Đề tài Phân tích sản lượng và doanh thu ngành Bưu chính viễn thông (giai đoạn 1995-2011)

LỜI NÓI ĐẦU MỤC LỤC CHƯƠNG I- PHÂN TÍCH BÀI TOÁN – BẢNG SỐ LIỆU 4 I. Phân tích bài toán 4 II. Bảng số liệu 4 CHƯƠNG II- PHÂN TÍCH ĐẶC TRƯNG 6 I- Phân tích đặc trưng 6 CHƯƠNG III- PHÂN TÍCH HỒI QUY 8 I- Khái niệm 8 1. Khái niệm 8 2. Mục đích hồi quy: 8 3. Một số dạng hàm cơ bản trong phân tích hồi qui 8 II- Các thông số đánh giá 9 1. Hệ số tương quan R (Coefficient of correlation) 9 2. Bình phương của hệ số tương quan (R square) 10 3. Sai số chuẩn (standard error – với hồi quy đơn là N-2) 10 4. Hệ số hồi quy B-độ nghiêng B (regression coefficient) 10 III- Hồi quy đơn biến 10 1. Yếu tố “Bưu phẩm đi có cước” 11 2. Yếu tố “Bưu kiện đi có cước (nghìn cái)” 13 3. Yếu tố “Thư và điện chuyển tiền (nghìn bức)” 15 4. Yếu tố “Báo chí phát hành (triệu tờ)” 18 5. Điện báo có cước (triệutiếng) 20 6. Yếu tố “Điện thoại đường dài (triệu phút)” 22 IV- Hồi quy đa biến 25 1. Hồi quy đa biến tổng quát. 25 2. Hồi quy đa biến với bài toán 25 V- Kết luận về mức độ ảnh hưởng của các yếu tố tới doanh thu 28 CHƯƠNG IV- PHÂN TÍCH CHUỖI THỜI GIAN 29 I- Khái niệm 29 1. Định nghĩa 29 2. Phương pháp phân rã. 29 II- Dự báo những năm tiếp theo của bài toán 32 KẾT LUẬN 35 TÀI LIỆU THAM KHẢO 36 BẢNG PHÂN CÔNG CÔNG VIỆC STT  Họ và tên  Công việc  Ghi chú   1  LƯƠNG ĐÌNH LƯU     2  PHẠM DUY KHÁNH     3  TRẦN QUANG HỢP     PHÂN TÍCH BÀI TOÁN – BẢNG SỐ LIỆU Phân tích bài toán Tên đề tài: Phân tích sản lượng và doanh thu ngành bưu chính viễn thông (giai đoạn 1995-2011). Tập dữ liệu mà nhóm 13 nghiên cứu gồm 8 yếu tố với 17 bộ dữ liệu Chúng ta nhận thấy biến phụ thuộc là biến Doanh thu (tỉ đồng). Ở dữ liệu này có 6 biến độc lập là: Bưu phẩm đi có cước, Bưu kiện đi có cước, Thư và điện chuyển tiền, Báo chí phát hành, Điện báo có cước, Điện thoại đường dài. Các biến độc lập này dùng để dự đoán được biến phụ thuộc (Doanh thu). Phương pháp phân tích bài toán Với tập dữ liệu này ta sẽ dùng các phương pháp là hồi quy tuyến tính, phân tích đặc trưng và phân tích chuỗi thời gian. Bảng số liệu Năm  Bưu phẩm đi có cước (triệu cái)  Bưu kiện đi có cước (nghìn cái)  Thư và điện chuyển tiền (nghìn bức)  Báo chí phát hành (triệu tờ)  Điện báo có cước (triệu tiếng)  Điện thoại đường dài (triệu phút)  Doanh thu (tỉ đồng)            1995  116.5  162.0  1365.0  223.5  49.6  845.8  4207.4   1996  121.4  230.0  1744.0  238.9  45.9  1179.6  5930.2   1997  124.9  307.0  2408.0  214.8  42.0  1495.5  7255.4   1998  135.0  433.0  3358.0  225.6  35.0  1736.5  9249.5   1999  146.7  962.0  3751.0  239.6  28.2  2037.3  9138.5   2000  155.0  709.0  4412.0  299.1  0.0  2490.7  11000.9   2001  148.1  1080.0  4883.0  286.8  0.0  2730.7  13978.2   2002  162.3  789.9  5625.0  285.4  0.0  3258.3  16822.0   2003  181.6  1080.3  6518.0  307.9  0.0  3904.7  19250.3   2004  191.8  1378.0  7174.0  411.6  0.0  4784.5  25870.4   2005  238.3  1344.0  7723.0  432.3  0.0  4358.2  30831.2   2006  166.7  1297.0  8139.0  404.2  0.0  4410.8  