Phân tích khác biệt với SPSS và ứng dụng

TRƯỜNG ĐẠI HỌC SƯ PHẠM HÀ NỘI KHOA TOÁN ĐOÀN THỊ NGÀ PHÂN TÍCH KHÁC BIỆT VỚI SPSS VÀ ỨNG DỤNG KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC Chuyên ngành: Toán ứng dụng HÀ NỘI, 2017 TRƯỜNG ĐẠI HỌC SƯ PHẠM HÀ NỘI KHOA TOÁN ĐOÀN THỊ NGÀ PHÂN TÍCH KHÁC BIỆT VỚI SPSS VÀ ỨNG DỤNG KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC Chuyên ngành: Toán ứng dụng Người hướng dẫn khoa học PGS.TS TRẦN TRỌNG NGUYÊN HÀ NỘI, 2017 LỜI CẢM ƠN Để hoàn thành khóa luận này, xin chân thành cảm ơn thầy cô giáo tận tình hướng dẫn, giảng dạy suốt trình học tập, nghiên cứu rèn luyện Trường Đại học sư phạm Hà Nội Đặc biệt, xin gửi lời cảm ơn sâu sắc tới Thầy giáo hướng dẫn PGS.TS Trần Trọng Nguyên tận tình, chu đáo hướng dẫn thực khóa luận Mặc dù có nhiều cố gắng để thực đề tài cách hoàn chỉnh song hạn chế kiến thức kinh nghiệm nên tránh khỏi thiếu sót định mà thân chưa thấy Tôi mong góp ý Thầy, Cô giáo bạn bè để khóa luận hoàn chỉnh Tôi xin chân thành cảm ơn! Hà Nội, ngày 10 tháng 04 năm 2017 Tác giả khóa luận Đoàn Thị Ngà LỜI CAM ĐOAN Tôi xin cam đoan nội dung trình bày khóa luận kết trình nghiên cứu thân hướng dẫn khoa học PGS.TS Trần Trọng Nguyên Các nội dung không trùng khớp với kết nghiên cứu người khác Những số liệu bảng biểu phục vụ cho việc phân tích, nhận xét, đánh giá tác giả thu thập từ nguồn khác có ghi rõ phần tài liệu tham khảo Ngoài ra, khóa luận sử dụng số nhận xét, đánh số liệu tác giả khác, quan tổ chức khác với thái độ trân trọng biết ơn có trích dẫn, thích nguồn gốc Hà nội, ngày 10 tháng 04 năm 2017 Tác giả khóa luận Đoàn Thị Ngà MỤC LỤC LỜI NÓI ĐẦU CHƯƠNG 1: KIẾN THỨC CHUẨN BỊ 1.1 Kiến thức xác suất thống kê 1.1.1 Một số kiến thức xác suất 1.1.2 Kiến thức thống kê 1.2 Phương pháp ước lượng hợp lý cực đại 1.3 Điểm trung bình hay trung tâm đám mây số liệu ma trận trung tâm hóa 10 1.4.Công thức xác định tâm ma trận hiệp phương sai đám mây 10 1.5 Phân tích hồi quy 11 1.5.1 Khái niệm phân tích hồi quy 11 1.5.2 Hàm hồi quy 11 1.5.3 Hồi quy tổng thể hồi quy mẫu 12 1.5.4 Hồi quy tuyến tính 12 1.5.5 Hồi quy đơn hồi quy bội 13 1.5.6 Biến giả 14 1.5.7 Phân tích ANOVA 14 CHƯƠNG 2: PHÂN TÍCH KHÁC BIỆT 15 2.1 Tổng quan phân tích khác biệt 15 2.1.1 Khái niệm 15 2.1.2 Mục tiêu phân tích khác biệt 15 2.1.3 Mối quan hệ phân tích hồi quy, phân tích ANOVA phân tích khác biệt 16 2.1.4 Phân loại phân tích khác biệt 17 2.1.5 Mô hình phân tích biệt số 17 2.1.6 Các tham số thống kê phân tích khác biệt 17 2.1.7 Tiến trình phân tích khác biệt 19 2.2 Một số phương pháp phân tích khác biệt 22 2.2.1 Một minh họa cụ thể phân tích khác biệt 22 2.2.2 Phương pháp hồi quy logistic 24 2.2.3 Phương pháp Fisher 26 2.2.4 Phương pháp Bayes 27 CHƯƠNG 3: SPSS VỚI PHÂN TÍCH KHÁC BIỆT VÀ ỨNG DỤNG 34 3.1 Giới thiệu SPSS 34 3.2 SPSS với phân tích khác biệt 35 3.3 Ứng