2 .1.3.1 Khái niệm
2.2.2.6. Phương pháp hồi quy tuyến tính đa biến
Sử dụng mô hình hồi quy tuyến tính đa biến để nhận diện các nhân tố tác động và mức độ tác động của từng yếu tố đến mức độ hài lòng của khách hàng.
Hồi quy là công cụ chủ yếu của kinh tế lượng, thuật ngữ hồi quy được Francis Galton sử dụng vào năm 1886 bằng cụm từ “Regression to mediocrity”- nghĩa là “quy về giá trị trung bình”. Bản chất của phân tích hồi quy là nghiên cứu mối liên hệ phụ thuộc của một biến (gọi là biến phụ thuộc hay biến được giải thích) với một hay nhiều biến khác (gọi là các biến độc lập hay biến giải thích).
Mô hình hồi quy đa biến: Mô hình hồi quy đa biến có biến phụ thuộc là Y, phụ thuộc vào nhiều biến độc lập X khác. Do đó mô hình có dạng như sau:
Yi= β0 + β1 X1i + β2 X2i+…+ βp Xpi + ei
Trong đó:
Xpi: Biểu hiện giá trị của biến độc lập thứ p tại quan sát thứ i
β0 : Hệ số tự do (hệ số chặn), là giá trị trung bình của biến Y khi βp = 0 Các hệ số βp được gọi là hệ số hồi quy riêng phần
Thành phần ei là một biến độc lập ngẫu nhiên có phân phối chuẩn với trung bình là 0 và phương sai không đổi.
Bảng 2.2 Các nhân tố ảnh hưởng trong mô hình hồi quy
Biến Loại biến Diễn giải
X1 Biến độc lập Sự tin cậy
X2 Biến độc lập Sự đáp ứng
X3 Biến độc lập Sự đảm bảo
X4 Biến độc lập Sự cảm thông
X5 Biến độc lập Phương tiện hữu hình
X6 Biến độc lập Giá cả và ưu đãi
Y Biến phụ thuộc Mức độ hài lòng của khách
hàng Kiểm định sự phù hợp và tính vi phạm của mô hình:
+ Đánh giá độ phù hợp của mô hình: Hệ số xác định R2 và R2 hiệu chỉnh (Adjusted R square) được dùng để đánh giá độ phù hợp của mô hình. Vì R2 sẽ tăng khi đưa thêm biến độc lập vào mô hình nên dùng R2 hiệu chỉnh sẽ an toàn hơn khi đánh giá độ phù hợp của mô hình, R2 hiệu chỉnh càng lớn càng thể hiện độ phù hợp của mô hình càng cao.
+ Kiểm định độ phù hợp của mô hình: Để kiểm định độ phù hợp của mô hình hồi quy đa biến ta dùng giá trị F ở bảng phân tích ANOVA. Giả thuyết H0: β1 = β2 = …= βp = 0. Nếu Sig F < α (α là mức ý nghĩa) thì bác bỏ giả thuyết H0 khi đó mô hình phù hợp với tập dữ liệu và có thể suy rộng ra cho toàn tổng thể. Nếu Sig F ≥ α thì chấp nhận giả thuyết H0, khi đó mô hình không phù hợp với tập dữ liệu và không thể suy rộng ra cho toàn tổng thể (trong đó, mức ý nghĩa α được sử dụng phổ biến là 1%, 5% và 10%).
+ Kiểm định tính vi phạm của mô hình: hiện tượng đa cộng tuyến ta xem xét hệ số phóng đại phương sai (Variance Inflation Factor) VIF nếu hệ số này nhỏ hơn 4 nghĩa là không có hiện tượng đa cộng tuyến.
Ý nghĩa các hệ số hồi quy riêng phần trong mô hình: βp đo lường sự thay đổi giá trị trung bình Y khi Xp thay đổi 1 đơn vị, khi các biến độc lập còn lại không đổi. Ngoài ra, đôi khi dùng hệ số Beta để so sánh khi các biến độc lập không cùng đơn vị đo lường.