Marketing bán hàng - Phân tích dữ liệu 2
Cho biết mô hình đường thẳng khớp với đồ thị
phân tán các điểm đến mức nào.
Cho biết phần trăm phương sai trong biến phụ
thuộc được giải thích bởi biến độc lập.
Giá trị R square càng cao thì đường thẳng càng
khớp với đồ thị phân tán các điểm
Do hệ số tương quan chạy từ -1.0 đến +1.0, nên
R square chạy từ 0 đến +1.0
62 trang |
Chia sẻ: nhung.12 | Lượt xem: 1192 | Lượt tải: 1
Bạn đang xem trước 20 trang tài liệu Marketing bán hàng - Phân tích dữ liệu 2, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
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
một tác động nhỏ lên biến khác.
Mạnh: những sự thay đổi trong 1 biến
có tác động lớn lên biến khác.
Không: không có sự tương quan
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
tả tốt nhất bằng cách
Sử dụng 1 đường thẳng:
y= a +bx +e
Mối quan hệ cong
(Curvilinear relationship)
Sức mạnh và phương
hướng của mối quan hệ
giữa các biến thay đổi
đường đi của biến
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
Mô tả sức mạnh
.00 đến .20
.21 đến .40
.41 đến .60
.61 đến .80
.81 đến 1.00
Dãy hệ số
Phân tích Chi-Square
Xác định 2 biến định danh có liên quan trong tổng thể hay
không
Không đánh giá phương hướng và sức mạnh của mối liên hệ.
H0: Không có sự kiên kết giữa hai biến
Ha: Có 1 sự liên kết giữa 2 biến
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
Sử dụng các biến độc lập (independent
variables) để dự đoán kết quả biến phụ thuộc
(dependent variable)
Không xác định biến độc lập (IV) có gây ra
biến phụ thuộc (DV) hay không
Các loại phân tích hồi quy
Loại phân tích Mục đích của phân tích
Phân tích hồi quy
nhị biến (Bivariate
regression analysis)
Phân tích mối quan hệ tuyến tính
giữa một biến độc lập khoảng/tỉ lệ
và một biến phụ thuộc khoảng/tỉ
lệ.
Phân tích hồi quy đa
biến (Multiple
Regression Analysis)
Phân tích mối quan hệ tuyến tính
giữa nhiều biến độc lập khoảng/tỉ
lệ và một biết phụ thuộc khoảng/tỉ
lệ.
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 = b0 + b1 X + e
Y: biến phụ thuộc
X: biến độc lập
b0: tung độ gốc (the intercept)
b1: 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
H0: Không có mối quan hệ giữa hai biến
Ha: 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
H0: b1 = 0
Ha: b1 ≠ 0
Phân tích hồi quy nhị biến
y = b0 + b1 x + e
Đáp viên x y
1 2 2
2 2 2
3 2 2
4 1 3
5 2 3
6 5 7
7 6 5
8 5 6
9 4 4
10 4 5
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).
R Square:
Cho biết mô hình đường thẳng khớp với đồ thị
phân tán các điểm đến mức nào.
Cho biết phần trăm phương sai trong biến phụ
thuộc được giải thích bởi biến độc lập.
Giá trị R square càng cao thì đường thẳng càng
khớp với đồ thị phân tán các điểm
Do hệ số tương quan chạy từ -1.0 đến +1.0, nên
R square chạy từ 0 đến +1.0
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: b1 = 0
Ha: b1 ≠ 0
y = b0 + b1 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 = b0 + b1 X1 + b2 X2 + b3 X3 +...biXi + e
Y: biến phụ thuộc (dependent variable)
X1-Xi: biến độc lập (independent variable)
b0: tung độ gốc
b1- bi: hệ số hồi quy (egression coefficients)
e: sai số
Phân tích hồi quy đa biến
Y = b0 + b1 X1 + b2 X2 + b3 X3 +...biXi + e
Mô hình kiểm định tổng quát
H0: b1= b2 = b3 =bi = 0
Ha: ít nhất một b ≠ 0
Mỗi biến độc lập
H0: bi = 0
Ha: bi ≠ 0
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
H0: b1= b2 = b3 =bi = 0
Ha: ít nhất một b ≠ 0
Hệ số chuẩn hóa Beta (Standardized Coefficients - Beta)
trong bảng Coefficient :
Chỉ ra tầm quan trọng tương đối của các biến độc lập lên biến
phụ thuộc.
Các biến độc lập khác nhau có thể được đo lường bởi các đơn
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 = b0 + b1 X1 + b2 X2 + b3 X3 +...biXi + 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
H0: bi = 0
Ha: bi ≠ 0
Y = b0 + b1 X1 + b2 X2 + b3 X3 +...biXi + e
Thống kê cộng tuyến (Collinearity Statistics): kiểm định
nếu các biến độc lập được tương quan cao
Độ chấp nhận (Tolerance): những giá trị nhỏ hơn cho biết đa
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):
Kiểm tra sự tương quan giữa các biến độc lập.
Loại bỏ một trong các biến độc lập nếu hai biến độc lập có sự
tương quan trên 0.70.
Thực hiện lại hồi quy đa biến với các biến độc lập còn lại.
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.
Các file đính kèm theo tài liệu này:
nghiencuumarketing_chuong8_9016.pdf