CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.7. KIỂM ĐỊNH MÔ HÌNH NGHIÊN CỨU HIỆU CHỈNH
4.7.2. Phân tích hồi quy tuyến tính bội
Phân tích hồi quy tuyến tính bội sẽ giúp chúng ta có thể dò tìm các vi phạm giả định cần thiết như giả định về phân phối chuẩn của phần dư, giả định về tính độc lập của sai số là giả định không có mối tương quan giữa các biến độc lập được thực hiện (hiện tượng đa cộng tuyến). Nếu các
giả định không bị vi phạm, mô hình hồi quy tuyến tính được xây dựng. Từ đó đánh giá và kiểm định được mức độ phù hợp của mô hình cũng như biết được mức độ ảnh hưởng của từng biến độc lập đến biến phụ thuộc, tức là chúng ta xác định tầm quan trọng của các biến trong mô hình, và lựa chọn biến cho mô hình.
Hệ số xác định điều chỉnh R2 sẽ cho biết mô hình hồi quy được xây dựng phù hợp đến mức nào. Hàm hồi quy sẽ cho ta biết những nhân tố nào ảnh hưởng đến sự hài lòng của khách hàng cũng như mức độ ảnh hưởng của từng nhân tố đến sự hài lòng của khách hàng.
a. Kiểm định các vi phạm giả định trong mô hình hồi quy bội
- Giả định về tính độc lập của sai số (không có tương qua giữa các phần dư) Đại lượng thống kê Durbin - Watson (d) có thể dùng để kiểm định tương quan của các sai số kề nhau (tương quan chuỗi bậc nhất). Đại lượng d có giá trị biến thiên trong khoảng từ 0 đến 4. Nếu các phần dư không có tương quan chuỗi bậc nhất với nhau, giá trị d sẽ gần bằng 2. Giá trị d thấp và nhỏ hơn 2 có nghĩa là các phần dư gần nhau và có tương quan thuận. Giá trị d lớn hơn 2 (và gần 4) có nghĩa là phần dư có tương quan nghịch.
Chúng ta có thể tra bảng Durbin – Watson để tím giới hạn DL, DU với N là số quan sát của mẫu và K là số biến độc lập trong mô hình để kiểm định mức ý nghĩa. Với N = 390, K = 4 nên DL = 1.718, DU = 1.820, do đó d thuộc miền chấp nhận giả thuyết không có tự tương quan chuỗi bậc nhất (DU < d <
4 – DL, tức là 1.820 < d < 2.282). So sánh với kết quả cho ở bảng 4.24, cho thấy giá trị kiểm định d của Durbin – Watson bằng 2.005 thuộc miền chấp nhận giả thuyết không có tụ tương quan chuỗi bậc nhất với nhau, nghĩa là giả thuyết về tính độc lập của sai số của mô hình hồi quy được xây dựng không bị vi phạm.
Bảng 4.21: Kiểm định Durbin – Watson (d) Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin – Watson
1 .784a .615 .611 .792 2.005
a. Predictors: (Constant): AT,HH,MB,TB
b. Dependent Variable: Mức độ hài lòng của khách hàng đới với chất lượng dịch vụ tại siêu thị.
- Giả định không có mối tương quan giữa các biến độc lập (đo lường đa cộng tuyến): Đa cộng tuyến là trạng thái trong đó các biến độc lập có tương quan chặt chẽ với nhau. Vấn đề của hiện tượng đa cộng uyến 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. Hiệu ứng khác của sự tương quan khá chặt chẽ giữa các biến độc lập là nó sẽ làm tăng độ lệch chuẩn của 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 hơn so với khi không có đa cộng tuyến trong khi hệ số xác định R2 (R Square) vẫn khá cao. Chính vì vậy ngay khi kiểm định giả thuyết hệ số hồi quy tổng thể bẳng 0 không thể bị bác bỏ, chúng ta cũng chớ vội kết luận trước khi tiến hành tất cả các dò tìm vi phạm giả định.
