Marketing bán hàng - Phân tích dữ liệu 2

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.