Multiple regression analysis In thi

Multiple regression analysis
In this research, Multiple Linear Regression method was used to test the research model and hypotheses. Pallant (2005) explains the conditions to accept the result are: The sample size is: n > 50 + 8m (where m is the number of independent; variables); No multicollinearity is found; Normality and linearity should exist; Heteroskedasticity does not exist. We also use R-square value to express how much of the variance in the dependent variable was explained by the model.
Pearson Correlation Coefficient and bootstrap sampling
Because this research used a relatively large set of variables, and EFA of independent and dependent variable were separated to run, therefore we need to test the correlation between the dependent variable and each independent variable to assure that they really had the correlation. In that case, the separated EFA result was acceptable and meaningful. According to Pallant (2011), Pearson correlation coefficients (r) can only take on values from - t +1. However, a correlation of 0 indicates no relationship between the three variables. To adapt this condition, the Pearson coefficient must not be too high (.60 or above). Below are the Pearson correlation coefficients between dependent variable and each independent variable calculated through mean value of each variables (see table 16): As correlation result, the Pearson correlation coefficients between three independent variables (Thief of cash, Thief of inventories and data; and Thief of Times) were all smaller than .60, this showed that actually there were correlations between them as well as they were enough discriminate not to be merged together. Hence, the separated EFA results of dependent and independent variables were acceptable.
Table 16: Pearson correlation coefficients between the independent variables

Kết quả (Việt) 1:

Nhiều phân tích hồi qui Trong nghiên cứu này, hồi qui tuyến tính nhiều phương pháp được sử dụng để thử nghiệm mô hình nghiên cứu và giả thuyết. Pallant (2005) giải thích các điều kiện để chấp nhận kết quả: kích thước mẫu là: n > 50 + 8 m (trong đó m là số độc lập; biến); Multicollinearity không có loài này; Bình thường và linearity nên tồn tại; Heteroskedasticity không tồn tại. Chúng tôi cũng sử dụng giá trị R-vuông để nhận bao nhiêu phương sai phụ thuộc vào biến đã được giải thích bởi các mô hình. Pearson tương quan hệ số và bootstrap lấy mẫuBởi vì nghiên cứu này sử dụng một tập hợp tương đối lớn của các biến, và EFA độc lập và phụ thuộc vào biến đã được tách ra để chạy, vì vậy chúng tôi cần phải kiểm tra các mối tương quan giữa các biến phụ thuộc và mỗi biến độc lập để đảm bảo rằng họ thực sự có sự tương quan. Trong trường hợp đó, kết quả EFA tách ra là chấp nhận được và có ý nghĩa. Theo Pallant (2011), Hệ số tương quan Pearson (r) chỉ có thể mất trên các giá trị từ - t + 1. Tuy nhiên, một sự tương quan của 0 cho thấy không có mối quan hệ giữa các biến ba. Để thích ứng với tình trạng này, Hệ số Pearson không phải là quá cao (.60 hoặc cao hơn). Dưới đây hệ số tương quan Pearson giữa phụ thuộc vào biến và mỗi biến độc lập tính thông qua các giá trị trung bình của mỗi biến (xem bảng 16): như là kết quả sự tương quan, Hệ số tương quan Pearson giữa ba biến độc lập (tên trộm tiền mặt, kẻ trộm của hàng tồn kho và dữ liệu; và kẻ trộm lần) đã tất cả nhỏ hơn.60, điều này cho thấy rằng thực sự đã có mối tương quan giữa chúng cũng như họ đã đủ discriminate phải được sáp nhập với nhau. Do đó, bị tách EFA kết quả của phụ thuộc và độc lập biến đã được chấp nhận được.Bảng 16: Pearson hệ số tương quan giữa các biến độc lập

Kết quả (Việt) 2:

Phân tích hồi quy đa
Trong nghiên cứu này, Nhiều phương pháp hồi quy tuyến tính được sử dụng để thử nghiệm các mô hình nghiên cứu và giả thuyết. Pallant (2005) giải thích các điều kiện để chấp nhận kết quả là: Kích thước mẫu là: n> 50 + 8m (trong đó m là số lượng độc lập; các biến); Không có đa cộng được tìm thấy; Bình thường và tuyến tính nên tồn tại; Heteroskedasticity không tồn tại. Chúng tôi cũng sử dụng giá trị R-square để thể hiện bao nhiêu sự khác biệt trong các biến phụ thuộc được giải thích bằng mô hình.
Pearson Correlation Coefficient và lấy mẫu bootstrap
Bởi vì nghiên cứu này sử dụng một tập hợp tương đối lớn của các biến, và EFA của biến độc lập và phụ thuộc đã được tách ra để chạy, do đó chúng ta cần phải kiểm tra sự tương quan giữa biến phụ thuộc và mỗi biến độc lập để đảm bảo rằng họ thực sự có mối tương quan. Trong trường hợp đó, các kết quả EFA tách là chấp nhận được và có ý nghĩa. Theo Pallant (2011), hệ số tương quan Pearson (r) chỉ có thể đưa vào các giá trị từ - t 1. Tuy nhiên, một mối tương quan bằng 0 chỉ có mối quan hệ giữa ba biến. Để thích ứng với tình trạng này, hệ số Pearson không phải là quá cao (0,60 hoặc cao hơn). Dưới đây là các hệ số tương quan Pearson giữa biến phụ thuộc và biến độc lập từng tính thông qua giá trị trung bình của mỗi biến (xem bảng 16): Kết quả tương quan, các hệ số tương quan Pearson giữa ba biến độc lập (Thief tiền mặt, Thief của hàng tồn kho và dữ liệu; và Thief of Times) đều nhỏ hơn 0,60, điều này cho thấy rằng thực sự có mối tương quan giữa chúng cũng như họ đã đủ kỳ thị không được sáp nhập với nhau. Do đó, kết quả EFA tách của các biến phụ thuộc và độc lập là chấp nhận được.
Bảng 16: Pearson hệ số tương quan giữa các biến độc lập