Nhận biết thương hiệu Hình ảnh thương hiệu Cảm nhận thương hiệu Trung thành thương hiêu Niềm tin thương hiệu Phần dư 0.009 -0.021 -0.005 -0.003 0.035 Giá trị Sig. 0,895 0.751 0.944 0.961 0.592 Ghi chú: Tương quan Spearman’s có ý nghĩa thống kê ở mức 0.05
2.3.7.2. Kiểm tra giả định về phân phối chuẩn của phần dư
Phần dư có thể khơng tn theo quy luật phân phối chuẩn vì những lý do như: sử dụng sai mơ hình, phương sai khơng phải là hằng số, số lượng các phần dư khơng đủ nhiều để phân tích,…Có thể kiểm tra xem phần dư có tuân theo quy luật phân phối chuẩn hay không? Trong nghiên cứu này tôi chọn cách xây dựng biểu đồ tần số của các phần dư.
Kết quả cho thấy một đường cong phân phối chuẩn được đặt chồng lên biểu đồ tần số. Thật không hợp lý khi chúng ta kỳ vọng rằng các phần dư quan sát có phân phối chuẩn vì ln có những chênh lệch khi lấy mẫu. Ngay cả khi các sai số có phân phối chuẩn trong tổng thể đi nữa thì phần dư trong mẫu quan sát cũng chỉ xấp
(trung bình Mean = 8.67E-18 ~ 0 và độ lệch tiêu chuẩn Std.Dev. = 0.989 ~1) (Theo Phân tích dữ liệu nghiên cứu với SPSS của Hoàng Trọng và Chu Nguyễn Mộng Ngọc – Tập 1). Do đó có thể kết luận rằng trong nghiên cứu này giả thuyết phân phối chuẩn của phần dư không bị vi phạm.
Hình 2.7: Đồ thị thể hiện phân phối chuẩn của phần dư
2.3.7.3. Kiểm tra giả định về tính độc lập của sai số(khơng có tương
quan hạng giữa các phần dư)
Có một số lý do dẫn đến sự tồn tại của phần dư ei đó là các biến có ảnh hưởng khơng được đưa vào mơ 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 có thể dẫn đến vấn đề tương quan chuỗi trong sai số và tương quan chuỗi cũng gây ra những tác động sai lệch nghiêm trọng đến mơ hình hồi quy tuyến tính như hiện tượng phương sai thay đổi. Đại lượng thống kê Durbin – ể dùng kiểm định tương quan của các sai số kề nhau (tương quan
của các phần dư bằng0. (Theo Phân tích dữ liệu nghiên cứu với SPSS của Hồng Trọng và Chu Nguyễn Mộng Ngọc – Tập 1)
Kết quả hồi quy của mơ hình (1) cho ta giá trị d =1.893. Tra bảng giá trị Durbin – Watson cho 5 biến độc lập và 231 quan sát của mơ hình cho thấy giá trị d của mơ hình nằm miền chấp nhận khơng có tương quan chuỗi bậc nhất.
2.3.7.4. Kiểm định khơng có mối tương quan giữa các biến độc lập
(đo lường Đa cộng tuyến)
Khi giải thích về phương trình hồi quy, các nhà nghiên cứu lưu ý đến hiện tượng đa cộng tuyến. Các biến mà có sự cộng tuyến cao có thể làm bóp méo kết quả và làm cho kết quả khơng ổn định và khơng có tính tổng qt hóa. Nhiều vấn đề rắc rối nảy sinh nếu hiện tượng đa cộng tuyến nghiêm trọng tồn tại, ví dụ như nó có thể làm tăng sai số trong tính tốn hệ số beta, tạo ra hệ số hồi quy có dấu ngược với những gì ta mong đợi và kết quả T-test khơng có ý nghĩa thống kê đáng kể trong khi kết quả F-test tổng qt cho mơ hình lại có ý nghĩa thống kê.
Theo Hair & ctg (2006) có hai cách đo lường để kiểm định ảnh hưởng của đa cộng tuyến: (1) tính giá trị dung sai hoặc hệ số phóng đại phương sai (VIF) và (2) sử dụng chỉ số điều kiện. Giá trị dung sai cao thể hiện sự đa cộng tuyến thấp; và giá trị dung sai càng tiến đến không (zero) thể hiện rằng biến này hầu như được giải thích hồn tồn bằng những biến khác. Hệ số VIF là giá trị nghịch đảo của giá trị dung sai, như vậy nếu hệ số VIF thấp thì mối quan hệ tương quan giữa các biến thấp. Nói chung nếu hệ số VIF lớn hơn 10, hiện tượng đa cộng tuyến nghiêm trọng đang tồn tại. Chỉ số điều kiện cũng là một cách để phát hiện hiện tượng đa cộng tuyến. Công cụ này so các giá trị Eigen cùng với nhau trong một ma trận chéo không trọng tâm XT
X. Nếu giá trị Eigen tối đa lớn hơn nhiều so với các giá trị Eigen khác, thì chỉ số điều kiện đang tồntại. Theo kinh nghiệm, chỉ số điều kiện lớn hơn 30 chỉ ra một sự cộng tuyến nghiêm trọng (John và Benet – Martinez, 2000). Như vậy, trong nghiên cứu này, để khơng có hiện tượng đa cộng tuyến nghiêm trọng xảy ra trong mơ hình hồi quy bội, các hệ số VIF phải nhỏ hơn 10 và các chỉ số điều kiện phải nhỏ hơn 30.