6. Kết cấu của luận văn
3.3.1. Phân tích hệ số tƣơng quan Pearson
Ngƣời ta sử dụng hệ số tƣơng quan Pearson để ƣợng hóa mức độ chặt chẽ của mối liên hệ tuyến tính giữa hai biến định ƣợng. Nếu giữa 2 biến có sự tƣơng quan chặt chẽ thì phải ƣu vấn đề đa cộng tuyến khi phân tích hồi quy.
X2 X3 X4 X5 X6 X1 Thích thú thƣơng hiệu
Xu hƣớng tiêu d ng thƣơng hiệu
Chất ƣợng cảm nhận thƣơng hiệu
Ấn tƣợng thƣơng hiệu
Trung thành thƣơng hiệu
Giá trị thƣơng hiệu
Đa cộng tuyến là trạng thái các biến độc lập có tƣơng quan chặt chẽ với nhau. Vấn đề của hiện tƣợng cộng tuyến là chúng cung cấp cho mô hình những thông tin rất giống nhau, và rất khó tách rời ảnh hƣởng của từng biến một đến biến phụ thuộc. Đa cộng tuyến àm tăng độ lệch chuẩn của các hệ số hồi quy và làm giảm trị thống kê “t” của kiểm định nghĩa nên các hệ số có khuynh hƣớng kém nghĩa.
Cần xem xét hiện tƣợng đa cộng tuyến khi phân tích hồi quy nếu hệ số tƣơng quan pearson > 0.3.
Thực hiện tạo các biến mới đại diện cho từng nhóm biến (giá trị trung bình) với: • X1 đại diện cho AW1, AW2, AW3, AW4, AW5, AW6
• X2 đại diện cho PF1, PF2, PF3, PF4, PF5 • X3 đại diện cho BI1, BI2, BI3
• X4 đại diện cho PQ1, PQ2, PQ3 • X5 đại diện cho EX1, EX2, EX3 • X6 đại diện cho LY1, LY2, LY3
• Y đại diện cho BE1, BE2, BE3, BE4, BE5, BE6
Gọi phƣơng trình hồi quy chƣa chuẩn hóa của mô hình có dạng nhƣ sau:
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5X5 + β6X6
Trong đó:
- Y (Giá trị thƣơng hiệu) đƣợc xem là biến phụ thuộc.
- Các biến độc lập là: X 1 ( Nhận biết thƣơng hiệu), X2 (Thích thú thƣơng hiệu), X3 (Xu hƣớng tiêu d ng thƣơng hiệu), X4 (Chất ƣợng cảm nhận thƣơng hiệu), X5 (Ấn tƣợng thƣơng hiệu) và X6 (Trung thành thƣơng hiệu).
Bảng 3.16. Ma trận hệ số tƣơng quan giữa các biến Correlations X1 X2 X3 X4 X5 X6 Y X1 Pearson Correlation 1 Sig. (2-tailed) N 500 X2 Pearson Correlation 0,392** 1 Sig. (2-tailed) 0,000 N 500 500
X3 Pearson Correlation 0,356** 0,261** 1 Sig. (2-tailed) 0,000 0,000 N 500 500 500 X4 Pearson Correlation 0,261** 0,402** 0,181** 1 Sig. (2-tailed) 0,000 0,000 0,000 N 500 500 500 500 X5 Pearson Correlation 0,217** 0,371** 0,268** 0,227** 1 Sig. (2-tailed) 0,000 0,000 0,000 0,000 N 500 500 500 500 500 X6 Pearson Correlation 0,347** 0,421** 0,298** 0,277** 0,280** 1 Sig. (2-tailed) 0,000 0,000 0,000 0,000 0,000 N 500 500 500 500 500 500 Y Pearson Correlation 0,451** 0,385** 0,571** 0,318** 0,308** 0,504** 1 Sig. (2-tailed) 0,000 0,000 0,000 0,000 0,000 0,000 N 500 500 500 500 500 500 500
Các giá trị Sig đều nhỏ hơn 0,05 do vậy các cặp biến đều tƣơng quan và có nghĩa thống kê. Hệ số tƣơng quan giữa giá trị thƣơng hiệu (Y) và các biến độc lập còn lại lần lƣợt với X1 là 0,451; với X2 là 0,385; với X3 là 0,571; với X4 là 0,318; với X5 là 0,308 và với X6 là 0,504. Các hệ số tƣơng quan này không quá cao nhƣng các hệ số này đều đạt yêu cầu (> 0,3) và ta có thể kết luận các biến độc lập này có thể đƣa vào mô hình để giải thích giá trị thƣơng hiệu bột giặt.
Hệ số tƣơng quan giữa các biến độc lập với nhau cũng có một số cặp khá lớn (nhƣ cặp X6 và X2 là 0,421; cặp X2 và X4 là 0,402) nên khi phân tích hồi quy cần chú đến hiện đa cộng tuyến của các biến độc lập. Trong các biến độc lập biến có tác động mạnh nhất đến biến phụ thuộc Y là biến X3 (hệ số tƣơng quan à 0,571), biến có tác động yếu nhất đến biến phụ thuộc Y là biến X5 (hệ số tƣơng quan à 0,308). Hệ số tƣơng quan giữa giá trị thƣơng hiệu (Y) và các biến độc lập còn lại đều dƣơng cho thấy các biến tác động thuận chiều tới biến phụ thuộc Y.