Trên cơ sở thang đo các yếu tố ảnh hưởng đến Quyết định đầu tư và hiệu quả đầu tư đã được xem xét kiểm định và phân tích nhân tố khám phá, tiếp tục sử dụng phân tích hồi quy để thấy mối quan hệ giữa các nhân tố này. Mô hình hồi quy được biểu diễn như sau: Y = β1 + β2Xι + β3X 2 + β4X3 + β5X4 + ɛ
Đánh giá đa cộng tuyến là bước đầu tiên trong phân tích mô hình hồi quy. Quy
trình này là cần thiết để đảm bảo rằng các hệ số được ước tính bằng cách hồi quy các biến nội sinh trên các biến ngoại sinh đính kèm không bị sai lệch. Trong hồi quy, tính
đa cộng tuyến tồn tại khi hai hoặc nhiều biến độc lập có tính tương quan cao. Đa cộng
tuyến trong hồi quy làm tăng sai số chuẩn, làm cho các kiểm định quan trọng của các
biến độc lập không đáng tin cậy. Tính đa cộng tuyến cao làm suy yếu khả năng của nhà nghiên cứu để đưa ra phán đoán về tầm quan trọng tương đối của một biến độc lập so với biến khác (Giao & Vương, 2020). Do đó, khi tính đa cộng tuyến cao, nhà lớn nhất là (<5) cho thấy các biến độc lập này không có quan hệ chặt chẽ với nhau nên không có hiện tượng đa cộng tuyến xảy ra.
Tại bảng 4.8, phân tích hồi quy được thực hiện với 2 mô hình gồm: Mô hình 1: Kết quả về mức sinh lợi (sử dụng biến Y23) và Mô hình 2: Kết quả về mức độ hài lòng (sử dụng biến Y24). Các chỉ số dùng để thể hiện mức độ ảnh hưởng bao gồm: Hệ số hồi quy chuẩn hoá (β), Hệ số VIF, Chỉ số R2 hiệu chỉnh, Giá trị Sig thuộc kiểm định F, Giá trị Sig thuộc kiểm định t. Trong đó, ý nghĩa của các chỉ số được giải thích như sau:
• Hệ số hồi quy chuẩn hoá (β) thể hiện mức độ tác động của các biến. Nếu biến có trị tuyệt đối của hệ số β càng lớn thì mức độ tác động càng cao, ngược lại, nếu biến có trị tuyệt đối của hệ số β càng bé thì mức độ tác động càng thấp. • Hệ số VIF (hệ số phương sai phóng đại) dùng để kiểm tra hiện tượng đa cộng
tuyến.
• Chỉ số R2 hiệu chỉnh thể hiện mức độ giải thích của mô hình. Cụ thể, R2 hiệu chỉnh phản ánh sát hon và không thổi phồng mức độ phù hợp so với R2, vì vậy nghiên cứu sử dụng chỉ số R2 hiệu chỉnh để đánh giá. Nếu chỉ số này càng tiến dần về 1 thì mô hình hồi quy có chất lượng càng tốt, ngược lại, nếu chỉ số này càng tiến dần về 0 thì mô hình hồi quy có chất lượng càng không tốt.
• Giá trị Sig thuộc kiểm định F được sử dụng để kiểm định độ phù hợp của mô hình hồi quy, nếu Sig<0,05 thì có thể kết luận rằng mô hình hồi quy tuyến tính là phù hợp với tập dữ liệu.
• Giá trị Sig của kiểm định t được sử dụng để kiểm định ý nghĩa của hệ số hồi quy. Nếu Sig<0,05, ta kết luận có sự ảnh hưởng mật thiết giữa các biến với nhau.
