Chương 3 PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU VÀ GỢI Ý CHÍNH SÁCH
3.2 Phân tích mô hình hồi quy
Phân tích mô hình hồi quy là một kỹ thuật thống kê được dùng để phân tích mối quan hệ giữa một biến phụ thuộc và nhiều biến độc lập nhằm mục tiêu sử dụng các biến độc lập có giá trị biết trước để dự báo một giá trị biến phụ thuộc nào đó được chọn để nghiên cứu. Khi chạy hồi quy cần quan tâm đến những thống số sau:
(Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008):
- Hệ số R2: đánh giá phần biến động của biến phụ thuộc được giải thích bởi các biến độc lập. Hệ số này có thể giao động từ 0 đến 1;
- Hệ số Beta: hệ số hồi quy chuẩn hóa cho phép so sánh trực tiếp giữa các hệ số dựa trên mối quan hệ giải thích chúng với biến phụ thuộc;
- Kiểm định ANOVA để kiểm tra tính phù hợp của mô hình với tập dữ liệu gốc. Nếu mức ý nghĩa của kiểm định nhỏ hơn 0,05 thì ta có thể kết luận mô hình hồi quy phù hợp với tập dữ liệu.
3.2.1 Xây dựng ma trận tương quan giữa biến độc lập và biến hồi quy
Phân tích tương quan sử dụng hệ số Pearson để kiểm tra các mối quan hệ tuyến tính giữa các biến định lượng (khoảng/tỷ lệ) nhằm xem xét mối quan hệ giữa chúng và phát hiện hiện tượng đa cộng tuyến. Khi thấy các biến số có sự tương quan chặt chẽ với nhau thì cần quan tâm đến vấn đề đa cộng tuyến khi phân tích hồi quy.
Bảng 3.9: Ma trận hệ số giữa các nhân tố được nghiên cứu Correlations
BX1 BX2 BX3 BX4 BX5 BX6 NBH
BX1 Pearson Correlation
1 .235** .294** .193** .050 .191** .287**
Sig. (2-tailed) .000 .000 .002 .425 .002 .000
N 253 253 253 253 253 253
BX2 Pearson Correlation
. 1 .380** .233** .291** .083 .712**
Sig. (2-tailed) .000 .000 .000 .186 .000
N 253 253 253 253 253
BX3 Pearson Correlation
1 .475** .438** .369** .661**
Sig. (2-tailed) .000 .000 .000 .000
N 253 253 253 253
BX4 Pearson Correlation
1 .219** .466** .510**
Sig. (2-tailed) .000 .000 .000
N 253 253 253
BX5 Pearson Correlation
1 .398** .569**
Sig. (2-tailed) .000 .000
N 253 253
BX6 Pearson Correlation
1 .494**
Sig. (2-tailed) .000
N 253
NBH Pearson Correlation
.287** .712** .661** .510** .569** .494** 1 Sig. (2-tailed) .000 .000 .000 .000 .000 .000
N 253 253 253 253 253 253 253
**. Correlation is significant at the 0.01 level (2-tailed).
(Nguồn: Tác giả tự xử lý và tổng hợp bằng phần mềm SPSS 16.0)
Từ kết quả phân tích hệ số tương quan ở bảng trên, ta thấy:
- Độ tương quan Pearson giữa biến phụ thuộc (NBH) và biến độc lập (BX1, BX2, BX3, BX4, BX5, BX6) nằm ở mức cao (r nằm trong khoảng từ 0,287 đến 0,712) với giá trị sig đều bằng 0.
- Hệ số tương quan Pearson giữa các biến độc lập BX1; BX2; BX3; BX4;
BX5; BX6 với nhau lớn hơn không, tuy nhiên ở mức nhỏ nên sơ bộ không thấy hiện tượng đa cộng tuyến giữa các biến này.
Như vậy, sau khi phân tích ma trận hệ số tương quan, tác giả sẽ sử dụng biến độc lập BX1; BX2; BX3; BX4; BX5; BX6 đưa vào mô hình nghiên cứu để giải thích cho biến phụ thuộc NBH trong mô hình hồi quy.
3.2.2 Xác nhận mô hình hồi quy
Qua kết quả phân tích tương quan, mô hình các nhân tố ảnh hưởng đến nợ đọng, trốn đóng BHXH tại Tp.Hồ Chí Minh được chọn là mô hình hồi quy tuyến tính. Phương trình hồi quy được thể hiện như sau:
NBH = β0 + β1BX1 + β2BX2 + β3BX3 + β4BX4 + β5BX5 + β6BX6 Trong đó:
- NBH: Nợ đọng BHXH.
- BX1: Nội dung chế độ chính sách.
