Sau khi phân tích nhân tố khám phá EFA, các nhân tố sẽ được lấy biến đại diện bằng cách lấy trung bình cộng của các biến quan sát trong cùng nhóm nhân tố. Các biến đại diện tiếp tục thực hiện phân tích tương quan Pearson. Mục đích của phương pháp phân tích này là để kiểm tra mối tương quan tuyến tính giữa biến phụ thuộc với biến độc lập và giữa các biến độc lập với nhau.
Model Summaryb
Model R R Square Adjusted R
Square Std. Error of the Estimate Durbin- Watson 1 0,832a 0,692 0,679 0,39494 2,040 a. Predictors: (Constant), QLDH, NLTC, CCTC, N
b. Dependent Variable: Hieuqua
ÍL
ANOVAa
Model Sum of
Squares
df Mean Square F Sig.
1 Regression 33,292 4 8,323 53,359 0,000b
Residual 14,818 95 0,156
Total 48,110 99
a. Dependent Variable: Hieuqua
b. Predictors: (Constant), QLDH, NLTC, CCTC, NL
(Nguồn: Tính toán của tác giả)
Bảng kết quả phân tích cho thấy các giá trị sig đều là 0,000 thấp hơn 0,05 đủ điều kiện để hệ số tương quan Pearson Correlation có ý nghĩa thống kê. Các giá trị Pearson Correlations đều dương thể hiện giữa các biến quan sát có mối tương quan thuận chiều. Ngoài ra, các hệ số tương quan đều kèm theo ký hiệu ** chỉ ra rằng các cặp biến này có sự tương quan tuyến tính ở mức độ tin cậy cao. Hệ số tương quan giữa biến phụ thuộc và các biến độc lập lần lượt là 0,579**, 0,569**, 0,725**, 0,595** tiến gần về 1 cho thấy mối tương quan tuyến tính mạnh. Như vậy, kết quả phân tích tương quan đã thoả mãn, tiếp tục thực hiện phân tích mô hình hồi quy.
56