6. Kết cấu của luận văn
3.3.3. Kiểm định mô hình bằngphân tích hồi quy
3.3.3.1. Kiểm định hệ số tương quan
Dữ liệu dùng trong phân tích hồi quy tương quan được người nghiên cứu lựa chọn là dữ liệu chuẩn hóa (được xuất ra từ phần mềm SPSS sau quá trình phân tích nhân tố khám phá). Để xác định mối quan hệ nhân quả giữa các biến trong mô hình, bước đầu tiên ta cần phân tích tương quan giữa các biến xem thử có mối liên hệ tuyến tính giữa biến độc lập và biến phụ thuộc hay không. Kết quả của phần phân tích này dù không xác định được mối quan hệ nhân quả giữa biến phụ thuộc và biến độc lập nhưng nó đóng vai trò làm cơ sở cho phân tích hồi qui. Các biến biến phụ thuộc và biến độc lập có tương quan cao với nhau báo hiệu sự tồn tại của mối quan hệ tiềm ẩn giữa hai biến. Đồng thời, việc phân tích tương quan còn làm cơ sở để dò tìm sự vi phạm giả định của phân tích hồi qui tuyến tính: các biến độc lập có tương quan cao với nhau hay hiện tượng đa cộng tuyến.
3.3.3.2. Phân tích hồi quy và kiểm định giả thuyết a. Phân tích hồi quy a. Phân tích hồi quy
Phân tích hồi quy tuyến tính sẽ giúp chúng ta biết được cường độ ảnh hưởng của các biến độc lập lên biến phụ thuộc. Để tiến hành phân tích hồi quy tuyến tính bội, các biến đưa vào mô hình theo phương pháp Enter. Tiêu chuẩn kiểm định là tiêu chuẩn được xây dựng vào phương pháp kiểm định giá trị thống kê F và xác định xác suất tương ứng của giá trị thống kê F, kiểm định mức độ phù hợp giữa mẫu và tổng thể thông qua hệ số xác định R2. Công cụ chẩn đoán giúp phát hiện sự tồn tại của cộng tuyến trong dữ liệu được đánh giá mức độ cộng tuyến làm thoái hóa tham số ước lượng là hệ số phóng đại phương sai (Variance inflation factor - VIF). Quy tắc khi VIF vượt quá 10, đó là dấu hiệu của đa cộng tuyến (Trọng & Ngọc, 2005, 218).
Mô hình lý thuyết cuối cùng có 07 khái niệm nghiên cứu, trong đó sự hài lòng là một khái niệm phụ thuộc, 06 khái niệm còn lại là những khái niệm độc lập và được giả thuyết là có quan hệ đồng biến với sự hài lòng của sinh viên. Được đưa vào phân tích hồi qui. Do vậy cần có sự điều chỉnh về giả thuyết và mô hình nghiên cứu sau phép phân tích nhân tố.
Dựa vào cơ sở lý thuyết và kết quả phân tích ở trên, ta sẽ đưa tất cả các biến độc lập trong mô hình hồi quy đã điều chỉnh bằng phương pháp đưa vào cùng một lúc Enter để chọn lọc dựa trên tiêu chí chọn những biến có mức ý nghĩa <0.05.
Phương pháp kiểm định được sử dụng là hàm hồi quy tuyến tính bội với phương pháp đưa vào một lượt (Enter).
Để đánh giá mứcđộ phù hợp của mô hình, hệ số xác định R2 và R2 hiệu chỉnh (Adjusted R square) được xem xét. Vì R2 sẽ tăng lên khi đưa thêm biến độc lập vào mô hình nên dùng R2 hiệu chỉnh sẽ an toàn hơn khi đánh giá độ phù hợp của mô hình. R2 hiệu chỉnh càng lớn thể hiện độ phù hợp của mô hình càng cao. Kết quả nhận được (Phụ lục 3.4) cho thấy mức ý nghĩa sig. rất nhỏ 0.00 và hệ số xác định R2 = .708 (và R2 hiệu chỉnh = .701) chứng minh mức độ phù hợp của mô hình tương đối cao (xem bảng 3.13). Điều này cho thấy rằng độ tương thích của mô hình là 70,1% hay nói cách khác là có khoảng 70,1% phương sai sự thỏa mãn của sinh viên đối với chất lượng dịch vụ ký túc xá.
