PROCESS Macro là công cụ miễn phí do Andrew F. Hayes phát triển, cho phép phân tích biến trung gian, biến điều tiết và trung gian có điều kiện ngay trong SPSS chỉ bằng một dòng lệnh. Thay vì ghép nhiều phương trình hồi quy rồi tính tích hệ số bằng tay, bạn nhận được hiệu ứng gián tiếp kèm khoảng tin cậy bootstrap trong cùng một bảng kết quả.

Bài viết hướng dẫn cách cài đặt PROCESS v4 cho SPSS, chạy bốn mô hình hay gặp nhất trong luận văn (Model 4, 1, 7 và 14), đọc khoảng tin cậy bootstrap, chỉ số trung gian có điều tiết, kèm ví dụ diễn giải và mẫu câu viết theo chuẩn APA.
Điểm chính của bài
- PROCESS Macro chạy trên SPSS qua hộp thoại cài thêm hoặc qua file cú pháp process.sps.
- Model 4 dùng cho trung gian đơn, Model 1 cho điều tiết, Model 7 và 14 cho trung gian có điều tiết.
- Hiệu ứng gián tiếp có ý nghĩa khi khoảng tin cậy bootstrap percentile 95% (5.000 mẫu) không chứa 0.
- Với Model 7 và 14, kết luận dựa trên chỉ số trung gian có điều tiết (index of moderated mediation).
- Luôn đặt seed, báo cáo hệ số chưa chuẩn hóa và nêu rõ phiên bản PROCESS.
Nội dung bài viết
- PROCESS Macro là gì và khi nào nên dùng?
- Điều kiện dữ liệu trước khi chạy
- Chọn mô hình PROCESS Macro theo giả thuyết
- Cách cài đặt PROCESS Macro v4 cho SPSS
- Chạy Model 4 của PROCESS Macro: trung gian đơn
- Chạy Model 1: kiểm định biến điều tiết
- PROCESS Macro Model 7 và 14: trung gian có điều tiết
- Cách viết kết quả PROCESS Macro theo chuẩn APA
- Lỗi thường gặp khi dùng PROCESS Macro
- Checklist khi báo cáo PROCESS Macro
- Câu hỏi thường gặp về PROCESS Macro
- Tài liệu tham khảo
PROCESS Macro là gì và khi nào nên dùng?
Về bản chất, PROCESS Macro là một tập hợp các phương trình hồi quy OLS (hoặc hồi quy logistic khi biến phụ thuộc nhị phân) được đóng gói sẵn theo hơn 90 mô hình đánh số. Mỗi số hiệu tương ứng một cấu hình quan hệ giữa biến độc lập X, biến trung gian M, biến điều tiết W, Z và biến phụ thuộc Y. Danh mục mô hình được mô tả chi tiết trong phụ lục sách của Hayes (2022).
Điểm mạnh lớn nhất là kiểm định hiệu ứng gián tiếp bằng bootstrap, phương pháp không giả định phân phối chuẩn của tích \(a \times b\). Preacher và Hayes (2008) đã chỉ ra cách tiếp cận lấy mẫu lặp này có công suất cao hơn và ít sai lệch hơn kiểm định Sobel. Vì vậy, PROCESS Macro gần như đã trở thành chuẩn mặc định cho phân tích trung gian với biến quan sát trên SPSS.
Khi nào PROCESS Macro phù hợp hơn SEM?
PROCESS Macro phù hợp khi các biến là điểm trung bình của thang đo đã được kiểm định độ tin cậy, mô hình không quá nhiều biến kết quả và bạn cần kết quả nhanh, dễ trình bày. Ngược lại, nếu mô hình có nhiều biến tiềm ẩn, cần kiểm soát sai số đo lường, hãy cân nhắc PLS-SEM trên SmartPLS hoặc SEM trên AMOS.
Lưu ý: PROCESS Macro dùng điểm số trung bình nên giả định thang đo không có sai số đo lường. Hãy chạy Cronbach's alpha, EFA và nếu cần CFA trước, rồi mới tạo biến trung bình. Xem bài Cronbach's alpha trong SPSS.
