Giả sử các yếu tố tác động đến ý định mua lại theo mô hình 2.15 đều có quan hệ tuyến tính với ý định sử dụng. Phân tích hồi quy tuyến tính sẽ giúp biết được cường độ ảnh hưởng của các biến độc lập (nhu cầu cá nhân, thái độ, giá, chất lượng sản phẩm, niềm tin web) lên biến phụ thuộc (ý định sử dụng).
Lệnh hồi quy tuyến tính trong chương trình SPSS 20.0 được sử dụng để chạy phân tích phần mềm hồi quy. Hệ số xác định (R2) đo lường tỷ lệ tổng biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình. Giá trị R2 càng cao thì khả năng giải thích của mô hình hồi quy tuyến tính bội càng cao và việc dự đoán biến phụ thuộc càng chính xác. Phép phân tích phương sai (Anova) được tiến hành. Nếu giá trị F có ý nghĩa đáng kể về mặt thống kê (p < 0,05), giả thuyết thuần của mối quan hệ không tuyến tính bị bác bỏ. Hệ số β là hệ số hồi quy chuẩn hoá cho phép so sánh trực tiếp giữa các hệ số xem như là khả năng giải thích biến phụ thuộc. Trị tuyệt đối của một hệ số β chuẩn hóa càng lớn thì tầm quan trọng tương đối của nó trong dự báo biến phụ thuộc càng cao.
Để kiểm tra điều kiện hồi quy tuyến tính thì tác giả kiểm định các giả định hàm hồi quy tuyến tính bao gồm:
- Không có hiện tượng đa cộng tuyến. - Phương sai của phần dư không đổi. - Các phần dư có phân phối chuẩn.
Phân tích hồi quy tuyến tính sẽ giúp biết được cường độ ảnh hưởng của các biến độc lập lên biến phụ. Do vậy, mô hình hồi quy tuyến tính bội được phát triển như sau:
Int= β0 + β1*De + β2*Att + β3*Pr + β4*Qu + β5*Cre + ε
Trong đó Nhu cầu cá nhân (De), Thái độ khách hàng (Att), Giá (Pr), Chất lượng sản phẩm (Qu), Niềm tin vào web (Cre) và một biến phụ thuộc là Ý định sử dụng (Int), sử dụng phương pháp Inter.
Kết quả hồi quy bội như bảng 4.13
Bảng 4.13 Bảng phân tích các hệ số của các yếu tố độc lập trong hồi quy bội
Mô hình tóm tắt Mô
hình
R R 2 R2 hiệu
chỉnh
Sai số chuẩn ước lượng Hệ số Durbin-Watson
1 .813a .662 .656 .31508 1.722
a. Các dự báo: (Hằng số), Cre, De, Qu, Att, Pr b. Biến phụ thuộc: Int
ANOVA Mô hình Tổng bình phương df Bình phương trung bình F Sig. 1 Hồi quy 57.074 5 11.415 114.982 .000b Phần dư 29.187 294 .099 Tổng 86.261 299
a. Biến phụ thuộc: Int
b. Các dự báo: (Hằng số), Cre, De, Qu, Att, Pr Thống kê hệ số
Mô hình Hệ số chưa chuẩn hóa Hệ số chuẩn
hóa
t Sig. Thống kê đa cộng tuyến
B Std. Error Beta Tolerance VIF
1 (Hằng số) -.803 .214 -3.759 .000 De .153 .041 .136 3.691 .000 .844 1.185 Att .136 .040 .133 3.410 .001 .757 1.321 Pr .350 .048 .307 7.249 .000 .642 1.558 Qu .307 .045 .263 6.791 .000 .765 1.307 Cre .290 .043 .286 6.784 .000 .649 1.540
Nhận xét:
Theo bảng Mô hình tóm tắt, ta có R2 hiệu chỉnh bằng 0.656 do đó 5 biến De,
Att, Pr, Qu, Cre giải thích được 65.6% sự thay đổi của Int. Mặc khác, hệ số Durbin –
Watson là 1.722 (nằm trong 0 <1.722< 4) vậy không có sự tương quan chuỗi bậc 1 trong mô hình. Vì vậy, mô hình không bị vi phạm khi sử dụng phương pháp hồi quy bội.
Theo bảng ANOVA, ta có F = 114.982 # 0, hệ số Sig = 0 < 0,05 suy ra mô hình hồi quy phù hợp với tổng thể.
Theo bảng Thống kê hệ số, ta có các hệ số Sig của B các biến đều nhỏ hơn 0,05 ta có phương trình hồi quy như sau:
Int = - 0.803 + 0.153De+0.136Att + 0.350Pr+ 0.307Qu+ 0.290Cre
Mô hình trên được chấp nhận bởi vì:
Hệ số Sig của các B đều nhỏ hơn 0,05
Hệ số phóng đại phương sai VIF của các biến độc lập trong mô hình đều nhỏ
hơn 10 nên tính đa cộng tuyến của các biến độc lập trong mô hình là không đáng kể.
4.5.3 Phân tích các giả thuyết trong mô hình 4.5.3.1 Kiểm định các giả định mô hình