CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.3. Kiểm định mô hình và giả thuyết nghiên cứu
4.3.2. Phân tích hồi quy
Phân tích hồi quy tuyến tính sẽ giúp chúng ta biết được mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Để tiến hành phân tích hồi quy tuyến tính bội, các biến đưa vào mô hình theo phương pháp Enter.
Tiêu chuẩn kiểm định là tiêu chuẩn được xây dựng vào phương pháp kiểm định giá trị thống kê F và xác định xác suất tương ứng của giá trị thống kê F, kiểm định mức độ phù hợp giữa mẫu và tổng thể thông qua hệ số xác định R2.
Công cụ chẩn đoán giúp phát hiện sự tồn tại của cộng tuyến trong dữ liệu được đánh giá mức độ cộng tuyến làm sai lệch tham số ước lượng là: Hệ số phóng đại phương sai (Variance inflation factor - VIF). Quy tắc khi VIF vượt quá 10, đó là dấu hiệu của đa cộng tuyến (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Bảng 4.15. Hệ số R-Square từ kết quả phân tích hồi quy Tổng kết mô hình
Mô hình
R R2 R2
hiệu chỉnh
sai số ước lượng
Durbin-Watson
1 .784a .614 .601 .396 1.529
a. Biến độc lâp: TrungThanh, HamMuon, HinhAnh, NhanBiet, ChatLuong b. Biến phụ thuộc: GiaTri
(Nguồn: Kết quả phân tích SPSS của tác giả) Dựa vào cơ sở lý thuyết và kết quả phân tích ở trên, ta sẽ đưa tất cả các biến độc lập trong mô hình hồi quy đã điều chỉnh bằng phương pháp đưa vào cùng một lúc Enter để chọn lọc dựa trên tiêu chí chọn những biến có mức ý nghĩa < 0.05.
Kết quả phân tích giá trị phù hợp của hồi quy tuyến tính cho các biến số được thể hiện thông qua Bảng 4.15. So sánh hai giá trị R2 và R2 hiệu chỉnh có thể thấy R
an toàn hơn vì nó không thổi phồng mức độ phù hợp của mô hình. Vậy, nghiên cứu sẽ sử dụng R2 hiệu chỉnh để đánh giá mức độ phù hợp của mô hình nghiên cứu. Độ phù hợp của mô hình được kiểm định bằng trị thống kê F được tính từ R2 của mô hình tương ứng với mức ý nghĩa sig, với sig càng nhỏ (<0.05) thì mô hình hồi quy tuyến tính bội đưa ra là phù hợp với dữ liệu và có thể sử dụng được.
Hệ số xác định hiệu chỉnh R2 hiệu chỉnh là 0.601, điều này cho thấy mối quan hệ giữa biến độc lập với biến phụ thuộc có ý nghĩa, cụ thể là cả 5 biến độc lập trên góp phần giải thích 60.1% sự khác biệt của giá trị thương hiệu. Như vậy, mức độ phù hợp của mô hình được chấp nhận. Tuy nhiên sự phù hợp này chỉ đúng với dữ liệu mẫu. Để kiểm định xem có thể suy diễn mô hình cho tổng thể thực hay không ta phải kiểm định độ phù hợp của mô hình.
Bảng 4.16. ANOVA ANOVAa
Mô hình Tổng bình phương df
Trung bình bình
phương
F Sig.
1
Hồi Quy 36.949 5 7.390 47.083 .000b
Phần dư 23.229 148 0.157
Tổng 60.177 153
a. Biến phụ thuộc: GiaTri
b. Biến độc lập: TrungThanh, HamMuon, HinhAnh, NhanBiet, ChatLuong
(Nguồn: Kết quả phân tích SPSS của tác giả) Theo Bảng 4.16 ANOVA, kiểm định F sử dụng trong bảng phân tích phương sai vẫn là một phép giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể. Kết quả phân tích cho thấy, kiểm định F có giá trị là 47.083 với Sig. = 0.00, chứng tỏ mô hình hồi quy tuyến tính bội là phù hợp với tập dữ liệu và có thể sử dụng được để dự đoán cho tổng thể.
Sau khi kiểm định F đã đạt yêu cầu. Tác giả tiến hành phân tích hệ số hồi quy
phụ thuộc. Theo Bảng 4.17 Phân tích hồi quy, kết quả thống kê cho thấy các hệ số hồi quy chuẩn hóa của phương trình hồi quy đều khác 0 và Sig. <0.05 chứng tỏ cả 5 biến độc lập đều tham gia tác động tới giá trị của thương hiệu.
So sánh giá trị của hệ số chưa chuẩn hóa ở cột B cho thấy: tác động theo thứ tự từ mạnh đến yếu của các thành phần: Chất lượng cảm nhận, nhận biết thương hiệu, ham muốn thương hiệu, trung thành thương hiệu, và cuối cùng là hình ảnh thương hiệu. Tuy nhiên, theo Nguyễn Đình Thọ (2014) nếu chúng ta dùng hệ số hồi quy chưa chuẩn hóa thì chúng ta khó có thể so sánh mức độ tác động của các biến độc lập vì thang đo lường chúng thường khác nhau.
Vì vậy, chúng ta phải sử dụng trọng số hồi quy β chuẩn hóa để có những so sánh chính xác hơn.
Bảng 4.17. Bảng hệ số hồi quy
Mô hình
Hệ số chưa chuẩn hóa
Hệ số chẩn hóa
t Sig.
Phân tích đa cộng tuyến
B
Sai số
chuẩn Beta
Độ chấp
nhận VIF
1
(Hằng số) -.168 .278 -.604 .547
NhanBiet
.192 .079 .158 2.423 .017 .615 1.625 ChatLuong .369 .072 .342 5.103 .000 .80 1.723 HinhAnh .131 .062 .131 2.107 .037 .677 1.477 HamMuon .204 .043 .275 4.767 .000 .785 1.274 TrungThanh .177 .079 .152 2.253 .026 .571 1.751 a. Biến phụ thuộc: GiaTri
(Nguồn: Kết quả phân tích SPSS của tác giả)
Phương trình hồi quy của mô hình theo hệ số β đã chuẩn hóa như sau:
GT = 0.158*NB + 0.342*CL + 0.131*HA + 0.275*HM + 0.152*TT+ ei
- NB: Nhận biết thương hiệu (X1) - CL: Chất lượng cảm nhận (X2) - HA: Hình ảnh thương hiệu (X3)
- HM: Lòng ham muốn thương hiệu (X4) - TT: Sự trung thành thương hiệu (X5) - GT: Giá trị thương hiệu (Y)
- ei : Là phần dư
❖ Dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính
Phân tích hồi không chỉ là việc mô tả các dữ liệu quan sát được trong mẫu nghiên cứu, mà còn phải mở rộng dự đoán cho tổng thể. Chính vì vậy để đảm bảo độ tin cậy trong phân tích hồi quy tuyến tính thì phải dò tìm các vi phạm giả định, mà nếu các giả định bị vi phạm thì các kết quả ước lượng trong phân tích hồi quy ở trên không đáng tin cậy.
Về dò tìm các giả định bao gồm: Các phần dư không có liên hệ tuyến tính, phương sai phần dư không đổi, phần dư có phân phối chuẩn, không có tương quan giữa các phần dư, và cuối cùng là hiện tượng đa cộng tuyến giữa các biến độc lập.
• Kiểm tra liên hệ tuyến tính và giả định phương sai của phần dư không đổi
Giả định liên hệ tuyến tính giữa phần dư và giá trị dự đoán bị vi phạm khi đồ thị phân tán mô tả phần dư cùng giá trị dự đoán, mà thấy phần dư của chúng thay đổi theo một trật tự nào đó (có thể là đường cong bậc 2 parabol, cong bậc 3 cubic…) thì mô hình đường thẳng là không phù hợp với các dữ liệu này (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Kết quả đồ thị phân tán được thể hiện trên Hình 4.1.
Qua quan sát đồ thị phân tán giữa phần dư và giá trị dự đoán, chúng ta thấy phần dư phân tán một cách ngẫu nhiên xung quang tung độ 0, vì vậy giả định liên hệ tuyến tính không bị vi phạm (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Hình 4.1. Đồ thị phân tán
(Nguồn: Kết quả phân tích SPSS của tác giả) Mặt khác, thì đồ thị phân tán cũng đồng thời kiểm tra về hiện tượng phương sai của phần dư thay đổi: là hiện tượng độ lớn của phần dư tăng hay giảm cùng với các giá trị dự đoán hay giá trị của biến độc lập mà ta nghi ngờ, đây là hiện tượng làm cho các ước lượng của các hệ số hồi quy không hiệu quả, làm cho việc kiểm định các giả thuyết mất hiệu lực, đánh giá nhầm chất lượng của mô hình hồi quy. Vì thế cần phải kiểm định phương sai của phần dư không đổi. Và cũng như trên, phương sai của phần dư không đổi vì theo đồ thị phân tán của phần dư chuẩn hóa ta thấy phần dư tán ngẫu xung quang đường nằm ngang đi qua hoành độ 0 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Giả định về phân phối chuẩn của phần dư: Có nhiều nguyên nhân dẫn đến phần dư có thể không tuân theo phân phối chuẩn vì những lí do như sử dụng sai mô hình, phương sai không bằng hằng số, số lượng phần dư không đủ nhiều để phân tích (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Vì vậy cần phải khảo sát phân phối chuẩn của phần dư bằng cách xây dựng biểu đồ tần số.
Hình 4.2. Biểu đồ Histogram
(Nguồn: Kết quả phân tích SPSS của tác giả) Theo Hình 4.2 cho thấy một đường cong xấp xỉ phân phối chuẩn đặt chồng lên biểu đồ tần số, với giá trị trung bình gần bằng 0, và độ lệch chuẩn 0.984 (gần bằng 1). Vì vậy giả định về phân phối chuẩn của phần dư không bị vi phạm.
• Giả định không có tương quan giữa các phần dư: Một số lý do tồn tại phần dư đó là các biến có ảnh hưởng không được đưa hết vào mô hình do giới hạn và mục tiêu của nghiên cứu, chọn dạng tuyến tính cho mối quan hệ lẽ ra là phi tuyến, sai số trong đo lường các biến....Các lý do này dẫn đến tương quan chuỗi trong sai số và tương quan chuỗi cũng gây ra những tác động sai lệch nghiêm trọng đến mô hình hồi quy tuyến tính giống như hiện tượng phương sai thay đổi (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Vì vậy, tiến hành kiểm định mối tương quan của các phần dư bằng đại lượng thống kê Durbin-Waston.
Đại lượng thống kê Durbin-Waston (d) dùng để kiểm định tương quan của các
sai số kề nhau (tương quan chuỗi bậc nhất) với nguyên tắc:
- Nếu 1 < d < 3: Mô hình không có tự tương quan.
- Nếu 0 < d< 1: Mô hình có tự tương quan dương.
- Nếu 3 < d < 4: Mô hình có tự tương quan âm.
Đại lượng thống kê Durbin-Waston (d) trong nghiên cứu này có giá trị d = 1.529 (Bảng 4.15). Do hệ số Durbin-Waston nằm trong miền chấp nhận (1 < d < 3).
Vì vậy, chấp nhận giả định không có tương quan giữa các phần dư.
• Đo lường đa cộng tuyến: Đây là hiện tượng mà các biến độc lập có tương quan chặt chẽ với nhau, hiện tượng này làm tăng độ lệch chuẩn của các hệ số hồi quy, làm giá trị kiểm định kém ý nghĩa hơn.
Theo Bảng 4.17 ta có thể thấy hệ số VIF của tất cả các biến đều nhỏ hơn 2. Vì vậy, có thể kết luận trong phương trình hồi quy này giả định về đo lường đa cộng tuyến được chấp nhận tức là không có hiện tượng đa cộng tuyến giữa các biến độc lập.