TIỂU LUẬN MÔN PHÂN TÍCH DỮ LIỆU ĐỊNH TÍNH
GVHD: ThS. Trần Mạnh Tường
Nhóm sinh viên thực hiện:
1. Mai Thị Hoài Thương - 2121001546
2. Nguyễn Thị Ngọc Hà - 2121012474
PHÂN TÍCH NHỮNG YẾU TỐ ẢNH HƯỞNG ĐẾN MỨC ĐỘ TIÊU THỤ RƯỢU CAO CỦA SINH VIÊN
Bộ dữ liệu “Student Alcohol Consumption EDA” từ Kaggle cung cấp thông tin chi tiết về việc sinh viên tiêu thụ rượu tại các trường đại học ở Bồ Đào Nha. Bộ dữ liệu này không chỉ tập trung vào hành vi tiêu thụ rượu mà còn bao gồm các thông tin về môi trường, gia đình và xã hội của sinh viên. Mục đích của nghiên cứu là để hiểu rõ hơn về mối liên hệ giữa các yếu tố này và thói quen tiêu thụ rượu của sinh viên trong 1 ngày. Dữ liệu được thu thập từ các cuộc khảo sát trong cộng đồng học đường, mang lại cơ hội để nghiên cứu tác động của môi trường và gia đình đối với hành vi tiêu thụ rượu ở độ tuổi sinh viên.
LỜI CẢM ƠN
Lời đầu tiên, chúng em xin gửi lời cảm ơn chân thành đến Giảng viên - ThS. Trần Mạnh Tường. Trong quá trình học tập và tìm hiểu môn “Phân tích dữ liệu định tính”, chúng em đã nhận được sự quan tâm giúp đỡ, hướng dẫn và chỉ bảo tận tình của thầy. Thầy đã giúp chúng em tích lũy thêm nhiều kiến thức để có cái nhìn khái quát và hiểu hơn về môn này. Từ những kiến thức được thầy truyền tải, chúng em dần hiểu được tầm quan trọng của môn học mà bấy lâu nay còn nhiều thắc mắc. Thông qua bài tiểu luận này, chúng em xin trình bày những gì chúng em đã tìm hiểu về môn học, và cụ thể là chúng em lựa chọn đề tài “Phân tích những yếu tố ảnh hưởng đến mức độ tiêu thụ rượu của sinh viên”.
Kiến thức là vô hạn nhưng sự tiếp nhận kiến thức của bản thân mỗi chúng em luôn hạn chế một cách nhất định. Do đó, trong quá trình hoàn thành bài tiểu luận, chắc chắn chúng em không tránh khỏi những thiếu sót, vậy nên chúng em rất mong nhận được những đóng góp đến từ thầy để bài tiểu luận của nhóm được hoàn thiện hơn.
Chúng em kính chúc thầy sức khỏe, hạnh phúc và thành công trên con đường sự nghiệp của mình.
CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU
1.1 Lí do chọn đề tài
Hiện nay, hành vi tiêu thụ rượu là một hiện tượng phổ biến trong đời sống sinh viên. Nhiều sinh viên tham gia các hoạt động xã hội như tiệc tùng, dã ngoại và các sự kiện của trường học, những nơi rượu thường được phục vụ và tiêu thụ. Nhiều sinh viên không chỉ uống rượu mà còn lạm dụng nó, uống đến mức say xỉn thường xuyên. Tình trạng này đặc biệt phổ biến trong các dịp lễ, kỳ nghỉ và các buổi tiệc lớn. Việc uống rượu say xỉn có thể dẫn đến mất kiểm soát hành vi và gây ra nhiều hậu quả tiêu cực như tai nạn, bạo lực và các vấn đề về sức khỏe. Rượu không chỉ để dùng cho những cuộc vui chơi, tiệc tùng, giao lưu bạn bè mà sinh viên hiện nay còn dùng rượu để giải tỏa nỗi buồn, những áp lực trong học tập, bạn bè, gia đình, tình cảm nên việc tiêu thụ rượu của sinh viên hiện nay rất đáng báo động. Rượu rất dễ dàng được tiếp cận và những chỗ lưu thông rượu không được giám sát chặt chẽ nên ngày càng làm gia tăng mức độ tiêu thụ rượu.Thực trạng tiêu thụ rượu của sinh viên hiện nay là một vấn đề nghiêm trọng cần được quan tâm. Việc nghiên cứu và hiểu rõ hơn về hành vi tiêu thụ rượu của sinh viên trong hai trường đại học ở Bồ Đào Nha sẽ giúp đưa ra được một vài biện pháp giáo dục, phòng ngừa và hỗ trợ thích hợp, nhằm giảm thiểu những hậu quả tiêu cực nhằm bảo vệ sức khỏe và tương lai của sinh viên.
1.2 Mục tiêu nghiên cứu
Mục tiêu của chúng tôi là phân tích các yếu tố ảnh hưởng đến mức độ tiêu thụ rượu của sinh viên là thấp hay cao. Nghiên cứu nhằm tìm ra các thông tin và đưa ra một vài biện pháp giúp gia đình và nhà trường quản lý con cái, sinh viên của mình được tốt hơn.
1.3 Đối tượng và phạm vi nghiên cứu
Tập dữ liệu chứa thông tin từ cuộc khảo sát sinh viên của 2 trường đại học ở Bồ Đào Nha. Bộ dữ liệu chứa các thông tin liên quan đến sinh viên bao gồm 395 quan sát trên tổng 9 biến.
1.4 Phương pháp nghiên cứu
Bài nghiên cứu sử dụng phương pháp thống kê và các mô hình hồi quy để phân tích dữ liệu và cho thấy tác động của các yếu tố ảnh hưởng đến mức độ tiêu thụ rượu của sinh viên.
1.5 Kết cấu bài nghiên cứu
Chương 1: Tổng quan nghiên cứu.
Chương 2: Dữ liệu nghiên cứu.
Chương 3: Phân tích và đưa ra kết quả.
Chương 2: DỮ LIỆU NGHIÊN CỨU
2.1 Giới thiệu bộ dữ liệu
Bộ dữ liệu bao gồm 395 quan sát trên tổng 9 biến về sinh viên của 2 trường đại học ở Bồ Đào Nha. Dưới đây là bảng chi tiết từng biến trên từng quan sát khác nhau.
std <- read.csv("student-math.csv", header = T)
library(data.table)## Warning: package 'data.table' was built under R version 4.3.1data.table(std)2.2 Mô tả các biến trong bộ dữ liệu
school: ngôi trường sinh viên đang theo học (GP: Gabriel Pereira; MS: Mousinho da Silveria)
sex: giới tính của sinh viên (F: nữ; M: nam)
address: nơi ở của sinh viên (U: thành thị; R: nông thôn)
schoolsup: hỗ trợ giáo dục bổ sung (yes: có; no: không)
famsup: hỗ trợ giáo dục gia đình (yes: có; no: không)
activities: hoạt động ngoại khóa (yes: có; no: không)
internet: truy cập mạng tại nhà (yes: có; no: không)
romantic: mối quan hệ tình cảm (yes: có; no: không)
Dalc: mức tiêu thụ rượu trong 1 ngày (1: rất thấp; 2: thấp; 3: trung bình; 4: cao; 5: rất cao)
Chương 3: PHÂN TÍCH VÀ ĐƯA RA KẾT QUẢ
Trong bài luận này, biến phụ thuộc được chọn là biến Dalc (mức độ tiêu thụ rượu của sinh viên trong 1 ngày), do biến Dalc là dữ liệu định lượng với các mức độ 1, 2, 3, 4, 5 nên nhóm biến nó thành dữ liệu định tính là Dalc_2 với 2 biểu hiện cụ thể là thấp và cao. Ở các mức độ 1, 2 và 3 sẽ biến đổi thành biểu hiện tiêu thụ rượu “thấp”, còn mức độ 4 và 5 sẽ biến đổi thành biểu hiện tiêu thụ rượu “cao” như bảng dưới đây:
std <- read.csv("student-math.csv", header = T)
std$Dalc_2 <- ifelse(std$Dalc <= 2, "thấp", "cao")
print(std)## school sex address schoolsup famsup activities internet romantic Dalc
## 1 GP F U yes no no no no 1
## 2 GP F U no yes no yes no 1
## 3 GP F U yes no no yes no 2
## 4 GP F U no yes yes yes yes 1
## 5 GP F U no yes no no no 1
## 6 GP M U no yes yes yes no 1
## 7 GP M U no no no yes no 1
## 8 GP F U yes yes no no no 1
## 9 GP M U no yes no yes no 1
## 10 GP M U no yes yes yes no 1
## 11 GP F U no yes no yes no 1
## 12 GP F U no yes yes yes no 1
## 13 GP M U no yes yes yes no 1
## 14 GP M U no yes no yes no 1
## 15 GP M U no yes no yes yes 1
## 16 GP F U no yes no yes no 1
## 17 GP F U no yes yes yes no 1
## 18 GP F U yes yes yes no no 1
## 19 GP M U no yes yes yes no 2
## 20 GP M U no no yes yes no 1
## 21 GP M U no no no yes no 1
## 22 GP M U no yes no yes no 1
## 23 GP M U no no yes yes no 1
## 24 GP M U no yes yes yes no 2
## 25 GP F R yes yes yes yes no 1
## 26 GP F U no yes no yes no 1
## 27 GP M U no yes no yes no 1
## 28 GP M U no no no yes no 2
## 29 GP M U yes yes yes yes no 1
## 30 GP M U no yes yes yes yes 5
## 31 GP M U no yes no yes no 3
## 32 GP M U no yes yes yes no 1
## 33 GP M R no yes yes yes yes 1
## 34 GP M U no no yes yes no 1
## 35 GP M U no yes no yes no 1
## 36 GP F U no yes yes no no 1
## 37 GP M U no yes yes yes no 1
## 38 GP M R no yes yes yes yes 1
## 39 GP F R yes yes yes yes no 1
## 40 GP F R yes yes yes no no 1
## 41 GP F U no yes yes yes yes 1
## 42 GP M U no yes no yes yes 2
## 43 GP M U no yes yes yes no 1
## 44 GP M U yes yes no yes no 1
## 45 GP F U yes no yes yes no 2
## 46 GP F U yes yes yes yes yes 1
## 47 GP F U no yes no yes no 1
## 48 GP M U no no yes yes no 1
## 49 GP M U no yes no no no 2
## 50 GP F U yes yes yes yes no 1
## 51 GP F U no yes no yes no 2
## 52 GP F U no yes no yes no 1
## 53 GP M U no no no no no 3
## 54 GP F U yes yes no yes no 2
## 55 GP F U no no no yes no 4
## 56 GP F U no no yes yes yes 1
## 57 GP F U no yes yes yes no 1
## 58 GP M U no yes yes no no 1
## 59 GP M U yes yes yes yes no 1
## 60 GP F U no yes no yes no 1
## 61 GP F R no yes yes no no 2
## 62 GP F U yes yes yes yes yes 5
## 63 GP F U yes no yes yes no 1
## 64 GP F U yes yes yes yes no 2
## 65 GP F U yes no yes yes yes 2
## 66 GP F U no yes yes yes no 1
## 67 GP M U no yes yes yes yes 5
## 68 GP F U yes yes no yes no 1
## 69 GP F R yes yes no yes no 1
## 70 GP F R no yes no yes no 2
## 71 GP M U no yes no yes no 1
## 72 GP M U no no no yes no 1
## 73 GP F R yes yes no yes yes 2
## 74 GP M U no no yes no no 2
## 75 GP F U yes yes yes yes no 2
## 76 GP M U no yes yes yes no 2
## 77 GP M U no no yes yes no 1
## 78 GP F U no no no yes yes 1
## 79 GP M U yes yes yes yes no 1
## 80 GP F U no yes no yes no 1
## 81 GP M U yes yes yes yes yes 1
## 82 GP M U yes no no yes no 1
## 83 GP F U no yes no yes no 1
## 84 GP M U no no yes yes no 1
## 85 GP F U no yes yes yes no 2
## 86 GP F U no no no yes yes 2
## 87 GP