Trang chủ / Khách Hàng

Phân Tích Tác Động Của Các Nhân Tố Ảnh Hưởng Đến Sự Hài Lòng Chung

3.4. Phân tích tác động của các nhân tố ảnh hưởng đến sự hài lòng chung

Phân tích tác động là tác giả xem xét tác động riêng của từng biến đo lường và tác động đồng thời của chúng đến sự hài lòng chung. Tức là ta tiến hành phân tích hồi qui tuyến tính đơn biến và hồi qui tuyến tính bội.

3.4.1. Phân tích hồi qui tuyến tính đơn biến

Sau khi tiến hành phân tích dữ liệu thu thập được thông qua bước phân tích độ tin cậy Cronbach alpha, mô hình nghiên cứu giữ nguyên như hình 1.5 đã được tác giả đề xuất ở chương 1, gồm có 3 nhân tố chất lượng dịch vụ, hình ảnh doanh nghiệp và giá dịch vụ. Trong đó nhân tố chất lượng dịch vụ bao gồm 5 nhân tố: Sự tin cậy, sự phản hồi, sự hữu hình, sự bảo đảm, sự cảm thông.

Trong đó các giả thuyết được đưa ra cần kiểm định là:

- H1: Sự hài lòng với chất lượng dịch vụ càng cao thì KH càng hài lòng

- H2: Sự hài lòng với hình ảnh càng cao thì KH càng hài lòng

- H3: Sự hài lòng với giá dịch vụ càng cao thì KH càng hài lòng

Tác giả tiến hành thực hiện phân tích hồi qui tuyến tính đơn biến giữa một biến độc lập và biến phụ thuộc để kiểm định giả thuyết và tìm ra mối liên hệ giữa các biến với nhau làm cơ sở để xây dựng mô hình hồi qui tuyến tính bội.

Hồi qui tuyến tính đơn là việc chúng ta xem xét cách đo lường mối quan hệ giữa hai biến định lượng. Khi phân tích hồi qui tuyến tính đơn biến chúng ta giả định là chỉ có một biến tác động vào sự hài lòng của khách hàng, các nhân tố khác không tác động đến sự hài lòng của khách hàng.

Kiểm định giả thuyết có thể dựa trên nhiều căn cứ. Tuy nhiên trong phạm vi bài viết tác giả dựa trên căn cứ chính là: Dựa vào sự phù hợp của phương trình hồi qui tuyến tính đơn và ý nghĩa của phương trình hồi tuyến tính đơn biến để đánh giá cụ thể hơn sự tác động của một biến độc lập lên biến phụ thuộc.

Bảng 3.14: Kết quả hồi qui đơn tuyến tính Model Summary(b)


Model


R

R

Square

Adjusted R

Square

Std.

Error of the Estimate


Change Statistics


Durbin- Watson

Có thể bạn quan tâm!

Xem toàn bộ 145 trang tài liệu này.

Phân tích và đề xuất các giải pháp để nâng cao sự hài lòng của khách hàng cá nhân đối với dịch vụ cho vay của Ngân hàng thương mại cổ phần Dầu khí Toàn cầu GP. Bank, chi nhánh Vũng Tàu - 11






R Square Change


F

Change


df1


df2


Sig. F Change


CLDV

.902(a)

0.814

0.813

0.198

0.814

775.977

1

177

0.000

1.808

HADN

.516(a)

0.266

0.262

0.394

0.266

64.153

1

177

0.000

1.724

GDV

.522(a)

0.273

0.269

0.392

0.273

66.422

1

177

0.000

1.843



Coefficients(a)




Model


Unstandardized Coefficients


Standardized Coefficients


t


Sig.


B

Std. Error


Beta

CLDV

(Constant)

0.826

0.113


7.292

0

CLDV

0.843

0.030

0.902

27.856

0

HADN

(Constant)

2.781

0.150


18.568

0

HADN

0.293

0.037

0.516

8.010

0

GCDV

(Constant)

3.052

0.115


26.582

0

GCDV

0.238

0.029

0.522

8.150

0


Từ kết quả chạy hồi qui đơn biến ở phụ lục 4, 5, 6 và bảng tổng hợp 3.14 ta lần lượt xây dựng mô hình hồi qui tuyến tính đơn biến.

- Mô hình hồi qui tuyến tính đơn biến


Mô hình hồi qui đơn tuyến tính dạng tổng quát được xây dựng từ dữ liệu mẫu có dạng:

Ŷi= B0 + B1 * Xi.

Trong đó:


Xi: Là trị quan sát thứ i của biến độc lập

Ŷi: Là giá trị dự đoán (hay giá trị lý thuyết) thứ i của biến phụ thuộc, dấu mũ đại diện cho giá trị dự đoán.

B0 và B1: Là hệ số hồi qui đã nhắc đến ở trên, phương pháp được dùng để xác định B0 và B1 là phương pháp bình phương nhỏ nhất thông thường (OLS – Ordinary Least Squares).

Từ mô hình hồi qui dạng tổng quát chúng ta sẽ xây dựng phương trình hồi qui tuyến tính đơn biến mô tả mối liên hệ giữa CLDV – “Chất lượng dịch vụ” là biến độc lập và SHL – “Sự hài lòng” (1), HADN – “ Hình ảnh doanh nghiệp” là biến độc lập và SHL (2), GDV – “Giá dịch vụ” là biến độc lập và SHL (3). Phương trình các đường thẳng có dạng:

1) SHLcl = B0cl + B1cl * CLDV

2) SHLha = B0ha + B1ha * HADN

3) SHLgd = B0gc + B1gc * GDV

Bảng 3.14 - Coefficients cung cấp cho chúng ta thông tin về hệ số hồi qui mà phương pháp OLS ước lượng được, độ dốc và hằng số được thể hiện trong cột B của bảng kết quả. Ta viết được phương trình hồi qui tuyến tính đơn biến tương ứng như sau:

1) SHLcl = 0.826 + 0.843 * CLDV

2) SHLha = 2.781 + 0.293 * HADN

3) SHLgd = 3.052 + 0.238 * GDV

Khi xác định được phương trình hồi qui, chúng ta cần phải tiến hành các bước đánh giá định độ phù hợp của mô hình hồi qui tuyến tính đơn biến.

- Đánh giá độ phù hợp của mô hình hồi qui tuyến tính đơn biến

Thước đo để đánh giá độ phù hợp của mô hình hồi qui tuyến tính đơn thường dùng là hệ số xác định R2 (coefficient of determination) và hệ số R2 hiệu chỉnh (Adjusted R Square). Người ta thường sử dụng hệ số R2 hiệu chỉnh (Adjusted R Square) để đánh giá sát hơn độ phù hợp của mô hình. R2 hiệu chỉnh càng cao và gần đến 1 thì độ phù hợp của mô hình càng cao. Trong bảng 3.14 - Model Summary ta thấy:

Thứ nhất mô hình hồi qui tuyến tính đơn biến giữa CLDV và SHL có giá trị R2 hiệu chỉnh = 0.813, nghĩa là 81.3% sự biến thiên mức độ hài lòng của khách hàng về dịch vụ cho vay được giải thích bởi biến chất lượng dịch vụ hay độ phù hợp của mô hình là 81.3%. Như vậy mức độ giải thích của biến CLDV cho biến SHL là rất cao.

Đồng thời ta cũng thấy giá trị Sig. F = 0.000 rất nhỏ nên mô hồi qui tuyến tính đơn phù hợp để giải thích mối quan hệ giữa biến CLDV và SHL.

