5. Mục đích
Đúng thủ tục/đối tượng phỏng vấn (legibility)
Xử lý các phỏng vấn/trả lời không hoàn chỉnh
(completeness)
Tính nhất quán của các trả lời (consistency)
Sự chính xác của các trả lời (accuracy)
Sự rõ ràng của các trả lời (clarification)
6. Quá trình
Hiệu chỉnh sơ bộ (field editing):
• Thực hiện bởi interviewer
• Càng sớm càng tốt sau khi phỏng vấn xong
Hiệu chỉnh cuối cùng (office editing):
• Thực hiện bởi editor
• Sau khi thu thập xong data
• Đòi hỏi người hiệu chỉnh phải có nhiều kinh nghiệm,
kiến thức.
7. Xử lý khi phát hiện lỗi
Liên lạc trở lại để bổ sung hoặc làm rõ
Hiệu chỉnh, làm rõ hoặc bổ sung theo trí nhớ
hoặc các cứ liệu/suy luận khác
Hủy bỏ một số câu trả lời (missing value)
Hủy hoàn toàn cuộc phỏng vấn/questionnaire
8. Là quá trình gán mã số (số hoặc nhãn) cho các biến
và các trả lời.
Thang đo của biến tùy thuộc vào cách hỏi và bản chất
của biến được hỏi.
9. Các bước mã hoá
◦ Đặt tên biến cho các câu hỏi
Câu hỏi 1 chọn lựa
Câu hỏi nhiều chọn lựa
◦ Chuyển tập các chọn lựa trả lời của mỗi câu hỏi thành
tập các số/nhãn phù hợp, có ý nghĩa.
Câu hỏi đóng
Câu hỏi mở
Câu hỏi có chọn lựa: “Khác”
Hai trường hợp “Không biết”
10. Tính phù hợp Tính toàn diện
(appropriateness) (exhaustiveness)
NGUYÊN
TẮC
Tính loại trừ nhau Tính đơn nguyên
(mutual exclusivity) (unidimensionality)
11. Tính phù hợp
(appropriateness)
Thí dụ: Thông tin cá nhân Cách phân loại/ nhóm
hoặc doanh nghiệp. phải phù hợp với vấn
Tuổi <18 18-30 …. ? đề/ mục tiêu nghiên
<16 16-25 …. ? cứu.
12. Tính toàn diện
(exhaustiveness)
Các mã số cần thể Thí dụ: Tuổi <18
hiện các loại cần NC. 18-30
Loại “trả lời khác” nên >30
chiếm tỉ lệ nhỏ nhất. ??
13. Mỗi trả lời chỉ tương
ứng với một mã số.
Thí dụ: quốc doanh, tư
Tính loại trừ nhau
nhân, TNHH, cổ phần ??
(mutual exclusivity)
14. Mỗi câu trả lời ứng với
một thứ nguyên duy
nhất.
Tính đơn nguyên
(unidimensionality)
15. Nhập dữ liệu vào file (SPSS)
Cải biến tập dữ liệu
Tạo biến mới, biến trung gian, v.v.
Xử lý missing value
Thí dụ về data file
16. Xử lý dữ liệu
Phân tích đơn biến
Phân tích nhị biến
Tổng quan về phân tích đa biến
17. Tổng quan về phân tích dữ liệu
Tổng quát về phân tích đơn biến
Thống kê mô tả
Kiểm nghiệm giả thuyết đơn biến
18. Chọn phương pháp phân tích đơn biến nào?
Tùy vào:
Có bao nhiêu biến được phân tích đồng
thời?
Mục tiêu phân tích chỉ là mô tả mẫu hay suy
đoán cho tổng thể
Các biến được đo bởi thang đo gì? Chỉ
danh, thứ tự, khoảng, tỉ lệ.
19. Start
Bao nhiêu biến
được phân tích
đồng thời
1 biến Trên 2 biến
2 biến
Phân tích Phân tích Phân tích
đơn biến nhị biến đa biến
20. Phân tích đơn biến
Khoảng Thang đo Chỉ danh
của biến
Thứ tự
MÔ TẢ Trung vị
Trung bình Yếu vị
Khoảng/
Phương sai Tần suất
phần trăm
SUY
ĐOÁN Kolmogorov
Chi – square
Z test/ t test – Smirnov
test
test
21. Biến chỉ danh, thứ tự
Ví dụ
Response Frequency Percentage Cum.
Category Percentage
Benthanh 1 - -
Foster 3 1 1
Saigon 45 18 19
Heineken 120 46 65
Tiger 92 35 100
261 100%
22. Lợi ích của biến chỉ danh, thứ tự:
Trình bày phân phối dữ liệu của một biến có
thang đo nominal hoặc ordinal.
Phát hiện một số dạng sai sót khi mã hoá.
So sánh với các phân phối/ dữ liệu có liên quan.
Đề nghị những phương pháp biến đổi các biến
Kiểm tra sampling.
23. Biến khoảng
N 215
Minimum 1
Maximum 5
Mean Statistic 2.25
Std. Error 0.06
Std. Deviation Statistic 0.83
Statistic 0.57
Skewness
Std. Error 0.17
Statistic 0.45
Kurtosis
Std. Error 0.33
Ví dụ
24. Kiểm chứng xem những phát biểu nào đó có
thích hợp cho tổng thể nghiên cứu hay không.
• TD: Bình quân tuổi của 100 SV trong mẫu là Ā =
24 (s=5). Nhà NC muốn kiểm chứng cho tổng thể:
• Null hypothesis Ho: µ = 23
• Alternative hypothesis H1: µ ≠ 23
Các phân tích liên quan đến kiểm nghiệm giả
thuyết gọi là phân tích suy luận (inferential
analysis).
25. • Thiết lập giả thuyết H0 và H1
B1
• Xác định phương pháp test phù hợp (statistical test).
B2
• Chọn trước mức ý nghĩa α (significance level)
B3
• Tính (tra bảng) giá trị test tới hạn (critical value) ứng với
α (one/ two tailed)
B4
• Tính giá trị kiểm nghiệm thống kê từ tập số liệu
B5
• Nếu giá trị tính được ở B5 lớn hơn giá trị tới hạn
loại Ho
B6
26. Biến đo bằng thang khoảng (interval)
◦ Có thể dùng t Test hoặc Z Test để test giá trị trung bình
của tổng thể khi biết giá trị trung bình của mẫu
Z TEST t TEST
Biết phương sai σ của tổng Không biết phương sai σ của
thể và cỡ mẫu bất kỳ. tổng thể và cỡ mẫu bất kỳ.
Không biết phương sai σ Khi cỡ mẫu n > 30 thì phân
của tổng thể và cỡ mẫu n >30 phối t = phân phối z
Lưu ý: khi tra bảng tc thì
dF = n-1 x−μ
t=
Sx
27. Thí dụ (tiếp theo thí dụ trên)
Bình quân tuổi của 100 SV trong mẫu là Ā = 24 (s=5). Nhà NC
muốn kiểm chứng cho tổng thể:
Null hypothesis Ho: µ = 23
Alternative hypothesis H1: µ ≠ 23
Do n = 100 > 30 nên dùng Z test
Chọn mức ý nghĩa α = 0.05 (two tailed) Zc = 1.96
Tính Z khi chưa biết σ : Z = (Ā - µ) n1/2/s
= (24 - 23) x 1001/2/5 = 2
Z = 2 > Zc = 1.96 loại Ho
Không thể kết luận (với significant 5%) là µ = 23
Lưu ý: Nếu biến tỉ lệ thì Z = (p - π)/ (pq/ n)1/2
28. Biến đo bằng thang thứ tự (ordinal)
◦ Dùng chi-square test để so sánh phân phối các loại
(categories) của mẫu và kỳ vọng của tổng thể
Các bước tiến hành
29. B2. Xác định mức
B1. Phát biểu giả B3. Tra bảng Chi-
ý nghĩa α và bậc χ c2
thuyết H0, H1 Square chuẩn
tự do df
df = k – 1 (k là số loại
danh định có thể chọn
trong biến thứ tự)
B5. Bác bỏ/chấp nhận
B4. Tính giá trị kiểm H0 dựa trên tiêu chuẩn
nghiệm theo công thức “Bác bỏ H0- nếu (tính
được) > (tới hạn)”.
