Hệ số xác định hiệu chỉnh Adjusted R-Square là 0,635, nghĩa là mô hình hồi quy tuyến tính đã xây dựng phù hợp với tập dữ liệu đến 63,5%, điều này còn cho thấy mối quan hệ giữa biến phụ thuộc và các biến độc lập là khá chặt chẽ, cả 5 biến số trên góp phần giải thích được 63,5% sự khác biệt của mức độ thỏa mãn của khách hàng được điều tra. Theo kinh nghiệm của nhà nghiên cứu Nguyễn Trọng Hoài (ĐHKT TPHCM): Đối với dữ liệu chéo thì Adjusted R Square từ 0,20 - 0,40 là chấp nhận được; từ 0,40 – 0,60 là tốt; từ 0,6 0 - 0,80 là rất tốt; trên 0,80 là hiếm khi xảy ra.
Kiểm định F sử dụng trong bảng phân tích phương sai là một phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể. Theo kết quả Bảng 3.11, ta thấy kiểm định F có giá trị là 72,617 với Sig. = 0,000(a) chứng tỏ mô hình hồi quy tuyến tính bội là phù hợp với tập dữ liệu và có thể sử dụng được.
Ta tiến hành kiểm tra khả năng xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập. Theo lý thuyết về giá trị Nhân tố phóng đại phương sai VIF,ta có:
Nếu VIF <2: Hiện tượng đa cộng tuyến giữa các biến độc lập ảnh hưởng không đáng kể đến mô hình.
Nếu 2 ≤VIF ≤ 10: Hiện tượng đa cộng tuyến giữa các biến độc lập ảnh hưởng đáng kể đến mô hình
Nếu VIF > 10: Dấu hiệu của đa cộng tuyến
Ta thấy tất cả các giá trị VIF đều = 1: Hiện tượng đa cộng tuyến giữa các biến độc lập ảnh hưởng không đáng kể đến mô hình.
Mô hình cũng đáp ứng điều kiện về phần dư, phần dư có phân phối xấp xỉ chuẩn (trung bình Mean =0,00 và độ lệch chuẩn Std.Dev = 0,99) (Bảng 3.14)
Đại lượng thống kê Durbin-Watson (d) = 2,005 xấp xỉ bằng 2 nên các phần dư trong mẫu không có sự tự tương quan với nhau (Bảng 3.13).
Bảng3.14: Bảng thống kê phần dư
Minimum Maximum Mean
Std. Deviation N Predicted Value -2,9216645 1,8199869 0,000000 0 0,80229145 207 Residual -1,6885996 1,6152706 0,000000 0 0,59693252 207
Std. Predicted Value -3,642 2,268 0,000 1,000 207
Std. Residual -2,794 2,673 0,000 0,988 207