Tiểu luận phân tích đa biến phân tích hồi quy và kiểm định các giả thuyết của hàm tương quan

TRƯỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

NGÀNH KINH DOANH THƯƠNG MẠI

Đề tài thuyết trình: Phân

tích đa biến

Chủ đề:

Phân tích hồi quy và kiểm định các giả thuyết của
hàm tương quan
Giảng viên hướng dẫn: TS. Nguyễn Hùng Phong
Nhóm trình bày: Nhóm 2
Bùi Thị Kim Yến
Nguyễn Thị Như Ý
Nguyễn Đan Thanh
Huỳnh Thị Phương Trinh
Tan Sophat

TP.HCM, 05/2016


Phân tích đa biến

PHÂN TÍCH HỒI QUY VÀ KIỂM ĐỊNH GIẢ THUYẾT CỦA
HÀM TƯƠNG QUAN
A. DỮ LIỆU
-

Bộ dữ liệu HBAT: 200

-

Công cụ phân tích SPSS: 16.0

-

Yêu cầu:

 Chạy Hồi quy biến X19 với 4 biến độc lập tìm được từ phân tích EFA, kiểm định
các giả thuyết.
 Đặt biến giả Dummy (X1: Customer Type). Chạy hồi quy với biến giả.
Viết phương trình hồi quy Y(X19) = F(F1, F2, F3, F4, D1, D2).
 Giải thích các kết quả
B. PHẦN TRÌNH BÀY
1. Chạy Hồi quy biến X19 với 4 biến độc lập tìm được từ phân tích EFA, kiểm định
các giả thuyết.
 Chạy EFA để tìm ra bốn biến độc lập mới
Sau khi chạy phân tích nhân tố khám phá EFA ta có những kết quả sau:


Bảng KMO:
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
Bartlett's Test of Sphericity

Approx. Chi-Square
df
Sig.

.672
1.072E3
45
.000

Đặt giả thuyết:
H0: Không có sự tương quan giữa các biến quan sát. (Độ tương quan giữa các biến quan
sát bằng 0)
Trang 1


Phân tích đa biến
H1: Có sự tương quan giữa các biến quan sát.
Kết luận:
-

KMO = 0.672 >0.5

 Vậy phân tích nhân tố là thích hợp
-

Bartlett’s Test có Sig < 0.05.

 Vậy ta bác bỏ giả thuyết H0 – tức các biến quan sát có sự tương quan với
nhau và dữ liệu dùng để phân tích nhân tố là phù hợp.


Bảng TOTAL VARIANCE EXPLAINED
Total Variance Explained
Extraction Sums of Squared

Initial Eigenvalues

Comp
onent

Total

Loadings

% of

Cumulative

Variance

%

Total

Rotation Sums of Squared Loadings

% of

Cumulative

Variance

%

Total

% of

Cumulative

Variance

%

1

3.358

33.580

33.580

3.358

33.580

33.580

2.590

25.901

25.901

2

1.855

18.552

52.132

1.855

18.552

52.132

2.306

23.060

48.961

3

1.632

16.316

68.448

1.632

16.316

68.448

1.857

18.568

67.529

4

1.056

10.560

79.009

1.056

10.560

79.009

1.148

11.480

79.009

5

.855

8.553

87.562

6

.514

5.142

92.704

7

.284

2.839

95.543

8

.188

1.878

97.421

9

.149

1.489

98.909

10

.109

1.091

100.000

Extraction Method: Principal Component
Analysis.

Kết luận: Dựa vào giá trị Eigenvalues để quyết định giữ lại bao nhiêu yếu tố. Ta có:
-

EigenValues: 4 nhân tố đầu tiên có giá trị Eigenvalues Total >1. Các nhân tố còn

lại có giá trị Eigenvalues <1 sẽ bị loại ra khỏi mô hình.
Trang 2


Phân tích đa biến

 Ta dừng lại ở nhân tố thứ 4, và có 4 nhân tố được rút ra.
-

Tổng phương sai trích của 4 nhân tố rút ra là 79.009% cho biết 4 nhân tố rút ra sẽ

giải thích được 79% biến thiên của các biến quan sát.


