Mục lục I. Phương pháp phân tích cụm – Clustering. 3 1. Nội dung, đặc điểm và ứng dụng. 3 2. Kiểm định Cluster. 3 II. Phương pháp phân tích nhân tố khám phá EFA 17 1. Các tham số thống kê trong phân tích nhân tố 17 2. Nội dung, đặc điểm và ứng dụng. 18 3. Mô hình phân tích nhân tố. 19 4. Các kiểm định trong EFA. 19 5. Mô hình hồi quy OLS. 20 6. TIẾN HÀNH PHÂN TÍCH NHÂN TỐ KHÁM PHÁ 21 6.1 Kiểm tra sự tương quan giữa các mục hỏi và tính toán Cronbach Alpha 21 6.2 Đánh giá độ tương quan giữa các item trong cùng 1 nhân tố ( Factor ). 22 6.3 Thực hiện mô hình EFA, nhằm loại các item không phù hợp và xác định các Factor do các item tạo thành dựa trên Factor loadings. 25 6.4 Đo lại các Factor mới bằng Cronbach Alpha 30 6.5 Xây dựng ma trận tương quan, KMO và kiểm định Barlett’s test 35 6.6 Xác định số nhân tố và eigen value 36 6.7 Tính toán và đặt tên các Factor 38 6.8 Phân tích nhân tố đối với Factor Loyalty 41 6.9 Chạy mô hình hồi quy OLS 45 I. Phương pháp phân tích cụm – Clustering. 1. Nội dung, đặc điểm và ứng dụng. Phân tích cụm là nhận diện và phân loại các đối tượng hay các biến sao cho các đối tượng trong cùng một cụm tương tự nhau xét theo các đặc tính lựa chọn để nghiên cứu. Phân tích cụm phân loại theo các mối quan hệ tự nhiên nên có nhiều tên gọi : phân tích Q, phân tích phân loại, phân tích kĩ thuật định lượng. Phân tích cluster sẽ có hiệu quả tốt nếu như người nghiên cứu thực hiện được trong 1 cluster chứa các đối tượng có quan hệ mật thiết và giống nhau (homogenous), và nhóm cluster này và nhóm cluster khác thì có sự phân biệt, có sự khác biệt (herogenous). Trong thực tế, phân tích Cluster được ứng dụng rất nhiều trong các lĩnh vực :nghiên cứu hành vi, xã hội, tâm lí, kinh doanh : - Trong kinh doanh : Trong nghiên cứu thị trường, phân tích cụm được sử dụng để phân đoạn thị trường và xác định thị trường mục tiêu… - Trong sinh học : Trong biểu diễn dữ liệu gene dùng để nhóm các mẫu gen giống nhau, nhóm các mẫu khác nhau trên các hồ sơ tương ứng - Sức khỏe tâm lí : Phân tích cụm được sử dụng để xác định các nhóm của người dân mà có thể được hưởng lợi từ các dịch vụ y tế - Marketing : cluster giúp nhận diện các phân khúc thị trường, tìm hiểu hành vi khách hang, nhận dạng các cơ hội cho sản phẩm mới hay lựa chọn thị trường để thử nghiệm các chiến lược khác nhau…
TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH MƠN : KINH TẾ LƯỢNG TRONG QUẢN TRỊ KINH DOANH TIỂU LUẬN Giảng viên : Đỗ Hồng Oanh Nhóm thực : 19 Đỗ Quốc Hưng 0908335437 62 Nguyễn Đình Hồng Tín 0388670503 TP HỒ CHÍ MINH THÁNG NĂM 2019 Mục lục I Phương pháp phân tích cụm – Clustering Nội dung, đặc điểm ứng dụng Phân tích cụm nhận diện phân loại đối tượng hay biến cho đối tượng cụm tương tự xét theo đặc tính lựa chọn để nghiên cứu Phân tích cụm phân loại theo mối quan hệ tự nhiên nên có nhiều tên gọi : phân tích Q, phân tích phân loại, phân tích kĩ thuật định lượng Phân tích cluster có hiệu tốt người nghiên cứu thực cluster chứa đối tượng có quan hệ mật thiết giống (homogenous), nhóm cluster nhóm cluster khác có phân biệt, có khác biệt (herogenous) Trong thực tế, phân