- Các hệ số tải nhân tố (Factor loading) nhỏ hơn 0.5 và chênh lệch trọng số của một biến quan sát 0.3 trong EFA sẽ tiếp tục bị loại để đảm bảo giá trị hội tụ giữa các biến cũng nhƣ đảm bảo độ phân biệt của nhân tố. Phƣơng pháp trích hệ số sử dụng Principal Components và điểm dừng khi trích các nhân tố có Eigenvalue lớn hơn 1, tổng phƣơng sai trích bằng hoặc lớn hơn 50% (Nguyễn Đình Thọ, 2011) [13].
3.4.3.4 Phân tích hồi quy và xây dựng phƣơng trình hồi quy tuyến tính tính
Phân tích hồi quy tuyến tính
Gồm 3 bƣớc:
- Bƣớc 1: xem xét hệ số tƣơng quan giữa giá trị cảm nhận và các nhân tố ảnh hƣởng đến giá trị cảm nhận của khách hàng.
- Bƣớc 2: kiểm định mô hình lý thuyết nhằm xác định mức độ ảnh hƣởng của các nhân tố tác động đến Giá trị cảm nhận của khách hàng thông qua các tiêu chí:
+ R2 hiệu chỉnh (Adjusted R Square): đánh giá mức độ phù hợp của mô hình hồi quy với tập dữ liệu.
+ Kiểm định F: xem xét độ phù hợp của mô hình hồi quy tuyến tính tổng thể.
+ Kiểm định t: bác bỏ giả thuyết hệ số hồi quy tổng thể bằng 0. + Hệ số Beta ( ): đánh giá mức độ tác động (mạnh hay yếu) giữa các nhân tố.
- Bƣớc 3: kiểm tra sự phù hợp về độ tin cậy của phƣơng trình thông qua dò tìm vi phạm của giả định: giả định liên hệ tuyến tính, phƣơng sai của phần dƣ không đổi, phân phối chuẩn của phần dƣ, hiện tƣợng đa cộng tuyến.
33
Xây dựng phƣơng trình hồi quy tuyến tính
Sau khi phân tích hồi quy tuyến tính thì mô hình hồi quy tuyến tính bội đƣợc xây dựng nhƣ sau:
Yi = f(Xi) = 0 + 1X1 + 2X2 + 3X3 + … + iXi + i Trong đó:
Y: là biến phụ thuộc thể hiện giá trị dự đoán về mức độ cảm nhận của khách hàng
Yi: là giá trị của Y tại quan sát thứ i
Xi: các nhân tố tác động đến giá trị cảm nhận của khách hàng
0: hằng số hồi quy
1, 2, 3,…, i: trọng số hồi quy
i: sai số tại quan sát thứ i