36351.3   2007  234.7  1559.0  8786.0  396.5  0.0  3995.2  42348.7   2008  251.3  1753.0  8664.0  430.7  0.0  4359.2  48915.0   2009  332.9  2402.1  8183.0  577.2  0.0  2458.2  71432.3   2010  342.1  2526.0  9010.0  553.3  0.0  3147.6  82709.3   2011  393.4  2778.6  9460.0  608.6  0.0  2548.2  83091.6   PHÂN TÍCH ĐẶC TRƯNG Phân tích đặc trưng Chúng ta tiến hành phân tích từng thành phần số liệu riêng của từng sản lượng của từng yếu tốvà rút ra các bảng kết quả sau: Chú thích Count: Số lượng mẫu. Average: Số trung bình. Median: Trung vị. Mode: Số trội. Variance: Phương sai. Standard deviation: Độ lệch chuẩn. Coeff. of variation: Hệ số biến thiên. Standard Error: Sai số chuẩn. Minimum: Trị số quan sát bé nhất. Maximum: Trị số quan sát lớn nhất. Range: Độ biến thiên. Skewness: Độ lệch của phân bố. Kurtosis: Độ nhọn của phân bố. Sum: Tổng các trị số quan sát. Làm ví dụ với yếu tố “Bưu phẩm đi có cước”. Để phân tích đặc trưng ta chọn: Analyze > Variable Data > One – Variable Analysis… / / Đây là bảng phân tích đặc trưng nhận được Cách tính các giá trị trong bảng: Median Med= 𝑋 𝑛+1 2  Variance S2 = 1 𝑁′ 𝑖=1 𝑁 ( 𝑋 𝑖 − 𝑋 ) 2 Standard deviation Sf = 𝑆 2 = 84.3966 Coeff. of variation Cv = 𝑆 𝑓 𝑋 ∙100 = 41.6749% Standard error S 𝑥 = 𝑆 𝑓 𝑁 Range = Maximum – Minimum Skewness = 𝑁 𝑁−1 (𝑁−2) 𝑥 𝑗− 𝑥 𝑠 3 = 1.89988 Kurtosis = 𝑛(𝑛+1) 𝑛−1 𝑛−2 (𝑛−3) 𝑥 𝑗− 𝑥 𝑠 4 − 3 𝑛−1 2 𝑛−2 (𝑛−3) = 0.227539s Kết luận: Nhận xét sơ bộ: Nhìn vào bảng kết quả ta quan tâm đến các thông số sau: Skewness có giá trị >0 nên tập số liệu có xu hướng lớn hơn giá trị trung bình và đồ thị phân bố có xu hướng “lệch trái” so với giá trị trung bình. Kurtosis có giá trị >0 nên tập số liệu có xu hướng phân bố xung quanh giá trị trung bình (Đồ thị phân bố của tập số liệu này “nhọn hơn phân phối chuẩn”) PHÂN TÍCH HỒI QUY Khái niệm Khái niệm Phân tích hồi quy là tìm quan hệ phụ thuộc của một biến, được gọi là biết phụ thuộc vào một hoặc nhiều biến khác, được gọi là biến độc lập nhằm mục đích ước lượng hoặc tiên đoán giá trị kỳ vọng của biến phụ thuộc khi biết trước giá trị của biến độc lập. Mục đích hồi quy: Ước lượng trung bình biến phụ thuộc trong những điều kiện xác định của biến giải thích. Ước lượng các tham số. Kiểm định về mối quan hệ. Dự báo giá trị biến phụ thuộc khi biến giả thích thay đổi Một số dạng hàm cơ bản trong phân tích hồi qui Dạng hàm tuyến tính: Phương trình: Yi= β1 + β2Xi + ui Ưu điểm: Có tính đơn giản. Mỗ lần X tăng thêm một đơn vị thì Y tăng thêm β2 đơn vị Nhược điểm: Tính đơn giản của hàm tuyến tính,bất kỳ lúc nào tác động của X phụ thuộc vào các giá trị của X hoặc Y, thì dạng hàm tuyến tính không thể là dạng hàm phù hợp. Dạng hàm Bậc hai: Phương trình: Yi= β1 + β2Xi + β3Xi2 + ui Khi X tăng thêm một đơn vị thì Y tăng thêm β2 + 2β3Xi đơn vị. Nếu β3>0, thì khi tăng lên Nếu β3< 0, thì khi X tăng lên tác động bổ sung của X đến Y giảm xuống. Nếu có đường biểu diễn chi phí thì chi phí biên sẽ là MC= β2+ 2β3Q Dạng hàm logarit Phương trình: lnYi= β1 + β2lnXi+ ui Nếu X thay đổi 