- Hiện tượng đa cộng tuyến không ảnh hưởng đến kết quả giải thích với hệ số VIF3 – hệ số phóng đại phương sai của các biến độc lập trong mô hình đều < 3. Quy tắc là khi VIF vượt quá 10 thì đó là dấu hiệu của đa cộng tuyến.
Tuy nhiên, sự phù hợp này chỉ đúng với dữ liệu mẫu, bước tiếp theo là phải kiểm định độ phù hợp của mô hình.
Bảng 3.13: Hệ số xác định độ phù hợp của mô hình Model R R Square Adjusted R Square Std. Error of the Estimate 1 .841a .708 .701 .54716811
Hệ số Beta (chuẩn hóa) của các yếu tố tác động đến sự hài lòng của sinh viên được trình bày trong bảng 3.14 sau:
3
VIF: hệ số phóng đại phương sai ( Variance inflation factor) là nghich đảo của độ chấp nhận (Tolerance) VIF = Rk 2 1 1 Trong đó:
R: là hệ số tương quan bội khi biến độc lập i được dự đoán từ các biến độc lập khác. Khi VIF vượt quá 10 thì đó là dấu hiệu của Đa cộng tuyến
Bảng 3.14: Kết quả phân tích hồi quy Unstandardized Coefficients Standardized Coefficients t Sig. Collinearity Statistics Model B Std.
Error Beta Tolerance VIF
1 (Constant) 8.076E-18 .035 .000 1.000 Sự cảm thông .189 .035 .189 5.462 .000 1.000 1.000 Giá cả cảm nhận .358 .035 .358 10.310 .000 1.000 1.000 Lợi ích cảm nhận .447 .035 .447 12.903 .000 1.000 1.000 Tiện nghi và an toàn .362 .035 .362 10.454 .000 1.000 1.000 Mức độ đáp ứng .415 .035 .415 11.970 .000 1.000 1.000 Năng lực phục vụ .201 .035 .201 5.787 .000 1.000 1.000
Hệ số phóng đại phương sai VIF (Variance inflation factor – VIF) rất khỏ (nhỏ hơn 10) cho thấy các biến độc lập này không có quan hệ chặc chẽ với nhau nên không có hiện tượng đa cộng tuyến.
Kết quả trên cho thấy yếu tố LICN có hệ số Beta chuẩn hóa cao nhất (= 0.447) nên có tác động mạnh nhất đến sự hài lòng của sinh viên. Kế tiếp là các yếu tố DU (= 0.415), TN&AT (=0.362), GCCN (= 0.358), NLPV (=0.201). Cuối cùng là yếu tố CT (=0,189), cũng có tác động đáng kể đến sự hài lòng của hành khách nhưng ít hơn các yếu tố khác.
Những giá trị Beta khác 0 không có ý nghĩa thống kê (kiểm định 2 phía, p >
0.05)
Kết quả trên cũng cho thấy mối quan hệ tuyến tính của các yếu tố với sự hài lòng của sinh viên đều có ý nghĩa thống kê (Sig. < 0.05). Như vậy, các giả thuyết F1, F2, F3, F4, F5, F6 đều được chấp nhận.
Như vậy, kết quả cho thấy có 6 biến độc lập đều có tác động có ý nghĩa lên biến phụ thuộc (sig <0.05). Và 6 nhân tố này đưa vào phân tích hồi quy đều được giữ lại trong mô hình.
Hệ số xác định hiệu chỉnh Adjusted R-Square là 0.701, nghĩa là mô hình hồi quy tuyến tính đã xây dựng phù hợp với tập dữ liệu đến 70,1%, điều này cho thấy mối
quan hệ giữa biến phụ thuộc và các biến độc lập là khá chặt chẽ, cả 6 biến trên góp phần giải thích 70,1% sự khác biệt về mức độ hài lòng của sinh viên được quan sát tại khu ký tức xá trường CĐN Du lịch – Thương mại Nghệ An. Như vậy, mức độ phù hợp của mô hình tương đối cao. Tuy nhiên sự phù hợp này chỉ đúng với dữ liệu mẫu. Để kiểm định xem có thể suy diễn mô hình cho tổng thể hay không ta phải kiểm định độ phù hợp của mô hình.
Kiểm định F sử dụng trong bảng phân tích phương sai vẫn là một phép giả thuyết về độ phù hợp của mô hình hồi quy tuyến tính tổng thể. Kết quả phân tích cho thấy, kiểm định F có giá trị là 98.114 với Sig. = 000(a) chứng tỏ mô hình hồi quy tuyến tính bội là phù hợp với tập dữ liệu và có thể sử dụng được để suy rộng ra cho tổng thể.
Kết quả thống kê còn cho thấy, các hệ số hồi quy chuẩn hóa của phương trình hồi quy đều khác 0 và có 06 nhân tố có Sig.<0.05, chứng tỏ 06 nhân tố này đều tham gia vào sự hài lòng của sinh viên đối với chất lượng dịch vụ ký túc xá. So sánh giá trị (độ lớn) của hệ số chuẩn hóa cho thấy: tác động theo thứ tự từ mạnh đến yếu của các nhân tố: Sự cảm thông; Giá cả cảm nhận; Lợi ích cảm nhận; Tiện nghi và an toàn; Mức độ đáp ứng; Năng lực phục vụ.
b. Dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính
Mô hình hồi quy tuyến tính bằng phương pháp Enter được thực hiện với một số giả định và mô hình chỉ thực sự có ý nghĩa khi các giả định này được đảm bảo. Do vậy, để đảm bảo cho độ tin cậy của mô hình, đề tài còn phải thực hiện một loạt các dò tìm sự vi phạm các giả định cần thiết trong hồi quy tuyến tính.
Giả định liên hệ tuyến tính và phương sai không đổi: Nếu giả định liên hệ tuyến tính và phương sai bằng nhau được thỏa mãn thì không nhận thấy có liên hệ gì giữa các giá trị dự đoán và phần dư, chúng sẽ phân tán rất ngẫu nhiên. Nếu giả định tuyến tính được thỏa mãn (đúng) thì phần dư phải phân tán ngẫu nhiên trong một vùng xung quanh đường đi qua tung độ 0 của đồ thị phân tán của phần dư chuẩn hóa (Standardized Residual) và giá trị dự đoán chuẩn hóa (Standardized Predicted Value). Và nếu phương sai không đổi thì các phần dư phải phân tán ngẫu nhiên quanh trục 0 (tức quanh giá trị trung bình của phần dư) trong một phạm vi không đổi (Hoàng & Chu – tập 1, 2008).
Đầu tiên là giả định liên hệ tuyến tính. Phương pháp được sử dụng là biểu đồ Scatterplot với giá trị phần dư chuẩn hóa trên trục tung và giá trị dự đoán chuẩn hóa trên trục hoành. Nhìn vào biểu đồ ta thấy phần dư không thay đổi theo một trật tự nào đối với giá trị dự đoán. Vậy giả thuyết về liên hệ tuyến tính không bị vi phạm.
