TIN VÀ KẾT QUẢ NGHIÊN CỨU
4.4. KIỂM ĐỊNH MÔ HÌNH VÀ CÁC GIẢ THUYẾT
4.4.1. Phân tích 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 quan hệ tuyến tính giữa các biến định lượng. Nếu giữa hai biến có sự tương quan chặt thì phải lưu ý vấn đề đa cộng tuyến khi phân tích hồi quy.
Đa cộng tuyến là trạng thái các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng đa cộng tuyến là chúng cung cấp cho mô hình những thông tin rất giống nhau, và rất khó tách rời ảnh hưởng của từng biến một đến biến phụ thuộc.
Đa cộng tuyến làm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm giá trị thống kê t của kiểm định ý nghĩa nên các hệ số có khuynh hướng kém ý nghĩa.
Cần xem xét hiện tượng đa cộng tuyến khi phân tích hồi quy nếu hệ số tương quan pearson > 0,3.
Hình dạng phương trình
Đặt các biến trong phương trình hồi quy đa biến như sau:
: Sự đảm bảo (là trung bình của các biến 10.1; 10.15; 10.16; 10.17; 10.19; 10.20; 10.21;
10.22; 10.23; 10.24; 10.25)
: Sự hữu hình (là trung bình của các biến 10.8; 10.9; 10.10) : Độ tin cậy (là trung bình của các biến 10.1; 10.2; 10.3) : Sự cảm thông (là trung bình của các biến 10.5; 10.6; 10.7)
Y: Hài lòng với chất lượng dịch vụ của Thế Giới Di Động (là trung bình của biến Q12;
Q13)
Bảng phân tích Pearson: (Xem phụ lục ) Kết quả
- Các giá trị sig α đều nhỏ hơn 0,05 do vậy các biến đều tương quan nhau và có ý nghĩa thống kê.
- Hệ số tương quan của các biến X tương tác nhau cũng không quá lớn, một số cặp biến có hệ số pearson > 0,3 vì vậy khi nên phân tích tương quan cần chú ý hiện tương quan giữa các biến độc lập này.
4.4.2. Phân tích hồi quy
Để đánh giá mức độ phù hợp của mô hình ta sử dụng phương pháp hồi quy tuyến tính bội đối với 9 nhân tố được phân tích trên trong đó lấy nhân tố Sự hài lòng của khách hàng là biến phụ thuộc và 8 nhân tố còn lại là biến độc lập. Bằng việc áp dụng phương pháp chọn biến từng bước (stepwise selection) ta thu được kết quả hồi quy theo Phụ lục . Kết quả này cho giá trị R2 = 0.232, nghĩa là mô hình hồi quy tuyến tính đã xây dựng phù hợp với tập dữ liệu mẫu là 23.2%. Một con số khá thấp vì chưa đạt được ngưỡng một nửa là 50%.
Tuy nhiên ta chấp nhận điều này trong nghiên cứu. Thứ nhất vì nhóm chưa có nhiều kinh nghiệm. Mặt khác là do nhóm đối tượng sinh viên được khảo sát vào những lúc đang học tập trên trường. Tâm lý mệt mỏi cộng với việc đã làm nhiều khảo sát từ các nhóm khác làm ảnh hưởng tới tính ngẫu nhiên trong việc các bạn ra quyết định khi chọn đáp án. Dẫn đến có nhiều bài chỉ chọn qua loa hàng loạt câu trả lời là 3 (bình thường) gây ảnh hưởng tới mẫu nghiên cứu. Trong giới hạn chúng tôi đã cố gắng dùng nhiều biện pháp để hạn chế những vấn đề này xảy ra nhất có thể. Cũng mong giảng viên bỏ qua cho độ đúng đắn của đáp án vì giới hạn của cuộc khảo sát.
Lưu ý thêm các bảng kết quả mô tả từ SPSS chúng tôi đã đưa vào phần phụ lục cho tinh gọn bớt bài trình bày. Do vậy nên sẽ đạt được sự ngắn gọn hết sức có thể. Bạn đọc có thể vừa theo dõi bài trình bày vừa lật lại phần phụ lục phía sau để theo dõi được rõ ràng hơn.