Điều kiện dữ liệu trước khi chạy
Vì nền tảng là hồi quy OLS, các giả định quen thuộc vẫn áp dụng: quan hệ tuyến tính, phần dư độc lập, phương sai phần dư tương đối đồng nhất và không có đa cộng tuyến nghiêm trọng. Bạn có thể kiểm tra nhanh bằng một mô hình hồi quy thông thường như trong bài hồi quy tuyến tính bội trên SPSS.
- Tạo biến tổng hợp. Dùng Transform > Compute Variable với hàm MEAN(NT1, NT2, NT3, NT4).
- Đặt tên biến ngắn. Bản SPSS của PROCESS Macro yêu cầu tên biến không quá 8 ký tự, không dấu.
- Cỡ mẫu. Bootstrap hoạt động tốt với mẫu từ vài trăm quan sát; mẫu quá nhỏ cho khoảng tin cậy rất rộng.
- Thiết kế. Dữ liệu cắt ngang không chứng minh được nhân quả; trung gian cần lập luận lý thuyết về thứ tự thời gian.
Chọn mô hình PROCESS Macro theo giả thuyết
Sai lầm phổ biến là chọn số hiệu mô hình trước rồi mới viết giả thuyết. Hãy làm ngược lại: vẽ sơ đồ khái niệm từ lý thuyết, xác định biến nào là X, M, W, rồi đối chiếu với danh mục mô hình của PROCESS Macro. Bảng dưới tóm tắt các mô hình hay gặp nhất trong luận văn kinh tế, quản trị và giáo dục.
| Model | Cấu trúc | Kết quả chính cần đọc |
|---|---|---|
| 1 | W điều tiết X → Y | Hệ số Int_1, \(\Delta R^2\), hiệu ứng có điều kiện |
| 4 | X → M → Y (M có thể song song) | Indirect effect và BootCI |
| 6 | X → M1 → M2 → Y (nối tiếp) | Các hiệu ứng gián tiếp riêng |
| 7 | W điều tiết đường a (X → M) | Index of moderated mediation |
| 8 | W điều tiết đường a và đường trực tiếp | Index, hiệu ứng trực tiếp có điều kiện |
| 14 | W điều tiết đường b (M → Y) | Index of moderated mediation |
| 58 | W điều tiết cả đường a và đường b | Hiệu ứng gián tiếp có điều kiện |
Nếu mô hình lý thuyết của bạn không khớp số hiệu nào có sẵn, bản v4 cho phép tự định nghĩa mô hình bằng ma trận (tùy chọn bmatrix, wmatrix). Tuy vậy, với luận văn thạc sĩ, các mô hình có sẵn trên thường là đủ.
Cách cài đặt PROCESS Macro v4 cho SPSS
Tải gói cài đặt PROCESS Macro miễn phí từ trang chính thức processmacro.org. Sau khi giải nén, bạn sẽ có file hộp thoại (.spd) và file cú pháp process.sps. Có hai cách sử dụng, chọn một trong hai.
- Mở SPSS với quyền quản trị. Nhấp chuột phải vào biểu tượng SPSS, chọn Run as administrator; thiếu bước này hộp thoại thường không cài được.
- Cài hộp thoại. Trên SPSS 26 đến 29, vào Extensions > Utilities > Install Custom Dialog (Compatibility mode), trỏ tới file .spd trong thư mục vừa giải nén.
- Kiểm tra menu. Khởi động lại SPSS, mục mới xuất hiện tại Analyze > Regression > PROCESS v4 by Andrew F. Hayes (tên hiển thị kèm số phiên bản cụ thể).
- Hoặc dùng cú pháp. Mở process.sps bằng File > Open > Syntax, chọn Run > All để nạp macro. Sau đó mở một cửa sổ cú pháp mới và gõ lệnh process.
- Nạp lại mỗi phiên. Với cách cú pháp, PROCESS Macro chỉ tồn tại trong phiên làm việc; mỗi lần mở lại SPSS cần chạy process.sps lần nữa.

Mẹo: Chạy PROCESS Macro bằng cú pháp ổn định hơn hộp thoại và giúp bạn lưu lại toàn bộ lệnh đã chạy. Đặt file cú pháp chung thư mục với dữ liệu để người hướng dẫn chạy lại dễ dàng.
