a) Phân tích tương quan hệ số Pearson
Người ta sử dụng thống kê có tên Hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Nếu giữa hai biến có tương quan chặt thì phải lưu ý vấn đề đa cộng tuyến khi phân tích hồi quy. Trong phân tích tương quan Pearson, không có sự phân biệt giữa các biến độc lập và biến phụ thuộc mà tất cả đều được xem xét như nhau. Giá trị của biến phụ thuộc và biến độc lập được tính trung bình dựa trên các biến quan sát thành phần thuộc biến phụ thuộc và biến độc lập đó.
Kết quả phân tích tương quan Pearson (bảng 20, phụ lục 5), ta thấy biến phụ
thuộc – Quyết định lựa chọn NHTM (QD) có mối tương quan tuyến tính thuận với các
biến độc lập, cụ thể qua hệ số tương quan của từng biến: r (QD, CSVC) = 0,498**,
r (QD, SGT) = 0,419**, r (QD, UT) = 0,448**, r (QD, CLNV) = 0,605**, r (QD, STT) =
0,576**, r (QD, KM) = 0,359**, r (QD, LITC) = 0,557**, với các giá trị sig. đều rất nhỏ
(<0,01). Như vậy, các biến độc lập và biến phụ thuộc đều thỏa điều kiện để đưa vào phân tích hồi quy.
b) Phân tích hồi quy tuyến tính
Phân tích hồi quy tuyến tính sẽ giúp chúng ta biết được cường độ tác động của các biến độc lập lên biến phụ thuộc. Phương pháp hồi quy được sử dụng là phương pháp bình phương nhỏ nhât OLS với biến phụ thuộc là quyết định lựa chọn NHTM để GTTK của KHCN (QD) và các biến độc lập là cơ sở vật chất (CSVC), sự giới thiệu (SGT), uy tín (UT), chất lượng nhân viên (CLNV), sự thuận tiện (STT), khuyến mãi
41
(KM) và lợi ích tài chính (LITC). Phương trình hồi quy bội biểu diễn mối liên hệ giữa các yếu tố có dạng như sau:
QD = B+ B1CSVC +B2SGT + B3UT + B4CLNV + B5STT + B6KM + B7LITC
Trong đó:
QD: quyết định lựa chọn NHTM để GTTK của KHCN
CSVC: cơ sở vật chất
SGT: sự giới thiệu
UT: uy tín
CLNV: chất lượng nhân viên
STT: sự thuận tiện
KM: khuyến mãi
LITC: lợi ích tài chính
B: hằng số tự do, B1; B2; B3; B4; B5; B6; B7: hệ số hồi quy riêng phần.
Đánh giá độ phù hợp của mô hình hồi quy tuyến tính bội
Hệ số R2 là chỉ số dùng để đánh giá mức độ phù hợp của mô hình hồi quy tuyến
tính bội. Hệ số R2 là phần biến thiên của biến phụ thuộc do mô hình (các biến độc lập)
giải thích. Tuy nhiên, mô hình thường không phù hợp với dữ liệu thực tế như giá trị R2
thể hiện, vậy nên người ta sử dụng R2 hiệu chỉnh để phản ánh chính sát hơn mức độ
phù hợp của mô hình hồi quy tuyến tính đa biến vì nó không phụ thuộc vào độ lệch
phóng đại của R2. So sánh hai giá trị R2 và R2 hiệu chỉnh, ta thấy R2 hiệu chỉnh nhỏ
hơn và dùng nó đánh giá độ phù hợp của mô hình sẽ an toàn hơn
Kết quả phân tích hồi quy được thực hiện bằng phương pháp ENTER được thể hiện qua các bảng tóm tắt kết quả hồi quy như sau:
Bảng 4.6: Hệ số R2 hiệu chỉnh
Mô hình R R2 R2 hiệu chỉnh Sai số chuẩn ước lượng 1 ,932a ,868 ,864 1,6040
a : biến độc lập: (Hằng số), LITC, CSVC, KM, SGT, UT, STT, CLNV
42
Như vậy R2 hiệu chỉnh là 0,864 cho thấy sự tương thích của mô hình với biến
quan sát là 86,40%, có nghĩa là có 86,40% sự biến thiên của quyết định lựa chọn NHTM để GTTK của KHCN được giải thích bởi các biến có trong mô hình. Với giá trị này thì độ phù hợp của mô hình là khá tốt.