k
( O i − E i ) 2 Oi: Số lần xuất hiện loại i trong mẫu
χ2 = ∑
i =1 Ei Ei: Giá trị kỳ vọng của số lần xuất hiện
30. Biến đo bằng thang thứ tự (ordinal)
◦ Dùng chi-square test để so sánh phân phối các loại
(categories) của mẫu và kỳ vọng của tổng thể
Các bước tiến hành
◦ Nghĩa là có sự khác biệt giữa phân phối của mẫu và
phân phối của tổng thể.
◦ Kiểm định Chi-Square không có ý nghĩa khi số lần
xuất hiện kỳ vọng cho mỗi lựa chọn < 5.
31. Thí dụ: Khảo sát 100 người đang sử dụng
internet ở HCMC
Nghề nghiệp Oi Ei Oi - Ei (Oi - Ei)2 (Oi - Ei)2/ Ei
Lao động 15 25 -10 100 4
Nhân viên VP 20 25 -5 25 1
Quản lý 30 25 5 25 1
Sinh viên 35 25 10 100 4
Total 100 100 χ 2 =10
32. Thí dụ: Khảo sát 100 người đang sử dụng
internet ở HCMC (n = 100)
Cột 1: Phân bố nghề nghiệp của những người sử
dụng internet.
Cột 2: Phân bố kỳ vọng (bằng nhau cho các nhóm)
Ho: Không có sự khác nhau về nghề nghiệp của
những người sử dụng internet
K = 4 loại nghề nghiệp Df = k - 1 = 3
χ c = 6.25 ( với α = 10%)
2
Vì χ 2 = 10 > χ c2 = 6.25 loại bỏ H0
33. Xử lý dữ liệu
Phân tích đơn biến
Phân tích nhị biến
Tổng quan về phân tích đa biến
34. Bảng 2 chiều (Two – way Tabulation)
Khảo sát mức độ và các mối liên hệ (có thể có)
giữa các cặp biến.
Thích hợp cho các trường hợp số loại trong mỗi
biến không lớn, thang đo nominal hoặc ordinal.
Chỉ định hướng, không kết luận về mối quan hệ
nhân quả giữa các biến.
Kết quả có thể bị lệch nếu các ô có giá trị nhỏ.
35. Function group Total
Mkt &
Prodct Others
Sales
Count 41 62 41 144
Male % within Gender 28.5% 43.1% 28.5% 100.0%
% within Functgr 74.5% 93.9% 53.2% 72.7%
Gender
% of Total 20.7% 31.3% 20.7% 72.7%
Count 14 4 36 54
Female % within Gender 25.9% 7.4% 66.7% 100.0%
% within Functgr 25.5% 6.1% 46.8% 27.3%
% of Total 7.1% 2.0% 18.2% 27.3%
Count 55 66 77 198
% within Gender 27.8% 33.3% 38.9% 100.0%
Total % within Functgr 100.0% 100.0% 100.0% 100.0%
% of Total 27.8% 33.3% 38.9% 100.0%
36. Phương pháp Áp dụng Minh họa
Chi – Square Quan hệ giữa thu nhập
Quan hệ giữa 2 biến
Contingency (hoặc nghề nghiệp) với
chỉ danh.
Test việc chọn nhãn hiệu bia.
Hệ số Quan hệ giữa mức thưởng
Quan hệ giữa 2 biến nhân viên bán hàng (mức
tương quan
thứ tự. 1, 2, 3, 4) và thành tích
Spearman (mức 1, 2, 3, 4, 5).
