Một biến phụ thuộc sẽ chịu tác động của nhiều biến độc lập khác nhau, tuy nhiên không phải lúc nào phương trình càng nhiều biến càng phù hợp với dữ liệu, mô hình càng nhiều biến độc lập thì càng khó giải thích và đánh giá ảnh hưởng của mỗi biến độc lập đến biến phụ thuộc, có thể một vài biến được sử dụng lại không phải là biến quyết định cho biến cho biến thiên của biến phụ thuộc. Do vậy, việc thực hiện thủ tục chọn biến theo phương pháp chọn từng bước (Stepwise seclection) sẽ giúp ta nhận ra các biến độc lập có khả năng dự đoán tốt cho biến phụ thuộc.
Bảng 3.17. Kết quả của thủ tục chọn biến
Mô hình hồi
quy theo bước Biến đưa vào
Biến loại
ra Phương pháp
1 X5 – Dịch vụ hậu mãi
Từng bước (Tiêu chuẩn: xác suất F vào <=0,05, xác suất F ra
>=0.1)
2 X4 – Giá Từng bước (Tiêu chuẩn: xác suấtF vào <=0,05, xác suất F ra >=0.1)
3
X1 - Chất lượng cuộc gọi và dịch vụ
gia tăng
Từng bước (Tiêu chuẩn: xác suất F vào <=0,05, xác suất F ra
>=0.1)
Biến phụ thuộc: Hài lòng về chất lượng dịch vụ di động của Viettel (Nguồn: Số liệu phân tích với SPSS) Bảng 3.17 cho ta kết quả của phép kiểm định F đối với giả thiết hệ số của biến được đưa vào bằng 0. Như vậy, ta chỉ nên sử dụng 3 nhân tố
X5 – dịch vụ hậu mãi, X4 – giá, X1 - chất lượng cuộc gọi và dịch vụ gia tăng. Hai nhân tố còn lại X2 – sự thuận tiện, X3 – dịch vụ khách hàng không đủ tiêu chuẩn xác xuất F vào <= 0,05 và xác xuất F ra >=0,1 sẽ không được đưa vào mô hình do không có khả năng dự đoán tố cho biến phụ thuộc hài lòng với chất lượng dịch vụ di động của Viettel. Điều này cũng đã được dự đoán thông qua hệ số tương quan giữa biến Y với biến X2 – sự thuận tiện là thấp và Y với biến X3 – dịch vụ khách hàng chỉ ở mức bình thường.
Mô hình nghiên cứu được biểu diễn dưới dạng phương trình hồi quy như sau:
Y = B0 + B5*X5 + B4*X4 + B1*X1
Với Y là quyết định KH hài lòng với chất lượng dịch vụ di động của Viettel tại thành phố Vũng Tàu, X5 là dịch vụ hậu mãi, X4 là giá, X1 là chất lượng cuộc gọi và dịch vụ gia tăng, B0 là hằng số và Bi là các hệ số hồi quy.
3.4.6. Đánh giá độ phù hợp của mô hình hồi quy tuyến tính đa biến Bảng 3.18. Kết quả đánh giá độ phù hợp của mô hình
Mô hình Hệ sốR Hệ số R bình phương Hệ số R bình phương - hiệu chỉnh Sai số chuẩn của ước lượng
Thống kê thay đổi
Hệ số Durbin- Watson R bình phương sau khi thay đổi Hệ số F sau khi thay đổi Bậc tự do 1 Bậc tự do 2 Hệ số sig. F sau khi thay đổi 1 .663a .439 .437 .44552 .439 248.242 1 317 .000 2 .719b .513 .513 .41441 .077 50.383 1 316 .000 3 .728c .525 .525 .40925 .013 9.022 1 315 .000 1.514 a. Dự báo: (Hằng số), X5 b. Dự báo: (Hằng số), X5, X4 c. Dự báo: (Hằng số), X5, X4, X1 f. Biến phụ thuộc: Y
Giá trị R bình phương điều chỉnh là thước đo sự phù hợp được sử dụng cho tình huống hồi quy tuyến tính đa biến, hệ số R bình phương bằng 0,525 > 0,5 cho thấy các biến trong mô hình có độ tin cậy cao. Giá trị hệ số R bình phương hiệu chỉnh bằng 0,525 cho thấy độ phù hợp của mô hình là 52,5% nghĩa là 5 biến độc lập trên giải thích được 52,5% biến động của biến phụ thuộc, còn lại là ảnh hưởng của các yếu tố ngoài mô hình và sai số.
Giá trị Sig. F sau khi thay đổi < 0,05 cho thấy các biến đưa vào đều có ý nghĩa về mặt thống kê với mức ý nghĩa 5%. Như vậy, các biến độc lập trong mô hình có quan hệ đối với biến phụ thuộc. Hệ số d (Durbin – Watson) bằng 1.514 nằm trong khoảng {1.5; 2.5} cho thấy không các phần dư không có tương quan với nhau.
Theo sự giảm dần của hệ số R bình phương sau khi thay đổi, ta biết được tầm quan trọng của các biến độc lập ảnh hưởng đến chất lượng dịch vụ di động của Viettel theo thứ tự: X5 – chăm sóc khách hàng, X4 – giá, X1 - chất lượng cuộc gọi và dịch vụ gia tăng.