Phân tích hồi quy

Một phần của tài liệu file_goc_768608 (Trang 64 - 69)

Phân tích hồi quy sẽ xác định mối quan hệ giữa biến phụ thuộc (đánh giá của khách hàng về chất lượng dịch vụ) và các biến độc lập (sự hữu hình, danh mục dịch vụ, sự thuận tiện, hiệu quả phục vụ, sự tin cậy). Mô hình phân tích hồi quy sẽ mô tả hình thức của mối liên hệ và qua đó giúp dự đoán được mức độ của biến phụ thuộc khi biết trước giá trị của biến độc lập. Phương pháp phân tích được chọn lựa là

phương pháp chọn từng bước Stepwise với tiêu chuẩn vào FIN là 0,05 và tiêu chuẩn ra FOUT là 0,1. Đây là phương pháp được sử dụng rộng rãi nhất.

Bảng 2.27 – Phân tích hồi quy

Variables Entered/Removeda

Variables Variables

Model Entered Removed Method

1 su huu . Stepwise (Criteria: ProbabilityofFtoenter <= .050, hinh ProbabilityofFtoremove >= .100).

2 su thuan . Stepwise (Criteria: ProbabilityofFtoenter <= .050, tien ProbabilityofFtoremove >= .100).

3 hieu qua . Stepwise (Criteria: ProbabilityofFtoenter <= .050, phuc vu ProbabilityofFtoremove >= .100).

4 danh muc . Stepwise (Criteria: ProbabilityofFtoenter <= .050, dich vu ProbabilityofFtoremove >= .100).

5 su tin cay . Stepwise (Criteria: ProbabilityofFtoenter <= .050, ProbabilityofFtoremove >= .100).

a. Dependent Variable: danh gia chat luong dich vu

Kết quả phân tích thể hiện như sau:

à Đánh giá sự phù hợp của mô hình hồi quy tuyến tính bội:

Hệ số xác định R2 (R Square) đã được chứng minh là hàm không giảm theo số biến độc lập được đưa vào mô hình (có tất cả 5 biến độc lập). Khi đưa thêm biến độc lập vào mô hình thì R2 càng tăng. Như vậy, R2 có khuynh hướng là một ước lượng lạc quan của thước đo sự phù hợp của mô hình đối với dữ liệu.

So sánh giá trị R2 và R2 điều chỉnh (Adjusted R Square), thông thường giá trị R2 điều chỉnh bao giờ cũng nhỏ hơn R2. Trong tình huống này, giá trị R2 điều chỉnh (0.842) nhỏ hơn R2 (0.845). Như vậy, R2 điều chỉnh sẽ được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình hồi quy tuyến tính đa biến. R2 điều chỉnh không nhất thiết tăng lên khi nhiều biến được thêm vào mô hình, nó là thước đo sự phù hợp được sử dụng cho tình huống hồi quy tuyến tính đa biến vì nó không phụ thuộc vào độ lệch phóng đại của R2. Với hệ số R2 điều chỉnh là 0.842 cho thấy sự tương thích của mô hình với biến quan sát là khá lớn. Do đó, biến phụ thuộc (đánh giá chất lượng dịch vụ) gần như hoàn toàn được giải thích bởi 5 biến độc lập có trong mô hình.

Bảng 2.28 – Kết quả phân tích hồi quy

Model Summaryf

Adjusted Std. Error of

Model R R Square R Square the Estimate DurbinWatson

1 .716a .513 .511 .51214

2 .849b .720 .718 .38869

3 .888c .788 .786 .33900

4 .908d .824 .821 .30954

5 .919e .845 .842 .29125 1.700

a. Predictors: (Constant), su huu hinh

b. Predictors: (Constant), su huu hinh, su thuan tien

c. Predictors: (Constant), su huu hinh, su thuan tien, hieu qua phuc vu d. Predictors: (Constant), su huu hinh, su thuan tien, hieu qua phuc vu,

danh muc dich vu

e. Predictors: (Constant), su huu hinh, su thuan tien, hieu qua phuc vu, danh muc dich vu, su tin cay

f. Dependent Variable: danh gia chat luong dich vu

ANOVAf

Sum of

Model Squares df Mean Square F Sig.

1 Regression 75.305 1 75.305 287.108 .000a Residual 71.604 273 .262 Total 146.909 274 2 Regression 105.816 2 52.908 350.208 .000b Residual 41.093 272 .151 Total 146.909 274 3 Regression 115.765 3 38.588 335.772 .000c Residual 31.144 271 .115 Total 146.909 274 4 Regression 121.039 4 30.260 315.815 .000d Residual 25.870 270 .096 Total 146.909 274 5 Regression 124.091 5 24.818 292.582 .000e Residual 22.818 269 .085 Total 146.909 274

a. Predictors: (Constant), su huu hinh

b. Predictors: (Constant), su huu hinh, su thuan tien

c. Predictors: (Constant), su huu hinh, su thuan tien, hieu qua phuc vu

d. Predictors: (Constant), su huu hinh, su thuan tien, hieu qua phuc vu, danh muc dich vu

e. Predictors: (Constant), su huu hinh, su thuan tien, hieu qua phuc vu, danh muc dich vu, su tin cay

Coefficientsa

Unstandardize Standardized Collinearity

d Coefficients Coefficients Statistics

Std.

