5. Kết cấu của luận văn
3.2 Kết quả đánh giá sự hài lòng của khách hàng sử dụng thẻ ATM của ngân hàng
3.2.3.2 Phân tích hồi quy
Phân tích hồi quy bội không phải chỉ là mô tả các dữ liệu quan sát được. Từ kết quả trong mẫu, ta sẽ xác định mối quan hệ nhân quả giữa biến phụ thuộc HL (sự hài lòng) và các biến độc lập. Mô hình phân tích hồi quy sẽ mô tả hình thức của mối liên hệ và qua đó giúp ta dự đoán được mức độ của biến phụ thuộc khi biết trước giá trị của biến độc lập. Để xây dựng mô hình hồi quy, ta chọn phương pháp Enter với các kết quả phân tích như sau:
Phân tích hồi quy cho kết quả R square = 0.776, cho thấy mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử dụng được. Trong tính huống này, R2 điều chỉnh = 0.772 cho thấy sự tương thích của mô hình với biến quan sát là rất lớn với khoảng 77.2% biến thiên của biến phụ thuộc HL có thể được giải thích bởi 5 biến độc lập trong mô hình.
Bảng 3.13: Kết quả phân tích hồi quy
Hệ số Mô hình Hệ số hồi quy Hệ số hồi quy đã chuẩn hóa Giá trị Mức ý nghĩa
Chuẩn đoán đa cộng tuyến B
Độ lệch
chuẩn Beta Tolerance VIF 1 (Hệ số) .120 .319 .375 .708 FSUTC .217 .050 .292 4.328 .000 .982 1.018 FHQPV .472 .057 .549 4.774 .000 .712 1.405 FPTHH .284 .047 .398 3.909 .000 .752 1.331 FSUĐB .134 .045 .143 3.013 .003 .861 1.161 FSUCT .159 .051 .140 3.151 .002 .980 1.020 a. Biến phụ thuộc: FHL
Kiểm định F sử dụng trong phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể. Kiểm định F xem xét mối liên hệ tuyến tính giữa biến phụ thuộc với toàn bộ tập hợp của các biến độc lập.
Trong trường hợp này, giá trị thống kê F được tính từ giá trị R2 của mô hình đầy đủ, giá trị Sig rất nhỏ cho thấy mô hình hồi quy tuyến tính bội sử dụng phù hợp với tập dữ liệu. Bên cạnh đó, kết quả Collinearity Statistics chuẩn đoán hiện tượng đa cộng tuyến với hệ số phóng đại phương sai VIF (Variance Inflation Factor) của các biến độc lập trong mô hình đều rất nhỏ, có giá trị từ 1.018 đến 1.405, thể hiện tính đa cộng tuyến của các biến độc lập là không đáng kể và các biến độc lập trong mô hình được chấp nhận (khi giá trị VIF vượt quá 10 là dấu hiệu của hiện tượng đa cộng tuyến).
Mặt khác, hệ số Durbin – Watson dùng để kiểm định tương quan của các sai số kề nhau (hay còn gọi là tương quan chuỗi bậc nhất, có giá trị biến thiên trong khoảng từ 0 đến 4: nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2; nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch) cho thấy phù hợp khi sử dụng mô hình hồi quy tuyến tính bội vì giá trị hệ số lớn hơn 1 và nhỏ hơn 2 (1.350, Phụ lục 7)và chấp nhận giả thuyết không có sự tương quan chuỗi bậc nhất trong mô hình.
Như vậy, mô hình hồi quy tuyến tính bội thỏa mãn các điều kiện đánh giá và kiểm định độ phù hợp cho việc rút ra các kết quả nghiên cứu.
Giải thích phương trình:
Sau khi phân tích hồi quy, kết quả cho thấy mối quan hệ giữa biến phụ thuộc (sự hài lòng của khách hàng) và các biến độc lập (sự tin cậy, sự cảm thông, phương tiện hữu hình, hiệu quả phục vụ, sự đảm bảo) được thể hiện trong phương trình sau:
HL = 0.549HQPV + 0.398PTHH + 0.292SUTC + 0.143SUĐB + 0.140SUCT Trong đó:
HL : SỰ HÀI LÒNG
HQPV : HIỆU QUẢ PHỤC VỤ PTHH : PHƯƠNG TIỆN HỮU HÌNH SUTC : SỰ TIN CẬY
SUĐB : SỰ ĐẢM BẢO SUCT : SỰ CẢM THÔNG
Theo phương trình hồi quy, SỰ HÀI LÒNG có mối quan hệ tuyến tính với các nhân tố HIỆU QUẢ PHỤC VỤ (Hệ số Beta chuẩn hóa là 0.549), PHƯƠNG TIỆN HỮU HÌNH (Hệ số Beta chuẩn hóa là 0.398), SỰ TIN CẬY (Hệ số Beta chuẩn hóa là 0.292) SỰ ĐẢM BẢO (Hệ số Beta chuẩn hóa là 0.143), SỰ CẢM THÔNG (Hệ số Beta chuẩn hóa là 0.140).