biến độc lập có trong mô hình có thể giải thích được sựthay đổi của biến phụ thuộc.
Điều này cũng có nghĩa là mô hình được xây dựng phù hợp với tập dữ liệu.
Bảng 4.26: Kết quả phân tích ANOVA (ANOVAP
a P ) Nguồn biến đổi Tổng các độ lệch bình phương df Trung bình bình phương F Ý nghĩa Do hồi quy 102.032 7 14.576 100.998 0.000P b Do phần dư 51.666 358 .144 Tổng cộng 153.699 365 a. Biến phụ thuộc: HL
Dựa vào bảng kết quả phân tích (bảng 4.26), ta thấy F = 100.998 với sig rất nhỏ = 0.000 < 0.05 chứng tỏ chúng ta có thể bác bỏ giả thuyết cho rằng tất cả các hệ số
hồi quy bằng 0, nghĩa là mô hình hồi quy là phù hợp với dữ liệu nghiên cứu và có thể
sử dụng được
4.4.2.4. Dò tìm sự vi phạm các giảđịnh cần thiết trong hồi quy tuyến tính
Giả định liên hệ tuyến tính
Đối với hồi quy tuyến tính bội, biểu đồ phân tán giữa các phần dư và giá trị dự đoán là phương tiện tốt đểđánh giá mức độ đường thẳng phù hợp với dữ liệu quan sát.
Trong trường hợp chúng ta tìm đường hồi quy tuyến tính cho các dữ liệu và mô tả
phần dư cùng giá trị dự đoán lên đồ thị mà thấy phần dư của chúng thay đổi theo một trật tự nào đó (có thể là cong dạng bậc hai Parabol, cong dạng bậc ba Cubic…) thì
phương trình hồi quy tuyến tính mô tả dạng đường thẳng là không phù hợp với các dữu liệu này. Nếu giả định liên hệ tuyến tính và phương sai bằng nhau được thỏa mãn thì ta sẽ không nhận thấy có liên hệ gì giữa giá trị dựđoán và phần dư, chúng sẽ phân tán rất ngẫu nhiên.
Trang 68
Kết quả phân tích (đồ thị hình 4.5) cho thấy phần dư phân tán ngẫu nhiên
trong vùng xung quanh đường thẳng qua tung độ 0. Như vậy có thể kết luận là mô hình tuyến tính là phù hợp.
Hình 4.5: Đồ thị phân tán
Giả định phương sai của sai số không đổi
Hiện tượng phương sai của sai số thay đổi (độ lớn của phần dư tăng hay giảm cùng với các giá trị của biến độc lập) gây ra nhiều hậu quảđối với mô hình ước lượng bằng phương pháp tuyến tính. Nó làm cho các ước lượng của hệ số hồi quy không chệch nhưng không hiệu quả (tức là không phải là ước lượng phù hợp nhất). Ước
lượng của các phương sai bị chệch làm kiểm định các giả thuyết mất hiệu lực khiến
chúng ta đánh giá nhầm về chất lượng của mô hình hồi quy tuyến tính.
Chúng ta có thể sử dụng đồ thị để kiểm tra giả định phương sai sai số không
Trang 69
nhiên xung quanh đường thẳng tung độ 0 trong phạm vi không đổi. Theo kết quả phân tích (hình 4.5), giảđịnh vềphương sai sai sốkhông đổi không bị vi phạm.
Ngoài ra, chúng ta có thể sử dụng kiểm định tương quan hạng Spearman để
kiểm định giảđịnh này. Giả thuyết đặt ra cho kiểm định này là:
HA0EA: Phương sai sai số không đổi (Hệ số tương quan hạng của tổng thể giữa phần dư và biến độc lập bằng 0)
HA1EA : Phương sai sai số thay đổi (Hệ số tương quan hạng của tổng thể giữa phần dư và biến độc lập khác 0)
Bảng 4.27: Bảng kết quảphân tích tương quan hạng Spearman
Biến độc lập CL CG TT GT CS TR RR PHANDU Hệ sốtương quan 0.110 -0.036 0.039 -0.052 -0.073 -0.104 -0.083 Sig. (2-tailed) 0.135 .0498 0.461 0.324 0.161 0.146 0.113 N 366 366 366 366 366 366 366
**. Tương quan với mức ý nghĩa nhỏhơn 0.01 (kiểm định 2 phía).
*. Tương quan với mức ý nghĩa nhỏ hơn 0.05 (kiểm định 2 phía).
Kết quả kiểm định (bảng 4.27) cho thấy, ta không thể bác bỏ giả thuyết HR0 Rvới mức ý nghĩa sig > 0.05 với toàn bộ hệ sốtương quan hạng Spearman giữa phần dư và
các biến độc lập. Như vậy, giảđịnh vềphương sai sai sốkhông đổi không bị vi phạm.
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, sốlượng các phần dư không đủ nhiều
để phân tích… Vì vậy, chúng ta nên thực hiện nhiều khảo sát khác nhau.
Dựa vào đồ thị có thể nói phân phối chuẩn của phần dư xấp xỉ chuẩn (Mean= -5.15E-15) và độ lệch chuẩn Std.Dev = 0.990 tức là gần bằng 1. Do đó có thể kết luận rằng giảđịnh về phân phối chuẩn của phần dư không bị vi phạm.
Trang 70
Hình 4.6: Biểu đồ tần số của các phần dư chuẩn hóa
Ngoài ra, biểu đồ P-P Plot cũng có thể sử dụng thêm để khảo sát phần dư có
phân phối chuẩn hay không. P-P Plot thể hiện những giá trị của các điểm phân vị của phân phối của biến theo các phân vị của phân phối chuẩn. Những giá trị kỳ vọng sẽ tạo thành một đường chéo. Các điểm quan sát thực tế sẽ tập trung sát đường chéo nếu dữ
liệu có phân phối chuẩn.
Dựa vào hình vẽ P-P plot (hình 4.7) cho thấy các điểm quan sát không phân
tán quá xa đường thẳng kỳ vọng, nên ta có thể kết luận là giả thiết phân phối chuẩn không bị vi phạm.
Trang 71
Hình 4.7: Biểu đồ P-P plot
Giả định về tính độc lập của sai số (hay không có tự tương quan giữa các phần dư)
Tự tương quan là sự tương quan giữa các thành phần của chuỗi quan sát được sắp xếp theo thứ tự thời gian hoặc không gian. Có nhiều lý do dẫn đến hiện tượng tự tương quan như các biến có ảnh hưởng không được đưa hết vào mô hình do giới hạn và mục tiêu nghiên cứu, sai sốtrong đo lường các biến… điều này cũng gây ra những
tác động sai lệch nghiêm trọng đến mô hình. Đại lượng thống kê Durbin-Watson có thềdùng để kiểm định tương quan của các sai số kề nhau.
Kiểm định giả thuyết:
HRoR: Hệ sốtương quan tổng thể của các phần dư bằng 0 HR1R: Hệ sốtương quan tổng thể của các phần dư khác 0
Trong thực tế khi tiến hành kiểm định Durbin – Watson, người ta thường áp dụng quy tắc kiểm định đơn giản sau:
Trang 72
Nếu 1 < d < 3 thì kết luận mô hình không có tựtương quan.
Nếu 0 < d < 1 thì kết luận mô hình có tựtương quan dương.
Nếu 3 < d < 4 thì kết luận mô hình có tựtương quan âm.
Chúng ta cũng có thể tra bảng thống kê Durbin-Watson để kiểm định mức ý
nghĩa. Giá trị tra bảng của Durbin-Watson với 7 biến độc lập và 366 biến quan sát là: dALEA = 1.603 và dAUEA = 1.746
Trong đó thông số d của mô hình là 1.755 (bảng 4.21) nằm trong miền dAUEA < d < 4-dAUA tE ức là trong khoảng 1.746< 1.755< 2.254 nên có thể kết luận rằng mô hình không có hiện tượng tựtương quan.
Giả định không có mối tương quan giữa các biến độc lập (đo lường đa cộng tuyến)
Cuối cùng, trong mô hình hồi quy bội chúng ta đã giả định giữa các biến giải
thích không có đa cộng tuyến tức là giữa các biến độc lập có tương quan chặt chẽ với
nhau. Để kiểm tra hiện tượng đa cộng tuyến, một thước đo được sử dụng nhiều nhất là phân tử phóng đại phương sai VIFvà độ chấp nhận của biến (Tolerance). Điều kiện để
không có hiện tượng đa cộng tuyến và độ chấp nhận của biến lớn hơn hiệu của một trừ
hệ sốxác định (Tolerance >1-RP
2
P
) và hệ sốphóng đại VIF < 2.
Bảng 4.28: Kết quảđo lường đa cộng tuyến
Biến Độ chấp nhận của biến (Tolerance) Hệ sốphóng đại (VIF) CL 0.535 1.868 CG 0.560 1.785 TT 0.940 1.064 GT 0.532 1.880 CS 0.700 1.428 TR 0.747 1.339 RR 0.647 1.545
Kết quả phân tích theo bảng 4.28, độ chấp nhận của biến (Tolerance) là khá
cao, đều thỏa mãn điều kiện Tolerance >1-RP
2
P
Trang 73
phương sai VIF đều nhỏ hơn 2 cho thấy các biến độc lập này không có mối quan hệ
chặt chẽ với nhau, điều này chứng tỏ không có hiện tượng đa cộng tuyến xảy ra.
