a. Các thông số cơ bản có trong hàm hồi quy:
- Multiple R: hệ số tương quan bội, nói lên mối liên hệ chặt chẽ giữa biến phụ thuộc Y và các biến độc lập Xi. Hệ số tương quan bội R càng lớn thể hiện mối liên hệ càng chặt chẽ.
- Hệ số xác định R2 (R square): tỷ lệ (%) biến động của Y được giải thích bởi các biến độc lập Xi hoặc % các Xi ảnh hưởng đến Y, phần còn lại do các yếu tố khác mà chúng ta chưa nghiên cứu. R2 càng lớn càng tốt.
- Hệ số xác định R2 đã điều chỉnh (Adjusted – Square) dùng để xác định xem có nên thêm vào một biến độc lập nữa không. Khi thêm vào một biến mà R2 tăng lên thì chúng ta quyết định thêm biến đó vào phương trình hồi quy.
- Số thống kê F:
+ Thông thường dùng để kiểm định mức ý nghĩa của mô hình hồi quy. F càng lớn càng có ý nghĩa vì khi đó Sig F càng nhỏ.
+ Dùng để so sánh với F trong bảng phân phối F ở mức ý nghĩa α + F là cơ sở để bác bỏ hay chấp nhận giã thuyết H0.
H0: tất cả các tham số hồi quy đều bằng 0 (β1= β2 =….= βk = 0) Hay các Xi
không liên quan tuyến tính với Y.
H1: βi ≠ 0, tức là các Xi có liên quan tuyến tính với Y
+ F càng lớn thì khả năng bác bỏ H0 càng cao. Bác bỏ khi F >Ftra bảng
- Significace F (mức ý nghĩa F): Sig.F nói lên ý nghĩa của phương trình hồi quy, Sig.F càng nhỏ càng tốt, độ tin cậy càng cao. Thay vì tra bảng F, Sig.F cho ta kết quả ngay mô hình hồi quy có ý nghĩa khi Sig.F nhỏ hơn mức ý nghĩa α nào đó.
- Coeficents ( hệ số ): hệ số biến độc lập trong mô hình hồi quy t_Stat: Giá trị thống kê khác với kiểm nghiệm F cho mối quan hệ tuyến tính của tất cả các biến độc lập với biến phụ thuộc. Kiểm nghiệm t cho biết có hay không một mối quan hệ hồi quy giữa một biến độc lập cụ thể Xi với biến phụ thuộc Y; nếu t_stat = 0 thì Xi không ảnh hưởng đến Y.
b. Hệ thống kiểm định:
(1). Kiểm định tương quan từng phần của các hệ số hồi quy:
Mục tiêu kiểm định này là xem xét các biến độc lập tương quan có ý nghĩa với biến phụ thuộc hay không ( xét riêng từng biến độc lập). Khi mức ý nghĩa (significance, Sig.) của hệ số hồi quy từng phần có độ tin cậy ít nhất 95% (Sig. <0.05), kết luận tương quan có ý nghĩa thống kê giữa biến phụ thuộc và biến độc lập.
(2) Mức độ phù hợp mô hình:
Mục tiêu kiểm định này là nhằm xem xét mối quan hệ tuyến tính giữa các biến độc lập với biến phụ thuộc hay không. Mô hình được xem xét là không phù hợp khi tất cả các hệ số hồi quy đều bằng không, mô hình được xem xét là phù hợp ít nhất một hệ số hồi quy khác không.
Giả thuyết H0: các hệ số hồi quy đều bằng không H1: có ít nhất hệ số hồi quy khác không
Sử dụng phân tích phương sai ( Analysis of variane, ANOVA) để kiểm định. Nếu mức ý nghĩa đảm bảo có độ tin cậy ít nhất 95% ( Sig<0,05) ta chấp nhận giả thuyết H1 mô hình được xem là phù hợp.
(3). Hiện tượng đa cộng tuyến:
Hiện tượng đa cộng tuyến (Muliticollinearity) là hiện tượng các biến độc lập có quan hệ gần như tuyến tính. Việc bỏ qua hiện tượng đa cộng tuyến sẽ làm cho
các sai số chuẩn cao hơn, giá trị thống kê thấp hơn và có thể không có ý nghĩa. Sử dụng ma trận tương quan pearson. Nếu hệ số tương quan của các biến độc lập với nhau nhỏ hơn 0,5, có thể chấp nhận không có hiện tượng đa cộng tuyến. Ngoài ra còn sử dụng thước đo độ phóng đại phương sai (Variance inflation Factor, VIF) để kiểm định hiện tương tương quan giữa các biến độc lập. Điều kiện VIF nhỏ 10 để không có hiện tượng đa cộng tuyến.
(4). Hiện tượng phương sai phần dư không đổi (Heteroskedasticity) Phương sai phần dư thay đổi là hiện tượng các giá trị phần dư có phân phối không giống nhau, và giá trị phương sai không như nhau. Bỏ qua phương sai của phần dư thay đổi sẽ làm cho ước lượng OLS của hệ số hồi quy không hiệu quả. Sử dụng kiểm định spearman, nếu mức ý nghĩa (Sig) của các hệ số tương quan hạng spearman đảm bảo lớn hơn 0,05, kết luận phương sai phần dư không đổi.