Một trong những công cụ chẩn đoán giúp ta phát hiện tồn tại của hiện tượng đa cộng tuyến trong dữ liệu và đánh giá mức độ cộng tuyến làm thoái hóa các tham số được ước lượng là hệ số phóng đại phương sai (Variance inflaction factor - VIF). Quy tắc là khi VIF vượt quá 10, đó là dấu hiệu của đa cộng tuyến.
Từ kết quả ở bảng 4.22, cho thấy hệ số phóng đại phương sai VIF của các biến độc lập rất nhỏ so với 10, (cao nhất là 2.827 < 10) nghĩa là các biến độc lập
này không có quan hệ với nhau nên không có hiện tượng đa cộng tuyến xảy ra.
Do đó có thể kết luận là giả thuyết không có mối quan hệ tương quan 2 giữa các biến độc lập của mô hình hồi quy được xây dựng không bị vi phạm.
Bảng 4.22: Bảng hệ số phóng đại phương sai VIF Coefficientsa
Unstandardized Coefficients
Standardized
Coefficients Correlations Collinearity Statistics Model
B Std.
Error Beta
t Sig.
Zero-
order Partial Part Tolerance VIF (Constant) -.584 .241 -2.422 .016
HH .151 .043 .142 3.520 .000 .568 .177 .111 .612 1.633 PV .343 .063 .289 5.428 .000 .715 .267 .172 .354 2.827 MB .329 .062 .253 5.318 .000 .670 .262 .168 .444 2.254 1
AT .284 .051 .244 5.611 .000 .648 .275 .178 .528 1.894 a. Dependent Variable: Mức độ hài lòng của khách hàng đới với chất lượng dịch vụ tại siêu thị
Qua việc phân tích hồi quy bội tuyến tính cho thấy biết được các giả định như sau: Giả định về tính độc lập của sai số, giả định không có mối tương quan giữa các biến độc lập được thực hiện (hiện tượng đa cộng tuyến) không bị vi phạm, do đó mô hình hồi quy tuyến tính được xây dựng.
b. Đánh giá độ phù hợp của mô hình hồi quy bội tuyến tính
Hệ số xác định R2 đã được chứng minh là hàm không giảm theo số biến độc lập được đưa vào mô hình. Tuy nhiên, mô hình thường không phù hợp với dữ liệu thực tế như giá trị R2 thể hiện. R2 điều chỉnh từ R2 được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình hồi quy tuyến tính đa biến vì nó không phụ thuộc vào độ lệch phóng đại của R2. Khi so sánh 2 giá trị R2 và R2 điều chỉnh chúng ta sẽ thấy R2 điều chỉnh nhỏ hơn nên dùng R2 điều chỉnh để đánh giá độ phù hợp của mô hình sẽ an toàn hơn vì nó không thổi phồng mức độ phù hợp của mô hình.
Qua bảng 4.21 cũng cho thấy hệ số R2 điều chỉnh nhỏ hơn R2 (0.611 <
0.615) nên chúng ta dùng R2 điều chỉnh để đánh giá độ phù hợp của mô hình.
Hệ số R2 điều chỉnh bằng 0.611, có nghĩa là mô hình hồi quy tuyến tính bội được xây dựng phù hợp với tập dữ liệu là 61.1% và biến phụ thuộc sự hài lòng của khách hàng được giải thích 61.1% bởi 4 biến độc lập trong mô hình.
c. Kiểm định độ phù hợp của mô hình hồi quy bội tuyến tính
Kiểm định F sử dụng trong bảng phân tích phương sai vẫn là một phép kiểm định giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể.
Trị thống kê F được tính từ giá trị hệ số R2 điều chỉnh mô hình đầy đủ khác 0, giá trị Sig. rất nhỏ cho thấy mô hình hồi quy tuyến tính bội phù hợp với tập dữ liệu và có thể sử dụng được (bảng 4.23)
Bảng 4.23: Kiểm tra độ phù hợp của mô hình ANOVAb
Model Sum of Squares df Mean Square F Sig.
Regression 385.399 4 96.350 153.552 .000a
Residual 241.578 385 .627
1
Total 626.977 389
a. Predictors: (Constant), AT, HH, MB, PV
b. Dependent Variable: Mức độ hài lòng của khách hàng đới với chất lượng dịch vụ tại siêu thị.