1% thì Y sẽ thay đổi B2%; đây là tính chất đặc biệt của quan hệ logarit. Các thông số đánh giá Hệ số tương quan R (Coefficient of correlation) Yếu tố nào có R càng lớn thì ảnh hưởng càng nhiều Theo như kết quả kiểm duyệt: R < 0.3 ( không tương quan 0.3 < R < 0.7 ( có dấu hiệu 0.5 < R < 0.7 ( hơi tương quan 0.7 < R < 0.9( tương quan R > 0.9 ( rất tương quan Bình phương của hệ số tương quan (R square) Yếu tố nào có R2 càng lớn thì mối quan hệ giữa yếu tố đó và biến y càng chặt chẽ: Trong đó: SSE (Sum of Square Error): SST (Sum of Square Total): Adjusted R –Square: Sai số chuẩn (standard error – với hồi quy đơn là N-2) / Hệ số hồi quy B-độ nghiêng B (regression coefficient) Yếu tố nào có B cao thì ảnh hưởng nhiều hơn, tuy nhiên các yếu tố có đơn vị khác nhau (năm, triệu cái, nghìn cái, triệu tờ, triệu tiếng,…) nên không thể so sánh mức ảnh hưởng giữa các yếu tố. Nếu muốn so sánh phải đổi các yếu tố có cùng đơn vị là độ lệch chuẩn, lúc đó ta có hệ số hồi qui chuẩn hóa: Bs= B. 𝑆𝑥/𝑆𝑦 ( Với Sx là độ lệch chuẩn của x tương ứng và Sy là độ lệch chuẩn của y). Hồi quy đơn biến Xét độ nghiêng của đồ thị để xem mô hình có thể chấp nhận Ho hay Ha. Tức là ta phải tính giá trị ttính và so sánh với giá trị tbảng : Nếu ttính> tbảng : chấp nhận Ha và kết luận mô hình đưa ra khá thích hợp với dự báo Ngược lại nếu ttính< tbảng : chấp nhận Ho và kết luận mô hình không có ý nghĩa, không đủ năng lực dự báo. Phần mềm sử dụng là STATGRAPHIC. Để phân tích hồi quy đơn biến ta làm như sau: vào Improve ( Regression Analysis ( One factor ( Simple Regression Yếu tố “Bưu phẩm đi có cước” Coefficients  Least Squares  Standard  T    Parameter  Estimate  Error  Statistic  P-Value   Intercept  -31864.0  4116.35  -7.74084  0.0000   Slope  307.918  18.8445  16.3399  0.0000   Analysis of Variance Source  Sum of Squares  Df  Mean Square  F-Ratio  P-Value   Model  1.08054E10  1  1.08054E10  266.99  0.0000   Residual  6.0706E8  15  4.04707E7     Total (Corr.)  1.14124E10  16      Correlation Coefficient = 0.97304 R-squared = 94.6807 percent R-squared (adjusted for d.f.) = 94.3261 percent Standard Error of Est. = 6361.65 Mean absolute error = 3972.39 Durbin-Watson statistic = 2.40009 (P=0.7247) Lag 1 residual autocorrelation = -0.231529 y = -31864 + 307.918*x1 Trong đó: Correlation Coefficient: Hệ số tương quan R-squared: hệ số xác định (bình phương R) Standard Error of Est: độ lệch chuẩn Mean absolute erro: trung bình lỗi / Đánh giá yếu tố “Bưu phẩm đi có cước” với biến phụ thuộc là “Doanh thu” để xem số lượng bưu phẩm đi có cước ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=0.97304 điều đó cho thấy “Bưu phẩm đi có cước” rất tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 94,6807% điều đó khẳng định được rằng yếu tố “Bưu phẩm đi có cước” có khả năng giải thích khoảng 94,6807% sự thay đổi của biến phụ thuộc chính là “Doanh thu” Ta so sánh đến giá trị P-value của biến độc lập này. Trước hết xin nói rõ ý nghĩa của giá trị P-value trong phân tích thống kê số liệu: khi nhà