PHÂN TÍCH NHÂN TỐ,PHÂN TÍCH KẾT HỢP VÀ PHÂN BIỆT

PHÂN TÍCH NHÂN TỐ, PHÂN TÍCH KẾT HỢP PHÂN TÍCH PHÂN BIỆT VÀ PHÂN TÍCH CROSSTABULATION ( FACTOR, CONJOINT, DISCRIMINANT AND CROSSTAB ANALYSIS) I. PHÂN TÍCH NHÂN TỐ 1. Khái niệm 2. Mô hình phân tích nhân tố 3. Tiến trình phân tích nhân tố II. PHÂN TÍCH KẾT HỢP 1. Khái niệm 2. Mục đích 3. Tiến trình phân tích kết hợp 4. Giả thuyết và hạn chế của phân tích kết hợp III. PHÂN TÍCH PHÂN BIỆT 1. Khái niệm 2. Mục tiêu phân tích phân biệt 3. Mối quan hệ giữa phân tích hồi qui, phân tích ANOVA và phân tích phân biệt 4. Phân loại phân tích phân biệt 5. Mô hình phân tích phân biệt 6. Tiến trình phân tích phân biệt 7. Phân tích đa nhóm IV. CROSS TABULATION 1. Định nghĩa 2. Phân tích Cross Tabulation hai biến 3. Phân tích Cross tabulation ba biến BÀI TẬP ________________________________________ Ngoài các phân tích đã đề cập trong những chương trước như phân tích ANOVA, phân tích hồi qui tương quan, kiểm định giả thuyết..., còn một số phân tích khác nhằm đáp ứng những nhu cầu khác nhau trong quá trình xử lý thông tin và ra quyết định, chẳng hạn như phân tích nhân tố, phân tích cụm, phân tích kết hợp và phân tích phân biệt giữa các nhóm. Trong phạm vi chương này, ba phân tích được ứng dụng phổ biến là phân tích nhân tô,ú phân tích kết hợp và phân tích phân biệt giữa các nhóm được đề cập. Tùy theo đặc điểm dữ liệu và mục tiêu nghiên cứu, việc sữ dụng các mô hình phân tích này sẽ rất quan trọng, tránh việc chọn mô hình phân tích không phù hợp, điều này sẽ dẫn đến sai lầm trong việc ra quyết định. I. PHÂN TÍCH NHÂN TỐ FACTOR ANALYSIS 1. Khái niệm Top Phân tích nhân tố được sử dụng để rút gọn và tóm tắt dữ liệu. Trong nghiên cứu Marketing, có thể có rất nhiều biến để nghiên cứu, hầu hết chúng có tương quan với nhau và thường được rút gọn để có thể dễ dàng quản lý. Mối quan hệ giữa những bộ khác nhau của nhiều biến được xác định và đại diện bởi một vài nhân tố (hay nói cách khác một nhân tố đại diện cho một số biến). Chẳng hạn như hình tượng của một cửa hàng có thể đo lường bằng cách hỏi khách hàng để đánh giá và xác định các nhân tố có liên quan đến hình tượng của cửa hàng. Trong phân tích ANOVA hay hồi qui, tất cả các biến nghiên cứu thì có một biến phụ thuộc còn các biến còn lại là các biến độc lập, nhưng đối với phân tích nhân tố thì không có sự phân biệt này. Hơn nữa, phân tích nhân tố có quan hệ phụ thuộc lẫn nhau giữa các biến trong đó mối quan hệ phụ thuộc này được xác định. Vì những lý do trên, phân tích nhân tố được sử dụng trong các trường hợp sau: 1. Nhận dạng các nhân tố để giải thích mối quan hệ giữa các biến. Ví dụ như các câu trả lời về lối sống có thể được sử dụng để đo lường tâm lý của khách hàng. Các câu trả lời này có thể là nhân tố được phân tích để nhận dạng các nhân tố tâm lý. 2. Nhận dạng các biến mới thay thế cho các biến gốc ban đầu trong phân tích đa biến (hồi qui). Chẳng hạn các nhân tố tâm lý được nhận dạng có thể sử dụng như là các biến độc lập để phân biệt số khách hàng trung thành và không trung thành. 3. Nhận dạng một bộ có số biến ít hơn cho việc sử dụng phân tích đa biến. Chẳng hạn có một ít câu trả lời về lối sống tương quan khá cao với các nhân tố đã nhận dạng được sử dụng như các biến độc lập để giải thích sự khác biệt giữa khách hàng trung thành và không trung thành. Phân tích nhân tố được sử dụng rộng rãi trong nghiên cứu Marketing. Ví dụ, 1. Phân tích nhân tố được sử dụng trong phân khúc thị trường để nhận dạng các biến phân nhóm khách hàng. Chẳng hạn những người mua xe mới có thể tập hợp thành các nhóm dựa vào các nhân tố như tính kinh tế, tiện nghi, vận hành tốt và tính sang trọng. Ðiều này có thể có bốn phân khúc thị trường theo bốn nhân tố trên. 2. Trong nghiên cứu sản phẩm, phân tích nhân tố được sử dụng để xác định phẩm chất của nhãn hiệu có ảnh hưởng đến sự chọn lựa của khách hàng. Những nhãn hiệu kem đánh răng có thể được đánh giá về các khía cạnh: bảo vệ răng, làm trắng răng, mùi vị, hơi thở thơm tho và giá. 3. Các nghiên cứu trong quảng cáo, phân tích nhân tố được dùng để hiểu thói quen sử dụng phương tiện thông tin của thị trường mục tiêu. Chẳng hạn, những người sử dụng thức ăn lạnh có thể thích xem tivi, xem phim và nghe nhạc... 4. Trong nghiên cứu giá, phân tích nhân tố được sử dụng để nhận dạng những đặc điểm của khách hàng nhạy cảm về giá. Những khách hàng này có thể là những người không có thu nhập cao, thường xuyên ở nhà. 2. Mô hình phân tích nhân tố Top Về mặt tóan học, mô hình phân tích nhân tố giống như phương trình hồi qui nhiều chiều mà trong đó mỗi biến được đặc trưng cho mỗi nhân tố. Những nhân tố này thì không được quan sát một cách riêng lẻ trong mô hình. Nếu các biến được chuẩn hóa mô hình nhân tố có dạng như sau: Xi = Ai1F1 + Ai2F2+... + AimFm +ViUi Trong đó: XI: Biến được chuẩn hóa thứ i Aịj: Hệ số hồi qui bội của biến được chuẩn hóa i trên nhân tố chung j F: Nhân tố chung Vi: Hệ số hồi qui của biến chuẩn hóa i trên nhân tố duy nhất i Ui: Nhân tố duy nhất của biến i m: Số nhân tố chung. Mỗi nhân tố duy nhất thì tương quan với mỗi nhân tố khác và với các nhân tố chung. Các nhân tố chung có sự kết hợp tuyến tính của các biến được quan sát. Fi = wi1x1 + wi2x2 +...+ wikxk Trong đó: Fi: Ước lượng nhân tố thứ i wi: Trọng số hay hệ số điểm nhân tố k: Số biến Trong phân tích này có thể chọn trọng số (hay hệ số điểm nhân tố) để nhân tố thứ nhất có tỷ trọng lớn nhất trong tổng phương sai. Các nhân tố có thể được ước lượng điểm nhân tố của nó. Theo ước lượng này, nhân tố thứ nhất có điểm nhân tố cao nhất, nhân tố thứ hai có điểm nhân tố cao thứ hai ... Dĩ nhiên, kỹ thuật ước lượng liên quan rất nhiều đến thống kê, điều này sẽ được giải thích chi tiết trong các phần sau. 3. Tiến trình phân tích nhân tố Top Tiến trình thực hiện phân tích nhân tố được trình bày theo các bước trong sơ đồ dưới đây: Tiến trình phân tích nhân tố trong phần mềm SPSS như sau: ¨ Nhập dữ liệu 7 biến theo ví dụ của bước 1 chọn menu Analyze chọn Data Reduction chọn Factor ... chọn các chi tiết của các menu trong hộp thoại Factor Analysis như Descriptives, Extraction, Rotation, Scores and options chọn OK, sau đó ta có bảng kết quả (từ bảng 7.1 đến bảng 7.2c) được giải thích theo các bước dưới đây. Bước 1: Xác định vấn đề Có rất nhiều nhiệm vụ trong việc xác định vấn đề phân tích. Trước tiên, mục tiêu nghiên cứu phải được xác định. Các biến trong mô hình phân tích nhân tố phải cụ thể, điều này có thể dựa vào các nhân tố truớc, lý thuyết hoặc sự cân nhắc của nhà nghiên cứu. Việc những biến này sử dụng thang đo khoảng và thang đo tỷ lệ thì rất quan trọng và phải chọn cỡ mẫu phù hợp. Thường thường, cỡ mẫu phù hợp phải gấp từ bốn đến năm lần số biến nghiên cứu. Trong nhiều trường hợp nghiên cứu Marketing, vì một lý do nào đó, cỡ mẫu lấy thấp hơn tỷ lệ trên thì kết quả nghiên cứu nên được giải thích một cách thận trọng. Ví dụ, giả sử nhà nghiên cứu muốn xác định những lợi ích cơ bản mà khách hàng cần tìm khi mua kem đánh răng. Một mẫu gồm 237 người được phỏng vấn theo thang đo 7 điểm (điểm 1 là hoàn toàn không đồng ý, điểm 7 là hoàn toàn đồng ý) với các nội dung khi sử dụng kem đánh răng như sau: (các biến từ V1 đến V7) V1: Chống được sâu răng V2: Tạo được hàm răng sáng V3: Không làm nhiễm trùng nướu răng V4: Tạo hơi thở thơm tho V5: Chống được canxi hóa răng V6: Có hàm răng hấp dẫn V7: Có hàm răng khỏe mạnh Bước 2: Lập ma trận tương quan Sau khi thu thập thông tin, dựa vào dữ liệu của 7 biến trên ta lập ma trân tương quan giữa các biến. Nếu phân tích nhân tố thích hợp thì các biến này phải có tương quan với nhau. Trong thực tế, nếu sự tương quan giữa các biến tương đối nhỏ thì phân tích nhân tố có thể không phù hợp. Chúng ta mong đợi rằng các biến phải có tương quan ở mức độ cao trong từng biến và giữa các biến. Ðể nhận dạng điều này chúng ta sử dụng phần mềm SPSS hoặc Excel để tạo ma trận tương quan giữa các biến bằng câu lệnh Correlation. Chẳng hạn, kết quả ma trận tương quan của 7 biến trong ví dụ về kem đánh răng được trình bày như sau: Bảng 7.1: Ma trận tương quan giữa các biến

PHÂN TÍCH NHÂN TỐ, PHÂN TÍCH KẾT HỢP PHÂN TÍCH PHÂN BIỆT VÀ PHÂN TÍCH CROSS-TABULATION ( FACTOR, CONJOINT, DISCRIMINANT AND CROSS-TAB ANALYSIS) I. PHÂN TÍCH NHÂN TỐ 1. Khái niệm 2. Mô hình phân tích nhân tố 3. Tiến trình phân tích nhân tố II. PHÂN TÍCH KẾT HỢP 1. Khái niệm 2. Mục đích 3. Tiến trình phân tích kết hợp 4. Giả thuyết và hạn chế của phân tích kết hợp III. PHÂN TÍCH PHÂN BIỆT 1. Khái niệm 2. Mục tiêu phân tích phân biệt 3. Mối quan hệ giữa phân tích hồi qui, phân tích ANOVA và phân tích phân biệt 4. Phân loại phân tích phân biệt 5. Mô hình phân tích phân biệt 6. Tiến trình phân tích phân biệt 7. Phân tích đa nhóm IV. CROSS - TABULATION 1. Định nghĩa 2. Phân tích Cross - Tabulation hai biến 3. Phân tích Cross - tabulation ba biến BÀI TẬP Ngoài các phân tích đã đề cập trong những chương trước như phân tích ANOVA, phân tích hồi qui tương quan, kiểm định giả thuyết , còn một số phân tích khác nhằm đáp ứng những nhu cầu khác nhau trong quá trình xử lý thông tin và ra quyết định, chẳng hạn như phân tích nhân tố, phân tích cụm, phân tích kết hợp và phân tích phân biệt giữa các nhóm. Trong phạm vi chương này, ba phân tích được ứng dụng phổ biến là phân tích nhân tô,ú phân tích kết hợp và phân tích phân biệt giữa các nhóm được đề cập. Tùy theo đặc điểm dữ liệu và mục tiêu nghiên cứu, việc sữ dụng các mô hình phân tích này sẽ rất quan trọng, tránh việc chọn mô hình phân tích không phù hợp, điều này sẽ dẫn đến sai lầm trong việc ra quyết định. I. PHÂN TÍCH NHÂN TỐ - FACTOR ANALYSIS 1. Khái niệm Phân tích nhân tố được sử dụng để rút gọn và tóm tắt dữ liệu. Trong nghiên cứu Marketing, có thể có rất nhiều biến để nghiên cứu, hầu hết chúng có tương quan với nhau và thường được rút gọn để có thể dễ dàng quản lý. Mối quan hệ giữa những bộ khác nhau của nhiều biến được xác định và đại diện bởi một vài nhân tố (hay nói cách khác một nhân tố đại diện cho một số biến). Chẳng hạn như hình tượng của một cửa hàng có thể đo lường bằng cách hỏi khách hàng để đánh giá và xác định các nhân tố có liên quan đến hình tượng của cửa hàng. Trong phân tích ANOVA hay hồi qui, tất cả các biến nghiên