CHƢƠNG 3 PHƢƠNG PHÁP NGHIÊN CỨU
4.4. Hồi quy binary logistic
4.4.4. Kiểm tra kết quả về mặt thống kê
4.4.4.1. Kiểm tra sự tồn tại mối quan hệ giữa biến phụ thuộc và biến độc lập
Mơ hình đƣợc xem là có sự hiện diện mối quan hệ giữa biến phụ thuộc và các biến độc lập khi có ít nhất một hệ số hồi qui khác không. Giả thuyết kiểm định:
H0: Tất cả các hệ số hồi qui bằng khơng;
H1: Có ít nhất một hệ số hồi qui khác không. Với mức ý nghĩa kỳ vọng Theo Swchab (2007), sử dụng phép kiểm tra Omnibus để kiểm định. Nếu giá trị Chi- square của mơ hình cho mức ý nghĩa thống kê (sig.) nhỏ hơn mức ý nghĩa kỳ vọng (1%, 5% hoặc 10%) thì chấp nhận giả thuyết H1, tức là có mối quan hệ giữa biến phụ thuộc và các biến độc lập, mơ hình đƣợc xem là phù hợp.
Kết quả chạy mơ hình nghiên cứu cho kết quả nhƣ sau:
Bảng 4.18. Kiểm định Omnibus về hệ số của mơ hình
Chi-square Df Sig.
Step 163,503 23 ,000
Block 163,503 23 ,000
Model 163,503 23 ,000
Nguồn dữ liệu: Kết quả chạy hồi quy binary logistic từ bộ dữ liệu đã loại các giá trị ngoại lai và các trƣờng hợp ảnh hƣởng.
Giá trị Chi- square của mơ hình là 163,503, tƣơng ứng với mức ý nghĩa p= 0,000, nhỏ hơn hoặc bằng mức ý nghĩa 1%. Do đó, giả thuyết H0 bị bác bỏ, chấp nhận giả thuyết H1: tồn tại mối quan hệ giữa biến phụ thuộc và các biến độc lập ở mức ý nghĩa 1%, mơ hình đƣợc xem là phù hợp.
4.4.4.2. Kiểm tra hiện tƣợng đa cộng tuyến:
Theo Swchab (2007) để phát hiện hiện tƣợng đa cộng tuyến trong mơ hình hồi quy binary logistic ta kiểm tra sai số chuẩn của các hệ số (standard errors of coefficents). Nếu tồn tại một hệ số có sai số chuẩn của các hệ số (trừ hằng số- constant) lớn hơn 2 thì mơ hình có vấn đề về số liệu, hiện tƣợng đa cộng tuyến xuất hiện trong kết quả mơ hình.
Bảng 4.19. Hồi quy binary logistic (N= 370)
B S.E. Wald df Sig. Exp(B)
Scale 2,166 ,619 12,234 1 ,000 8,727 L_Limited -,375 ,514 ,534 1 ,465 ,687 L_Joint -2,246 1,975 1,293 1 ,256 ,106 S_Paper -2,491 1,010 6,080 1 ,014 ,083 S_TextApp -2,786 ,895 9,698 1 ,002 ,062 S_Elec -3,864 1,468 6,925 1 ,009 ,021 S_PubPrint -2,397 ,984 5,928 1 ,015 ,091 S_Rubber -1,137 ,797 2,033 1 ,154 ,321 S_FabMetal -3,792 1,089 12,132 1 ,000 ,023 S_FoodBev ,176 ,763 ,053 1 ,818 1,192 Age ,075 ,025 9,253 1 ,002 1,078 NewEquip ,552 ,498 1,229 1 ,268 1,736 Edu_Own -,033 ,056 ,346 1 ,557 ,968 Know_EnvLaw ,817 ,255 10,261 1 ,001 2,263 Profit -,014 ,482 ,001 1 ,977 ,986 Invest -,441 ,790 ,312 1 ,577 ,643 Export -3,111 1,246 6,234 1 ,013 ,045 Ex_OECD 4,041 1,124 12,935 1 ,000 56,895 Sal_Cons ,871 ,861 1,023 1 ,312 2,389 Inspect_Past 1,864 ,772 5,829 1 ,016 6,452 Inspect_Pre 2,009 1,186 2,868 1 ,090 7,455
B S.E. Wald df Sig. Exp(B)
Bride ,231 ,078 8,759 1 ,003 1,260
Net_Gov -,662 ,184 13,029 1 ,000 ,516
Constant -3,964 1,197 10,965 1 ,001 ,019
Nguồn dữ liệu: Kết quả chạy hồi quy binary logistic từ bộ dữ liệu đã loại các giá trị ngoại lai và các trƣờng hợp ảnh hƣởng.
Cột S.E. cho biết sai số chuẩn của các hệ số. Khơng có biến độc lập nào trong kết quả chạy hồi quy này có sai số chuẩn lớn hơn 2, do đó nghiên cứu có thể khẳng định khơng có hiện tƣợng đa cộng tuyến xảy ra, khơng tồn tại ít nhất một cặp biến độc lập trong mơ hình có quan hệ phụ thuộc lẫn nhau và bộ dữ liệu có ý nghĩa về mặt thống kê, ƣớc lƣợng các hệ số hồi quy trong mơ hình là các ƣớc lƣợng khơng chệch (chính xác) và có thể tin tƣởng đƣợc.
4.4.4.3. Kiểm tra mối quan hệ giữa biến phụ thuộc và từng biến độc lập
Mục tiêu của kiểm tra này là kiểm định hệ số hồi quy của mơ hình. Phép kiểm định đƣợc sử dụng là kiểm định Wald, sử dụng giá trị p- value của thống kê Wald cho từng biến để kiểm định.
H0: Hệ số hồi quy của biến thứ i bằng 0;
H1: Hệ số hồi quy của biến thứ i khác 0. Với mức ý nghĩa kỳ vọng Nếu hệ số hồi quy của biến thứ i khác 0 và p- value có đƣợc từ thống kê Wald của mơ hình nhỏ hơn mức ý nghĩa kỳ vọng thì ta bác bỏ giả thuyết H0, chấp nhận giả thuyết H1, tức là tồn mối quan hệ giữa biến phụ thuộc và biến độc lập thứ i.
Sử dụng Bảng 4.19 để kiểm định hệ số hồi quy của mơ hình:
(i) Các biến: (1) Scale; (2) S_Paper; (3) S_TextApp; (4) S_Elec; (5) S_PubPrint; (6) S_FabMetal; (7) Age; (8) Know_EnvLaw; (9) Export; (10) Ex_OECD; (11) Inspect_Past; (12) Inspect_Pre; (13) Bride; (14) Net_Gov có hệ số hồi quy khác khơng và có giá trị p- value nhỏ hơn 10%. Do đó, các biến này có ý nghĩa giải thích hành vi tuân thủ quy định BVMT của doanh nghiệp (ở mức ý nghĩa 10%), tức là đây là những yếu tố có ảnh hƣởng đến việc tuân thủ quy định BVMT của doanh nghiệp;
(ii) Các biến: (1) L_Limited; (2) L_Joint; (3) S_Rubber; (4) S_FoodBev; (5) NewEquip; (6) Edu_Own; (7) Profit; (8) Invest; (9) Sal_Cons có hệ số hồi quy khác khơng nhƣng có giá trị p- value lớn hơn 10%, do đó việc đƣa các biến này vào mơ hình khơng có ý nghĩa về mặt thống kê ở mức ý nghĩa 10% đối với bộ dữ liệu này. Và nghiên cứu khơng tìm ra đƣợc mối quan hệ nhân quả giữa 9 yếu tố này đối với việc tuân thủ quy định BVMT của doanh nghiệp
Nhƣ vậy, kết quả chạy mơ hình với bộ dữ liệu đã loại các giá trị ngoại lai và các trƣờng hợp ảnh hƣởng cho đƣợc 14/23 (chiến tỷ lệ 61%) biến độc lập có ý nghĩa giải thích biến phụ thuộc ở mức ý nghĩa 10%.
4.4.4.4. Kiểm định tính nhận diện của các biến độc lập
Mục tiêu của phép kiểm định này là kiểm tra xem liệu các biến độc lập có thể đƣợc mơ tả nhƣ các giá trị dự đốn hữu ích để phân biệt các nhóm đối tƣợng khảo sát có kết quả trả lời khác nhau hay không?
Theo Swchab (2007), điều kiện để có câu trả lời khẳng định: tỷ lệ chính xác phân loại phải cao hơn 25% tỷ lệ chính xác ngẫu nhiên (the proportional by chance accuracy rate). Tỷ lệ chính xác ngẫu nhiên đƣợc xác định bằng tổng các tỷ phần của mỗi nhóm (phân nhóm theo giá trị) trong mẫu đã đƣợc bình phƣơng.
Kết quả chạy hồi quy cho bảng sau:
Bảng 4.20. Bảng phân loại
Quan sát
Dự đốn
Doanh nghiệp có EC? Tỷ lệ chính xác
0 1
Doanh nghiệp có EC? 0 298 0 100,0
1 72 0 ,0
Tỷ lệ tổng thể 80,5
Nguồn dữ liệu: Kết quả chạy hồi quy binary logistic từ bộ dữ liệu đã loại các giá trị ngoại lai và các trƣờng hợp ảnh hƣởng.
(1 + 25%) tỷ lệ chính xác ngẫu nhiên = 1,25 x 68,7% = 85,8%
(Tỷ lệ chính xác phân loại = 87,6%) > 85,8%. Do đó, tỷ lệ chính xác phân loại của mơ hình đáp ứng đƣợc điều kiện đặt ra. Vì vậy, các biến độc lập thật sự hữu ích trong việc phân biệt nhóm SMEs có tuân thủ pháp luật BVMT và nhóm SMEs khơng tn thủ pháp luật BVMT.