Thứ hai mô hình hồi qui tuyến tính đơn biến giữa HADN và SHL có giá trị R2

hiệu chỉnh = 0.262, nghĩa là 26.2% sự biến thiên mức độ hài lòng của khách hàng được giải thích bởi biến hình ảnh doanh nghiệp. Điều này cho thấy mức độ phù hợp của mô hình hồi qui đơn tuyến tính giữa biến độc lập HADN và biến phụ thuộc SHL là 26.2%. Ta thấy Sig.F rất nhỏ nên mô hình hồi quy tuyến tính đơn biến phù hợp để giải thích mối quan hệ giữa biến HADN và SHL.

Thứ ba mô hình hồi qui tuyến tính đơn biến giữa GDV và SHL có giá trị R2 hiệu

chỉnh = 0.269, nghĩa là 26.9% sự biến thiên mức độ hài lòng của khách hàng được giải thích bởi biến GDV. Điều này cho thấy mức độ phù hợp của mô hình hồi qui đơn tuyến tính giữa biến độc lập GDV và biến phụ thuộc SHL là 26.9%. Ta cũng thấy giá trị Sig. F nhỏ nên mô hình hồi quy tuyến tính đơn biến phù hợp để giải thích mối quan hệ giữa GDV và SHL.

Như vậy mức độ giải thích của biến chất lượng dịch vụ đối với biến sự hài lòng của khách hàng là cao nhất.

- Giải thích phương trình


Cả ba phương trình hồi quy tuyến tính đơn biến đều phù hợp và có ý nghĩa.


Phương trình thứ nhất hồi qui tuyến tính đơn giữa CLDV - SHL:


SHLcl = 0.826 + 0.843 * CLDV

Ta thấy khi sự hài lòng về CLDV càng tăng thì SHL của khách hàng tăng do hệ số B0cl = 0.826 > 0 và B1cl = 0.843 > 0 mối quan hệ giữa CLDV và SHL là quan hệ tuyến tính thuận. Do đó giả thuyết H1: Sự hài lòng với chất lượng dịch vụ càng cao thì KH càng hài lòng được chấp nhận.

Phương trình thứ hai hồi qui tuyến tính đơn giữa HADN - SHL:


SHLha = 2.781 + 0.293 * HADN

Ta thấy khi sự hài lòng về HADN tăng thì SHL của khách hàng tăng do hệ số B0ha

= 2.781 > 0 và B1ha = 0.293 > 0 nên mối quan hệ giữa HADN và SHL là quan hệ tuyến

tính thuận. Vì vậy giả thuyết H2: Sự hài lòng với hình ảnh càng cao thì KH càng hài lòng được chấp nhận.

Phương trình thứ ba hồi qui tuyến tính đơn giữa GDV - SHL:


SHLgd = 3.052 + 0.238 * GDV

Ta nhận thấy khi sự hài lòng về giá dịch vụ tăng thì sự hài lòng của khách hàng tăng do hệ số B0gd = 3.052 > 0 và B1gd = 0.238 > 0 nên mối quan hệ giữa giá dịch vụ và sự hài lòng là quan hệ tuyến tính thuận. Do vậy giả thuyết H3: Sự hài lòng với giá dịch vụ càng cao thì KH càng hài lòng được chấp nhận.

- Kết luận


Phân tích hồi qui tuyến tính đơn biến cho ta thấy chất lượng dịch vụ là biến giải thích tốt nhất cho sự hài lòng của khách hàng. Cả ba biến chất lượng dịch vụ, hình ảnh doanh nghiệp và sự hài lòng đều có mối quan hệ tuyến tính thuận với biến sự hài lòng làm cơ sở để tác giả xây dựng mô hình hồi quy tuyến tính bội. Đồng thời các giả thuyết dưới đây đã được kiểm định:

Bảng 3.15: Kết quả kiểm định giả thuyết


Giả thuyết

Kết quả kiểm định

- H1: Sự hài lòng với chất lượng dịch vụ càng cao thì KH càng hài lòng

Chấp nhận

- H2: Sự hài lòng với hình ảnh càng cao thì KH càng hài lòng

Chấp nhận

- H3: Sự hài lòng với giá dịch vụ càng cao thì KH càng hài lòng

Chấp nhận

3.4.2. Phân tích hồi qui tuyến tính bội

Trên thực tế một biến phụ thuộc thường chịu tác động của hai hay nhiều biến độc lập. Mô hình hồ qui tuyến tính bội còn được gọi là mô hình hồi qui tuyến tính đa biến là một trong những mô hình thống kê được sử dụng phổ biến trong kiểm định lý thuyết khoa học (kiểm định mô hình nghiên cứu). Khi sử dụng mô hình hồi qui tuyến tính bội chúng ta cần chú ý đến sự phù hợp của mô hình và kiểm tra các giả định.

Phân tích hồi qui bội được sử dụng để nghiên cứu sự hài lòng của khách hàng nhằm xác định mối quan hệ nhân quả giữa biến phụ thuộc: Sự hài lòng của khách hàng

- SHL và các biến độc lập: “Chất lượng dịch vụ” – CLDV; “Hình ảnh doanh nghiệp” - HADN; “Giá dịch vụ” - GDV. Mục đích phân tích hồi qui bội nhằm dự đoán giá trị biến phụ thuộc khi biết trước giá trị của các biến độc lập, qua đó chúng ta có thể xem xét mức độ tác động của các biến độc lập lên biến phụ thuộc. Phương pháp phân tích được lựa chọn là phương pháp Steepwise, một phương pháp phổ biến và phù hợp để khám phá mối quan hệ giữa các biến. Kết quả phân tích thể hiện cụ thể trong bảng 3.16.

Bảng 3.16: Kết quả phân tích hồi qui tuyến tính bội

Model Summary(d)


Mode

l


R

R

Square

Adjusted

R Square

Std. Error of

the Estimate


Change Statistics

Durbin-

Watson






R Square

Change


F Change


df1


df2

Sig. F

Change


1

.902(a)

.814

.813

.19831

.814

775.977

1

177

.000


2

.919(b)

.845

.843

.18189

.030

34.400

1

176

.000


3

.954(c)

.909

.908

.13928

.065

125.151

1

175

.000

1.932


ANOVA(d)



Model


Sum of

Squares


df

Mean

Square


F


Sig.

1

Regression

30.516

1

30.516

775.977

.000(a)


Residual

6.961

177

.039




Total

37.477

178




2

Regression

31.654

2

15.827

478.402

.000(b)


Residual

5.823

176

.033




Total

37.477

178




3

Regression

34.082

3

11.361

585.629

.000(c)


Residual

3.395

175

.019




Total

37.477

178




Coefficients(a)



Model



Unstandardized Coefficients


Standardized Coefficients


t


Sig.


Collinearity Statistics



B

Std. Error

Beta



Tolerance

VIF

1

(Constant)

.826

.113


7.292

.000




CLDV

.843

.030

.902

27.856

.000

1.000

1.000

2

(Constant)

.653

.108


6.046

.000




CLDV

.773

.030

.828

25.602

.000

.845

1.184


HADN

.108

.018

.190

5.865

.000

.845

1.184

3

(Constant)

.482

.084


5.732

.000




CLDV

.703

.024

.753

29.364

.000

.787

1.270


HADN

.100

.014

.175

7.072

.000

.842

1.187


GCDV

.122

.011

.267

11.187

.000

.907

1.102


Excluded Variables(c)



Model



Beta In


t


Sig.

Partial

Correlation


Collinearity Statistics








Tolerance


VIF

Minimum

Tolerance

1

HADN

.190(a)

5.865

.000

.404

.845

1.184

.845


GCDV

.276(a)

10.230

.000

.611

.910

1.099

.910

2

HADN









GCDV

.267(b)

11.187

.000

.646

.907

1.102

.787


- Mô hình hồi qui tuyến tính bội


Mô hình hồ qui tuyến tính bội là mở rộng của mô hình hồi qui tuyến tính đơn biến bằng cách đưa thêm các biến độc lập để giải thích tốt hơn cho biến phụ thuộc. Trong nội dung của bài viết tác giả xem xét các nhân tố tác động đến sự hài lòng của khách hàng đối với dịch vụ cho vay của ngân hàng. Các nhân tố được đề xuất trong mô hình là: CLDV – chất lượng dịch vụ, HADN – hình ảnh doanh nghiệp, GDV – giá dịch vụ. Vì vậy mô hình hồi qui tuyến tính bội được đề xuất có dạng như sau:

SHL = β0 + β1 * CLDV + β2 * HADN + β3 * GDV

Trong đó β được gọi là các hệ số hồi qui.

