Kiểm tra về giả định liên hệ tuyến tính:
Hình 3.3 Scatterplot ngẫu nhiên
(Regression Standardized Residual) và giá trị dự đoán chuẩn hóa trên trục hoành (Regression Standardized Predicted Value). Giả định không bị vi phạm nếu các điểm phân tán một cách ngẫu nhiên (Hình 3.3). Nếu chúng phân phối theo đường bậc 2, bậc 3 Cubic (Hình 3.4).... nhiều khả năng bộ dữ liệu không phù hợp với phân tích hồi quy.
Hình 3.4 Scatterplot ‘ước lượng’ bậc 3 Cubic
Kiểm tra về giả định phương sai của sai số không đổi
Kiểm định Spearman là phép toán kiểm định hiện tượng phương sai của sai số thay đổi trong mô hình hồi quy tuyến tính đơn giản. Phương pháp này được thực hiện bằng cách lấy giá trị tuyệt đối của phần dư chuẩn hóa (Absolute of Standardized Residuals, ABSRES) kiểm định với từng biến độc lập. Với giả thiết H0 là hệ số tương quan hạng tổng thể bằng 0. Nếu có cơ sở bác bỏ giả thiết H0 (sig. < 0.05), nghĩa là phương sai của sai số không đổi. Và ngược lại, sig. > 0.05, thì có thể kết luận phương sai của sai số thay đổi.
Kiểm tra về tính độc lập của sai số: Dùng hệ số Durbin Watson, giá trị của hệ số xấp xỉ bằng 2 là sử dụng được.
Xây dựng biểu đồ Histogram hoặc Q-Q lot, nếu các điểm bám dọc đường 450
thì không vi phạm giả định về phân phối chuẩn của phần dư.
Kiểm tra về giả định không có mối tương quan giữa các biến độc lập (đa cộng tuyến)
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2011), mô hình hồi quy tuyến tính bội yêu cầu các biến độc lập không có tương quan chặt với nhau. Nếu 2 hoặc lớn hơn 2 biến độc lập có tương quan chặt với nhau thì được cho là xảy ra hiện tượng đa cộng tuyến trong mô hình. Khi đó, các biến có tương quan chặt không cung cấp được thông tin và mức độ ảnh hưởng lên mô hình. Cách nhận dạng hiện tượng đa cộng tuyến trong mô hình:
Hệ số phóng đại phương sai VIF (Variance Inflation Factor), được tính bằng nghịch đảo của R, VIF không vượt quá 5, nhiều quan điểm phân tích cho rằng VIF nên chấp nhận ở mức không vượt quá 10.
Độ chấp nhận của biến (Tolertance) nếu nhỏ hơn 0.2.