6. Kết cấu của luận văn
3.3. Kết quả kiểm định mô hình nghiên cứu và các giả thuyết
3.3.5. Kiểm định mô hình hồi quy
* Kiểm định sự phù hợp của mô hình hồi quy Bảng 3. 8: Kết quả phân tích ANOVA
Mô hình Tổng bình phương df Trung bình bình phương F Sig. 1 Hồi quy 248,189 4 62,047 268,143 ,000 Phần dư 115,004 497 ,231 Tổng 363,193 501
Nguồn: Kết quả phân tích số liệu điều tra năm 2017 trên SPSS 16
Từ bảng Kết quả phân tích ANOVA ở trên có thể thấy, trị thống kê F với mức ý nghĩa quan sát rất nhỏ (sig = 0.000 < 0,05) cho thấy mô hình hồi quy phù hợp với tập dữ liệu và có thể sử dụng được.
Kiểm tra phần dư từ bảng tại Phụ lục 5 cho thấy phân phối phần dư xấp xỉ chuẩn với trung bình Mean = 0 và độ lệch chuẩn Std. Deviation = 0,996 (xấp xỉ bằng 1) do đó có thể kết luận rằng giả thiết phân phối chuẩn không bị vi phạm khi sử dụng phương pháp hồi quy bội.
* Mức độ giải thích của mô hình
Bảng 3. 9: Mức độ giải thích của mô hình
Hệ số R Hệ số R bình phương phương hiệu chỉnh Hệ số R bình Giá trị Durbin-Watson
0,827 0,683 0,681 2,496
Nguồn: Kết quả phân tích số liệu điều tra năm 2017 trên SPSS 16
Từ bảng tổng hợp trên có thể thấy, hệ số R bình phương từ 0 đến +1 có nghĩa là phần trăm của biến phụ thuộc được mô tả bởi các biến độc lập. Từ các bảng trên, Hệ số R bình phương là 0,683, có nghĩa là mô hình hồi qui tuyến tính bội đã xây dựng phù hợp với tập dữ liệu là 68,3%. Nói cách khác, khoảng 68,3% mức độ hài lòng quan sát có thể được giải thích bởi sự khác biệt của 4 nhân tố: chất lượng dịch vụ, giá cả, hình ảnh công ty và dịch vụ khách hàng.
* Hiện tượng đa cộng tuyến
Đa cộng tuyến là hiện tượng có sự tương quan phụ thuộc lẫn nhau giữa các biến độc lập. Khi xảy ra hiện tượng này sẽ dẫn đến các hệ số không ổn định khi thêm biến vào mô hình hồi quy. Từ kết quả tổng hợp tại Bảng 3.8 ở trên, hệ số phóng đại phương sai VIF rất nhỏ (nhỏ hơn 10) cho thấy các biến độc lập này không có quan hệ chặt chẽ với nhau, đồng thời các hệ số chấp nhận Tolerance đều lớn hơn 0,1 nên không có hiện tượng đa cộng tuyến xảy ra. Vì vậy, mối quan hệ giữa các biến độc lập không ảnh hưởng đáng kể đến kết quả giải thích của mô hình hồi quy.
* Hiện tượng tự tương quan
Tự tương quan được hiểu như là sự tương quan giữa các thành phần của dãy số thời gian hoặc không gian. Nguyên nhân có thể do khách quan mang lại hoặc do chủ quan (như chọn mô hình sai, quá trình xử lý số liệu chưa đúng). Phương pháp thống kê Durbin – Watson được dùng để phát hiện hiện tuợng này.
Từ Bảng 3.8 cho thấy giá trị thống kê Durbin – Watson d = 2,496, do đó 1<d<3 nên có thể kết luận mô hình không tồn tại hiện tượng tự tương quan.
Như vậy, thông qua các kết quả kiểm định trên có thể thấy mô hình hồi quy là phù hợp và có ý nghĩa thống kê. Mô hình hồi quy với hệ số beta chưa chuẩn hóa được viết như sau:
HL = 0,137 + 0,14*CL + 0,063*GC + 0,581*TH + 0,205*CS
Phương trình hồi quy chuẩn hóa có thể đánh giá mức độ tác động và thứ tự ảnh hưởng của các biến độc lập lên biến phụ thuộc. Căn cứ vào hệ số hồi quy chuẩn hóa có thể biết được mức độ mạnh hay yếu của từng biến độc lập ảnh hưởng lên biến phụ thuộc, hệ số của biến độc lập nào càng lớn thì tầm
quan trọng của biến đó càng lớn đối với biến phụ thuộc. Phương trình hồi quy với hệ số beta chuẩn hóa:
HL = 0,152*CL + 0,065*GC + 0,578*TH + 0,214*CS
Có thể thấy: β3>β4>β1>β2 (0,578>0,214>0,152>0,065). Hệ số hồi quy Beta của biến Hình ảnh công ty là lớn nhất là 0,578 do đó Hình ảnh công ty có ảnh hưởng nhiều nhất đến sự thay đổi của sự hài lòng; tiếp theo lần lượt là các biến: dịch vụ khách hàng và chất lượng dịch vụ; cuối cùng có ảnh hưởng nhỏ nhất là biến giá cả.