dụng 39 KẾT LUẬN 47 TÀI LIỆU THAM KHẢO 48 LỜI NÓI ĐẦU Lý chọn đề tài Phân tích khác biệt hay phân tích khác biệt theo nhân tố phương pháp phân tích có nhiều ứng dụng thống kê Phân tích khác biệt cho phép thiết lập mối quan hệ tiêu thức, sở tìm đặc trưng định tính làm sở phân biệt cá thể tổng thể vốn thể nhiều tiêu thức, nói chung định lượng khác Tiêu thức định tính thường gọi biến phân biệt hay biến giải thích Có thể thấy phân tích khác biệt phương pháp phân tích thống kê dùng nhiều khai thác liệu để phân loại đối tượng vào nhóm dựa việc đo lường đặc trưng đối tượng Về mặt thực tiễn, phân tích khác biệt dùng để giải số tình nhà nghiên cứu muốn tìm thấy khác biệt nhóm đối tượng nghiên cứu với Ví dụ phân biệt khách hàng trung thành không trung thành số đặc điểm nhân học, phân biệt phân khúc khách hàng số tiêu chí lợi ích sử dụng sản phẩm Các lĩnh vực có nhiều ứng dụng lớp toán phân tích khác biệt chuẩn đoán lâm sàng y học; dự báo thời tiết với vùng áp suất khác cấu trúc, mật độ đám mây; phân nhóm loại cổ phiếu, đối tượng đầu tư hoạt động tài chính, Phân tích khác biệt giúp nhà nghiên cứu phân loại đối tượng vào nhóm dự báo đối tượng thuộc vào nhóm nhóm có sẵn Từ ý nghĩa to lớn mặt thực tiễn phân tích khác biệt, muốn chọn đề tài “Phân tích khác biệt với SPSS ứng dụng” để tìm hiểu cách giải toán phân loại Ngoài ra, có nhiều phương pháp đưa để phân tích khác biệt với toán phân loại Tôi muốn tìm hiểu số phương pháp phổ biến tối ưu để phân tích khác biệt đồng thời ứng dụng phân tích khác biệt phần mềm thống kê SPSS Mục đích nghiên cứu Nghiên cứu số phương pháp khác biệt, tìm ưu điểm nhược điểm phương pháp ứng dụng tìm kiếm mô hình tối ưu để áp dụng vào số ví dụ cụ thể Ứng dụng phần mềm thống kê SPSS thực hành phân tích khác biệt Phạm vi nghiên cứu Bài viết đề cập đến ba phương pháp tiêu biểu nhiều phương pháp phân loại là: Fisher, hồi quy logistic, Bayes; đồng thời viết trình bày phân tích khác biệt phần mềm SPSS Phương pháp, công cụ nghiên cứu Phương pháp nghiên cứu: nghiên cứu tài liệu phân tích thống kê, xử lý liệu Nội dung đề tài Ngoài lời nói đầu, nội dung đề tài gồm nội dung sau: Chương 1: Kiến thức chuẩn bị Chương 2: Phân tích khác biệt Chương 3: SPSS với phân tích khác biệt ứng dụng CHƯƠNG 1: KIẾN THỨC CHUẨN BỊ Trong chương trình bày số kiến thức xác suất thống kê biến ngẫu nhiên, hàm phân bố xác suất, bảng phân bố xác suất, hàm mật độ xác suất, số đặc trưng biến ngẫu nhiên mẫu ngẫu nhiên, giá trị tới hạn chuẩn, số phân phối thường gặp, mẫu ngẫu nhiên, tổng thể nghiên cứu, kiểm định giả thuyết; đám mây số liệu, ma trận hiệp phương sai, phương pháp ước lượng hợp lý cực đại, phân tích hồi quy 1.1 Kiến thức xác suất thống kê 1.1.1 Một số kiến thức xác suất 1.1.1.1 Biến ngẫu nhiên Một đại lượng hay biến nhận giá trị với xác suất gọi biến ngẫu nhiên Ký hiệu X, Y, Z, … - Nếu giá