Nguồn: Trích xuất từ phần mềm SPSS 20.0
Kiểm định KMO đạt được giá trị là 0,646, Eigenvalues >1 và tổng phương sai dùng để giải thích nhân tố là 65.223% lớn hơn 50% thỏa điều kiện của phân tích nhân tố. Như vậy, kết quả phân tích nhân tố sự hài lòng của khách hàng cho thấy cả 3 biến quan sát đều có Hệ số tải > 0.5 và dùng để giải thích thang đo mức độ hài lòng khách hàng là hợp lý
Bảng 3.5 Mã hóa dữ liệu các nhân tố đại diện
STT Tên Giá trị 1 TCCTHQ MEAN(TC05,TC02,CT03,CT05,HQ01,TC01,HQ02,TC03,TC04 ,HQ03) 2 HHPVT MEAN(HH01,HH05,PV01,CT02) 3 PV MEAN(PV04,PV03,PV02,PV05) 4 HQ MEAN(HQ05,HQ04) 5 HL MEAN(HL1,HL2,HL3)
3.5 Kiểm định mô hình lý thuyết
Ở các phần trước, ta đã xác định được các biến quan sát sử dụng để đo lường các thành phần trong thang đo và hiệu chỉnh mô hình lý thuyết cho phù hợp với thực tế. Trong phần này, mô hình nghiên cứu và các giả thuyết nghiên cứu sẽ được kiểm định để đảm bảo tính đúng đắn của mô hình.
3.5.1 Phân tích tương quan hệ số Pearson
Trong phân tích định lượng, người ta sử dụng một hệ số thống kê có tên là Hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Nếu giữa 2 biến có sự tương quan chặt chẽ thì phải lưu ý đến vấn đề đa cộng tuyến khi phân tích hồi quy.
Vấn đề của hiện tượng cộng tuyến là chúng cung cấp cho mô hình những thông tin rất giống nhau, và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc. Trong quá trình phân tích hồi quy bội, đa cộng tuyến được SPSS chuẩn đoán bằng lựa chọn Collinearity Diagnostic.
Ma trận tương quan
Hình 3.10: Ma trận tương quan giữa các biến trong mô hình.
Từ bảng ma trận tương quan trên, ta thấy có sự tương quan chặt chẽ giữa các biến phụ thuộc HL (Sự hài lòng) và các biến độc lập trong mô hình. Hệ số tương quan giữa các biến thỏa mãn với điều kiện lớn hơn 0.3 (giá trị Pearson Correlation). Mặt khác hệ số Sig. (1-tailed) giữa các biến độc lập với biến phụ thuộc đều =0. Vậy không có hiện tượng cộng tuyến giữa các biến này do đó có thể đi vào phân tích hồi quy
3.5.2 Phân tích hồi quy
Phân tích hồi quy bội không phải chỉ là mô tả các dữ liệu quan sát được. Từ kết quả trong mẫu, ta sẽ xác định mối quan hệ nhân quả giữa biến phụ thuộc HL (sự hài lòng) và các biến độc lập. Mô hình phân tích hồi quy sẽ mô tả hình thức của mối liên hệ và qua đó giúp ta dự đoán được mức độ của biến phụ thuộc khi biết trước
giá trị của biến độc lập. Để xây dựng mô hình hồi quy, ta chọn phương pháp Enter
với các kết quả phân tích như sau:
Hình 3.11: Mô hình tổng quát
Nguồn: Dữ liệu trích xuất từ phần mềm SPSS 20.0
Bảng 4.4 cho kết quả R square = 0.602 với mức ý nghĩa quan sát rất nhỏ (sig = 0), Durbin Watson là 1.664 trong khoảng (1,3) cho thấy mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử dụng được. Tuy nhiên, mô hình thường
không phù hợp với dữ liệu thực tế như giá trị R2 thể hiện. Trong tình huống này, R2
điều chỉnh (0.594) từ R2 được sử dụng để phản ánh sát hơn mức độ phù hợp của mô
hình hồi quy tuyến tính đa biến vì nó không phụ thuộc vào độ lệch phóng đại của
R2. Như vậy, hệ số R2 điều chỉnh = 0,594 cho thấy sự tương thích của mô hình với
biến quan sát xấp xỉ 60% biến thiên của biến phụ thuộc HL (Sự Hài lòng của khách hàng) có thể được giải thích bởi 4 biến độc lập trong mô hình. Kết quả của quá trình thực hiện hồi quy bội cho ta kết quả là hàm đánh giá mức độ hài lòng của khách
hàng về dịch vụ dựa trên các nhân tố độc lập. Các hệ số của các nhân tố độc lập thể hiện sự phụ thuộc của sự hài lòng vào nhân tố đó. Các nhân tố cùng dấu có ảnh hưởng cùng hướng với nhau tới sự hài long. Ngược lại nếu xuất hiện nhân tố ngược dấu nhau thì chúng thể hiện sự tác động ngược chiều với nhau. Thực hiện chạy hồi quy cho ta kết quả như sau: