin dành cho doanh nghiệp (De Cicco và cộng sự, 2025), cảm nhận nồng ấm và cảm nhận năng lực của chatbot, hai khái niệm thường dùng để giải thích phản ứng với các tác nhân phi con người trong nghiên cứu về robot và AI dịch vụ (Li và cộng sự, 2024). Đây đều là những khái niệm tâm lý được đo bằng nhiều chỉ báo quan sát, và SEM có thể mô hình hóa phần sai số đo lường trong khi kiểm định đồng thời nhiều đường tác động.
Kết hợp thực nghiệm với SEM cung cấp hai lớp bằng chứng: tác động do điều kiện được thao tác, và các cơ chế trung gian được giả thuyết.
Phân ngẫu nhiên điều kiện thực nghiệm không đồng nghĩa với việc các biến trung gian cũng được phân ngẫu nhiên. Diễn giải nhân quả của tác động gián tiếp vẫn phụ thuộc vào các giả định bổ sung, đặc biệt là giả định không có nhiễu chưa quan sát giữa biến trung gian và biến kết quả (VanderWeele, 2016). SEM chỉ cung cấp công cụ mô hình hóa cơ chế tốt hơn, không tự động giải quyết vấn đề nhận diện nhân quả này.
3. Trung gian song song (parallel mediation)
Trung gian song song xảy ra khi một biến độc lập tác động đến biến phụ thuộc thông qua hai hay nhiều biến trung gian, mỗi biến được mô hình hóa trên một con đường riêng biệt. Mở rộng theo hướng song song từ bối cảnh tiết lộ danh tính AI: tiết lộ AI → niềm tin → thái độ đối với doanh nghiệp, và song song, tiết lộ AI → cảm nhận nồng ấm → thái độ đối với doanh nghiệp. Hai biến trung gian không bắt buộc phải có quan hệ nhân quả trực tiếp với nhau.
Với hai biến trung gian M1 và M2 (các hệ số viết ở dạng rút gọn, lược bỏ hằng số và biến kiểm soát):
Hai tác động gián tiếp riêng biệt là IE1 = a1b1 và IE2 = a2b2, với tổng tác động gián tiếp IEtotal = a1b1 + a2b2. Trong mô hình tuyến tính cộng tính phù hợp, tổng tác động của X lên Y được phân rã thành tác động trực tiếp và các tác động gián tiếp này.
Preacher và Hayes (2008) trình bày các phương pháp ước lượng, so sánh nhiều tác động gián tiếp trong cùng mô hình, và dùng resampling để suy luận thống kê. Nhà nghiên cứu nên báo cáo riêng từng tác động gián tiếp cùng khoảng tin cậy bootstrap, thay vì chỉ dựa vào tổng tác động gián tiếp.
4. Trung gian chuỗi (serial mediation)
Trung gian chuỗi mô tả quá trình trong đó tác động của X được truyền qua nhiều biến trung gian theo một thứ tự giả thuyết. Mở rộng từ kết quả của De Cicco và cộng sự (2025): tiết lộ danh tính AI → niềm tin → thái độ đối với doanh nghiệp → ý định mua, trong đó niềm tin ảnh hưởng đến thái độ, và thái độ sau đó liên quan đến ý định mua. Đây là một chuỗi hợp lý về lý thuyết, nhưng không phải là mô hình duy nhất đã được kiểm định nguyên văn trong bài báo gốc; bài báo báo cáo niềm tin trung gian riêng cho cả thái độ và ý định mua, còn chuỗi ba bước ở đây là một minh họa mở rộng cho mục đích trình bày phương pháp.
Xét chuỗi X → M1 → M2 → Y, với ba đường lần lượt có hệ số a, d và b, tác động gián tiếp theo chuỗi là:
Một mô hình chuỗi đầy đủ còn có thể chứa các đường trực tiếp X → M2, M1 → Y và X → Y; khi đó cần phân biệt tác động theo chuỗi với các tác động gián tiếp khác trong cùng mô hình.
Không thể kết luận rằng M1 xảy ra trước M2 chỉ dựa vào việc SEM có chỉ số phù hợp tốt. Nếu M1, M2 và Y được đo cùng thời điểm, chiều nhân quả giữa chúng chủ yếu vẫn dựa trên lý thuyết và giả định. Thiết kế đo lường theo thời gian, hoặc thao tác trực tiếp biến trung gian, có thể hỗ trợ nhận diện cơ chế tốt hơn.