Chạy Model 4 của PROCESS Macro: trung gian đơn
Model 4 là cấu hình X → M → Y, kèm đường trực tiếp X → Y. Trong ví dụ của bài, X là Nhận thức hữu ích (NT), M là Sự hài lòng (HL), Y là Ý định tiếp tục sử dụng (YD). Lệnh đầy đủ như sau:
process y=YD /x=NT /m=HL /model=4 /total=1 /boot=5000 /seed=1234.
Tùy chọn total=1 in thêm hiệu ứng tổng, boot=5000 đặt số mẫu bootstrap, seed=1234 cố định chuỗi ngẫu nhiên để kết quả lặp lại được. Muốn thêm biến kiểm soát, bổ sung /cov=TUOI GT. Nếu dùng hộp thoại, chọn Model number = 4, đưa biến vào ô Y, X, Mediator(s) rồi đặt Number of bootstrap samples = 5000.
Đọc kết quả Model 4 trong PROCESS Macro
Với Model 4, PROCESS Macro in kết quả gồm hai phương trình. Phương trình thứ nhất (OUTCOME VARIABLE: HL) cho hệ số a. Phương trình thứ hai (OUTCOME VARIABLE: YD) cho hệ số b của HL và hệ số c' của NT. Phần cuối "TOTAL, DIRECT, AND INDIRECT EFFECTS OF X ON Y" là nơi bạn đọc kết luận chính.
Hiệu ứng gián tiếp nằm ở dòng Indirect effect(s) of X on Y, gồm Effect, BootSE, BootLLCI và BootULCI. Nếu khoảng [BootLLCI; BootULCI] không chứa 0, hiệu ứng gián tiếp có ý nghĩa thống kê. Bản v4 mặc định dùng khoảng tin cậy percentile, đúng với khuyến nghị của Hayes (2022). Bài phân tích biến trung gian trình bày thêm về logic phân loại trung gian.
| Đường dẫn | Hệ số | SE | t | p | Ghi chú |
|---|---|---|---|---|---|
| a: NT → HL | 0,524 | 0,051 | 10,27 | < 0,001 | Phương trình 1 |
| b: HL → YD | 0,408 | 0,056 | 7,29 | < 0,001 | Phương trình 2 |
| c': NT → YD (trực tiếp) | 0,182 | 0,058 | 3,14 | 0,002 | Phương trình 2 |
| c: NT → YD (tổng) | 0,396 | 0,052 | 7,62 | < 0,001 | Do total=1 |
| Gián tiếp a × b | 0,214 | BootSE 0,035 | CI 95% [0,148; 0,285] | 5.000 mẫu bootstrap | |
Bảng trên là số liệu minh họa với n = 300. Kiểm tra nhanh: 0,524 × 0,408 ≈ 0,214 và 0,182 + 0,214 = 0,396, khớp với hiệu ứng tổng. Vì khoảng tin cậy không chứa 0 và c' vẫn có ý nghĩa, HL đóng vai trò trung gian một phần (bổ sung).

Chạy Model 1: kiểm định biến điều tiết
Trong PROCESS Macro, Model 1 kiểm tra xem tác động của X lên Y có thay đổi theo mức độ của W hay không. Giả sử W là Kinh nghiệm sử dụng (KN), đo bằng thang liên tục:
process y=YD /x=NT /w=KN /model=1 /center=2 /moments=1 /plot=1 /jn=1 /seed=1234.
center=2 chuẩn hóa tâm các biến liên tục tạo tích tương tác, moments=1 tính hiệu ứng có điều kiện tại trung bình và cộng trừ một độ lệch chuẩn, plot=1 in dữ liệu để vẽ đồ thị, jn=1 thực hiện kỹ thuật Johnson-Neyman. Đọc dòng Int_1 (tích NT × KN) và bảng "Test(s) of highest order unconditional interaction(s)" cho \(\Delta R^2\).
Ví dụ: Hệ số tương tác Int_1 = 0,126, SE = 0,041, \(t = 3{,}07\), \(p = 0{,}002\); \(\Delta R^2 = 0{,}021\), \(F(1, 296) = 9{,}42\). Tác động của NT lên YD là 0,212 khi KN thấp, 0,341 tại trung bình và 0,470 khi KN cao, cả ba đều có ý nghĩa (số liệu minh họa). Kinh nghiệm càng cao, nhận thức hữu ích càng thúc đẩy ý định mạnh hơn.