Giả định tiếp theo cần xem xét là phương sai của phần dư không đổi. Để thực hiện kiểm định này, chúng ta sẽ tính hệ số tương quan hạng Spearman của giá trị tuyệt đối phần dư và các biến độc lập. Giá trị sig. của các hệ số tương quan với độ tin cậy 95% cho thấy không đủ cơ sở để bác bỏ giả thuyết H0 là giá trị tuyệt đối của phần dư độc lập với các biến độc lập. Như vậy, giả định về phương sai của sai số không đổi không bị vi phạm.
Để dò tìm sự vi phạm giả định phân phối chuẩn của phần dư ta sẽ dùng hai công cụ vẽ của phần mềm SPSS là biểu đồ Histogram và đồ thị P-P plot. Nhìn vào biểu đồ Histogram (Hình 3.2) ta thấy phần dư có phân phối chuẩn với giá trị trung bình gần bằng 0 và độ lệch chuẩn của nó gần bằng 1 (= 0.988). Nhìn vào đồ thị P-P plot (Hình 3.3) biểu diễn các điểm quan sát thực tế tập trung khá sát đường chéo những giá trị kỳ vọng, có nghĩa là dữ liệu phần dư có phân phối chuẩn. Dựa vào đồ thị phân tán của phần dư chuẩn hóa và giá trị dự đoán chuẩn hóa cho thấy các giá trị dự đoán chuẩn hóa và phần dư phân tán chuẩn hóa phân tán ngẫu nhiên trong một vùng xung quanh đường đi qua tung độ 0. Như vậy, giả định liên hệ tuyến tính và phương sai không thay đổi thỏa mãn.
Hình 3.2: Biểu đồ Histogram
Dựa vào biểu đồ tần số của các phần dư cho thấy phần dư phân phối xấp xỉ chuẩn (trung bình Mean = -2.18E-16 và độ lệch chuẩn Std. Dev. = 0,988, tức gần bằng 1). Do đó, có thể kết luận rằng giả thuyết phân phối chuẩn không bị vi phạm (Hoàng & Chu – tập 1, 2008).
Giả định tiếp theo về tính độc lập của phần dư cũng cần được kiểm định. Ta dùng đại lượng thống kê Durbin-Watson (d) để kiểm định.
Đại lượng d này có giá trị từ 0 đến 4. Trong thực tế, khi tiến hành kiểm định Durbin- Watson người ta thường áp dụng quy tắc kiểm định đơn giản như sau: nếu 1<d < 3 thì kết luận mô hình không có tương quan; nếu 0 < d <1 thì kết luận mô hình có sự tương quan dương; nếu 3 < d < 4 thì kết luận mô hình có sự tương quan âm. Từ kết quả ở bảng 4.13 ta có 1 < d = 1.866 < 3 như vậy ta có thể kết luận các phần dư là độc lập với nhau và tính độc lập của phần dư đã được bảo đảm. Vậykhông có tương quan chuỗi bậc nhất giữa các phần dư, giả định về tính độc lập của các sai số được đảm bảo (Hoàng & Chu – tập 1, 2008).
Cuối cùng, ta sẽ xem xét sự vi phạm đa cộng tuyến của mô hình. Ở phần phân tích hệ số tương quan ở trên, ta đã thấy rằng giữa biến phụ thuộc có quan hệ tương quan khá rõ với các biến độc lập nhưng ta cũng thấy được giữa các biến độc lập cũng có tương quan với nhau. Điều này sẽ tạo ra khả năng đa cộng tuyến của mô hình. Vì vậy, ta phải dò tìm hiện tượng đa cộng tuyến bằng cách tính độ chấp nhận của biến (Tolerance) và hệ số phóng đại phương sai (Variance inflation factor - VIF).
VIF<2: Hiện tượng đa cộng tuyến giữa các biến độc lập ảnh hưởng không đáng kể đến mô hình.
2≤VIF≤: Hiện tượng đa cộng tuyến giữa các biến độc lập ảnh hưởng đáng kể đến mô hình
VIF>10: Dấu hiệu của đa cộng tuyến
Ta thấy, tất cả các giá trị VIF đều nhỏ hơn 2: Hiện tượng đa cộng tuyến giữa các biến độc lập ảnh hưởng không đáng kể đến mô hình.