Bảng 3.16 - Coefficients cung cấp cho chúng ta thông tin về hệ số hồi qui mà phương pháp OLS ước lượng được, độ dốc và hằng số được thể hiện trong cột B của bảng kết quả. Ta viết được phương trình hồi qui tuyến tính đa biến:

SHL = 0.482 + 0.703 * CLDV + 0.1 * HADN + 0.122 * GDV

Khi xác định được phương trình hồi qui, chúng ta cần phải tiến hành các bước đánh giá và kiểm định độ phù hợp của mô hình để xem xét mô hình từ ước lượng mẫu có phù hợp để áp dụng cho đám đông hay không. Trong kiểm định độ phù hợp của mô hình hồi qui tuyến tính bội chúng ta cần thực hiện thêm một số phép kiểm định so với mô hình hồi qui đơn tuyến tính.

- Đánh giá độ phù hợp của mô hình hồi qui tuyến tính bội


Để đánh giá độ phù hợp của mô hình hồi qui tuyến tính bội tương tự như mô hình hồi qui đơn tuyến tính ta cần xác định hệ số R2 hoặc hệ số R2 hiệu chỉnh (Adjusted R Square). Hầu như không có đường thẳng nào có thể phù hợp hoàn toàn với tập dữ liệu, vẫn luôn có sự sai lệch giữa các giá trị dự báo được cho ra bởi đường thẳng và các giá trị thực tế thể hiện qua phần dư. R2 = 1 thể hiện mô hình hồi qui tuyến tính bội phù hợp 100% với tập dữ liệu mẫu. Trong bảng 3.16 – Model summary giá trị R2 = 0.909. Do chúng ta không thể có được R2 của đám đông vì không có dữ liệu của đám đông mà phải dùng hệ số xác định R2 hiệu chỉnh (Adjusted R Square) từ R2( R square) để ước lượng cho đám đông. Vì vậy R2 hiệu chỉnh từ R2 được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình hồi qui tuyến tính bội. So sánh R2 hiệu chỉnh và R2 thì R2 hiệu chỉnh nhỏ hơn (Adjusted R Square = 0.908) trong khi đó R square = 0.909, khi dùng nó để đánh giá độ phù hợp của mô hình sẽ an toàn hơn vì nó không thổi phồng mức độ phù hợp của mô hình. Như vậy R2 hiệu chỉnh của mô hình là 0.908 cho thấy mức độ phù hợp của mô hình hồi qui tuyến tính bội với biến quan sát ở mức độ rất cao (90.8% sự biến thiên của sự hài lòng của khách hàng về chất lượng dịch vụ giải thích bởi mối liên hệ tuyến tính của các biến độc lập) điều này có nghĩa là mô hình hồi qui tuyến tính bội phù hợp để giải thích mối quan hệ giữa sự hài lòng của khách hàng cá nhân đối với dịch vụ cho vay của ngân hàng GP. Bank, chi nhánh Vũng Tàu. Ta cũng thấy R2 hiệu chỉnh của mô hình hồi qui tuyến tình bội cao hơn so với ba mô hình hồi qui tuyến tính đơn đã được phân tích ở trên. Điều này cho thấy mô hình hồi qui

Xem toàn bộ nội dung bài viết ᛨ

..... Xem trang tiếp theo?
⇦ Trang trước - Trang tiếp theo ⇨

Ngày đăng: 18/04/2023