Từ tất cả các kiểm định trên ta có thể thấy rằng mô hình hồi quy được lựa chọn là phù hợp. Kết quả hồi quy như sau:
HL = 1.024+ 0.214CL + 0.236CGRR+ 0.128TT+ 0.151GT + 0.207CS -0.139TRRR-
0.074RR
Ý nghĩa của các hệ số hồi quy:
• Đối với β∧2= 0.214 có ý nghĩa là khi các yếu tốkhác không đổi thì khi cảm nhận của khách hàng về chất lượng mạng lưới tăng (giảm) đơn vị thì Sự hài lòng
khách hàng tăng (giảm) 0.214 đơn vị.
• Đối với β∧3= 0.236 có ý nghĩa là khi các yếu tốkhác không đổi thì khi cảm nhận của khách hàng về Cấu trúc giá tăng (giảm) 1 đơn vị thì Sự hài lòng khách
hàng tăng (giảm) 0.236 đơn vị.
• Đối với β∧4= 0.128 có ý nghĩa là khi các yếu tốkhác không đổi thì khi cảm nhận của khách hàng về Sự thuận tiện tăng (giảm) 1 đơn vị thì Sự hài lòng khách
hàng tăng (giảm) 0.128 đơn vị.
• Đối với β∧5= 0.151 có ý nghĩa là khi các yếu tốkhác không đổi thì khi cảm nhận của khách hàng về Dịch vụ gia tăng tăng (giảm) 1 đơn vị thì Sự hài lòng
khách hàng tăng (giảm) 0.151 đơn vị.
• Đối với β∧6= 0.207 có ý nghĩa là khi các yếu tốkhác không đổi thì khi cảm nhận của khách hàng về Chăm sóc khách hàng tăng (giảm) 1 đơn vị thì Sự hài
lòng khách hàng tăng (giảm) 0.207 đơn vị.
• Đối với β∧7= -0.139 có ý nghĩa là khi các yếu tốkhác không đổi thì khi cảm nhận của khách hàng về Tin nhắn rác tăng (giảm) 1 đơn vị thì Sự hài lòng khách hàng giảm (tăng) 0.139 đơn vị.
Trang 74
• Đối với β∧8= -0.074 có ý nghĩa là khi các yếu tốkhác không đổi thì khi khách hàng lo lắng về Sự rủi ro tăng (giảm) 1 đơn vị thì Sự hài lòng khách hàng giảm
(tăng) 0.074 đơn vị.
Bảng 4.29: Tổng hợp kết quả kiểm định các giả thuyết
Giả thuyết Kết quả
kiểm định
H1: Cảm nhậntốtcủa khách hàng về “Chất lượng mạng lưới” với nhà cung cấp dịch vụ viễn thông di độngcó tương quan thuận với mức độ hài lòng của khách hàng đối với nhà cung cấp dịch vụ đó
Chấp nhận
H2: Cảm nhận của khách hàng về mức độ phù hợp của “Cấu trúcgiá
dịch vụ” với nhà cung cấp dịch vụ viễn thông di động có có tương quan thuận mức độ hài lòng của khách hàng đối với nhà cung cấp dịch vụ đó
Chấp nhận
H3: Cảm nhận của khách hàng về “Sự thuận tiện củaquá trình giao
dịch” với nhà cung cấp dịch vụ viễn thông di động có tương quan thuận với mức độ hài lòng của khách hàng đối với nhà cung cấp dịch vụ đó
Chấp nhận
H4: Cảm nhận của khách hàng về mức độ phù hợp của “Dịch vụ giá trị gia tăng” với nhà cung cấp dịch vụ viễn thông di động có tương quan thuận vớimứcđộ hài lòng của khách hàng đối với nhà cung cấp dịch vụ đó
Chấp nhận
H5: Cảm nhận tốt của khách hàngvề “Chăm sóc khách hàng” với nhà cung cấp dịch vụ viễn thông di động có tương quan thuậnmức độ hài lòng của khách hàng đối với nhà cung cấp dịch vụ đó
Chấp nhận
H6: Cảm nhận của khách hàng về mức ảnh hưởng của “Tin nhắn rác”
với nhà cung cấp dịch vụ viễn thông di động có tương quan nghịchvới mức độ hài lòng của khách hàng đối với nhà cung cấp dịch vụ đó
Chấp nhận
H7: Cảm nhận của khách hàngvề “Sự rủi ro”của khách hàng đối với dịch vụ viễn thông di động đang sử dụng có tương quan nghịchvới mức độ hài lòng của khách hàng đối với nhà cung cấp dịch vụ đó
Trang 75
4.5. PHÂN TÍCH TẦM QUAN TRỌNG CỦA CÁC BIẾN TRONG MÔ HÌNH
Theo tác giả Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008)P
[15]
P
, trong mô hình hồi quy tuyến tính bội, chúng ta có thể xác định các biến khi được đưa vào mô
hình, biến nào có vai trò quan trọng hơn trong việc dựđoán lý thuyết cho sự hài lòng của khách hàng. Có hai vấn đề quan tâm khi xác định tầm quan trọng tương đối của từng biến độc lập trong mô hình hồi quy tuyến tính.