Bảng ROTATED COMPONENT MATRIX:

Ma trận các nhân tố đã được xoay: các nhân tố được xoay để nó có ý nghĩa hơn. Các
nhân tố trong bảng này phải có giá trị Factor loading > 0.3, chúng ta căn cứ vào đó để xác
định việc lựa chọn biến nào cho nhân tố nào là phù hợp.
Sau khi căn cứ vào giá trị Factor loading và các điều kiện lựa chọn biến, nhóm 2 tiến
hành phương pháp loại từng biến để tìm ra 4 biến độc lập mới.
Phương pháp loại theo thứ tự: X11, X17, X13.
Kết quả cuối cùng cho biết:

Rotated Component Matrixa
Component
1

2

X9 - Complaint Resolution

.931

X18 - Delivery Speed

.930

X16 - Order & Billing

.877

3

X12 - Salesforce Image

.914

X7 - E-Commerce

.877

X10 - Advertising

.785

4

X8 - Technical Support

.953

X14 - Warranty & Claims

.944

X15 - New Products

.781

X6 - Product Quality

.716

Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.

Trang 3


Phân tích đa biến

Dựa vào bảng trên và ý nghĩa của các biến, nhóm đặt tên mới cho 4 nhân tố được rút
ra như sau:

TÊN NHÓM
Service

F1

Promotion

F2

After-Sales Service

F3

Product

F4

BIẾN QUAN SÁT

MÔ TẢ

X9
X18
X16
X12
X7
X10
X8
X14
X15
X6

Complaint Resolution
Delivery Speed
Order & Billing
Salesforce Image
E-Commerce
Advertising
Techinical support
Warranty & Claims

New Products
Product Quality

Trang 4


Phân tích đa biến

 Phân tích hồi quy
Với 4 nhân tố (F1, F2, F3, F4) được rút ra như trên, nhóm thực hiện chạy hồi quy với
biến X19. Kết quả cho ra như sau:


Bảng CORRELATION:
Correlations
X19 -

F2 -

Satisfaction
Pearson Correlation X19 - Satisfaction

sales Service F4 - Product

.539

.362

.198

.417

F1 - Service

.539

1.000

.000

.000

.000

F2 - Promotion

.362

.000

1.000

.000

.000

.198

.000

.000

1.000

.000

.417

.000

.000

.000

1.000

.

.000

.000

.002

.000

F1 - Service

.000

.

.500

.500

.500

F2 - Promotion

.000

.500

.

.500

.500

.002

.500

.500

.

.500

F4 - Product

.000

.500

.500

.500

.

X19 - Satisfaction

200

200

200

200

200

F1 - Service

200

200

200

200

200

F2 - Promotion

200

200

200

200

200

200

200

200

200

200

200

200

200

200

200

Service
F4 - Product
X19 - Satisfaction

F3 - After-sales
Service

N

Promotion

1.000

F3 - After-sales

Sig. (1-tailed)

F1 - Service

F3 - After-

F3 - After-sales

Service
F4 - Product

Trang 5


Phân tích đa biến
-

Dựa bảng Correlation ta thấy, các biến F1, F2, F4 đều có mối tương quan thuận

với biến X19, hệ số tương quan của chúng với biến X19 > 0.3, trong đó F1 có mối tương
quan với X19 là cao nhất (0.539).
F3 có hệ số tương quan khá thấp với biến X19 (0.198) nhưng xem xét trong tổng thể,
giá trị Sig của nó < 0.05 – có ý nghĩa thống kê nên ta vẫn giữ lại trong mô hình hồi quy.
-

Giữa các biến độc lập có hệ số tương quan = 0, nghĩa là chúng không tương quan

nhau.
-

Sig của các biến đều có giá trị nhỏ hơn 0.05

Kết luận: Các biến độc lập này đều có ý nghĩa và có thể được đưa vào mô hình hồi quy
để giải thích cho biến X19.