Bước 1: Kiểm định hệ số hồi quy Bảng 4. 14: Kết quả hồi quy đa biến
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 1.691 .255 6.631 .000
sudambao
.485 .067 .487 7.286 .000 1.000 1.00
0
Sau khi chạy stepwise, SPSS đã tự động loại các biến X2, X3, X4 ra khỏi mô hình, còn lại 1 nhân tố tác động chính tới sự hài lòng. Kết quả hồi quy ở bảng 4.13 cho thấy có 1 nhân
tố có mối liên hệ tuyến tính với sự hài lòng của sinh viên với mức ý nghĩa Sig. t < 0.05. . Một điều nữa cần chú ý là hệ số B ở đây đều mang dấu (+) chứng tỏ các nhân tố đều có quan hệ thuận với biến khảo sát.
Từ bảng trên, ta xác định được phương trình hồi quy bội như sau:
Mức độ hài lòng của SV = 0.485 × Sự đảm bảo + 1.691 Phương trình hồi quy:
Y = X1 0.485 + 1.691
Ngoài ra, hệ số beta chuẩn hóa trên bảng khá thấp (0.485) đánh giá mức tác động của các biến độc lập tới sự hài lòng khá thấp. Các biến tác động yếu tới mô hình. Điều này có thể tạm chấp nhận vì lý do khách quan của cuộc khảo sát đã nêu trên. Ta tạm kết luận 1 biến độc lập tương quan và có ý nghĩa với biến phụ thuộc Y (Mức độ hài lòng chung) với độ tin cậy bằng 95%.
Bước 2: Kiểm định mức độ phù hợp của mô hình
- Mức độ giải thích của mô hình Bảng 4. 15: Mức độ giải thích của mô hình
Model Summaryb
Model R R Square
Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 .487a .237 .232 .591 1.949
a. Predictors: (Constant), sudambao b. Dependent Variable: chung
Ý nghĩa của R2 điều chỉnh: R2 điều chỉnh = 0,232, suy ra 23.2% thay đổi của Y (Mức độ hài lòng chung) được giải thích bởi biến độc lập X1.
- Mức độ phù hợp của mô hình Bảng 4. 16: Mức độ phù hợp của mô hình
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 18.519 1 18.519 53.080 .000b
Residual 59.660 171 .349
Total 78.179 172
a. Dependent Variable: chung b. Predictors: (Constant), sudambao
Tiếp theo, để kiểm định độ phù hợp của mô hình hồi quy tổng thể ta xem xét đến giá trị F từ bảng phân tích phương sai ANOVA, giá trị F = 53.080, giá trị sig. rất nhỏ bước đầu cho thấy mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử dụng được. Cách hiểu khác là biến độc lập có tương quan tuyến tính với biến phụ thuộc trong mô hình
Bước 3: Kiểm định hiện tượng đa cộng tuyến tính
Sử dụng tiếp bảng hồi quy đa biến, (phụ lục ) ta thấy giá trị Variance Inflation Factor (Độ phóng đại phương sai) VIF của biến trong model của stepwise < 10 (VIF= 1). Kết luận: Không có hiện tượng đa cộng tuyến trong mô hình. Có thể yên tâm rằng giữa các biến độc lập không có quan hệ với nhau làm ảnh hưởng tới kết quả nghiên cứu.
Bước 4: Kiểm định hiện tượng tự tương quan của phần dư (Autocorrelation) Tự tương quan là hiện tượng các sai số ngẫu nhiên có mối liên hệ tương quan nhau. Hậu quả của tự tương quan của các phần dư:
- Các ước lượng OLS (Ordinary Least Square) vẫn là các ước lượng tuyến tính không chệch nhưng không hiệu quả (vì phương sai không nhỏ nhất)
- Phương sai của các ước lượng là các ước lượng chệch, vì vậy các kiểm định T và F không còn hiệu quả.
- Các dự báo về biến phụ thuộc không chính xác.
Dùng kiểm định d của Durbin-Watson để kiểm định hiện tượng tự tương quan của phần dư. Ở đây trong bảng Model Summary, đại lượng thống kê Durbin - Watson (d) = 1.949 cho thấy không có sự tương quan giữa các phần dư. Điều này có ý nghĩa là mô hình hồi quy không vi phạm giả định về tính độc lập của sai số.
Chúng ta đã tiến hành việc phân tích kết quả hồi quy trong những giai đoạn trên. Công việc tiếp theo là sẽ phân tích độ lệch (phương sai) của các ước lượng, các phép tính toán để khẳng định một lần nữa về độ tin cậy cũng như mức độ ảnh hưởng của mô hình nghiên cứu. Đó là phần phân tích ANOVA, được tình bày ngay sau đây.