Model B Error Beta t Sig. Tolerance VIF

1 (Constant) 3.021 .088 34.300 .000 su huu hinh .522 .031 .716 16.944 .000 1.000 1.000 2 (Constant) 2.079 .094 22.094 .000 su huu hinh .477 .024 .654 20.199 .000 .982 1.019 su thuan tien .404 .028 .460 14.211 .000 .982 1.019 3 (Constant) 1.725 .090 19.072 .000 su huu hinh .398 .022 .546 17.914 .000 .841 1.189 su thuan tien .375 .025 .427 14.997 .000 .966 1.035

hieu qua phuc vu .241 .026 .285 9.304 .000 .833 1.201

4 (Constant) .634 .169 3.760 .000

su huu hinh .396 .020 .543 19.478 .000 .841 1.189

su thuan tien .339 .023 .385 14.502 .000 .924 1.083

hieu qua phuc vu .203 .024 .240 8.374 .000 .795 1.258

danh muc dich vu .327 .044 .201 7.419 .000 .887 1.128

5 (Constant) .114 .202 .564 .574

su huu hinh .389 .019 .533 20.301 .000 .838 1.194

su thuan tien .326 .022 .371 14.770 .000 .915 1.093

hieu qua phuc vu .177 .023 .210 7.644 .000 .768 1.302

danh muc dich vu .306 .042 .189 7.362 .000 .881 1.135

su tin cay .239 .040 .151 5.998 .000 .908 1.102

a. Dependent Variable: danh gia chat luong dich vu

à Kiểm định độ phù hợp của mô hình:

Kiểm định F sử dụng trong phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể. Kiểm định F xem xét mối liên hệ tuyến tính giữa biến phụ thuộc với toàn bộ tập hợp của các biến độc lập. Trong trường hợp này, giá trị thống kê F được tính từ giá trị R2 của mô hình đầyđủ, giá trị Sig. rất nhỏ cho thấy mô hình hồi quy tuyến tính bội sử dụng phù hợp với tập dữ liệu. Bên cạnh đó, kết quả Collinearity Statistics chuẩn đoán hiện tượng đa cộng tuyến với hệ số phóng đại phương sai VIF (Variance Inflation Factor) của các biến độc lập trong mô hình đều rất nhỏ, có giá trị từ 1.000 đến 1.302, thể hiện tính đa cộng tuyến của các biến độc lập là không đáng kể và các biến độc lập trong mô hình được chấp nhận (khi giá trị VIF vượt quá 10 là dấu hiệu của hiện tượng đa cộng tuyến).

Mặt khác, hệ số Durbin – Watson dùng để kiểm định tương quan của các sai số kề nhau (hay còn gọi là tương quan chuỗi bậc nhất, có giá trị biến thiên trong khoảng từ 0 đến 4: nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2; nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch) cho thấy phù hợp khi sử dụng mô hình hồi quy tuyến tính bội vì giá trị hệ số gần bằng 2 (1.700) và chấp nhận giả thuyết không có sự tương quan chuỗi bậc nhất trong mô hình.

Như vậy, mô hình hồi quy tuyến tính bội thỏa mãn các điều kiện đánh giá và kiểm định độ phù hợp cho việc rút ra các kết quả nghiên cứu.

à Giải thích phương trình:

Sau khi phân tích hồi quy, kết quả cho thấy mối quan hệ giữa biến phụ thuộc (đánh giá của khách hàng về chất lượng dịch vụ) và các biến độc lập (sự hữu hình, danh mục dịch vụ, sự thuận tiện, hiệu quả phục vụ, sự tin cậy) được thể hiện trong phương trình sau: CLDV = 0.533SHH + 0.371STT + 0.210HQPV + 0.189DMDV + 0.151STC Trong đó: CLDV : CHẤT LƯỢNG DỊCH VỤ SHH : SỰ HỮU HÌNH STT : SỰ THUẬN TIỆN DMDV : DANH MỤC DỊCH VỤ STC : SỰ TIN CẬY

Theo phương trình hồi quy, CHẤT LƯỢNG DỊCH VỤ có mối quan hệ tuyến tính với các nhân tố SỰ HỮU HÌNH (Hệ số Beta chuẩn hóa là 0.533), SỰ THUẬN TIỆN (Hệ số Beta chuẩn hóa là 0.371), HIỆU QUẢ PHỤC VỤ (Hệ số Beta chuẩn hóa là 0.210), DANH MỤC DỊCH VỤ (Hệ số Beta chuẩn hóa là 0.189), SỰ TIN CẬY (Hệ số Beta chuẩn hóa là 0.151).

Tất cả hệ số Beta chuẩn hóa đều > 0 chứng tỏ các biến độc lập đều tác động thuận chiều với CHẤT LƯỢNG DỊCH VỤ. Kết quả này khẳng định các giả thuyết nêu ra trong mô hình nghiên cứu (H0 – H4) được chấp nhận và kiểm định phù hợp. Như vậy, các chi nhánh BIDV trên địa bàn TP.HCM phải nỗ lực cải thiện những nhân tố nàyđể nâng cao chất lượng dịch vụ của mình.

Một phần của tài liệu file_goc_768608 (Trang 64 - 69)

Tải bản đầy đủ (DOC)

(137 trang)
w