cứu thì có một biến phụ thuộc còn các biến còn lại là các biến độc lập, nhưng đối với phân tích nhân tố thì không có sự phân biệt này. Hơn nữa, phân tích nhân tố có quan hệ phụ thuộc lẫn nhau giữa các biến trong đó mối quan hệ phụ thuộc này được xác định. Vì những lý do trên, phân tích nhân tố được sử dụng trong các trường hợp sau: 1. Nhận dạng các nhân tố để giải thích mối quan hệ giữa các biến. Ví dụ như các câu trả lời về lối sống có thể được sử dụng để đo lường tâm lý của khách hàng. Các câu trả lời này có thể là nhân tố được phân tích để nhận dạng các nhân tố tâm lý. 2. Nhận dạng các biến mới thay thế cho các biến gốc ban đầu trong phân tích đa biến (hồi qui). Chẳng hạn các nhân tố tâm lý được nhận dạng có thể sử dụng như là các biến độc lập để phân biệt số khách hàng trung thành và không trung thành. 3. Nhận dạng một bộ có số biến ít hơn cho việc sử dụng phân tích đa biến. Chẳng hạn có một ít câu trả lời về lối sống tương quan khá cao với các nhân tố đã nhận dạng được sử dụng như các biến độc lập để giải thích sự khác biệt giữa khách hàng trung thành và không trung thành. - Phân tích nhân tố được sử dụng rộng rãi trong nghiên cứu Marketing. Ví dụ, 1. Phân tích nhân tố được sử dụng trong phân khúc thị trường để nhận dạng các biến phân nhóm khách hàng. Chẳng hạn những người mua xe mới có thể tập hợp thành các nhóm dựa vào các nhân tố như tính kinh tế, tiện nghi, vận hành tốt và tính sang trọng. Ðiều này có thể có bốn phân khúc thị trường theo bốn nhân tố trên. 2. Trong nghiên cứu sản phẩm, phân tích nhân tố được sử dụng để xác định phẩm chất của nhãn hiệu có ảnh hưởng đến sự chọn lựa của khách hàng. Những nhãn hiệu kem đánh răng có thể được đánh giá về các khía cạnh: bảo vệ răng, làm trắng răng, mùi vị, hơi thở thơm tho và giá. 3. Các nghiên cứu trong quảng cáo, phân tích nhân tố được dùng để hiểu thói quen sử dụng phương tiện thông tin của thị trường mục tiêu. Chẳng hạn, những người sử dụng thức ăn lạnh có thể thích xem tivi, xem phim và nghe nhạc 4. Trong nghiên cứu giá, phân tích nhân tố được sử dụng để nhận dạng những đặc điểm của khách hàng nhạy cảm về giá. Những khách hàng này có thể là những người không có thu nhập cao, thường xuyên ở nhà. 2. Mô hình phân tích nhân tố Về mặt tóan học, mô hình phân tích nhân tố giống như phương trình hồi qui nhiều chiều mà trong đó mỗi biến được đặc trưng cho mỗi nhân tố. Những nhân tố này thì không được quan sát một cách riêng lẻ trong mô hình. Nếu các biến được chuẩn hóa mô hình nhân tố có dạng như sau: X i = A i1 F 1 + A i2 F 2 + + A im F m +V i U i Trong đó: XI: Biến được chuẩn hóa thứ i Aịj: Hệ số hồi qui bội của biến được chuẩn hóa i trên nhân tố chung j F: Nhân tố chung Vi: Hệ số hồi qui của biến chuẩn hóa i trên nhân tố duy nhất i Ui: Nhân tố duy nhất của biến i m: Số nhân tố chung. Mỗi nhân tố duy nhất thì tương quan với mỗi nhân tố khác và với các nhân tố chung. Các nhân tố chung có sự kết hợp tuyến tính của các biến được quan sát. F i = w i1 x 1 + w i2 x 2 + + w ik x k Trong đó: Fi: Ước lượng nhân tố thứ i wi: Trọng số hay hệ số điểm nhân tố k: Số biến Trong phân tích này có thể chọn trọng số (hay hệ số điểm nhân tố) để nhân tố thứ nhất có tỷ trọng lớn nhất trong tổng phương sai. Các nhân tố có thể được ước lượng điểm nhân tố của nó. Theo ước lượng này, nhân tố thứ nhất có điểm nhân tố cao nhất, nhân tố thứ hai có điểm nhân tố cao thứ hai Dĩ nhiên, kỹ thuật ước lượng liên quan rất nhiều đến thống kê, điều này sẽ được giải thích chi tiết trong các phần sau. 3. Tiến trình phân tích nhân tố Tiến trình thực hiện phân tích nhân tố được trình bày theo các bước trong sơ đồ dưới đây: Tiến trình phân tích nhân tố trong phần mềm SPSS như sau: ¨ Nhập dữ liệu 7 biến theo ví dụ của bước 1 - chọn menu Analyze - chọn Data Reduction - chọn Factor - chọn các chi tiết của các menu trong hộp thoại Factor Analysis như Descriptives, Extraction, Rotation, Scores and options - chọn OK, sau đó ta có bảng kết quả (từ bảng 7.1 đến bảng 7.2c) được giải thích theo các bước dưới đây. Bước 1: Xác định vấn đề Có rất nhiều nhiệm vụ trong việc xác định vấn đề phân tích. Trước tiên, mục tiêu nghiên cứu phải được xác định. Các biến trong mô hình phân tích nhân tố phải cụ thể, điều này có thể dựa vào các nhân tố truớc, lý thuyết hoặc sự cân nhắc của nhà nghiên cứu. Việc những biến này sử dụng thang đo khoảng và thang đo tỷ lệ thì rất quan trọng và phải chọn cỡ mẫu phù hợp. Thường thường, cỡ mẫu phù hợp phải gấp từ bốn đến năm lần số biến nghiên cứu. Trong nhiều trường hợp nghiên cứu Marketing, vì một lý do nào đó, cỡ mẫu lấy thấp hơn tỷ lệ trên thì kết quả nghiên cứu nên được giải thích một cách thận trọng. Ví dụ, giả sử nhà nghiên cứu muốn xác định những lợi ích cơ bản mà khách hàng cần tìm khi mua kem đánh răng. Một mẫu gồm 237 người được phỏng vấn theo thang đo 7 điểm (điểm 1 là hoàn toàn không đồng ý, điểm 7 là hoàn toàn đồng ý) với các nội dung khi sử dụng kem đánh răng như sau: (các biến từ V1 đến V7) V1: Chống được sâu răng V2: Tạo được hàm răng sáng V3: Không làm nhiễm trùng nướu răng V4: Tạo hơi thở thơm tho V5: Chống được canxi hóa răng V6: Có hàm răng hấp dẫn V7: Có hàm răng khỏe mạnh Bước 2: Lập ma trận tương quan Sau khi thu thập thông tin, dựa vào dữ liệu của 7 biến trên ta lập ma trân tương quan giữa các biến. Nếu phân tích nhân tố thích hợp thì các biến này phải có tương quan với nhau. Trong thực tế, nếu sự tương quan giữa các biến tương đối nhỏ thì phân tích nhân tố có thể không phù hợp. Chúng ta mong đợi rằng các biến phải có tương quan ở mức độ cao trong từng biến và giữa các biến. - Ðể nhận dạng điều này chúng ta sử dụng phần mềm SPSS hoặc Excel để tạo ma trận tương quan giữa các biến bằng câu lệnh Correlation. Chẳng hạn, kết quả ma trận tương quan của 7 biến trong ví dụ về kem đánh răng được trình bày như sau: Bảng 7.1: Ma trận tương quan giữa các biến Nhận xét: Ma trận tương quan giữa 7 biến (V1(V7) biểu hiện những lợi ích của kem đánh răng thông qua sự liên hệ giữa các biến. Theo kết quả bảng 7.1, các biến V1,V3, V5 và V7 có tương quan rất cao. Chúng ta sẽ đặt một nhân tố chung đại diện cho 4 biến này là F1. Tương tự, các biến V2, V4 và V6 được đại diện bởi nhân tố chung F2. Tiếp theo, để xác định tất cả 7 biến có tương quan như thế nào, ta sử dụng kiểm định Barletts để kiểm định giả thuyết: Tuy nhiên, để xác định số nhân tố ta quan tâm đến tổng phương sai của 7 nhân tố (cột 2) và của từng nhân tố (cột 5). Kết quả xử lý theo kiểm định Bartlett như sau: Giải thích: * Communality: phương sai tối đa của mỗi biến * Eigenvalue: phuơng sai tổng hợp của từng nhân tố * Percent of variance: phương sai của từng nhân tố tính bằng % [(cột (5) = cột (4)/tổng cột (2) x100)] * Cumulative Percentage: phương sai tích lũy [cột (6) = cột (5) cộng dồn] Bước 3: Xác định số nhân tố Trong nghiên cứu thường số nhân tố sau khi xử lý ít hơn số biến ban đầu. Rất hiếm có trường hợp tất cả các biến ban đầu đều là các nhân tố ảnh hưởng hay tác động đến vấn đề nghiên cứu. Theo ví dụ trên, trong 7 biến ban đầu nhưng chỉ có hai nhân tố (V1) và (V2) là có trọng số cao về phương sai thể hiện kết quả trong cột 5 (48,3% và 28,0%) làm đại diện. Tuy nhiên, có rất nhiều cách để xác định số nhân tố trong mô hình phù hợp: 1. Quyết định trước số nhân tô:ú thỉnh thoảng nhà nghiên cứu biết trước có bao nhiêu nhân tố trước khi tiến hành phân tích. Số nhân tố có giảm đi hay không là do nhà nghiên cứu hoàn toàn quyết định. 2. Quyết định dựa vào phương sai tổng hợp của từng nhân tố (Eigenvalue): Trong cách tiếp cận này chỉ có những nhân tố có Eigenvalue lớn hơn 1 mới được đưa vào mô hình. Nếu số biến ban đầu ít hơn 20 thì cách tiếp cận này vẫn còn tác dụng. 3. Quyết định dựa vào phần trăm phương sai của từng nhân tố (cột 5): Số nhân tố được chọn vào mô hình phải có tổng phương sai tích lũy giữa hai nhân tố lớn hơn 60%. Tuy nhiên, tùy thuộc vào vấn đề nghiên cứu mức độ này có thể thấp hơn. Chẳng hạn tổng phương sai của nhân tố 1 và nhân tố 2 trong ví dụ về kem đánh răng là 76,3%. Bước 4: Giải thích các nhân tố Trở lại kết quả của kiểm định Bartlett ta có kết quả của ma trận nhân tố như sau: Bảng 7.2a. Ma trận nhân tố đã chuẩn hóa các biến Bảng ma trận 7.2a chứa đựng các biến đã được chuẩn hóa, ma trận này thể hiện mối tương quan giữa hai nhân tố (V1) và (V2) với 7 biến (V1(V7). Ta thấy rằng nhân tố 1 có tương quan với cả 7 biến nhưng chỉ có các biến V1 (chống sâu răng), V3(chống nhiễm trùng nướu), V5 (chống canxi hóa) và V7 (răng khỏe) là có hệ số tương quan cao, các biến này thể hiện lợi ích về sức khỏe. Như vậy, nhân tố 1 có thể đặt tên là nhân tố lợi ích về sức khỏe. Tương tự, nhân tố 2 liên quan đến các biến có hệ số tương quan cao như V2 (răng sáng), V4 (hơi thở thơm tho) và V6 (hàm răng hấp dẫn), nhân tố nầy được đặt tên là nhân tố lợi ích về xã hội. Như vậy, qua xử lý ta thấy có hai loại lợi ích từ việc sử dụng kem đánh răng là lợi ích sức khỏe và lợi ích xã hội được đại diện bởi nhân tố 1 (F1) và nhân tố 2 (F2). Bước 5: Xác định điểm nhân tố và chọn nhân tố thay thế - Ðiểm nhân tố (hay trọng số) để kết hợp các biến chuẩn hóa (F) được lấy từ ma trận hệ số điểm (bảng 7.2b: Factor score coefficient matrix). Theo ví dụ trên, trong mô hình có hai nhân tố chung F1 và F2, trong đó F1 có bốn biến liên quan là V1, V3, V5 và V7, và F2 có ba biến liên hệ là V2, V4, và V6. Cụ thể ước lượng điểm nhân tố của hai nhân tố F1 và F2 như sau: F 1 = 0,31x 1 + 0,29 x 3 + 0,3x 5 +0,29x 7 F 2 = 0,38x 2 + 0,38x 4 + 0,37x 6 Các tham số của hai phương trình trên được rút ra từ bảng kết quả phân tích mục Factor score coefficient matrix. Trong hai phương trình trên, biến nào có hệ số điểm nhân tố cao nhất thì biến đó ảnh hưởng lớn nhất đến nhân tố chung. Tuy nhiên, trong thực tế nghiên cứu, có những trường hợp có thể có một số biến đã được nhà nghiên cứu quan tâm từ trước, mặc dù nó có hệ số điểm nhân tố thấp hơn nhưng vẫn được coi là quan trọng hơn. Chẳng hạn như chống canxi hóa răng (V5) được coi là quan trọng hơn chống sâu răng (V1) trong mô hình phân tích này. Thực hiện điều này có nghĩa là ta đã chọn nhân tố thay thế. Bảng 7.2b: Factor score coefficient matrix Variable Factor 1 Factor 2 V 1 V 2 V 3 V 4 V 5 V 6 V 7 .30931 05548 .29250 04918 .30199 04160 .29173 06814 .38315 03331 .38087 05191 .37478 .00697 Bước 6: Xác định mô hình phù hợp Một giả thuyết cơ bản trong phân tích nhân tố là sự tương quan giữa các biến ảnh hưởng đến các nhân tố chung. Vì vậy, tương quan giữa các biến có thể được suy ra hoặc mô phỏng từ mối tương quan được ước lượng giữa các biến và các nhân tố (bảng 7.2c). Sự khác biệt giữa ma trận tương quan giữa các biến (bảng 7.1) và ma trận tương quan giữa các biến và nhân tố (bảng 7.2c) gọi là các dư số. Nếu các dư số có giá trị lớn thì mô hình sẽ không phù hợp, và vì vậy nó cần phải xem xét lại. Trở lại ví dụ về kem đánh răng, khi so sánh bảng 7.1 và bảng 7.2c thì chỉ có 4 dư số lớn hơn 0,1 và 6 dư số lớn hơn 0,05, đây là các dư số tương đối nhỏ nên mô hình có hai nhân tố chung F1 và F2 được chấp nhận. Bảng 7.2c. Ma trận tương quan sau khi chuẩn hóa các biến V 1 V 2 V 3 V 4 V 5 V 6 V 7 V 1 0.74 V 2 V 3 V 4 V 5 V 6 V 7 0.11 0.72 0.13 0.73 0.14 0.74 0.80 0.18 0.80 0.14 0.79 0.26 0.70 0.19 0.71 0.20 0.73 0.80 0.15 0.79 0.28 0.72 0.17 0.74 0.79 0.29 0.78 II. PHÂN TÍCH KẾT HỢP - CONJOINT ANALYSIS 1. Khái niệm Phân tích kết hợp là một kỹ thuật để xác định tầm quan trọng tương đối về các phẩm chất nổi bật của sản phẩm hay nhãn hiệu sản phẩm và lợi ích của mỗi phẩm chất đó qua đánh giá chủ quan của khách hàng. Phân tích kết hợp dùng để phát triển những hàm giá trị hoặc hàm lợi ích, nó mô tả lợi ích mà khách hàng đưa ra đối với mỗi phẩm chất của vấn đề nghiên cứu. 2. Mục đích Phân tích kết hợp được sử dụng trong Marketing với nhiều mục đích khác nhau: - Xác định tầm quan trọng tương đối về phẩm chất trong tiến trình chọn lựa của người tiêu dùng. - Xác định thị phần của các nhãn hiệu (brands) ở các mức độ khác nhau về phẩm chất. - Xác định sự cấu thành của nhãn hiệu được ưa thích nhất. Những đặc trưng của nhãn hiệu có thể khác nhau về chất lượng, những đặc trưng này nếu có lợi ích cao nhất thì nhãn hiệu sẽ được yêu thích nhất. - Phân khúc thị trường dựa vào sự giống nhau của sở thích ở các mức độ khác nhau về phẩm chất. [...]... Phân loại phân tích phân biệt 4.1 Phân tích phân biệt giữa hai nhóm: Là phân tích được sử dụng trong trường hợp biến phụ thuộc được chia làm hai loại, trường hợp phân tích này gần giống như phân tích hồi quy nhiều chiều, biến phụ thuộc được mã hóa theo hai số 0 hoặc số 1 (dummy variables) Kết quả phân tích thể hiện các hệ số hồi quy thì tỷ lệ với các hệ số hàm phân biệt 4.2 Phân tích phân biệt đa nhóm:... giá hiệu quả của phân tích phân biệt Như đã được đề cập ở các phần trước, mẫu trong phân tích phân biệt được chia làm hai mẫu nhỏ Mẫu phân tích dùng để ước lượng hàm phân biệt và mẫu chuẩn hóa sử dụng để phát triển ma trận phân loại Ðể đánh giá hiệu quả phân tích ta tính các chỉ tiêu có liên quan đến hai loại mẫu này như sau • Tính điểm phân biệt (discriminant scores) Chỉ tiêu điểm phân biệt này còn có... tiến hành cho từng mẫu nhỏ được tách ra Sau đó kết quả có thể so sánh với nhau để đánh giá sự ổn định của các giải pháp được sử dụng trong phân tích kết hợp 4 Giả thuyết và hạn chế của phân tích kết hợp Mặc dù phân tích kết hợp là một kỹ thuật được sử dụng khá phổ biến nhưng nó cũng chứa đựng nhiều giả thuyết và hạn chế Giả thuyết trong phân tích kết hợp là các phẩm chất quan trọng của một sản phẩm... loại (chất lượng tốt, chất lượng trung bình và chất lượng kém) 2 Mục tiêu phân tích phân biệt Phân tích phân biệt nhằm đạt được những mục tiêu sau đây: • Phát triển những hàm phân biệt kết hợp tuyến tính những nhân tố dự báo (các biến độc lập) Hàm này có sự phân biệt tốt nhất giữa các tiêu chuẩn nhóm đã phân loại (biến phụ thuộc) • Xác định xem có sự khác biệt có ý nghĩa tồn tại giữa các nhóm về nội... đa nhóm: Là kỹ thuật phân tích được sử dụng trong trường họp biến phụ thuộc được phân loại thành ba hay nhiều nhóm Chi tiết của phân tích này sẽ được đề cập trong những phần sau 5 Mô hình phân tích phân biệt Mô hình phân tích phân biệt được dựa vào mô hình thống kê như sau: D = bo + b1x1 + b2x2 + + bkxk Trong đó: D: Ðiểm phân biệt (biến phụ thuộc) bi: Các hệ số hay trọng số phân biệt (i = 1,n) xi: các... phân biệt Giữa các phân tích hồi quy, ANOVA và phân tích phân biệt có những điểm giống nhau và khác nhau như sau: Bảng 7.7: Phân biệt giữa ba loại phân tích Ví dụ, một nhà nghiên cứu muốn giải thích lượng tiền bảo hiểm nhân thọ được trả (biến phụ thuộc) dựa vào tuổi và thu nhập (biến độc lập) Cả ba biến này đều có liên quan với nhau nhưng có bản chất khác nhau Trong phân tích ANOVA và hồi quy, bản chất... quan để đánh giá độ tin cậy của kết quả phân tích 3 Ðánh giá hiệu quả phân tích còn có thể sử dụng các hàm lợi ích để ước lượng tầm quan trọng của các phẩm chất Ðánh giá ước lượng này có thể kết hợp với đánh giá của người được phỏng vấn để xác định hiệu quả phân tích 4 Nếu một phân tích tổng hợp đã được tiến hành, mẫu ước lượng có thể chia làm nhiều hướng và phân tích kết hợp có thể tiến hành cho từng... cách kết hợp thứ nhất với tỷ lệ 1.1.1 ở các mức độ phẩm chất tương ứng, điều này có nghĩa là khách hàng quan tâm đến một đôi giày có đế giày bằng nhựa, thân giày bằng nilon với giá 450.000đ (kết hợp nội dung ở bảng 7.3 để giải thích các kết hợp còn lại) Bước 4: Mô hình phân tích kết hợp Mô hình phân tích kết hợp là mô hình toán học thể hiện mối quan hệ cơ bản giữa các phẩm chất và lợi ích trong phân tích. .. hiểm nhân thọ là đồng, trong khi đó trong phân tích phân biệt (biến phụ thuộc) thì lượng tiền bảo hiểm có thể được phân loại một trong ba mức độ: cao, trung bình hay thấp Ngược lại, các biến độc lập tuổi và thu nhập trong phân tích ANOVA chia làm ba loại: cao, trung bình và thấp còn trong hồi quy và phân tích phân biệt nó sử dụng đơn vị tính của tuổi là năm và đơn vị tính của thu nhập là triệu đồng 4 Phân. .. phân biệt trong tất cả các nhóm thì bằng nhau (không có sự phân biệt) H1: Trung bình của tất cả các hàm phân biệt trong tất cả các nhóm thì khác nhau (sự phân biệt có ý nghĩa) Bước 4: Giải thích kết quả Giải thích các hệ số phân biệt cũng tương tự cách giải thích các tham số hồi qui trong phân tích hồi qui nhiều chiều Biến độc lập nào có hệ số phân biệt chuẩn cao thì ảnh hưởng càng lớn đến hàm phân biệt . TÍCH PHÂN BIỆT 1. Khái niệm 2. Mục tiêu phân tích phân biệt 3. Mối quan hệ giữa phân tích hồi qui, phân tích ANOVA và phân tích phân biệt 4. Phân loại phân tích phân biệt 5. Mô hình phân tích phân. hình phân tích nhân tố 3. Tiến trình phân tích nhân tố II. PHÂN TÍCH KẾT HỢP 1. Khái niệm 2. Mục đích 3. Tiến trình phân tích kết hợp 4. Giả thuyết và hạn chế của phân tích kết hợp III. PHÂN TÍCH. tin và ra quyết định, chẳng hạn như phân tích nhân tố, phân tích cụm, phân tích kết hợp và phân tích phân biệt giữa các nhóm. Trong phạm vi chương này, ba phân tích được ứng dụng phổ biến là phân