TIỂU LUẬN PTDLDT
NGUYỄN THÚY NGÂN
2023-08-01
1 LỜI CẢM ƠN
Lời đầu tiên, em xin gửi lời cảm ơn đến các thầy cô của trường Đại học Tài chính – Marketing, đặc biệt là các thầy cô bộ môn Khoa Kinh tế - Luật đã tận tình giảng dạy và chỉ dẫn em trong quá trình học tập vừa qua. Và em xin chân thành cảm ơn thầy Trần Mạnh Tường đã giúp đỡ, hướng dẫn em hoàn thành bài tiểu luận môn Phân tích dữ liệu định tính này một cách tốt nhất. Em xin chúc thầy cô có nhiều sức khỏe, hạnh phúc và thành công trên con đường sự nghiệp của mình.
Trong quá trình hoàn thành tiểu luận em khó tránh khỏi nhiều thiếu sót, em rất mong nhận được những ý kiến đóng góp từ thầy cô, từ đó giúp em hoàn thiện, học hỏi thêm được nhiều kinh nghiệm và củng cố thêm kiến thức của mình.
Lời cuối cùng, em xin kính chúc thầy, cô thật nhiều sức khỏe, đạt được nhiều thành công và phát triển.
Em xin chân thành cảm ơn!
2 CHƯƠNG 1: PHẦN MỞ ĐẦU
2.1 Lý do chọn đề tài
Mua sắm trực tuyến đã trở thành một phương thức mua sắm phổ biến và ngày càng phát triển trên thế giới trong những năm gần đây. Điều này được thể hiện qua tỷ lệ người tiêu dùng mua sắm trực tuyến cũng như doanh thu từ hoạt động bán lẻ trực tuyến không ngừng gia tăng theo thời gian. Do đó, để thu hút người tiêu dùng mua sắm trực tuyến nhiều hơn thì việc nhận biết được các yếu tố tác động đến ý định mua trực tuyến của khách hàng là rất cần thiết đối với các nhà bán lẻ trực tuyến. Bởi vì, ý định mua sắm thường được xem là một trong hai yếu tố có ảnh hưởng mang tính quyết định đến hành vi mua sắm của người tiêu dùng.
Có rất nhiều loại hình kinh doanh mới ra đời, mang lại sự tiện lợi và cắt giảm chi phí cho cả hai bên giao dịch. Một trong những loại hình ấy chính là Thương mại điện tử (E-commerce), với “ông trùm” Amazon đứng đầu trong danh sách hàng ngàn những trang web bán hàng thuộc lĩnh vực này. Tuy vậy, để có được vị thế và sức ảnh hưởng như ngày hôm nay, Amazon đã trải qua một quá trình đối diện với những thay đổi và cải tiến không những về sản phẩm, dịch vụ mà còn về định hướng phát triển để bắt kịp thị trường biến động ngoài kia. Và tất nhiên, những sự thay đổi và cải tiến này không phải được tạo ra trong ngày một ngày hai, mà đó là chính sự nỗ lực và cố gắng trong nội bộ để đề ra những chiến lược và kế hoạch dài hơi cho hoạt động của doanh nghiệp.
Chính vì thế em quyết định chọn đề tài “PHÂN TÍCH CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN HÀNH VI TIÊU DÙNG CỦA KHÁCH HÀNG TRÊN WEBSITE AMAZON”.
2.2 Mục tiêu nghiên cứu
Đề tài bài tiểu luận này này phân tích hành vi tiêu dùng của khách khàng khi sử dụng dịch vụ wedside của AMAZON, từ đó có thể biết được rằng khách hàng thường hay sử dụng chức năng nào, xu hướng người tiêu dùng ra sao, yếu tố nào tác động mạnh đến xu hướng mua hàng.
2.3 Đối tượng và phạm vi nghiên cứu
Đối tượng nghiên cứu: khách hàng sử dụng dịch vụ website AMAZON.
Thời gian thực hiện khảo sát: từ ngày 4/6/2023 đến ngày 16/6/2023, khảo sát 601 người dùng.
2.4 Kết cấu đề tài
Nội dung bài tiểu luận bao gồm:
Chương 1: Phần mở đầu
Chương 2: Tổng quan lý thuyết và dữ liệu nghiên cứu
Chương 3: Thống kê mô tả
Chương 4: Thống kê suy diễn
Chương 5: Mô hình hồi quy
Chương 6: Kết luận
3 CHƯƠNG 2: TỔNG QUAN LÝ THUYẾT VÀ DỮ LIỆU NGHIÊN CỨU
3.1 Giới thiệu về AMAZON
Amazon.com, Inc, hay tên thường gọi là Amazon, là công ty thương mai điện tử và điện toán đám mây có trụ sở tại Seattle, Washington, Mỹ. Đây là dịch vụ bán lẻ trên nền tảng Internet lớn nhất thế giới tính theo doanh số bán và giá vốn hóa thị trường. Khởi nghiệp với hình thức kinh doanh sách qua mạng, Amazon nhanh chóng lấn sân sang rao bán các loại đĩa CD, DVD, đầu máy, đồ chơi, trang sức, thực phẩm,… Dạo gần đây, công ty còn tự đầu tư sản xuất những mặt hàng tiêu dùng điện tử, tiêu biểu phải kể đến máy tính bảng Kindle Fire, TV Fire,… Bên cạnh đó, Amazon hiện nay đã trở thành nhà cung cấp số 1 thế giới về dịch vụ điện toán đám mây (IaaS và PaaS).
Amazon có một hệ thống bán lẻ gồm nhiều quốc gia khác nhau bao gồm: Mỹ, Anh, Canada, Ireland, Pháp, Ý, Úc, Brazil, Nhật Bản,… Với nhiều sản phẩm, Amazon cho phép người mua sử dụng dịch vụ giao hàng trên toàn thế giới, qua hình thức đặt và thanh toán trực tuyến qua mạng (website Amazon.com).
3.2 Mô tả dữ liệu nghiên cứu
Bộ dữ liệu được thu thập từ người dùng trang web mua sắm Amazon, bộ dữ liệu có tên là “Amazon consumer Behaviour Dataset” bao gồm 601 khảo sát và 23 biến. Bộ dữ liệu lấy khảo sát của 601 người dùng về tương tác của khách hàng trong khi sử dụng trang web. Bao gồm nhiều biến như giới tính, tương tác của người dùng và đánh giá của khách hàng khi trải nghiệm sử dụng dịch vụ trang web Amazon. Sau khi thu thập được nhiều đánh giá của khách hàng, các nhà quản trị có thể hiểu sau hơn về hành vi tiêu dùng của khách hàng, từ đó xác định được xu hướng và tối ưu hóa các chiến lược tiếp thị và cải thiện trải nghiệm tổng thể trang wed tăng sự hài lòng của khách hàng về dịch vụ của Amazon.
3.3 Mô tả các biến nghiên cứu
Bộ dữ liệu bao gồm 23 biến và 601 quan sát. Trong đó có định lượng và định tính.
ID: mã khách hàng
Age: tuổi khách hàng
Gender: giới tính khách hàng
Purchase Frequency: Tần suất mua hàng trên website
Purchase Categories: Nhóm sản phẩm thường mua
Personalized Recommendation Frequency: Trả lời câu hỏi có thường mua sản phẩm được đề xuất trên website hay không (Câu trả lời là Yes/No/Sometimes)
Browsing Frequency: Trả lời câu hỏi khách hàng có thường dùng website AMAZON hay app (Câu trả lời là Few times a week /Few times a moth/Multiple times a day/Rarely)
Product Search Method: Trả lời câu hỏi khách hàng thường tìm kiếm sản phẩm như thế nào (Câu trả lời là Categories, Keywword, Filter, Oder)
Customer Reviews Importance: Trả lời câu hỏi phần đánh giá của khách hàng ảnh hướng như thế nào đến quyết định mua của bạn (câu trả lời được đánh giá trên thang điểm 5)
Saveforlater Frequency: Trả lời câu hỏi khách hàng có thường sử dụng tính năng “Save to later” trên AMAZON không (Câu trả lời là Alway/Never/Often/Sometimes/Rarely)
Review Left: Trả lời câu hỏi khách hàng có thường để lại đánh giá trên website hay không (Câu trả lời là Yes/No)
Review Reliability: Trả lời câu hỏi khách hàng tin tưởng bao nhiêu đối với đánh giá sản phẩm (Câu trả lời là Heavily/Occasionally/Moderately/Never/Rarely)
Review Helpfulness: Trả lời câu hỏi khách hàng có thấy hữu ích từ thông tin đánh giá sản phẩm hay không (Câu trả lời là Yes/No/Sometimes)
Recommendation Helpfulness: Trả lời câu hỏi khách hàng có thấy hữu ích từ đề xuất hay không (Câu trả lời là Yes/No/Sometimes)
Shopping Satisfaction: Khách hàng đánh giá trải nghiệm mua sắm trên website AMAZON (câu trả lời được đánh giá trên thang Excellent/Good/Average/Poor/Very bad)
Total: Tổng số sản phẩm khách hàng mua trong 1 tháng
3.4 Dữ liệu nghiên cứu
library(readxl)
library(DT)## Warning: package 'DT' was built under R version 4.3.1library(flextable)## Warning: package 'flextable' was built under R version 4.3.1dataset <- read_excel("D:/data/data PTDLDT.xlsx")
datatable(dataset)ID <- dataset$ID
Age <- dataset$Age
Gender <- dataset$Gender
PF <- dataset$`Purchase Frequency`
PC <- dataset$`Purchase Categories`
PR <- dataset$`Personalized Recommendation Frequency`
BF <- dataset$`Browsing Frequency`
PS <- dataset$`Product Search Method`
CR <- dataset$`Customer Reviews Importance`
SF <- dataset$`Saveforlater Frequency`
RL <- dataset$`Review Left`
RR <- dataset$`Review Reliability`
RH <- dataset$`Review Helpfulness`
RHS <- dataset$`Recommendation Helpfulness`
SS <- dataset$`Shopping Satisfaction`
Total <- dataset$Total3.5 Xác định biến phụ thuộc
3.5.1 Xác định biến định tính làm biến phụ thuộc
Biến Shopping Satisfaction là biến phụ thuộc. Đây là biến phản ứng của khách hàng sau khi sử dụng dịch của AMAZON, được khảo sát qua nhiều câu hỏi mới đưa ra được mức độ phản ánh phù hợp.
3.5.2 Xác định biến định lượng làm biến phụ thuộc
Biến Total là biến phụ thuộc. Đây là biến tổng sản phẩm khách hàng mua trong 1 tháng.
4 CHƯƠNG 3: THỐNG KÊ MÔ TẢ
4.1 Thống kê mô tả cho 1 biến
4.1.1 Thống kê mô tả biến Age
summary(Age)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 16.00 23.00 26.00 30.84 36.00 67.00Kết quả trên cho thấy độ tuổi khách hàng dao động từ 16 - 67 tuổi. Độ tuổi trung bình là 26 tuổi.
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.1hist(Age, main = "Biểu đồ tần số của biến age",xlab = "Age", ylab = "Custumer", col = "#9ACD32")
Nhìn chung độ tuổi 20-35 tuổi là khung khách hàng chủ yếu của AMAZON, do lứa tuổi này tiếp cận và cập nhật được internet mạnh mẽ nhất.
4.1.2 Thống kê mô tả biến Gender
- Bảng tần số
table(Gender)## Gender
## Female Male
## 391 210Có 391 Khách hàng là nữ và 210 Khách hàng là nam.
- Bảng tần suất
table(Gender)/sum(table(Gender))## Gender
## Female Male
## 0.6505824 0.3494176Có khoảng 65,06% Khách hàng là nữ và 34,94% Khách hàng là nam trong khảo sát.
- Đồ thị
ggplot(dataset,aes(Gender)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Gender")
Nhìn vào đồ thị có thể thấy tỷ lệ khách hàng nữ nhiều hơn khách hàng nam là 30% do khách hàng nữ có nhiều nhu cầu mua sắm hơn, đặc biệt là nhu cầu làm đẹp, đây là thị phần không thể kể đến trong danh mục bán hàng của AMAZON.
4.1.3 Thống kê mô tả biến Purchase Frequency
- Bảng tần số
table(PF)## PF
## Few times a month Less than once a month Multiple times a week
## 202 124 56
## Once a month Once a week
## 107 112- Bảng tần suất
table(PF)/sum(table(PF))## PF
## Few times a month Less than once a month Multiple times a week
## 0.33610649 0.20632280 0.09317804
## Once a month Once a week
## 0.17803661 0.18635607Tần suất mua hàng trên AMAZON “Few times a month” một vài lần trên một tháng là 202 khách, hàng chiếm 33,91%; “Less than once a month” ít hơn 1 lần trong tháng là 124 khách hàng, chiếm 20,63%; “Multiple times a week” Nhiều lần một tuần là 56 khách hàng, chiếm 9,32%; ” Once a month” mỗi tháng 1 lần là 107 khách hàng, chiếm 17,8%; ” Once a week” mỗi tuần 1 lần là 112 khách hàng, chiếm 18,63%.
- Đồ thị
ggplot(dataset,aes(PF)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Purchase Frequency")
Nhìn vào đồ thị thấy được khách hàng mua vài lần 1 tháng chiếm nhiều hơn những phản hồi khác, nhưng khách hàng ít mua sản phẩm cũng chiếm khá nhiều bằng 1/5 trên tổng khách hàng của AMAZON.
4.1.4 Thống kê mô tả biến Personalized Recommendation Frequency
- Bảng tần số
table(PR)## PR
## No Sometimes Yes
## 250 229 122- Bảng tần suất
table(PR)/sum(table(PR))## PR
## No Sometimes Yes
## 0.4159734 0.3810316 0.2029950Khách hàng có mua sản phẩm được đề xuất là 122 khách hàng, chiếm 20,3% trên tổng số khách hàng.
Khách hàng không mua sản phẩm được đề xuất là 250 khách hàng, chiếm 41,6% trên tổng số khách hàng.
Khách hàng thỉnh thoảng mua sản phẩm được đề xuất là 229 khách hàng, chiếm 38,1% trên tổng số khách hàng.
- Đồ thị
ggplot(dataset,aes(PR)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Browsing Frequency")
Đồ thị cho thấy khách hàng không mua sản phẩm được đề xuất chiếm khá nhiều, lượng khách hàng mua những sản phẩm đề xuất chỉ chiếm cỡ 20% trên tổng số, chỉ bằng phân nữa lượng khách không mua.
4.1.5 Thống kê mô tả biến Browsing Frequency
- Bảng tần số
table(BF)## BF
## Few times a month Few times a week Multiple times a day
## 198 249 77
## Rarely
## 77- Bảng tần suất
table(BF)/sum(table(BF))## BF
## Few times a month Few times a week Multiple times a day
## 0.3294509 0.4143095 0.1281198
## Rarely
## 0.1281198Tần suất khách hàng thường dùng website hay app AMAZON “Few times a month” một vài lần trên một tháng là 198 khách, hàng chiếm 32,9%; “Few times a week” ít hơn 1 lần trong tháng là 249 khách hàng, chiếm 41,43%; “Multiple times a day” Nhiều lần một ngày là 77 khách hàng, chiếm 12,8%; “Rarely” hiếm khi là 77 khách hàng, chiếm 12,8%.
ggplot(dataset,aes(BF)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Browsing Frequency")
4.1.6 Thống kê mô tả biến Product Search Method
- Bảng tần số
table(PS)## PS
## categories Filter Keyword others
## 223 127 215 36- Bảng tần suất
table(PS)/sum(table(PS))## PS
## categories Filter Keyword others
## 0.37104825 0.21131448 0.35773710 0.05990017Tần suất khách hàng tìm kiếm bằng “categories” là 223 khách hàng chiếm 37,1%
Tần suất khách hàng tìm kiếm bằng “Filter” là 127 khách hàng chiếm 21,1%
Tần suất khách hàng tìm kiếm bằng “Keyword” là 215 khách hàng chiếm 35,7%
Tần suất khách hàng tìm kiếm bằng khác là 36 khách hàng chiếm 6%
- Đồ thị
ggplot(dataset,aes(PS)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Product Search Method")
4.1.7 Thống kê mô tả biến Customer Reviews Importance
- Bảng tần số
table(CR)## CR
## 1 2 3 4 5
## 169 114 216 64 38- Bảng tần suất
table(CR)/sum(table(CR))## CR
## 1 2 3 4 5
## 0.28119800 0.18968386 0.35940100 0.10648918 0.06322795Tần suất thang điểm phần đánh giá khách hàng 1 điểm trên 5 điểm là 169 khách hàng, chiếm 28,1%
Tần suất thang điểm phần đánh giá khách hàng 2 điểm trên 5 điểm là 114 khách hàng, chiếm 18,7%
Tần suất thang điểm phần đánh giá khách hàng 3 điểm trên 5 điểm là 216 khách hàng, chiếm 35,9%
Tần suất thang điểm phần đánh giá khách hàng 4 điểm trên 5 điểm là 64 khách hàng, chiếm 10,6%
Tần suất thang điểm phần đánh giá khách hàng 5 điểm trên 5 điểm là 38 khách hàng, chiếm 6,3%
- Đồ thị
ggplot(dataset,aes(CR)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Customer Reviews Importance")
4.1.8 Thống kê mô tả biến Saveforlater Frequency
- Bảng tần số
table(SF)## SF
## Always Never Often Rarely Sometimes
## 54 59 156 81 251- Bảng tần suất
table(SF)/sum(table(SF))## SF
## Always Never Often Rarely Sometimes
## 0.08985025 0.09816972 0.25956739 0.13477537 0.41763727Tần suất khách hàng “Always” luôn luôn sử dụng chức năng “Saveforlater” là 54 khách hàng, chiếm 8,99%
Tần suất khách hàng “Never” không bao giờ sử dụng chức năng “Saveforlater” là 59 khách hàng, chiếm 9,82%
Tần suất khách hàng “Often” thường sử dụng chức năng “Saveforlater” là 156 khách hàng, chiếm 25,96%
Tần suất khách hàng “Rarely” không bao giờ sử dụng chức năng “Saveforlater” là 81 khách hàng, chiếm 13,48%
Tần suất khách hàng “Sometimes” thỉnh thoảng sử dụng chức năng “Saveforlater” là 251 khách hàng, chiếm 41,76%
- Đồ thị
ggplot(dataset,aes(SF)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Saveforlater Frequency")
4.1.9 Thống kê mô tả biến Review Left
- Bảng tần số
table(RL)## RL
## No Yes
## 291 310- Bảng tần suất
table(RL)/sum(table(RL))## RL
## No Yes
## 0.484193 0.515807Tần suất khách hàng để lại đánh giá trên website là 310 khách hàng, chiếm 51,58%
Tần suất khách hàng không để lại đánh giá trên website là 291 khách hàng, chiếm 48,41%
- Đồ thị
ggplot(dataset,aes(RL)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Review Left")
4.1.10 Thống kê mô tả biến Review Reliability
- Bảng tần số
table(RR)## RR
## Heavily Moderately Never Occasionally Rarely
## 149 199 23 189 41- Bảng tần suất
table(RR)/sum(table(RR))## RR
## Heavily Moderately Never Occasionally Rarely
## 0.24792013 0.33111481 0.03826955 0.31447587 0.06821963- Đồ thị
ggplot(dataset,aes(RR)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Review Reliability")
4.1.11 Thống kê mô tả biến Review Helpfulness
- Bảng tần số
table(RH)## RH
## No Sometimes Yes
## 137 227 237- Bảng tần suất
table(RH)/sum(table(RH))## RH
## No Sometimes Yes
## 0.2279534 0.3777038 0.3943428- Đồ thị
ggplot(dataset,aes(RH)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Review Helpfulness")
4.1.12 Thống kê mô tả biến Recommendation Helpfulness
- Bảng tần số
table(RHS)## RHS
## No Sometimes Yes
## 171 273 157- Bảng tần suất
table(RHS)/sum(table(RHS))## RHS
## No Sometimes Yes
## 0.2845258 0.4542429 0.2612313- Đồ thị
ggplot(dataset,aes(RHS)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Recommendation Helpfulness")
4.1.13 Thống kê mô tả biến Shopping Satisfaction
- Bảng tần số
table(SS)## SS
## Average Excellent Good Poor Very Bad
## 209 17 67 193 115- Bảng tần suất
table(SS)/sum(table(SS))## SS
## Average Excellent Good Poor Very Bad
## 0.34775374 0.02828619 0.11148087 0.32113145 0.19134775- Đồ thị
ggplot(dataset,aes(SS)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Shopping Satisfaction")
4.1.14 Thống kê mô tả biến Shopping Satisfaction
- Bảng tần số
table(Total)## Total
## 0 1 2 3 4 5
## 107 93 98 107 98 98- Bảng tần suất
table(Total)/sum(table(Total))## Total
## 0 1 2 3 4 5
## 0.1780366 0.1547421 0.1630616 0.1780366 0.1630616 0.1630616- Đồ thị
ggplot(dataset,aes(Total)) + geom_text(aes(label = scales::percent(after_stat(count/sum(count)))), stat ='count', color = '#CD6889', vjust = - .5) + geom_bar(color ="black", fill = "#9ACD32") + ylab("Customer") +
xlab("Shopping Satisfaction")
4.2 Thống kê mô tả cho 2 biến
4.2.1 Phân tích trải nghiệm khách hàng theo tần suất mua hàng
A <- table(dataset$`Purchase Frequency`,dataset$`Shopping Satisfaction`)
A##
## Average Excellent Good Poor Very Bad
## Few times a month 80 4 18 67 33
## Less than once a month 34 6 15 41 28
## Multiple times a week 17 3 6 17 13
## Once a month 34 2 13 34 24
## Once a week 44 2 15 34 17prop.table(A)##
## Average Excellent Good Poor
## Few times a month 0.133111481 0.006655574 0.029950083 0.111480865
## Less than once a month 0.056572379 0.009983361 0.024958403 0.068219634
## Multiple times a week 0.028286190 0.004991681 0.009983361 0.028286190
## Once a month 0.056572379 0.003327787 0.021630616 0.056572379
## Once a week 0.073211314 0.003327787 0.024958403 0.056572379
##
## Very Bad
## Few times a month 0.054908486
## Less than once a month 0.046589018
## Multiple times a week 0.021630616
## Once a month 0.039933444
## Once a week 0.028286190`
addmargins(A)##
## Average Excellent Good Poor Very Bad Sum
## Few times a month 80 4 18 67 33 202
## Less than once a month 34 6 15 41 28 124
## Multiple times a week 17 3 6 17 13 56
## Once a month 34 2 13 34 24 107
## Once a week 44 2 15 34 17 112
## Sum 209 17 67 193 115 601library(ggplot2)
ggplot(dataset, aes(SS, fill = PF)) + geom_bar(position = 'dodge')
- Rủi ro tương đối (relative risk).
library(DescTools)## Warning: package 'DescTools' was built under R version 4.3.1library(epitools)
riskratio(A)## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $data
##
## Average Excellent Good Poor Very Bad Total
## Few times a month 80 4 18 67 33 202
## Less than once a month 34 6 15 41 28 124
## Multiple times a week 17 3 6 17 13 56
## Once a month 34 2 13 34 24 107
## Once a week 44 2 15 34 17 112
## Total 209 17 67 193 115 601
##
## $measure
## risk ratio with 95% C.I.
## estimate lower upper
## Few times a month 1.0000000 NA NA
## Less than once a month 3.1500000 0.9413673 10.540519
## Multiple times a week 3.1500000 0.7649936 12.970696
## Once a month 1.1666667 0.2236409 6.086145
## Once a week 0.9130435 0.1738013 4.796560
##
## $p.value
## two-sided
## midp.exact fisher.exact chi.square
## Few times a month NA NA NA
## Less than once a month 0.07073782 0.09905885 0.1040156
## Multiple times a week 0.15240981 0.32524521 0.3715926
## Once a month 0.83612644 0.48668618 0.5015208
## Once a week 0.94748142 0.79507086 0.8032102
##
## $correction
## [1] FALSE
##
## attr(,"method")
## [1] "Unconditional MLE & normal approximation (Wald) CI"epitab(A, method = 'riskratio', rev = 'c')## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $tab
##
## Very Bad p0 Poor p1 riskratio lower
## Few times a month 33 0.1633663 67 0.3316832 1.0000000 NA
## Less than once a month 28 0.2258065 41 0.3306452 0.8868700 0.6985972
## Multiple times a week 13 0.2321429 17 0.3035714 0.8457711 0.6009008
## Once a month 24 0.2242991 34 0.3177570 0.8749357 0.6771438
## Once a week 17 0.1517857 34 0.3035714 0.9950249 0.7843835
##
## upper p.value
## Few times a month NA NA
## Less than once a month 1.125882 0.09905885
## Multiple times a week 1.190427 0.32524521
## Once a month 1.130502 0.48668618
## Once a week 1.262233 0.79507086
##
## $measure
## [1] "wald"
##
## $conf.level
## [1] 0.95
##
## $pvalue
## [1] "fisher.exact"- Odd Ratio
oddsratio(A)## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $data
##
## Average Excellent Good Poor Very Bad Total
## Few times a month 80 4 18 67 33 202
## Less than once a month 34 6 15 41 28 124
## Multiple times a week 17 3 6 17 13 56
## Once a month 34 2 13 34 24 107
## Once a week 44 2 15 34 17 112
## Total 209 17 67 193 115 601
##
## $measure
## odds ratio with 95% C.I.
## estimate lower upper
## Few times a month 1.0000000 NA NA
## Less than once a month 3.4487031 0.8994648 14.832646
## Multiple times a week 3.5083951 0.5997771 18.318674
## Once a month 1.2147057 0.1446625 6.936388
## Once a week 0.9410246 0.1127155 5.330380
##
## $p.value
## two-sided
## midp.exact fisher.exact chi.square
## Few times a month NA NA NA
## Less than once a month 0.07073782 0.09905885 0.1040156
## Multiple times a week 0.15240981 0.32524521 0.3715926
## Once a month 0.83612644 0.48668618 0.5015208
## Once a week 0.94748142 0.79507086 0.8032102
##
## $correction
## [1] FALSE
##
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"epitab(A, method = 'oddsratio')## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $tab
##
## Average p0 Excellent p1 oddsratio
## Few times a month 80 0.38277512 4 0.2352941 1.0000000
## Less than once a month 34 0.16267943 6 0.3529412 3.5294118
## Multiple times a week 17 0.08133971 3 0.1764706 3.5294118
## Once a month 34 0.16267943 2 0.1176471 1.1764706
## Once a week 44 0.21052632 2 0.1176471 0.9090909
##
## lower upper p.value
## Few times a month NA NA NA
## Less than once a month 0.9360135 13.308299 0.09905885
## Multiple times a week 0.7227494 17.235222 0.32524521
## Once a month 0.2056372 6.730703 0.48668618
## Once a week 0.1600780 5.162772 0.79507086
##
## $measure
## [1] "wald"
##
## $conf.level
## [1] 0.95
##
## $pvalue
## [1] "fisher.exact"4.2.2 Phân tích trải nghiệm khách hàng theo khách hàng có thường dùng website
B <- table(dataset$`Browsing Frequency`,dataset$`Shopping Satisfaction`)
B##
## Average Excellent Good Poor Very Bad
## Few times a month 82 3 21 64 28
## Few times a week 88 3 30 81 47
## Multiple times a day 20 2 6 20 29
## Rarely 19 9 10 28 11prop.table(B)##
## Average Excellent Good Poor
## Few times a month 0.136439268 0.004991681 0.034941764 0.106489185
## Few times a week 0.146422629 0.004991681 0.049916805 0.134775374
## Multiple times a day 0.033277870 0.003327787 0.009983361 0.033277870
## Rarely 0.031613977 0.014975042 0.016638935 0.046589018
##
## Very Bad
## Few times a month 0.046589018
## Few times a week 0.078202995
## Multiple times a day 0.048252912
## Rarely 0.018302829`
addmargins(B)##
## Average Excellent Good Poor Very Bad Sum
## Few times a month 82 3 21 64 28 198
## Few times a week 88 3 30 81 47 249
## Multiple times a day 20 2 6 20 29 77
## Rarely 19 9 10 28 11 77
## Sum 209 17 67 193 115 601library(ggplot2)
ggplot(dataset, aes(SS, fill = BF)) + geom_bar(position = 'dodge')
- Rủi ro tương đối (relative risk).
library(DescTools)
library(epitools)