trị biến ngẫu nhiên rời (cách xa khoảng đấy) biến ngẫu nhiên gọi rời rạc - Nếu giá trị biến ngẫu nhiên lấp đầy khoảng biến ngẫu nhiên gọi liên tục (theo [3]) 1.1.1.2 Hàm phân bố xác suất Định nghĩa 1.1: Hàm phân bố xác suất (hay hàm phân bố) biến ngẫu nhiên X, ký hiệu F ( x) , hàm xác định với x  R theo công thức sau: F ( x)  P  X  x 1.1.1.3 Bảng phân bố xác suất Phân bố xác suất biến ngẫu nhiên rời rạc X bảng ta ghi giá trị mà X nhận kèm theo xác suất để nhận giá trị Như phân bố xác suất X bảng có dạng: pi  P  X  xi  với n p i 1 i 1 1.1.1.4 Hàm mật độ xác suất Định nghĩa 1.2 (theo [7]): Hàm số f ( x) xác định toàn trục số gọi hàm mật độ biến ngẫu nhiên liên tục X nếu: i) f ( x)  0, x  R  ii)  f ( x)dx   b iii) a  b , ta có: P a  X  b   f ( x)dx a 1.1.1.5 Một số đặc trưng biến ngẫu nhiên a Kì vọng Giả sử biến ngẫu nhiên rời rạc X nhận giá trị có x1, x2, …, xn với xác suất tương ứng p1, p2, …, pn Kì vọng biến ngẫu nhiên rời rạc X, ký hiệu E(X) tổng tích giá trị có biến ngẫu nhiên với xác suất tương ứng: n E ( X )   xi pi Nếu X biến ngẫu nhiên liên i 1 tục với hàm mật độ xác suất f(x) kì vọng E(X) xác định biểu thức:  E( X )   xf ( x)dx  b Phương sai CHƯƠNG 3: SPSS VỚI PHÂN TÍCH KHÁC BIỆT VÀ ỨNG DỤNG Trong chương này, giới thiệu SPSS, cách dùng SPSS để phân tích khác biệt trình bày ví dụ thực phân tích khác biệt với SPSS 3.1 Giới thiệu SPSS SPSS (viết tắt Statistical Package for the Social Sciences) phần mềm máy tính phục vụ công tác phân tích thống kê SPSS phần mềm thống kê sử dụng phổ biến cho nghiên cứu điều tra xã hội học kinh tế lượng SPSS có giao diện thân thiện với người dùng, dễ sử dụng sử dụng chủ yếu thao tác click chuột dựa công cụ (tool) mà dùng lệnh (khác với R hay Stata) SPSS mạnh cho phân tích kiểm định phi tham số, thống kê mô tả, kiểm định tin cậy thang đo Cronbach Alpha, phân tích tương quan, hồi quy tuyến tính đơn bội, kiểm định trung bình, phân tích khác biệt, … Có thể chia SPSS thành hệ sau: phiên MSDOS; phiên Windows trước 8.0; phiên Windows từ 8.0 sau Đặc điểm quan trọng phần mềm từ phiên MS-DOS, SPSS có hai chế làm việc làm việc qua thực đơn nhờ chương trình ngôn ngữ riêng Phần hoàn thiện chủ yếu tập trung vào hai mảng lớn số liệu đồ hoạ Về số liệu: SPSS chấp nhận hầu hết format bảng tính, hệ sở liệu phần mềm thống kê khác Với DBMSCOPY 6.0, SPSS cho phép chuyển đổi tất dạng số liệu lẫn Cấu trúc biến SPSS cấu trúc hoàn thiện (kiểu biến, khuôn dạng, nhãn biến giá trị nhãn) Trong trình xử lý, phân tích số liệu SPSS cho phép nối chuyển đổi trực tiếp với hệ sở liệu, bảng tính SPSS cho phép chia cắt tệp số liệu ghép, nối tệp số liệu khuôn dạng, với thủ tục riêng biệt việc lựa chọn tạm thời 34 xử lý tiến hành dễ dàng Với modul Data entry, SPSS cho phép lập bảng hỏi nhập số liệu khuôn dạng bảng hỏi mà không cần đến chương trình nhập số liệu riêng biệt, phức