Trƣớc khi tiến hành phân tích hồi quy tuyến tính bội thì việc xem xét mối tƣơng quan tuyến tính giữa các biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau là công việc phải làm và hệ số tƣơng quan Pearson trong ma
trận hệ số tƣơng quan là phù hợp để xem xét mối tƣơng quan này. Ma trận hệ số tƣơng quan là một ma trận vuông gồm các hệ số tƣơng quan. Tƣơng quan của một biến nào đó với chính nó sẽ có hệ số tƣơng quan là 1 và chúng có thể đƣợc thấy trên đƣờng chéo của ma trận. Mỗi biến sẽ xuất hiện hai lần trong ma trận với hệ số tƣơng quan nhƣ nhau, đối xƣng nhau qua đƣờng chéo của ma trận. Nếu kết luận đƣợc là các biến độc lập và biến phụ thuộc có tƣơng quan tuyến tính với nhau qua hệ số tƣơng quan Pearson, đồng thời giả định rằng chúng ta đã cân nhắc kỹ bản chất của mối liên hệ tiềm ẩn giữa các biến và xem nhƣ đã xác định đúng hƣớng của một mối quan hệ nhân quả giữa chúng, thì chúng ta có thể mô hình hóa mối quan hệ nhân quả của chúng bằng mô hình hồi quy tuyến tính bội, trong đó một biến đƣợc gọi là biến phụ thuộc và các biến còn lại gọi là các biến độc lập.
Bảng 4.6: Ma trận tƣơng quan giữa các khái niệm nghiên cứu
BP BA PQ BI BE
BA Tƣơng quan Pearson 1 .649(**) .473(**) .554(**) .577(**)
Hệ số Sig (2-tailed) . .000 .000 .000 .000
BI Tƣơng quan Pearson .649(**) 1 .667(**) .727(**) .649(**)
Hệ số Sig (2-tailed) .000 . .000 .000 .000
PQ Tƣơng quan Pearson .473(**) .667(**) 1 .792(**) .748(**)
Hệ số Sig (2-tailed) .000 .000 . .000 .000
BP Tƣơng quan Pearson .554(**) .727(**) .792(**) 1 .835(**)
Hệ số Sig (2-tailed) .000 .000 .000 . .000
BE Tƣơng quan Pearson .577(**) .649(**) .748(**) .835(**) 1
Hệ số Sig (2-tailed) .000 .000 .000 .000 . ** Mức ý nghĩa 1%, n=209
Phân tích hồi quy tuyến tính bội đƣợc thực hiện để xem xét mối quan hệ giữa các biến độc lập là nhân tố lòng đam mê thƣơng hiệu (BP), nhân tố nhận biết thƣơng hiệu (BA), nhân tố chất lƣợng cảm nhận (PQ), nhân tố ấn tƣợng
thƣơng hiệu (BI) với biến phụ thuộc là giá trị thƣơng hiệu (BE) trong mô hình nghiên cứu. Trƣớc khi tiến hành phân tích hồi quy tuyến tính bội thì việc xem xét mối tƣơng quan tuyến tính giữa các biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau là công việc phải làm và hệ số tƣơng quan Pearson trong ma trận hệ số tƣơng quan là phù hợp để xem xét mối tƣơng quan này.
Dựa vào bảng 4.6 ta có thể thấy hệ số tƣơng quan giữa giá trị thƣơng hiệu (BE) và bốn biến độc lập rất cao (thấp nhất là 0.577). Sơ bộ ta có thể kết luận bốn biến độc lập BA, BI, PQ, BP có thể đƣa vào mô hình để giải thích cho biến BE. Nhƣng hệ số tƣơng quan giữa các biến độc lập cũng rất cao (thấp nhất là 0.473). Do đó, kiểm định đa cộng tuyến cần đƣợc tiến hành trong các bƣớc tiếp theo để xác định xem các biến độc lập có ảnh hƣởng lẫn nhau hay không.
4.3.2 Phân tích hồi quy tuyến tính bội
4.3.2.1 Xác định biến độc lập và biến phụ thuộc
Căn cứ vào mô hình nghiên cứu lý thuyết, ta có phƣơng trình hồi quy tuyến tính bội diễn tả giá trị thƣơng hiệu MTXT là:
BE = β0 + β1*BA + β2*BI + β3*PQ + β4*BP + ei (4.1)
Các biến độc lập (Xi): (BA) nhân tố nhận biết thƣơng hiệu, (BI) nhân tố ấn tƣợng thƣơng hiệu, (PQ) nhân tố chất lƣợng cảm nhận, (BP) nhân tố lòng đam mê thƣơng hiệu.
