Bài giảng Nghiên cứu Marketing: Chương 8 - Nguyễn Thị Minh Hải

Bài giảng Nghiên cứu Marketing - Chương 8: Phân tích dữ liệu cung cấp các kiến thức giúp người học có thể hiểu được: Các loại phân tích thống kê, kiểm định tương quan, tiến trình phân tích, phân tích Chi-Square, phân tích hồi quy nhị biến,... Mời các bạn cùng tham khảo.

Phân tích dữ liệu 2

Hôm nay

 Kiểm định tương quan

 Phân tích hồi quy

Các loại phân tích thống kê

 Phân tích mô tả

 Để mô tả những đặc điểm chính của dữ liệu

 Kiểm định sự khác biệt

 Để điểm định sự khác biệt trung bình

 Kiểm định tương quan

 Để xác định mối quan hệ giữa các biến

 Kiểm định sự phụ thuộc lẫn nhau

 Để tóm tắt thông tin dữ liệu bằng cách nhóm các biến hoặc nhóm các đối tượng nghiên cứu

Kiểm định tương quan

 Những đặc điểm để mô tả mối quan hệ

 Sự hiện diện của tương quan

 Phương hướng của tương quan

 Sức mạnh của tương quan

Thái độ thương hiệu Ý định mua hàng

Kiểm định tương quan

 Những đặc điểm để mô tả quan hệ

 Sự hiện diện của tương quan

 Phương hướng của tương quan

 Sức mạnh của tương quan

Source: socialresearchmethods.net

Kiểm định tương quan

 Những đặc điểm để mô tả mối quan hệ

 Sự hiện diện của tương quan

 Phương hướng của tương quan

 Sức mạnh của tương quan

 Yếu: những sự thay đổi trong 1 biến có

Kiểm định tương quan – Các Loại Quan hệ

Mối quan hệ tuyến tính

(Liner Relationship)

Sức mạnh và phương

hướng mối quan hệ giữa

2 biến vẫn giữ như cũ

Mối quan hệ có thể mô

Tiến trình phân tích

 Chọn các biến để phân tích

 Xác định thang đo của các biến

 Sử dụng phép phân tích mối quan hệ đúng

 Xác định sự hiện diện của mối quan hệ

 Nếu có quan hệ, xác định phương hướng của mối quan hệ

 Nếu có quan hệ, đánh giá điểm mạnh của mối quan hệ

Kiểm định tương quan (Phần I)

Loại kiểm định Mục đích của kiểm định

Chi-Square Analysis (X2) Kiểm định mối quan hệ

giữa 2 biến định danh

Spearman Rank Order

Correlation Coefficient

Kiểm định mối quan hệ giữa 2 biến, trong đó có ít nhất 1 biến có thang đo thứ tự

Pearson Product Moment

Correlation Coefficient

Kiểm định mối quan hệ giữa 2 biến có thang đo khoảng và/hoặc tỉ lệ

Một số định nghĩa

 Ý nghĩa thống kê và sức mạnh

 Ý nghĩa thống kê (Statistical Significance) đề cập đến mối quan hệ bạn tìm ra trong mẫu có thể

được tổng quát hóa cho tổng thể hay không

 Sức mạnh đề cập đến mối quan hệ bạn tìm thấy trong mẫu là mạnh, yếu hay không tồn tại

Hệ số tương quan (Correlation Coefficients)

 Nó là một số hướng dẫn sắp xếp từ -1 đến +1, mô tả phương hướng và sức mạnh của mối quan hệ giữa hai biến

Không Yếu Vừa phải Mạnh Rất mạnh

Spearman Rank Order Correlation

 Đo lường sức mạnh và phương hướng của mối quan hệ trong đó có ít nhất một biến thứ tự

H0: Không có mối tương quan giũa hai biến Ha: Có 1 mối tương quan giữa 2 biến

Pearson Product Moment Correlation

 Đo lường sức mạnh và phương hướng của mối quan hệ giữa 2 biến có thang đo là khoảng va/hoặc tỉ lệ

H0: Không có sự tương quan giữa hai biến Ha: Có một sự tương quan dương giữa hai biến

Kiểm định tương quan (Phần II)

 Phân tích hồi quy

 Cả hai mô tả mối quan hệ và tạo dự đoán

Các loại phân tích hồi quy

Loại phân tích Mục đích của phân tích

Phân tích hồi quy

Phân tích hồi quy nhị biến

 Phân tích mối quan hệ tuyến tính giữa biến một biến độc lập khoảng/tỉ lệ và một biến phụ thuộc

khoảng/tỉ lệ

 Y = b 0 + b 1 X + e

Y: biến phụ thuộc

X: biến độc lập

b 0: tung độ gốc (the intercept)

b 1: độ dốc (slope (hệ số hồi quy))

e: sai số (error)

Những giả định phân tích hồi quy)

