Xác định biến độc lập và biến phụ thuộc.
Căn cứ vào mô hình nghiên cứu lý thuyết, ta có phương trình hồi quy tuyến
COL = β0 + β1*TRU + β2*POW + β3*MAT + β4*CUL + β5*FRE
Các biến độc lập (Xi): (TRU) nhân tố tín nhiệm, (POW) nhân tố quyền lực,
(MAT) nhân tố thuần thục, (CUL) nhân tố văn hóa và (FRE) nhân tố tần suất.
Biến phụ thuộc (Y): (COL) nhân tố hợp tác.
βk là hệ số hồi quy riêng phần (k=0…5)
Hồi qui tuyến tính bội.
Để kiểm định sự phù hợp giữa năm thành phần ảnh hưởng và thành phần sự
hợp tác của doanh nghiệp, hàm hồi qui tuyến tính bội với phương pháp đưa vào một lượt (Enter) được sử dụng. Nghĩa là phần mềm SPSS xử lý tất cả các biến đưa vào
một lần và đưa ra các thông số thống kê liên quan đến các biến. Hệ số hồi qui riêng phần đã chuẩn hóa của thành phần nào càng lớn thì mức độ ảnh hưởng của thành phần đó đến sự hợp tác của doanh nghiệp xuất khẩu trong quy trình lựa chọn nhà cung ứng của công ty Dragon Sourcing càng cao, nếu cùng dấu thì mức độ ảnh hưởng thuận chiều và ngược lại.
Bảng 4.10: Kết quả phân tích hồi qui bội
Coefficientsa
Model
Hệ số hồi qui
chưa chuẩn hóa
Hệ số hồi qui
đã chuẩn hóa T Sig.
Thống kê
đa cộng tuyến B Std. Error Beta Tolerance VIF
1 (Constant) .176 .178 .984 .326 TRU .291 .048 .263 6.124 .000 .743 1.346 POW .204 .033 .290 6.181 .000 .621 1.612 MAT .178 .037 .246 4.858 .000 .533 1.875 CUL .164 .038 .224 4.336 .000 .516 1.939 FRE .101 .035 .116 2.906 .004 .865 1.157
a. Dependent Variable: COL
Kết quả phân tích hồi qui bội tại bảng 4.10, các giá trị Sig. tương ứng với các
thành phần TRU, POW, MAT, CUL, FRE lần lựợt là 0.000, 0.000, 0.000, 0.000 và 0.004 đều rất nhỏ. Vì vậy, có thể khẳng định các thành phần này có ý nghĩa trong
mô hình.
Phân tích hồi qui không chỉ là việc mô tả các dữ liệu quan sát được mà còn phải suy rộng cho mối liên hệ giữa các biến trong tổng thể từ các kết quả quan sát
được trong mẫu đó. Kết quả của mẫu suy rộng ra cho giá trị của tổng thể phải đáp ứng các giảđịnh cần thiết dưới đây:
Giả định liên hệ tuyến tính: giả định này sẽ được kiểm tra bằng biểu đồ
phân tán scatter cho phần dư chuẩn hóa (Standardized residual) và giá trị dự doán
chuẩn hóa (Standardized predicted value). Kết quả (phụ lục 8) cho thấy phần dư
phân tán ngẫu nhiên qua đường thẳng qua điểm 0, không tạo thành một hình dạng (adsbygoogle = window.adsbygoogle || []).push({});
nào cụ thể nào. Như vậy, giả định liên hệ tuyến tính được đáp ứng.
Giả định phương sai của sai số không đổi: Kết quả kiểm định tương quan
hạng Spearman (8) cho thấy giá trị sig của các biến TRU, POW, MAT, CUL, FRE với giá trị tuyệt đối của phần dư lần lượt là 0.144, 0.007, 0.004, 0.010, 0.418. Điều này cho thấy chúng ta không thể bác bỏ giả thiết Ho, nghĩa là phương sai của sai số không đổi. Như vậy, giảđịnh phương sai của sai số không đổi không bị vi phạm.
Giả định phần dư có phân phối chuẩn: kiểm tra biểu đồ phân tán của phần dư (phụ lục 8)cho thấy phân phối phần dư xấp xỉ chuẩn (trung bình mean gần bằng 0 và độ lệch chuẩn Std. gần bằng 1). Như vậy, giả định phần dư có phân phối chuẩn
không bị vi phạm.
Giả định không có tương quan giữa các phần dư: đại lượng thống kê Durbin-Watson (d) được dùng để kiểm định tương quan chuỗi bậc nhất. Kết quả
nhận được từ bảng 4.9 cho thấy đại lượng thống kê Durbin-Watson có giá trị là 2.067 gần bằng 2, nên chấp nhận giả thuyết không có sự tương quan chuỗi bậc nhất
trong mô hình. Như vậy, mô hình hồi qui bội đáp ứng được tất cả các giả định.
Kiểm định độ phù hợp mô hình và hiện tượng đa cộng tuyến.
Kiểm địnhđộ phù hợp của mô hình
Hệ số R² điều chỉnh là thước đo sự phù hợp được sử dụng cho tình huống hồi
quy tuyến tính bội vì nó không phụ thuộc vào độ lệch phóng đại của hệ số R². Kết
bằng 0.72, nghĩa là mức độ phù hợp của mô hình là 72%. Có thể nói các thành phần
biến được đưa vào mô hình đạt kết quả giải thích khá tốt.
Bảng 4.11: Model Summaryb
Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .853a .727 .720 .31699 2.067
a. Predictors: (Constant), FRE, TRU, POW, MAT, CUL b. Dependent Variable: COL
Kết quả nhận được từ bảng ANOVAb (bảng 4.12) cho thấy trị thống kê F với
giá trị Sig. rất nhỏ (= 0.000 < 0.05) cho thấy sẽ an toàn bác bỏ giả thiết Ho. Như
vậy, có thể kết luận rằng mô hình hồi qui bội thỏa mãn các điều kiện đánh giá và kiểm định độ phù hợp cho việc rút ra các kết quả nghiên cứu.
Bảng 4.12: ANOVAb
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 53.335 5 10.667 106.157 .000a
Residual 19.996 199 .100
Total 73.331 204 (adsbygoogle = window.adsbygoogle || []).push({});
a. Predictors: (Constant), FRE, TRU, POW, MAT, CUL b. Dependent Variable: COL
Hiện tượng đa cộng tuyến
Đo lường đa cộng tuyến được thực hiện, kết quả cho thấy hệ số phóng đại
phương sai (VIF) có giá trị từ1.157 đến 1.939 (bảng Coefficientsa) đạt yêu cầu VIF < 10. Vậy mô hình hồi quy tuyến tính bội không có hiện tượng đa cộng tuyến, mối quan hệ giữa các biến độc lập không ảnh hưởng đến kết quả giải thích của mô hình.
Phương trình hồi qui tuyến tính bội
Với tập dữ liệu thu được trong phạm vi nghiên cứu của đề tài và dựa vào bảng kết quả hồi quy tuyến tính bội (bảng 4.8), phương trình hồi quy tuyến tính bội thể
COL = 0.176 + 0.291*TRU + 0.204*POW + 0.178*MAT + 0.164*CUL + 0.101*FRE
COL: Sự hợp tác
TRU: Nhân tố tín nhiệm POW: Nhân tố quyền lực MAT: Nhân tố thuần thục CUL: Nhân tốvăn hóa
FRE: Nhân tố tần suất