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, phântích hồi qui tương quan, kiểm định giả thuyết , còn một số phân tích khác nhằm đáp ứng nhữngnhu cầu khác nhau trong quá trình xử lý thông tin và ra quyết định, chẳng hạn như phân tíchnhân tố, phân tích cụm, phân tích kết hợp và phân tích phân biệt giữa các nhóm Trong phạm vichương này, ba phân tích được ứng dụng phổ biến là phân tích nhân tô,ú phân tích kết hợp vàphân tích phân biệt giữa các nhóm được đề cập Tùy theo đặc điểm dữ liệu và mục tiêu nghiêncứu, việc sữ dụng các mô hình phân tích này sẽ rất quan trọng, tránh việc chọn mô hình phân tíchkhông 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 đượcrút gọn để có thể dễ dàng quản lý Mối quan hệ giữa những bộ khác nhau của nhiều biến đượcxác định và đại diện bởi một vài nhân tố (hay nói cách khác một nhân tố đại diện cho một sốbiến) Chẳng hạn như hình tượng của một cửa hàng có thể đo lường bằng cách hỏi khách hàng đểđánh giá và xác định các nhân tố có liên quan đến hình tượng của cửa hàng Trong phân tíchANOVA hay hồi qui, tất cả các biến nghiên cứu thì có một biến phụ thuộc còn các biến còn lại làcác biến độc lập, nhưng đối với phân tích nhân tố thì không có sự phân biệt này Hơn nữa, phântích nhân tố có quan hệ phụ thuộc lẫn nhau giữa các biến trong đó mối quan hệ phụ thuộc nàyđược 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 lànhân 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 (hồiqui) Chẳng hạn các nhân tố tâm lý được nhận dạng có thể sử dụng như là các biến độc lập đểphân 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 cómột ít câu trả lời về lối sống tương quan khá cao với các nhân tố đã nhận dạng được sử dụng nhưcác 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 phânnhóm khách hàng Chẳng hạn những người mua xe mới có thể tập hợp thành các nhóm dựa vàocác nhân tố như tính kinh tế, tiện nghi, vận hành tốt và tính sang trọng Ðiều này có thể có bốnphân 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 củanhãn hiệu có ảnh hưởng đến sự chọn lựa của khách hàng Những nhãn hiệu kem đánh răng có thểđược 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 dụngphương tiện thông tin của thị trường mục tiêu Chẳng hạn, những người sử dụng thức ăn lạnh cóthể 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 củakhách hàng nhạy cảm về giá Những khách hàng này có thể là những người không có thu nhậpcao, 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 quansát một cách riêng lẻ trong mô hình Nếu các biến được chuẩn hóa mô hình nhân tố có dạng nhưsau:

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

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 tốcao thứ hai Dĩ nhiên, kỹ thuật ước lượng liên quan rất nhiều đến thống kê, điều này sẽ đượcgiải 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 nghiêncứu phải được xác định Các biến trong mô hình phân tích nhân tố phải cụ thể, điều này có thểdựa 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 nhiềutrường hợp nghiên cứu Marketing, vì một lý do nào đó, cỡ mẫu lấy thấp hơn tỷ lệ trên thì kết quảnghiên 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 tìmkhi 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 đánhrăng 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 giữacác biến Nếu phân tích nhân tố thích hợp thì các biến này phải có tương quan với nhau Trongthực tế, nếu sự tương quan giữa các biến tương đối nhỏ thì phân tích nhân tố có thể không phùhợp Chúng ta mong đợi rằng các biến phải có tương quan ở mức độ cao trong từng biến và giữacác biến

- Ðể nhận dạng điều này chúng ta sử dụng phần mềm SPSS hoặc Excel để tạo ma trậntương 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 thôngqua sự liên hệ giữa các biến Theo kết quả bảng 7.1, các biến V1,V3, V5 và V7 có tương quan rấtcao 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 địnhBarletts 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) vàcủa 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 %

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 hoàntoàn quyết định

2 Quyết định dựa vào phương sai tổng hợp của từng nhân tố (Eigenvalue): Trong cách tiếpcận này chỉ có những nhân tố có Eigenvalue lớn hơn 1 mới được đưa vào mô hình Nếu số biếnban 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 đượcchọn vào mô hình phải có tổng phương sai tích lũy giữa hai nhân tố lớn hơn 60% Tuy nhiên, tùythuộc 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 tươngquan giữa hai nhân tố (V1) và (V2) với 7 biến (V1(V7) Ta thấy rằng nhân tố 1 có tương quanvới 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 vềsức khỏe Như vậy, nhân tố 1 có thể đặt tên là nhân tố lợi ích về sức khỏe Tương tự, nhân tố 2liên 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 sứckhỏe 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

thì biến đó ảnh hưởng lớn nhất đến nhân tố chung Tuy nhiên, trong thực tế nghiên cứu, cónhững 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 chốngcanxi hóa răng (V5) được coi là quan trọng hơn chống sâu răng (V1) trong mô hình phân tíchnày Thực hiện điều này có nghĩa là ta đã chọn nhân tố thay thế

Bảng 7.2b: Factor score coefficient matrix

-.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 hưởngđến các nhân tố chung Vì vậy, tương quan giữa các biến có thể được suy ra hoặc mô phỏng từmối tương quan được ước lượng giữa các biến và các nhân tố (bảng 7.2c) Sự khác biệt giữa matrận tương quan giữa các biến (bảng 7.1) và ma trận tương quan giữa các biến và nhân tố (bảng7.2c) gọi là các dư số Nếu các dư số có giá trị lớn thì mô hình sẽ không phù hợp, và vì vậy nócần 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 hainhân tố chung F1 và F2 được chấp nhận

Bảng 7.2c Ma trận tương quan sau khi chuẩn hóa các biến

V1 0.74

0.800.150.790.28

0.720.170.74

0.790.29 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 chấtnổi bật của sản phẩm hay nhãn hiệu sản phẩm và lợi ích của mỗi phẩm chất đó qua đánh giá chủquan 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 tiêudùng

- 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 sẽđược yêu thích nhất

- Phân khúc thị trường dựa vào sự giống nhau của sở thích ở các mức độ khác nhau về phẩm chất

Ứng dụng của phân tích kết hợp sử dụng trong các lĩnh vực hàng tiêu dùng, sản phẩm côngnghiệp, các dịch vụ, tài chính và các dịch vụ khác Hơn nữa, những ứng dụng này có thể mở rộngcho toàn bộ các lĩnh vực Marketing Một vài nghiên cứu gần đây ứng dụng phân tích kết hợptrong các lĩnh vực như nhận dạng sản phẩm mới, phân tích cạnh tranh, giá, phân khúc thị trường,quảng cáo và phân phối sản phẩm

Ðể giảm thiểu công việc đánh giá của người được phỏng vấn và để ước lượng các tham số(về phẩm chất) với tính chính xác hợp lý, nên hạn chế số lượng phẩm chất thông qua việc thảoluận với ban quản lý, chuyên gia, phân tích số liệu thứ cấp, nghiên cứu định tính, điều tra

thử.v.v để chọn các phẩm chất nổi bật Các hàm lợi ích trong phân tích có thể không tuyếntính, lợi ích sẽ mất đi khi chuyển từ giá trung bình lên giá cao hơn Các mức độ phẩm chất khácnhau (chẳng hạn giá thấp, giá trung bình và giá cao của honda) ảnh hưởng đến sự đánh giá củangười tiêu dùng Nếu ba mức giá của xe honda là 10 triệu đồng, 12 triệu đồng và 14 triệu đồngthì mức độ chênh lệch giá không quan trọng Nhưng nếu ba mức giá thể hiện ba phẩm chất khácnhau như 10 triệu đồng, 20 triệu đồng và 30 triệu đồng thì giá sẽ là một nhân tố rất quan trọng.

Vì vậy, nhà nghiên cứu nên tính toán các mức độ phẩm chất phổ biến trên thị trường và mục tiêunghiên cứu Thông thường, để chọn lựa cơ cấu phẩm chất lớn hơn cái nó có trong thị trườngnhưng cũng đừng chọn mức độ phẩm chất quá lớn vì nó sẽ tác động đến khả năng tin tưởng củaviệc đánh giá

Ví dụ, Vấn đề nhà nghiên cứu muốn biết khách hàng mong muốn sản phẩm giày như thếnào Qua phỏng vấn thử, kết quả cho thấy có ba phẩm chất nổi bật là: đế giày, thân giày và giábán Mỗi phẩm chất được mô tả ở ba mức độ (1, 2 và 3) Số liệu thu thập như trong bảng sau:

- Ðánh giá đa nhân tố (multiple evaluations): người được phỏng vấn đánh giá tất cả cácphẩm chất trên tất cả các mặt của nhãn hiệu, mỗi mặt thì được mô tả bằng một chỉ số riêng.Trong thực tế, không cần thiết phải đánh giá tất cả sự kết hợp bởi vì nó không khả thi trong tất cảcác trường hợp Trong đánh giá hai nhân tố, có thể giảm các cặp kết hợp bằng cách sử dụng thiết

kế chu kỳ (cyclical designs) Trong khi đó đánh giá đa nhân tố sử dụng thiết kế nhân tố phân

đọan (fractional factorial designs) để giảm số lần đánh giá của phẩm chất Nói chung, có hai bộ

số liệu được thu thập Thứ nhất là bộ dùng để đánh giá (evaluation set) được sử dụng để đánh giáhàm lợi ích cho các mức độ phẩm chất Thứ hai là bộ được yêu cầu (holdout set) để đánh giá độtin cậy và hiệu quả

Thuận lợi của đánh giá từng cặp là dễ dàng cho người trả lời cung cấp những ý kiến đánhgiá Tuy nhiên, nó cũng đòi hỏi nhiều đánh giá hơn trong tiếp cận đa nhân tố, vì vậy đánh giá đanhân tố được sử dụng phổ biến hơn trong thực tế Trở lại ví dụ về giày, ta có ba phẩm chất (đếgiày, thân giày và giá) để đánh giá, mỗi phẩm chất lại có ba mức độ Do đó, tổng các mặt kết hợpphẩm chất cần phải đánh giá là 27 (3.3.3) được thể hiện như sau:

Sơ đồ 7.3: Ðánh giá từng cặp trong thu thập dữ liệu kết hợp

Trước khi tiến hành các kỹ thuật để giảm công việc đánh giá cho người trả lời, việc quyếtđịnh hình thức dữ liệu là hết sức cần thiết

Bước 3: Quyết định hình thức dữ liệu

Dữ liệu trong phân tích kết hợp được người trả lời đánh giá bằng cách dùng tỷ lệ hay xếphạng các mặt của các kết hợp phẩm chất Ðối với dữ liệu sử dụng hệ thống thang đo thì người trảlời đánh giá bằng cách xếp hạng Các hạng được xếp có liên quan đến việc đánh giá một cáchtương đối các mức độ phẩm chất và nó cũng phản ánh một cách chính xác hành vi của người tiêudùng trên thị trường

Ðối với dữ liệu không sử dụng hệ thống thang đo thì người trả lời đánh giá theo hình thức

tỷ lệ Hình thức này được người trả lời đánh giá một cách độc lập, dữ liệu dưới hình thức tỷ lệđược phân tích dễ dàng hơn dữ liệu được xếp hạng Trong thực tế, việc sử dụng hình thức tỷ lệrất phổ biến Cho dù đánh giá dưới hình thức nào thì người trả lời cũng dựa vào sở thích và sựquan tâm để mua hàng

Bảng 7.4 trình bày việc đánh giá dưới hình thức tỷ lệ của người được phỏng vấn Các tỷ lệnày sử dụng thang đo 9 điểm với mức độ tăng dần về sở thích mua hàng của 9 cách kết hợp trên

27 mặt (điểm 1: không thích, điểm 9: rất thích)

Bảng 7.4: Ðánh giá theo hình thức tỷ lệ

Theo đánh giá của khách hàng trong bảng 7.4, cách kết hợp thứ nhất với tỷ lệ 1.1.1 ở các mức độphẩm chất tương ứng, điều này có nghĩa là khách hàng quan tâm đến một đôi giày có đế giàybằng 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 phẩmchất và lợi ích trong phân tích kết hợp Cụ thể mô hình được trình bày như sau:

Trong đó:

U(x) : Lợi ích chung của mỗi phương án

Ki : Số mức độ của phẩm chất

m : Số phẩm chất

Và: Ii : {Max ((ij) - Min ((ij)}

Trong đó: Ii : Tầm quan trọng của mỗi phẩm chất

((ij) : Hệ số lợi ích

Có nhiều cách để ước lượng mô hình cơ bản này, đơn giản nhất là sử dụng mô hình hồi quivới các biến độc lập là các biến giả (dummy) đại diện cho các mức độ của phẩm chất, biến phụthuộc là tỷ lệ đánh giá của người trả lời Từ số liệu bảng 11.4, ta sử dụng hai biến giả cho mỗiphẩm chất, như vậy sẽ có 6 biến giả được sử dụng cho ba phẩm chất: đế giày (x1 và x2), thângiày (x3 và x4) và giá (x5 và x6) Ba mức độ 1, 2 và 3 trong mỗi phẩm chất được mã hóa nhưsau:

- Trong các biến x1, x3 và x5 thì mức độ 1 được mã hóa là 1, các mức độ 2 và 3 được mãhóa là 0

- Trong các biến x2, x4 và x6 thì mức độ 2 được mã hóa là 1, mức độ 1 và 3 được mã hóa

là 0

Số liệu trong bảng 7.4 được mã hóa trong bảng 7.5 như sau:

Bảng 7.5: Mã hóa dữ liệu biến giả trong mô hình hồi qui

(*) Mỗi phẩm chất trong bảng 7.4 được mã hóa thành hai biến

Mô hình ước lượng được trình bày như sau:

U = bo + b1x1 + b2x2 + b3x3 + b4x4 + b5x5 + b6x6

Kết quả xử lý được trình bày trong bảng 7.6

• Ước lượng các tham số hồi qui:

Kết quả ước lượng các tham số hồi qui từ SPSS như dưới đây:

= [0,778 - (- 0,556)] + [ 0,445 - (- 0,556)] + [1,111 - (- 1,222)]

= 1,334 + 1,001 + 2,333 = 4,668

- Hệ số quan trọng của đế giày (DG) =Ġā

- Hệ số quan trọng của thân giày (TG) =Ġ

- Hệ số quan trọng của giá (G) =Ġ

Bước 5: Giải thích kết quả

Kết quả phân tích trong bảng 7.6 cho ta hai kết luận cơ bản sau:

• Trong mỗi phẩm chất, hệ số quan trọng của mức độ nào có giá trị cao nhất chứng tỏkhách quan tâm nhiều nhất đến phẩm chất đó Như vậy, qua kết quả tính toán khách hàng rấtnhạy cảm về giá (I = 0,500), sau đó đến đế giày (I = 0,286) và sau cùng là thân giày (I = 0,214)

Trong các mức độ của mỗi phẩm chất, nếu hệ số lợi ích của mức độ nào cao nhất thì đượckhách hàng ưa chuộng nhất Theo ví dụ trên, kết quả nhận xét như sau:

Khách hàng thích một đôi giày được sản xuất với đế giày làm bằng cao su ((11= 0,778),thân giày làm bằng da ((21= 0,445) và giá khoảng 150.000 đồng ((31=1,111) Vấn đề tiếp theo tacần xem xét độ tin cậy của tài liệu phân tích để chứng minh rằng kết luận trên có độ tin cậy cao

Bước 6: Ðánh giá độ tin cậy và hiệu quả phân tích

Có nhiều cách để đánh giá độ tin cậy và hiệu quả của phân tích kết hợp:

1 Dùng phân tích sự phù hợp (Goodness of Fit) hay mô hình hồi qui Nếu dùng mô hình hồiqui thì hệ số xác định (R2) sẽ là chỉ tiêu để đánh giá sự phù hợp của mô hình Giá trị của R2càng lớn chứng tỏ sự phù hợp của mô hình càng cao

2 Kiểm tra lại dữ liệu để đánh giá lại độ tin cậy Trong trường hợp này người trả lời đượcphỏng vấn lại để đánh giá một lần nữa các phẩm chất, sau đó so sánh ma trận tương quan đểđánh 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 quantrọng của các phẩm chất Ðánh giá ước lượng này có thể kết hợp với đánh giá của ngườiđược 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 nhiềuhướng và phân tích kết hợp có thể 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 phântích 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 cũngchứa đựng nhiều giả thuyết và hạn chế Giả thuyết trong phân tích kết hợp là các phẩm chất quantrọng của một sản phẩm có thể được nhận dạng Hơn nữa, khách hàng có thể đánh giá nhữngphương án chọn lựa trong các phẩm chất này Có một số trường hợp hình tượng và nhãn hiệu thìquan trọng Tuy nhiên, khách hàng không thể đánh giá nhãn hiệu trong các phương án khác nhau

về phẩm chất ngay cả nếu khách hàng rất quan tâm đến các phẩm chất của sản phẩm, mô hìnhđánh đổi (trade off) không thể đại diện tốt cho tiến trình chọn lựa Một hạn chế khác của phântích kết hợp là dữ liệu thu thập quá phức tạp nếu số lượng phẩm chất khá lớn

III PHÂN TÍCH PHÂN BIỆT - DISCRIMINANT ANALYSIS

1 Khái niệm

Phân tích phân biệt là một kỹ thuật phân tích sử dụng cho việc phân biệt giữa các nhómbằng cách phân tích dữ liệu với một biến phụ thuộc được phân loại và các biến độc lập được đobằng thang đo khoảng Ví dụ, biến phụ thuộc có thể chọn một nhãn hiệu máy tính cá nhân (A, Bhoặc C) và các biến độc lập có thể là chất lượng được đánh giá theo ba loại (chất lượng tốt, chấtlượng 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 độclập) Hàm này có sự phân biệt tốt nhất giữa các tiêu chuẩn nhóm đã phân loại (biến phụthuộc)

• Xác định xem có sự khác biệt có ý nghĩa tồn tại giữa các nhóm về nội dung của cácbiến độc lập không

• Xác định biến độc lập nào gây ra sự khác biệt giữa các nhóm

• Phân loại nhóm này so với nhóm khác dựa vào các giá trị của các biến độc lập

• Ðánh giá tính chính xác của việc phân loại

Trong nghiên cứu Marketing, kỹ thuật phân tích phân biệt được sử dụng để trả lời nhữngcâu hỏi sau đây:

+ Theo đặc điểm nhân khẩu, làm thế nào để phân biệt giữa khách hàng trung thành vàkhông trung thành với việc mua hàng ở một cửa hàng?

+ Khách hàng là những người uống nhiều, uống trung bình hay uống ít các thức uống đãướp lạnh?

+ Những đặc điểm tâm lý nào giúp phân biệt giữa những người mua hàng rất nhạy cảm về

sự thay đổi của giá và những người mua hàng không nhạy cảm về vấn đề này?

+ Phân khúc thị trường có khác nhau trong thói quen sử dụng các phương tiện thông tin haykhông?

+ Cái gì là đặc điểm để phân biệt khách hàng chấp nhận trả lời trực tiếp thông tin bằng thư

tín?

3 Mối quan hệ giữa phân tích hồi quy, phân tích ANOVA và phân tích 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

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 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 quynhiều chiều, biến phụ thuộc được mã hóa theo hai số 0 hoặc số 1 (dummy variables) Kết quảphân 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: 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)

lập được chọn dựa vào mô hình lý thuyết hoặc dựa vào các nghiên cứu trước

6 Tiến trình phân tích phân biệt

Tiến trình phân tích nhân tố trong phần mềm SPSS như sau:

• Nhập dữ liệu 5 biến như giới thiệu trong bước 1- chọn menu Analyze - chọn Classify

- chọn Discriminant - Chọn các chi tiết của các menu trong hộp thoại Discriminant Analysis như Grouping variable, Independent variables, Statistics and Classify - chọn OK, sau đó ta có bảng kết quả (bảng 7.8) được giải như dưới đây

Sau khi nhận dạng các biến độc lập và phụ thuộc, mẫu sẽ được chia thành hai bộ phậnkhác nhau: (1) Mẫu phân tích được sử dụng để ước lượng hàm phân biệt, và (2) Mẫu tiêu chuẩndùng để chuẩn hóa hàm phân biệt Khi cỡ mẫu đủ lớn thì có thể chia làm hai phần có số quan sátbằng nhau cho hai bộ phận này và vai trò của chúng cũng luân phiên thay đổi, nghĩa là một nửa

cỡ mẫu sẽ đóng hai vai trò của hai bộ phận khác nhau này Hơn nữa, phân phối của một nữa cỡmẫu được giả sử giống như phân phối của toàn bộ mẫu Chẳng hạn, nếu mẫu bao gồm 25%khách hàng trung thành và 75% khách hàng không trung thành thì khi thực hiện mẫu phân tích

và mẫu chuẩn hóa cũng có phân phối xác suất là 25% và 75% Một trong những chỉ tiêu đánh giá

hiệu quả là số lần thử nghiệm được lập lại và luân phiên thay đổi giữa hai bộ phận này của mẫu

Bước 1: Ước lượng các hệ số của hàm phân biệt

Ước lượng hệ số của hàm phân biệt thường dựa vào mẫu phân tích (analysis sample) Có hai cách tiếp cận cho ước lượng này:

¨ Phương pháp trực tiếp: Theo phương pháp này mô hình ban đầu bao gồm tất cả các biến

độc lập Cách tiếp cận này phù hợp khi vấn đề đã có nghiên cứu trước đây hoặc khi mô hình

lý thuyết có sẵn