Neo vào điểm tham chiếu X9 -0,182 (*) -0,106 (*) 1,249 Sự ác cảm mất mát X12 0,354 (***) 0,587 (***) 1,205 Kế toán tinh thần X14 0,031 -0,367 (***) 1,908 Yếu tố thị trường X15 0,384 (***) 0,146 (*) 1,771 X16 0,185 (*) -0,102 1,617 X17 -0,218 (*) -0,035 1,544 X18 -0,017 0,063 1,443 Hiệu ứng bầy đàn X19 0,016 -0,064 1,524 X20 -0,014 0,129 (*) 1,230
Mức độ giải thích của mô hình
(R2hiệu chỉnh) 0,425 0,613
Nguồn: Tác giả tổng hợp dựa trên số liệu đã chạy mô hình SPSS 25
Dựa trên Bảng 4.8, nghiên cứu đã xem xét đến độ phù hợp tổng thể của mô hình. Theo Vuong và cộng sự (2020), chất lượng của mô hình hồi quy nên được đánh giá bằng chỉ số mức độ phù hợp mô hình R2 hiệu chỉnh. Những tác giả này cũng đã đề xuất rằng hệ số R2 hiệu chỉnh có giá trị trên 0,26 cho thấy chất lượng mô hình ảnh hưởng lớn; dao động từ 0,13 đến 0,26 cho ảnh hưởng trung bình và dưới 0,02 cho ảnh hưởng nhỏ. Bảng 4.8 cho thấy rằng, giá trị R2 hiệu chỉnh của mô hình 1 bằng 0,425, có nghĩa là 42,5% sự biến thiên của biến Y23 (Kết quả về mức sinh lời) được giải thích bởi sự biến thiên của 11 biến độc lập. Bên cạnh đó, giá trị R2 hiệu chỉnh của mô hình 2 bằng 0,613, có nghĩa là 61,3% sự biến thiên của biến Y24 (Kết quả về mức độ hài lòng) được giải thích bởi sự biến thiên của 11 biến độc lập. Do đó, chúng
ta có thể kết luận rằng, chất lượng mô hình hồi quy 2 có mức ảnh hưởng cao hơn chất
lượng mô hình hồi quy 1.
4.3.1 Phân tích Mô hình hồi quy 1
Dựa vào kết quả phân tích hồi quy bội (Bảng 4.8), Mô hình hồi quy 1 cho thấy
có 7 trong số 11 biến độc lập có tác động vào Kết quả về mức sinh lời, vì giá trị tuyệt
đối của hệ số hồi quy chuẩn hóa (β) của 7 biến này đều dương và có ý nghĩa thống kê (Sig.<0,05). So sánh mức độ tác động của 7 biến này vào Kết quả về mức sinh lời theo thứ tự giảm dần như sau: X15 (β15 = 0,384), X12 (β12 = 0,354), X17 (β17 = 0,218), X16 (β16 = 0,185), X9 (β9 = 0,182), X7 (β7 = 0,156), X6 (β6 = 0,147). Vậy kết luận rằng , yếu tố thị trường (X15) có ảnh hưởng lớn nhất đến Kết quả về mức sinh lời của nhà đầu tư, ngược lại, tính đại diện (X6) có ảnh hưởng kém nhất. Theo kết quả phân tích trên (Bảng 4.8), mô hình hồi quy cụ thể cho mô hình nghiên cứu 1 được biểu diễn như sau : Y23 = 0,3 84X15 + 0,3 54X12 + 0,2 1 8X17 + 0,185X16 +
0,182X9 + 0,156X7 + 0,147X6 + ε
4.3.2 Phân tích Mô hình hồi quy 2
Từ Bảng 4.8, Mô hình hồi quy 2 cho thấy rằng chỉ có 6 trong 11 biến độc lập có tác động vào Kết quả về mức độ hài lòng vì giá trị tuyệt đối của hệ số hồi quy chuẩn hóa (β) của 6 biến này đều dương và có ý nghĩa thống kê (Sig.<0,05). So sánh mức độ tác động của 7 biến này vào Kết quả về mức độ hài lòng theo thứ tự giảm dần như sau: X12 (β12 = 0,587 ), X14 (β14 = 0,367), X15 (β15 = 0,146), X20 (β20 = 0,129), X9 (β9 = 0,106), X6 (β6 = 0,000). Vậy kết luận rằng , sự ác cảm mất mát (X12) có ảnh hưởng lớn nhất đến Kết quả về mức sinh lời của nhà đầu tư, ngược lại, tính đại diện (X6) có ảnh hưởng kém nhất. Theo kết quả phân tích trên (Bảng 4.8),