tích Cluster ứng dụng nhiều lĩnh vực :nghiên cứu hành vi, xã hội, tâm lí, kinh doanh : - Trong kinh doanh : Trong nghiên cứu thị trường, phân tích cụm sử - dụng để phân đoạn thị trường xác định thị trường mục tiêu… Trong sinh học : Trong biểu diễn liệu gene dùng để nhóm mẫu gen - giống nhau, nhóm mẫu khác hồ sơ tương ứng Sức khỏe tâm lí : Phân tích cụm sử dụng để xác định nhóm - người dân mà hưởng lợi từ dịch vụ y tế Marketing : cluster giúp nhận diện phân khúc thị trường, tìm hiểu hành vi khách hang, nhận dạng hội cho sản phẩm hay lựa chọn thị trường để thử nghiệm chiến lược khác nhau… Kiểm định Cluster 2.1 Các bước tiến hành Bước : Xác định vấn đề nghiên cứu Thước đo khoảng cách cho biết mức độ giống đối tượng phân cụm (khoảng cách ngắn đối tượng giống nhiều hơn) Các cụm tạo thành phải giải thích sở biến sử dụng phân cụm Chọn lựa biến để phân cụm, nên chọn tập hợp biến có khả mô tả giống đối tượng theo mục đích nghiên cứu Các biến chọn sở phân tích lý thuyết, kết nghiên cứu khứ, hay xem xét giả thuyết có liên quan để kiểm định Bước :Chọn thước đo khoảng cách (Squared Euclidean distance) - Khoảng cách Euclid bình phương Căn bậc tổng độ lệch bình phương giá trị biến đối tượng - Khoảng cách Manhattan Tổng độ lệch tuyệt đối giá trị biến - Khoảng cách Chebychev Chênh lệch tuyệt đối lớn giá trị biến Bước : Chọn thủ tục phân cụm - Phân cụm thứ bậc (hierarchical clustering) : Phân cụm thứ bậc thủ tục xây dựng theo cấu trúc thứ bậc dạng hình Tiến hành theo cách tích tụ lại (agglomerative) hay phân chia (divisive) o Phân cụm phân chia: phân chia cụm chứa tất đối tượng thành cụm nhỏ đối tượng cụm riêng o Phân cụm tích tụ: tích tụ cụm đối tượng riêng lẽ tất đối tượng nằm cụm Các phương pháp phân cụm tích tụ dựa vào khoảng cách liên kết o Phương pháp khoảng cách liên kết đơn dựa vào khoảng cách gần B1: Nhập 2 đối tượng đối tượng vào cụm B2: Khoảng cách thứ nhì Nhập tiếp đối tượng thứ vào đối tượng khác(hay cụm) Nếu cụm với cụm khác dựa vào khoảng cách đơn 1đối tượng cụm với cụm khác nhỏ B3: Làm tất nằm cụm lớn o Phương pháp khoảng cách liên kết hoàn toàn: giống khoảng cách liên kết đơn, dựa vào khoảng cách xa đối tượng B1: Nhập đối tượng vào cụm B2: Khoảng cách xa thứ nhì Nhập tiếp đối tượng thứ vào đối tượng khác (hay cụm) Nếu cụm với cụm khác dựa vào khoảng cách đơn đối tượng cụm với cụm khác xa B3: Làm tất nằm cụm lớn o Phương pháp khoảng cách liên kết trung bình: khoảng cách hai cụm khoảng cách trung bình tất cặp phần tử hai cụm => phổ biến cách Phương pháp phân cụm tích tụ dựa vào phương sai theo thủ tục Ward (Ward’s method) o Tính giá trị trung bình tất biến cho cụm o Tính khoảng cách Euclid bình phương phần tử trongcụm với trị trung bình cụm o Tổng tất khoảng cách bình phương Phương pháp phân cụm tích tụ dựa vào khoảng cách trung tâm o Cứ lần đối tượng nhóm lại phải tính lại trung tâm cụm Trung tâm cụm tính cách lấy trung bình tất biến Khi tạo cụm tính lại trung tâm cụm lần Trong số phương pháp phân tích cụm tích tụ phương pháp khoảng cách trung tâm thủ tục Ward chứng minh có kết tốt phương pháp khác Đọc bảng : o Dendrogram Vị trí đường