qui mẫu dự kiến như sau:
(SRF) HL = 1.024+ 0.214CLRiR + 0.236CGRiR + 0.128TTRiR+ 0.151GTRiR + 0.207CSRiR -
0.139TRRi R- 0.074RRRi
4.4.2.2. Đánh giá mức phù hợp của mô hình
Sau khi dùng phương pháp hồi qui để nhận ra các biến độc lập có khảnăng dự đoán tốt cho biến phụ thuộc trong bộ dữ liệu mẫu thì có cả bảy biến độc lập có khả năng dự đoán tốt cho biến phụ thuộc đó là biến “CL” (Chất lượng mạng lưới), “CG” (Cấu trúc giá), “TT” (Sự thuận tiện), “GT” (Dịch vụ giá trị gia tăng), “CS” (Chăm sóc
khách hàng), “TR” (Tin nhắn rác) và “RR” (Sự rủi ro). Mô hình được chọn có hệ số xác định RP
2
P
hiệu chỉnh là 65.7% (bảng 4.25) có nghĩa mô hình đã giải thích được 65.7% sự hài lòng của khách hàng, đồng thời cũng cho thấy mức độ phù hợp của mô hình hồi quy này khá tốt.
Bảng 4.25: Tóm tắt thống kê đánh giá sự phù hợp của mô hình
(Model SummaryP b P ) Mẫu R RP 2 RP 2 P hiệu chỉnh Ước lượng
sai số chuẩn Durbin-Watson
1 0.815P
a 0.664 0.657 0.37989 1.755
a. Biến độc lập: (Hằng số), RR, TT, CS, TR, CG, CL, GT b. Biến phụ thuộc: HL
4.4.2.3. Kiểm định độ phù hợp của mô hình
Tiến hành hồi qui đã giúp nghiên cứu về mối quan hệ tuyến tính giữa biến phụ
thuộc Sự hài lòng của khách hàng và các biến độc lập Chất lượng mạng lưới, Cấu trúc giá, Sự thuận tiện, Dịch vụ giá trị gia tăng, Chăm sóc khách hàng, Tin nhắn rác và Sự
rủi ro nhằm xem xét biến Sự hài lòng của khách hàng có liên hệ tuyến tính với tập hợp các biến độc lập. Kiểm định F trong bảng phân tích phương sai là một phép kiểm định giả thuyết vềđộ phù hợp của mô hình hồi quy tuyến tính tổng thể.
Trang 67
Giả thuyết HR0R: Tất cả các hệ số hồi quy (trừ hằng số) đều bằng 0 (β R2 R=β R3R =
βR4R =β R5 R= βR6 R= β R7 R= βR8 R= 0)
Giả thuyết HR1R: Có ít nhất 1 hệ sốβ khác 0.