nghiên cứu đã nghiên cứu ra một giả thuyết thì ông cũng pải định nghĩa giả thuyết đảo cho nó (null hypothesis) tức là một giả thuyết ngược lại với những gì mình nghiên cứu và tin nó là thật. Ví dụ như theo truyền thống trong y học nếu giá trị xác suất nhỏ hơn 5% nhà nghiên cứu có thể bác bỏ đi giả thuyết đảo còn nếu giá trị xác suất mà lớn 5% thì không có lý do gì để bác bỏ nó hay chưa có bằng chứng đầy đủ dể bác bỏ nó nhưng cũng không có nghĩa là giả thuyết đảo là đúng là sự thật. Với yếu tố này Pvalue = 0.0000 điều này có nghĩa là yếu tố mà ta đang xét gần như bác bỏ giả thuyết đảo của nó, và cũng gần như chấp nhận giả thuyết đang tin tưởng đó là yếu tố “Bưu phẩm đi có cước” có ảnh hưởng nhiều đến Doanh thu Đánh giá với độ lệch chuẩn: hầu hết ta mong đợi các giá trị quan sát của y nằm trong khoảng phạm vi 2s của các giá trị y tính toán theo phương pháp bình phương cực tiểu của chúng Ta sẽ kiểm định giả thuyết với giá trị độ dốc B Bác bỏ Ha nếu B = 0 và ngược lại bác bỏ Ho nếu B ≠ 0 (B > 0 hoặc B < 0) Giả định độ tin cậy P = 95% Ta cóttính= 16.3399 So sánhtbảng= Ta nhậnthấyttính>tbảng Ta chấp nhận Ha và bác bỏ Ho. Điều này cho thấy mô hình mà ta đang xét với một biến độc lập (Bưu phẩm đi có cước) là khá phù hợp và biến này có khả năng giải thích cho biến phụ thuộc là Doanh thu. Yếu tố “Bưu kiện đi có cước (nghìn cái)” Coefficients  Least Squares  Standard  T    Parameter  Estimate  Error  Statistic  P-Value   Intercept  -9231.65  3273.69  -2.81996  0.0129   Slope  32.4815  2.26514  14.3398  0.0000   Analysis of Variance Source  Sum of Squares  Df  Mean Square  F-Ratio  P-Value   Model  1.06365E10  1  1.06365E10  205.63  0.0000   Residual  7.75902E8  15  5.17268E7     Total (Corr.)  1.14124E10  16      Correlation Coefficient = 0.965408 R-squared = 93.2013 percent R-squared (adjusted for d.f.) = 92.748 percent Standard Error of Est. = 7192.14 Mean absolute error = 5576.68 Durbin-Watson statistic = 1.16837 (P=0.0163) Lag 1 residual autocorrelation = 0.369967 / / Đánh giá yếu tố “Bưu kiện đi có cước” với biến phụ thuộc là “Doanh thu” để xem số lượng bưu phẩm đi có cước ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=0.965408 điều đó cho thấy “Bưu kiện đi có cước” rất tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 93,2013% điều đó khẳng định được rằng yếu tố “Bưu kiện đi có cước” có khả năng giải thích khoảng 93,2013% sự thay đổi của biến phụ thuộc chính là “Doanh thu” Ta so sánh đến giá trị P-value của biến độc lập này. Với yếu tố này Pvalue = 0.0000 điều này có nghĩa là yếu tố mà ta đang xét gần như bác bỏ giả thuyết đảo của nó, và cũng gần như chấp nhận giả thuyết đang tin tưởng đó là yếu tố “Bưu kiện đi có cước” có ảnh hưởng nhiều đến Doanh thu Giả định độ tin cậy P = 95% Ta cóttính= 14,3398 So sánhtbảng = Ta nhậnthấyttính>tbảng Ta chấp nhận Ha và bác bỏ Ho. Điều này cho thấy mô hình mà ta đang xét với một biến độc lập (Bưu kiện đi có cước) là khá phù hợp và biến này có khả năng giải thích cho biến phụ thuộc là Doanh thu. Yếu