(Nguồn: tổng hợp bởi tác giả)
Phương trình hồi quy:
SHL = a +b1*M + b2*P + b3*O + b4*R + b5*I + b6*S + b7*SAFE
Ký hiệu biến:
SHL: Sự hài lòng của khách hàng R: Nguồn lực
M: Quản lý I: Hình ảnh
P: Quá trình S: Trách nhiệm xã hội
O: Kết quả SAFE: An tồn
4.5. Phân tích hồi quy
Hồi quy tuyến tính bội dùng để kiểm định và giải thích lý thuyết nhân quả (Cooper Schindler, 2003 - dẫn theo Hoàng Thị Phương Thảo, Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2010). Theo cách thức này, Andaleeb (2001) sử dụng phân
H6 H5 AN TOÀN (SAFE) H7 H4 H3 H2 H1 QUẢN LÝ (M) QUÁ TRÌNH (P) KẾT QUẢ (O) NGUỒN LỰC (R) SỰ HÀI LỊNG (Satisfaction) HÌNH ẢNH (I) TRÁCH NHIỆM XÃ HỘI (S)
Nguyễn Đình Thọ và cộng sự (2009) trong một nghiên cứu “Thuộc tính địa phương và sự hài lòng của doanh nghiệp”. Như vậy, hồi quy tuyến tính bội là phương pháp thích hợp để kiểm định các giả thiết trong nghiên cứu này. Mơ hình hồi quy tuyến tính bội với biến phụ thuộc là sự hài lòng của khách hàng, và các biến độc lập là trung bình của các nhân tố có được từ mơ hình đã được hiệu chỉnh sau khi có kết quả phân tích nhân tố. Phương pháp đưa các biến vào cùng một lúc (phương pháp enter) được sử dụng cho phân tích hồi quy. Các yêu cầu trong phân tích hồi quy tuyến tính bội: (1) phân tích tương quan giữa các biến trong mơ hình hồi quy, (2) xem xét hiện tượng đa cộng tuyến, (3) kiểm định độ phù hợp của mơ hình hồi quy.
4.5.1. Hệ số tương quan Pearson
Người ta sử dụng một số thống kê có tên là hệ số tương quan Pearson để lượng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định lượng. Nếu giữa 2 biến có sự tương quan chặt thì phải lưu ý vấn đề đa cộng tuyến khi phân tích hồi quy. Trong phân tích tương quan Pearson, khơng có sự phân biệt giữa các biến độc lập và biến phụ thuộc mà tất cả đều được xem xét như nhau. Dùng hệ số tương quan Pearson có thể cho ta mối quan hệ tuyến tính giữa biến phụ thuộc và biến độc lập trong mô hình.
Từ kết quả phân tích tương quan Pearson bảng 4.13 cho thấy rằng các biến độc lập khơng có sự tương quan lẫn nhau vì thế hiện tượng đa cộng tuyến khó có khả năng xảy ra. Các biến độc lập M – Quản lý, P – Quá trình, O – Kết quả, R – Nguồn lực, I – Hình ảnh, S – Trách nhiệm xã hội, SAFE – An tồn có mối quan hệ tuyến tính thuận chiều với biến phụ thuộc SHL–Sự hài lòng của khách hàng với mức ý nghĩa 0,01.
Bảng 4.13: Hệ số tương quan Pearson giữa các biến SHL M P O R I S SAFE SHL M P O R I S SAFE SHL 1 0,514** 0,233** 0,282** 0,316** 0,326** -0,030 0.242** M 1 0,000 0,000 0,000 0,000 0,000 0,000 P 1 0,000 0,000 0,000 0,000 0,000 O 1 0,000 0,000 0,000 0,000 R 1 0,000 0,000 0,000 I 1 0,000 0,000 S 1 0,000 SAFE 1
** Tương quan đạt mức ý nghĩa 1%
(Nguồn: tổng hợp bởi tác giả)
4.5.2. Kết quả phân tích hồi quy
Các biến độc lập được đưa vào phân tích hồi quy với phương pháp đưa tất cả các biến vào một lượt (Enter). Biến độc lập và biến phụ thuộc của mơ hình là các biến được rút trích từ phương pháp phân tích nhân tố.
Bảng 4.14: Tóm tắt mơ hình (Model Summary)
Mơ hình R R bình phương R bình phương điều chỉnh
Sai số chuẩn của đo lường
Hệ số Durbin- Watson
1 0,814a 0,663 0,649 0,59257142 1,975
(Nguồn: tổng hợp bởi tác giả)
Hệ số xác định của mơ hình hồi quy R bình phương điều chỉnh = 0,649 cho biết khoảng 64,9% sự biến thiên của sự hài lòng của khách hàng doanh nghiệp khi sử dụng dịch vụ vận tải biển của hãng tàu Evergreen tại TP. HCM có thể được giải thích từ mối quan hệ tuyến tính giữa biến phụ thuộc với các biến độc lập trong mơ hình. Hệ số Durbin Watson = 1,975 xấp xỉ giá trị d=2 do đó trong mơ hình khơng có sự tương quan giữa các phần dư.
Ở hình 4.7 Đồ thị phân tán của phần dư cho thấy phần dư phân tán ngẫu nhiên xung quanh đường đi qua tung độ 0 chứ khơng tạo nên hình dạng nào. Như