- BX2: Cơ chế xử lý vi phạm nợ đọng, trốn đóng BHXH.
- BX3: Sử dụng tiền đóng BHXH vào mục đích khác.
- BX4: Tình hình của đơn vị.
- BX5: Nhận thức về chính sách BHXH.
- BX6: Chất lượng dịch vụ của cơ quan BHXH.
Sau khi xây dựng ma trận hệ số tương quan giữa các biến độc lập với biến phụ thuộc, tác giả tiến hành phân tích hồi quy để xác định cụ thể trọng số của từng yếu tố ảnh hưởng đến nợ đọng, trốn đóng BHXH tại Tp.Hồ Chí Minh.
Phân tích hồi quy tuyến tính được dùng để kiểm định mô hình và các giả thuyết, thủ tục chọn biến là các biến được đưa vào cùng lúc (Phương pháp Enter).
Kết quả hồi quy như sau:
Bảng 3.10: Đánh giá sự phù hợp của mô hình Model Summaryb
Mô
hình R
R bình phương
R bình phương đã điều chỉnh
Sai số ước tính của độ lệch chuẩn
Change Statistics
Durbin - Watson R
Square Change
F Change
df
1 df2
Sig. F Change
1 .902a .813 .808 .24003 .813 178.089 6 246 .000 1.646
a. Predictors: (Constant), BX6, BX2, BX1, BX5, BX4, BX3 b. Dependent Variable: NBH
(Nguồn: Tác giả tự xử lý và tổng hợp bằng phần mềm SPSS 16.0)
Bảng 3.11: Kiểm định sự phù hợp của mô hình (ANOVAb) ANOVAb
Mô hình
Sum of
Squares Df
Mean
Square F Sig.
1 Regression 43.758 6 7.293 123.575 .000a
Residual 10.505 178 .059
Total 54.263 184
(Nguồn: Tác giả tự xử lý và tổng hợp bằng phần mềm SPSS 16.0)
Bảng 3.12: Kết quả hồi quy bội với các hệ số hồi quy riêng phần trong mô hình Coefficientsa
Model
Hệ số chưa chuẩn hóa
Hệ số đã chuẩn
hóa
T Sig.
Thống kê đa cộng tuyến B
Std.
Error Beta Tolerance VIF
1 (Constant) .352 .106 3.324 .001
BX1 .016 .021 .022 .747 .456 .866 1.155
BX2 .301 .018 .513 16.538 .000 .791 1.264
BX3 .182 .029 .227 6.319 .000 .587 1.702
BX4 .096 .025 .131 3.855 .000 .662 1.511
BX5 .138 .023 .202 6.091 .000 .694 1.441
BX6 .156 .024 .222 6.536 .000 .661 1.513
a. Dependent Variable: NBH
(Nguồn: Tác giả tự xử lý và tổng hợp bằng phần mềm SPSS 16.0)
Giá trị R2 đã điều chỉnh bằng 0,808 cho biết 80,8% nợ đọng, trốn đóng BHXH được giải thích bởi các biến cơ chế xử lý nợ đọng, trốn đóng; mục đích sử dụng tiền
đóng BHXH; tình hình của đơn vị; nhận thức về chính sách BHXH; chất lượng dịch vụ của cơ quan BHXH.
Các nhân tố trong mô hình đều thích hợp với mức ý nghĩa sig rất nhỏ, không vi phạm hiện tượng đa cộng tuyến nghĩa là các nhân tố không có mối tương quan với nhau. Kiểm định đa cộng tuyến cho thấy giá trị VIF của tất cả các biến độc lập đều nhỏ hơn 2 nên kết luận các biến này không gây nên hiện tượng đa cộng tuyến.
Phương trình hồi quy bội như sau:
NBH = 0,352 + 0,022BX1 + 0,513BX2 + 0,227BX3 + 0,131BX4 + 0,202BX5 + 0,222BX6
Phương trình trên cho thấy nhân tố BX2 (Cơ chế xử lý nợ đọng, trốn đóng BHXH) ảnh hưởng nhiều nhất; mức độ ảnh hưởng thứ hai là nhân tố BX3 (Sử dụng tiền đóng BHXH); mức độ ảnh hưởng thứ ba là nhân tố BX6 (Chất lượng dịch vụ của cơ quan BHXH); mức độ ảnh hưởng thứu tư là BX5 (Nhận thức về chính sách BHXH); mức độ ảnh hưởng thứ năm là BX4 (tình hình kinh doanh của đơn vị); ảnh hưởng ít nhất là nhân tố BX1 (Nội dung chính sách).
Thứ tự mức độ ảnh hưởng như trên sẽ là căn cứ để khuyến nghị chính sách.