BP BA PQ BI BE
BA Tƣơng quan Pearson 1 .649(**) .473(**) .554(**) .577(**)
Hệ số Sig (2-tailed) . .000 .000 .000 .000
BI Tƣơng quan Pearson .649(**) 1 .667(**) .727(**) .649(**)
Hệ số Sig (2-tailed) .000 . .000 .000 .000
PQ Tƣơng quan Pearson .473(**) .667(**) 1 .792(**) .748(**)
Hệ số Sig (2-tailed) .000 .000 . .000 .000
BP Tƣơng quan Pearson .554(**) .727(**) .792(**) 1 .835(**)
Hệ số Sig (2-tailed) .000 .000 .000 . .000
BE Tƣơng quan Pearson .577(**) .649(**) .748(**) .835(**) 1
Hệ số Sig (2-tailed) .000 .000 .000 .000 . ** Mức ý nghĩa 1%, n=209
Phân tích hồi quy tuyến tính bội đƣợc thực hiện để xem xét mối quan hệ giữa các biến độc lập là nhân tố lòng đam mê thƣơng hiệu (BP), nhân tố nhận
thƣơng hiệu (BI) với biến phụ thuộc là giá trị thƣơng hiệu (BE) trong mơ hình nghiên cứu. Trƣớc khi tiến hành phân tích hồi quy tuyến tính bội thì việc xem xét mối tƣơng quan tuyến tính giữa các biến độc lập với biến phụ thuộc và giữa các biến độc lập với nhau là công việc phải làm và hệ số tƣơng quan Pearson trong ma trận hệ số tƣơng quan là phù hợp để xem xét mối tƣơng quan này.
Dựa vào bảng 4.6 ta có thể thấy hệ số tƣơng quan giữa giá trị thƣơng hiệu (BE) và bốn biến độc lập rất cao (thấp nhất là 0.577). Sơ bộ ta có thể kết luận bốn biến độc lập BA, BI, PQ, BP có thể đƣa vào mơ hình để giải thích cho biến BE. Nhƣng hệ số tƣơng quan giữa các biến độc lập cũng rất cao (thấp nhất là 0.473). Do đó, kiểm định đa cộng tuyến cần đƣợc tiến hành trong các bƣớc tiếp theo để xác định xem các biến độc lập có ảnh hƣởng lẫn nhau hay khơng.
4.3.2 Phân tích hồi quy tuyến tính bội
4.3.2.1 Xác định biến độc lập và biến phụ thuộc
Căn cứ vào mơ hình nghiên cứu lý thuyết, ta có phƣơng trình hồi quy tuyến tính bội diễn tả giá trị thƣơng hiệu MTXT là:
BE = β0 + β1*BA + β2*BI + β3*PQ + β4*BP + ei (4.1)
Các biến độc lập (Xi): (BA) nhân tố nhận biết thƣơng hiệu, (BI) nhân tố ấn tƣợng thƣơng hiệu, (PQ) nhân tố chất lƣợng cảm nhận, (BP) nhân tố lòng đam mê thƣơng hiệu.
Biến phụ thuộc (Y): (BE) giá trị thƣơng hiệu trong thị trƣờng MTX T βk là hệ số hồi quy riêng phần (k=0…4)
ei là phần dƣ
4.3.2.2 Hồi quy tuyến tính bội
Phƣơng pháp Enter (đƣa tất cả các biến vào một lần) trong chƣơng trình SPSS đƣợc sử dụng để phân tích hồi quy bội. Sau đó dị tìm các vi phạm giả định cần thiết trong hồi quy tuyến tính bội:
Đối với giả định liên hệ tuyến tính và phƣơng sai bằng nhau, sử dụng đồ thị phân tán giữa các phần dƣ chuẩn hóa và giá trị dự đốn chuẩn hóa. Nếu giả
nhận thấy có liên hệ gì giữa các giá trị phần dƣ chuẩn hóa và giá trị dự đốn chuẩn hóa. Chúng sẽ phân tán ngẫu nhiên trong một vùng xung quanh đƣờng đi qua tung độ 0, khơng tạo thành một hình dạng nào.
Đối với giả định về phân phối chuẩn của phần dƣ, sử dụng biểu đồ tần số của các phần dƣ. Nếu trung bình bằng 0 và độ lệch chuẩn xấp xỉ bằng 1 thì có thể kết luận rằng giả định phân phối chuẩn không bị vi phạm.
Đối với giả định về tính độc lập của sai số tức khơng có tƣơng quan giữa các phần dƣ, tiến hành kiểm định giả thuyết H0: Hệ số tƣơng quan hạng của tổng thể bằng 0. Đại lƣợng thống kê Durbin-Watson dùng để kiểm định tƣơng quan của các sai số kề nhau. Đại lƣợng d có giá trị biến thiên trong khoảng từ 0 đến 4. Tra bảng Durbin-Watson để xác định vùng chấp nhập Ho, nếu các phần dƣ khơng có tƣơng quan giá trị d sẽ nằm trong vùng chấp nhận H0 là [dU; 4-dU].
Đối với giả định phƣơng sai của sai số không đổi, kiểm tra phƣơng sai của sai số khơng thay đổi có bị vi phạm hay khơng bằng kiểm định tƣơng quan hạng Spearman, với giả thuyết Ho là hệ số tƣơng quan hạng của tổng thể bằng 0. Nếu kết quả kiểm định không bác bỏ giả thuyết Ho thì kết luận phƣơng sai của sai số khơng thay đổi. Phƣơng trình hồi quy tuyến tính bội có nhiều biến giải thích thì hệ số tƣơng quan hạng có thể tính giữa trị tuyệt đối của phần dƣ với từng biến riêng.
Đối với giả định khơng có mối tƣơng quan giữa các biến độc lập (đo lƣờng hiện tƣợng đa cộng tuyến), sử dụng hệ số phóng đại phƣơng sai (VIF - Variance inflation factor), nếu VIF vƣợt quá 10 đó là dấu hiệu của hiện tƣợng đa cộng tuyến.
Hệ số R2 điều chỉnh , giá trị F, hệ số Beta, và hệ số tƣơng quan riêng phần đƣợc dùng để đánh giá độ phù hợp của mơ hình và kiểm định 4 giả thuyết.
Giá trị bội R chỉ rõ mối quan hệ giữa các biến độc lập và biến phụ thuộc. Hệ số xác định (R2) đo lƣờng tỷ lệ tổng biến thiên của biến phụ thuộc đƣợc giải thích bằng các biến phụ thuộc của mơ hình. Giá trị R2 càng cao thì khả năng
giải thích của mơ hình hồi quy càng lớn và việc dự đoán biến phụ thuộc càng chính xác. Tuy nhiên, R2 điều chỉnh (Adjusted R square) để phản ánh sát hơn mức độ phù hợp của mơ hình của hồi quy tuyến tính đa biến vì nó khơng thổi phồng mức độ phù hợp của mơ hình (Hồng Trọng – Chu Nguyễn Mộng Ngọc, 2008) [5].
Phép kiểm định phân tích phƣơng sai (ANOVA) đƣợc tiến hành, nếu giá trị F có ý nghĩa đáng kể về mặt thống kê (p<0.001), giả thuyết thuần của mối quan hệ khơng tuyến tính bị bác bỏ.
Hệ số Beta (β) là hệ số hồi quy chuẩn hóa cho phép so sánh trực tiếp giữa các hệ số, đƣợc xem nhƣ là khả năng giải thích biến phụ thuộc. trị tuyệt đối của hệ số Beta càng lớn thì tầm quan trọng tƣơng đối của nó trong dự báo biến phụ thuộc càng cao (Hoàng Thị Phƣơng Thảo, 2010). Hệ số hồi quy riêng phần (Partial R) đó lƣờng sức mạnh mối quan hệ giữa một biến phụ thuộc và một biến độc lập khi ảnh hƣởng dự báo của các biến độc lập khác trong mơ hình hồi quy đƣợc giữ nguyên (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Kết quả phân tích hồi quy lần thứ nhất nhƣ sau: