- Dân số và lao động
N Minimum Maximum Mean Std Deviation
2.3.1.5. Phân tích hồi quy để xác định cụ thể trọng số của từng yếu tố tác động đến sự hài lòng của khách hàng trong chính sách sản phẩm
sự hài lòng của khách hàng trong chính sách sản phẩm
Việc sử dụng các nhân tố để nghiên cứu đánh giá về chính sách sản phẩm của BMQB như các biến độc lập có ảnh hưởng đến đánh giá chung về chính sách Marketing - mix bảo hiểm của khách hàng. Chúng tôi sử dụng mô hình hồi quy tương quan theo bước (Step-wise linear regression) để chọn ra những biến có ảnh hưởng nhiều đến sự hài lòng của khách hàng.
Phân tích hồi quy tương quan theo bước đòi hỏi các biến số độc lập được đưa lần lượt vào mô hình, từ đó thông qua mức độ thay đổi trong R-squared nhiều hay ít mà có thể hiểu biến số này có mức độ ảnh hưởng lớn hay nhỏ đến sự hài lòng của khách hàng đến chính sách sản phẩm. Với tiêu chuẩn chọn lựa một biến để đưa vào mô hình là xác suất của thống kê F ≤ 0,05 (Probability of F - to - enter). Tiêu chuẩn để đưa một biến ra khỏi mô hình là xác suất của thống kê F ≥ 0,10.
Các biến đưa vào mô hình như sau:
(Ký hiệu : SP_dadang)
X2 : Điều khoản, quy định rõ ràng, minh bạch ( Ký hiệu: QTĐK_rorang)
X3 : Sản phẩm có nhiều mục lựa chọn (Ký hiệu: SP_nhieumuc)
X4 : Chính sách khuyến mãi (Ký hiệu: Kmai_tot)
Biến phụ thuộc : Y : Sự hài lòng của khách hàng đối với chinh sách sản phẩm Sử dụng phân tích hồi quy theo bước, các biến số độc lập lần lượt được đưa vào mô hình.
Bước 1: Biến số X1 đưa vào mô hình để đánh giá sự tác động của sản phẩm dịch vụ của Bảo Minh đến sự hài lòng của khách hàng.
Bước 2: Biến số X2 đánh giá sự tác động của các điều khoản, quy định bảo hiểm được đưa vào mô hình.
Bước 3: Biến số X3 đánh giá sự tác động của sản phẩm có nhiều mức lựa chọn tiếp tục được đưa vào mô hình.
Bước 4: Biến số X4 đánh giá sự tác động của các chính sách khuyến mãi được đưa vào mô hình.
Với cách thức đưa lần lượt các biến vào mô hình như vậy, Khi một biến số mới được đưa vào mô hình, sự thay đổi chỉ số R-squared sẽ cho biết mức độ ảnh hưởng của biến số mới được đưa vào. Nếu R-squared thay đổi càng nhiều thì mức độ ảnh hưởng của biến số đó càng lớn, ngược lại nếu mức độ thay đổi của R-squared bé, thì mức độ ảnh hưởng của biến số đó đến sự hài lòng của khách hàng sẽ không lớn.
Kết quả hồi quy được trình bày tại bảng 2.8 và 2.9 theo lần lượt từng bước, có thể nhận biết rằng sau khi biến số X1 được đưa vào mô hình tại bước 1, chỉ số R- Squared là 0,272, tức là biến Sản phẩm dịch vụ của Bảo Minh giải thích được 27,2% sự thay đổi của biến phụ thuộc Y (Sự hài lòng của khách hàng ). Khi biến số X2, X3, X4, lần lượt được đưa vào mô hình tại các bước tiếp theo, thì chỉ số R-Squared tăng
lần lượt là: 8,4%, 9,2% và 4,6%. Như vậy, có thể nói các biến độc lập là các biến rất quan trọng trong việc giải thích cho sự thay đổi của biến sự hài lòng của khách hàng.
Bảng 2.8: Kết quả mô hình hồi quy tương quan theo bước các nhân tố tác động đến khách hàng
Mô hình
R Square Thay đổi R Square Thay đổi chỉ số thống kê F Bậc tự do 1 Bậc tự do 2 Thay đổi Sig. F Durbin- Watson 1 .272 .272 47.782 1 128 .000 2 .356 .084 16.616 1 127 .000 3 .448 .092 21.065 1 126 .000 4 .494 .046 11.271 1 125 .001 2.106
(Nguồn: Từ kết quả xử lý số liệu điều tra với SPSS)
Như vậy, mô hình hồi quy tuyến tính bội sẽ có dạng như sau: Yi = β1 + β2X1i + β3 X2i + ....+ βp Xki + ei
* Kiểm định hiện tượng đa cộng tuyến
Trong trường hợp mô hình có hiện tượng đa cộng tuyến tức là các biến độc lập tương quan chặt chẽ với nhau và nó cung cấp cho mô hình những thông tin rất giống nhau và khó tách ảnh hưởng của từng biến riêng lẻ, nên để tránh diễn giải sai lệch kết quả hồi quy so với thực tế cần phải đánh giá, đo lường hiện tượng đa cộng tuyến.
Để đo lường hiện tượng đa cộng tuyến giữa các biến độc lập đa sử dụng nhân tử phóng đại phương sai VIF (Variance inflation factor). Nhân tử phóng đại phương sai - VIF có liên hệ gần với độ chấp nhận - Tolerance (= 1 - 2
i
R ). Thực tế nó là nghịch đảo của độ chấp nhận, tức là đối với biến Xi thì VIF = 1/(1 - 2
i
R ). Khi Tolerance nhỏ thì VIF lớn, quy tắc là khi VIF vượt quá 2, đó là dấu hiệu của đa cộng tuyến.
Theo các giá trị trên Bảng 2.9, ta thấy các nhân tử phóng đại phương sai đều nhỏ hơn 1,5 nghĩa là không xảy ra hiện tượng trong đa cộng tuyến trong mô hình.
Nếu mô hình có hiện tượng tương quan chuỗi hay tự tương quan thì các kiểm định sẽ mất hiệu lực, do đó để các tham số của mô hình có ý nghĩa thống kê thì cần phải kiểm định hiện tượng tự tương quan. Trị số thống kê Durbin – Watson (d) bằng 2,106 thỏa mãn điều kiện: dU= 1,788 < d = 2,106 <4-dU =2,212 do đó mô hình không có tự tương quan bậc 1.
*Kiểm định độ phù hợp của mô hình
Ta có hệ số R-Square sử dụng để phản ánh mức độ phù hợp của mô hình hồi quy tuyến tính đa biến.
Kiểm định F sử dụng trong bảng phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể.
Trị thống kê F được tính từ giá trị R-Square cuả mô hình đầy đủ bằng 30,501 (bảng phân tích ANOVA phần phụ lục), với mức ý nghĩa Sig. rất nhỏ cho thấy mô hình hồi quy tuyến tính bội của ta phù hợp với tập dữ liệu và có thể sử dụng được.