tố “Thư và điện chuyển tiền (nghìn bức)” Coefficients  Least Squares  Standard  T    Parameter  Estimate  Error  Statistic  P-Value   Intercept  -18892.3  8846.12  -2.13566  0.0496   Slope  8.29571  1.3586  6.10609  0.0000   Analysis of Variance Source  Sum of Squares  Df  Mean Square  F-Ratio  P-Value   Model  8.13829E9  1  8.13829E9  37.28  0.0000   Residual  3.27415E9  15  2.18277E8     Total (Corr.)  1.14124E10  16      Correlation Coefficient = 0.844457 R-squared = 71.3107 percent R-squared (adjusted for d.f.) = 69.3981 percent Standard Error of Est. = 14774.2 Mean absolute error = 11928.4 Durbin-Watson statistic = 0.278645 (P=0.0000) Lag 1 residual autocorrelation = 0.755119 / / Đánh giá yếu tố “Thư và điện chuyển tiền” với biến phụ thuộc là “Doanh thu” để xem số thư và điện chuyển tiền ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=0.844457 điều đó cho thấy “Thư và điện chuyển tiền” tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 71,3107% điều đó khẳng định được rằng yếu tố “Thư và điện chuyển tiền” có khả năng giải thích khoảng 71,3107% sự thay đổi của biến phụ thuộc chính là “Doanh thu” Ta so sánh đến giá trị P-value của biến độc lập này. Với yếu tố này Pvalue = 0.0000 điều này có nghĩa là yếu tố mà ta đang xét gần như bác bỏ giả thuyết đảo của nó, và cũng gần như chấp nhận giả thuyết đang tin tưởng đó là yếu tố “Thư và điện chuyển tiền” có ảnh hưởng nhiều đến Doanh thu Giả định độ tin cậy P = 95% Ta cóttính= 6,10609 So sánhtbảng = Ta nhậnthấyttính>tbảng Ta chấp nhận Ha và bác bỏ Ho. Điều này cho thấy mô hình mà ta đang xét với một biến độc lập (Thư và điện chuyển tiền) là khá phù hợp và biến này có khả năng giải thích cho biến phụ thuộc là Doanh thu. Yếu tố “Báo chí phát hành (triệu tờ)” Coefficients  Least Squares  Standard  T    Parameter  Estimate  Error  Statistic  P-Value   Intercept  -41489.8  5407.16  -7.67312  0.0000   Slope  199.431  14.1525  14.0915  0.0000   Analysis of Variance Source  Sum of Squares  Df  Mean Square  F-Ratio  P-Value   Model  1.06109E10  1  1.06109E10  198.57  0.0000   Residual  8.01543E8  15  5.34362E7     Total (Corr.)  1.14124E10  16      Correlation Coefficient = 0.964244 R-squared = 92.9766 percent R-squared (adjusted for d.f.) = 92.5084 percent Standard Error of Est. = 7310.01 Mean absolute error = 5100.44 Durbin-Watson statistic = 1.23012 (P=0.0238) Lag 1 residual autocorrelation = 0.377733 // Đánh giá yếu tố “Báo chí phát hành” với biến phụ thuộc là “Doanh thu” để xem số lượng Báo chí phát hành ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=0.964244 điều đó cho thấy “Báo chí phát hành” tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 92,9766% điều đó khẳng định được rằng yếu tố “Báo chí phát hành” có khả năng giải thích khoảng 92,9766% sự thay đổi của biến phụ thuộc chính là “Doanh thu” Ta so sánh đến giá trị P-value của biến độc lập này. Với yếu tố này Pvalue = 0.0000 điều này có nghĩa là yếu tố mà ta đang xét gần như bác bỏ giả thuyết đảo của nó, và cũng gần