F U no yes no no no 1
## 88 GP F U no yes yes yes no 1
## 89 GP M U no no yes yes no 1
## 90 GP M U no yes no no no 3
## 91 GP F U no yes no yes yes 1
## 92 GP F U no no yes yes no 1
## 93 GP F U yes yes no no no 2
## 94 GP F U no yes yes yes no 1
## 95 GP M U no yes yes yes no 1
## 96 GP F R yes yes yes yes no 1
## 97 GP M R yes yes yes yes no 1
## 98 GP F U no yes no no yes 1
## 99 GP F U no no yes yes no 1
## 100 GP F U yes yes no yes no 1
## 101 GP M U yes yes yes yes no 5
## 102 GP M U no yes yes yes yes 1
## 103 GP M U no yes yes yes no 1
## 104 GP F U yes yes no yes no 1
## 105 GP M U no yes yes yes no 1
## 106 GP F U yes no no no no 1
## 107 GP F U yes yes no yes no 1
## 108 GP M U no yes yes yes no 1
## 109 GP M R no yes yes yes yes 3
## 110 GP F U no yes yes yes yes 1
## 111 GP M U no no yes yes no 1
## 112 GP F R yes yes yes yes no 1
## 113 GP F U yes no yes yes no 1
## 114 GP M U no no no yes no 1
## 115 GP M R no no yes yes yes 1
## 116 GP M U no yes yes yes no 1
## 117 GP M U no yes yes no no 1
## 118 GP M U no no yes yes no 1
## 119 GP M R no yes yes yes no 1
## 120 GP M U no no no yes no 1
## 121 GP F U no no no yes no 1
## 122 GP M U no yes yes yes no 1
## 123 GP F U no yes yes yes yes 1
## 124 GP M U no yes yes yes no 1
## 125 GP F U no no no yes yes 1
## 126 GP M U yes no no yes no 3
## 127 GP F U yes no yes yes yes 1
## 128 GP F U no yes no no no 1
## 129 GP M R no yes yes yes no 1
## 130 GP M R no no yes yes no 2
## 131 GP F R no yes no yes yes 2
## 132 GP F U no yes yes yes yes 1
## 133 GP F U no yes no yes yes 1
## 134 GP F U no no no yes no 1
## 135 GP M R no yes no no yes 1
## 136 GP F U no yes yes yes yes 1
## 137 GP M R no no no no no 2
## 138 GP F U no yes yes yes yes 1
## 139 GP M U no no no no yes 1
## 140 GP F U no no yes yes no 1
## 141 GP M U yes yes no yes no 1
## 142 GP M U no yes yes yes no 2
## 143 GP F U no yes yes yes no 1
## 144 GP F U no no no yes no 3
## 145 GP M U no yes no yes no 1
## 146 GP F U no yes no yes no 1
## 147 GP F U no yes no yes no 1
## 148 GP F U no yes no yes no 1
## 149 GP M U no yes no yes yes 2
## 150 GP M U no no no yes no 2
## 151 GP M U no no no yes yes 2
## 152 GP M U no no yes no yes 3
## 153 GP F R no yes yes yes yes 2
## 154 GP M U no yes no yes yes 1
## 155 GP F U yes yes no no yes 1
## 156 GP M R yes no yes no no 1
## 157 GP M R no no no no no 3
## 158 GP F R no yes yes no no 1
## 159 GP M R no no no no no 1
## 160 GP M U no yes no yes yes 4
## 161 GP M R no no yes yes yes 2
## 162 GP M R yes yes no yes yes 1
## 163 GP M U no no yes no no 2
## 164 GP M U no no no yes no 1
## 165 GP M R no no yes no yes 1
## 166 GP M U no yes yes no no 1
## 167 GP M U no no no yes no 2
## 168 GP F U no no no yes yes 1
## 169 GP F U no yes no yes no 1
## 170 GP F U no yes no yes yes 1
## 171 GP M U no yes yes yes no 2
## 172 GP M U no yes yes yes yes 1
## 173 GP M U no yes yes yes no 1
## 174 GP F U no no yes yes yes 1
## 175 GP F U no yes yes yes no 1
## 176 GP M U no no yes yes no 4
## 177 GP F U no no yes yes no 1
## 178 GP M U no no yes yes no 1
## 179 GP M R no yes yes yes yes 3
## 180 GP M U no yes yes yes yes 1
## 181 GP M U no yes yes yes no 2
## 182 GP M U no no yes yes yes 1
## 183 GP F U no yes yes no no 2
## 184 GP F U no yes yes yes yes 2
## 185 GP F U no yes no yes no 1
## 186 GP M U no yes yes yes yes 2
## 187 GP M U no yes yes yes yes 1
## 188 GP M U no no yes yes yes 1
## 189 GP F U no yes no yes yes 1
## 190 GP M R no no no no no 1
## 191 GP F U no no no yes no 1
## 192 GP F U no no yes yes no 1
## 193 GP M U no no yes yes no 4
## 194 GP M R no yes yes yes no 3
## 195 GP M U no no no yes no 1
## 196 GP F U no no yes yes yes 1
## 197 GP M U no no no yes no 1
## 198 GP M R no yes yes yes no 3
## 199 GP F U no yes no yes no 2
## 200 GP F U no yes no yes no 1
## 201 GP F U no yes yes yes no 1
## 202 GP F U yes yes yes no no 1
## 203 GP F U no yes no no no 1
## 204 GP F R no yes no yes no 1
## 205 GP F R no yes yes yes no 1
## 206 GP F U no yes no yes yes 3
## 207 GP F U no yes no yes no 2
## 208 GP F U no no yes yes yes 1
## 209 GP F U no yes no no no 1
## 210 GP F R no yes yes yes yes 1
## 211 GP F U no yes yes yes no 1
## 212 GP M U no yes no yes yes 4
## 213 GP F U yes yes no yes no 1
## 214 GP M U no yes yes yes no 2
## 215 GP F R no yes no no no 1
## 216 GP F U no no no yes no 1
## 217 GP F U no no no yes yes 2
## 218 GP M U no yes no yes no 2
## 219 GP F U no yes no no no 1
## 220 GP F U no yes yes yes no 1
## 221 GP F R no yes yes yes no 1
## 222 GP F U no yes yes no yes 1
## 223 GP F U yes no no yes no 1
## 224 GP M U no yes no yes no 5
## 225 GP F U no yes yes yes no 1
## 226 GP F R no no yes yes yes 1
## 227 GP F U no no yes yes no 1
## 228 GP M U no yes no yes no 1
## 229 GP M U yes yes yes yes yes 4
## 230 GP F U no no yes yes yes 1
## 231 GP F U no no yes yes yes 1
## 232 GP M R no yes yes yes no 1
## 233 GP M U yes yes yes yes yes 1
## 234 GP M U no yes yes yes no 2
## 235 GP M U no yes no yes no 1
## 236 GP M U no no yes yes yes 1
## 237 GP M U no no yes yes yes 5
## 238 GP F U no no no yes yes 1
## 239 GP F R no no yes no no 1
## 240 GP M U no no no yes no 3
## 241 GP M U no no yes yes yes 1
## 242 GP M R no yes no yes no 2
## 243 GP M U no no yes yes no 1
## 244 GP M U no no yes yes no 1
## 245 GP F U no yes no yes yes 1
## 246 GP M U no no no yes no 1
## 247 GP M U no no no yes no 1
## 248 GP M U no no no yes yes 5
## 249 GP M R no yes no yes yes 1
## 250 GP M U no no no yes no 2
## 251 GP M U no no no yes no 2
## 252 GP M U yes yes no yes no 1
## 253 GP M U no no no yes no 2
## 254 GP M R no no yes no no 1
## 255 GP M R no no no yes no 2
## 256 GP M U no yes yes yes no 1
## 257 GP F U no yes yes yes no 1
## 258 GP M U no yes no yes no 1
## 259 GP M U no no yes yes no 1
## 260 GP F U no no yes yes yes 1
## 261 GP F U no yes no yes yes 1
## 262 GP M U no yes no yes no 1
## 263 GP M R no no yes no no 1
## 264 GP F U no no yes no no 1
## 265 GP F U no yes yes yes yes 1
## 266 GP M R no yes yes yes no 3
## 267 GP M U no no yes yes yes 3
## 268 GP F R no no yes yes no 2
## 269 GP M U no yes yes yes yes 1
## 270 GP F R no yes no yes yes 1
## 271 GP F U no yes yes yes no 3
## 272 GP F U no yes yes yes yes 1
## 273 GP F U no yes no no no 1
## 274 GP M R no yes yes no yes 2
## 275 GP F U no yes no yes yes 1
## 276 GP F U yes yes no yes yes 2
## 277 GP F R no no no yes yes 1
## 278 GP M U no no yes yes no 1
## 279 GP F U yes yes yes yes yes 1
## 280 GP M U no no yes yes no 1
## 281 GP M U no no yes yes yes 2
## 282 GP M U no no no yes no 3
## 283 GP F R no yes yes no no 1
## 284 GP F U yes no yes yes no 1
## 285 GP F U no yes no yes no 1
## 286 GP M U no no no yes no 1
## 287 GP F U no yes no yes no 1
## 288 GP F U no yes no yes no 1
## 289 GP M U no no yes yes no 1
## 290 GP M U no yes yes yes no 1
## 291 GP M U no yes yes yes yes 1
## 292 GP F U no yes no yes no 1
## 293 GP F U no no no yes yes 1
## 294 GP F R no yes no no no 1
## 295 GP M R no yes yes yes no 1
## 296 GP M U no yes no yes no 1
## 297 GP F U no yes yes yes no 2
## 298 GP F U no yes no yes yes 1
## 299 GP F U no yes no yes no 1
## 300 GP M U no yes no yes yes 2
## 301 GP F U no yes no yes yes 1
## 302 GP M U no no no yes no 2
## 303 GP F U no yes no yes no 1
## 304 GP F U no yes yes yes no 1
## 305 GP M U no yes yes yes yes 1
## 306 GP F U no yes yes yes no 1
## 307 GP M U no no yes no no 1
## 308 GP M U no yes no yes yes 1
## 309 GP M R no no yes no yes 1
## 310 GP F U yes yes yes yes no 1
## 311 GP F U no no yes no yes 2
## 312 GP F U no yes no yes yes 1
## 313 GP M U no no no yes no 2
## 314 GP F U no yes no yes yes 1
## 315 GP F U no no no yes yes 1
## 316 GP F R no no no yes yes 1
## 317 GP F U no yes yes yes no 1
## 318 GP F U no yes yes yes yes 1
## 319 GP F R no yes yes yes no 2
## 320 GP F U no yes no yes no 3
## 321 GP F U no yes no yes yes 1
## 322 GP F U no yes no no yes 1
## 323 GP F R no yes yes yes no 2
## 324 GP F U no yes no yes no 2
## 325 GP F U no no no yes no 2
## 326 GP M U no no yes yes no 2
## 327 GP M U no no yes yes no 3
## 328 GP M R no yes no yes no 5
## 329 GP F U no yes yes yes no 1
## 330 GP F U no yes no yes yes 1
## 331 GP M U no yes yes yes no 2
## 332 GP F R no yes no yes yes 1
## 333 GP F U no no yes yes no 1
## 334 GP F U no no yes yes yes 1
## 335 GP F R no no yes no no 1
## 336 GP F U no no no yes no 1
## 337 GP F R no no no no no 1
## 338 GP F U no yes no yes yes 2
## 339 GP F U no yes no yes no 1
## 340 GP F R no yes no yes no 2
## 341 GP F U no no yes yes yes 1
## 342 GP M U no yes yes yes no 2
## 343 GP M U no no yes yes yes 1
## 