.10 Kết quả phân tích tương quan Pearson

Biến Hệ số tương quan Pearson

TT GIÁ DSD AHXH DDLC TMMS RR YDMH

TT Pearson Correlation 1 ** ** ** ** ** ** ** Sig. (2-tailed) ** ** ** ** ** ** ** N 198 ** ** ** ** ** ** ** GIÁ Pearson Correlation .308 ** 1 ** ** ** ** ** ** Sig. (2-tailed) .000 ** ** ** ** ** ** N 198 198 ** ** ** ** ** ** DSD Pearson Correlation .377 ** .256** 1 ** ** ** ** ** Sig. (2-tailed) .000 .000 ** ** ** ** ** N 198 198 198 ** ** ** ** ** AHXH Pearson Correlation .469 ** .420** .428** 1 ** ** ** ** Sig. (2-tailed) .000 .000 .000 ** ** ** ** N 198 198 198 198 ** ** ** ** DDLC Pearson Correlation .511 ** .406** .508** .425** 1 ** ** ** Sig. (2-tailed) .000 .000 .000 .000 ** ** ** N 198 198 198 198 198 ** ** ** TMMS Pearson Correlation .397 ** .351** .271** .293** .494** 1 ** ** Sig. (2-tailed) .000 .000 .000 .000 .000 ** ** N 198 198 198 198 198 198 ** ** RR Pearson Correlation -.307 ** -.236** -.224** -.293** -.308** -.234** 1 ** Sig. (2-tailed) .000 .001 .001 .000 .000 .001 ** N 198 198 198 198 198 198 198 ** YDMH Pearson Correlation .545 ** .439** .471** .519** .545** .403** -.471** 1 Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 N 198 198 198 198 198 198 198 198

**. Correlation is significant at the 0.01 level (2-tailed).

(Nguồn: kết quả phân tích dữ liệu của tác giả)

Theo kết quả phân tích trên ta thấy các biến độc lập đều có tương quan tuyến tính khá mạnh với biến phụ thuộc. Hệ số r có giá trị từ 0.403 đến 0.545, các hệ số tương quan đều có ý nghĩa thống kê (sig=0.000< 0.05). Như vậy, việc sử dụng phân tích hồi quy tuyến tính là phù hợp. Bên cạnh đó, kết quả

cho thấy giữa các biến độc lập cũng có mối tương quan nên cần quan tâm đến hiện tượng đa cộng tuyến khi phân tích hồi quy bội.

Tất cả các biến độc lập đều được đưa vào phân tích hồi quy bội để xem xét mức độ ảnh hưởng đến biến phụ thuộc.

4.5.2. Phân tích hồi quy

Phân tích hồi quy tuyến tính sẽ giúp biết được cường độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Phân tích hồi quy được tiến hành với 7 biến độc lập gồm tính thuận tiện (TT), mong đợi về giá (GIA), tính dễ sử dụng (DSD), ảnh hưởng xã hội (AHXH), đa dạng sự lựa chọn (DDLC), thoải mái khi mua sắm (TMMS), nhận thức rủi ro (RR) và một biến phụ thuộc là ý định mua hàng (YDMH).

Lệnh hồi quy tuyến tính trong chương trình SPSS 20.0 được sử dụng để chạy phân tích phần mềm hồi quy, sử dụng phương pháp Enter. Hệ số xác

định (R2) đo lường tỷ lệ tổng biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập trong mơ hình. Giá trị R2 càng cao thì khả năng giải thích của mơ hình hồi quy tún tính bội càng cao và việc dự đoán biến phụ thuộc càng chính xác.

Phép phân tích phương sai (Anova) được tiến hành. Nếu giá trị F có ý nghĩa đáng kể về mặt thớng kê (sig < 0,05), giả thuyết thuần của mối quan hệ khơng tún tính bị bác bỏ. Hệ sớ β là hệ số hồi quy chuẩn hóa cho phép so sánh trực tiếp giữa các hệ sớ, xem như là khả năng giải thích biến phụ thuộc. Trị tuyệt đới của một hệ sớ β chuẩn hóa càng lớn thì tầm quan trọng tương đới của nó trong dự báo biến phụ thuộc càng cao.

Để kiểm tra điều kiện hồi quy tún tính thì ta cần kiểm định các giả định hàm hồi quy tuyến tính bao gồm:

a) Khơng có hiện tượng đa cộng tún.

b) Phương sai của phần dư không đổi.

c) Các phần dư có phân phối chuẩn.

Phương trình hồi quy tuyến tính đa biến có dạng như sau:

YDMH= β0 + β1*TT + β2*GIA + β3*DSD + β4*AHXH + β5*DDLC + β6*TMMS + β7*RR + ε

Trong đó:

YDMH: ý định mua hàng TT : tính thuận tiện GIA : mong đợi về giá DSD : tính dễ sử dụng AHXH: ảnh hưởng xã hội DDLC : đa dạng lựa chọn TMMS: thoải mái mua sắm RR : nhận thức rủi ro β0 : hằng số hồi quy β1β7: hệ số hồi quy ε : sai số ngẫu nhiên Kết quả hồi quy bội như các bảng sau: