6. Kết cấu của luận văn
2.2.6.3.Phân tích tương quan và hồi quy
a) Phân tích tương quan:
Nghiên cứu này sử dụng phân tích tương quan Pearson để xác định các mối quan hệ tuyến tính giữa các biến trước khi đưa vào phân tích hồi quy tuyến tính ở bước tiếp theo. Phân tích ma trận tương quan Pearson để kiểm tra xem với mức ý nghĩa thống kê (Sig < 0,05). Mục tiêu của phân tích tương quan nhằm để:
- Thứ nhất là xác định xem các biến độc lập có mối tương quan tuyến tính chặt chẽ với biến phụ thuộc không? Vì chỉ khi biến độc lập có quan hệ tuyến tính với biến phụ thuộc thì các biến độc lập có thể đưa vào mô hình hồi quy để giải thích cho biến phụ thuộc (Hoàng Trọng–Chu Nguyễn Mộng Ngọc, Tập 1, 2008, Tr 238).
- Thứ hai là xác định xem giữa các biến độc lập có mối tương quan chặt chẽ với nhau không? Nếu có thì phải lưu ý đến hiện tượng đa cộng tuyến khi phân tích hồi quy đa biến (Hoàng Trọng–Chu Nguyễn Mộng Ngọc, Tập 1, 2008, Tr 237).
Bảng 2.32: Bảng ma trận hệ số tương quan
(Nguồn: Phân tích dữ liệu của tác giả)
Kết quả phân tích ma trận tương quan Pearson được trình bày như bảng trên cho thấy tất cả các biến độc lập Sự tin cậy, Khả năng đáp ứng, Năng lực phục vụ, Khả năng tiếp cận, Thông tin có tương quan tuyến tính chặt chẽ với biến phụ thuộc Mức độ hài lòng chung về mặt thống kê (Sig < 0,05). Trong đó biến Sự tin cậy có tương quan mạnh nhất với biến phụ thuộc vì có hệ số tương quan cao nhất r = 0,681; đứng thứ hai là biến Khả năng đáp ứng với hệ số tương quan r = 0,635; thứ ba là biến Năng lực phục vụ với hệ số tương quan r = 0,223; kế đến là biến Khả
Sự tin cậy Khả năng đáp ứng Năng lực phục vụ Khả năng tiếp cận Thông tin Mức độ hài lòng chung Sự tin cậy Pearson Correlation 1 .000 .000 .000 .000 .681** Sig. (2-tailed) 1.000 1.000 1.000 1.000 .000 N 422 422 422 422 422 422 Khả năng đáp ứng Pearson Correlation .000 1 .000 .000 .000 .635** Sig. (2-tailed) 1.000 1.000 1.000 1.000 .000 N 422 422 422 422 422 422 Năng lực phục vụ Pearson Correlation .000 .000 1 .000 .000 .223** Sig. (2-tailed) 1.000 1.000 1.000 1.000 .000 N 422 422 422 422 422 422 Khả năng tiếp cận Pearson Correlation .000 .000 .000 1 .000 .156** Sig. (2-tailed) 1.000 1.000 1.000 1.000 .001 N 422 422 422 422 422 422 Thông tin Pearson Correlation .000 .000 .000 .000 1 .129** Sig. (2-tailed) 1.000 1.000 1.000 1.000 .008 N 422 422 422 422 422 422 Mức độ hài lòng chung Pearson Correlation .681** .635** .223** .156** .129** 1 Sig. (2-tailed) .000 .000 .000 .001 .008 N 422 422 422 422 422 422
năng tiếp cận với r = 156 và cuối cùng biến có tương quan thấp nhất trong 5 biến độc lập là biến Thông tin có r = 129.
Từ bảng kết quả trên ta cũng nhận thấy rằng tất cả các biến độc lập Sự tin cậy, Khả năng đáp ứng, Năng lực phục vụ, Khả năng tiếp cận, Thông tin không có mối quan hệ tuyến tính với nhau (Sig > 0,05). Hệ số tương quan giữa các biến đều bằng 0 tức là không có hiện tượng đa cộng tuyến giữa các biến độc lập với nhau.
Như vậy từ kết quả phân tích tương quan tuyến tính giữa các biến độc lập và biến phụ thuộc; và giữa các biến độc lập với nhau thì tất cả các biến đều thỏa điều kiện để đưa vào phân tích ở bước tiếp theo – phân tích hồi quy tuyến tính bội nhằm giải thích mô hình nghiên cứu và kiểm định các giả thuyết nghiên cứu.
b)Xây dựng mô hình hồi quy:
Kết quả phân tích nhân tố khám phá ta rút ra được 5 nhân tố tác động đến Mức độ hài lòng của khách hàng sử dụng dịch vụ công của cơ quan BHXH, ta tiếp tục đưa các nhân tố vào mô hình hồi quy bội để xác định cụ thể các trọng số của các nhân tố gộp, hay các hệ số trong mô hình hồi quy phản ánh mức độ tác động mạnh hay nhẹ đến biến phụ thuộc là Mức độ hài lòng của khách hàng.
Mô hình phương trình hồi quy bội:
Trong đó:
Y: Biến phụ thuộc thể hiện giá trị của mức độ hài lòng của khách hàng sử dụng dịch vụ công của cơ quan BHXH.
β0, β1, β2, β3, β4, β5: là các hệ số hồi quy được dùng từ các hệ số hồi quy ước lượng được.
X1: Sự tin cậy (Reliability)
X2: Khả năng đáp ứng (Responsiveness)
X3: Năng lực phục vụ (Competence)
X4: Khả năng tiếp cận (Access)
X5: Thông tin (Comunication)
Trong mô hình hồi quy bội (kết quả được thể hiện trên phụ lục 6) với 5 biến độc lập được đưa vào theo phương pháp ENTER (tất cả các biến độc lập được đưa vào mô hình cùng một lượt) ta có hệ số R2 = 0,710 và R2 hiệu chỉnh = 0,705. Kết quả này cho thấy mô hình hồi quy ước lượng được là phù hợp. Nghĩa là khả năng các biến độc lập giải thích được 71% sự biến thiên của biến phụ thuộc theo mô hình hồi quy (kết quả được thể hiện ở bảng 2.33 Model Summary).
Theo Hoàng Trọng – Chu Nguyễn Mộng Ngọc (2008), hệ số xác định R2 (Coefficientof determination) dùng để đánh giá độ phù hợp của mô hình. Công thức R2 xuất phát từ ý tưởng: toàn bộ biến thiên quan sát được của biến phụ thuộc được chia thành 2 phần – phần biến thiên do hồi quy và phần biến thiên không do hồi quy hay còn lại phần dư. Với kết quả R2 = α(0 ≤ α ≤ 1) nghĩa là mô hình hồi quy tuyến tính đã xây dựng phù hợp với tập dữ liệu đến mức 100 α %. Hay 100 α % khác biệt của biến phụ thuộc Y được giải thích bởi sự biến thiên của các biến độc lập.
Bảng 2.33: Model Summaryb
Mô hình R R bình phương R bình phương
hiệu chỉnh
Tiêu chuẩn.
Lỗi của ước tính Durbin-Watson
1 .843a .710 .705 .54319241 1.243
a. Predictors: (Constant a. Predictors: (Constant), Thông tin, Khả năng tiếp cận, Năng lực phục vụ, Khả năng đáp ứng, (adsbygoogle = window.adsbygoogle || []).push({});
Sự tin cậy
b. Dependent Variable: Mức độ hài lòng chung
(Nguồn: Phân tích dữ liệu của tác giả)