Bảng MODEL SUMMARY
Model Summaryb

Std. Error of the
Model
1

R

R Square
.797a

Adjusted R Square

.635

.628

Estimate

Durbin-Watson

.7575

2.094

a. Predictors: (Constant), F4 - Product, F3 - After-sales Service, F2 - Promotion, F1 - Service

b. Dependent Variable: X19 - Satisfaction

Kết quả:
Tham số R bình phương hiệu chỉnh (Adjusted R Square) cho biết mức độ (%) sự biến

thiên của biến phụ thuộc được giải thích bởi sự biến thiên đồng thời của các biến độc lập.
 Có thể nói 62.8% biến thiên của X19 có thể giải thích bởi sự biến thiên đồng
thời của tất cả các biến độc lập F1, F2, F3, F4.
-

Giá trị Durbin-Watson = 2.094 >2

 Nghĩa là không có sự tự tương quan giữa các biến độc lập
Trang 6


Phân tích đa biến



Bảng ANOVA

Bảng này để kiểm định độ phù hợp của mô hình
Đặt giả thuyết H0: β1= β2 = β3 = β4 = 0
ANOVAb
Model
1

Sum of Squares

df

Mean Square

Regression

194.659

4

48.665

Residual

111.880

195

.574

Total

306.539

199

F
84.819

Sig.
.000a

a. Predictors: (Constant), F4 - Product, F3 - After-sales Service, F2 - Promotion, F1 - Service
b. Dependent Variable: X19 - Satisfaction

Kết luận
Giá trị của Sig của bảng ANOVA dùng để đánh giá sự phù hợp (tồn tại) của mô hình.
Giá trị Sig phải <0.05 thì mô hình mới tồn tại.
 Sig = 0.000 <0.05: bác bỏ giả thuyết H0 – các biến hiện có trong mô hình có
thể giải thích được cho biến X19 – tức mô hình ta xây dựng phù hợp với tập dữ liệu

Trang 7


Phân tích đa biến


Bảng COEFFICIENT

Bảng này để xem xét ý nghĩa của các hệ số hồi quy riêng phần trong mô hình
Coefficientsa
Standardized
Unstandardized Coefficients
Model
1

B
(Constant)

Std. Error
6.952

.054

F1 - Service

.669

.054

F2 - Promotion

.449

F3 - After-sales
Service
F4 - Product

Coefficients
Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

129.797

.000

.539

12.467

.000

1.000

1.000

.054

.362

8.362

.000

1.000

1.000

.246

.054

.198

4.573

.000

1.000

1.000

.518

.054

.417

9.645

.000

1.000

1.000

a. Dependent Variable: X19 - Satisfaction

-

Hệ số hồi quy riêng phần B: Bk đo lường sự thay đổi trong giá trị trung bình Y

khi Xk thay đổi 1 đơn vị với điều kiện các biến độc lập còn lại không thay đổi. Trong hồi
quy tuyến tính, để đánh giá đóng góp thực sự của 1 biến đối với sự thay đổi trong Y thì
bằng cách nào đó ta phải kiểm soát được ảnh hưởng của các biến khác.
Ý nghĩa:
 B1 = 0.669: khi F1 tăng thêm 1 đơn vị (F2, F3, F4 không đổi) sẽ làm cho X19 tăng

thêm 0.669 đơn vị
 B2 = 0.449: khi F2 tăng thêm 1 đơn vị (F1, F3, F4 không đổi) sẽ làm cho X19 tăng
thêm 0.449 đơn vị
 B3 = 0.246: khi F3 tăng thêm 1 đơn vị (F1, F2, F4 không đổi) sẽ làm cho X19 tăng
thêm 0.246 đơn vị
 B4 = 0.518: khi F4 tăng thêm 1 đơn vị (F1, F2, F3 không đổi) sẽ làm cho X19 tăng
thêm 0.518 đơn vị.
-

Giá trị Sig trong bảng Coefficients cho biết các tham số hồi qui có ý nghĩa hay

không (với độ tin cậy 95% thì Sig<5% có ý nghĩa).
Trang 8


Phân tích đa biến
 Giá trị Sig của tất cả các tham số đều bằng 0.000 < 0.05. Vậy các tham số này
(hệ số hồi quy) đều có ý nghĩa. Tức là các biến này có quan hệ hồi quy tuyến tính với
nhau.
-

Hệ số Beta: vì độ lớn của các hệ số phụ thuộc vào đơn vị đo lường của các biến

nên chỉ khi nào tất cả các biến độc lập đều có cùng đơn vị đo lường thì các hệ số của
chúng mới có thể so sánh trực tiếp với nhau. Môt cách để có thể làm cho các hệ số hồi
quy so sánh được với nhau là tính trọng số beta, đó là hệ số hồi quy của biến độc lập khi
tất cả các dữ liệu trên các biến được biểu diễn bằng đơn vị đo lường độ lệch chuẩn.
-

Phương trình hồi quy tương ứng:

X19 = 6.952 + 0.669 F1 + 0.449 F2 + 0.246 F3 + 0.518 F4

-

Giải thích mô hình: Phương trình hồi quy bội cho thấy sự hài lòng về dịch vụ,

chiêu thị, dịch vụ sau bán hàng và sản phẩm có tác động tỷ lệ thuận với sự hài lòng
chung. Trong đó sự hài lòng về dịch vụ có tác động mạnh nhất đến sự hài lòng của khách
hàng.
-

Kiểm tra giả định về hiện tượng đa cộng tuyến (tương quan giữa các biến độc

lập) thông qua giá trị của độ chấp nhận (Tolerance) hoặc hệ số phóng đại phương sai VIF
(Variance inflation factor): VIF > 10 thì có thể nhận xét có hiện tượng đa cộng tuyến.
Tuy nhiên theo một số nhà nghiên cứu, VIF>5 là đã xảy ra hiện tượng đa cộng tuyến.
 VIF đều bằng 1 <5 => không có hiện tượng đa cộng tuyến xảy ra.
2. Đặt biến giả Dummy (X1: Customer Type). Chạy hồi quy với biến giả.
Viết phương trình hồi quy Y(X19) = F(F1, F2, F3, F4, D1, D2).
2.1 Xây dựng biến giả
Bởi vì biến X1 (Customer Type) là một biến định tính, không có biểu hiện bằng con
số, vì vậy chúng ta phải đặt biến giả để có thể định lượng chúng.
Biến giả (Dummies) là các biến mà giá trị của chúng chỉ nhận một thuộc tính nào đó.
Cho nên, nếu biến giả nhận một thuộc tính nào đó, chúng ta gán giá trị cho biến giả là 1

Trang 9


Phân tích đa biến
và nhận giá trị là 0 nếu ngược lại. Nói như vậy có nghĩa là, các biến giả đưa vào phân tích

hồi quy chỉ nhận một trong hai giá trị là 1 hoặc 0.
-

Xác định số biến giả đưa vào mô hình:

Số biến giả đưa vào mô hình bằng số biểu hiện của biến thuộc tính trừ đi 1. Giả sử
biến thuộc tính muốn đưa vào mô hình có k biểu hiện, số biến giả đưa vào mô hình sẽ là
(k – 1) biến.
Với bài tập này, biến “Customer Type” có 3 biểu hiện là “Less than 1 year”, “1
to 5 years” và “Over 5 years”. Vậy số biến đưa vào mô hình sẽ là 3 – 1 = 2 biến giả.
-

Gán giá trị cho biến giả:

Biến X1 có 3 giá trị:
1 = “Less than 1 year”
2 = “1 to 5 years”
3 = “Over 5 years”
Nhóm lựa chọn:
 D1 = 1 nếu khách hàng thuộc nhóm “1 to 5 years”
 D1 = 0 nếu khách hàng thuộc các nhóm còn lại
 D2 = 1 nếu khách hàng thuộc nhóm “Over 5 years”
 D2 = 0 nếu khách hàng thuộc các nhóm còn lại
Ta có bảng giá trị các biến giả như sau:

Nhóm khách hàng

D1

D2

Less than 1 year

0

0

1 to 5 years

1

0

Over 5 years

0

1

Như vậy, phạm trù “Less than 1 year” được gọi là phạm trù cơ sở. Mọi so sánh về sự
thỏa mãn của khách hàng giữa các nhóm căn cứ vào kết quả hồi quy là so sánh với nhóm
khách hàng “Less than 1 year”.
Trang 10


Phân tích đa biến

2.2. Chạy hồi quy biến X19 với F1, F2, F3, F4 và 2 biến giả D1, D2 vừa xây dựng


Bảng CORRELATION:
Correlations
F3 - After-

Pearson
Correlation

X19 - Satisfaction

F2 -

sales

F4 -

Satisfaction

Service

Promotion

Service

Product

Dummy Dummy
1

2

.539

.362

.198

.417

.189

.522

F1 - Service

.539

1.000

.000

.000

.000

.353

.273

F2 - Promotion

.362

.000

1.000

.000

.000

.114

-.041

.198

.000

.000

1.000

.000

-.004

.148

F4 - Product

.417

.000

.000

.000

1.000

-.213

.542

Dummy 1

.189

.353

.114

-.004

-.213

1.000

-.492

Dummy 2

.522

.273

-.041

.148

.542

-.492

1.000

.

.000

.000

.002

.000

.004

.000

F1 - Service

.000

.

.500

.500

.500

.000

.000

F2 - Promotion

.000

.500

.

.500

.500

.054

.283

.002

.500

.500

.

.500

.479

.018

F4 - Product

.000

.500

.500

.500

.

.001

.000

Dummy 1

.004

.000

.054

.479

.001

.

.000

Dummy 2

.000

.000

.283

.018

.000

.000

.

X19 - Satisfaction

200

200

200

200

200

200

200

F1 - Service

200

200

200

200

200

200

200

F2 - Promotion

200

200

200

200

200

200

200

200

200

200

200

200

200

200

F4 - Product

200

200

200

200

200

200

200

Dummy 1

200

200

200

200

200

200

200

Dummy 2

200

200

200

200

200

200

200

Service

X19 - Satisfaction

F3 - After-sales
Service

N

F1 -

1.000

F3 - After-sales

Sig. (1-tailed)

X19 -

F3 - After-sales
Service

Trang 11


Phân tích đa biến
Dựa bảng Correlation ta thấy, các biến F1, F2, F3, F4 đều có mối tương quan thuận
với biến X19, hệ số tương quan của chúng với X19 tương tự như trong mô hình hồi quy
chỉ có 4 biến (F1,F2,F3,F4) .
-

F3 vẫn có hệ số tương quan khá thấp với biến X19 (0.198) nhưng xem xét trong

tổng thể, giá trị Sig của nó < 0.05 – có ý nghĩa thống kê nên ta vẫn giữ lại trong mô hình.
-

Biến giả D1 có hệ số tương quan thấp với X19, nhưng nó vẫn đảm bảo ý nghĩa

thống kế (Sig < 0.05) nên vẫn được giữ lại trong mô hình hồi quy.
-

Giữa các biến F1, F2, F3, F4 vẫn có hệ số tương quan = 0, nghĩa là chúng không

tương quan nhau. Nhưng khi mô hình được đưa thêm biến định tính vào (đã được gán
biến giả D1, D2) thì sự tương quan giữa F1, F2, F2, F4 với D1, D2 bắt đầu xuất hiện.
Những tương quan như vậy có thể ảnh hưởng đến kết quả phân tích hồi quy, ví dụ gây ra
hiện tượng đa cộng tuyến.
-

Sig của các biến đều có giá trị nhỏ hơn 0.05

Kết luận: Các biến này có thể được đưa vào mô hình hồi quy để giải thích cho biến X19.


Bảng MODEL SUMMARY
Model Summaryb

Std. Error of the
Model

R

1

R Square
.845a

Adjusted R Square

.715

.706

Estimate

Durbin-Watson
.6732

2.053

a. Predictors: (Constant), Dummy 2, F2 - Promotion, F3 - After-sales Service, F1 - Service, F4 - Product,
Dummy 1
b. Dependent Variable: X19 - Satisfaction

-

Giá trị R2 hiệu chỉnh = 0.706

 Có thể nói 70% biến thiên của X19 có thể giải thích bởi sự biến thiên đồng
thời của tất cả các biến độc lập F1, F2, F3, F4, D1, D2
-

Giá trị Durbin-Watson = 2.053 >2

 Nghĩa là mô hình không có sự tự tương quan

Trang 12


Phân tích đa biến


Bảng ANOVA
ANOVAb

Model

Sum of Squares

1

Regression
Residual
Total

df

Mean Square

219.072

6

36.512

87.468

193

.453

306.539

199

F

Sig.
.000a

80.565

a. Predictors: (Constant), Dummy 2, F2 - Promotion, F3 - After-sales Service, F1 - Service, F4 - Product,
Dummy 1
b. Dependent Variable: X19 - Satisfaction

Kết quả: Sig = 0.000 <0.05: bác bỏ giả thuyết H0 – các biến hiện có trong mô hình có thể
giải thích được cho biến X19 – tức mô hình ta xây dựng phù hợp với tập dữ liệu.