Hệ số Quan hệ giữa 2 biến Quan hệ giữa tuổi của
tương quan metric khách hàng và chi phí hàng
Pearson (khoảng hay tỉ lệ). tháng cho y tế.
Xây dựng một
Hồi quy hàm tuyến tính giữa Doanh thu (đồng) theo chi
đơn giản 2 biến metric phí khuyến mãi.
(phụ thuộc nhau)
37. Chi – Square contingency test
Mục đích:
Xác định sự tồn tại mối quan hệ giữa 2 biến danh
định.
Yêu cầu:
Không có ô nào có số lần xuất hiện kỳ vọng < 1
Không quá 1/5 tổng số ô có số lần xuất hiện < 5
Hạn chế:
Chỉ xác định có quan hệ hay không, không cho
biết mức độ quan hệ.
38. Hệ số Contingency thường được bổ sung vào kiểm
nghiệm Chi-Square để biết mức độ quan hệ giữa 2 biến.
χ 2
C = 0: không có quan hệ
c=
n+ χ2 C không có chặn trên khó diễn dịch
Nên trong thực tế hay dùng hệ số thống kê Cramer
χ2 V = 0: không có quan hệ
v=
n( f − 1) V = 1: có quan hệ hoàn hảo
39. Thí dụ: Kết quả khảo sát nhãn hiệu Bia ưa thích
nhất phân theo mức thu nhập.
Nhãn hiệu bia ưa thích nhất
Thu nhập Tổng
Bia A Bia B Bia C
50 200 125
Thấp 375
(109.38) (101.56) (164.06)
200 100 350
Trung bình 650
(189.58) (176.04) (284.38)
100 25 50
Cao 175
(51.04) (47.40) (76.56)
Tổng 350 325 525 1200
40. Ghi chú: Con số trong ngoặc chỉ giá trị kỳ vọng của mỗi ô
trong bảng. Chúng được xác định theo tỉ lệ với tổng về thu
nhập và loại bia ưa thích.
(Ô 1-1 có giá trị kỳ vọng = 350 x 375 / 1200 = 109.38)
k (O − E ) 2
Tính
χ = ∑i =1 ∑
2 l ij ij
j =1 Eij
Kết quả : χ = 252.2
2
Df = (k-1)(l-1) = (3-1)(3-1) = 4
Nếu chọn α = 1% thì χ C = 13.3 (tra bảng)
2
χ 2 = 252.2 > χ C = 13.3
2
loại Ho
Có sự khác biệt đáng kể giữa phân phối của mẫu và kỳ
vọng (tổng thể)
41. Hệ số tương quan Spearman và Pearson
Spearman: tương quan giữa 2 biến thứ tự (ordinal)
Pearson: tương quan giữa các biến khoảng/ tỉ lệ.
Hệ số tương quan r = 0 1 (không kể dấu +/-)
r > 0.8 rất mạnh
r = 0.6 – 0.8 mạnh
r = 0.4 – 0.6 có tương quan
r = 0.2 – 0.4 tương quan yếu
r < 0.2 không tương quan
42. Lưu ý:
Hai biến phải có phân phối chuẩn nhị biến.
Phương sai của 1 biến tại bất kỳ giá trị nào của
biến kia cũng phải bằng nhau.
Khi r nhỏ không có nghĩa là không tương quan, mà
chỉ không tương quan tuyến tính.
Khi |r| lớn chỉ cho thấy mối tương quan, nhưng
không xác định quan hệ nhân quả.
