CHƯƠNG 4 : PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU
4.4 Phân tích tương quan:
Mục đích của phân tích tương quan là để chọn những nhân tố độc lập có tương quan với nhân tố phụ thuộc để đưa vào bước cuối cùng trong phân tích dữ liệu đó là hồi quy. Ngoài ra cần nhận diện vấn đề đa cộng tuyến khi các biến độc lập cũng có tương quan mạnh với nhau. Dấu hiệu nghi ngờ dựa vào giá trị Sig. tương quan giữa các biến độc lập nhỏ hơn 0.05 và giá trị tương quan Pearson lớn hơn 0.4.
Qua kết quả phân tích tương quan Pearson, giá trị Sig. của các biến độc lập với các biến phụ thuộc đều nhỏ hơn 0.05 (phụ lục) điều này cho thấy giữa biến độc lập và các biến phụ thuộc có tương quan với nhau và nhân tố thống kê có ý nghĩa sẽ được đưa vào phân tích hồi quy. Các giá trị Pearson của biến độc lập và biến phụ thuộc đều lớn hơn 0.4 nên sẽ đưa tất cả nhân tố vào phân tích hồi quy.
4.5 Phân tích hồi quy:
Phân tích hồi quy (regression analysis) là kỹ thuật thống kê dùng để ước lượng phương trình phù hợp nhất với các tập hợp kết quả quan sát của biến phụ thuộc và biến độc lập. Nó cho phép đạt được kết quả ước lượng tốt nhất về mối quan hệ chân thực giữa các biến số. Từ phương trình ước lượng được này, người ta có thể dự báo về biến phụ thuộc (chưa biết) dựa vào giá trị cho trước của biến độc lập (đã biết). Để
đánh giá sự phù hợp mô hình, các nhà nghiên cứu sử dụng hệ số xác định R2 (R- Square), hệ số này được chứng minh là hàm không giảm theo số biến độc lập đưa vào mô hình. R2 hiệu chỉnh được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình tuyến tính đa biến vì nó không phụ thuộc vào độ phóng đại của R2, sử dụng hệ số R2 hiệu chỉnh để đánh giá mức độ phù hợp của mô hình sẽ an toàn hơn vì nó không thổi phồng mức độ phù hợp của mô hình.
Model 1 Model Regression 1 Residual Total
Chúng ta cần đánh giá mức độ phù hợp của mô hình một cách chính xác qua kiểm định giả thuyết. Để kiểm định được độ phù hợp của mô hình hồi quy. Kiểm định F sử dụng trong phân tích phương sai là một phép kiểm định giả thuyết về sự phù hợp của mô hình hồi quy tuyến tính tổng thể để xem xét biến phụ thuộc có liên hệ tuyến tính với toàn bộ các biến độc lập.
Bên cạnh đó, cần kiểm tra hiện tượng đa cộng tuyến bằng hệ số phóng đại phương sai VIF (Variance Inflation Factor, VIF < 3). Hệ số Beta chuẩn hóa của biến nào càng cao thì mức độ tác động của biến đó vào sự hài lòng càng lớn.
tính xây dựng được phù hợp với tổng thể. Hệ số R2 hiệu chỉnh là 0.705 nghĩa là mô hình giải thích được 70.5% sự biến thiên của biến phụ thuộc. Giá trị thống kê F được tính ra từ hệ số R2 của mô hình đạt giá trị 99.568 đạt mức ý nghĩa Sig. = 0.000 rất nhỏ, mô hình sử dụng là phù hợp. Kết quả của kiểm định ANOVA cho thấy F có giá trị dương và Sig. nhỏ hơn 0.05 chứng tỏ mô hình đề xuất phù hợp với thực tế các biến độc lập có tương quan tuyến tính với nhau.
Model (Constan t) GG CL 1 RR GC MM KN QT a. Dependent Variable: SHL Có thể
3.2633.222 3.392 , thường thì nếu VIF <3 thì kết luận là không có hiện tượng đa cộng tuyến giữa các biến độc lập. Tuy nhiên thực tế, nếu VIF <10 thì vẫn có
thể chấp nhận được, kết luận là không có hiện tượng đa cộng tuyến.
Giá trị Sig. của biến giao diện (GG) và biến rủi ro (RR) lần lượt là 0.151 và 0.136 đều lớn hơn 0.05 do vậy hai biến này cần được loại khỏi mô hình nghiên cứu. Các biến độc lập còn lại đều có giá trị Sig. nhỏ hơn 0.05 nên được giữ lại.