Bảng COEFFICIENT
Coefficientsa

Model
1

Unstandardized

Standardized

Coefficients

Coefficients

B
(Constant)

Std. Error
6.249

.109

F1 - Service

.364

.064

F2 - Promotion

.426

Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

57.575

.000

.293

5.659

.000

.551

1.816

.048

.343

8.855

.000

.983

1.018

.160

.049

.129

3.251

.001

.941

1.062

F4 - Product

.286

.060

.230

4.775

.000

.636

1.572

Dummy 1

.876

.151

.330

5.802

.000

.457

2.189

Dummy 2

1.242

.172

.475

7.213

.000

.341

2.936

F3 - After-sales
Service

a. Dependent Variable: X19 - Satisfaction

Trang 13


Phân tích đa biến
-

Hệ số hồi quy riêng B: Bk đo lường sự thay đổi trong giá trị trung bình Y khi Xk

thay đổi 1 đơn vị với điều kiện các biến độc lập còn lại không thay đổi. Trong hồi quy
tuyến tính được thêm vào 2 biến giả D1 và D2, sự thay đổi của F1, F2, F3, F4 có khả
năng tác động đến sự thay đổi giá trị trung bình của X19 đã giảm xuống. Trong khi đó sự
thay đổi của D1, D2 có tác động rất lớn đến sự thay đổi trong giá trị trung bình của X19.
Ý nghĩa:
 B1 = 0.364: khi F1 tăng thêm 1 đơn vị (F2, F3, F4, D1, D2 không đổi) sẽ làm cho
X19 tăng thêm 0.364 đơn vị.
 B2 = 0.426: khi F2 tăng thêm 1 đơn vị (F1, F3, F4, D1, D2 không đổi) sẽ làm cho
X19 tăng thêm 0.426 đơn vị.
 B3 = 0.16: khi F3 tăng thêm 1 đơn vị (F1, F2, F4, D1, D2 không đổi) sẽ làm cho
X19 tăng thêm 0.16 đơn vị.
 B4 = 0.286: khi F4 tăng thêm 1 đơn vị (F1, F2, F3, D1, D2 không đổi) sẽ làm cho

X19 tăng thêm 0.286 đơn vị.
 B(D1) = 0.876: khi F4 tăng thêm 1 đơn vị (F1, F2, F3, F4, D2 không đổi) sẽ làm
cho X19 tăng thêm 0.876 đơn vị.
 B(D2) = 1.242: khi F4 tăng thêm 1 đơn vị (F1, F2, F3, F4, D1 không đổi) sẽ làm
cho X19 tăng thêm 1,242 đơn vị.
Kết luận: Customer Type – loại khách hàng có tác động rất lớn đến sự thỏa mãn (X19)
của khách hàng. Cụ thể những khách hàng đã có sự gắn kết với công ty trên năm 5 thì sự
thỏa mãn của họ cao hơn so với các nhóm còn lại. Và như vậy, việc thực hiện các kế
hoạch nhằm tăng sự trung thành và gắn kết của khách hàng sẽ là chiến lược hiệu quả làm
tăng sự hài lòng của khách hàng với sản phẩm và công ty.
-

Giá trị Sig của tất cả các tham số đều bằng 0.000 < 0.05. Vậy các tham số này (hệ

số hồi quy) đều có ý nghĩa. Tức là các biến này có quan hệ hồi quy tuyến tính với nhau.
Phương trình hồi quy tương ứng:
X19 = 6.249 + 0.364 F1 + 0.426 F2 + 0.160 F3 + 0.286 F4 + 0.876 D1 + 1.242 D2

Trang 14


Phân tích đa biến
-

Giải thích mô hình: Phương trình hồi quy bội cho thấy sự hài lòng về dịch vụ,

chiêu thị, dịch vụ sau bán hàng, sản phẩm và loại khách hàng có tác động tỷ lệ thuận với
sự hài lòng chung. Trong đó sự hài lòng của nhóm khách hàng gắn kết trên 5 năm có tác
động mạnh nhất đến sự hài lòng.
-

Kiểm tra giả định về hiện tượng đa cộng tuyến (tương quan giữa các biến độc

lập) thông qua giá trị của độ chấp nhận (Tolerance) hoặc hệ số phóng đại phương sai VIF
(Variance inflation factor): VIF > 10 thì có thể nhận xét có hiện tượng đa cộng tuyến.
Tuy nhiên theo một số nhà nghiên cứu, VIF>5 là đã xảy ra hiện tượng đa cộng tuyến rồi
 VIF của các biến đều < 5 => không có hiện tượng đa cộng tuyến xảy ra.

Trang 15