43. Phân tích hồi quy tuyến tính đơn
◦ Phân tích 2 biến khoảng/ tỉ lệ: Hồi quy tuyến tính đơn
Y = aX + b
◦ Sự khác biệt giữa hồi quy và tương quan
Hồi quy tuyến tính Tương quan
Tạo ra một phương Phát hiện ra mức độ
trình toán học liên kết tương quan giữa
các biến lại 2 biến
Tồn tại giả thiết nhân –
Không có giả thiết về
quả: Biến độc lập –
nhân quả
Biến phụ thuộc
44. Xử lý dữ liệu
Phân tích đơn biến
Phân tích nhị biến
Tổng quan về phân tích đa biến
45. Phân tích phụ thuộc
• Xác định được biến nào là phụ thuộc, biến nào là độc lập
• Bao gồm các phương pháp: phân tích hồi quy đa biến,
ANOVA, Conjoint, Discriminant, Canonical analysis...
Phân tích tương tác
• Không xác định trước biến nào là phụ thuộc, biến nào là
độc lập, chủ yếu là tìm kiếm các mô thức tương quan.
• Bao gồm các phương pháp: Factor analaysis, Cluster,
Multi-dimensional Scaling.
Phân tích đa biến giúp giải quyết nhiều bài toán phức
tạp. Tuy nhiên, mỗi phương pháp phân tích đa biến đều
dựa trên một số giả thiết (ngầm) cần thận trọng.
46. Các phương pháp phân tích phụ thuộc – Yêu cầu về thang đo
Thang đo của biến
Phương pháp
Phụ thuộc Độc lập
Một biến phụ thuộc
Hồi quy bội Interval Interval
ANOVA Interval Nominal
Hồi quy bội - biến dummy Interval Nominal
Discriminant analysis Nominal Interval
Conjoint analysis Ordinal Nominal
47. Các phương pháp phân tích phụ thuộc – Yêu cầu về thang đo
Thang đo của biến
Phương pháp
Phụ thuộc Độc lập
Hai biến phụ thuộc trở lên
Canonical analysis Interval Interval
MANOVA Interval Nominal
Mạng lưới của nhiều biến phụ thuộc và độc lập
Structural Equation Modeling
Interval Interval
(SEM)
48. HỒI QUY TUYẾN TÍNH BỘI
y = a1X1 + a2X2 + a3X3 + ... anXn + b
Dạng mở rộng của hồi quy đơn.
Một biến phụ thuộc, nhiều biến độc lập.
Tất cả được đo bằng thang interval (ngoại lệ:
dummy-variable multiple regression)
49. Đánh giá mô hình và kết quả hồi quy theo 3 phần:
Mức độ phù hợp của phương trình hồi quy:
Dùng hệ số r2 (coefficient of determination)
r2 = 0 ÷ 1 đặc trưng cho % của biến thiên trong
biến phụ thuộc được giải thích do sự biến thiên của
biến độc lập.
Kiểm nghiệm mức ý nghĩa của r2:
Dùng F – test, với độ tự do: df = n – k – 1 cho mẫu
số và df = k cho tử số (n: cỡ mẫu, k: số biến độc lập)
Kiểm nghiệm mức ý nghĩa của các độ dốc ai:
Dùng t – test với độ tự do df = n – k – 1
◦
50. Kiểm nghiệm các giả thuyết của phương pháp hồi quy
Linearity
Đa cộng tuyến (Multicolinearity)
Phân phối chuẩn (Normality) của sai số và mỗi biến
Sai số hồi quy có variance không đổi
Tính độc lập của các sai số hồi quy
51. Linearity
Có mối quan hệ tuyến tính giữa biến phụ thuộc và
các biến độc lập.
Test: quan sát scatter diagram hoặc ma trận tương
quan
52. Đa cộng tuyến (Multicolinearity)
Giả thuyết: các biến độc lập không có tương quan tuyến
tính với nhau.
Khi bị vi phạm Có hiện tượng đa cộng tuyến, nghĩa là
hiện hữu mối tương quan tuyến tính giữa ≥ 2 biến độc lập.