tạp sở liệu trước Về cấu trúc giao diện: SPSS cung cấp hình (số liệu, kết quả, lệnh khởi thảo báo cáo) Các hình hoàn toàn có khả cắt dán lẫn cắt dán qua lại với hệ soạn thảo, bảng tính khác Ngoài SPSS cho phép tạo chức chuyển đổi trực tiếp số liệu khởi động Fox, Ecxel, nhờ việc bổ sung thực đơn SPSS tệp chủ phần mềm Trong trường hợp ứng dụng mở tự động đặt tên tệp spss*.??? (phần mở rộng ứng dụng tương ứng) Về chương trình thủ tục: Hệ thống thực đơn ưu SPSS Có thể nói công việc thực dễ dàng qua hệ thống thực đơn bảng chọn Bất kỳ lựa chọn sẵn sàng giải thích “nóng” ta kích chuột phải Các thủ tục phức tạp phân tích thống kê có mặt thực đơn (nhóm thủ tục phân tích vô hướng, phân tích nhân tố đặc biệt phân tích chuỗi thời gian ) Song song với hệ thống thực đơn ngôn ngữ SPSS, phần SPSS tỏ dễ tính cấu trúc ngữ pháp nhờ hệ thống Autocorect SPSS cung cấp chương trình tương ứng với thủ tục thực thông báo lỗi hai dạng: Ngôn ngữ SPSS ngôn ngữ viết Visual basis visual java SPSS cung cấp hệ thống Macro hệ song song Production facility Chúng ta tham khảo tài liệu khác chức 3.2 SPSS với phân tích khác biệt Thực đơn phân tích khác biệt Chọn analyze/classify/Discriminant… ta có thực đơn sau: 35 + Cửa số Grouping Variable xác định biến giải thích (A) Sau chọn biến cần xác định giá trị nhỏ lớn biến A để phân nhóm Hãy kích vào nút Define Range khai báo số minimum maximum A + Cửa sổ Independents xác định biến giải thích Trong hai trường hợp: sử dụng P biến phân lớp đồng thời (Enter independents together) sử dụng phân lớp bổ sung biến (use stepwise method) biến giải thích chọn lần ghi vào cửa sổ + Nút Select>> cho phép giới hạn việc phân tích với quan sát có giá trị biến chọn số cụ thể + Nút Statistic… cho thực đơn chọn thống kê có dạng sau: 36 Mục Descriptives cho phép hiển thị thông tin trung bình, ma trận hiệp phương sai biến giải thích biểu đồ dạng hộp theo nhóm Mục Matrices cho phép hiển thị thông tin nhóm, nhóm ma trận hiệp phương sai chung Mục Function Coefficients cho phép hiển thị hệ số hàm phân biệt Fisher chuẩn hóa chưa chuẩn hóa + Nút Classify… cho thực đơn dạng sau: Mục Prior Probabilities cho phép chọn giả thiết ban đầu xác suất tiên nghiệm cá thể thuộc nhóm Có hai cách chọn giả thiết xác suất lấy tần suất nhóm quan sát (fj) làm xác suất tiên nghiệm Mục Use Covariance matrix cho phép chọn W-1 hay V-1 làm M phân lớp Mục Display cho phép chọn cách hiển thị kết quả: Mục Plots cho phép hiển thị loại biểu đồ nhóm mô tả đồng thời hay mô tả riêng 37 Mục cuối bảng chọn lấp đầy giá trị thiếu giá trị trung bình quan sát (tạm thời) phân tích + Nút Save cho phép ghi lại kết quan sát thành biến mới, là: Phân nhóm theo kết phân tích (Predicted group membership); điểm hay mức khác biệt (Discriminant score) xác suất cá thể thuộc nhóm Bảng chọn có dạng sau: + Ngoài chọn Use Stepwise method ta có