4.4.3.1 Phân tích tương quan
Theo ma trận tương quan thì các biến đều có tương quan và có ý nghĩa ở mức 0.000. Hệ số tương quan giữa biến phụ thuộc Phản hồi với biến độc lập Sự hài lòng là -0.271. Do đó, ta có thể kết luận biến độc lập này có thể đưa vào mô hình để giải thích cho biến Phản hồi.
Truyền miệng
& Sử dụng lại dịch vụ (WI) Sự hài lòng
(HL)
Sig.=0.000
Bảng 4.17: Ma trận tương quan giữa các biến trong mô hình hồi qui 2 Phản hồi Sự hài lòng
Phản hồi 1
Sự hài lòng -0.271 1
4.4.3.2 Phân tích phương trình hồi qui 3:
Phân tích hồi qui được thực hiện với một biến độc lập là Sự hài lòng (HL) và biến phụ thuộc là Phản hồi (FB). Kết quả thống kê mô tả của các biến đưa vào phân tích hồi qui :
Bảng 4.18: Thống kê mô tả các biến phân tích hồi qui Kích
thước mẫu
Trung bình
Độ lệch chuẩn
Phản hồi 270 2.7679 0.86635
Sự hài lòng 270 3.5617 0.64789
Giá trị của các biến độc lập được tính trung bình dựa trên các biến quan sát thành phần của các biến độc lập đó. Giá trị của biến phụ thuộc là giá trị trung bình của các biến quan sát về Phản hồi. Phân tích được thực hiện bằng phương pháp Enter. Các biến được đưa vào cùng một lúc để xem biến nào được chấp nhận. Kết quả phân tích hồi qui như sau:
Kết quả cho thấy mô hình hồi qui đưa ra tương đối phù hợp với mức ý nghĩa 0.05. Hệ số R hiệu chỉnh = 0.07 có nghĩa là có khoảng 7% phương sai Phản hồi được giải thích bởi biến độc lập Sự hài lòng. Còn lại 93% Phản hồi được giải thích bằng các yếu tố khác.
Bảng 4.19: Bảng đánh giá độ phù hợp của mô hình
Mô hình Các biến được đưa vào Các biến bị loại bỏ Phương pháp
1 Sự hài lòng Enter
Biến phụ thuộc: Phản hồi
Mô hình R R2 R2 hiệu chỉnh Sai số chuẩn dự đoán
1 0.271 0.073 0.070 0.83550
Biến dự đoán: (Hằng số), Sự hài lòng
Kiểm định F sử dụng trong bảng phân tích phương sai là phép kiểm định giả thuyết về độ phù hợp của mô hình hồi qui tuyến tính tổng thể. Ý tưởng của kiểm định này về mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập. Trong bảng phân tích ANOVA, ta thấy giá trị sig. rất nhỏ (sig. = 0.000), nên mô hình hồi qui phù hợp với tập dữ liệu và có thể sử dụng được.
Bảng 4.20: Phân tích phương sai (hồi qui) ANOVA
Mô hình Tổng các
bình phương
df Bình phương trung bình
F Sig.
1
Phần hồi qui 14.822 1 14.822 21.233 0.000
Phần dư 187.078 268 0.698
Tổng cộng 201.900 269
Biến phụ thuộc: Phản hồi
Các biến dự đoán: (Hằng số), Sự hài lòng
Bảng 4.21: Hệ số hồi qui sử dụng phương pháp Enter
Mô hình Hệ số hồi qui chưa
chuẩn hóa
Hệ số hồi qui chuẩn
hóa
t Sig.
B Sai số chuẩn Beta
1 (Hằng số) 4.058 .285 14.259 0.000
Sự hài lòng -0.362 0.079 -0.271 -4.608 0.000
Biến phụ thuộc: Phản hồi
Trong kết quả trên, nếu sig. <= 0.05 tương đương với độ tin cậy 95% thì nhân tố đó được chấp nhận, có nghĩa là sự hài lòng có sự tác động đến Phản hồi. Kết quả hồi qui cho thấy có nhân tố Sự hài lòng thỏa mãn điều kiện.
Hình 4.4: Kết quả phân tích Mô hình hồi qui 3
Phản hồi (FB) Sự hài lòng
(HL)
Sig.=0.000
Hệ số hồi qui thể hiện dưới hai dạng: (1) chưa chuẩn hóa (Unstandardized) và (2) chuẩn hóa (Standardized). Vì hệ số hồi qui chưa chuẩn hóa (B), giá trị của nó phụ thuộc vào thang đo cho nên chúng ta không thể dùng chúng để so sánh mức độ tác động của các biến độc lập vào biến phụ thuộc trong cùng một mô hình được. Hệ số hồi qui chuẩn hóa (beta, ký hiệu β) là hệ số chúng ta đã chuẩn hóa các biến. Vì vậy hệ số hồi qui chuẩn hóa được sử dụng để so sánh mức độ tác động của các biến phụ thuộc vào biến độc lập. Biến độc lập nào có trọng số hồi qui chuẩn hóa càng lớn có nghĩa là biến đó có tác động càng mạnh vào biến phụ thuộc.
Vì thế, phương trình hồi qui tuyến tính được thể hiện như sau:
Phản hồi = -0.271*Sự hài lòng khách hàng
Kết luận: Yếu tố Phản hồi chịu tác động bởi yếu tố Sự hài lòng khách hàng (với = -0.271). Kết quả phân tích trên đây sẽ là cơ sở để tác giả đưa ra những hàm ý kiến nghị cho các nhà quản trị trong ngành hàng không giá rẻ tại Việt Nam. Nội dung này sẽ được trình bày trong chương cuối cùng của nghiên cứu này.