Biến phụ thuộc (Y): (BE) giá trị thƣơng hiệu trong thị trƣờng MTX T βk là hệ số hồi quy riêng phần (k=0…4)
ei là phần dƣ
4.3.2.2 Hồi quy tuyến tính bội
Phƣơng pháp Enter (đƣa tất cả các biến vào một lần) trong chƣơng trình SPSS đƣợc sử dụng để phân tích hồi quy bội. Sau đó dò tìm các vi phạm giả định cần thiết trong hồi quy tuyến tính bội:
Đối với giả định liên hệ tuyến tính và phƣơng sai bằng nhau, sử dụng đồ thị phân tán giữa các phần dƣ chuẩn hóa và giá trị dự đoán chuẩn hóa. Nếu giả định liên hệ tuyến tính và phƣơng sai bằng nhau đƣợc thỏa mãn, thì sẽ không
nhận thấy có liên hệ gì giữa các giá trị phần dƣ chuẩn hóa và giá trị dự đoán chuẩn hóa. Chúng sẽ phân tán ngẫu nhiên trong một vùng xung quanh đƣờng đi qua tung độ 0, không tạo thành một hình dạng nào.
Đối với giả định về phân phối chuẩn của phần dƣ, sử dụng biểu đồ tần số của các phần dƣ. Nếu trung bình bằng 0 và độ lệch chuẩn xấp xỉ bằng 1 thì có thể kết luận rằng giả định phân phối chuẩn không bị vi phạm.
Đối với giả định về tính độc lập của sai số tức không có tƣơng quan giữa các phần dƣ, tiến hành kiểm định giả thuyết H0: Hệ số tƣơng quan hạng của tổng thể bằng 0. Đại lƣợng thống kê Durbin-Watson dùng để kiểm định tƣơng quan của các sai số kề nhau. Đại lƣợng d có giá trị biến thiên trong khoảng từ 0 đến 4. Tra bảng Durbin-Watson để xác định vùng chấp nhập Ho, nếu các phần dƣ không có tƣơng quan giá trị d sẽ nằm trong vùng chấp nhận H0 là [dU; 4-dU].
Đối với giả định phƣơng sai của sai số không đổi, kiểm tra phƣơng sai của sai số không thay đổi có bị vi phạm hay không bằng kiểm định tƣơng quan hạng Spearman, với giả thuyết Ho là hệ số tƣơng quan hạng của tổng thể bằng 0. Nếu kết quả kiểm định không bác bỏ giả thuyết Ho thì kết luận phƣơng sai của sai số không thay đổi. Phƣơng trình hồi quy tuyến tính bội có nhiều biến giải thích thì hệ số tƣơng quan hạng có thể tính giữa trị tuyệt đối của phần dƣ với từng biến riêng.
Đối với giả định không có mối tƣơng quan giữa các biến độc lập (đo lƣờng hiện tƣợng đa cộng tuyến), sử dụng hệ số phóng đại phƣơng sai (VIF - Variance inflation factor), nếu VIF vƣợt quá 10 đó là dấu hiệu của hiện tƣợng đa cộng tuyến.
Hệ số R2 điều chỉnh , giá trị F, hệ số Beta, và hệ số tƣơng quan riêng phần đƣợc dùng để đánh giá độ phù hợp của mô hình và kiểm định 4 giả thuyết.
Giá trị bội R chỉ rõ mối quan hệ giữa các biến độc lập và biến phụ thuộc. Hệ số xác định (R2) đo lƣờng tỷ lệ tổng biến thiên của biến phụ thuộc đƣợc giải thích bằng các biến phụ thuộc của mô hình. Giá trị R2 càng cao thì khả năng
giải thích của mô hình hồi quy càng lớn và việc dự đoán biến phụ thuộc càng chính xác. Tuy nhiên, R2 điều chỉnh (Adjusted R square) để phản ánh sát hơn mức độ phù hợp của mô hình của hồi quy tuyến tính đa biến vì nó không thổi phồng mức độ phù hợp của mô hình (Hoàng Trọng – Chu Nguyễn Mộng Ngọc, 2008) [5].
Phép kiểm định phân tích phƣơng sai (ANOVA) đƣợc tiến hành, nếu giá trị F có ý nghĩa đáng kể về mặt thống kê (p<0.001), giả thuyết thuần của mối quan hệ không tuyến tính bị bác bỏ.
Hệ số Beta (β) là hệ số hồi quy chuẩn hóa cho phép so sánh trực tiếp giữa các hệ số, đƣợc xem nhƣ là khả năng giải thích biến phụ thuộc. trị tuyệt đối của hệ số Beta càng lớn thì tầm quan trọng tƣơng đối của nó trong dự báo biến phụ thuộc càng cao (Hoàng Thị Phƣơng Thảo, 2010). Hệ số hồi quy riêng phần (Partial R) đó lƣờng sức mạnh mối quan hệ giữa một biến phụ thuộc và một biến độc lập khi ảnh hƣởng dự báo của các biến độc lập khác trong mô hình hồi quy đƣợc giữ nguyên (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kết quả phân tích hồi quy lần thứ nhất nhƣ sau:
Bảng 4.7: Kết quả phân tích hồi quy bội lần thứ nhất Model Summary(b) Model R R2 R2 điều chỉnh Sai số chuẩn ƣớc lƣợng Durbin- Watson 1 .857(a) .735 .729 .47832 2.074
a Predictors: (Constant), BP, BA, BI, BQ b Dependent Variable: BE
ANOVA(b) Model Tổng bình phƣơng df Bình phƣơng trung bình F Sig. 1 Regression 129.173 4 32.293 141.149 .000(a) Residual 46.673 204 .229 Total 175.846 208
a Predictors: (Constant), BP, BA, BI, BQ b Dependent Variable: BE
Coefficients(a) Hệ số hồi quy
chƣa chuẩn hóa
Hệ số hồi quy chuẩn hóa t Sig. Thống kê đa cộng tuyến B Std.
Error Beta Tolerance VIF
Hằng số -.455 .205 -2.215 .028 BA .183 .052 .169 3.520 .001 .564 1.773 BI -.058 .079 -.044 -.741 .459 .367 2.724 PQ .317 .084 .229 3.791 .000 .355 2.816 BP .664 .074 .592 8.918 .000 .296 3.382 a Dependent Variable: BE
Với kết quả phân tích tại biểu Coefficients (bảng 4.7), các giá trị Sig. tƣơng ứng với các biến BA, PQ, BP lần lƣợt là 0.001, 0.000 và 0.000 đều nhỏ hơn 0.05. Do vậy, có thể khẳng định các biến này có ý nghĩa trong mô hình. Biến BI có giá trị Sig. >0.05 do đó, bị loại ra khỏi mô hình. Lệnh hồi quy tuyến tính đƣợc chạy lại với việc loại biến BI.
Kết quả phân tích hồi quy lần thứ hai nhƣ sau:
Bảng 4.8: Kết quả phân tích hồi quy bội lần thứ hai Model Summary(b) Model R R2 R2 điều chỉnh Sai số chuẩn ƣớc lƣợng Durbin- Watson 1 .857(a) .734 .730 .47779 2.065
a Predictors: (Constant), BP, BA, PQ b Dependent Variable: BE ANOVA(b) Model Tổng bình phƣơng df Bình phƣơng trung bình F Sig. 1 Regression 129.047 3 43.016 188.430 .000(a) Residual 46.798 205 .228 Total 175.846 208
a Predictors: (Constant), BP, BA, PQ b Dependent Variable: BE
Coefficients(a) Hệ số hồi quy
chƣa chuẩn hóa
Hệ số hồi quy chuẩn hóa t Sig. Thống kê đa cộng tuyến B Std.
Error Beta Tolerance VIF
Hằng số -.497 .197 -2.516 .013
BA .167 .047 .154 3.547 .000 .690 1.450
PQ .304 .082 .220 3.723 .000 .371 2.692
BP .646 .070 .575 9.197 .000 .332 3.015
Với kết quả phân tích tại biểu Coefficients (bảng 4.8), giá trị Sig. của các biến BA, PQ, BP = 0.000 (< 0.05). Do vậy, có thể khẳng định các biến này có ý nghĩa trong mô hình.
4.3.2.3 Kiểm định các giả định hồi quy
Phân tích hồi quy không phải chỉ là việc mô tả các dữ liệu quan sát đƣợc. Từ các kết quả quan sát đƣợc trong mẫu, bạn phải suy rộng kết luận cho mối liên hệ giữa các biến trong tổng thể (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Sự suy rộng các kết quả của mẫu cho các giá trị của tổng thể phải trên cở sở các giả định cần thiết sau:
Giả định liên hệ tuyến tính
Kiểm tra bằng biểu đồ phân tán scatter cho phần dƣ chuẩn hóa (Standardized residual) và giá trị dự doán chuẩn hóa (Standardized predicted value). Kết quả cho thấy phần dƣ phân tán ngẫu nhiên qua đƣờng thẳng qua điểm 0 (đồ thị 4.1), không tạo thành một hình dạng nào cụ thể. Nhƣ vậy, giả định liên hệ tuyến tính đƣợc thỏa mãn.
Standardized Predicted Value
3 2 1 0 -1 -2 -3 S ta n d a rd ize d R e si d u a l 4 3 2 1 0 -1 -2 -3 -4 Đồ thị 4.1: Đồ thị phân tán phần dƣ
Giả định phƣơng sai của sai số không đổi
Kết quả kiểm định tƣơng quan hạng Spearman cho thấy giá trị sig của các biến nhận biết thƣơng hiệu, chất lƣợng cảm nhận, lòng đam mê thƣơng hiệu với giá trị tuyệt đối của phần dƣ lần lƣợt là 0.369, 0.528, 0.859. Điều này cho thấy chúng ta không thể bác bỏ giả thiết Ho, nghĩa là phƣơng sai của sai số không đổi. Nhƣ vậy, giả định phƣơng sai của sai số không đổi không bị vi phạm.
Bảng 4.9: Kết quả kiểm định Spearman của các thành phần giá trị thƣơng hiệu với trị tuyệt đối của phần dƣ
ABSRES2 BA PQ BP
ABSRES2 Tƣơng quan Spearman 1.000 -.062 .044 .012
Hệ số Sig (2-tailed) . .369 .528 .859
BA Tƣơng quan Spearman -.062 1.000 .504(**) .565(**)
Hệ số Sig (2-tailed) .369 . .000 .000
PQ Tƣơng quan Spearman .044 .504(**) 1.000 .792(**)
Hệ số Sig (2-tailed) .528 .000 . .000
BP Tƣơng quan Spearman .012 .565(**) .792(**) 1.000
Hệ số Sig (2-tailed) .859 .000 .000 .
** Mức ý nghĩa 1%, n=209
Giả định phần dƣ có phân phối chuẩn
Kiểm tra biểu đồ phân tán của phần dƣ cho thấy phân phối phần dƣ xấp xỉ chuẩn (trung bình mean = 0 và độ lệch chuẩn Std. = 0.99 tức là gần bằng 1) (đồ thị 4.2). Nhƣ vậy, giả định phần dƣ có phân phối chuẩn không bị vi phạm.
Standardized Residual 3.50 3.00 2.50 2.00 1.50 1.00 .50 0.00 -.50 -1.00 -1.50 -2.00 -2.50 -3.00 30 20 10 0 Std. Dev = .99 Mean = 0.00 N = 209.00 Đồ thị 4.2: Biểu đồ tần số Histogram
Giả định không có tƣơng quan giữa các phần dƣ
Đại lƣợng thống kê Durbin-Watson (d) đƣợc dùng để kiểm định tƣơng quan của các sai số kề nhau. Đại lƣợng d có giá trị từ 0 đến 4.
Với hồi quy tuyến tính bội lần thứ 2, ta có n=209 quan sát và k= 3 biến độc lập, tra bảng Durbin-Watson ta có vùng chấp nhận của giá trị d là [1.704; 2.296]. Kết quả phân tích hồi qu y lần thứ 2 cho thấy giá trị d = 2.065 (bảng 4.8) nằm trong vùng chấp nhận nên không có tƣơng quan giữa các phần dƣ. Nhƣ vậy, giả định không có tƣơng quan giữa các phần dƣ không bị vi phạm. Vậy, mô hình hồi quy tuyến tính trên có thể sử dụng đƣợc.
4.3.2.4 Đánh giá độ phù hợp, kiểm định độ phù hợp của mô hình và
xem xét hiện tƣợng đa cộng tuyến
Đánh giá độ phù hợp của mô hình
Hệ số R2 điều chỉnh (Adjusted R square) = 0.730 (bảng 4.8). Điều này nói lên rằng mô hình hồi quy tuyến tính bội đã xây dựng phù hợp với tập dữ liệu đến mức 73%.