344 GP F U no yes no yes yes 1
## 345 GP F U no yes no yes no 1
## 346 GP F U no no no yes yes 2
## 347 GP M R no no no yes yes 1
## 348 GP M U no yes no yes yes 2
## 349 GP F U no yes yes yes yes 1
## 350 MS M R no yes no yes no 5
## 351 MS M R no no no yes no 3
## 352 MS M U no yes no yes no 2
## 353 MS M U no no no yes yes 2
## 354 MS M R no yes no yes no 3
## 355 MS M R no yes yes yes yes 1
## 356 MS F U no yes no no yes 1
## 357 MS F R no yes yes yes no 1
## 358 MS F U no no no no yes 1
## 359 MS M U no no no yes yes 1
## 360 MS F U no no no yes no 1
## 361 MS F R no no no no yes 1
## 362 MS M R no no yes no no 2
## 363 MS F U no yes no yes yes 1
## 364 MS F U no yes yes yes yes 1
## 365 MS F R no no no no no 1
## 366 MS M R no yes no no no 2
## 367 MS M U no no no yes yes 2
## 368 MS F R no yes no yes yes 1
## 369 MS F U no yes no yes yes 1
## 370 MS F R no yes no yes yes 4
## 371 MS F U no no yes no yes 1
## 372 MS M R no yes yes yes yes 2
## 373 MS F U no no yes no yes 1
## 374 MS F R no no yes yes no 1
## 375 MS F R no no no yes no 1
## 376 MS F R no no no yes no 1
## 377 MS F U no yes no yes yes 1
## 378 MS F R no no yes yes no 3
## 379 MS F U no no no yes yes 1
## 380 MS F R no yes yes yes no 2
## 381 MS M U no no yes yes no 1
## 382 MS M R no no yes yes yes 1
## 383 MS M U no no yes yes no 1
## 384 MS M R no no no no no 1
## 385 MS M R no no no no no 4
## 386 MS F R no no no no no 1
## 387 MS F R no yes yes yes yes 2
## 388 MS F R no no yes yes no 1
## 389 MS F U no yes no yes no 1
## 390 MS F U no no yes no no 1
## 391 MS M U no yes no no no 4
## 392 MS M U no no no yes no 3
## 393 MS M R no no no no no 3
## 394 MS M R no no no yes no 3
## 395 MS M U no no no yes no 3
## Dalc_2
## 1 thấp
## 2 thấp
## 3 thấp
## 4 thấp
## 5 thấp
## 6 thấp
## 7 thấp
## 8 thấp
## 9 thấp
## 10 thấp
## 11 thấp
## 12 thấp
## 13 thấp
## 14 thấp
## 15 thấp
## 16 thấp
## 17 thấp
## 18 thấp
## 19 thấp
## 20 thấp
## 21 thấp
## 22 thấp
## 23 thấp
## 24 thấp
## 25 thấp
## 26 thấp
## 27 thấp
## 28 thấp
## 29 thấp
## 30 cao
## 31 cao
## 32 thấp
## 33 thấp
## 34 thấp
## 35 thấp
## 36 thấp
## 37 thấp
## 38 thấp
## 39 thấp
## 40 thấp
## 41 thấp
## 42 thấp
## 43 thấp
## 44 thấp
## 45 thấp
## 46 thấp
## 47 thấp
## 48 thấp
## 49 thấp
## 50 thấp
## 51 thấp
## 52 thấp
## 53 cao
## 54 thấp
## 55 cao
## 56 thấp
## 57 thấp
## 58 thấp
## 59 thấp
## 60 thấp
## 61 thấp
## 62 cao
## 63 thấp
## 64 thấp
## 65 thấp
## 66 thấp
## 67 cao
## 68 thấp
## 69 thấp
## 70 thấp
## 71 thấp
## 72 thấp
## 73 thấp
## 74 thấp
## 75 thấp
## 76 thấp
## 77 thấp
## 78 thấp
## 79 thấp
## 80 thấp
## 81 thấp
## 82 thấp
## 83 thấp
## 84 thấp
## 85 thấp
## 86 thấp
## 87 thấp
## 88 thấp
## 89 thấp
## 90 cao
## 91 thấp
## 92 thấp
## 93 thấp
## 94 thấp
## 95 thấp
## 96 thấp
## 97 thấp
## 98 thấp
## 99 thấp
## 100 thấp
## 101 cao
## 102 thấp
## 103 thấp
## 104 thấp
## 105 thấp
## 106 thấp
## 107 thấp
## 108 thấp
## 109 cao
## 110 thấp
## 111 thấp
## 112 thấp
## 113 thấp
## 114 thấp
## 115 thấp
## 116 thấp
## 117 thấp
## 118 thấp
## 119 thấp
## 120 thấp
## 121 thấp
## 122 thấp
## 123 thấp
## 124 thấp
## 125 thấp
## 126 cao
## 127 thấp
## 128 thấp
## 129 thấp
## 130 thấp
## 131 thấp
## 132 thấp
## 133 thấp
## 134 thấp
## 135 thấp
## 136 thấp
## 137 thấp
## 138 thấp
## 139 thấp
## 140 thấp
## 141 thấp
## 142 thấp
## 143 thấp
## 144 cao
## 145 thấp
## 146 thấp
## 147 thấp
## 148 thấp
## 149 thấp
## 150 thấp
## 151 thấp
## 152 cao
## 153 thấp
## 154 thấp
## 155 thấp
## 156 thấp
## 157 cao
## 158 thấp
## 159 thấp
## 160 cao
## 161 thấp
## 162 thấp
## 163 thấp
## 164 thấp
## 165 thấp
## 166 thấp
## 167 thấp
## 168 thấp
## 169 thấp
## 170 thấp
## 171 thấp
## 172 thấp
## 173 thấp
## 174 thấp
## 175 thấp
## 176 cao
## 177 thấp
## 178 thấp
## 179 cao
## 180 thấp
## 181 thấp
## 182 thấp
## 183 thấp
## 184 thấp
## 185 thấp
## 186 thấp
## 187 thấp
## 188 thấp
## 189 thấp
## 190 thấp
## 191 thấp
## 192 thấp
## 193 cao
## 194 cao
## 195 thấp
## 196 thấp
## 197 thấp
## 198 cao
## 199 thấp
## 200 thấp
## 201 thấp
## 202 thấp
## 203 thấp
## 204 thấp
## 205 thấp
## 206 cao
## 207 thấp
## 208 thấp
## 209 thấp
## 210 thấp
## 211 thấp
## 212 cao
## 213 thấp
## 214 thấp
## 215 thấp
## 216 thấp
## 217 thấp
## 218 thấp
## 219 thấp
## 220 thấp
## 221 thấp
## 222 thấp
## 223 thấp
## 224 cao
## 225 thấp
## 226 thấp
## 227 thấp
## 228 thấp
## 229 cao
## 230 thấp
## 231 thấp
## 232 thấp
## 233 thấp
## 234 thấp
## 235 thấp
## 236 thấp
## 237 cao
## 238 thấp
## 239 thấp
## 240 cao
## 241 thấp
## 242 thấp
## 243 thấp
## 244 thấp
## 245 thấp
## 246 thấp
## 247 thấp
## 248 cao
## 249 thấp
## 250 thấp
## 251 thấp
## 252 thấp
## 253 thấp
## 254 thấp
## 255 thấp
## 256 thấp
## 257 thấp
## 258 thấp
## 259 thấp
## 260 thấp
## 261 thấp
## 262 thấp
## 263 thấp
## 264 thấp
## 265 thấp
## 266 cao
## 267 cao
## 268 thấp
## 269 thấp
## 270 thấp
## 271 cao
## 272 thấp
## 273 thấp
## 274 thấp
## 275 thấp
## 276 thấp
## 277 thấp
## 278 thấp
## 279 thấp
## 280 thấp
## 281 thấp
## 282 cao
## 283 thấp
## 284 thấp
## 285 thấp
## 286 thấp
## 287 thấp
## 288 thấp
## 289 thấp
## 290 thấp
## 291 thấp
## 292 thấp
## 293 thấp
## 294 thấp
## 295 thấp
## 296 thấp
## 297 thấp
## 298 thấp
## 299 thấp
## 300 thấp
## 301 thấp
## 302 thấp
## 303 thấp
## 304 thấp
## 305 thấp
## 306 thấp
## 307 thấp
## 308 thấp
## 309 thấp
## 310 thấp
## 311 thấp
## 312 thấp
## 313 thấp
## 314 thấp
## 315 thấp
## 316 thấp
## 317 thấp
## 318 thấp
## 319 thấp
## 320 cao
## 321 thấp
## 322 thấp
## 323 thấp
## 324 thấp
## 325 thấp
## 326 thấp
## 327 cao
## 328 cao
## 329 thấp
## 330 thấp
## 331 thấp
## 332 thấp
## 333 thấp
## 334 thấp
## 335 thấp
## 336 thấp
## 337 thấp
## 338 thấp
## 339 thấp
## 340 thấp
## 341 thấp
## 342 thấp
## 343 thấp
## 344 thấp
## 345 thấp
## 346 thấp
## 347 thấp
## 348 thấp
## 349 thấp
## 350 cao
## 351 cao
## 352 thấp
## 353 thấp
## 354 cao
## 355 thấp
## 356 thấp
## 357 thấp
## 358 thấp
## 359 thấp
## 360 thấp
## 361 thấp
## 362 thấp
## 363 thấp
## 364 thấp
## 365 thấp
## 366 thấp
## 367 thấp
## 368 thấp
## 369 thấp
## 370 cao
## 371 thấp
## 372 thấp
## 373 thấp
## 374 thấp
## 375 thấp
## 376 thấp
## 377 thấp
## 378 cao
## 379 thấp
## 380 thấp
## 381 thấp
## 382 thấp
## 383 thấp
## 384 thấp
## 385 cao
## 386 thấp
## 387 thấp
## 388 thấp
## 389 thấp
## 390 thấp
## 391 cao
## 392 cao
## 393 cao
## 394 cao
## 395 cao3.1 Thống kê mô tả biến phụ thuộc
Lập bảng tần số và bảng tần suất
table(std$Dalc_2)##
## cao thấp
## 44 351table(std$Dalc_2)/length(std$Dalc_2)##
## cao thấp
## 0.1113924 0.8886076Lập biểu đồ
library(dplyr)## Warning: package 'dplyr' was built under R version 4.3.1##
## Attaching package: 'dplyr'## The following objects are masked from 'package:data.table':
##
## between, first, last## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyverse)## Warning: package 'tidyverse' was built under R version 4.3.1## Warning: package 'ggplot2' was built under R version 4.3.3## Warning: package 'tibble' was built under R version 4.3.1## Warning: package 'tidyr' was built under R version 4.3.1## Warning: package 'readr' was built under R version 4.3.1## Warning: package 'purrr' was built under R version 4.3.1## Warning: package 'forcats' was built under R version 4.3.1## Warning: package 'lubridate' was built under R version 4.3.1## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ readr 2.1.4
## ✔ ggplot2 3.5.1 ✔ stringr 1.5.0
## ✔ lubridate 1.9.2 ✔ tibble 3.2.1
## ✔ purrr 1.0.1 ✔ tidyr 1.3.0## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::between() masks data.table::between()
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::first() masks data.table::first()
## ✖ lubridate::hour() masks data.table::hour()
## ✖ lubridate::isoweek() masks data.table::isoweek()
## ✖ dplyr::lag() masks stats::lag()
## ✖ dplyr::last() masks data.table::last()
## ✖ lubridate::mday() masks data.table::mday()
## ✖ lubridate::minute() masks data.table::minute()
## ✖ lubridate::month() masks data.table::month()
## ✖ lubridate::quarter() masks data.table::quarter()
## ✖ lubridate::second() masks data.table::second()
## ✖ purrr::transpose() masks data.table::transpose()
## ✖ lubridate::wday() masks data.table::wday()
## ✖ lubridate::week() masks data.table::week()
## ✖ lubridate::yday() masks data.table::yday()
## ✖ lubridate::year() masks data.table::year()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsstd %>% group_by(Dalc_2) %>% summarise(n = n()) %>%
ggplot(aes(x=Dalc_2,y=n)) +
geom_col(fill = "#89CFF0")+
geom_text(aes(label =n),vjust = 1, color = "white")+
theme_bw()
