Nhân tố 1
CCU2 .857
CCU3 .784
CCU1 .778
Phương pháp trích: Principal Component Analysis.
Nguồn: Kết quả phân tích SPSS
Bảng ma trận nhân tố biến phụ thuộc cho thấy: các biến quan sát đều có hệ số tải nhân tố lớn hơn 0,5 đạt yêu cầu về giá trị nội dung của khái niệm đo lường cho các biến. Cũng từ bảng ma trận nhân tố biến phụ thuộc ta thấy có 1 nhân tố được rút trích từ 3 biến quan sát là CCU1, CCU2, CCU3.
4.4 PHÂN TÍCH TƯƠNG QUAN VÀ XÂY DỰNG MƠ HÌNH HỒI QUY 4.4.1 Phân tích tương quan 4.4.1 Phân tích tương quan
Bước đầu tiên khi phân tích hồi qui tuyến tính là sử dụng hệ số tương quan Pearson để xem xét các mối quan hệ tương quan tuyến tính giữa biến phụ thuộc và từng biến độc lập, cũng như giữa các biến độc lập với nhau. Hệ số này luôn nằm trong khoảng từ -1 đến +1, lấy giá trị tuyệt đối, nếu lớn hơn 0,6 thì có thể kết luận mối quan
hệ là chặt chẽ, và càng gần 1 thì mối quan hệ càng chặt, nếu nhỏ hơn 0,3 thì cho biết mối quan hệ là lỏng lẻo.
Kết quả trong bảng hệ số tương quan ở Phụ lục 5 cho thấy hệ số tương quan giữa nhân tố Chuỗi cung ứng của siêu thị bán lẻ (CCU) với các biến độc lập TTCN, NLGH, TK đều lớn hơn 0,30 và có giá trị lần lượt là 0,634; 0,619; 0,524 và các sig đều có giá trị nhỏ 0,000 < 0,05. Như vậy, các biến độc lập TTCN, NLGH, TK đều tương quan khá chặt với biến phụ thuộc CCU và có thể đưa vào mơ hình để giải thích cho biến phụ thuộc.
Hệ số tương quan giữa CCU với NH là 0,156 < 0,3: hệ số này được đánh giá là khá thấp và sự tương quan trong trường hợp này quá lỏng lẻo. Trong quá trình phỏng vấn chuyên gia, hầu hết các chuyên gia đều cho rằng yếu tố quản lý nguồn hàng ít ảnh hưởng đến chuỗi cung ứng của siêu thị so với ba yếu tố còn lại. Tác giả cũng nhận thấy rằng yếu tố nguồn hàng phụ thuộc rất nhiều vào đặc tính của sản phẩm và năng lực sản xuất của nhà cung cấp mà siêu thị khó có thể kiểm sốt được, do đó tác giả loại nhân tố này ra khỏi mơ hình.
Ngồi ra, hệ số tương quan giữa các biến độc lập cũng có một số trường hợp > 0,3 như NLGH với TTCN, NLGH với TK, vì thế mối quan hệ giữa các biến này cần xem xét kỹ hơn trong phân tích hồi quy tuyến tính bội nhằm tránh hiện tượng đa cộng tuyến giữa các biến độc lập.
4.4.2 Xây dựng mơ hình hổi quy
Mơ hình hồi quy bội sẽ có dạng CCU = β 0 + β 1*TTCN + β 2*NLGH + β 3*TK + β
Trong đó:
+ β0: hằng số hồi quy
Theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), hệ số xác định R2 được chứng minh là hàm không giảm theo số biến độc lập được đưa vào mơ hình, càng đưa thêm biến độc lập vào mơ hình R2 càng tăng, tuy nhiên điều này cũng được chứng minh rằng khơng phải phương trình càng có nhiều biến sẽ phù hợp hơn với dữ liệu. Hệ số xác định R2 hiệu chỉnh được sử dụng để phản ánh sát hơn mức độ phù hợp của mơ hình hồi quy tuyến tính bội. R2 hiệu chỉnh không nhất thiết tăng lên khi nhiều biến độc lập được thêm vào phương trình, nó là thước đo sự phù hợp được sử dụng cho tình huống hồi quy tuyến tính bội vì nó khơng phụ thuộc vào độ phóng đại của R2.
Bảng 4.18: Tóm tắt mơ hình hồi quy
Mơ hình R R 2 R2 hiệu chỉnh Sai số chuẩn Durbin- Watson 1 .786a .618 .612 .40348 2.104
Nguồn: Kết quả phân tích SPSS
Kết quả tóm tắt mơ hình hồi quy được thể hiện ở bảng 4.9 cho thấy trị số R2 =0,618 và R2 hiệu chỉnh = 0,612, chứng tỏ 3 biến độc lập đưa vào mơ hình giải thích được 61,2% biến thiên của biến phụ thuộc - CCU (chuỗi cung ứng của hệ thống siêu thị bán lẻ tại Việt Nam), còn lại 38,8% là do các biến ngồi mơ hình và sai số ngẫu nhiên.