Phân tích hồi quy tuyến tính sẽ giúp chúng ta biết được cường độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Để tiến hành phân tích hồi quy tuyến tính bội, các biến đưa vào mô hình theo phương pháp Enter. Tiêu chuẩn kiểm định là tiêu chuẩn được xây dựng vào phương pháp kiểm định giá trị thống kê F và xác định xác suất tương ứng của giá trị thống kê F, kiểm định mức độ phù hợp giữa mẫu và tổng thể thông qua hệ số xác định R2. Công cụ chẩn đoán giúp phát hiện sự tồn tại của cộng tuyến trong dữ liệu được đánh giá mức độ cộng tuyến làm thoái hóa tham số ước lượng là hệ số phóng đại phương sai (Variance inflation factor - VIF). Quy tắc khi VIF vượt quá 10, đó là dấu hiệu của đa cộng tuyến
Các nhân tố mới hình thành gồm có: 8 biến độc lập (Phương tiện hữu hình, mức độ tin cậy, mức độ đáp ứng, năng lực phục vụ, sự cảm thông, sự phù hợp về giá cả, mức độ an toàn, thời gian hoạt động) và 1 biến phụ thuộc (Sự hài lòng) được đưa vào phân tích hồi qui. Ta có phương trình tổng quát như sau:
HL = β0 + β1HH + β2TC + β3DU + β4PV + β5SCT + β6GC + β7AT +β8TG+ ei Trong đó:
Biến phụ thuộc: HL (Sự hài lòng của khách hàng)
Biến độc lập: HH – Phương tiện hữu hình, TC – Mức độ tin cậy, DU – Đáp ứng, PV – Năng lực phục vụ, SCT – Sự cảm thông, GC – Sự phù hợp về giá, AT – Mức độ an toàn, TG – Thời gian hoạt động.
Dựa vào cơ sở lý thuyết và kết quả phân tích ở trên, ta sẽ đưa tất cả các biến độc lập trong mô hình hồi quy đã điều chỉnh bằng phương pháp đưa vào cùng một lúc Enter để chọn lọc dựa trên tiêu chí chọn những biến có mức ý nghĩa < 0,05.
Kết quả phân tích hồi quy tuyến tính được thể hiện thông qua bảng sau:
Bảng 3.28. Hệ số R-Square từ kết quả phân tích hồi quy
Thống kê xác suất Mô hình R R 2 R2 Hiệu chỉnh Phương sai Xác suất R2 Xác suất F df1 df2 Xác suất Sig. F Durbin - Watson 1 0,938a 0,880 0,875 0,11059 0,880 197,452 8 216 0,000 2,009
So sánh hai giá trị R2 và R2 hiệu chỉnh csó thể thấy R2 hiệu chỉnh nhỏ hơn, dùng nó để đánh giá độ phù hợp của mô hình sẽ an toàn hơn vì nó không thổi phồng mức độ phù hợp của mô hình. Vậy, nghiên cứu sẽ sử dụng R2 hiệu chỉnh để đánh giá mức độ phù hợp của mô hình nghiên cứu. Độ phù hợp của mô hình được kiểm định bằng trị thống kê F được tính từ R2 của mô hình tương ứng với mức ý nghĩa sig., với giá trị sig. càng nhỏ thì càng an toàn khi bác bỏ giả thuyết hệ số các biến độc lập đều bằng nhau và bằng 0 (trừ hằng số). Mô hình hồi quy tuyến tính bội đưa ra là phù hợp với dữ liệu và có thể sử dụng được.
Hệ số hồi quy chuẩn hóa của phương trình có thể thấy các giá trị Beta đều khác 0, để xác định được mức độ quan trọng của các yếu tố tham dự vào sự hài lòng của khách hàng. Những giá trị Beta khác 0 có ý nghĩa thống kê (kiểm định 2 phía, p < 0,05), kết quả có 8 yếu tố được ghi nhận lần lượt theo hệ số hồi quy chuẩn hóa (β) theo bảng
Bảng 3.29. Hệ số hồi quy của mô hình Hệ số chưa chuẩn hóa Hệ số đă chuẩn hóa Thống kê đa cộng tuyến Mô hình B Sai số chuẩn Beta t Sig. Độ chấp nhận VIF (Consta nt) -0,173 0,114 -1,520 0,130 HH 0,278 0,013 0,523 22,038 0,000 0,988 1,012 TC 0,164 0,012 0,327 13,615 0,000 0,968 1,033 DU 0,144 0,010 0,345 14,440 0,000 0,976 1,024 PV 0,210 0,012 0,409 17,025 0,000 0,965 1,037 SCT 0,115 0,011 0,253 10,494 0,000 0,960 1,042 GC 0,079 0,012 0,157 6,465 0,000 0,941 1,063 AT 0,096 0,012 0,186 7,761 0,000 0,969 1,032 1 TG 0,019 0,011 0,040 1,672 0,096 0,954 1,048 Kết quả trên cho thấy yếu tố HH có hệ số Beta chuẩn hóa cao nhất (= 0,523) nên có tác động mạnh nhất đến sự sự hài lòng của khách hàng. Kế tiếp là các yếu tố PV(=0,409), DU (=0,345), TC (=0,327), SCT (=0,253). Các yếu tố AT (=0,186), GC(=0,157) cũng có tác động đáng kể đến sự hài lòng của hành khách nhưng ít hơn các yếu tố khác.
Mô hình hồi quy:
HL = 0,523HH + 0,409PV + 0,345DU + 0,327TC + 0,253SCT + 0,186AT+ 0,157GC Kết quả trên cũng cho thấy mối quan hệ tuyến tính của các yếu tố với sự hài lòng của hành khách đều có ý nghĩa thống kê (Sig. < 0,05), duy chỉ có biến TG có sig.>0,05 không có ý nghĩa thống kê. Nên ta sẽ loại khỏi mô hình nghiên cứu biến TG. Từ đó có thể kết luận rằng mô hình lý thuyết phù hợp với dữ liệu thị trường. Như vậy, các giả thuyết H1, H2, H3, H4, H5, H6, H7 đều được chấp nhận
Như vậy, kết quả cho thấy có 7 biến độc lập đều có tác động có ý nghĩa lên biến phụ thuộc (sig.<0,05). Và 7 nhân tố này đưa vào phân tích hồi quy đều được giữ lại trong mô hình. Hệ số xác định hiệu chỉnh Adjusted R-Square là 0,880, nghĩa là mô hình hồi quy tuyến tính đã xây dựng phù hợp với tập dữ liệu đến 88,0%, điều này cho thấy mối quan hệ giữa biến phụ thuộc và các biến độc lập là khá chặt chẽ, cả 7 biến trên góp phần giải thích 88,0% sự khác biệt của sự hài lòng của khách hàng đối với chất lượng dịch vụ xe khách tại Công ty. Như vậy, mức độ phù hợp của mô hình tương đối cao. Tuy nhiên sự phù hợp này chỉ đúng với dữ liệu mẫu. Để kiểm định xem có thể suy diễn mô hình cho tổng thể hay không ta phải kiểm định độ phù hợp của mô hình.
Kiểm định F sử dụng trong bảng phân tích phương sai vẫn là một phép giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể. Kết quả phân tích cho thấy, kiểm định F có giá trị là 197,452 với Sig. = 000(a) chứng tỏ mô hình hồi quy tuyến tính bội là phù hợp với tập dữ liệu và có thể sử dụng được để suy rộng ra cho tổng thể.