1. Hệ số xác định R2 (Coefficient of determination)
Hệ số xác định R2 phản ánh phần biến thiên của biến phụ thuộc Y được giải thích bởi biến độc lập X (phần còn lại la do sai số, bao gồm sai số đo lường và các biến khác vắng mặt trong mô hình).
R2 biểu thị độ mạnh của mối quan hệ tuyến tính giữa Y và tập các biến độc lập Xk, và nó cũng chính là bình phương hệ số tương quan giữa Yi và Yi.
Hệ số xác định R2 đã được chứng mnh là hàm không giảm theo số biến độc lập được đưa vào mô hình. Nếu càng đưa thêm biến độc lập vào mô hình thì R2 càng tăng. Tuy nhiên, điều này cũng được chứng minh rằng không phải phương trình càng có nhiều biến sẽ càng phù hợp hơn với dữ liệu (hiện tượng overfitting).
2.Hệ số xác định điều chỉnh (Adjust coeficient of determination)
Trong mô hình hồi quy bội vì có nhiều biến độc lập nên chúng ta phải dùng hệ số xác định điều chỉnh Adj R2 (điều chỉnh theo bậc tự do) để thay để cho R2 trong khi so sánh với các mô hình. Hệ số điều chỉnh này giúp chúng ta điều chỉnh mức độ phù hợp của mô hình, kiểm tra những mô hình có nhiều biến độc lập nhưng thực sự trong đó có một số biến không giúp bao nhiêu cho việc giải thích biến thiên của biến phụ thuộc Y.
3. Kiểm định mức độ phù hợp của mô hình hồi quy bội (Model fit)
R2 là chỉ số dùng để đánh giá mức độ phù hợp của mô hình hồi quy tuyến tính bội.
Để kiểm định mức độ phù hợp của mô hình, chúng ta kiểm định giả thuyeestn H0: R2 = 0 so với giả thuyết thay thế H1: R2 ≠ 0.
Phép kiểm định F được sử dụng để kiểm định giả thuyết này và nó tương đương với phép kiểm định F trong ANOVA.
Điều kiện: sig. của F < 0.05.
4. Đa cộng tuyến
Trong mô hình hồi quy bội, chúng ta có 1 giả định cần kiểm tra là các biến độc lập không có tương quan hoàn toàn với nhau. Khi ước lượng mô hình hồi quy bội chúng ta cần kiểm tra giả định này thông qua hiện tượng đa cộng tuyến (multicolinearity). Đa cộng tuyến là hiện tượng các biến độc lập có tương quan mạnh với nhau. Để kiểm tra đa cộng tuyến, chỉ số thường dùng là hệ số phóng đại phương sai VIF (Variance Inflation Factor).
Thông thường, nếu VIF của một biến độc lập nào đó > 10 thì biến này hầu như không có giá trị giải thích biến thiên của Y trong mô hình hồi quy bội. Nếu VIF > 2, chúng ta cần thận trọng trong diễn giải các trọng số hồi quy.
5.Trọng số hồi quy đã chuẩn hóa
Trong phân tích hồi quy, chúng ta thường xem xét tầm quan trọng giữa các biến độc lập (mức độ giải thích của chúng chi biến thiên của biến phụ thuộc). Nếu chúng ta dùng trọng hồi quy chưa chuẩn hóa, chúng ta không thể so sánh được vì thang đo lường chúng thường khác nhau. Vì vậy, chúng ta phải sử dụng trọng số hồi quy đã chuẩn hóa. Trọng số hồi quy này chính là trọng số hồi quy chưa chuẩn hóa điều chỉnh theo biến thiên của biến độc lập và biến phụ thuộc trong mẫu.
Trong kết quả phân tích hồi quy bội, các thông số ta cần chú ý khi đọc kết quả gồm:
Giá trị sig. (mức ý nghĩa thống kê). Trong phân tích hồi quy có 3 mức ý nghĩa thường dùng là 1%, 5% và 10%. Nếu bạn chọn mức ý nghĩa là 5%, khi giá trị sig. trong phân tích hồi quy < 5% –> Kết luận: biến độc lập có ảnh hưởng đến biến phụ thuộc. Nếu sig. > 5% –> Kết luận: biến độc lập không có ảnh hưởng đến biến phụ thuộc.
Hệ số beta chuẩn hóa: Giá trị này dùng để so sánh mức độ tác động của các biến độc lập lên biến phụ thuộc. Giá trị này cũng thường dùng để trả lời cho mục tiêu nghiên cứu hoặc câu hỏi nghiên cứu mà các bạn đưa ra ở chương 1 của luận văn.
Bên cạnh đó, chúng ta cũng lưu ý về hệ số VIF (độ phóng đại phương sai). Hệ số VIF: hệ số này dùng để kiểm tra mô hình có bị đa cộng tuyến hay không. VIF < 2 hoặc 10 thì mô hình không có đa cộng tuyến. Đa cộng tuyến là hiện tượng các biến độc lập có tương quan mạnh với nhau.
Leave a Reply