Nhận xét: Biểu đồ cột và bảng ở trên thể hiện mức độ tiêu thụ rượu của sinh viên trong 1 ngày. Theo khảo sát, độ tiêu thụ rượu của sinh viên trong 1 ngày với mức độ tiêu thụ rượu cao chỉ có 44 sinh viên chiếm tỷ lệ 11.14%, còn lại 351 sinh viên với mức độ tiêu thụ rượu thấp chiếm tỷ lệ 88.86%. Như kết quả cho thấy, tại 2 ngôi trường này thì sinh viên tiêu thụ rượu cao trong 1 ngày rất là ít.
3.2 Thống kê suy diễn
3.2.1 Kiểm định tính độc lập
Phương pháp Chi bình phương
\[\chi^2 = \sum_{i,j} \frac{(n_{ij} -\hat{\mu}_{ij})^2}{\hat{\mu}_{ij}}\]
Với \(n_{i,j}\) là giá trị của ô \(i,j,\hat{\mu}_{ij}=\frac{n_{i+} \cdot n_{+j}}{n}\)
Biến Dalc_2 và school
Giả thuyết:
\(H_0\): Dalc_2 và school độc lập
\(H_1\): Dalc_2 và school không độc lập
mtht <- table(std$Dalc_2, std$school)
chisq.test(mtht)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: mtht
## X-squared = 7.1839, df = 1, p-value = 0.007356Nhận xét: Qua kết quả kiểm định cho thấy p−value = 0.007356 < 0.05, bác bỏ \(H_0\), nghĩa là giữa việc sinh viên học ở trường nào và mức độ tiêu thụ rượu là có liên quan với nhau.
Biến Dalc_2 và sex
Giả thuyết:
\(H_0\): Dalc_2 và sex độc lập
\(H_1\): Dalc_2 và sex không độc lập
mtht <- table(std$Dalc_2, std$sex)
chisq.test(mtht)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: mtht
## X-squared = 22.078, df = 1, p-value = 2.618e-06Nhận xét: Qua kết quả kiểm định cho thấy p−value = 2.618e-06 < 0.05, bác bỏ \(H_0\), nghĩa là giữa giới tính của sinh viên và mức độ tiêu thụ rượu là có liên quan với nhau.
Biến Dalc_2 và address
Giả thuyết:
\(H_0\): Dalc_2 và address độc lập
\(H_1\): Dalc_2 và address không độc lập
mtht <- table(std$Dalc_2, std$address)
chisq.test(mtht)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: mtht
## X-squared = 3.2594, df = 1, p-value = 0.07101Nhận xét: Qua kết quả kiểm định cho thấy p−value = 0.07101 > 0.05, chưa đủ cơ sở bác bỏ \(H_0\), nghĩa là giữa nơi ở của sinh viên và mức độ tiêu thụ rượu không có liên quan với nhau.
Biến Dalc_2 và schoolsup
Giả thuyết:
\(H_0\): Dalc_2 và schoolsup độc lập
\(H_1\): Dalc_2 và schoolsup không độc lập
mtht <- table(std$Dalc_2, std$schoolsup)
chisq.test(mtht)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: mtht
## X-squared = 0.31726, df = 1, p-value = 0.5733Nhận xét: Qua kết quả kiểm định cho thấy p−value = 0.5733 > 0.05, chưa đủ cơ sở bác bỏ \(H_0\), nghĩa là giữa việc hỗ trợ giáo dục bổ sung cho sinh viên và mức độ tiêu thụ rượu không có liên quan với nhau.
Biến Dalc_2 và famsup
Giả thuyết:
\(H_0\): Dalc_2 và famsup độc lập
\(H_1\): Dalc_2 và famsup không độc lập
mtht <- table(std$Dalc_2, std$famsup)
chisq.test(mtht)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: mtht
## X-squared = 1.288, df = 1, p-value = 0.2564Nhận xét: Qua kết quả kiểm định cho ta p−value = 0.2564 > 0.05, chưa đủ cơ sở bác bỏ \(H_0\), nghĩa là giữa việc hỗ trợ giáo dục gia đình và mức độ tiêu thụ rượu không có liên quan với nhau.
Biến Dalc_2 và activities
Giả thuyết:
\(H_0\): Dalc_2 và activities độc lập
\(H_1\): Dalc_2 và activities không độc lập
mtht <- table(std$Dalc_2, std$activities)
chisq.test(mtht)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: mtht
## X-squared = 1.5485, df = 1, p-value = 0.2134Nhận xét: Qua kết quả kiểm định cho ta p−value = 0.2134 > 0.05, chưa đủ cơ sở bác bỏ \(H_0\), nghĩa là giữa việc hoạt động ngoại khóa của sinh viên và mức độ tiêu thụ rượu không có liên quan với nhau.
Biến Dalc_2 và internet
Giả thuyết:
\(H_0\): Dalc_2 và internet độc lập
\(H_1\): Dalc_2 và internet không độc lập
mtht <- table(std$Dalc_2, std$internet)
chisq.test(mtht)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: mtht
## X-squared = 1.7168e-30, df = 1, p-value = 1Nhận xét: Qua kết quả kiểm định cho ta p−value = 1 > 0.05, chưa đủ cơ sở bác bỏ \(H_0\), nghĩa là giữa việc sử dụng mạng tại nhà của sinh viên và mức độ tiêu thụ rượu không có liên quan với nhau.
Biến Dalc_2 và romantic
Giả thuyết:
\(H_0\): Dalc_2 và romantic độc lập
\(H_1\): Dalc_2 và sex romantic độc lập
mtht <- table(std$Dalc_2, std$romantic)
chisq.test(mtht)##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: mtht
## X-squared = 0.0047742, df = 1, p-value = 0.9449Nhận xét: Qua kết quả kiểm định cho ta p−value = 0.9449 > 0.05, chưa đủ cơ sở bác bỏ \(H_0\), nghĩa là giữa mối quan hệ tình cảm của sinh viên và mức độ tiêu thụ rượu không có liên quan với nhau.
Kết luận: Chỉ có biến school (trường học) và sex (giới tính) là có ảnh hưởng tới biến Dalc_2. Tiếp theo, nhóm tiến hành mô tả 2 biến, từ đó đưa ra cái nhìn khái quát hơn về mức độ ảnh hưởng lên biến Dalc_2.
3.3 Thống kê mô tả 2 biến
3.3.1 Biến Dalc_2 và school
Lập bảng tần số và bảng tần suất
htnh <- table(std$Dalc_2,std$school)
addmargins(htnh)##
## GP MS Sum
## cao 33 11 44
## thấp 316 35 351
## Sum 349 46 395htnh <- prop.table(htnh)
addmargins(htnh)##
## GP MS Sum
## cao 0.08354430 0.02784810 0.11139241
## thấp 0.80000000 0.08860759 0.88860759
## Sum 0.88354430 0.11645570 1.00000000Lập biểu đồ
std %>%
group_by(Dalc_2, school) %>%
summarise(n = n()) %>%
ggplot(aes(x = Dalc_2, y = n, fill = school)) +
geom_col(position = 'dodge') +
geom_text(aes(label = scales::percent(n / sum(n), accuracy = 0.01), y = n + 0.5), position = position_dodge(width = 0.9), vjust = 0) +
theme_bw()## `summarise()` has grouped output by 'Dalc_2'. You can override using the
## `.groups` argument.
Nhận xét: Bảng và biểu đồ trên cho thấy ở trường GP có 33 sinh viên có mức tiêu thụ rượu cao chiếm tỷ lệ 8.35%, còn lại 316 sinh viên có mức tiêu thụ rượu thấp chiếm tỷ lệ 80%; ở trường MS có 11 sinh viên có mức tiêu thụ rượu cao chiếm tỷ lệ 2.78%, còn lại 35 sinh viên có mức tiêu thụ rượu thấp chiếm 8.86%. Tóm lại thì cả hai trường đều có số lượng ít sinh viên có mức tiêu thụ rượu cao, đa số đều tiêu thụ rượu thấp hoặc hầu như là không tiêu thụ.
3.3.2 Biến Dalc_2 và sex
Lập bảng tần số và bảng tần suất
htnh <- table(std$Dalc_2,std$sex)
addmargins(htnh)##
## F M Sum
## cao 8 36 44
## thấp 200 151 351
## Sum 208 187 395htnh <- prop.table(htnh)
addmargins(htnh)##
## F M Sum
## cao 0.02025316 0.09113924 0.11139241
## thấp 0.50632911 0.38227848 0.88860759
## Sum 0.52658228 0.47341772 1.00000000Lập biểu đồ
std %>%
group_by(Dalc_2, sex) %>%
summarise(n = n()) %>%
ggplot(aes(x = Dalc_2, y = n, fill = sex)) +
geom_col(position = 'dodge') +
geom_text(aes(label = scales::percent(n / sum(n), accuracy = 0.01), y = n + 0.5), position = position_dodge(width = 0.9), vjust = 0) +
theme_bw()## `summarise()` has grouped output by 'Dalc_2'. You can override using the
## `.groups` argument.
Nhận xét: Bảng và biểu đồ trên cho thấy ở giới tính nữ có 8 sinh viên có mức tiêu thụ rượu cao chiếm tỷ lệ 2.03%, còn lại 200 sinh viên nữ có mức tiêu thụ rượu thấp chiếm tỷ lệ 50.63%%; ở giới tính nam có 36 sinh viên có mức tiêu thụ rượu cao chiếm tỷ lệ 9.11%, còn lại 151 sinh viên nam có mức tiêu thụ rượu thấp chiếm 38.23%. Tóm lại thì cả hai giới tính đều có số lượng ít sinh viên có mức tiêu thụ rượu cao, đa số đều tiêu thụ rượu thấp hoặc hầu như là không tiêu thụ.
3.4 Relative Risk và khoảng ước lượng cho Relative Risk
3.4.1 Biến Dalc_2 và school
library(DescTools)## Warning: package 'DescTools' was built under R version 4.3.3##
## Attaching package: 'DescTools'## The following object is masked from 'package:data.table':
##
## %like%table(std$Dalc_2,std$school)##
## GP MS
## cao 33 11
## thấp 316 35mtht <- table(std$Dalc_2,std$school)
RelRisk(mtht, conf.level = .95)## rel. risk lwr.ci upr.ci
## 0.8330696 0.6711519 0.9549721Nhận xét:
Relative Risk của Dalc_2 và school là 0.8330696 nhỏ hơn 1. Điều này có nghĩa là sinh viên trường GP có mức độ tiêu thụ rượu cao nhiều hơn so với trường MS (mức độ tiêu thụ rượu cao ở trường GP bằng 0.833 lần so với trường MS).
Khoảng tin cậy này cho thấy rằng, với mức độ tin cậy (thường là 95%), mức độ tiêu thụ rượu thực sự nằm trong khoảng từ 0.6711519 đến 0.9549721. Kết quả này cho thấy có ý nghĩa thống kê về mức độ tiêu thụ rượu cao ở cả hai trường.
3.4.2 Biến Dalc_2 và sex
library(DescTools)
table(std$Dalc_2,std$sex)##
## F M
## cao 8 36
## thấp 200 151mtht <- table(std$Dalc_2,std$sex)
RelRisk(mtht, conf.level = .95)## rel. risk lwr.ci upr.ci
## 0.3190909 0.1659926 0.5656633Nhận xét:
Relative Risk của Dalc_2 và sex là 0.3190909 nhỏ hơn 1. Điều này có nghĩa là sinh viên nữ có mức độ tiêu thụ rượu cao ít hơn so với sinh viên nam (mức độ tiêu thụ rượu cao ở sinh viên nữ bằng 0.319 lần so với sinh viên nam).
Khoảng tin cậy này cho thấy rằng, với mức độ tin cậy (thường là 95%), mức độ tiêu thụ rượu thực sự nằm trong khoảng từ 0.1659926 đến 0.5656633. Kết quả này cho thấy có ý nghĩa thống kê về mức độ tiêu thụ rượu cao ở giới tính nữ và nam.
3.5 Odds ratio và khoảng ước lượng cho Odds ratio
3.5.1 Biến Dalc_2 và school
table(std$Dalc_2,std$school)##
## GP MS
## cao 33 11
## thấp 316 35ntnh <- table(std$Dalc_2,std$school)
OddsRatio(ntnh,conf.level = .95)## odds ratio lwr.ci upr.ci
## 0.3322785 0.1543865 0.7151466Nhận xét:
Odds ratio của Dalc_2 và school là 0.3322785 nhỏ hơn 1. Điều này có nghĩa là tỷ lệ chênh của sinh viên tiêu thụ rượu cao tại trường GP so với trường MS là 0.332, tức là sinh viên tại trường GP có tỷ lệ tiêu thụ rượu cao thấp hơn so với sinh viên tại trường MS.
Khoảng tin cậy này cho thấy rằng, với mức độ tin cậy (thường là 95%), odds ratio thực sự nằm trong khoảng từ 0.1543865 đến 0.7151466. Kết quả này có ý nghĩa thống kê.
3.5.2 Biến Dalc_2 và sex
table(std$Dalc_2,std$sex)##
## F M
## cao 8 36
## thấp 200 151ntnh <- table(std$Dalc_2,std$sex)
OddsRatio(ntnh,conf.level = .95)## odds ratio lwr.ci upr.ci
## 0.16777778 0.07578856 0.37141995Nhận xét:
Odds ratio của Dalc_2 và sex là 0.16777778 nhỏ hơn 1. Điều này có nghĩa là tỷ lệ chênh của sinh viên tiêu thụ rượu cao là nữ so với nam là 0.167, tức là sinh viên nữ có tỷ lệ tiêu thụ rượu cao thấp hơn so với sinh viên nam.
Khoảng tin cậy này cho thấy rằng, với mức độ tin cậy (thường là 95%), odds ratio thực sự nằm trong khoảng từ 0.07578856 đến 0.37141995. Kết quả này có ý nghĩa thống kê.
3.6 Khoảng ước lượng tỷ lệ
library(tidyverse)
tn <- std %>% select(Dalc_2, school, sex)
tn <- tn %>% mutate(Dalc_c = if_else(Dalc_2 =="cao", 1, 0))
print(tn)## Dalc_2 school sex Dalc_c
## 1 thấp GP F 0
## 2 thấp GP F 0
## 3 thấp GP F 0
## 4 thấp GP F 0
## 5 thấp GP F 0
## 6 thấp GP M 0
## 7 thấp GP M 0
## 8 thấp GP F 0
## 9 thấp GP M 0
## 10 thấp GP M 0
## 11 thấp GP F 0
## 12 thấp GP F 0
## 13 thấp GP M 0
## 14 thấp GP M 0
## 15 thấp GP M 0
## 16 thấp GP F 0
## 17 thấp GP F 0
## 18 thấp GP F 0
## 19 thấp GP M 0
## 20 thấp GP M 0
## 21 thấp GP M 0
## 22 thấp GP M 0
## 23 thấp GP M 0
## 24 thấp GP M 0
## 25 thấp GP F 0
## 26 thấp GP F 0
## 27 thấp GP M 0
## 28 thấp GP M 0
## 29 thấp GP M 0
## 30 cao GP M 1
## 31 cao GP M 1
## 32 thấp GP M 0
## 33 thấp GP M 0
## 34 thấp GP M 0
## 35 thấp GP M 0
## 36 thấp GP F 0
## 37 thấp GP M 0
## 38 thấp GP M 0
## 39 thấp GP F 0
## 40 thấp GP F 0
## 41 thấp GP F 0
## 42 thấp GP M 0
## 43 thấp GP M 0
## 44 thấp GP M 0
## 45 thấp GP F 0
## 46 thấp GP F 0
## 47 thấp GP F 0
## 48 thấp GP M 0
## 49 thấp GP M 0
## 50 thấp GP F 0
## 51 thấp GP F 0
## 52 thấp GP F 0
## 53 cao GP M 1
## 54 thấp GP F 0
## 55 cao GP F 1
## 56 thấp GP F 0
## 57 thấp GP F 0
## 58 thấp GP M 0
## 59 thấp GP M 0
## 60 thấp GP F 0
## 61 thấp GP F 0
## 62 cao GP F 1
## 63 thấp GP F 0
## 64 thấp GP F 0
## 65 thấp GP F 0
## 66 thấp GP F 0
## 67 cao GP M 1
## 68 thấp GP F 0
## 69 thấp GP F 0
## 70 thấp GP F 0
## 71 thấp GP M 0
## 72 thấp GP M 0
## 73 thấp GP F 0
## 74 thấp GP M 0
## 75 thấp GP F 0
## 76 thấp GP M 0
## 77 thấp GP M 0
## 78 thấp GP F 0
## 79 thấp GP M 0
## 80 thấp GP F 0
## 81 thấp GP M 0
## 82 thấp GP M 0
## 83 thấp GP F 0
## 84 thấp GP M 0
## 85 thấp GP F 0
## 86 thấp GP F 0
## 87 thấp GP F 0
## 88 thấp GP F 0
## 89 thấp GP M 0
## 90 cao GP M 1
## 91 thấp GP F 0
## 92 thấp GP F 0
## 93 thấp GP F 0
## 94 thấp GP F 0
## 95 thấp GP M 0
## 96 thấp GP F 0
## 97 thấp GP M 0
## 98 thấp GP F 0
## 99 thấp GP F 0
## 100 thấp GP F 0
## 101 cao GP M 1
## 102 thấp GP M 0
## 103 thấp GP M 0
## 104 thấp GP F 0
## 105 thấp GP M 0
## 106 thấp GP F 0
## 107 thấp GP F 0
## 108 thấp GP M 0
## 109 cao GP M 1
## 110 thấp GP F 0
## 111 thấp GP M 0
## 112 thấp GP F 0
## 113 thấp GP F 0
## 114 thấp GP M 0
## 115 thấp GP M 0
## 116 thấp GP M 0
## 117 thấp GP M 0
## 118 thấp GP M 0
## 119 thấp GP M 0
## 120 thấp GP M 0
## 121 thấp GP F 0
## 122 thấp GP M 0
## 123 thấp GP F 0
## 124 thấp GP M 0
## 125 thấp GP F 0
## 126 cao GP M 1
## 127 thấp GP F 0
## 128 thấp GP F 0
## 129 thấp GP M 0
## 130 thấp GP M 0
## 131 thấp GP F 0
## 132 thấp GP F 0
## 133 thấp GP F 0
## 134 thấp GP F 0
## 135 thấp GP M 0
## 136 thấp GP F 0
## 137 thấp GP M 0
## 138 thấp GP F 0
## 139 thấp GP M 0
## 140 thấp GP F 0
## 141 thấp GP M 0
## 142 thấp GP M 0
## 143 thấp GP F 0
## 144 cao GP F 1
## 145 thấp GP M 0
## 146 thấp GP F 0
## 147 thấp GP F 0
## 148 thấp GP F 0
## 149 thấp GP M 0
## 150 thấp GP M 0
## 151 thấp GP M 0
## 152 cao GP M 1
## 153 thấp GP F 0
## 154 thấp GP M 0
## 155 thấp GP F 0
## 156 thấp GP M 0
## 157 cao GP M 1
## 158 thấp GP F 0
## 159 thấp GP M 0
## 160 cao GP M 1
## 161 thấp GP M 0
## 162 thấp GP M 0
## 163 thấp GP M 0
## 164 thấp GP M 0
## 165 thấp GP M 0
## 166 thấp GP M 0
## 167 thấp GP M 0
## 168 thấp GP F 0
## 169 thấp GP F 0
## 170 thấp GP F 0
## 171 thấp GP M 0
## 172 thấp GP M 0
## 173 thấp GP M 0
## 174 thấp GP F 0
## 175 thấp GP F 0
## 176 cao GP M 1
## 177 thấp GP F 0
## 178 thấp GP M 0
## 179 cao GP M 1
## 180 thấp GP M 0
## 181 thấp GP M 0
## 182 thấp GP M 0
## 183 thấp GP F 0
## 184 thấp GP F 0
## 185 thấp GP F 0
## 186 thấp GP M 0
## 187 thấp GP M 0
## 188 thấp GP M 0
## 189 thấp GP F 0
## 190 thấp GP M 0
## 191 thấp GP F 0
## 192 thấp GP F 0
## 193 cao GP M 1
## 194 cao GP M 1
## 195 thấp GP M 0
## 196 thấp GP F 0
## 197 thấp GP M 0
## 198 cao GP M 1
## 199 thấp GP F 0
## 200 thấp GP F 0
## 201 thấp GP F 0
## 202 thấp GP F 0
## 203 thấp GP F 0
## 204 thấp GP F 0
## 205 thấp GP F 0
## 206 cao GP F 1
## 207 thấp GP F 0
## 208 thấp GP F 0
## 209 thấp GP F 0
## 210 thấp GP F 0
## 211 thấp GP F 0
## 212 cao GP M 1
## 213 thấp GP F 0
## 214 thấp GP M 0
## 215 thấp GP F 0
## 216 thấp GP F 0
## 217 thấp GP F 0
## 218 thấp GP M 0
## 219 thấp GP F 0
## 220 thấp GP F 0
## 221 thấp GP F 0
## 222 thấp GP F 0
## 223 thấp GP F 0
## 224 cao GP M 1
## 225 thấp GP F 0
## 226 thấp GP F 0
## 227 thấp GP F 0
## 228 thấp GP M 0
## 229 cao GP M 1
## 230 thấp GP F 0
## 231 thấp GP F 0
## 232 thấp GP M 0
## 233 thấp GP M 0
## 234 thấp GP M 0
## 235 thấp GP M 0
## 236 thấp GP M 0
## 237 cao GP M 1
## 238 thấp GP F 0
## 239 thấp GP F 0
## 240 cao GP M 1
## 241 thấp GP M 0
## 242 thấp GP M 0
## 243 thấp GP M 0
## 244 thấp GP M 0
## 245 thấp GP F 0
## 246 thấp GP M 0
## 247 thấp GP M 0
## 248 cao GP M 1
## 249 thấp GP M 0
## 250 thấp GP M 0
## 251 thấp GP M 0
## 252 thấp GP M 0
## 253 thấp GP M 0
## 254 thấp GP M 0
## 255 thấp GP M 0
## 256 thấp GP M 0
## 257 thấp GP F 0
## 258 thấp GP M 0
## 259 thấp GP M 0
## 260 thấp GP F 0
## 261 thấp GP F 0
## 262 thấp GP M 0
## 263 thấp GP M 0
## 264 thấp GP F 0
## 265 thấp GP F 0
## 266 cao GP M 1
## 267 cao GP M 1
## 268 thấp GP F 0
## 269 thấp GP M 0
## 270 thấp GP F 0
## 271 cao GP F 1
## 272 thấp GP F 0
## 273 thấp GP F 0
## 274 thấp GP M 0
## 275 thấp GP F 0
## 276 thấp GP F 0
## 277 thấp GP F 0
## 278 thấp GP M 0
## 279 thấp GP F 0
## 280 thấp GP M 0
## 281 thấp GP M 0
## 282 cao GP M 1
## 283 thấp GP F 0
## 284 thấp GP F 0
## 285 thấp GP F 0
## 286 thấp GP M 0
## 287 thấp GP F 0
## 288 thấp GP F 0
## 289 thấp GP M 0
## 290 thấp GP M 0
## 291 thấp GP M 0
## 292 thấp GP F 0
## 293 thấp GP F 0
## 294 thấp GP F 0
## 295 thấp GP M 0
## 296 thấp GP M 0
## 297 thấp GP F 0
## 298 thấp GP F 0
## 299 thấp GP F 0
## 300 thấp GP M 0
## 301 thấp GP F 0
## 302 thấp GP M 0
## 303 thấp GP F 0
## 304 thấp GP F 0
## 305 thấp GP M 0
## 306 thấp GP F 0
## 307 thấp GP M 0
## 308 thấp GP M 0
## 309 thấp GP M 0
## 310 thấp GP F 0
## 311 thấp GP F 0
## 312 thấp GP F 0
## 313 thấp GP M 0
## 314 thấp GP F 0
## 315 thấp GP F 0
## 316 thấp GP F 0
## 317 thấp GP F 0
## 318 thấp GP F 0
## 319 thấp GP F 0
## 320 cao GP F 1
## 321 thấp GP F 0
## 322 thấp GP F 0
## 323 thấp GP F 0
## 324 thấp GP F 0
## 325 thấp GP F 0
## 326 thấp GP M 0
## 327 cao GP M 1
## 328 cao GP M 1
## 329 thấp GP F 0
## 330 thấp GP F 0
## 331 thấp GP M 0
## 332 thấp GP F 0
## 333 thấp GP F 0
## 334 thấp GP F 0
## 335 thấp GP F 0
## 336 thấp GP F 0
## 337 thấp GP F 0
## 338 thấp GP F 0
## 339 thấp GP F 0
## 340 thấp GP F 0
## 341 thấp GP F 0
## 342 thấp GP M 0
## 343 thấp GP M 0
## 344 thấp GP F 0
## 345 thấp GP F 0
## 346 thấp GP F 0
## 347 thấp GP M 0
## 348 thấp GP M 0
## 349 thấp GP F 0
## 350 cao MS M 1
## 351 cao MS M 1
## 352 thấp MS M 0
## 353 thấp MS M 0
## 354 cao MS M 1
## 355 thấp MS M 0
## 356 thấp MS F 0
## 357 thấp MS F 0
## 358 thấp MS F 0
## 359 thấp MS M 0
## 360 thấp MS F 0
## 361 thấp MS F 0
## 362 thấp MS M 0
## 363 thấp MS F 0
## 364 thấp MS F 0
## 365 thấp MS F 0
## 366 thấp MS M 0
## 367 thấp MS M 0
## 368 thấp MS F 0
## 369 thấp MS F 0
## 370 cao MS F 1
## 371 thấp MS F 0
## 372 thấp MS M 0
## 373 thấp MS F 0
## 374 thấp MS F 0
## 375 thấp MS F 0
## 376 thấp MS F 0
## 377 thấp MS F 0
## 378 cao MS F 1
## 379 thấp MS F 0
## 380 thấp MS F 0
## 381 thấp MS M 0
## 382 thấp MS M 0
## 383 thấp MS M 0
## 384 thấp MS M 0
## 385 cao MS M 1
## 386 thấp MS F 0
## 387 thấp MS F 0
## 388 thấp MS F 0
## 389 thấp MS F 0
## 390 thấp MS F 0
## 391 cao MS M 1
## 392 cao MS M 1
## 393 cao MS M 1
## 394 cao MS M 1
## 395 cao MS M 13.6.1 Ước lượng tỷ lệ cho biến school
Nhóm trường GP