riskratio(B)## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $data
##
## Average Excellent Good Poor Very Bad Total
## Few times a month 82 3 21 64 28 198
## Few times a week 88 3 30 81 47 249
## Multiple times a day 20 2 6 20 29 77
## Rarely 19 9 10 28 11 77
## Total 209 17 67 193 115 601
##
## $measure
## risk ratio with 95% C.I.
## estimate lower upper
## Few times a month 1.0000000 NA NA
## Few times a week 0.9340659 0.1937929 4.502122
## Multiple times a day 2.5757576 0.4581620 14.480744
## Rarely 9.1071429 2.6489939 31.310019
##
## $p.value
## two-sided
## midp.exact fisher.exact chi.square
## Few times a month NA NA NA
## Few times a week 0.9353882423 0.5771883895 0.5876262584
## Multiple times a day 0.3302432656 0.0006289607 0.0005233805
## Rarely 0.0001577609 0.0020575618 0.0012744953
##
## $correction
## [1] FALSE
##
## attr(,"method")
## [1] "Unconditional MLE & normal approximation (Wald) CI"epitab(B, method = 'riskratio', rev = 'c')## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $tab
##
## Very Bad p0 Poor p1 riskratio lower
## Few times a month 28 0.1414141 64 0.3232323 1.0000000 NA
## Few times a week 47 0.1887550 81 0.3253012 0.9096680 0.7530889
## Multiple times a day 29 0.3766234 20 0.2597403 0.5867347 0.4080266
## Rarely 11 0.1428571 28 0.3636364 1.0320513 0.8129200
##
## upper p.value
## Few times a month NA NA
## Few times a week 1.0988023 0.5771883895
## Multiple times a day 0.8437137 0.0006289607
## Rarely 1.3102518 0.0020575618
##
## $measure
## [1] "wald"
##
## $conf.level
## [1] 0.95
##
## $pvalue
## [1] "fisher.exact"- Odd Ratio
oddsratio(B)## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $data
##
## Average Excellent Good Poor Very Bad Total
## Few times a month 82 3 21 64 28 198
## Few times a week 88 3 30 81 47 249
## Multiple times a day 20 2 6 20 29 77
## Rarely 19 9 10 28 11 77
## Total 209 17 67 193 115 601
##
## $measure
## odds ratio with 95% C.I.
## estimate lower upper
## Few times a month 1.0000000 NA NA
## Few times a week 0.9321992 0.1562621 5.561994
## Multiple times a day 2.7590213 0.3041586 19.299365
## Rarely 12.1775068 3.2185481 62.281597
##
## $p.value
## two-sided
## midp.exact fisher.exact chi.square
## Few times a month NA NA NA
## Few times a week 0.9353882423 0.5771883895 0.5876262584
## Multiple times a day 0.3302432656 0.0006289607 0.0005233805
## Rarely 0.0001577609 0.0020575618 0.0012744953
##
## $correction
## [1] FALSE
##
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"epitab(B, method = 'oddsratio')## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $tab
##
## Average p0 Excellent p1 oddsratio
## Few times a month 82 0.39234450 3 0.1764706 1.0000000
## Few times a week 88 0.42105263 3 0.1764706 0.9318182
## Multiple times a day 20 0.09569378 2 0.1176471 2.7333333
## Rarely 19 0.09090909 9 0.5294118 12.9473684
##
## lower upper p.value
## Few times a month NA NA NA
## Few times a week 0.1828751 4.747968 0.5771883895
## Multiple times a day 0.4277406 17.466454 0.0006289607
## Rarely 3.1969551 52.435628 0.0020575618
##
## $measure
## [1] "wald"
##
## $conf.level
## [1] 0.95
##
## $pvalue
## [1] "fisher.exact"4.2.3 Phân tích trải nghiệm khách hàng theo khách hàng để lại đánh giá sản phẩm
C <- table(dataset$`Review Left`,dataset$`Shopping Satisfaction`)
C##
## Average Excellent Good Poor Very Bad
## No 90 9 39 105 48
## Yes 119 8 28 88 67prop.table(C)##
## Average Excellent Good Poor Very Bad
## No 0.14975042 0.01497504 0.06489185 0.17470882 0.07986689
## Yes 0.19800333 0.01331115 0.04658902 0.14642263 0.11148087`
addmargins(C)##
## Average Excellent Good Poor Very Bad Sum
## No 90 9 39 105 48 291
## Yes 119 8 28 88 67 310
## Sum 209 17 67 193 115 601library(ggplot2)
ggplot(dataset, aes(SS, fill = RL)) + geom_bar(position = 'dodge')
- Rủi ro tương đối (relative risk).
library(DescTools)
library(epitools)
riskratio(C)## $data
##
## Average Excellent Good Poor Very Bad Total
## No 90 9 39 105 48 291
## Yes 119 8 28 88 67 310
## Total 209 17 67 193 115 601
##
## $measure
## risk ratio with 95% C.I.
## estimate lower upper
## No 1.0000000 NA NA
## Yes 0.6929134 0.2774118 1.730745
##
## $p.value
## two-sided
## midp.exact fisher.exact chi.square
## No NA NA NA
## Yes 0.4430064 0.04074744 0.04154524
##
## $correction
## [1] FALSE
##
## attr(,"method")
## [1] "Unconditional MLE & normal approximation (Wald) CI"epitab(C, method = 'riskratio', rev = 'c')## $tab
##
## Very Bad p0 Poor p1 riskratio lower upper
## No 48 0.1649485 105 0.3608247 1.0000000 NA NA
## Yes 67 0.2161290 88 0.2838710 0.8272811 0.6950198 0.9847115
##
## p.value
## No NA
## Yes 0.04074744
##
## $measure
## [1] "wald"
##
## $conf.level
## [1] 0.95
##
## $pvalue
## [1] "fisher.exact"- Odd Ratio
oddsratio(C)## $data
##
## Average Excellent Good Poor Very Bad Total
## No 90 9 39 105 48 291
## Yes 119 8 28 88 67 310
## Total 209 17 67 193 115 601
##
## $measure
## odds ratio with 95% C.I.
## estimate lower upper
## No 1.0000000 NA NA
## Yes 0.6748591 0.2405958 1.858881
##
## $p.value
## two-sided
## midp.exact fisher.exact chi.square
## No NA NA NA
## Yes 0.4430064 0.04074744 0.04154524
##
## $correction
## [1] FALSE
##
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"epitab(C, method = 'oddsratio')## $tab
##
## Average p0 Excellent p1 oddsratio lower upper
## No 90 0.430622 9 0.5294118 1.0000000 NA NA
## Yes 119 0.569378 8 0.4705882 0.6722689 0.2495631 1.810947
##
## p.value
## No NA
## Yes 0.04074744
##
## $measure
## [1] "wald"
##
## $conf.level
## [1] 0.95
##
## $pvalue
## [1] "fisher.exact"4.2.4 Phân tích trải nghiệm khách hàng theo khách hàng để lại đánh giá sản phẩm
D <- table(dataset$`Review Helpfulness`,dataset$`Shopping Satisfaction`)
D##
## Average Excellent Good Poor Very Bad
## No 45 7 16 55 14
## Sometimes 101 6 30 54 36
## Yes 63 4 21 84 65prop.table(D)##
## Average Excellent Good Poor Very Bad
## No 0.074875208 0.011647255 0.026622296 0.091514143 0.023294509
## Sometimes 0.168053245 0.009983361 0.049916805 0.089850250 0.059900166
## Yes 0.104825291 0.006655574 0.034941764 0.139767055 0.108153078`
addmargins(D)##
## Average Excellent Good Poor Very Bad Sum
## No 45 7 16 55 14 137
## Sometimes 101 6 30 54 36 227
## Yes 63 4 21 84 65 237
## Sum 209 17 67 193 115 601library(ggplot2)
ggplot(dataset, aes(SS, fill = RH)) + geom_bar(position = 'dodge')
- Rủi ro tương đối (relative risk).
library(DescTools)
library(epitools)
riskratio(D)## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $data
##
## Average Excellent Good Poor Very Bad Total
## No 45 7 16 55 14 137
## Sometimes 101 6 30 54 36 227
## Yes 63 4 21 84 65 237
## Total 209 17 67 193 115 601
##
## $measure
## risk ratio with 95% C.I.
## estimate lower upper
## No 1.0000000 NA NA
## Sometimes 0.4165554 0.1474002 1.177193
## Yes 0.4434968 0.1371172 1.434462
##
## $p.value
## two-sided
## midp.exact fisher.exact chi.square
## No NA NA NA
## Sometimes 0.1109334 0.007012837 0.006931824
## Yes 0.1832078 0.000652769 0.001223880
##
## $correction
## [1] FALSE
##
## attr(,"method")
## [1] "Unconditional MLE & normal approximation (Wald) CI"epitab(D, method = 'riskratio', rev = 'c')## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $tab
##
## Very Bad p0 Poor p1 riskratio lower upper
## No 14 0.1021898 55 0.4014599 1.0000000 NA NA
## Sometimes 36 0.1585903 54 0.2378855 0.7527273 0.6123113 0.9253436
## Yes 65 0.2742616 84 0.3544304 0.7072605 0.5879719 0.8507506
##
## p.value
## No NA
## Sometimes 0.007012837
## Yes 0.000652769
##
## $measure
## [1] "wald"
##
## $conf.level
## [1] 0.95
##
## $pvalue
## [1] "fisher.exact"- Odd Ratio
oddsratio(D)## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $data
##
## Average Excellent Good Poor Very Bad Total
## No 45 7 16 55 14 137
## Sometimes 101 6 30 54 36 227
## Yes 63 4 21 84 65 237
## Total 209 17 67 193 115 601
##
## $measure
## odds ratio with 95% C.I.
## estimate lower upper
## No 1.0000000 NA NA
## Sometimes 0.3858197 0.1152194 1.250890
## Yes 0.4174735 0.1001604 1.504952
##
## $p.value
## two-sided
## midp.exact fisher.exact chi.square
## No NA NA NA
## Sometimes 0.1109334 0.007012837 0.006931824
## Yes 0.1832078 0.000652769 0.001223880
##
## $correction
## [1] FALSE
##
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"epitab(D, method = 'oddsratio')## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect
## Warning in chisq.test(xx, correct = correction): Chi-squared approximation may
## be incorrect## $tab
##
## Average p0 Excellent p1 oddsratio lower upper
## No 45 0.2153110 7 0.4117647 1.0000000 NA NA
## Sometimes 101 0.4832536 6 0.3529412 0.3818953 0.1214541 1.200816
## Yes 63 0.3014354 4 0.2352941 0.4081633 0.1127317 1.477821
##
## p.value
## No NA
## Sometimes 0.007012837
## Yes 0.000652769
##
## $measure
## [1] "wald"
##
## $conf.level
## [1] 0.95
##
## $pvalue
## [1] "fisher.exact"5 CHƯƠNG 4: THỐNG KÊ SUY DIỄN
5.1 Kiểm định tính độc lập cho 2 biến định tính
Kiểm định tính độc lập cho hai biến Shopping Satisfaction và Purchase Frequency
chisq.test(table(SS,PF))## Warning in chisq.test(table(SS, PF)): Chi-squared approximation may be
## incorrect##
## Pearson's Chi-squared test
##
## data: table(SS, PF)
## X-squared = 14.356, df = 16, p-value = 0.5722Với p_value > 5%, chấp nhận giả thuyết H0 do đó kết luận trải nghiệm khách hàng không liên quan đến tần suất mua hàng của khách hàng.
Kiểm định tính độc lập cho hai biến Shopping Satisfaction và Browsing Frequency
chisq.test(table(SS,BF))## Warning in chisq.test(table(SS, BF)): Chi-squared approximation may be
## incorrect##
## Pearson's Chi-squared test
##
## data: table(SS, BF)
## X-squared = 51.363, df = 12, p-value = 8.036e-07Với p_value < 5%, bác bỏ giả thuyết H0 do đó kết luận trải nghiệm khách hàng có liên quan đến khách hàng có thường dùng website hay không.
Kiểm định tính độc lập cho hai biến Shopping Satisfaction và Review Left
chisq.test(table(SS,RL))##
## Pearson's Chi-squared test
##
## data: table(SS, RL)
## X-squared = 9.9345, df = 4, p-value = 0.04155Với p_value < 5%, bác bỏ giả thuyết H0 do đó kết luận trải nghiệm khách hàng có liên quan đến khách hàng có để lại đánh giá sản phẩm trên website.
Kiểm định tính độc lập cho hai biến Shopping Satisfaction và Review Helpfulness
chisq.test(table(SS,RH))## Warning in chisq.test(table(SS, RH)): Chi-squared approximation may be
## incorrect##
## Pearson's Chi-squared test
##
## data: table(SS, RH)
## X-squared = 40.49, df = 8, p-value = 2.596e-06Với p_value < 5%, bác bỏ giả thuyết H0 do đó kết luận trải nghiệm khách hàng có liên quan đến khách hàng có thấy hữu ích từ thông tin đánh giá sản phẩm hay không.
5.2 Khoảng ước lượng cho tỷ lệ
Đặt giả thuyết: Ước lượng tỷ lệ khách hàng mua nhiều hơn 3 sản phẩm là 30%
m<- dataset[dataset$Total > 3,]
prop.test(length(dataset$Total), length(dataset$Total), p = 0.3)##
## 1-sample proportions test with continuity correction
##
## data: length(dataset$Total) out of length(dataset$Total), null probability 0.3
## X-squared = 1399, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.3
## 95 percent confidence interval:
## 0.9920824 1.0000000
## sample estimates:
## p
## 1Với khoảng tin cậy 95% ước lượng tỷ lệ khách hàng mua nhiều hơn 3 sản phẩm là từ 0.9920824 đến 1.0000000
6 CHƯƠNG 5: MÔ HÌNH HỒI QUY
6.1 Mô hình hồi quy logit
mohinh1 <- glm(factor(SS) ~ Gender + PF + BF + RH + RHS + RL + CR, family = binomial(link = 'logit'), data = dataset)
summary(mohinh1)##
## Call:
## glm(formula = factor(SS) ~ Gender + PF + BF + RH + RHS + RL +
## CR, family = binomial(link = "logit"), data = dataset)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 1.10740 0.35239 3.143 0.00167 **
## GenderMale 0.15042 0.19484 0.772 0.44010
## PFLess than once a month 0.19561 0.28932 0.676 0.49898
## PFMultiple times a week 0.32522 0.34424 0.945 0.34479
## PFOnce a month 0.26408 0.26686 0.990 0.32238
## PFOnce a week 0.10166 0.25332 0.401 0.68819
## BFFew times a week 0.38249 0.20827 1.837 0.06628 .
## BFMultiple times a day 0.67734 0.31578 2.145 0.03196 *
## BFRarely 0.71197 0.33124 2.149 0.03160 *
## RHSometimes -0.32161 0.25197 -1.276 0.20181
## RHYes 0.02251 0.27574 0.082 0.93492
## RHSSometimes -0.39115 0.22965 -1.703 0.08852 .
## RHSYes 0.53311 0.28620 1.863 0.06250 .
## RLYes -0.29889 0.18787 -1.591 0.11162
## CR -0.25246 0.08137 -3.103 0.00192 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 776.55 on 600 degrees of freedom
## Residual deviance: 719.24 on 586 degrees of freedom
## AIC: 749.24
##
## Number of Fisher Scoring iterations: 46.2 Mô hình hồi quy probit
mohinh2 <- glm(factor(SS) ~ Gender + PF + BF + RH + RHS + RL + CR, family = binomial(link = 'probit'), data = dataset)
summary(mohinh2)##
## Call:
## glm(formula = factor(SS) ~ Gender + PF + BF + RH + RHS + RL +
## CR, family = binomial(link = "probit"), data = dataset)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 0.685845 0.213435 3.213 0.00131 **
## GenderMale 0.095078 0.117177 0.811 0.41713
## PFLess than once a month 0.112390 0.174293 0.645 0.51904
## PFMultiple times a week 0.193886 0.206956 0.937 0.34884
## PFOnce a month 0.152767 0.161266 0.947 0.34349
## PFOnce a week 0.059868 0.154767 0.387 0.69889
## BFFew times a week 0.230121 0.126871 1.814 0.06970 .
## BFMultiple times a day 0.401472 0.187592 2.140 0.03234 *
## BFRarely 0.418506 0.196594 2.129 0.03327 *
## RHSometimes -0.205738 0.153635 -1.339 0.18053
## RHYes 0.001503 0.166556 0.009 0.99280
## RHSSometimes -0.234353 0.140017 -1.674 0.09418 .
## RHSYes 0.317306 0.169140 1.876 0.06066 .
## RLYes -0.186082 0.113482 -1.640 0.10106
## CR -0.152155 0.048848 -3.115 0.00184 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 776.55 on 600 degrees of freedom
## Residual deviance: 719.57 on 586 degrees of freedom
## AIC: 749.57
##
## Number of Fisher Scoring iterations: 4## Mô hình hồi quy cloglog
mohinh3 <- glm(factor(SS) ~ Gender + PF + BF + RH + RHS + RL + CR, family = binomial(link = 'cloglog'), data = dataset)
summary(mohinh3)##
## Call:
## glm(formula = factor(SS) ~ Gender + PF + BF + RH + RHS + RL +
## CR, family = binomial(link = "cloglog"), data = dataset)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 0.36496 0.21367 1.708 0.08762 .
## GenderMale 0.10544 0.11529 0.915 0.36042
## PFLess than once a month 0.09821 0.17317 0.567 0.57065
## PFMultiple times a week 0.18990 0.20400 0.931 0.35192
## PFOnce a month 0.13230 0.16150 0.819 0.41268
## PFOnce a week 0.05772 0.16065 0.359 0.71936
## BFFew times a week 0.22024 0.13117 1.679 0.09314 .
## BFMultiple times a day 0.37524 0.18150 2.067 0.03870 *
## BFRarely 0.38531 0.18840 2.045 0.04083 *
## RHSometimes -0.23369 0.15594 -1.499 0.13399
## RHYes -0.03130 0.16432 -0.190 0.84895
## RHSSometimes -0.22309 0.14290 -1.561 0.11847
## RHSYes 0.30457 0.15984 1.906 0.05671 .
## RLYes -0.19724 0.11353 -1.737 0.08233 .
## CR -0.15186 0.04867 -3.121 0.00181 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 776.55 on 600 degrees of freedom
## Residual deviance: 720.83 on 586 degrees of freedom
## AIC: 750.83
##
## Number of Fisher Scoring iterations: 66.3 Lựa chọn mô hình phù hợp
AIC và Deviance
Từ kết quả 3 mô hình hồi quy, ta có:
logit: AIC=749.24, Deviance= 719.24
probit: AIC=749.57, Deviance= 719.57
cloglog: AIC=750.83, Deviance= 720.83
BrierScore
BrierScore(mohinh1)## [1] 0.2053738BrierScore(mohinh2)## [1] 0.2055529BrierScore(mohinh3)## [1] 0.2061816Kết quả cho thấy giá trị các chỉ số AIC, Deviance, Brier score của mô hình cloglog là nhỏ nhất. Vậy mô hình cloglog là tốt nhất.