Bài giảng Tin học Quản lý SPSS: Chương 6 - Phạm thị Mộng Hằng

CHƯƠNG 6: PHÂN TÍCH TƯƠNG QUAN VÀ HỒI QUY

NỘI DUNG CỐT LÕI

LOGO

Hoàn thành chương này người học có thể hiểu được:  Phân tích tương quan là gì? Và thao tác trên SPSS như thế

nào?

 Phân tích hồi quy trên SPSS thực hiện như thế nào?  Các phương pháp hồi quy (backward, stepwise, enter,

forward,...)

 Đọc kết quả của phân tích hồi quy (Regression analysis)  Hệ số R-squared và adjust R-squared có ý nghĩa gì?  Giá trị của hệ số hồi quy, và ý nghĩa như thế nào?  Kiểm định ý nghĩa thống kê của hệ số hồi quy  Khoảng tin cậy của hệ số hồi quy và ý nghĩa của khoảng tin

cậy

 Kiểm tra một số khuyết tật của mô hình hồi quy: Đa cộng

tuyến, hiện tượng Phương sai của Sai số ngẫu nhiên thay đổi, tự tương quan chuỗi,...

Mô hình nghiên cứu tổng quát

• Sau khi tiến hành phân tích dữ liệu thu thập được thông qua các bước phân tích độ tin cậy Cronbach’s Alpha và phân tích nhân tố, mô hình nghiên cứu được điều chỉnh gồm 6 biến độc lập (Phong cách phục vụ, Sự thuận tiện, Sự tín nhiệm, Sự hữu hình, Hình ảnh doanh nghiệp và Tính cạnh tranh về giá) để đo lường biến phụ thuộc là Sự hài lòng của khách hàng.

LOGO

1

LOGO

4.4 Mô hình nghiên cứu tổng quát Mô hình nghiên cứu tổng quát Các giả thuyết: Những nhân tố tác động đến sự hài lòng của khách hàng

H1: Phong cách phục vụ tác động đến sự hài lòng của khách hàng H2: Tính cạnh tranh về giá tác động đến sự hài lòng của khách hàng H3: Sự tín nhiệm tác động đến sự hài lòng của khách hàng H4: Danh mục dịch vụ tác động đến sự hài lòng của khách hàng H5: Hình ảnh doanh nghiệp tác động đến sự hài lòng của khách hàng H6: Sự thuận tiện tác động đến sự hài lòng của khách hàng

LOGO

Phân tích tương quan hệ số Pearson

Người ta sử dụng một số thống kê có tên là hệ số tương

quan Pearson để lượng hóa mức độ chặt chẽ của mối liên

hệ tuyến tính giữa hai biến định lượng.

Trong phân tích mối tương quan giữa 2 biến, nếu 2 biến có

sự liên quan quá chặt chẽ với nhau thì phải lưu ý đến hiện

tượng đa cộng tuyến. Nếu có xảy ra hiện tượng đa

cộng tuyến thì tức là các biến giải thích có ảnh hưởng lẫn

nhau, khi biến này thay đổi sẽ dẫn đến biến kia thay đổi

theo và ngược lại

4.5 Phân tích tương quan hệ số Pearson

LOGO

Phân tích tương quan hệ số Pearson

Đa cộng tuyến là trạng thái các biến độc lập có tương

quan chặt chẽ với nhau. Vấn đề của hiện tượng cộng

tuyến là chúng cung cấp cho mô hình những thông tin rất

giống nhau, và rất khó tách rời ảnh hưởng của từng biến

một đến biến phụ thuộc.

Cần xem xét hiện tương đa cộng tuyến khi phân tích hồi

quy nếu hệ số tương quan pearson > 0.3.

2

LOGO

4.5 Phân tích tương quan hệ số Pearson

Phân tích tương quan hệ số Pearson

Hình dạng phương trình: Y = 0 + 1X1 + 2X2 + 3X3 + 4X4 + 5X5 + 6X6

4.5 Phân tích tương quan hệ số Pearson

Đặt các biến trong phương trình hồi quy đa biến như sau: X1 : Phong cách phục vụ (là trung bình của các biến c1,c2,f3,c5,c4,c3,f4) X2 : Tính cạnh tranh về giá (là trung bình của các biến e1,e2,e3,f1,b3) X3 : Sự tín nhiệm (là trung bình của các biến h1,f2,b2,h2,h3) X4 : Danh mục dịch vụ (là trung bình của các biến g3,g2,g1,b1) X5 : Hình ảnh doanh nghiệp (là trung bình của các biến d2,d1,d3,d4) X6 : Sự thuận tiện (là trung bình của các biến a1,a3,a2) Y : Hài lòng với chất lượng dịch vụ ngân hàng (là trung bình của 3 biến q6,q7,q8) LOGO

Phân tích tương quan hệ số Pearson

Vào Transform\ Compute Variable…

Cách tạo biến X1: X1 : Phong cách phục vụ (là trung bình của các biến c1,c2,f3,c5,c4,c3,f4)

Bấm OK, kết quả tạo ra một biến mới ở Data, tên là X1, Tương tự tạo cho các biến x2, x3, x4, x5, x6 và Y

Nhập hàm tính giá trị trung bình Mean(đối số 1, đối số 2,… đối số n) Đặt tên biến mới (X1)

4.5 Phân tích tương quan hệ số Pearson

LOGO

Phân tích tương quan hệ số Pearson

Cách làm phân tích hệ số Pearson:

Vào Analyze\ Correlate\ Bivariate…

Đưa các biến độc lập

trong mô hình hồi quy

-> Variables

3

LOGO

Kết quả pearson

• Các giá trị sig đều nhỏ hơn 0.05 do vậy các biến đều tương

quan với nhau và có ý nghĩa thống kê.

• Hệ số tương quan của các biến Xi tương tác nhau cũng khá lớn > 0.3 nên khi phân tích tương quan cần chú ý đến hiện tượng tự tương quan của các biến độc lập.

LOGO

Phân tích hồi quy

Phân tích hồi quy sẽ xác định mối quan hệ giữa biến phụ thuộc (hài lòng với chất lượng dịch vụ ngân hàng) và các biến độc lập (phong cách phục vụ, tính cạnh tranh về giá, sự tín nhiệm, danh mục dịch vụ, hình ảnh doanh nghiệp, sự thuận tiện).

Mô hình phân tích hồi quy sẽ mô tả hình thức của mối liên hệ và qua đó giúp dự đoán được mức độ của biến phụ thuộc khi biết trước giá trị của biến độc lập.

4.6 Phân tích hồi quy

LOGO

Phân tích hồi quy

Hình dạng phương trình: Y = 0 + 1X1 + 2X2 + 3X3 + 4X4 + 5X5 + 6X6

Trong đó: X1 : Phong cách phục vụ X2 : Tính cạnh tranh về giá X3 : Sự tín nhiệm X4 : Danh mục dịch vụ X5 : Hình ảnh doanh nghiệp X6 : Sự thuận tiện Y : Hài lòng với chất lượng dịch vụ ngân hàng

4

LOGO

4.6 Phân tích hồi quy

Phân tích hồi quy Cách làm: Bước 1: Vào Analyze\ Regression\ Linear…

3

1

2

4

Bước 2:

(1): Đưa biến phục thuộc vào ô Dependent (2): Đưa các biến độc lập vào ô Independent (3): Click vào Statistics (4): Chọn phương pháp Stepwise, cuối cùng bấm OK.

LOGO

4.6 Phân tích hồi quy

LOGO

Phân tích hồi quy Method:

Enter: đưa vào một lượt Stepwise: từng bước Remove: Loại bỏ một lượt Backward: Loại bỏ dần Forward: Đưa vào dần

Các phương pháp trên không phải lúc nào cũng cho ra một phương trình. Chúng ta có thể xây dựng nhiều mô hình có thể chấp nhận được và sau đó chọn ra mô hình có khả năng giải thích, khả năng thu thập dữ kiện dễ dàng của biến…

5

LOGO

4.6 Phân tích hồi quy

Phân tích hồi quy Kết quả phân tích thể hiện như sau:

Coefficientsa

Unstandardized Coefficients

Standardized Coefficients

Collinearity Statistics

Std. Error

Toleranc e

Beta

t

Sig.

B

VIF

Model 1

(Constant)

-2.075

.040

-.338

.163

3.007 2.867 1.833 2.248 2.302 1.554

X1 X2 X3 X4 X5 X6 a. Dependent Variable: Y

.194 .095 .097 .156 .265 .246

.056 .037 .032 .046 .037 .033

.177 .129 .121 .150 .324 .276

3.471 2.578 3.044 3.406 7.251 7.505

.001 .011 .003 .001 .000 .000

.333 .349 .546 .445 .434 .644

Giải thích phương trình

Từ bảng phân tích hồi quy trên, ta thấy mối quan hệ giữa biến phụ thuộc Sự hài lòng của khách hàng và 6 biến độc lập được thể hiện trong phương trình sau: Y = -0.338 + 0.265x5 + 0.246x6 + 0.194x1 + 0.156x4 + 0.097x3 + 0.095x2

Tất cả 6 thành phần đo lường sự thỏa mãn của khách hàng đều có mức ý nghĩa sig < 0.05, và mức ý nghĩa của hằng số (0) có giá trị sig < 0.05. Nên 6 nhân tố này được chấp nhận trong phương trình hồi quy, và chúng tác động ảnh hưởng đến mức độ hài lòng của khách hàng (y)

LOGO

Bảng kết quả

Kiểm định độ phù hợp của mô hình

LOGO

Tiêu chuẩn chấp nhận sự phù hợp của mô hình

tương quan hồi quy là:

 Kiểm định F phải có giá trị sig < 0.05

 Đại lượng chuẩn đoán hiện tượng đa cộng

tuyết với hệ số phóng đại phương sai VIF

(Variance Inflation Factor) < 10

6

LOGO

Kiểm định độ phù hợp của mô hình

Tính hệ số xác định R2:

Hệ số xác định được định nghĩa là tỷ lệ của tổng sự biến thiên trong biến phụ thuộc gây ra bởi các biến độc lập với tổng sự biến thiên toàn phần, do đó R2 cho phép ta đánh giá mô hình hồi quy tìm được có giải thích tốt cho mối liên hệ giữa biến phụ thuộc và các biến độc lập không. Hệ số này có giá trị từ 0 đến 1, càng gần 1 thì mô hình càng phù hợp, nếu hệ số gần 0 thì mô hình không phù hợp để mô tả tập hợp dữ liệu.

Trong ví dụ trên ta xét biến phụ thuộc Y (mức độ hài lòng khách hàng) theo 6 biến độc lập X1, X2, X3, X4, X5, X6. Ta thấy R2 có giá trị 0.858 tức là 85.8% mức độ biến thiên của biến Y được gây ra bởi sự biến thiên của 6 biến X1,X2,…, X6. Vì vậy mô hình chúng ta tính toán có sự phù hợp tốt với dữ liệu.

LOGO

LOGO

Kiểm định F-test để đánh giá sự có ý nghĩa toàn diện của mô hình hồi quy:

Kiểm định F sẽ kiểm tra giả thuyết tất cả các biến trong

mô hình hồi quy ta đưa vào đều không có tác động gì đến

biến phụ thuộc. Do đó nếu kết quả kiểm định bác bỏ giả

thuyết trên tức là có ít nhất 1 biến độc lập giải thích được

cho biến phụ thuộc thì mô hình hồi quy mới có ý nghĩa.

7

LOGO

Kiểm định độ phù hợp của mô hình

Hệ số Durbin Watson dùng để kiểm định tương của các sai số kề nhau (hay còn gọi là tương quan chuỗi bậc nhất) có giá trị biến thiên trong khoảng từ 0 đến 4; nếu các phần sai số không có tương quan chuỗi bậc nhất với nhau thì giá trị sẽ gần bằng 2; nếu giá trị càng nhỏ, gần về 0 thì các phần sai số có tương quan thuận; nếu càng lớn, gần về 4 có nghĩa là các phần sai số có tương quan nghịch.

2

4

0 Không tồn tại tương quan chuỗi Nghịch Thuận

Kiểm định độ phù hợp của mô hình

Hệ số Durbin Watson dùng để kiểm định tương quan chuỗi bậc nhất cho thấy mô hình không vi phạm khi sử dụng phương pháp hồi quy bội vì giá trị DW đạt được là 1.838 (nằm trong khoảng từ 0 đến 4) và chấp nhận giả thuyết không có sự tương quan chuỗi bậc nhất trong mô hình. Như vậy, mô hình hồi quy bội thỏa các điều kiện đánh giá và kiểm định độ phù hợp cho việc rút ra các kết quả nghiên cứu.

LOGO

Bảng kết quả

Giải thích phương trình

Theo phương trình hồi quy ở trên cho thấy Sự hài lòng của khách hàng có quan hệ tuyến tính với các nhân tố:

 Mạnh nhất là X5: hình ảnh doanh nghiệp (Hệ số Beta5 là

0,265),

 Thứ hai là X6: sự thuận tiện (Hệ số Beta6 là 0,246),  Thứ ba là X1: phong cách phục vụ (Hệ số Beta1 là 0,194),  Thứ tư là X4: danh mục dịch vụ (Hệ số Beta4 là 0,156),  Thứ năm là X3: tính cạnh tranh về giá (Hệ số Beta5 là

0,097),

 Cuối cùng là X2: sự tín nhiệm (Hệ số Beta2 là 0,095).

LOGO

Bảng kết quả

8

LOGO

Giải thích phương trình

Y = -0.338 + 0.265x5 + 0.246x6 + 0.194x1 + 0.156x4 + 0.097x3 + 0.095x2

Cũng phải nói thêm rằng các hệ số Beta >0 cho thấy các biến độc lập tác động thuận chiều với Sự hài lòng khách hàng. Kết quả này cũng khẳng định các giả thuyết nêu ra trong mô hình nghiên cứu (H1-H6) được chấp nhận và được kiểm định phù hợp. Như vậy, NH phải nỗ lực cải tiến những nhân tố này để nâng cao sự hài lòng của khách hàng.

LOGO

L/O/G/O

www.themegallery.com

Thank You!

9