GP <- table(tn[tn$school == "GP",] $Dalc_c)
GP##
## 0 1
## 316 33prop.test(GP["1"],sum(GP), p = 0.5)##
## 1-sample proportions test with continuity correction
##
## data: GP["1"] out of sum(GP), null probability 0.5
## X-squared = 227.86, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.06690885 0.13143677
## sample estimates:
## p
## 0.09455587Nhận xét: Tỷ lệ cho thấy mức độ tiêu thụ rượu cao trong nhóm trường GP khoảng 9.45%. Khoảng ước lượng tỷ lệ với độ tin cậy 95% là 6.69% đến 13.14%.
Nhóm trường MS
MS <- table(tn[tn$school == "MS",] $Dalc_c)
MS##
## 0 1
## 35 11prop.test(MS["1"],sum(MS), p = 0.5)##
## 1-sample proportions test with continuity correction
##
## data: MS["1"] out of sum(MS), null probability 0.5
## X-squared = 11.5, df = 1, p-value = 0.000696
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.1308166 0.3910163
## sample estimates:
## p
## 0.2391304Nhận xét: Tỷ lệ cho thấy mức độ tiêu thụ rượu cao trong nhóm trường MS khoảng 23.91%. Khoảng ước lượng tỷ lệ với độ tin cậy 95% là 13.08% đến 39.1%.
3.6.2 Ước lượng tỷ lệ cho biến sex
Nhóm giới tính nam
M <- table(tn[tn$sex == "M",] $Dalc_c)
M##
## 0 1
## 151 36prop.test(M["1"],sum(M), p = 0.5)##
## 1-sample proportions test with continuity correction
##
## data: M["1"] out of sum(M), null probability 0.5
## X-squared = 69.497, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.1400932 0.2578887
## sample estimates:
## p
## 0.1925134Nhận xét: Tỷ lệ cho thấy mức độ tiêu thụ rượu cao trong nhóm giới tính nam khoảng 19.25%. Khoảng ước lượng tỷ lệ với độ tin cậy 95% là 14% đến 25.79%.
Nhóm giới tính nữ
F <- table(tn[tn$sex == "F",] $Dalc_c)
F##
## 0 1
## 200 8prop.test(F["1"],sum(F), p = 0.5)##
## 1-sample proportions test with continuity correction
##
## data: F["1"] out of sum(F), null probability 0.5
## X-squared = 175.39, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.01799314 0.07712098
## sample estimates:
## p
## 0.03846154Nhận xét: Tỷ lệ cho thấy mức độ tiêu thụ rượu cao trong nhóm giới tính nữ khoảng 3.85%. Khoảng ước lượng tỷ lệ với độ tin cậy 95% là 1.8% đến 7.71%.
3.7 Mô hình hồi quy đơn
3.7.1 Mô hình xác suất tuyến tính
Biến school
lpm.ML <- glm(Dalc_c ~ school, data = tn)
summary(lpm.ML)##
## Call:
## glm(formula = Dalc_c ~ school, data = tn)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.09456 0.01670 5.662 2.89e-08 ***
## schoolMS 0.14457 0.04894 2.954 0.00332 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.09732626)
##
## Null deviance: 39.099 on 394 degrees of freedom
## Residual deviance: 38.249 on 393 degrees of freedom
## AIC: 204.73
##
## Number of Fisher Scoring iterations: 2Nhận xét: \[\hat{\pi}=0.09456 + 0.14457 \cdot schoolMS\] Có thể nhận thấy, với giá trị \(\beta_1 = 0.14457\) cho biết xác suất để có mức tiêu thụ rượu cao của sinh viên học trường MS cao hơn sinh viên học trường GP là 0.14457. Từ đó kết luận trường học có ảnh hưởng đến mức độ tiêu thụ rượu cao.
Biến sex
lpm.ML <- glm(Dalc_c ~ sex, data = tn)
summary(lpm.ML)##
## Call:
## glm(formula = Dalc_c ~ sex, data = tn)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.03846 0.02121 1.814 0.0705 .
## sexM 0.15405 0.03082 4.998 8.73e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.09354154)
##
## Null deviance: 39.099 on 394 degrees of freedom
## Residual deviance: 36.762 on 393 degrees of freedom
## AIC: 189.06
##
## Number of Fisher Scoring iterations: 2Nhận xét: \[\hat{\pi}=0.03846 + 0.15405 \cdot sexM\] Có thể nhận thấy, với \(\beta_1 = 0.15405\) cho biết xác suất để có mức tiêu thụ rượu cao của người có giới tính là nam cao hơn người có giới tính nữ là 0.15405. Từ đó kết luận giới tính có ảnh hưởng đến mức độ tiêu thụ rượu cao.
3.7.2 Mô hình Logit
Biến school
reglogit_school <- glm (Dalc_c ~ school, data = tn, family = binomial(link = 'logit'))
summary(reglogit_school)##
## Call:
## glm(formula = Dalc_c ~ school, family = binomial(link = "logit"),
## data = tn)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -2.2592 0.1829 -12.349 < 2e-16 ***
## schoolMS 1.1018 0.3911 2.817 0.00484 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 276.04 on 394 degrees of freedom
## Residual deviance: 269.05 on 393 degrees of freedom
## AIC: 273.05
##
## Number of Fisher Scoring iterations: 5Nhận xét: \[ln\left[\frac{\hat\pi}{1-\hat\pi}\right]=-2.2592+ 1.1018 \cdot schoolMS\] Có thể nhận thấy, với giá trị \(\beta_0 = -2.2592\), có nghĩa là \(ln\left[\frac{\hat\pi}{1-\hat\pi}\right]\) của sinh viên học trường GP có mức độ tiêu thụ rượu cao là -2.2592. Với \(\beta_1 = 1.1018\), hệ số này có nghĩa là đối với việc tiêu thụ rượu cao thì chênh lệch \(ln\left[\frac{\hat\pi}{1-\hat\pi}\right]\) của trường Ms và trường GP là 1.1018.
Khoảng tin cậy cho các hệ số trong mô hình được tính như sau:
confint(reglogit_school)## Waiting for profiling to be done...## 2.5 % 97.5 %
## (Intercept) -2.6363966 -1.916932
## schoolMS 0.3007992 1.846827Nhận xét: Với độ tin cậy 95%, giá trị thực của Intercept nằm trong khoảng từ -2.6363966 đến -1.916932, giá trị thực của tham số schoolMS nằm trong khoảng từ 0.3007992 đến 1.846827, cho thấy biến school có thể có ảnh hưởng đáng kể và có ý nghĩa thống kê trong mô hình. Và với khoảng tin cậy âm cho thấy ở trường GP có sinh viên tiêu thụ rượu cao ít hơn so với trường MS.
Biến sex
reglogit_sex <- glm (Dalc_c ~ sex, data = tn, family = binomial(link = 'logit'))
summary(reglogit_sex)##
## Call:
## glm(formula = Dalc_c ~ sex, family = binomial(link = "logit"),
## data = tn)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -3.2189 0.3606 -8.928 < 2e-16 ***
## sexM 1.7851 0.4055 4.403 1.07e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 276.04 on 394 degrees of freedom
## Residual deviance: 251.02 on 393 degrees of freedom
## AIC: 255.02
##
## Number of Fisher Scoring iterations: 6Nhận xét: \[ln\left[\frac{\hat\pi}{1-\hat\pi}\right]=-3.2189+ 1.7851 \cdot sexM\] Có thể nhận thấy, với giá trị \(\beta_0 = -3.2189\), có nghĩa là \(ln\left[\frac{\hat\pi}{1-\hat\pi}\right]\) của sinh viên giới tính nữ có mức độ tiêu thụ rượu cao là -3.2189. Với \(\beta_1 = 1.7851\), hệ số này có nghĩa là đối với việc tiêu thụ rượu cao thì chênh lệch \(ln\left[\frac{\hat\pi}{1-\hat\pi}\right]\) của sinh viên giới tính nam và sinh viên giới tính nữ là 1.7851.
Khoảng tin cậy cho các hệ số trong mô hình được tính như sau:
confint(reglogit_sex)## Waiting for profiling to be done...## 2.5 % 97.5 %
## (Intercept) -4.012745 -2.580534
## sexM 1.039153 2.649010Nhận xét: Với độ tin cậy 95%, giá trị thực của Intercept nằm trong khoảng từ -4.012745 đến -2.580534, giá trị thực của tham số sexM nằm trong khoảng từ 1.039153 đến 2.649010, cho thấy biến sex có thể có ảnh hưởng đáng kể và có ý nghĩa thống kê trong mô hình. Và với khoảng tin cậy âm cho thấy ở giới tính nữ có sinh viên tiêu thụ rượu cao ít hơn so với giới tính nam.
3.7.3 Mô hình Probit
Biến school
regprobit_school <- glm (Dalc_c ~ school, data = tn, family = binomial(link = 'probit'))
summary(regprobit_school)##
## Call:
## glm(formula = Dalc_c ~ school, family = binomial(link = "probit"),
## data = tn)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.31321 0.09299 -14.123 < 2e-16 ***
## schoolMS 0.60411 0.22302 2.709 0.00675 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 276.04 on 394 degrees of freedom
## Residual deviance: 269.05 on 393 degrees of freedom
## AIC: 273.05
##
## Number of Fisher Scoring iterations: 4Nhận xét: \[\hat\pi= \Phi(-1.31321+0.60411 \cdot schoolMS)\] Có thể nhận thấy, với giá trị \(\beta_0 = -1.31321\), có nghĩa là xác suất để sinh viên học trường GP có mức tiêu thụ rượu cao là \(\Phi(-1.31321)\). Với \(\beta_1 = 0.60411\), hệ số này có nghĩa là đối với trường MS, xác suất để sinh viên tiêu thụ rượu cao là \(\Phi(0.60411)\).
Khoảng tin cậy cho các hệ số trong mô hình được tính như sau:
confint(regprobit_school)## Waiting for profiling to be done...## 2.5 % 97.5 %
## (Intercept) -1.4998092 -1.134926
## schoolMS 0.1593379 1.035108Nhận xét: Với độ tin cậy 95%, giá trị thực của Intercept nằm trong khoảng từ -1.4998092 đến -1.134926, giá trị thực của tham số schoolMS nằm trong khoảng từ 0.1593379 đến 1.035108, cho thấy biến school có thể có ảnh hưởng đáng kể và có ý nghĩa thống kê trong mô hình. Và với khoảng tin cậy âm cho thấy ở trường GP có sinh viên tiêu thụ rượu cao ít hơn so với trường MS.
Biến sex