Đa cộng tuyến gây ra:
Hạn chế giá trị r2
Sai lệch/ đổi dấu các hệ số hồi quy
Test đa cộng tuyến: hệ số Tolerance hoặc VIF
53. Một số lưu ý khi sử dụng multiple regression:
Phân tích hồi quy tuyến tính chỉ có nghĩa khi có tương
quan TUYẾN TÍNH giữa các biến.
r2 không nói lên được quan hệ nhân quả giữa các biến
Có thể dự đoán sai nếu nằm ngoài khoản tính toán
Để đảm bảo độ tin cậy phải có nhiều hơn 10 điểm cho mỗi
biến độc lập đưa vào phương trình ( yêu cầu cỡ mẫu)
Khoảng dao động (range) các biến có thể ảnh hưởng đến ý
nghĩa phương trình hồi quy.
Trường hợp biến độc lập là nominal thì có thể sử dụng
dummy-variable. Khi đó:
Số biến dummy = k-1; với k = số loại của biến nominal
Mỗi biến dummy chỉ nhận giá trị 0 hoặc 1
54. Thí dụ:
Bài toán tìm các yếu tố quyết định sự thỏa mãn
của nhân viên trong Cty XYZ.
Biến phụ thuộc: sự thỏa mãn của nhân viên Cty.
Biến độc lập: thu nhập, điều kiện làm việc, sự quan
tâm của cấp trên, quan hệ với đồng nghiệp, cơ hội
thăng tiến, cơ hội học tập, v.v..
55. Unstandardized
Standardized
Coefficients
Coefficients
Collinearity
Statistics
Biến Std.
B Beta
độc lập Error t Sig. Tolerance VIF
(Constant) .540 .193 2.793 .007
Thu nhập .526 .081 .596 6.491 .000 .793 1.262
Sự
quan tâm/ .205 .061 .310 3.380 .001 .793 1.262
công nhận
r = 0.787 r2 = 0.619 F sig. = 0.000
58. ANOVA – ANALYSIS OF VARIANCE
Mục đích Đặc điểm Áp dụng
Khảo sát mối quan hệ
giữa các biến độc lập
và phụ thuộc
59. ANOVA – ANALYSIS OF VARIANCE
Mục đích Đặc điểm Áp dụng
Tương tự như phân tích hồi quy,
nhưng các biến độc lập là
biến nonmetric (nominal/ ordinal)
60. ANOVA – ANALYSIS OF VARIANCE
Mục đích Đặc điểm Áp dụng
So sánh giá trị trung bình của một thuộc tính (biến phụ
thuộc/ thang metric) thể hiện ảnh hưởng của một hay
nhiều thuộc tính khác (biến độc lập/thang nonmetric)
61. ANOVA – ANALYSIS OF VARIANCE
Nếu có nhiều biến độc lập với thang chỉ danh gọi là
Factorial ANOVA
Nguyên tắc: Nếu có sự khác biệt đáng kể giữa các
nhóm thì “between-group variance > within-group variance”
ANCOVA: có xét đến các ảnh hưởng của một hay
nhiều biến ngoại lai (gọi là control variable hoặc covariates
- thang đo metric) và sẽ loại ra khỏi tập biến phụ thuộc
trước khi phân tích ANOVA.
MANOVA nếu có nhiều biến phụ thuộc
MANCOVA có nhiều biến phụ thuộc và biến kiểm soát
62. Thí dụ:
Khảo sát 200 doanh nghiệp thuộc 3 ngành May
mặc, Mỹ phẩm và Nhựa gia dụng về chi phí
dành cho khuyến mãi hằng năm.
Mục đích phân tích nhằm tìm xem có sự khác
nhau đáng kể/ có ý nghĩa thống kê giữa 3
ngành này về chi phí khuyến mãi không?
63. Cty Ngành Chi phí KM
(1000 USD)
Biến độc lập: 1 May 123
ngành (chỉ danh) 2 May 235
(3 treatments) 3 Mỹ phẩm 1346
4 Nhựa 876
Biến phụ thuộc: . . .
chi phí khuyến . . .
mãi (ratio) 199 Nhựa 68
200 May 12
64. Bài toán này có thể so sánh giá trị trung bình của
chi phí khuyến mãi theo từng cặp ngành (dùng t –
test). Tuy nhiên, khi số treatment lớn số lượng
so sánh sẽ rất lớn.
Khi đó nên dùng ANOVA:
◦ H0 : μ1 = μ2 = ... = μk = μ
◦ Ha : có ít nhất 1 giá trị μi khác những giá trị kia.
Với μ là trung bình của tổng thể
65. DISCRIMINANT ANALYSIS
Mục đích Đặc điểm Nguyên tắc
Nhận ra những Biến độc lập có Hàm phân biệt có dạng:
thuộc tính (các thang metric,
biến độc lập) để Y = v1.X1 + v2.X2 + v3.X3 + …
biến phụ thuộc
phân biệt các có thang Sau khi tính được Y, so
nhóm định trước nonmetric. sánh với giá trị chuẩn Yc
của biến phụ để biết đối tượng thuộc
thuộc nhóm nào.
66. Thí dụ:
Công ty máy tính muốn biết xem thu nhập gia đình (X1)
và số năm học ở trường của chủ hộ (X2) có phải là hữu
ích trong việc phân biệt hộ có mua máy tính PC hay
không. Khảo sát X1 và X2 của 2 nhóm mẫu ngẫu nhiên
(có và không có PC).
Biến độc lập: X1 – thu nhập,
X2 – số năm học : metric
Biến phụ thuộc: Có PC, Không có PC: category.
Kết quả sẽ là hàm phân biệt: Y= v1X1 + v2X2
v1, v2 : trọng số phân biệt (hằng số) Y: điểm phân biệt
So sánh Yi và Yc
Phần tử i sẽ thuộc nhóm nào trong 2 nhóm mẫu trên.
68. CONJOINT ANALYSIS
Mục đích
Phân tích ảnh hưởng tổng hợp (joint effects) của 2 hay
nhiều biến độc lập (thang nominal) lên một biến phụ
thuộc (utility score - thang đo ordinal)
69. CONJOINT ANALYSIS
Áp dụng
Thường dùng trong test sản phẩm với nhiều yếu tố khác
nhau (chất lượng, kiểu dáng, giá bán, nhãn hiệu, v.v.).
Mỗi yếu tố có vài phương án khác nhau. Tìm xem tổ
hợp nào được ưa thích nhất.
70. CONJOINT ANALYSIS – ÁP DỤNG
Nhà NC tạo ra một tập các phương án sản phẩm. Mỗi
phương án là 1 tổ hợp của các yếu tố.
Tập các phương án này được đưa cho đối tượng chọn/
xếp hạng (hoặc cho điểm thể hiện mức ưa thích).
Conjoint analysis sẽ đánh giá ảnh hưởng của các utility
score thành phần (hay part-worths, tượng trưng cho
mức độ quan trọng của mỗi yếu tố) lên sự ưa thích tổng
hợp (utility) đối với một sản phẩm.
71. CONJOINT ANALYSIS – ÁP DỤNG
Có thể dùng kết quả để
Đánh giá thị phần của các nhãn hiệu trên thị trường
Phân khúc thị trường
Nhận dạng cơ hội thị trường cho một sản phẩm với
tổ hợp thuộc tính mới
72. Thí dụ:
Thiết kế sản phẩm mới có 3 thuộc tính:
Giá : (cao, trung bình, thấp)
Kiểu dáng : (cao, trung bình, thấp)
Chức năng : (đơn giản, phức tạp) ...
Chỉ cần đánh giá 1 nhóm khoảng 8 tổ hợp (thay vì
18 tổ hợp) về tính hấp dẫn của sản phẩm đối với
khách hàng.
73. Thí dụ:
Tầm quan trọng
của mỗi thuộc tính Tạo ra sản
phẩm có độ
vị lợi cao
nhất đối với
Tầm quan trọng người mua.