Kiểm định độ phù hợp của mô hình hồi quy tuyến tính bội
Để kiểm định độ phù hợp của mô hình hồi quy tuyến tính bội, ta sử dụng kiểm định F trong bảng 4.7 phân tích phương sai ANOVA. Nhìn vào bảng ta thấy F =
214,061 được tính từ giá trị R2 của mô hình đầy đủ khác 0, giá trị sig. = 0,000 < 0,05,
cho thấy sẽ an toàn bác bỏ giả thuyết Ho, vậy mô hình sử dụng là phù hợp.
Bảng 4.7: Phân tích phương sai ANOVA
Mô hình Tổng bình phương Df Trung bình bình phương F Sig. 1 1 Phần hồi quy 38,551 7 5,507 214,061 ,000a Phần dư 5,840 227 ,026 Tổng cộng 44,391 234
(Nguồn: dữ liệu nghiên cứu của tác giả) Bảng 4.8 ta thấy tiêu chí Collinearity diagnostics (chuẩn hóa hiện tượng đa cộng tuyến) với hệ số phóng đại phương sai VIF (Variance inflation factor) của các biến độc lập trong mô hình có giá trị từ 1,036 đến 1,481 đều < 10 đạt yêu cầu (theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008)). 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.
Bảng 4.8: Kết quả phân tích hồi quy của mô hình bằng phương pháp Enter
Mô hình Hệ số chưa chuẩn hóa Beta chuẩn hóa Giá trị t Sig. Thống kê đa cộng tuyến B Std. Error Độ chấp nhân VIF 1 1 Hằng số ,250 ,099 2,518 ,012 CSVC ,117 ,016 ,193 7,095 ,000 ,780 1,282 SGT ,147 ,015 ,240 9,582 ,000 ,923 1,083 UT ,137 ,014 ,241 9,568 ,000 ,914 1,094 CLNV ,158 ,019 ,247 8,432 ,000 ,675 1,481 STT ,151 ,013 ,308 11,245 ,000 ,772 1,295 KM ,155 ,014 ,263 10,730 ,000 ,965 1,036 LITC ,118 ,012 ,255 9,664 ,000 ,830 1,204
43
Phương trình hồi quy
Qua phân tích hồi quy đa biến cho thấy mô hình xây dựng phù hợp với dữ liệu thu được và kết quả ban đầu là Quyết định lựa chọn NHTM để GTTK của KHCN phụ thuộc vào 7 yếu tố cơ sở vật chất, sự giới thiệu, uy tín, chất lượng nhân viên, sự thuận tiện, khuyến mãi, và lợi ích tài chính. Khi dò tìm sự vi phạm các giả thiết cần thiết trong hồi quy tuyến tính thì hầu hết các giả định đều được thỏa mãn. Từ đó, ta xác định được phương trình hồi quy bội như sau:
QD = 0,250 + 0,117 * CSVC + 0,147 * SGT + 0,137 * UT + 0,158 * CLNV + 0,151 * STT + 0,155 * KM + 0,118 * LITC
Mặt khác, kết quả phân tích hệ số hồi quy cho thấy các hệ số hồi quy đều dương chứng tỏ các các biến động lập đều tác động cùng chiều đến đến biến phụ thuộc (quyết định chọn NHTM để GTTK của KHCN). Do đó, ta có thể kết luận các giả thiết trong
mô hình nghiên cứu H1, H2, H3 ,H4 ,H5 , H6 và H7 được chấp nhận.
Dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính
Giả định về phân phối chuẩn của phần dư
Phần dư có thể không tuân theo phân phối chuẩn vì những lý do như: sử dụng sai mô hình, phương sai không phải là hằng số, số lượng các phần dư không đủ nhiều để phân tích…Vì vậy chúng ta thử nhiều cách kiểm tra khác nhau. Một cách khảo sát đơn giản nhất là xây dựng biểu đồ tần số của các phần dư (theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008)).
Kết quả từ biểu đồ tần số Histogram của phần dư ở biểu đồ 4.3 cho thấy phân
phối của phần dư xấp xỉ chuẩn (trung bình Mean = 0, độ lệch chuẩn Std. Dev = 0,985 gần bằng 1). Điều này có nghĩa là giả thiết phân phối chuẩn của phần dư không bị vi phạm.
44
Biểu đồ 4.3: Biểu đồ Histogram cho phần dư
(Nguồn: Dữ liệu nghiên cứu của tác giả) Kết quả từ biểu đồ tần số P-P Plot ở biểu đồ 4.4 cho thấy các điểm quan sát không phân tán quá xa đường thẳng kỳ vọng, nên ta có thể kết luận là giả định về phân phối chuẩn không bị vi phạm.
