1. Tính cấp thiết của đề tài
4.4.Phân tích tương quan
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), mục đích của phân tích tương quan (Pearson) là để kiểm tra mức độ tương quan tuyến tính giữa các biến độc lập và biến phụ thuộc, có tương quan mạnh hay không. Đồng thời phân tích tương quan cũng có thể dự báo hiện tượng đa cộng tuyến giữa các biến độc lập.
Trong phân tích tương quan, giá trị cần quan tâm là giá trị Sig. Nếu giá trị Sig. nhỏ hơn hoặc bằng 0,05 thì hệ số tương quan r mới có ý nghĩa thống kê. Còn nếu giá trị Sig. lớn hơn 0,05 thì hệ số tương quan r không có ý nghĩa thống kê. Tức là, nếu giá trị Sig. > 0,05 thì không có tương quan giữa các biến độc lập; và ngược lại.
Bảng 4.7: Kết quả phân tích tương quan Correlations X3 X1 X5 X4 X2 Y
** Correlation is significant at the 0,01 level (2-tailed).
Kết quả phân tích tương quan Pearson cho thấy các biến độc lập X1, X2, X3, X4, X5 không có tương quan với nhau, thể hiện qua các giá trị Sig. = 1,000 > 0,05. Mặt khác, các biến độc lập X1, X2, X3, X4, X5 có tương quan với biến phụ thuộc Y, thể hiện qua các giá trị Sig. = 0,000 < 0,05. Trong đó, biến X2 tương quan mạnh nhất với hệ số 0,466. Tiếp theo là biến X3 với hệ số tương quan 0,383; biến X5 với hệ số tương quan là 0,371; biến X4 với hệ số tương quan là 0,346; biến X1 tương quan yếu nhất với hệ số 0,274.
Mặt khác, không tìm thấy mối tương quan nào giữa các biến độc lập. Giá trị Sig. của chúng đều (=1,000) lớn hơn 0,05. Hệ số tương quan r không có ý nghĩa thống kê. Như vậy, kết quả này cũng dự báo rằng không có hiện tượng đa cộng tuyến giữa các biến độc lập với nhau.