regprobit_sex <- glm (Dalc_c ~ sex, data = tn, family = binomial(link = 'probit'))
summary(regprobit_sex)##
## Call:
## glm(formula = Dalc_c ~ sex, family = binomial(link = "probit"),
## data = tn)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.7688 0.1597 -11.073 < 2e-16 ***
## sexM 0.9002 0.1914 4.703 2.56e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 276.04 on 394 degrees of freedom
## Residual deviance: 251.02 on 393 degrees of freedom
## AIC: 255.02
##
## Number of Fisher Scoring iterations: 5Nhận xét: \[\hat\pi= \Phi(-1.7688+ 0.9002 \cdot sexM)\] Có thể nhận thấy, với giá trị \(\beta_0 = -1.7688\), có nghĩa là xác suất để sinh viên nữ có mức tiêu thụ rượu cao là \(\Phi(-1.7688)\). Với \(\beta_1 = 0.9002\), hệ số này có nghĩa là đối với giới tính nam, xác suất để sinh viên tiêu thụ rượu cao là \(\Phi(0.9002)\).
Khoảng tin cậy cho các hệ số trong mô hình được tính như sau:
confint(regprobit_sex)## Waiting for profiling to be done...## 2.5 % 97.5 %
## (Intercept) -2.1023322 -1.472758
## sexM 0.5356466 1.288952Nhận xét: Với độ tin cậy 95%, giá trị thực của Intercept nằm trong khoảng từ -2.1023322 đến -1.472758, giá trị thực của tham số sexM nằm trong khoảng từ 0.5356466 đến 1.288952, cho thấy biến sex có thể có ảnh hưởng đáng kể và có ý nghĩa thống kê trong mô hình. Và với khoảng tin cậy âm cho thấy ở giới tính nữ có sinh viên tiêu thụ rượu cao ít hơn so với giới tính nam.
3.8 Mô hình hồi quy bội
3.8.1 Mô hình xác suất tuyến tính
mm <-glm(Dalc_c ~ school + sex, data = tn)
summary(mm)##
## Call:
## glm(formula = Dalc_c ~ school + sex, data = tn)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.02073 0.02174 0.954 0.34091
## schoolMS 0.14754 0.04746 3.109 0.00201 **
## sexM 0.15522 0.03049 5.091 5.54e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.09152349)
##
## Null deviance: 39.099 on 394 degrees of freedom
## Residual deviance: 35.877 on 392 degrees of freedom
## AIC: 181.44
##
## Number of Fisher Scoring iterations: 2Nhận xét: Từ bảng kết quả ta có hàm hồi quy: \[\hat\pi=0.02073 +0.14754 \cdot schoolMS +0.15522 \cdot sexM \] Hệ số \(\beta_1=0.14754\) thể hiện chênh lệch mức tiêu thụ rượu cao giữa sinh viên trường MS so với sinh viên trường GP, trong điều kiện giới tính không đổi. Nếu sinh viênh học tại trường MS thay vì trường GP, mức tiêu thụ rượu hàng ngày dự đoán sẽ tăng thêm 0.14754, vì vậy sinh viên trường MS tiêu thụ nhiều rượu hơn so với sinh viên trường GP. Hệ số \(\beta_1= 0.15522\) thể hiện chênh lệch mức tiêu thụ rượu cao giữa sinh viên nam và sinh viên nữ, trong điều kiện trường học không đổi. Nếu sinh viên là nam thay vì nữ, mức tiêu thụ rượu hàng ngày dự đoán sẽ tăng thêm 0.15522. vì vậy sinh viên nam tiêu thụ nhiều rượu hơn so với sinh viên nữ.
3.8.2 Mô hình Logit
mp <- glm(Dalc_c ~ school + sex, data = tn, family = binomial (link="logit"))
summary(mp)##
## Call:
## glm(formula = Dalc_c ~ school + sex, family = binomial(link = "logit"),
## data = tn)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -3.4644 0.3828 -9.051 < 2e-16 ***
## schoolMS 1.2437 0.4182 2.974 0.00294 **
## sexM 1.8455 0.4118 4.482 7.41e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 276.04 on 394 degrees of freedom
## Residual deviance: 243.04 on 392 degrees of freedom
## AIC: 249.04
##
## Number of Fisher Scoring iterations: 6Nhận xét: Ta có mô hình logit: \[ln\left[\frac{\hat\pi}{1-\hat\pi}\right]=-3.4644 +1.2437 \cdot schoolMS +1.8455 \cdot sexM\] Hệ số \(\beta_0=-3.4644\) cho thấy chênh lệch \(ln\left[\frac{\hat\pi}{1-\hat\pi}\right]\) mức tiêu thụ rượu trong nhóm tham chiếu (học trường FP và giới tính nữ) là -3.4644. Hệ số \(\beta_1=1.2437\) cho thấy chênh lệch \(ln\left[\frac{\hat\pi}{1-\hat\pi}\right]\) sinh viên ở trường MS có mức độ tiêu thụ rượu cao nhiều hơn so với sinh viên trường GP là 1.2437. Hệ số \(\beta_2=1.8455\) cho thấy chênh lệch \(ln\left[\frac{\hat\pi}{1-\hat\pi}\right]\) có mức tiêu thụ rượu cao giữa giới tính nam và giới tính nữ là 1.8455.
3.8.3 Mô hình Probit
mt <- glm(Dalc_c ~ school + sex, data = tn, family=binomial(link="probit"))
summary(mt)##
## Call:
## glm(formula = Dalc_c ~ school + sex, family = binomial(link = "probit"),
## data = tn)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -1.8909 0.1724 -10.967 < 2e-16 ***
## schoolMS 0.6702 0.2361 2.838 0.00453 **
## sexM 0.9274 0.1959 4.734 2.2e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 276.04 on 394 degrees of freedom
## Residual deviance: 243.40 on 392 degrees of freedom
## AIC: 249.4
##
## Number of Fisher Scoring iterations: 5Nhận xét: Ta có hàm Probit: \[\hat\pi= \Phi(-1.8909+ 0.6702 \cdot schoolMS +0.9274 \cdot sexM)\] Hệ số \(\beta_0=-1.8909\) thể hiện xác suất để sinh viên nữ học trường GP là \(\Phi(-1.8909)\). Hệ số \(\beta_1=0.6702\) thể hiện xác suất sinh viên học ở trường MS có mức tiêu thụ rượu cao hơn so với sinh viên học ở trường GP là \(\Phi(0.6702)\). Hệ số \(\beta_2=0.9279\) thể hiện xác suất sinh viên nam có mức tiêu thụ rượu cao hơn so với sinh viên nữ là \(\Phi(0.9279)\).
3.9 Đánh giá mô hình hồi quy bội
3.9.1 Chỉ số AIC
AIC(mm)## [1] 181.4419AIC(mp)## [1] 249.0359AIC(mt)## [1] 249.3972Nhận xét: Mô hình Logit và Probit đều không tốt bằng mô hình xác suất tuyến tính trong việc giải thích mối quan hệ giữa các yếu tố ảnh hưởng đến mức độ tiêu thụ rượu cao của sinh viên. Vì chỉ số AIC của hai mô hình này cao hơn chỉ số AIC của mô hình xác suất tuyến tính nên mô hình xác suất tuyến tính là mô hình tốt hơn.
3.9.2 Hệ số Brier Score
Chỉ số Brier Score được sử dụng để đo lường độ chính xác của các dự đoán xác suất. Nó tính toán độ lệch bình phương giữa dự đoán xác suất và giá trị thực tế. Một giá trị Brier Score thấp cho thấy mô hình dự đoán tốt hơn. Vì thế sẽ tính và so sánh giá trị này ở hai mô hình hồi quy logit và probit.
library(DescTools)
BrierScore(mp)## [1] 0.08965676BrierScore(mt)## [1] 0.0897864Nhận xét: Kết quả bên trên cho thấy Brier Score cho logit và probit đều gần bằng nhau là 0.08965676 và 0.0897864. Điều này có nghĩa là cả hai mô hình đều có hiệu suất tương đương khi dự đoán xác suất cho biến mục tiêu. Brier Score khá thấp (gần bằng 0), cho thấy rằng cả hai mô hình đều dự đoán khá tốt và không sai lệch nhiều so với giá trị thực tế.
3.10 Kết luận
Trong bài tiểu luận này, chúng tôi đã thực hiện một phân tích sâu rộng và chi tiết trên bộ dữ liệu bao gồm 9 biến với 395 quan sát. Chúng tôi đã chọn biến định tính “Dalc” làm biến phụ thuộc và tiến hành phân tích thống kê mô tả cho từng biến độc lập khác để có cái nhìn toàn diện hơn về bộ dữ liệu. Việc này giúp chúng tôi hiểu rõ hơn về đặc điểm của từng biến và mối quan hệ giữa chúng, tạo tiền đề cho các phân tích sâu hơn.
Đầu tiên, chúng tôi thực hiện thống kê mô tả để hiểu rõ phân bố của các biến độc lập. Điều này cung cấp cái nhìn tổng quan về cách mà các yếu tố như giới tính, nơi ở, trường học, và các yếu tố khác phân bổ trong dữ liệu. Chúng tôi đã phân tích biến phụ thuộc “Dalc” với các biến định tính khác để kiểm tra giả thiết rằng các yếu tố này có thể ảnh hưởng đáng kể đến mức độ tiêu thụ rượu của sinh viên hay không.
Sau đó, chúng tôi tiến hành các phân tích định lượng chuyên sâu hơn, sử dụng mô hình hồi quy xác suất tuyến tính, logit và probit để xác định mức độ ảnh hưởng của từng biến độc lập đến biến phụ thuộc “Dalc”. Kết quả phân tích cho thấy rằng có 2 biến độc lập chính, bao gồm sex (giới tính) và school (trường học), có ảnh hưởng đáng kể đến mức độ tiêu thụ rượu của sinh viên. Sự tác động này được xác định qua các tiêu chí như AIC, và Brier Score, cho thấy rằng mô hình hồi quy xác suất tuyến tính là phương pháp tối ưu để phân tích dữ liệu này.
Phân tích của chúng tôi không chỉ cung cấp cái nhìn sâu sắc về mối quan hệ giữa các yếu tố định tính và mức tiêu thụ rượu mà còn có những ứng dụng thực tiễn quan trọng. Các phát hiện này có thể giúp các các bậc phụ huynh và nhà trường quản lý con cái, sinh viên của mình thật tốt, tránh xảy ra những sự cố không mong muốn.
---
title: "TIỂU LUẬN MÔN PHÂN TÍCH DỮ LIỆU ĐỊNH TÍNH"
output:
  html_document:
    toc: TRUE
    toc_float: TRUE
    df_print: paged
    code_download: true
    code_folding: hide
  pdf_document:
    extra_dependencies:
      vietnam: utf8
    toc: yes
    number_sections: yes
  word_document:
    toc: yes
    number_sections: yes
geometry:
      - inner=3cm
      - outer=4cm
      - top=3cm
      - bottom=4cm
      - headsep=22pt
      - headheight=11pt
      - footskip=33pt
      - ignorehead
      - ignorefoot
      - heightrounded
---
**GVHD: ThS. Trần Mạnh Tường**