bảng chọn sau: Mục Method cho chọn cách đo tiêu chuẩn bổ sung biến vào phân tích như: chọn biến có hệ số Wilks Lambda nhỏ nhất, lần 38 chọn biến mà phần không giải thích phân nhóm đưa biến vào nhỏ nhất, độ đo khoảng cách Mahalanobis, cực đại tỷ lệ F tỷ lệ nhận từ độ đo khoảng cách Mahalanobis nhóm cuối chọn biến với điều kiện hệ số Rao – V (hệ số đo độ khác biệt nhóm) tăng lên mức xác định cửa sổ V-to-enter Mục Criteria cho phép chọn biến đưa vào giá trị thống kê F từ giá trị tối thiểu không chọn biến F nhỏ giá trị chọn theo mức ý nghĩa kiểm định bổ sung biến Mục Display cho phép hiển thị thông tin theo cách khác Trong phần khảo sát số cách thức giải thích kết quan trọng phân tích khác biệt SPSS 3.3 Ứng dụng Ví dụ 5: Khi phân tích lợi nhuận hộ tham gia làng nghề nhà nghiên cứu phân thành nhóm: hộ có lợi nhuận (LN > 0) hộ lợi nhuận (LN ≤ 0) Nhà nghiên cứu muốn xem xét khác biệt nhóm hộ có lợi nhuận yếu tố: tuổi, năm kinh nghiệm, vốn, số lao động, số mặt hàng, tính chất làng nghề (1-đã công nhận, – chưa công nhận), tính chất hoạt động hộ (1-hộ chuyên, – hộ kiêm) Để giải cho tình trên, phân tích biệt số tiến hành sau: Bước Chia mẫu quan sát thành phần Đối với phân tích khác biệt, ta phải chia mẫu quan sát thành phần: mẫu ước lượng hay mẫu phân tích (là phần dùng để ước lượng hàm phân biệt); phần lại để kiểm tra tính đắn hàm phân biệt (mẫu kiểm tra) Khi cỡ mẫu đủ lớn, ta chia thành phần theo tỷ lệ toàn mẫu.Ví dụ: ví dụ 5, cỡ mẫu 122 mẫu (có 66 mẫu ko có LN – chiếm 39 54% 56 mẫu có LN – chiếm 46%) Ta tiến hành chia thành phần, phần gồm 61 mẫu: có 33 mẫu ko có LN 28 mẫu có LN Bước Tiến hành phân tích biệt số SPSS Vào Analyze  Classify  Discriminant, xuất hộp thoại sau: - Đưa biến phân loại nhóm hộ có LN khác vào ô Grouping Variable  Khai báo Define Range (1 hộ có LN, hộ ko có LN)  Continue - Đưa biến độc lập vào ô Independents - Xác định biến quan sát dùng để phân tích kiểm tra ô Selection Variable Tiếp theo khai báo Value Khi phân chia mẫu bước 1, ta mã hóa nhóm dùng để phân tích 1, nhóm dùng để kiểm tra 0, nên nhập số vào ô Value for Selection Variable  Continue - Tiếp theo chọn nút Statistics khai báo sau: trung bình, bảng phân tích phương sai đơn, ma trận hệ số tương quan hiệp phương sai, hệ số hàm phân biệt Fisher chưa chuẩn hóa  Continue 40 - Tiếp theo chọn nút Classify, khai báo phần sau  Continue • Tại ô Prior Probabilities: xác suất dùng để phân biệt đối tượng Có cách xác định: Xác suất nhóm (All groups equal), Xác suất theo tỷ lệ hay quy mô nhóm (Compute from group sizes) 41 • Display: thể kết chi tiết quan sát (case wise results), bảng kết phân biệt tóm tắt (summary table) • Use Covariance Matrix: phân biệt quan sát ma trận hiệp phương sai nội nhóm trung bình hay ma trận hiệp phương sai nhóm riêng biệt • Plots: vẽ biểu đồ phân tích chung cho nhóm hay riêng cho nhóm, vẽ biểu đồ vị trí Bước Giải thích kết - Bảng Tests of Equality of Group Means Tests of Equality of Group Means Wilks' Lambda F df1 df2 Sig Tuoi 999 071 59 791 Namkinhnghiem 998 138 59 712 Tính chất hộ 862 9.437 59 003 Tong lao dong 975 1.496 59 226 Somathang 923 4.925 59 030 Von co dinh (1000d) 922 4.988 59 029 Von luu dong (1000d) 962 2.322 59 133 Tinh chat nghe 721 22.785 59 000 Nếu xem xét cách riêng biệt có tính chất hoạt động hộ (hộ chuyên hay hộ kiêm), số mặt hàng, vốn cố định, tính chất làng nghề (đã chưa công nhận) có khả phân biệt cách có ý nghĩa khác biệt hộ có lợi nhuận hộ lợi nhuận - Bảng Eigenvalues 42 Eigenvalues Function Eigenvalue % of Variance Cumulative % 858a 100.0 Canonical Correlation 100.0 680 a First canonical discriminant functions were used in the analysis Vì trường hợp có nhóm (có lợi nhuận lợi nhuận) nên có hàm phân biệt ước lượng Giá trị eigen 0.858 chiếm đến 100% phương sai giải thích nguyên nhân Hệ số tương quan canonical tương ứng 0.680, cho thấy 46% phương sai biến phụ thuộc (lợi nhuận) giải thích mô hình (bình phương hệ số 0.680 = 0.46 = 46%) Tiếp theo xác định xem hàm phân biệt ước lượng có ý nghĩa mặt thống kê hay không Với hệ số Wilk  0.538 giá trị p 0.000 nhỏ mức ý nghĩa 5% nhiều, nên kết luận phân biệt có ý nghĩa thống kê mức ý nghĩa 5%, tiến hành giải thích kết Wilks' Lambda Test of Wilks' Chi- Function(s) Lambda square 538 34.068 df Sig 000 - Kết giải thích sau: Tầm quan trọng biến thể qua độ lớn trị tuyệt đối hệ số chuẩn hóa (bảng Standardized Canonical Discriminant Function Coefficients) Các biến có trị tuyệt đối hệ số chuẩn hóa lớn đóng góp nhiều vào khả phân biệt hàm Hoặc xem xét điều bảng Structure Matrix, mức độ tác động biến xếp theo thứ tự giảm dần 43 Standardized Canonical Discriminant Function Coefficients Function Tuoi 105 Namkinhnghiem 147 Tính chất hộ 551 Tong lao dong 197 Somathang 316 Von co dinh (1000d) 464 Von luu dong (1000d) 229 Tinh chat nghe 816 Structure Matrix Function Tinh chat nghe 671 Tinh chat ho 432 Von co dinh (1000d) 314 So mat hang 312 Von luu dong (1000d) 214 Tong lao dong 172 Nam kinh nghiem 052 Tuoi 037 44 Theo kết quả, ta thấy biến tính chất làng nghề biến dự đoán quan trọng dùng để phân biệt nhóm lợi nhuận, tiếp đến biến tính chất hoạt động hộ, vốn cố định số mặt hàng Dấu hệ số tất biến dự đoán dương cho thấy hộ tham gia làng nghề công nhận, hộ chuyên sản xuất, vốn cố định vốn lưu động cao, số mặt hàng nhiều, tổng lao động nhiều, nhiều kinh nghiệm tuổi chủ hộ cao hộ có khả có lợi nhuận - Đánh giá hàm phân biệt thông qua mẫu kiểm tra Bảng Classification Results cho thấy kết phân loại dựa mẫu phân tích Classification Results Predicted Group LN Membership cao - Thap Total 26 33 22 28 78.8 21.2 100.0 21.4 78.6 100.0 16 17 33 Cases Selected Original Count % Cases Not Original Count Selected 45 % 19 28 48.5 51.5 100.0 32.1 67.9 100.0 a 78.7% of selected original grouped cases correctly classified b 57.4% of unselected original grouped cases correctly classified Tỷ lệ phân biệt (26+22)/61 = 0.787 = 78.7%, tỷ lệ tính dựa vào mẫu nhà nghiên cứu chọn Để kiểm tra tính đắn hàm phân biệt ước lượng, ta phải thực kiểm tra mẫu chọn cách ngẫu nhiên Tỷ lệ (16+19)/61 = 0.574 = 57.4% Có thể kết luận mô hình phân biệt tốt (theo [9]) 46 KẾT LUẬN Bài viết tổng kết ba phương pháp thường dùng để phân tích khác biệt là: Fisher, hồi quy logistic Bayes giới thiệu phần mềm SPSS để thực phân tích khác biệt với liệu có sẵn Phương pháp hồi quy logistic sử dụng phổ biến áp dụng cho liệu rời rạc phân loại cho hai tổng thể Phương pháp Fisher áp dụng cho liệu rời rạc, phân loại cho hai hay nhiều hai tổng thể phải giả thiết ma trận hiệp phương sai tổng thể Phương pháp Bayes phân loại cho hai hay nhiều hai tổng thể, xem có nhiều ưu điểm đạt mục tiêu mặt lý thuyết cho toán phân loại Một ưu điểm bật phương pháp tính xác suất sai lầm phân loại mà gọi sai số Bayes Sai số Bayes chứng minh xác suất sai lầm nhỏ toán phân loại Tuy nhiên, cản trở lớn việc áp dụng toán phân loại phương pháp Bayes lĩnh vực cụ thể vấn đề tính toán Vấn đề tính sai số Bayes, phân loại phần tử nhiều khó khăn gặp số liệu lớn thực tế Phân tích khác biệt với toán phân loại SPSS thực cách dễ hiểu 47 TÀI LIỆU THAM KHẢO Tiếng Việt Ngô Thị Châu (2015), Ứng dụng hồi quy logistic xếp hạng tín dụng, Luận văn thạc sĩ toán học, Trường Đại học Sư phạm Hà Nội 2, Hà Nội Lê Thị Minh Hạnh (2015), Kiểm định phi tham số, Khóa luận tốt nghiệp đại học, Trường Đại học Sư phạm Hà Nội 2, Hà Nội Đào Hữu Hồ, Thống kê xã hội học (Xác suất thống kê B), NXB Đại học quốc gia, Hà Nội Trần Trọng Nguyên (2016), Bài giảng phân tích thống kê nhiều chiều, Hà Nội Võ Văn Tài (2012), “Phân loại phương pháp Bayes từ số liệu rời rạc”, Tạp chí trường Đại học Cần Thơ, số (23b), tr.69-78 Võ Văn Tài (2016), “Bài toán phân loại ứng dụng y học”, Tạp chí trường Đại học Cần Thơ, số (42), tr.127-133 Đặng Hùng Thắng, Mở đầu lý thuyết xác suất ứng dụng, Nxb Giáo dục Việt Nam Ngô Văn Thứ, Nguyễn Mạnh Thế (2015), Giáo trình thống kê thực hành (với trợ giúp SPSS STATA), Nxb Đại học Kinh tế quốc dân, tr.707-776 Trang Web Phạm Lê Hồng Nhung, “Hướng dẫn thực hành SPSS bản” 48 ... 2.1.3 Mối quan hệ phân tích hồi quy, phân tích ANOVA phân tích khác biệt Giữa phân tích hồi quy, ANOVA phân tích khác biệt có điểm giống khác sau: Bảng 1.1: Phân biệt ba loại phân tích Giống Số lượng... pháp Bayes 27 CHƯƠNG 3: SPSS VỚI PHÂN TÍCH KHÁC BIỆT VÀ ỨNG DỤNG 34 3.1 Giới thiệu SPSS 34 3.2 SPSS với phân tích khác biệt 35 3.3 Ứng dụng 39 KẾT LUẬN ... hệ phân tích hồi quy, phân tích ANOVA phân tích khác biệt 16 2.1.4 Phân loại phân tích khác biệt 17 2.1.5 Mô hình phân tích biệt số 17 2.1.6 Các tham số thống kê phân