Mô hình cũng đáp ứng điều kiện về phần dư, phần dư có phân phối xấp xỉ chuẩn (trung bình Mean = -2.53E-16, độ lệch chuẩn Std.Dev = .988).
Đại lượng thống kê Durbin-Watson (d) = 1.866 nên các phần dư trong mẫu không có tương quan với nhau.
Như vậy mô hình hồi quy tuyến tính được xây dựng theo phương trình ở trên là không vi phạm các giả định cần thiết trong hồi quy tuyến tính. Để đánh giá độ phù hợp của mô hình ta sẽ dùng các công cụ như tính hệ số xác định hiệu chỉnh Adjusted R Square, kiểm định F và kiểm định t.
Trước hết, kết quả R2 hiệu chỉnh cho thấy 70,1% sự biến thiên của Mức độ hài lòng được giải thích bởi 6 nhân tố độc lập: Lợi ích cảm nhận; Mức độ đáp ứng; Tiện nghi và an toàn; Giá cả cảm nhận; Năng lực phục vụ; Sự cảm thông.
Sau khi đánh giá giá trị R square ta biết được mô hình hồi quy tuyến tính đã xây dựng là phù hợp với mẫu. Tuy nhiên để có thể suy diễn mô hình này thành mô hình của tổng thể ta cần phải tiến hành kiểm định F thông qua phân tích phương sai. Cuối cùng, để đảm bảo các biến độc lập đều thực sự có ảnh hưởng đến biến phụ thuộc, ta tiến hành kiểm định t. Với giả thuyết H0 là hệ số hồi quy của các biến độc lập βk= 0 và với độ tin cậy 95% kết quả ta đều có thể bác bỏ giả thuyết H0 đối với βk. Điều này có nghĩa là tất cả các nhân tố trong phương trình đều có ảnh hưởng đến sự hài lòng đối với chất lượng dịch vụ ký túc xá.
Tóm lại:các giả thuyết đưa ra dựa trên mô hình nghiên cứu điều chỉnh sau phân tích EFA đều chấp nhận được với mức ý nghĩa thống kê 5% và khẳng định được các yếu tố có mối liên hệ chặt chẽ với sự hài lòng của sinh viên đối với dịch vụ ký túc xá.
3.3.4. Đánh giá sự hài lòng của sinh viên đối với dịch vụ ký túc xá tại trường CĐN Du lịch - Thương mại Nghệ An về các thang đo được rút ra từ kết quả phân tích hồi Du lịch - Thương mại Nghệ An về các thang đo được rút ra từ kết quả phân tích hồi qui
Căn cứ vào kết quả phân tích hồi hồi quy, chúng ta thực hiện việc thống kê mô tả trên các nhóm biến có ảnh hưởng nhất định đến sự hài lòng của sinh viên đối với dịch vụ ký túc xá tại trường CĐN Du lịch – Thương mại Nghệ An có ý nghĩa thống kê (phụ lục 3.5).
* Thang đo “Sự cảm thông”
Thang đo này được thể hiện trong bảng sau:
Bảng 3.15: Thống kê mô tả thang đo “Sự cảm thông”
Các chỉ tiêu N Giá trị nhỏ nhất Giá trị lớn nhất Giá trị trung bình Độ lệch chuẩn
nghe, chia sẻ và tìm hiểu tâm tư, nguyện vọng của sinh viên ký túc
2,83 0,889
Nhân viên quản lý ký túc xá luôn cho bạn những lời khuyên và động viên như một người anh, người chị
250 1,00 5,00 3,28 0,953
Nhà trường luôn hiểu rõ những nhu
cầu của sinh viên ký túc xá 250 1,00 5,00 3,10 0,816
Nhân viên nhà trường luôn tận tâm