Nhà nghiên cứu
của mỗi mức độ
trong các thuộc tính
75. FACTOR ANALYSIS (PHÂN TÍCH NHÂN TỐ)
Là phép rút gọn dữ liệu và biến bằng cách nhóm
chúng lại với các nhân tố đại diện
Điều kiện: các biến phải có thang đo metric
Ứng dụng
• Xây dựng bộ thang đo Multiple – item
• Xác định cấu trúc bộ dữ liệu
• Giảm thứ nguyên trong tập dữ liệu, rút gọn dữ liệu
76. Thí dụ:
Case X1 X2 X3 … … Xm
Factor analysis:
gom m biến 1
thành k factor 2
Tùy mục đích bài 3
toán, có thể
dùng: Exploratory …
factor analysis n
(EFA) hoặc
Confirmatory Factor 1 gồm X1 X6 X9 Xm
factor analysis 2 gồm X2 X3 X10 Xm - 1
(CFA) 3 gồm X4 X5 X7 X8 ...
77. CLUSTER ANALYSIS (PHÂN TÍCH NHÓM)
Phân chia các đối tượng/ người thành
các nhóm với các thành viên trong
nhóm có các đặc trưng tương tự.
Mục tiêu
Thí dụ: Bài toán phân khúc thị trường (Segmentation)
Phân loại hành vi mua (Typology)
78. CLUSTER ANALYSIS (PHÂN TÍCH NHÓM)
Quá trình thực hiện
Xác định các biến làm cơ sở để phân nhóm
Phần chia các nhóm dựa trên sự tương tự
Đặc tên nhóm dựa theo đặc điểm chung
của các thuộc tính (các biến cơ sở)
Chuẩn định (Validation) và mô tả đặc trưng
(profiling)
79. Thí dụ: Cluster analysis để phân khúc thị trường
Yêu cầu thang đo: metric
Công ty TICO: Xác định các Nhóm Khách Hàng khác
nhau căn cứ trên hành vi mua.
“Hãy đánh giá mức độ quan trọng của các yếu tố sau đây
trong quyết định mua hàng của Ông/ Bà”
X1 – Chất lượng sản phẩm
X2 – Giá bánX3 – Thời gian giao hàng
X4 – Uy tín nhà sản xuất
X5 – Các dịch vụ đi kèm
Không qtrọng Rất qtrọng
1 2 3 4 5 6 7
80. Thí dụ: Cluster analysis để phân khúc thị trường
Hơn 300 khách hàng được khảo sát
Nhận dạng ra các nhóm khác nhau.
Trong mỗi nhóm có sự tương tự nhau về tầm quan
trọng của các yếu tố (X1 X5) ảnh hưởng đến quyết
định mua.
Nhóm 1
Nhóm 1: X1, X4, X5 là quan trọng trong
Khách hàng trẻ,
quyết định mua
thu nhập cao, ở
Nhóm 2: X1, X2, X3 là quan trọng. TP...
Nhóm 2
TICO sẽ có chiến lược tiếp thị đối Khách hàng
với từng nhóm khách hàng khác nhau. công nghiệp –
sản xuất
81. MULTIDIMENTIONAL SCALING (perceptual mapping)
Mục đích: Xác định số lượng và bản chất của các thứ
nguyên (dimensions) đặc trưng cho nhận thức/ đánh giá
của khách hàng về các đối tượng.
Thang đo: Cả hai loại thang metric/nonmetric
Trong MR: Thường được sử dụng trong bài toán xác định
vị trí tương đối (relative position) của các nhãn hiệu cạnh
tranh nhau do phản hồi từ phía khách hàng.
Xác định những yếu tố đặc trưng cho việc đánh giá của
khách hàng.
Là phương pháp ngược với Cluster
82. Multidimentional Cluster
Scaling Analaysis
• Phát hiện các thứ • Gộp các đối tượng
nguyên đặc trưng thành các nhóm
(Underlying theo 1 số đặc tính
Dimensions) từ tượng tự nhau
các phản hồi