Bảng 2.9: Phân tích hồi quy tương quan theo bước các nhân tố tác động đến khách hàng
Các bước
Mô hình hồi quy theo từng bước Hệ số hồi quy (βj) Giá trị t Chỉ số đa cộng tuyến VIF 1 Hệ số chặn 1.692 9.180*** Sản phẩm dịch vụ đa dạng .443 6.912*** 1.000 2 Hệ số chặn 1.160 5.334*** Sản phẩm dịch vụ đa dạng .357 5.570*** 1.122
Điều khoản quy định rõ ràng, minh bạch .272 4.076*** 1.122
3 Hệ số chặn .742 3.346***
Sản phẩm dịch vụ đa dạng .223 3.355*** 1.393
Điều khoản quy định rõ ràng, minh bạch .240 3.855*** 1.136
Sản phẩm có nhiều mục lựa chọn .294 4.590*** 1.325
4 Hệ số chặn .660 3.075***
Sản phẩm dịch vụ đa dạng .175 2.678*** 1.461
Điều khoản quy định rõ ràng, minh bạch .173 2.728*** 1.264
Sản phẩm có nhiều mục lựa chọn .238 3.721*** 1.424
Chính sách khuyến mãi .199 3.357*** 1.495
(Nguồn: Từ kết quả xử lý số liệu điều tra với SPSS)
*Kiểm định độ các hệ số hồi quy riêng phần
Một vấn đề nữa cần xem xét là các hệ số hồi quy riêng phần. Hệ số hồi quy riêng phần βk đo lường sự thay đổi trong giá trị trung bình Y khi Xk thay đổi 1 đơn vị, giữ các biến độc lập còn lại không thay đổi. Nói một cách khác, nó cho biết ảnh hưởng "thuần" của các thay đổi 1 đơn vị trong Xk đối với giá trị trung bình của biến phụ thuộc Y khi loại trừ ảnh hưởng của các biến độc lập khác.
Các hệ số hồi quy riêng phần của tổng thể cũng cần được thực hiện kiểm định giả thuyết βj = 0. Các hệ số hồi quy đều có ý nghĩa thống kê với mức ý nghĩa 0,01.
Như vậy, mô hình hồi quy tuyến tính bội sẽ có dạng như sau: Yi = β1 + β2X1i + β3 X2i + ....+ βp Xpi + ei
Đánh giá chung = 0,660 + + 0,238 x SP _nhieumuc + 0,199 x Kmai _tot + 0,175 x SP_dadang + 0,173 x QTĐK _rorang
Hay được viết lại là :
Mức độ hài lòng của khách hàng đối với sản phẩm dịch vụ của BMQB = 0,660 + 0,238 x Sản phẩm có nhiều mục lựa chọn + 0,199 x Chính sách khuyến mãi tốt + 0,175 x Sản phẩm dịch vụ đa dạng + 0,173 x Điều khoản, quy định rõ ràng, minh bạch
Theo phương trình hồi qui này thì sản phẩm có nhiều mục lựa chọn ảnh hưởng mạnh nhất đến sự hài lòng của khách hàng, ưu điểm đầu tiên của chính sách sản phẩm là dịch vụ phải có nhiều mức lựa chọn. Tiếp đến là dịch vụ khuyến mãi tốt, sản phẩm dịch vụ đa dạng và điều khoản, quy định rõ ràng, minh bạch sẽ đáp ứng và làm thoả mãn các nhu cầu của khách hàng, hài lòng khách hàng và bên cạnh đó sẽ nâng cao tính cạnh tranh trong hoạt động kinh doanh bảo hiểm, góp phần nâng cao hiệu quả trong chính sách sản phẩm của công ty bảo hiểm.
Với kết quả trên cho thấy các yếu tố có mặt trong mô hình có ảnh hưởng rất lớn đến cảm nhận của khách hàng về chính sách sản phẩm của bảo hiểm. Nói cách khác, các yếu tố này có quan hệ rất chặt chẽ với ý kiến đánh giá của khách hàng về
chính sách sản phẩm của bảo hiểm. Mối quan hệ tuyến tính này được giải thích rằng nếu BMQB chú trọng đầu tư các sản phẩm có nhiều mức lựa chọn, đáp ứng được yêu cầu của khách hàng sao cho khách hàng đánh giá yếu tố này tăng thêm 1 điểm thì mức độ hài lòng của khách hàng về chính sách sản phẩm trong marketing bảo hiểm sẽ tăng thêm 0,238 điểm. Cùng với cách giải thích tương tự, chúng ta sẽ thấy được ý nghĩa của các nhân tố còn lại trong mô hình.