Cơ sở lý thuyết và cách vẽ đồ thị đường dốc đơn giản được trình bày trong bài biến điều tiết. Lưu ý center chỉ ảnh hưởng đến hệ số thành phần, không thay đổi hệ số tương tác.
PROCESS Macro Model 7 và 14: trung gian có điều tiết
Khi một biến điều tiết tác động lên một nhánh của cơ chế trung gian, ta có trung gian có điều tiết (moderated mediation). Model 7 đặt W điều tiết đường a (X → M); Model 14 đặt W điều tiết đường b (M → Y). Lựa chọn mô hình phải xuất phát từ giả thuyết, không phải thử cả hai rồi giữ mô hình "đẹp" hơn.
process y=YD /x=NT /m=HL /w=KN /model=7 /center=2 /moments=1 /boot=5000 /seed=1234.
process y=YD /x=NT /m=HL /w=KN /model=14 /center=2 /moments=1 /boot=5000 /seed=1234.
Đọc index of moderated mediation trong PROCESS Macro
Với Model 7, hiệu ứng gián tiếp có điều kiện bằng \((a_1 + a_3 W) \times b\). Chỉ số trung gian có điều tiết chính là hệ số góc của hiệu ứng gián tiếp theo W:
Kết quả in ở bảng Index of moderated mediation với Index, BootSE, BootLLCI, BootULCI. Nếu khoảng tin cậy không chứa 0, hiệu ứng gián tiếp phụ thuộc vào W một cách có ý nghĩa; khi đó mới diễn giải các hiệu ứng gián tiếp có điều kiện tại từng mức W.
| Mức KN | Hiệu ứng gián tiếp | BootSE | BootLLCI | BootULCI |
|---|---|---|---|---|
| Thấp (-1 SD) | 0,165 | 0,034 | 0,101 | 0,235 |
| Trung bình | 0,214 | 0,035 | 0,148 | 0,285 |
| Cao (+1 SD) | 0,263 | 0,044 | 0,180 | 0,352 |
| Index of moderated mediation | 0,048 | 0,018 | 0,014 | 0,086 |
Trong ví dụ Model 7 (số liệu minh họa), \(a_3 = 0{,}118\) và \(b = 0{,}408\) nên Index ≈ 0,048, khoảng tin cậy [0,014; 0,086] không chứa 0. Kinh nghiệm làm tăng hiệu ứng gián tiếp của nhận thức hữu ích lên ý định thông qua sự hài lòng.

Cách viết kết quả PROCESS Macro theo chuẩn APA
Mẫu cho Model 4: "Phân tích trung gian được thực hiện bằng PROCESS Macro v4 (Model 4; Hayes, 2022) với 5.000 mẫu bootstrap. Nhận thức hữu ích tác động gián tiếp đến ý định tiếp tục sử dụng thông qua sự hài lòng, \(ab = 0{,}214\), BootSE = 0,035, 95% CI [0,148; 0,285]. Hiệu ứng trực tiếp vẫn có ý nghĩa, \(c' = 0{,}182\), \(p = 0{,}002\), cho thấy trung gian một phần."
Mẫu cho Model 7: "Chỉ số trung gian có điều tiết có ý nghĩa, Index = 0,048, 95% CI [0,014; 0,086]; hiệu ứng gián tiếp tăng từ 0,165 khi kinh nghiệm thấp lên 0,263 khi kinh nghiệm cao." Bạn có thể tham khảo bố cục bảng trong bài chương 4 luận văn.
Lỗi thường gặp khi dùng PROCESS Macro
- Báo lỗi tên biến. Tên dài hơn 8 ký tự hoặc trùng tên lệnh làm PROCESS Macro dừng. Đổi tên ngắn gọn như NT, HL, YD.
- Chỉ dùng kiểm định Sobel. Hayes không khuyến nghị Sobel; hãy báo cáo khoảng tin cậy bootstrap.
- Kết luận dựa vào p của a và b. Hiệu ứng gián tiếp cần đánh giá trực tiếp qua khoảng tin cậy của tích, không suy từ hai p riêng lẻ.
- Không đặt seed. Mỗi lần chạy cho cận khoảng tin cậy hơi khác, gây khó khi đối chiếu.
- Diễn giải hiệu ứng có điều kiện khi Index không có ý nghĩa. Nếu Index chứa 0, không kết luận có trung gian có điều tiết.
- Bỏ qua sai lệch phương pháp chung. Khi X, M, Y cùng đo bằng một bảng hỏi, cần xem xét Common Method Bias trước khi diễn giải.
Lưu ý: Ghi rõ phiên bản (ví dụ v4.2) vì kết quả và tên tùy chọn có thể thay đổi giữa các phiên bản. Không chọn lọc mô hình theo kết quả có ý nghĩa.
Checklist khi báo cáo PROCESS Macro
- Đã nêu số hiệu mô hình, phiên bản PROCESS Macro và lý do lựa chọn mô hình.
- Đã kiểm định thang đo trước khi tạo biến trung bình.
- Đã ghi số mẫu bootstrap (5.000), loại khoảng tin cậy (percentile) và seed.
- Bảng hệ số chưa chuẩn hóa có SE, t, p cho từng phương trình.
- Hiệu ứng gián tiếp kèm BootSE và khoảng tin cậy 95%.
- Với Model 1, 7, 14: báo cáo hệ số tương tác, \(\Delta R^2\), hiệu ứng có điều kiện và Index (nếu có).
Câu hỏi thường gặp về PROCESS Macro
PROCESS Macro có miễn phí không?
Có. PROCESS Macro được phát hành miễn phí tại processmacro.org cho SPSS, SAS và R. Khi sử dụng, hãy trích dẫn sách của Hayes (2022).
Nên chạy 5.000 hay 10.000 mẫu bootstrap?
5.000 là mức mặc định và đủ cho hầu hết luận văn. Có thể tăng lên 10.000 khi cận khoảng tin cậy nằm sát 0 để kết luận ổn định hơn.
Có cần chuẩn hóa biến trước khi chạy không?
Không bắt buộc. Báo cáo hệ số chưa chuẩn hóa là thông lệ. Với điều tiết, dùng center để hệ số thành phần dễ diễn giải hơn.
PROCESS Macro có xử lý được nhiều biến trung gian không?
Có. Model 4 chấp nhận nhiều biến trung gian song song (m=HL TT); Model 6 dùng cho trung gian nối tiếp. Kết quả có thêm phần so sánh hiệu ứng gián tiếp nếu bật contrast=1.
PROCESS Macro có dùng được cho thang Likert không?
Được, với điều kiện bạn tạo biến trung bình của nhiều câu hỏi đã qua kiểm định độ tin cậy. Không nên đưa từng câu Likert đơn lẻ vào mô hình.
Biến X là biến phân loại thì sao?
Dùng tùy chọn mcx (ví dụ mcx=1 cho mã hóa chỉ báo) để PROCESS Macro tự tạo biến giả. Biến điều tiết phân loại dùng mcw tương tự.
Muốn chạy PROCESS đúng ngay từ đầu?
Kaas.vn hướng dẫn qua dịch vụ hỗ trợ SPSS, giải thích từng dòng kết quả và bàn giao file cú pháp để bạn tự chạy lại; bạn cũng có thể luyện tập với bộ dữ liệu thực hành. Chúng tôi không viết thay và không chỉnh số liệu.
Tài liệu tham khảo
- Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
- 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. doi:10.3758/BRM.40.3.879
- Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879-903. doi:10.1037/0021-9010.88.5.879
Gửi mô hình (ảnh, Word, PDF) và chọn SPSS, AMOS, SmartPLS, Stata, Eviews hoặc R. Kaas.vn đề xuất phương án và báo giá miễn phí.
- ANOVA SPSS: 7 bước chạy One-way ANOVA, Welch, Post Hoc và cách đọc kết quả
- Mô hình ARDL: 7 bước chạy bounds test và ECM trên EViews
- Hồi quy tuyến tính bội trong SPSS: 6 bước chạy và đọc kết quả chính xác
- HTMT: 5 bước đánh giá giá trị phân biệt trên SmartPLS và AMOS
- Nhập liệu SPSS: 6 bước mã hóa biến và làm sạch dữ liệu khảo sát

















