Model Summaryb Model R R Square Adjuste d R Square Std. Error of the Estimate Change Statistics Durbin- Watson R Square Change F Change df1 df2 Sig. F Change 1 .694 .482 .448 29027.50730 .482 14.463 9 140 .000 1.964
Trong Bảng 4.17, R2 hiệu chỉnh (Adjusted R Square) là 0,448. Như vậy, 44,8% thay đổi thu nhập của hộ nơng dân được giải thích bởi các biến độc lập.
Mức độ phù hợp:
Bảng 4.18: Phân tích phương sai (ANOVA)
Model Sum of
Squares df
Mean
Square F Sig.
1
Regression 1.10E+11 9 1.22E+10 14.463 .000a
Residual 1.18E+11 140 8.43E+08
Total 2.28E+11 149
Trong bảng 4.18, Sig. <0,01, có thể kết luận rằng mơ hình đưa ra phù hợp với dữ liệu thực tế. Hay nói cách khác, các biến độc lập có tương quan tuyến tính với biến phụ thuộc (thu nhập của hộ nơng dân) với mức độ tin cậy là 99%.
4.4.1.3. Kiểm định hiện tượng cộng tuyến của các biến độc lập
Trong Bảng 4.15 (hệ số hồi quy), độ phóng đại phương sai (VIF) của các biến đều nhỏ hơn 10. Như vậy, các biến độc lập khơng có tương quan với nhau.
Với (k-1) = 9; quy mô mẫu là 150, mức ý nghĩa 0,05, tra bảng thống kê Durbin-Watson có: dL=1.608; dU=1.862. Như vậy, 4-dL= 4-1.608=2.392.
Do đó dU < d < (4-dL)
Kết luận: Khơng có hiện tượng tự tương quan trong phần dư.
4.4.1.5. Kiểm định phương sai của phần dư thay đổi
Ta sử dụng kiểm định White. Mơ hình hồi quy phụ là:
u2 = a0 + a1X2 + a2X2 + a3X3 + a4X4 + a5X5 + a6X6 + a7X7 + a8X8 + a9X9 + a11(X1)2 + a12(X2)2 + a13(X3)2 + a14(X4)2 + a15(X5)2 + a16(X6)2 + a17(X7)2 + a18(X8)2 + a19(X9)2 + a21(X1*X2*X3*X4*X5*X6*X7*X8*X9) + v
u2 là phần dư chuẩn hóa bình phương.
Ta xác định lại các biến và thực hiện phân tích hồi quy tuyến tính của hàm hồi quy phụ. Kết quả là: