CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
4.6. Phân tích hồi quy
Phân tích hồi quy là một phương pháp trong thống kê được sử dụng để nghiên cứu mối quan hệ giữa một biến phụ thuộc (biến phản ứng) và một hoặc nhiều biến độc lập (biến dự báo). Mục tiêu chính của phân tích hồi quy là xác định mức độ và hướng của mối quan hệ giữa các biến, cũng như dự đoán giá trị của biến phụ thuộc dựa trên giá trị của các biến độc lập.
Phương pháp này giúp chúng ta hiểu rõ hơn về cách các biến độc lập ảnh hưởng đến biến phụ thuộc, và từ đó, có thể sử dụng thông tin này để dự đoán hoặc giải thích giá trị của biến phụ thuộc trong các tình huống mới.
Bảng 4.19. Bảng thể hiện sự đánh giá phù hợp của mô hình hồi quy đa biến Model Summaryb
Model R R Square Adjusted R Square
Std. Error of the Estimate
Durbin- Watson
1 .786a .618 .614 .74279 .867
a. Predictors: (Constant), x5, x4, x2, x3, x1 b. Dependent Variable: y
(Nguồn: Kết quả thu được từ phân tích dữ liệu) 104
Một thước đo sự phù hợp của mô hình hồi quy tuyến tính thường dùng là hệ số xác định R2 (R square). R2 hoặc hệ số hiệu chỉnh R2 biểu thị sự biến đổi trong khoảng từ 0 đến 1. Khi R2 tiến gần đến 1, sự giải thích của các biến độc lập đối với biến phụ thuộc trở nên lớn. Ngược lại, nếu R2 tiến gần đến 0, mức độ giải thích của các biến độc lập đối với biến phụ thuộc giảm đi.
Qua số liệu từ bảng 4.2 thể hiện sự đánh giá phù hợp của mô hình hồi quy đa biến cho ta thấy R Square = 0.618 có ý nghĩa rằng 5 biến độc lập đưa vào phân tích hồi quy ảnh hưởng 61.8% sự biến thiên của biến phụ thuộc, còn lại 38.2% là do các biến ngoài mô hình và sai số ngẫu nhiên.
Tuy nhiên, nhóm đã áp dụng phương trình hồi quy chuẩn hóa, tập trung chủ yếu vào việc phân tích và sử dụng dữ liệu R bình phương hiệu chỉnh. Giá trị hệ số R bình phương hiệu chỉnh, hay còn gọi là Adjusted R Square, được tính dựa trên R bình phương thông thường. Việc sử dụng giá trị này được ưu tiên hơn vì nó phản ánh mức độ phù hợp của mô hình hồi quy tuyến tính đa biến một cách chính xác hơn so với R Square. Số liệu từ bảng trên thể hiện rằng hệ số R bình phương hiệu chỉnh (Adjusted R Square) là 0.614, đạt tiêu chí đề ra cho mô hình (Adjusted R Square > 0.3) tức là 5 biến độc lập giải thích được 61.4% sự biến thiên của biến phụ thuộc. Còn lại 38.6% được giải thích bởi các biến ngoài mô hình và sai số ngẫu nhiên.
b. Durbin – Waston
Trị số Durbin - Waston (DW) là một thước đo thống kê được sử dụng để kiểm tra sự tự tương quan của các thành phần liên tiếp trong dữ liệu chuỗi thời gian. Nó thường được áp dụng trong phân tích hồi quy để kiểm tra xem có sự tự tương quan của các sai số hay không.
Giá trị của trị số Durbin-Watson nằm trong khoảng từ 0 đến 4. Giá trị xấp xỉ bằng 2 cho thấy không có tự tương quan, giá trị nhỏ hơn 2 thường cho thấy có xu hướng tự tương quan dương (positive autocorrelation), trong khi giá trị lớn hơn 2 thường cho thấy có xu hướng tự tương quan âm (negative autocorrelation). Điều này có ý nghĩa trong việc đánh giá tính chất của mô hình hồi quy và có thể gợi ý cần thay đổi mô hình để cải thiện hiệu suất.
Theo Field (2009), nếu DW < 1 hoặc > 3, chúng ta cần chú ý đặc biệt vì có khả năng cao xảy ra hiện tượng tự tương quan trong chuỗi bậc nhất. Bên cạnh đó, theo Yahua Qiao (2011), thường DW nằm trong khoảng xấp xỉ 1.5 – 2.5, và ở mức giá trị này, khả năng xảy ra hiện tượng tự tương quan thường không lớn. Đây cũng là mức giá trị tiêu chuẩn mà chúng ta phổ biến sử dụng hiện nay. Số liệu bảng 4.2 cho ta thấy hệ số Durbin – Waston = 0.867 < 1 nên mô hình có hiện tượng tự tương quan dương.
105
c. ANOVA
Bảng 4.20. Bảng kiểm định giả thuyết về độ phù hợp với tổng thể của mô hình
ANOVAa
Model Sum of
Squares
df Mean Square F Sig.
1
Regression 426.027 5 85.205 154.433 .000b
Residual 263.176 477 .552
Total 689.203 482
a. Dependent Variable: y
b. Predictors: (Constant), x5, x4, x2, x3, x1
(Nguồn: Kết quả thu được từ phân tích dữ liệu) Nếu giá trị p (Sig) của phân tích ANOVA lớn hơn 0.05, đồng nghĩa với việc mô hình không phù hợp. Ngược lại, nếu giá trị p < 0.05, mô hình hồi quy được coi là phù hợp.
Dữ liệu từ bảng 4.3 cho thấy giá trị p (Sig) là 0.000, nhỏ hơn 0.05, chứng tỏ mô hình hồi quy là phù hợp và có thể sử dụng dữ liệu này.
4.6.2. Phân tích mô hình hồi quy Coefficients
Bảng 4.21. Bảng phân tích mô hình hồi quy Coefficients Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig. Collinearity
Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) -.326 .142 -2.293 .022
x1 .237 .046 .203 5.183 .000 .523 1.912
x2 .235 .037 .211 6.437 .000 .744 1.344
x3 .305 .040 .270 7.696 .000 .652 1.534
x4 .261 .032 .248 8.228 .000 .884 1.132
x5 .217 .040 .189 5.390 .000 .652 1.533
a. Dependent Variable: y
(Nguồn: Kết quả thu được từ phân tích dữ liệu) Chúng ta sẽ xác định ý nghĩa của hệ số hồi quy của từng biến độc lập trong mô hình bằng cách thực hiện kiểm định t (Student), với giả thuyết H0: Hệ số hồi quy của biến độc lập Xi bằng 0. Mô hình hồi quy có bao nhiêu biến độc lập, chúng ta sẽ đi kiểm tra bấy nhiêu giả thuyết H0. Dựa vào kết quả kiểm định:
Nếu Sig < 0.05: Bác bỏ giả thuyết H0, nghĩa là hệ số hồi quy của biến X khác 0i
một cách có ý nghĩa thống kê, biến X có tác động lên biến phụ thuộc. i
106
Nếu Sig > 0.05: Chấp nhận giả thuyết H0, nghĩa là hệ số hồi quy của biến Xi bằng 0 một cách có ý nghĩa thống kê, biến X không tác động lên biến phụi
thuộc.
Trong quá trình hồi quy, thường ta sử dụng hai hệ số quan trọng: hệ số chưa chuẩn hóa (được gọi là B trong SPSS) và hệ số đã chuẩn hóa (được gọi là Beta trong SPSS). Mỗi hệ số này đóng vai trò khác nhau trong việc giải thích ý nghĩa quản lý của mô hình hồi quy. Nếu hệ số hồi quy (B hoặc Beta) mang giá trị âm, điều này cho biết rằng biến độc lập đó đang có tác động nghịch chiều lên biến phụ thuộc. Ngược lại, nếu B hoặc Beta không có dấu (dấu dương), ngụ ý là biến độc lập đang tác động thuận chiều lên biến phụ thuộc.
Khi muốn đánh giá mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc, chúng ta thường dựa vào giá trị tuyệt đối của hệ số Beta. Giá trị tuyệt đối Beta càng lớn, biến độc lập đó có tác động càng mạnh lên biến phụ thuộc.
Dựa vào kết quả phân tích ở bảng 4.4, ta có thể thấy rằng tất cả các biến độc lập đều có sig kiểm định t bằng 0.000, nhỏ hơn 0.05. Do đó các biến này đều có ý nghĩa thống kê, đều tác động lên biến phụ thuộc Y.
Bên cạnh đó, hệ số hồi quy chuẩn Beta của tất cả 5 biến độc lập đều mang dấu dương, chứng tỏ các biến độc lập có tác động thuận chiều lên biến phụ thuộc. Cụ thể, nhóm nhân tố về CHÍNH SÁCH (X3) tác động mạnh mẽ nhất đến biến phụ thuộc, sau đó lần lượt là các nhóm nhân tố về GIÁ CẢ (X4) NHU CẦU (X2) THIẾT KẾ (X1), , và cuối cùng là KÊNH TIẾP THỊ (X5). Từ đó cho ta thấy các nhân tố về CHÍNH SÁCH đang được phần lớn người chơi của mẫu nghiên cứu này chú trọng và có sức ảnh hưởng mạnh mẽ nhất đến sự hài lòng của người chơi các tựa game của Riot Games tại thành phố Hồ Chí Minh.
Ngoài ra, hệ số phóng đại phương sai (VIF) là một chỉ số đánh giá sự hiện diện của hiện tượng cộng tuyến trong mô hình hồi quy. Giá trị VIF càng nhỏ, đồng nghĩa với việc có ít khả năng xảy ra đa cộng tuyến. Theo nghiên cứu của Hair và cộng sự (2009), ngưỡng VIF từ 10 trở lên được xem là biểu hiện của đa cộng tuyến mạnh. Do đó, nghiên cứu viên cần nỗ lực để giữ giá trị VIF ở mức thấp nhất có thể, vì thậm chí ở mức VIF bằng 5 hoặc 3 cũng có thể gây ra đa cộng tuyến nghiêm trọng. Theo Nguyễn Đình Thọ (2010), trong thực tế, nếu giá trị VIF vượt quá 2, chúng ta cần phải cẩn thận vì có thể xuất hiện sự đa cộng tuyến, ảnh hưởng đến độ chệch của các ước lượng trong mô hình hồi quy.
Dữ liệu từ bảng Coefficients cho ta thấy giá trị VIF của tất cả các biến phụ thuộc đều nhỏ hơn 2 (giao động từ 1.132 đến 1.912), tức là không có biến nào xảy ra
107
hiện tượng đa cộng tuyến. Vì vậy dữ liệu của nhóm không vi phạm giả định đa cộng tuyến.
4.6.3. Phương trình hồi quy
Từ các hệ số hồi quy ở bảng 4.5, chúng ta có thể xây dựng được phương trình hồi quy chuẩn hóa từ hệ số Beta của từng nhân tố như sau:
Y = 0.189*X5 + 0.203*X1 + 0.211*X2 + 0.248*X4 +0.270*X3 + ε Trong đó:
X1: Nhóm nhân tố về Thiết Kế X2: Nhóm nhân tố về Nhu cầu X3: Nhóm nhân tố về Chính Sách X4: Nhóm nhân tố về Giá Cả X5: Nhóm nhân tố về Kênh Tiếp Thị
Dựa vào kết quả của phương trình hồi quy, ta có thể thấy biến phụ thuộc Y là sự hài lòng của người chơi tại thành phố Hồ Chí Minh đối với các tựa game của Riot Games đều bị tác động bởi 5 nhóm nhân tố mà nhóm đã đề xuất trong phần mô hình nghiên cứu bao gồm Thiết Kế, Nhu cầu, Chính Sách, Giá Cả và Kênh Tiếp Thị. Riêng nhân tố về Chính Sách có tác động mạnh mẽ nhất đến sự hài lòng của 483 người chơi các tựa game của Riot Games tại thành phố Hồ Chí Minh. Cụ thể:
Nhóm nhân tố về Chính Sách: Đây là nhóm có ảnh hưởng mạnh mẽ nhất tới sự hài lòng của người chơi vì có hệ số hồi quy cao nhất là 0.270. Ngoài ra, hệ số hồi quy dương cũng thể hiện rằng nhân tố này ảnh hưởng thuận chiều đối với biến Y là sự hài lòng của người chơi các tựa game của Riot Games tại thành phố Hồ Chí Minh. Có nghĩa là khi các tựa game của Riot Games tăng yếu tố Chính Sách lên thêm 1 đơn vị độ lệch chuẩn (standard deviation) thì sự hài lòng khi chơi các tựa game của Riot Games cũng tăng lên tương đương 0.270 đơn vị độ lệch chuẩn.
Nhóm nhân tố về Giá Cả: Với hệ số hồi quy cao thứ 2 là 0.248 và cũng mang giá trị dương, nhóm nhân tố này cũng tác động rất mạnh mẽ và thuận chiều tới biến phụ thuộc Y, tức là nếu các tựa game của Riot Games tăng yếu tố về Giá Cả lên thêm 1 đơn vị độ lệch chuẩn (standard deviation) thì sự hài lòng khi chơi các tựa game của Riot Games cũng tăng lên tương đương 0.248 đơn vị độ lệch chuẩn.
108
Nhóm nhân tố về Nhu Cầu: Là nhóm nhân tố có mức độ ảnh hưởng thứ 3 trong 5 nhân tố, nhóm nhân tố này cũng tác động rất nhiều đến sự hài lòng của người chơi các tựa game của Riot Games. Với hệ số hồi quy là 0.211 và có giá trị dương, khi các tựa game của Riot Games tăng yếu tố về Nhu Cầu lên thêm 1 đơn vị độ lệch chuẩn (standard deviation), sự hài lòng khi chơi các tựa game của Riot Games cũng tăng lên tương đương với 0.211 đơn vị độ lệch chuẩn.
Nhóm nhân tố về Thiết Kế: Là nhóm nhân tố có mức độ ảnh hưởng xếp thứ 4 với hệ số hồi quy là 0.203 và mang giá trị dương, nhóm nhân tố này cũng có sức ảnh hưởng lớn và thuận chiều đối với biến phụ thuộc Y. Cụ thể, khi tăng yếu tố về Thiết Kế của các tựa game của Riot Games lên thêm 1 đơn vị độ lệch chuẩn (standard deviation) thì sự hài lòng khi chơi các tựa game của Riot Games cũng tăng lên tương đương với 0.203 đơn vị độ lệch chuẩn.
Nhóm nhân tố về Kênh Tiếp Thị: Đây là nhóm có mức độ ảnh hưởng tới biến phụ thuộc Y là sự hài lòng của người chơi thấp nhất trong cả 5 nhân tố với hệ số hồi quy là 0.189 và mang giá trị dương, nhóm nhân tố này vẫn cho thấy các yếu tố vẫn tác động tích cực và thuận chiều với sự hài lòng của người chơi. Khi các tựa game của Riot Games tăng yếu tố về Kênh Tiếp Thị lên thêm 1 đơn vị độ lệch chuẩn (standard deviation) thì sự hài lòng khi chơi các tựa game của Riot Games cũng tăng lên tương đương 0.189 đơn vị độ lệch chuẩn.
Ngoài ra, bảng phân tích mô hình hồi quy Coefficients còn cho ta các giá trị ở cột Unstandardized Coefficients của từng nhân tố từ đó hình thành phương trình hồi quy chưa chuẩn hoá như sau:
Y = -0.326 + 0.237*X1 + 0.235*X2 + 0.305*X3 + 0.261*X4 + 0.217*X5 + ε Trong đó:
X1: Nhóm nhân tố về Thiết Kế X2: Nhóm nhân tố về Nhu Cầu X3: Nhóm nhân tố về Chính Sách X4: Nhóm nhân tố về Giá Cả X5: Nhóm nhân tố về Kênh Tiếp Thị
Dựa vào kết quả của phương trình hồi quy chưa chuẩn hóa cho thấy biến phụ thuộc Y là sự hài lòng của người chơi các tựa game của Riot Games tại thành phố Hồ Chí Minh đều bị tác động bởi 5 nhóm nhân tố mà nhóm đã đề xuất trong phần phân tích mô hình nghiên cứu bao gồm các nhân tố như Thiết Kế, Nhu cầu, Chính Sách, Giá Cả và Kênh
109
Tiếp Thị. Trong đó, nhóm nhân tố về Thiết Kế = 0.237; nhóm nhân tố về Nhu Cầu = 0.235; nhóm nhân tố về Chính Sách = 0.305; nhóm nhân tố về Giá Cả = 0.261 và nhóm nhân tố về Kênh Tiếp Thị = 0.217. Các nhóm nhân tố đều thể hiện quan hệ thuận chiều. Cụ thể:
Đối với biến Thiết Kế, nếu các tựa game của Riot Games tăng biến Thiết Kế lên 1 đơn vị thì sự hài lòng khi chơi các tựa game của Riot Games sẽ tăng lên 0.237 đơn vị.
Đối với biến Nhu Cầu, nếu các tựa game của Riot Games tăng biến Nhu Cầu lên 1 đơn vị thì sự hài lòng khi chơi các tựa game của Riot Games sẽ tăng lên 0.235 đơn vị.
Đối với biến Chính Sách, nếu các tựa game của Riot Games tăng biến Chính Sách lên 1 đơn vị thì sự hài lòng khi chơi các tựa game của Riot Games sẽ tăng lên 0.305 đơn vị.
Đối với biến Giá Cả, nếu các tựa game của Riot Games tăng biến Giá Cả lên 1 đơn vị thì sự hài lòng khi chơi các tựa game của Riot Games sẽ tăng lên 0.261 đơn vị.
Đối với biến Kênh Tiếp Thị, nếu các tựa game của Riot Games tăng biến Kênh Tiếp Thị lên 1 đơn vị thì sự hài lòng khi chơi các tựa game của Riot Games sẽ tăng lên 0.217 đơn vị.
4.6.4. Kiểm tra các giả định hồi quy
Giả sử đầu tiên là phần dư trong quá trình hồi quy cần gần như tuân theo phân phối chuẩn. Tuy nhiên, việc phần dư không luôn tuân theo phân phối chuẩn có thể xuất phát từ nhiều nguyên nhân, như việc sử dụng mô hình không chính xác, phương sai không ổn định, hoặc số lượng phần dư không đủ lớn để thực hiện phân tích đáng tin cậy. Do đó, để đảm bảo tính chính xác của đánh giá, chúng ta cần thực hiện nhiều phương pháp khác nhau. Trong số đó, hai phương pháp phổ biến nhất là sử dụng biểu đồ Histogram và Normal P-P Plot để đánh giá phân phối của phần dư.
a. Biểu đồ Histogram
Trong trường hợp biểu đồ Histogram, nếu giá trị trung bình (Mean) gần 0 và độ lệch chuẩn (Std. Dev) gần 1, cùng với sự phân bố của các cột giá trị phần dư hình chuông, chúng ta có thể kết luận rằng phân phối này có đặc điểm xấp xỉ với phân phối chuẩn. Điều này cũng thể hiện rằng giả định rằng phân phối chuẩn của phần dư không bị vi phạm.
110
Biểu đồ 4.12. Biểu đồ Histogram
Sau khi đã xem xét và loại bỏ giả định đa cộng tuyến như đã mô tả ở phần phân tích trước đó, phần này sẽ đi sâu hơn vào giả định về phân phối chuẩn của phần dư và giả định về mối quan hệ tuyến tính. Để đảm bảo tính đáng tin cậy của mô hình, việc kiểm tra và phát hiện các vi phạm trong các giả định này là không thể thiếu.
Dựa vào biểu đồ Histogram ở trên, ta có thể thấy đường cong phân phối phối có dạng hình chuông, với các giá trị tập trung nhất nằm trong khoảng từ -3 đến 4 và các giá trị lớn nhất nằm ở gần 0. Ngoài ra, biểu đồ còn thể hiện giá trị trung bình Mean = - 2.14E-14 xấp xỉ bằng 0. Bên cạnh đó, độ lệch chuẩn Std.Dev = 0.995 ≈ 1.
Từ kết quả phân tích trên, ta có thể khẳng định rằng phân phối phần dư xấp xỉ chuẩn, giả định phân phối chuẩn của phần dư không bị vi phạm.
b. Biểu đồ Normal P-P Plot of Regression Standardized Residual
111
Biểu đồ 4.13. Biểu đồ Normal P-P Plot of Regression Standardized Residual giả định phân phối chuẩn của phần dư
Trong biểu đồ Normal P-P Plot, nếu các điểm phân vị của phần dư tập trung thành một đường chéo, điều này chỉ ra rằng phần dư có phân phối chuẩn. Điều này có nghĩa là giả định về phân phối chuẩn của phần dư không bị vi phạm. Sử dụng Biểu đồ P-P Plot để kiểm định, chúng ta có thể quan sát giá trị của các điểm phân vị của phân phối của các biến quan sát theo các phân vị của phân phối chuẩn.
Qua biểu đồ Normal P-P Plot of Regression Standardized Residual ở trên, ta có thể thấy các hệ số quan sát đều nằm trên đường chéo hoặc xấp xỉ đường chéo chứng tỏ phần dư có phân phối chuẩn. Bên cạnh đó, quan sát mức độ các điểm thực tế, ta thấy chúng tập trung sát đường thẳng kỳ vọng, cho thấy tập dữ liệu nghiên cứu là tốt, phần dư có phân phối sát phân phối chuẩn.
Từ kết quả phân tích trên cho ta thấy các điểm dữ liệu phần dư tập trung khá sát với đường chéo, như vậy, phần dư có phân phối xấp xỉ chuẩn, giả định phân phối chuẩn của phần dư không bị vi phạm.