 Giả định 1: Các biến được đo lường với thang đo

khoảng hoặc tỉ lệ

 Giả định 2: Các biến được phân phối chuẩn

 Giả định 3: giả định có mối quan hệ tuyến tính giữa

IV và DV

 Giả định 4: sai số được phân phối chuẩn và độc lập

Phân tích hồi quy nhị biến

H 0 : Không có mối quan hệ giữa hai biến

H a : Có một mối quan hệ tuyến tính giữa biến độc lập và biến phụ thuộc

Phân tích hồi quy nhị biến

 y = b0 + b1 x + e

H 0 : b 1 = 0

H a : b 1 ≠ 0

Phân tích hồi quy nhị biến

Phân tích hồi quy nhị biến

 Giả định 3: Giả định có mối quan hệ tuyến tính giữa

IV và DV

Phân tích hồi quy nhị biến

 Giả định 4: sai số được phân phối chuẩn và độc lập

 Kiểm tra “Standardized Predicted Dependent

Variable” (ZPRED) và “Standardized Residual”

(ZRESID)

y = 0.506 + 0.682 x + 1.120

Hệ số chưa chuẩn hóa B (Unstandardized

Coefficient) trong bảng Coefficient : sức mạnh của

mối quan hệ giữa x và y

Sig value trong bảng Coefficient : Xác suất cho mối quan hệ giữa x và y tồn tại (p<0.05 có ý nghĩa tại

mức ý nghĩa 95%)

H0: b 1 = 0

Ha: b 1 ≠ 0 y = b 0 + b 1 x + e

Phân tích hồi quy đa biến

Phân tích mối quan hệ tuyến tính giữa

nhiều biến độc lập có thang đo khoảng/tỉ

lệ và một biến phụ thuộc có thang đa

khoảng/tỉ lệ

Phân tích hồi quy đa biến

 Multiple Regression Analysis

Phân tích hồi quy đa biến

Y = b 0 + b 1 X 1 + b 2 X 2 + b 3 X 3 + b i X i + e

Y: biến phụ thuộc (dependent variable)

X 1 -X i : biến độc lập (independent variable)

b 0: tung độ gốc

b 1 - b i: hệ số hồi quy (egression coefficients) e: sai số

Phân tích hồi quy đa biến

R Square adjusted:

 Cho biết mô hình đường thẳng khớp với đồ thị

phân tán các điểm đến mức nào

 Được sử dụng để phản ánh sát hơn mức độ phù hợp của mô hình hồi quy tuyến tính đa biến

 Adjusted R square < R square

Sig (F-value) in the ANOVA Table:

 Ý nghĩa thống kê của mô hình hồi quy tổng quát

 Nếu nó có ý nghĩa thống kê (p<0.05), nó cho biết có

ít nhất 1 biến độc lập giải thích biến phụ thuộc

Kiểm định mô hình tổng quát

H 0 : b 1 = b 2 = b 3 =…b i = 0

H a : ít nhất một b ≠ 0

Hệ số chuẩn hóa Beta (Standardized Coefficients - Beta) trong bảng Coefficient :

phụ thuộc

vị đo lường khác nhau, do đó ảnh hưởng đến hệ số chưa chuẩn hóa (B) Vì vậy, trong phân tích hồi quy đa biến, hệ số chuẩn hóa Beta được sử dụng thay cho hệ số chưa chuẩn hóa B

Y = b 0 + b 1 X 1 + b 2 X 2 + b 3 X 3 + b i X i + e

Sig value trong bảng Coefficient :

 Xác suất để tồn tại mối quan hệ giữa biến độc lập

và biến phụ thuộc (p<0.05 có ý nghĩa tại mức ý nghĩa 95%)

Mỗi biến độc lập

H 0 : b i = 0

H a : b i ≠ 0

Y = b 0 + b 1 X 1 + b 2 X 2 + b 3 X 3 + b i X i + e

Thống kê cộng tuyến (Collinearity Statistics): kiểm định

nếu các biến độc lập được tương quan cao

cộng tuyến (<=0.10 cho biết có sự cộng tuyến)

Hệ số phóng đại phương sai -VIF (Variance Inflation Factor):

Những giá trị lớn hơn cho biết đa cộng tuyến (>=5 cho biết

có sự cộng tuyến)

Nếu hiện tượng đa cộng tuyến xảy ra:(Tolerance<=0.10; VIF

>=5):

tương quan trên 0.70

Phân tích biến có nhiều lựa chọn

Bài tập

Công ty giày thời trang T&T được thành lập cách đây gần 20 năm tại TP.HCM Hiện công ty có số lượng cửa hàng khắp các tỉnh miền Đông Nam Bộ trên 30 cửa hàng

Năm ngoái, công ty đã tiến hành thu thập một số dữ liệu ở các cửa hàng bán lẻ để phân tích các nhân tố ảnh hưởng đến doanh thu của cửa hàng Bộ dữ liệu bao gồm doanh số trong mỗi cửa hàng (ĐVT: tỉ đồng) [tên biến: Doanh số], số lượng nhân viên [tên biến: nhân viên], số năm thành lập [tên biến:

số năm], và diện tích cửa hàng [tên biến: diện tích]

Bài tập

Yêu cầu:

1. Sử dụng SPSS, thực hiện phân tích tương quan giữa hai biến độc lập (nhân viên kinh doanh và số năm thành lập) và biến phụ thuộc (doanh số)

2.Sử dụng SPSS, thực hiện lần lượt hồi quy nhị biến giữa các biến độc lập và biến phụ thuộc Diễn dịch kết quả Mô hình nào dự báo tốt nhất

3.Thực hiện hồi quy đa biến để xác định ảnh hưởng của 3 biến độc lập lên biến phụ thuộc Diễn dịch kết quả và đề xuất giải pháp cho công ty