CHƯƠNG 4 KẾT QUẢ NGHIÊN CỨU VÀ BÀN LUẬN
4.4. Kết quả phân tích hồi quy đa biến
Sau khi kiểm định hệ số tương quan ở trên, kết quả cho thấy chỉ có hai biến phụ thuộc là có biến độc lập tác động. Đó là: Biến số lượng các khoản mục (SKM) và số lượng bộ phận (SLB).
Biến số lượng các khoản mục (SKM) có hai biến độc lập tác động là tốc độ phát triển (MTB) và cạnh tranh trong ngành công nghiệp (CTN)
Biến số lượng bộ phận (SLB) chỉ có 1 biến tác động là biến quy mô công ty (SIZE).
Vì vậy mô hình hồi quy sẽ có hai mô hình là mô hình 1.2 và mô hình 1.3 4.4.1. Đánh giá sự phù hợp của mô hình
Giá trị R2 càng cao là một dấu hiệu cho thấy mối liên hệ giữa biến phụ thuộc và biến độc lập càng chặt chẽ. Giá trị R2 càng cao cho thấy mô hình sử dụng để phân tích có khả năng giải thích càng tốt sự khác biệt về biến phụ thuộc giữa các quan sát. R2 hiệu chỉnh từ R2 được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình hồi qui đa biến vì nó không phụ thuộc vào độ phóng đại của R2 cũng như không thổi phồng mức độ phù hợp của mô hình.
- Đối với số lượng các khoản mục (SKM)
Bảng 4.6a Kiểm định tính phù hợp của mô hình số lượng các khoản mục
Mô hình Hệ số R Hệ số R2 Hệ số R2 hiệu
chỉnh
Số lượng các khoản mục .682a .433 .290
Nguồn: Số liệu phân tích từ SPSS Bảng 4.6a cho thấy R2 hiệu chỉnh bằng 0,29, điều này cho thấy biến độc lập giải thích được 29% sự biến đổi của biến phụ thuộc số lượng các khoản mục.
- Đối với số lượng bộ phận (SLB)
Bảng 4.6b Kiểm định tính phù hợp của mô hình số lượng bộ phận
Mô hình Hệ số R Hệ số R2 Hệ số R2 hiệu chỉnh
Số lương bộ phận .438a .192 .179
Nguồn: Số liệu phân tích từ SPSS
Bảng 4.6b cũng cho thấy R2 hiệu chỉnh khá thấp bằng 0,179, tức là biến độc lập chỉ giải thích được 17,9% sự biến đổi của biến phụ thuộc số lượng bộ phận, điều này nói lên rằng mô hình hiện tại không thể dự đoán hầu hết các thay đổi trong các biến phụ thuộc. Tuy nhiên, hệ số R2 nhỏ cũng được tìm thấy trong các nghiên cứu trước Bugeja et al. (2015); Leung and Verriest (2015) những nghiên cứu này vẫn nhìn vào các giá trị
R-squared thấp để xem những nhân tố nào ảnh hưởng báo cáo bộ phận trong các giai đoạn tiếp theo Steman (2016).
Ngoài ra, giá trị R-square cao hay thấp thì tốt, còn phụ thuộc vào mục đích của bài nghiên cứu. Nếu sử dụng mô hình hồi quy để dự báo thì R-square càng cao càng tốt, còn nếu nghiên cứu mối quan hệ giữa các biến trong mô hình thì có thể không chú trọng lắm vào R-square. Vì thế, R2 bằng 0,29 và R2 bằng 0,179 là có thể chấp nhận được.
4.4.2. Kiểm định sự phù hợp của mô hình
Kiểm định F trong phân tích phương sai là giả thuyết về độ phù hợp của mô hình hồi qui tuyến tính tổng thể. Kiểm định này xem xét mối liên hệ tuyến tính giữa biến phụ thuộc với toàn bộ các biến độc lập.
- Đối với mô hình 1.2 về số lượng các khoản mục (SKM)
H0: βi = 0: Biến đưa vào mô hình không ảnh hưởng đến số lượng các khoản mục.
H1: βi ≠ 0: Biến đưa vào mô hình có ảnh hưởng đến số lượng các khoản mục.
Bảng 4.7a Kết quả phân tích phương sai ANOVA của số lượng các khoản mục
Mô hình Tổng bình
phương df
Trung bình bình
phương
F Sig.
Số lượng các
khoản mục
Hồi
quy 64.106 5 12.821 2.907 .014b
Phần
dư 1411.207 320 4.410
Tổng 1475.313 325
Nguồn: Số liệu phân tích từ SPSS
Kết quả từ bảng 4.7a cho thấy trị thống kê F có giá trị Sig là 0,014 nhỏ hơn 0,05, điều này cho thấy giả thuyết H0 bị bác bỏ. Vậy mô hình hồi quy tuyến tính phù hợp với tập dữ liệu.
- Đối với mô hình 1.3 về số lượng bộ phận (SLB)
H0: βi = 0: Biến đưa vào mô hình không ảnh hưởng đến số lượng bộ phận.
H1: βi ≠ 0: Biến đưa vào mô hình có ảnh hưởng đến số lượng bộ phận.
Bảng 4.7b Kết quả phân tích phương sai ANOVA của số lượng bộ phận
Mô hình Tổng bình
phương df
Trung bình bình
phương
F Sig.
Số lượng bộ phận
Hồi quy 223.765 5 44.75
3
15.16 3
.000
b
Phần dư 944.443 320 2.951
Tổng 1168.20
9
325
Nguồn: Số liệu phân tích từ SPSS Kết quả từ bảng 4.7b cho thấy trị thống kê F có giá trị Sig là 0,000 < 0,05, điều này cho thấy giả thuyết H0 bị bác bỏ. Vậy mô hình hồi quy tuyến tính phù hợp với tập dữ liệu.
4.4.3. Kiểm định đa cộng tuyến
Trong mô hình hồi quy bội, khi ước lượng mô hình hồi quy bội cần kiểm tra hiện tượng đa cộng tuyến. Khi mối tương quan giữa các biến độc lập khá chặt chẽ sẽ dẫn đến hiện tượng đa cộng tuyến của mô hình. Nếu có đa cộng tuyến cao hoặc đa cộng tuyến hoàn hảo thì ước lượng hệ số hồi quy trong mô hình sẽ không ổn định và hệ số trong mô hình sẽ không ổn định, sai số chuẩn của hệ số bị khuếch đại dẫn đến khả năng kết luận sai, khó phát hiện các tác động thực sự. Kiểm định tương quan cặp giữa các biến độc lập để phát hiện đa cộng tuyến. Kiểm định giả định về hiện tượng đa cộng
tuyến nếu hệ số phóng đại phương sai VIF (Variance inflation factor) lớn hơn 10 thì có thể nhận xét có hiện tượng đa cộng tuyến Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2005)
Bảng 4.8 Phân tích VIF đối với số lượng các khoản mục và số lượng bộ phận
Các biến Hệ số phóng đại phương sai (VIF)
Quy mô công ty (SIZE) 1.125
Đòn bẩy tài chính (LEV) 1.110
Tỷ suất lợi nhuận trên tổng tài sản (ROA) 1.029
Cạnh tranh trong ngành công nghiệp (CTN) 1.020
Tốc độ phát triển (MTB) 1.012
Nguồn: Số liệu phân tích từ SPSS Qua bảng 4.8 cho thấy kết quả VIF khá thấp, chưa vượt quá 1,5 đối với kiểm định đa cộng tuyến của số lượng các khoản mục và số lượng bộ phận. Do đó kết luận mô hình của đề tài không có hiện tượng đa cộng tuyến.
Sau khi tiến hành thực hiện phân tích và xem xét đầy đủ các kiểm định cũng như đánh giá sơ bộ về mô hình nghiên cứu, luận văn đã thực hiện hồi quy.
4.4.4. Kết quả hồi quy
- Đối với mô hình 1.2 về số lượng các khoản mục (SKM)
Các kiểm định ở trên cho thấy mô hình hồi quy được xây dựng là phù hợp với tổng thể. Căn cứ vào kết quả từ bảng 4.9a, luận văn sẽ loại khỏi mô hình những biến có giá trị p-value (Sig) lớn hơn 0,05. Sau khi thực hiện hồi quy 5 nhân tố kết quả cho thấy 1 biến là tốc độ tăng trưởng (MTB) là biến được chọn trong mô hình, biến này có tác động ngược chiều với số lượng các khoản mục.
Vậy mô hình hồi quy 1.2 được xác định như sau:
SKM = 1,603 – 0,147*MTB
Hệ số β = -0,147 < 0 thể hiện mối quan hệ nghịch biến giữa biến độc lập và biến phụ thuộc, với ý nghĩa dự đoán rằng khi tốc độ phát triển tăng lên (hoặc giảm xuống) 1
đơn vị thì số lượng các khoản mục sẽ giảm xuống (hoặc tăng lên) 0,147 đơn vị, với điều kiện các nhân tố khác không đổi.
Bảng 4.9a Kết quả hệ số hồi quy đối với số lượng bộ phận
Biến
Hệ số hồi quy chưa chuẩn hóa
Hệ số hồi quy đã chuẩn hóa
t Sig.
B Sai số
chuẩn Beta
Hằng số 1.603 2.247 .714 .476
MTB -.329 .123 -.147 -2.674 .008
CTN -.429 .240 -.099 -1.789 .075
SIZE .142 .083 .099 1.711 .088
LEV -.322 .248 -.075 -1.300 .194
ROA -1.064 .960 -.061 -1.108 .269
Nguồn: Số liệu phân tích từ SPSS - Đối với mô hình 1.3 về số lượng bộ phận (SLB)
Bảng 4.9b Kết quả hệ số hồi quy đối với số lượng bộ phận
Biến
Hệ số hồi quy chưa chuẩn hóa
Hệ số hồi quy
chưa chuẩn hóa t Sig.
B Sai số chuẩn Beta
Hằng số -4.161 1.838 -2.264 .024
SIZE .332 .068 .260 4.873 .000
LEV -.285 .203 -.075 -1.407 .160
ROA -1.569 .786 -.102 -1.997 .047
CTN -1.238 .196 -.321 -6.314 .086
MTB -.169 .101 -.085 -1.674 .095
Nguồn: Số liệu phân tích từ SPSS
Các kiểm định ở trên cho thấy mô hình hồi quy được xây dựng là phù hợp với tổng thể. Căn cứ vào kết quả từ bảng 4.9b, luận văn sẽ loại khỏi mô hình những biến có giá trị p-value (Sig) lớn hơn 0,05. Sau khi thực hiện hồi quy 5 nhân tố kết quả cho thấy 2 biến gồm: Quy mô công ty (SIZE), tỷ suất lợi nhuận trên tổng tài sản (ROA). Tuy nhiên trong 2 biến đó thì có 1 biến tác động ngược chiều với số lượng bộ phận là biến tỷ suất lợi nhuận trên tổng tài sản (ROA), biến còn lại quy mô công ty thì có tác động cùng chiều với số lượng bộ phận.
Vậy mô hình hồi quy 1.3 được xác định như sau:
SLB = -4,161 + 0,26*SIZE – 0,102*ROA
Hệ số β = 0,26 > 0 thể hiện mối quan hệ đồng biến giữa biến độc lập và biến phụ thuộc với ý nghĩa rằng khi quy mô công ty (SIZE) tăng lên (hoặc giảm xuống) 1 đơn vị thì số lượng bộ phận (SLB) cũng tăng lên (hoặc giảm xuống) 0,26 đơn vị, với điều kiện các nhân tố khác không đổi.
Hệ số β = -0,102 < 0 thể hiện mối quan hệ nghịch biến giữa biến độc lập và biến phụ thuộc, với ý nghĩa rằng khi tỷ suất lợi nhuận trên tổng tài sản (ROA) tăng lên (hoặc giảm xuống) 1 đơn vị thì số lượng bộ phận (SLB) sẽ giảm xuống (hoặc tăng lên) 0,102 đơn vị, với điều kiện các nhân tố khác không đổi.