Như vậy, từ kết quả kiểm tra trên cho thấy các mô hình hồi quy được xây dựng không vi phạm các giả định cần thiết trong hồi quy tuyến tính
Biểu đồ 4.4: Biểu đồ P P-plot
45
Giả định liên hệ tuyến tính
Tiến hành kiểm tra giả định này bằng cách vẽ đồ thị phân tán giữa các phần dư và giá trị dự đoán mà mô hình hổi quy tuyến tính cho ra. Ta tiến hành vẽ biểu đồ phân tán giữa 2 giá trị này đã được chuẩn hóa với phần dư trên trục tung và phần dự đoán trên trục hoành. Nếu giả định liên hệ tuyến tính và phương sai bằng nhau được thỏa mãn, thì ta sẽ không nhận thấy có sự liên hệ gì giữa các giá trị dự đoán phần dư, chúng sẽ phân tán ngẫu nhiên (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Từ biểu đồ 4.6 ta thấy phần dư phân tán ngẫu nhiên trong một vung xung quanh đường đi qua tung độ 0 chứ không tạo thành hình dạng nào. Như vậy giá trị dự đoán và phần dư độc lập với nhau và phương sai của phần dư không thay đổi. Như vậy giả thiết về quan hệ tuyến tính không bị vi phạm, mô hình hồi quy phù hợp để phân tích.
Biểu đồ 4.5: Biểu đồ kiểm định liên hệ tuyến tính
(Nguồn: Dữ liệu nghiên cứu của tác giả)
c) Phân tích sự khác biệt trong quyết định lựa chọn NHTM để GTTK
Phương pháp phân tích phương sai được sử dụng nhằm để kiểm định có hay không sự tác động của những nhóm đối tượng đối với quyết định lựa chọn ngân hàng. Kiểm định trung bình Independent-samples T-test cho phép ta so sánh hai giá trị trung bình của hai mẫu độc lập rút ra từ hai tổng thể này trong tổng thể chung.
46
So sánh quyết định giữa nam và nữ
Kết quả kiểm định T-test (bảng 22, phụ lục 5) cho thấy, không có sự khác biệt
trong quyết định lựa chọn ngân hàng thương mại để gửi tiền tiết kiệm của khách hàng cá nhân giữa nam và nữ (do giá trị Sig = 0,513 >0,05).
So sánh quyết định giữa độ tuổi
Kết quả phân tích phương sai Oneway Anova (bảng 23, phụ lục 5) cho thấy,
không có sự khác biệt trong quyết định lựa chọn ngân hàng thương mại để gửi tiền tiết kiệm của khách hàng cá nhân giữa các độ tuổi khác nhau (do giá trị Sig = 0,398>0,05).
So sánh quyết định giữa trình độ học vấn
Kết quả phân tích phương sai Oneway Anova (bảng 24, phụ lục 5) cho thấy,
không có sự khác biệt trong quyết định lựa chọn ngân hàng thương mại để gửi tiền tiết kiệm của khách hàng cá nhân giữa các trình độ học vấn khác nhau (do giá trị Sig = 0,648>0,05).
So sánh quyết định giữa nghề nghiệp
Kết quả phân tích phương sai Oneway Anova (bảng 25, phụ lục 5) cho thấy,
không có sự khác biệt trong quyết định lựa chọn ngân hàng thương mại để gửi tiền tiết kiệm của khách hàng cá nhân giữa các nghề nghiệp khác nhau (do giá trị Sig = 0,214>0,05).
So sánh quyết định giữa thu nhập
Kết quả phân tích phương sai Oneway Anova (bảng 26, phụ lục 5) cho thấy, có
sự khác biệt trong quyết định lựa chọn ngân hàng thương mại để gửi tiền tiết kiệm của khách hàng cá nhân giữa các thu nhập khác nhau (do giá trị Sig = 0,032<0,05).
So sánh quyết định giữa gia đình (tình trạng hôn nhân)
Kết quả kiểm định T-test (bảng 27, phụ lục 5) cho thấy, có sự khác biệt trong
quyết định lựa chọn ngân hàng thương mại để gửi tiền tiết kiệm của khách hàng cá nhân giữa những người độc thân và người có gia đình (do giá trị Sig = 0,012 < 0,05).
47