kẻ dọc thang đo rescaled distance cluster combine cho biết khoảng cách cụm nhập với Ta đọc từ phải sang trái, đặt dọc vị trí 15 ta phân tích thành cụm : Cụm : (14+16+10+4+19+18) Cụm : (2+13+5+11+9+20) Cụm : (3+8+6+7+12+1+17+15) Vì : khoảng cách cá nhân gần gần cum, cịn khoảng cách xa thuộc cụm khác nhau, khoảng cách nhóm cụm xa cho thấy rõ khác biệt rõ ràng cụm o Vertical Icicle Nhìn dạng sơ đồ cột, ta đọc từ lên Cột có tơ màu đại diện cho cụm, cịn cột khoảng trắng đại diện cho tách biệt cụm Các số đầu bảng case cho biết đối tượng nhóm với đối tượng Các dịng cho biết số cụm gom từ lên Nhìn hình, đặt ngang vị trí số 10, ta phân thành 10 cụm : Cụm 1: (18) Cụm 2: (19) Cụm 3: (16+14+10+4) Cụm 4: (20) Cụm 5: (9+11+5) Cụm 6: (13+2) Cụm 7: (15) Cụm 8: (8+3) Cụm 9: (17) Cụm 10: (12+7+6+1) o Agglomeration Schedule Agglomeration Schedule Cluster Combined Stage Cluster 1 14 10 5 10 11 12 13 14 15 16 17 18 19 Kết phân cụm dạng sơ đồ tích tụ Agglomeration schedule cho biết số quan sát hay cụm kết hợp giai đoạn Dòng (stage 1) thể giai đoạn có 20 cụm tới stage cịn 19 cụm người thứ 14 16 vào cụm Coefficient thể khoảng cách Euclid bình phương người => lớn cho thấy phân tách cụm Stage Cluster First Appear thể cụm tạo thành giai đoạn Quy trình phân tích cụm dạng sơ đồ tích tụ : Stag e Cluster Case 20 19 18 17 (1)(2)(3)….(20) (14+16)(1)(2)….(20) (6+7) (14+16)(1)(2)…( 20) (6+7) (14+16+10)(1)(2)….(20) lớn 10 11 12 13 14 15 16 17 18 19 16 15 14 13 12 11 10 (2+13) (6+7) (14+16+10)(1)….(20) (5+11) (2+13) (6+7) (14+16+10)(1)….(20) (3+8) (5+11) (2+13) (6+7) (14+16+10)(1)….(20) (3+8) (5+11) (2+13) (6+7+12) (14+16+10)(1)….(20) (3+8) (5+11) (2+13) (6+7+12) (14+16+10+4)(1)….(20) (3+8) (5+11+9) (2+13) (6+7+12) (14+16+10+4)(1)….(20) (3+8) (5+11+9) (2+13) (6+7+12+1) (14+16+10+4)….(20) (3+8) (5+11+9) (2+13) (6+7+12+1) (14+16+10+4+19)….(20) (3+8) (5+11+9+20) (2+13) (6+7+12+1) (14+16+10+4+19)… (3+8) (5+11+9+20) (2+13) (6+7+12+1+17) (14+16+10+4+19)… (3+8) (5+11+9+20+2+13) (6+7+12+1+17) (14+16+10+4+19)… (3+8+6+7+12+1+17) (5+11+9+20+2+13) (14+16+10+4+19)… (3+8+6+7+12+1+17+15) (5+11+9+20+2+13) (14+16+10+4+19)… (3+8+6+7+12+1+17+15) (5+11+9+20+2+13) (14+16+10+4+19+18) (3+8+6+7+12+1+17+15) (5+11+9+20+2+13+14+16+10+4+19+18) (3+8+6+7+12+1+17+15+5+11+9+20+2+13+14+16+10+4+19+18) - Phân tích cụm khơng thứ bậc (K-Means Cluster) Phương pháp bắt đầu (sequential threshold): trình hạt giống cụm chọn tất đối tượng cách hạt giống khoảng cách định trước nhập vào cụm Phương pháp bắt đầu song song (parallel threshold): tương tự phương pháp có nhiều hạt giống chọn trình tiến hành song song Phương pháp phân chia tối ưu (optimizing partitioning): thủ tục khác với hai phương pháp chỗ đối tượng sau phân vào cụm phân lại vào cụm khác để thỏa tiêu chuẩn tối ưu toàn Nhược điểm : Phải thử xác định trước số cụm Lựa chọn hạt giống cụm tùy ý Ưu điểm : Khối lượng tính tốn Thời gian thực nhanh Cách tốt nhất: Đầu tiên nên sử dụng phân cụm thứ bậc để tìm kết ban đầu Sau đó, cụm trung tâm cụm kết sử dụnglàm thông tin ban đầu để áp dụng phương pháp phân chia tối ưu Đọc bảng : • Cluster Membership Cluster Membership Case Distanc Number 10 11 12 13 14 15 16 17 18 19 20 Cluster 3 3 2 3 1 e 1.414 1.323 2.550 1.404 1.848 1.225 1.500 2.121 1.756 1.143 1.041 1.581 2.598 1.404 2.828 1.624 2.598 3.555 2.154 2.102 Cột : quan sát, cột : Cụm mà quan sát phân vào Bảng Cluster Membership K-means cho thấy quan sát thuộc cụm khoảng cách quan sát với trung tâm Dịng : Quan sát phân vào cụm 3, khoảng cách quan sát trung tâm 1.414 • Distance between Final Cluster Centers Distances between Final Cluster Centers Cluster Các trung tâm cụm cuối trung bình quan sát biến phương án phân cụm đạt Khoảng cách cụm với cụm khác Khoảng cách cụm 5.568 Khoảng cách cụm 5.698 Khoảng cách cụm 6.928 • Anova ANOVA Cluster Error Mean Mean Square df Square df F di mua sam la thu vui 29.108 608 17 47.888 000 di mua sam la ton tien 13.546 630 17 21.505 000 ket hop mua sam voi an uong 31.392 833 17 37.670 000 15.713 728 17 21.585 000 22.537 816 17 27.614 000 12.171 1.071 17 11.363 001 tim mua nhung gi dang mua nhat di mua sam khong quan tam viec di mua sam co the tiet kiem nhieu so sanh gia ca Sig sup3 330 sup7 sup4 pay4 pay5 pay2 ben4 351 pay1 pay3 cow1 cow3 cow2 cow4 488 ben3 ben2 ben1 work3 750 690 575 349 832 775 658 654 564 537 388 329 367 416 834 808 802 560 936 934 707 411 749 work2 312 679 work1 396 365 592 Extraction Method: Principal Component Analysis Rotation Method: Varimax with Kaiser Normalization a Rotation converged in iterations Theo bảng Rolated Component Matix ta thấy, item Sup2 có hệ số Factor loading < 0.5 Factor 2, nên ta loại tiếp item Sup2 chạy lại mơ hình Chạy lại mơ hình khơng có Sup2 : Rotated Component Matrixa Component prom1 740 prom3 prom4 prom2 work4 pay4 pay5 ben4 720 665 314 658 551 350 833 775 654 330 pay2 pay1 pay3 sup6 sup5 sup3 318 sup7 sup4 cow1 cow3 cow2 cow4 501 ben3 ben2 ben1 work3 work2 work1 653 581 536 360 387 370 411 799 796 740 675 598 832 817 798 553 935 934 708 405 752 312 373 682 376 598 Extraction Method: Principal Component Analysis Rotation Method: Varimax with Kaiser Normalization a Rotation converged in iterations Theo bảng Rolated Component Matix ta thấy, item Prom4 khơng thuộc Factor hệ số Factor loading < 0.5 thuộc Factor hệ số Factor loading Factor > 0.5 ( Các item cịn lại có trường hợp giống với Prom4 ta giải thích tương tự ) Kết luận : Các nhân tố Factor item X tạo thành bao gồm : Factor gồm: prom work Factor gồm: pay ben Factor gồm: sup Factor gồm: cow Factor gồm: ben Factor gồm: work 6.4 Đo lại Factor Cronbach Alpha Sau phân bổ items vào Factor có tương quan với ta thực đo tương quan item Factor thông qua thực Cronbach Alpha _ Phân tích Factor 1: Reliability Statistics Cronbach's N Alpha 829 of Items Theo bang Reliability Statistics, ta có CrAl = 0.825 > 0.600, nên item Factor tương quan với Item-Total Statistics Corrected prom1 prom2 prom3 prom4 work1 Cronbach's Scale Mean if Scale Variance Item-Total Alpha if Item Item Deleted if Item Deleted Correlation Deleted 18.14 22.433 678 780 18.28 23.505 694 776 17.70 24.940 569 811 17.87 23.320 703 774 17.64 26.035 497 830 Theo bảng Item-Total Statictics ta thấy bỏ item hệ số CrAl > 0.6, chứng tỏ items tương quan tốt nên Factor có ý nghĩa _ Phân tích Factor 2: Reliability Statistics Cronbach's N of Alpha Items 827 Theo bang Reliability Statistics, ta có CrAl = 0.827 > 0.600, nên item Factor tương quan với Item-Total Statistics Scale pay1 pay2 pay3 pay4 pay5 Cronbach's Scale Mean Variance if Corrected Alpha if Item-Total Item Correlation 597 618 446 720 685 Deleted 801 796 833 773 781 Item Item Deleted 20.61 21.05 20.35 20.51 20.54 Deleted 38.065 37.030 37.664 34.067 34.837 if ben4 20.72 35.508 552 811 Theo bảng Item-Total Statictics ta thấy bỏ item hệ số CrAl > 0.6, chứng tỏ items tương quan tốt nên Factor có ý nghĩa _ Phân tích Factor 3: Reliability Statistics Cronbach's N of Alpha Items 854 Theo bang Reliability Statistics, ta có CrAl = 0.854 > 0.600, nên item Factor tương quan với Item-Total Statistics Scale Cronbach's Scale Mean Variance if Corrected Alpha if Item Item Item Item-Total if Deleted Deleted Correlation Deleted sup3 20.10 21.647 715 811 sup4 19.46 24.446 541 853 sup5 19.84 21.416 729 807 sup6 19.55 21.368 691 817 sup7 20.19 20.527 668 825 Theo bảng Item-Total Statictics ta thấy bỏ item hệ số CrAl > 0.6, chứng tỏ items tương quan tốt nên Factor có ý nghĩa _ Phân tích Factor 4: Reliability Statistics Cronbach's N of Alpha Items 846 Theo bang Reliability Statistics, ta có CrAl = 0.846 > 0.600, nên item Factor tương quan với Item-Total Statistics Corrected Item- Cronbach's cow1 cow2 Scale Mean if Scale Variance Total Alpha if Item Item Deleted if Item Deleted Correlation Deleted 15.42 12.614 714 792 15.56 12.911 694 801 cow3 cow4 15.52 12.142 749 776 15.90 12.980 585 849 Theo bảng Item-Total Statictics ta thấy bỏ item hệ số CrAl > 0.6, chứng tỏ items tương quan tốt nên Factor có ý nghĩa _ Phân tích Factor 5: Reliability Statistics Cronbach's N of Alpha Items 890 Theo bang Reliability Statistics, ta có CrAl = 0.890 > 0.600, nên item Factor tương quan với Item-Total Statistics Scale Cronbach's Scale Mean Variance if Corrected Alpha if Item Item Item Item-Total if Deleted Deleted Correlation Deleted ben1 10.47 11.414 645 956 ben2 9.94 8.811 874 761 ben3 9.97 9.244 851 784 Theo bảng Item-Total Statictics ta thấy bỏ item hệ số CrAl > 0.6, chứng tỏ items tương quan tốt nên Factor có ý nghĩa _ Phân tích Factor 6: Reliability Statistics Cronbach's N of Alpha Items 816 Theo bang Reliability Statistics, ta có CrAl = 0.816 > 0.600, nên item Factor tương quan với Item-Total Statistics Scale Mean Scale if Deleted work1 9.36 work2 9.57 Item Variance Corrected if Item-Total Cronbach's Alpha if Item Item Deleted Correlation Deleted 8.037 613 801 7.562 691 723 work3 9.32 7.131 701 712 Theo bảng Item-Total Statictics ta thấy bỏ item hệ số CrAl > 0.6, chứng tỏ items tương quan tốt nên Factor có ý nghĩa Kết Luận : Tới Cronbach Alpha lớn 0.6 factor loading lớn 0.5 Nên ta tiếp tục xây dựng ma trận tương quan 6.5 Xây dựng ma trận tương quan, KMO kiểm định Barlett’s test _ Ta có tiêu kiểm định dựa : KMO , Bartlett Eigen value _ KMO số dùng để xem xét thích hợp phân tích nhân tố Khi 0.5 + Kiểm định KMO Bartlett KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure Sampling Adequacy Bartlett's Test of Approx of 701 Chi- 174.51 Sphericity Square Df Sig .000 _ Từ bảng KMO and Bartlett's Test ta thấy KMO= 0.701 (tốt) điều kiện đủ để phân tích nhân tố thích hợp _ Ta lại có: Sig = 0.000 < α= 5% nên ta bác bỏ H0, chấp nhận H1 _ Vậy items có tương quan với tổng thể với mức ý nghĩa 5% Total Variance Explained Extraction Initial Eigenvalues Loadings Compone % of Cumulative % Sums of Squared of Cumulative nt Total Variance % Total Variance % 2.146 71.543 71.543 2.146 71.543 71.543 486 16.186 87.729 368 12.271 100.000 Extraction Method: Principal Component Analysis _Từ bảng Total Variance Explained theo tiêu chuẩn eigenvalue > có nhân tố rút _ Cumulative % cho biết nhân tố giải thích 71.543% biến thiên liệu (trong toàn biến thiên 100%) + Tính Tốn Component Score Coefficient Matrix loy1 loy2 loy3 Extraction Component 407 387 388 Method: Principal Component Analysis Rotation Method: Varimax with Kaiser Normalization Component Scores Từ bảng Component Score Coefficient Matrix ta có Factor Loyalty: FYi= 0.407loy1i + 0.386loy2i + 0.388loy3i + i 6.9 Chạy mơ hình hồi quy OLS Coefficientsa Standardize d Unstandardized Model (Constant) Fprom thang tien Fpay luong Coefficient Coefficients s B Std Error Beta 7.836E-17 053 t 000 Sig 1.000 323 448 thuong Fsup lanh dao 316 Fcow dong 197 nghiep Fben bao hiem -.001 Fwork cong 213 viec a Dependent Variable: Floy 054 323 6.033 000 054 448 8.371 000 054 316 5.899 000 054 197 3.688 000 054 -.001 -.012 991 054 213 3.981 000 _ Từ bảng Coefficientce ta có mơ hình : Floyi = -3.01*10-17 + 0.323 Fpromi + 0.448 Fpayi + 0.316 Fsupi + 0.197 Fcowi -0.001 Fbeni + 0.213Fworki + ui _ Beta1 = -3.01*10-17 điều kiện yếu tố khơng đổi Fprom = Fsup = = đv ( factor đồng ) Floy trung bình = -3.01*10-17 đơn vị _ Beta2 = 0.352 điều kiện yếu tố khác khơng đổi Fprom tăng/giảm đơn vị Floy trung bình tăng/giảm 0.352 đơn vị _ Beta3 = 0.448 điều kiện yếu tố khác khơng đổi Fpay tăng/giảm đơn vị Floy trung bình tăng/giảm 0.448 đơn vị _ Beta4 = 0.316 điều kiện yếu tố khác không đổi Fsup tăng/giảm đơn vị Floy trung bình tăng/giảm 0.316 đơn vị _ Beta5 = 0.197 điều kiện yếu tố khác khơng đổi Fcow tăng/giảm đơn vị Floy trung bình tăng/giảm 0.197 đơn vị _ Beta6 = - 0.001 điều kiện yếu tố khác khơng đổi Fben tăng/giảm đơn vị Floy trung bình giảm/tăng 0.001 đơn vị _ Beta7 = 0.213 điều kiện yếu tố khác khơng đổi Fwork tăng/giảm đơn vị Floy trung bình giảm/tăng 0.213 đơn vị ... biệt, có khác biệt (herogenous) Trong thực tế, phân tích Cluster ứng dụng nhiều lĩnh vực :nghiên cứu hành vi, xã hội, tâm lí, kinh doanh : - Trong kinh doanh : Trong nghiên cứu thị trường, phân... -. 015 453 195 -.017 -.086 -.040 -.011 085 -.050 -.034 -.271 -.067 025 174 214 188 336 303 -.080 -.024 037 -.022 -. 015 -.025 -.117 -.033 074 046 015 -.083 -. 015 -.043 -.113 159 178 262 - .155 - .152 ... đối kinh tế, tiện nghi, tính năng, sang trọng Và kết có phân khúc: khách hàng tìm kiếm tính kinh tế, khách hàng tìm kiếm tiện nghi, khách hàng tìm kiếm tính khách hàng tìm kiếm sang trọng Trong