Tầm quan trọng của các biến độc lập trong mô hình khi sử dụng riêng biệt để đánh giá mức độ hài lòng của khách hàng.
Tầm quan trọng của các biến độc lập trong mô hình khi chúng được sử dụng
cùng lúc để dựđoán mức độ hài lòng của khách hàng.
Khi được sử dụng riêng biệt để dự đoán sự hài lòng, những biến nào có trị
tuyệt đối hệ sốtương quan riêng biệt càng lớn thì liên hệ tuyến tính càng mạnh. Theo phân tích hệ số tương quan (bảng 4.20) biến Cấu trúc giá có mức tương quan với Sự
hài lòng lớn nhất với hệ sốtương quan Pearson (r = 0.661), tiếp đến là biến Chất lượng mạng lưới (r = 0.656). Yếu tố Dịch vụ giá trị gia tăng có liên hệ tuyến tính lớn thứ ba (r = 0.608) tiếp theo là yếu tốChăm sóc khách hàng (r =0.574), Sự rủi ro có mức ảnh
hưởng tiếp theo (r =0.513). Yếu tố có mối liên hệ tuyến tính thấp nhất là Sự thuậntiện (r = 0.275) và Tin nhắn rác (r = 0.465).
Trong mô hình này, vì các biến độc lập có tương quan với nhau nên ảnh
hưởng của các biến độc lập đến biến phụ thuộc Sự hài lòng của khách hàng là rất khó
đánh giá. Ảnh hưởng đó bây giờ còn phụ thuộc vào các biến độc lập khác của phương
trình và không thể tách tiêng biệt. Ảnh hưởng này làm hệ số hồi quy riêng phần thay
đổi, do đó việc dùng hệ số hồi quy riêng phần để kết luận là không phù hợp. Để xác
định tầm quan trọng của các biến khi chúng được sử dụng cùng các biến khác trong mô hình ta sử dụng hệ số tương quan từng phần và tương quan riêng (part và partial
correcltion).
Đánh giá tầm quan trọng tương đối của các biến độc lập là xét mức độtăng hệ
sốxác định RP
2
P
khi một biến giải thích được đưa vào phương trình khi phương trình đã
có các biến độc lập khác. Độ thay đổi của RP
2
P
Trang 76
chứng tỏ biến đó cung cấp những thông tin độc nhất giải thích cho biến phụ thuộc mà những biến độc lập khác không có được. Căn bậc hai của độgia tăng này gọi là hệ số
tương quan từng phần. Biến nào có hệ số tương qua từng phần lớn thì biến đó có vai
trò quan trọng hơn. Tuy nhiên, giá trị này chỉ cho biết mức độ thay đổi của hệ số xác
định khi thêm một biến vào phương trình có chứa sẵn những biến khác chứ không chỉ ra được tỷ lệ phần biến thiên mà một mình biến đó có thể giải thích được.
Một hệ số có thể đo lường khả năng giải thích biến thiên của biến phụ thuộc do ảnh hưởng của một biến độc lập trong mô hình là hệ sốtương quan riêng.
Bảng 4.30: Phân tích tầm quan trọng của các biến trong mô hình
Biến độc lập Hệ sốtương quan
(r)
Hệ số
tương quan riêng Hệ stốừng phtương quan ần
(Hằng số) CL 0.656 0.298 0.181 CG 0.661 0.308 0.188 TT 0.275 0.202 0.120 GT 0.608 0.160 0.094 CS 0.574 0.293 0.177 TR -0.465 -0.188 -0.111 RR -0.513 -0.112 -0.066
Dựa vào kết quả phân tích bảng 4.29, khi xem xét sự kết hợp của tất cả các yếu tốđộc lập trong mô hình, yếu tố Cấu trúc giá có vai trò quan trọng nhất trong việc dự đoán về Sự hài lòng của khách hàng khi sử dụng dịch vụ viễn thông di động trong nghiên cứu này. Vai trò quan trọng tiếp theo là các yếu tố Chất lượng mạng lưới,
Chăm sóc khách hàng, Sự thuận tiện, Tin nhắn rác, Dịch vụ giá trị gia tăng và Sự rủi ro. Như vậy khi có sự kết hợp của nhiều biến độc lập, tầm quan trọng của các biến