5. Trung gian có điều tiết (moderated mediation)
Moderated mediation xảy ra khi mức độ tác động gián tiếp từ X đến Y thông qua M thay đổi theo một biến điều tiết W. Trong Study 2 của De Cicco và cộng sự (2025), mức độ hiện diện xã hội của giao diện chatbot đóng đúng vai trò này: các giả thuyết H3, H4a và H4b kiểm định liệu mức hiện diện xã hội có điều tiết tác động của việc tiết lộ danh tính AI hay không, và kết quả cho thấy tác động tiêu cực của việc tiết lộ biến mất khi mức hiện diện xã hội cao. Preacher, Rucker và Hayes (2007) phát triển các phương pháp phân tích tác động gián tiếp có điều kiện; Edwards và Lambert (2007) trình bày một khung phân tích chung kết hợp moderation và mediation.
First-stage moderated mediation
Đây là trường hợp W điều tiết đường X → M:
Tác động gián tiếp phụ thuộc W: IE(W) = (a1 + a3W)b. Nếu W = 0 thì IE(0) = a1b; nếu W = 1 thì IE(1) = (a1+a3)b. Chênh lệch hai tác động gián tiếp là ΔIE = a3b, và với mô hình tuyến tính đơn giản này, a3b cũng chính là index of moderated mediation (Hayes, 2015).
Second-stage moderated mediation
Trong trường hợp W điều tiết đường M → Y:
Tác động gián tiếp là IE(W) = a(b1+b3W), và chỉ số moderated mediation tương ứng là Index = ab3.
Không nên kết luận có moderated mediation chỉ vì tác động gián tiếp có ý nghĩa ở nhóm video nhưng không có ý nghĩa ở nhóm hình ảnh. Cần kiểm định khoảng tin cậy của chênh lệch tác động gián tiếp, hoặc chỉ số moderated mediation khi chỉ số đó được xác định phù hợp cho mô hình (Hayes, 2015).
Mẫu báo cáo chỉ số moderated mediation
Chỉ số moderated mediation [first-stage / second-stage] bằng [giá trị], với khoảng tin cậy bootstrap 95% [cận dưới, cận trên] dựa trên [X] mẫu lặp. Vì khoảng tin cậy [có/không] chứa giá trị 0, có [đủ/chưa đủ] bằng chứng cho thấy tác động gián tiếp của [X] lên [Y] qua [M] thay đổi theo [W].
6. Kết hợp ba cơ chế trong một mô hình SEM
Một nghiên cứu có thể kết hợp đồng thời nhiều biến trung gian song song, các chuỗi trung gian nối tiếp, và một biến điều tiết tác động lên các đường cấu trúc hoặc tác động gián tiếp. Mở rộng từ bối cảnh tiết lộ danh tính AI, một mô hình có ba biến trung gian bước đầu (TRUST: niềm tin đối với doanh nghiệp; WARM: cảm nhận nồng ấm của chatbot; COMP: cảm nhận năng lực của chatbot, hai khái niệm vay mượn từ nghiên cứu về robot dịch vụ của Li và cộng sự, 2024) có thể chứa các con đường:
Trong đó X là việc tiết lộ danh tính AI, AA là thái độ đối với doanh nghiệp, BA là ý định mua, và W (mức độ hiện diện xã hội) được giả thuyết điều tiết các đường từ X đến những biến trung gian bước đầu, đúng với cấu trúc Study 2 của De Cicco và cộng sự (2025). Kết quả quan trọng không chỉ là việc tiết lộ có tác động hay không, mà còn là mỗi cơ chế tác động mạnh đến mức nào và liệu tác động đó có thay đổi giữa hai mức hiện diện xã hội.
Mô hình ba trung gian trên là minh họa mở rộng cho mục đích trình bày phương pháp, kết hợp các biến thực tế từ hai nghiên cứu khác nhau. Đây không phải là mô hình nguyên văn đã được một bài báo duy nhất ước lượng và xác nhận bằng dữ liệu thực nghiệm.
7. Quy trình phân tích thực hành
Thiết kế điều kiện thực nghiệm
Xác định rõ hai yếu tố thao tác, xây dựng bốn điều kiện và phân ngẫu nhiên người tham gia. Các phiên bản thực nghiệm nên giữ những đặc điểm ngoài hai yếu tố nghiên cứu tương đương tối đa, chẳng hạn thương hiệu, sản phẩm, nội dung cốt lõi và mức độ hấp dẫn; nếu các phiên bản khác biệt đồng thời ở nhiều đặc điểm, việc quy kết tác động cho yếu tố thao tác sẽ khó khăn.
Chuẩn bị dữ liệu
Hai biến thực nghiệm (ví dụ DISCLOSE = 0/1, PRESENCE = 0/1) là biến quan sát, không cần xây dựng thành nhân tố phản ánh có nhiều chỉ báo. Cần ghi nhận điều kiện được chỉ định thực tế từ quy trình phân ngẫu nhiên, không mã hóa dựa vào suy đoán của người trả lời.
