Phân tích hồi quy tuyến tính

 Ý nghĩa/ mục đích

Phân tích hồi qui nhằm trả lời cho hai câu hỏi

Trong các biến độc lập đề xuất ban đầu thì yếu tố nào thực sự có tác động đến biến phụ thuộc

Trong các biến có tác động thì biến nào tác động mạnh và biến nào tác dụng yếu.

 Các bước thực hiện

Analyze RegressionLiner

Đưa các biến phụ thuộc vào Dependent

Đưa tất cả các biến độc lập mà còn giữ lại ở bước phân tích tương quan vào Independent

Hình 2.8: Phân tích hồi quy Trong Independent chọn

 Statistic Collinearity Diagostics, Dubin – waston

 Plot Histogram, Normal probability plot => Continue => OK

 Đọc kết quả: Bảng 2.10: Coefficients Model Summary Model 1 Coefficients^a 25

Model

1 (Consta

nt) SI

PU

- Ta có: R² =0.572, R² điều chỉnh= 0.568 (Các biến độc lập giải thích được 56,8% sự thay đổi của biến phụ thuộc), từ đó suy ra: 5 biến này giải quyết được 56,8% vấn đề và 43,2% không được giải quyết => mô hình tốt.

Ý nghĩa: Các biến SI và PU trong mô hình chiếm 56,8% và 43,2% các biến khác mà chúng ta chưa tìm ra, cần nghiên cứu và tìm hiểu thêm.

+ SI có Sig=0.000 < 5% và B = 0,206 có giá trị dương nên SI có tác động cùng chiều đến BI vì thế H1: giả thuyết đúng với mức ý nghĩa 5%.

+ PU có Sig=0.000 < 5% và B = 0,503 có giá trị dương nên SI có tác động cùng chiều đến BI vì thế H2: giả thuyết đúng với mức ý nghĩa 5%.

- Xét cột Beta của SI và PU ta thấy hệ số Beta của PU = 0,567 lớn hơn SI = 0,277, nên ta sẽ ưu tiên giải quyết PU trước.

*Để biết được cần phải giải quyết vấn đề nào trước trong một biến đó, ta thực hiện như sau:

+ Chọn Analyze => Descriptive Statistics => Descriptives 26

+ Sau đó đưa nhóm mô hình đã hiệu chỉnh vào => OK + Thực hiện tương tự với các biến còn lại

Hình 2.9: Thống kê mô tả từng biến