3.1. Kết quả nghiên cứu:
3.1.3. Kiểm định mô hình
3.1.3.1. Kiểm tra độ phù hợp của mô hình
Để kiểm định độ phù hợp của mô hình ta đặt giả thiết H0: R bình phƣơng bằng không, tức mô hình không có ý nghĩa với độ tin cậy 1 – α = 95%. Ta cần kiểm định giả thiết trên để đƣa ra kết luận về độ phù hợp của mô hình.
Sử dụng phƣơng pháp kiểm định F, theo đó, chỉ số F (F-statistic) của mô hình đƣợc so sánh với giá trị F trong bảng phân phối F. Nếu F lớn hơn giá trị F đƣợc tra, ta bác bỏ giả thiết H0 và kết luận mô hình có ý nghĩa, ngƣợc lại ta chấp nhận giả thiết mô hình không phù hợp và tiến hành xây dựng mô hình mới.
Tra bảng phân phối F với bậc tự do ở tử số là 1 và bậc tƣ do ở mẫu số là 20 (do mô hình đƣợc xây dựng trên 22 quan sát) với mức ý nghĩa α = 5% (phụ lục 4 ) ta đƣợc giá trị F(1,20) = 4,35. Nhƣ vậy F-statistic của mô hình (với giá trị 360,0342) lớn hơn F(1,20), vì thế ta bác bỏ giả thiết H0 và kết luận mô hình phù hợp với độ tin cậy 95%.
3.1.3.2. Kiểm định hiện tƣợng đa cộng tuyến
Để xét xem liệu mô hình có bị hiện tƣợng tự tƣơng quan, ta tiến hành xây dựng ma trận hệ số tƣơng quan cho các biến ROOM, HRTG và VISA bằng phần mềm Eviews 6.0. Ta có đƣợc kết quả nhƣ sau:
Hình 0.5: Ma trận hệ số tƣơng quan
HRTG ROOM VISA
Nguồn: Tính toán từ phần mềm Eviews
6.0
Từ ma trận hệ số tƣơng quan ta thấy cả ba biến đều có hiện tƣợng tƣơng quan nhẹ với nhau. Điều này có thể đƣợc giải thích bằng việc xét rằng số liệu đƣợc sử dụng là số liệu chuỗi thời gian với các quan sát là 22 năm liên tiếp nhau, các biến đều có xu hƣớng tăng theo chiều phát triển của du lịch TP.HCM. Chính vì thế, hiện tƣợng đa cộng tuyến giữa các biến với nhau là điều khó tránh khỏi.
Để khắc phục bệnh này của mô hình, phƣơng pháp phổ biến là bỏ bớt biến độc lập không cần thiết ra khỏi mô hình. Ngƣời viết tiến hành kiểm định lần lƣợt các biến HRTG, ROOM và VISA để xác định biến dƣ thừa của mô hình.
Kết quả kiểm định thừa biến ở phụ lục 5 cho thấy cả ba biến đều cần thiết cho mô hình vì đều có giá trị p nhỏ hơn mức ý nghĩa là α = 5%. Việc loại một trong ba biến ra khỏi mô hình đều dẫn đến việc R bình phƣơng của mô hình bị giảm đi, tức độ phù hợp của mô hình mới đã giảm xuống. Nhƣ vậy, với việc ba biến HRTG, ROOM và VISA đều có ý nghĩa đối với biến phụ thuộc VISIT, ta chấp nhận hiện tƣợng đa cộng tuyến trong mô hình hồi quy.
3.1.3.3. Kiểm định hiện tƣợng tự tƣơng quan
Hiện tƣợng tƣ tƣơng quan của mô hình có thể đƣợc kiểm định bằng hai phƣơng pháp. Bằng phƣơng pháp kinh nghiệm, ngƣời viết đã đề cập đến việc hệ số Durbin-Watson của mô hình với giá trị 1,366607 cho thấy tạm thời không có kết luận về hiện tƣợng tự tƣơng quan của mô hình.
Ngƣời viết sử dụng phƣơng pháp Breusch-Godfrey để đƣa ra kết luận chính xác về hiện tƣợng tự tƣơng quan của mô hình. Theo đó, dùng phần mềm Eviews 6.0, ngƣời viết tiến hành chạy kiểm định Breusch-Godfrey với bậc tự tƣơng quan là 1. Nếu kết quả của kiểm định cho ra giá trị p nhỏ hơn mức ý nghĩa 5%, ta kết luận mô hình có hiện tƣợng tự tƣơng quan hoặc ngƣợc lại. Kết quả nhận đƣợc khi tiến hành kiểm định Breusch-Godfrey nhƣ hình ở phụ lục 6.
Với việc giá trị p của kiểm định là 0,1874 lớn hơn 0,05 nên ta bác bỏ giả thiết mô hình có hiện tƣợng tự tƣơng quan.
3.1.3.4. Kiểm định phƣơng sai thay đổi
Ta sử dụng kiểm định White để xem xét liệu mô hình có bị hiện tƣợng phƣơng sai thay đổi. Ta có kết quả nhƣ hình ở phụ lục 7.
49
Với giá trị p= 0,6005 lớn hơn mức ý nghĩa 5% cần kiểm định, ta kết luận mô hình không bị hiện tƣợng phƣơng sai thay đổi.
Sau khi tiến hành thực hiện các kiểm định để phát hiện các bệnh thƣờng gặp ở mô hình hồi quy nhƣ đa cộng tuyến, tự tƣơng quan, phƣơng sai thay đổi, ta kết luận mô hình hồi quy với ba biến VISA, ROOM và HRTG có sự phù hợp với biến phụ thuộc, đồng thời không có các hiện tƣợng tự tƣơng quan và phƣơng sai thay đổi. Tuy nhiên, mô hình có đa cộng tuyến nhẹ ở ba biến độc lập.