Kiểm tra thao tác
Xác nhận người tham gia trong điều kiện có tiết lộ danh tính AI nhận diện yếu tố này rõ hơn nhóm không tiết lộ, và đã trải nghiệm đúng mức hiện diện xã hội được phân công. Việc loại mẫu chỉ vì trả lời không đúng câu kiểm tra thao tác có thể tạo sai lệch sau phân nhóm, nên phân tích chính cần dựa trên nhóm đã được chỉ định, cùng các phân tích độ nhạy được xác định minh bạch.
Kiểm định mô hình đo lường
Với mô hình SEM có nhân tố tiềm ẩn, thực hiện CFA để đánh giá mức độ phù hợp của cấu trúc nhân tố, factor loadings và sai số đo lường, độ tin cậy, giá trị hội tụ và giá trị phân biệt. Trước khi so sánh hai nhóm bằng SEM đa nhóm, cần kiểm tra tính tương đương đo lường (measurement invariance), vai trò quan trọng đối với so sánh giữa nhóm (Putnick & Bornstein, 2016).
Kiểm định tác động thực nghiệm
Ước lượng tác động của DISCLOSE, PRESENCE và DISCLOSE×PRESENCE bằng factorial ANOVA hoặc hồi quy tuyến tính với biến tương tác, trước khi diễn giải hệ thống trung gian.
Ước lượng SEM
Ước lượng các đường dẫn giả thuyết giữa biến thực nghiệm, biến trung gian và biến kết quả. Với CB-SEM, chọn phương pháp ước lượng phù hợp với thang đo, phân phối dữ liệu và kích thước mẫu. Với PLS-SEM, lý do lựa chọn cần nhất quán với mục tiêu nghiên cứu; không nên xem PLS-SEM là lựa chọn mặc định chỉ vì mô hình phức tạp.
Kiểm định tác động gián tiếp
Ước lượng từng tác động gián tiếp riêng biệt, tổng tác động gián tiếp và khoảng tin cậy thích hợp. Đối với bootstrap, 5.000 mẫu lặp là một lựa chọn thực hành ban đầu hợp lý, điều chỉnh theo độ ổn định của ước lượng và yêu cầu nghiên cứu.
Kiểm định moderated mediation
Ước lượng tác động gián tiếp ở từng điều kiện PRESENCE và kiểm tra trực tiếp chênh lệch giữa hai điều kiện. Nếu dùng multi-group SEM, cần chú ý tính tương đương đo lường và ràng buộc tham số phù hợp.
Phân tích độ nhạy
Kiểm tra mô hình có và không có biến kiểm soát trước thực nghiệm, ảnh hưởng của tiêu chí chất lượng dữ liệu, độ ổn định của từng tác động gián tiếp, các giả định về quan hệ giữa các biến trung gian, và những khả năng nhiễu chưa được quan sát trong quan hệ trung gian - kết quả.
| ID | DISCLOSE | PRESENCE | TRUST1 | TRUST2 | PI1 |
|---|---|---|---|---|---|
| 001 | 0 | 0 | 5 | 5 | 5 |
| 002 | 1 | 0 | 3 | 2 | 3 |
| 003 | 0 | 1 | 5 | 6 | 5 |
| 004 | 1 | 1 | 4 | 4 | 4 |
Dữ liệu hoàn toàn minh họa cho cấu trúc bảng dữ liệu, không phải số liệu từ một nghiên cứu thật. DISCLOSE = 0: không tiết lộ danh tính AI, 1: có tiết lộ. PRESENCE = 0: hiện diện xã hội thấp, 1: hiện diện xã hội cao.
8. Có thể thực hiện bằng phần mềm nào?
| Phần mềm | Thế mạnh | Lưu ý |
|---|---|---|
| SPSS / PROCESS | Hồi quy, ANOVA, mediation và moderated mediation với biến quan sát. | Không thay thế đầy đủ SEM nhân tố tiềm ẩn. |
| AMOS | CFA, CB-SEM, phân tích đa nhóm và bootstrap. | Tương tác tiềm ẩn và các hiệu ứng điều kiện phức tạp cần cấu hình bổ sung. |
| SmartPLS | PLS-SEM, mediation, moderation và MGA. | Cần lựa chọn phương pháp và kiểm định phù hợp; không đồng nhất với CB-SEM. |
| R / lavaan | CFA, SEM, multi-group SEM và định nghĩa tác động gián tiếp bằng cú pháp. | Tương tác tiềm ẩn cần phương pháp hoặc gói bổ sung phù hợp. |
| Mplus | SEM linh hoạt, mô hình phức tạp và ước lượng tương tác. | Phần mềm thương mại. |
Trong thực hành, việc dùng phối hợp SPSS và R/lavaan hoặc AMOS có thể hữu ích, nhưng phải duy trì một chiến lược ước lượng nhất quán cho các giả thuyết chính.
9. Những sai lầm thường gặp
| Cách hiểu sai | Vì sao có vấn đề |
|---|---|
| Đồng nhất moderated mediation với mediation và moderation được kiểm định riêng lẻ. | Hai kết quả riêng biệt không tự động chứng minh tác động gián tiếp thay đổi theo W. |
| So sánh ý nghĩa thống kê giữa hai nhóm thay vì kiểm định chênh lệch trực tiếp. | Một nhóm có p = 0,03 và nhóm còn lại p = 0,12 không đủ chứng minh hai tác động khác nhau có ý nghĩa thống kê. |
| Cho rằng SEM chứng minh mọi quan hệ nhân quả. | SEM chỉ cung cấp ước lượng theo một hệ giả định; phân ngẫu nhiên giúp nhận diện tác động của yếu tố thao tác, nhưng không tự bảo đảm nhận diện nhân quả của các cơ chế trung gian. |
| Không kiểm tra tính tương đương đo lường. | Nếu cùng một nhân tố mang ý nghĩa đo lường khác nhau giữa hai nhóm, kết luận về chênh lệch hệ số cấu trúc sẽ thiếu tin cậy. |
| Đưa quá nhiều biến trung gian vào cùng mô hình. | Mô hình phức tạp không đồng nghĩa với mô hình tốt; mỗi quan hệ trung gian phải được hỗ trợ bằng lý thuyết, thiết kế đo lường và khả năng nhận diện thích hợp. |
| Đánh giá mô hình chỉ dựa trên p-value. | Cần báo cáo ước lượng tác động, khoảng tin cậy, độ phù hợp mô hình và ý nghĩa lý thuyết, thay vì chỉ kết luận chấp nhận hoặc bác bỏ giả thuyết. |
- Đã kiểm tra thao tác thực nghiệm và báo cáo kết quả, thay vì chỉ giả định điều kiện có hiệu lực chưa?
- Đã kiểm tra tính tương đương đo lường trước khi so sánh các nhóm bằng SEM đa nhóm chưa?
- Đã báo cáo riêng từng tác động gián tiếp cùng khoảng tin cậy bootstrap, thay vì chỉ tổng tác động gián tiếp chưa?
- Nếu kiểm định moderated mediation, đã dùng khoảng tin cậy của chênh lệch hoặc chỉ số moderated mediation, thay vì so sánh ý nghĩa thống kê giữa hai nhóm chưa?
- Đã thực hiện phân tích độ nhạy: có và không biến kiểm soát, ổn định của ước lượng, khả năng nhiễu chưa quan sát trong quan hệ trung gian - kết quả chưa?
- Đã tránh diễn giải chỉ số phù hợp mô hình tốt như bằng chứng cho thứ tự nhân quả giữa các biến trung gian đo cùng thời điểm chưa?
Kết luận
Kết hợp thiết kế thực nghiệm nhân tố 2×2 với SEM hữu ích khi nhà nghiên cứu không chỉ muốn xác định tác động của điều kiện thực nghiệm, mà còn muốn giải thích các cơ chế đứng sau tác động đó. Trung gian song song giúp phân tách các con đường khác nhau; trung gian chuỗi xem xét những chuỗi cơ chế được lý thuyết giả thuyết; moderated mediation kiểm tra liệu tác động gián tiếp có thay đổi theo các điều kiện hoặc đặc điểm nhất định.
Giá trị thực sự của phương pháp không nằm ở số lượng biến hay mức độ phức tạp của sơ đồ, mà ở sự nhất quán giữa lý thuyết, thiết kế thực nghiệm, chất lượng thang đo, giả định nhận diện và quy trình suy luận thống kê.
Tài liệu tham khảo
Nguồn về bối cảnh minh họa
- 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
- 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
Nguồn về trung gian và điều tiết
- 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
- 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
- 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
Nguồn về đo lường và so sánh nhóm
- 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
Ghi chú học thuật: Các phương trình trong bài được viết ở dạng rút gọn, lược bỏ hằng số và biến kiểm soát để tập trung vào cơ chế trung gian và điều tiết. Khi áp dụng vào một nghiên cứu cụ thể, cách đặc tả mô hình (CB-SEM, PLS-SEM, PROCESS...) cần được lựa chọn phù hợp với thang đo, phân phối dữ liệu, kích thước mẫu và mục tiêu nghiên cứu.