Kiểm định độ phù hợp của mô hình
Kết quả kiểm định trị thống kê F, với giá trị sig = 0.000 (< 0.001) từ bảng phân tích phƣơng sai ANOVA (bảng 4.8) cho thấy mô hình hồi quy tuyến tính bội đã xây dựng phù hợp với tập dữ liệu, sử dụng đƣợc.
Hiện tƣợng đa cộng tuyến
Đo lƣờng đa cộng tuyến đƣợc thực hiện, kết quả cho thấy hệ số phóng đại phƣơng sai (VIF) có giá trị từ 1.450 đến 3.015 (bảng 4.8) đạt yếu cầu VIF<10. Vậy mô hình hồi quy tuyến tính bội không có hiện tƣợng đa cộng tuyến, mối quan hệ giữa các biến độc lập không ảnh hƣởng đến kết quả giải thích của mô hình.
4.3.2.5 Phƣơng trình hồi quy tuyến tính bội
Với tập dữ liệu thu đƣợc trong phạm vi nghiên cứu của đề tài và dựa vào bảng kết quả hồi quy tuyến tính bội (bảng 4.8) thì hệ số hồi quy của biến độc lập lòng đam mê thƣơng hiệu (BP) là lớn nhất với hệ số hồi qui riêng phần (Partial R) là 0.646, hệ số hồi quy chuẩn hóa Beta là 0.575. Tiếp đến là biến biến chất lƣợng cảm nhận (PQ) với hệ số hồi quy riêng phần là 0.304, hệ số Beta là 0.220 và cuối cùng là nhận biết thƣơng hiệu (BA) với hệ số hồi quy riêng phần là 0.167, hệ số Beta là 0.154. Điều này chỉ ra rằng đối với MTXT lòng đam mê thƣơng hiệu và chất lƣợng cảm nhận có ý nghĩa thứ nhất và thứ nhì tạo nên giá trị thƣơng hiệu, tiếp đến là nhận biết thƣơng hiệu.
Phƣơng trình hồi quy tuyến tính bội thể hiện các nhân tố ảnh hƣởng đến giá trị thƣơng hiệu là:
BE = - 0.497 + 0.646*BP + 0.304*PQ + 0.167*BA (4.2) BE: Giá trị thƣơng hiệu MTXT
BP: Lòng đam mê thƣơng hiệu PQ: Chất lƣợng cảm nhận BA: Nhận biết thƣơng hiệu
4.3.2.6 Mô hình nghiên cứu điều chỉnh
Mô hình nghiên cứu điều chỉnh gồm các nhân tố: Lòng đam mê thƣơng hiệu, Chất lƣợng cảm nhận, Nhận biết thƣơng hiệu ảnh hƣởng đến giá trị thƣơng hiệu của MTXT. Thứ tự tầm quan trọng của từng nhân tố phụ thuộc vào trị tuyệt đối của hệ số hồi quy đã chuẩn hóa. Nhân tố nào có trị tuyệt đối cảng lớn thì nhân tố đó sẽ ảnh hƣởng đến giá trị thƣơng hiệu càng nhiều. Giá trị thƣơng hiệu của MTXT chịu tác động nhiều nhất là lòng đam mê thƣơng hiệu (BP) là lớn nhất với hệ số hồi quy chuẩn hóa Beta là 0.575, hệ số hồi quy riêng phần (Partial R) là 0.646. Quan trọng thứ hai là nhân tố chất lƣợng cảm nhận (PQ) với hệ số Beta là 0.220, hệ số hồi quy riêng phần là 0.304và quan trọng thứ ba là nhân tố nhận biết thƣơng hiệu (BA) với hệ số Beta là 0.154, hệ số hồi quy riêng phần là 0.167.
Hình 4.1:Mô hình nghiên cứu điều chỉnh
4.3.2.7 Tổng kết kết quả kiểm định các giả thuyết
Kết quả mô hình hồi quy (phƣơng trình 4.2) cho thấy giá trị thƣơng hiệu MTXT chịu tác động dƣơng của các thành phần: lòng đam mê thƣơng hiệu, nhận biết thƣơng hiệu, chất lƣợng cảm nhận, các giả thuyết H1, H3, H4 đƣợc chấp nhận.