Hồi quy Logistichay còn gọi là logit sẽ được sử dụng trong quá trình nghiên cứu. Sau khi xây dựng được mô hình hồi quy bằng phương pháp tổng bình phương nhỏ nhất, để đảm bảo sự tin cậy của mô hình xây dựng, tác giả tiến hành kiểm định một số khuyết tật như sau.
- Hiện tượng phương sai phần dư thay đổi: Tác giả sử dụng tương quan hạng Spearman để kiểm định giả thuyết phương sai phần dư thay đổi.
- Kiểm định hiện tượng đa cộng tuyến trong mô hình: Đa cộng tuyến là một hiện tượng trong đó các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng đa cộng tuyến là chúng cung cấp cho mô hình những thông tin giống nhau và rất khó tách ảnh hưởng của từng biến một. Đối với hiện tượng đa cộng tuyến, độ sai lệch cho phép (tolerance) hoặc hệ số phóng đại phương sai VIF (variance inflation factor) khi VIF nhỏ hơn hoặc bằng 2 nghĩa là các biến độc lập không có tương quan tuyến tính với nhau.
Diễn tả các hệ số hồi quy của mô hình
Mô hình nghiên cứu đã xác định ở phần trên, từ công thức (3.1) cho thấy, hệ số ước lượng β1 cho biết khi X1 tăng 1 đơn vị thì log của P0/(1-P0) tăng β1 đơn vị. Về chiều hướng tác động, vế trái của công thức (3.2) đồng biến với P0 (tức xác suất Y=1) nên nếu hệ số βi mang dấu dương thì tăng Xi sẽ làm tăng khả năng Y nhận giá trị 1, trong khi hệ số âm làm giảm khả năng này (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Tuy nhiên, để có thể diễn tả ý nghĩa các hệ số hồi quy Binary Logistic, cần tính tác động biến của biến độc lập Xi lên xác suất trả được nợ (có khả năng trả nợ) P1 theo công thức 3.3 sau:
Δ𝑃/Δ𝑋𝑖 = (1−𝑃)𝑖 (3.3.)
Kiểm định ý nghĩa của các hệ số
Hồi quy Logit sử dụng đại lượng Wald Chi Square để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Wald Chi square được tính bằng cách lấy ước lượng của hệ số
hồi quy của biến độc lập trong mô hình (hệ số hồi quy mẫu) logit chia cho sai số chuẩn của ước lượng hệ số hồi quy này, sau đó lấy bình phương như sau:
Wald.Chi – Square = [𝛽/𝑠.𝑒.(𝛽)]2 (3.4) Độ phù hợp của mô hình
Hồi quy Binary Logistic cũng đòi hỏi phải đánh giá độ phù hợp của mô hình. Đo lường độ phù hợp tổng quát của mô hình này được dựa trên chỉ tiêu -2LL (viết tắt của -2 log likelihood). Quy tắc đánh giá độ phù hợp căn cứ trên -2LL ngược với quy tắc dựa trên hệ số xác định mô hình R bình phương, nghĩa là giá trị -2LL càng nhỏ càng thể hiện độ phù hợp cao. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số), khi đó mô hình có một độ phù hợp hoàn hảo. Ngoài ra còn có thể xác định được mô hình dự đoán tốt đến đâu qua bảng phân loại (Clasification table) do SPSS đưa ra, bảng này sẽ so sánh số trị số thực và trị số dự đoán cho từng biểu hiện và tính tỷ lệ dự đoán đúng sự kiện.
Kiểm định độ phù hợp tổng quát
Trong hồi quy Logit, tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình ngoại trừ hằng số cũng được kiểm định xem có thực sự có ý nghĩa trong việc giải thích cho biến phụ thuộc không.Với hồi quy tuyến tính bội, dùng thống kê F để kiểm định giả thuyết.Tuy nhiên trong hồi quy Logit, sử dụng kiểm định Chi - bình phương.Với mức Sig < 0.05 ta bác bỏ giả thuyết Ho chấp nhận giả thuyết H1 tức là các hệ số hồi quy khác nhau có ý nghĩa thống kê và các hệ số đều thực sự có ý nghĩa trong việc giải thích biến phụ thuộc.