như chấp nhận giả thuyết đang tin tưởng đó là yếu tố “Báo chí phát hành” có ảnh hưởng nhiều đến Doanh thu Giả định độ tin cậy P = 95% Ta cóttính= 14,0915 So sánhtbảng = Ta nhậnthấyttính>tbảng Ta chấp nhận Ha và bác bỏ Ho. Điều này cho thấy mô hình mà ta đang xét với một biến độc lập (Báo chí phát hành) là khá phù hợp và biến nàycó khả năng giải thích cho biến phụ thuộc là Doanh thu. Điện báo có cước (triệutiếng) Coefficients  Least Squares  Standard  T    Parameter  Estimate  Error  Statistic  P-Value   Intercept  39873.6  6465.78  6.16687  0.0000   Slope  -794.566  291.723  -2.7237  0.0157   Analysis of Variance Source  Sum of Squares  Df  Mean Square  F-Ratio  P-Value   Model  3.7765E9  1  3.7765E9  7.42  0.0157   Residual  7.63594E9  15  5.09062E8     Total (Corr.)  1.14124E10  16      Correlation Coefficient = -0.575249 R-squared = 33.0911 percent R-squared (adjusted for d.f.) = 28.6305 percent Standard Error of Est. = 22562.4 Mean absolute error = 16018.1 Durbin-Watson statistic = 0.170905 (P=0.0000) Lag 1 residual autocorrelation = 0.791327 / / Đánh giá yếu tố “Điện báo có cước” với biến phụ thuộc là “Doanh thu” để xem số lượng Điện báo có cước ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=-0.575249 điều đó cho thấy “Điện báo có cước” không tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 33,0911% điều đó khẳng định được rằng yếu tố “Điện báo có cước” có khả năng giải thích khoảng 33,0911% sự thay đổi của biến phụ thuộc chính là “Doanh thu” Với yếu tố này Pvalue = 0.0157 Giả định độ tin cậy P = 95% Ta cóttính= -2,7237 So sánhtbảng = Ta nhậnthấyttính<tbảng Điều này cho thấy mô hình mà ta đang xét với một biến độc lập (Điện báo có cước) là không phù hợp và biến này không có khả năng giải thích cho biến phụ thuộc là Doanh thu. Yếu tố “Điện thoại đường dài (triệu phút)” Coefficients  Least Squares  Standard  T    Parameter  Estimate  Error  Statistic  P-Value   Intercept  8351.48  16592.7  0.503322  0.6220   Slope  7.56734  5.25046  1.44127  0.1701   Analysis of Variance Source  Sum of Squares  Df  Mean Square  F-Ratio  P-Value   Model  1.3882E9  1  1.3882E9  2.08  0.1701   Residual  1.00242E10  15  6.68282E8     Total (Corr.)  1.14124E10  16      Correlation Coefficient = 0.348768 R-squared = 12.1639 percent R-squared (adjusted for d.f.) = 6.30819 percent Standard Error of Est. = 25851.2 Mean absolute error = 19037.0 Durbin-Watson statistic = 0.162886 (P=0.0000) Lag 1 residual autocorrelation = 0.759609 // Đánh giá yếu tố “Điện thoại đường dài” với biến phụ thuộc là “Doanh thu” để xem số lượng Điện thoại đường dài ảnh hưởng thế nào đến doanh thu: Nhìn vào kết quả phân tích ở trên ta thấy hệ số tương quan của nó là R=0.348768 điều đó cho thấy “Điện thoại đường dài” có dấu hiệu tương quan với “Doanh thu”. Tiếp theo đến hệ số xác định R2 = 12,1639% điều đó khẳng định được rằng yếu tố “Điện thoại đường dài” có khả năng giải thích khoảng 12,1639% sự thay đổi của biến phụ thuộc chính là “Doanh thu”. Ta so sánh đến giá trị P-value