**Nhóm sinh viên thực hiện:** 

_1. Mai Thị Hoài Thương - 2121001546_

_2. Nguyễn Thị Ngọc Hà - 2121012474_

# PHÂN TÍCH NHỮNG YẾU TỐ ẢNH HƯỞNG ĐẾN MỨC ĐỘ TIÊU THỤ RƯỢU CAO CỦA SINH VIÊN

Bộ dữ liệu "Student Alcohol Consumption EDA" từ Kaggle cung cấp thông tin chi tiết về việc sinh viên tiêu thụ rượu tại các trường đại học ở Bồ Đào Nha. Bộ dữ liệu này không chỉ tập trung vào hành vi tiêu thụ rượu mà còn bao gồm các thông tin về môi trường, gia đình và xã hội của sinh viên. Mục đích của nghiên cứu là để hiểu rõ hơn về mối liên hệ giữa các yếu tố này và thói quen tiêu thụ rượu của sinh viên trong 1 ngày. Dữ liệu được thu thập từ các cuộc khảo sát trong cộng đồng học đường, mang lại cơ hội để nghiên cứu tác động của môi trường và gia đình đối với hành vi tiêu thụ rượu ở độ tuổi sinh viên.

# LỜI CẢM ƠN

Lời đầu tiên, chúng em xin gửi lời cảm ơn chân thành đến Giảng viên - ThS. Trần Mạnh Tường. Trong quá trình học tập và tìm hiểu môn "Phân tích dữ liệu định tính", chúng em đã nhận được sự quan tâm giúp đỡ, hướng dẫn và chỉ bảo tận tình của thầy. Thầy đã giúp chúng em tích lũy thêm nhiều kiến thức để có cái nhìn khái quát và hiểu hơn về môn này. Từ những kiến thức được thầy truyền tải, chúng em dần hiểu được tầm quan trọng của môn học mà bấy lâu nay còn nhiều thắc mắc. Thông qua bài tiểu luận này, chúng em xin trình bày những gì chúng em đã tìm hiểu về môn học, và cụ thể là chúng em lựa chọn đề tài "Phân tích những yếu tố ảnh hưởng đến mức độ tiêu thụ rượu của sinh viên".

Kiến thức là vô hạn nhưng sự tiếp nhận kiến thức của bản thân mỗi chúng em luôn hạn chế một cách nhất định. Do đó, trong quá trình hoàn thành bài tiểu luận, chắc chắn chúng em không tránh khỏi những thiếu sót, vậy nên chúng em rất mong nhận được những đóng góp đến từ thầy để bài tiểu luận của nhóm được hoàn thiện hơn.

Chúng em kính chúc thầy sức khỏe, hạnh phúc và thành công trên con đường sự nghiệp của mình.

# CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU

## 1.1 Lí do chọn đề tài

Hiện nay, hành vi tiêu thụ rượu là một hiện tượng phổ biến trong đời sống sinh viên. Nhiều sinh viên tham gia các hoạt động xã hội như tiệc tùng, dã ngoại và các sự kiện của trường học, những nơi rượu thường được phục vụ và tiêu thụ. Nhiều sinh viên không chỉ uống rượu mà còn lạm dụng nó, uống đến mức say xỉn thường xuyên. Tình trạng này đặc biệt phổ biến trong các dịp lễ, kỳ nghỉ và các buổi tiệc lớn. Việc uống rượu say xỉn có thể dẫn đến mất kiểm soát hành vi và gây ra nhiều hậu quả tiêu cực như tai nạn, bạo lực và các vấn đề về sức khỏe. Rượu không chỉ để dùng cho những cuộc vui chơi, tiệc tùng, giao lưu bạn bè mà sinh viên hiện nay còn dùng rượu để giải tỏa nỗi buồn, những áp lực trong học tập, bạn bè, gia đình, tình cảm nên việc tiêu thụ rượu của sinh viên hiện nay rất đáng báo động. Rượu rất dễ dàng được tiếp cận và những chỗ lưu thông rượu không được giám sát chặt chẽ nên ngày càng làm gia tăng mức độ tiêu thụ rượu.Thực trạng tiêu thụ rượu của sinh viên hiện nay là một vấn đề nghiêm trọng cần được quan tâm. Việc nghiên cứu và hiểu rõ hơn về hành vi tiêu thụ rượu của sinh viên trong hai trường đại học ở Bồ Đào Nha sẽ giúp đưa ra được một vài biện pháp giáo dục, phòng ngừa và hỗ trợ thích hợp, nhằm giảm thiểu những hậu quả tiêu cực nhằm bảo vệ sức khỏe và tương lai của sinh viên.

## 1.2 Mục tiêu nghiên cứu

Mục tiêu của chúng tôi là phân tích các yếu tố ảnh hưởng đến mức độ tiêu thụ rượu của sinh viên là thấp hay cao. Nghiên cứu nhằm tìm ra các thông tin và đưa ra một vài biện pháp giúp gia đình và nhà trường quản lý con cái, sinh viên của mình được tốt hơn.

## 1.3 Đối tượng và phạm vi nghiên cứu

Tập dữ liệu chứa thông tin từ cuộc khảo sát sinh viên của 2 trường đại học ở Bồ Đào Nha. Bộ dữ liệu chứa các thông tin liên quan đến sinh viên bao gồm 395 quan sát trên tổng 9 biến.

## 1.4 Phương pháp nghiên cứu

Bài nghiên cứu sử dụng phương pháp thống kê và các mô hình hồi quy để phân tích dữ liệu và cho thấy tác động của các yếu tố ảnh hưởng đến mức độ tiêu thụ rượu của sinh viên.

## 1.5 Kết cấu bài nghiên cứu

- Chương 1: Tổng quan nghiên cứu.

- Chương 2: Dữ liệu nghiên cứu.

- Chương 3: Phân tích và đưa ra kết quả.

# Chương 2: DỮ LIỆU NGHIÊN CỨU

## 2.1 Giới thiệu bộ dữ liệu

Bộ dữ liệu bao gồm 395 quan sát trên tổng 9 biến về sinh viên của 2 trường đại học ở Bồ Đào Nha. Dưới đây là bảng chi tiết từng biến trên từng quan sát khác nhau.
```{r}
std <- read.csv("student-math.csv", header = T)
library(data.table)
data.table(std)
```

## 2.2 Mô tả các biến trong bộ dữ liệu

- school: ngôi trường sinh viên đang theo học (GP: Gabriel Pereira; MS: Mousinho da Silveria)

- sex: giới tính của sinh viên (F: nữ; M: nam)

- address: nơi ở của sinh viên (U: thành thị; R: nông thôn)

- schoolsup: hỗ trợ giáo dục bổ sung (yes: có; no: không)

- famsup: hỗ trợ giáo dục gia đình (yes: có; no: không)

- activities: hoạt động ngoại khóa (yes: có; no: không)

- internet: truy cập mạng tại nhà (yes: có; no: không)

- romantic: mối quan hệ tình cảm (yes: có; no: không)

- Dalc: mức tiêu thụ rượu trong 1 ngày (1: rất thấp; 2: thấp; 3: trung bình; 4: cao; 5: rất cao)

# Chương 3: PHÂN TÍCH VÀ ĐƯA RA KẾT QUẢ

Trong bài luận này, biến phụ thuộc được chọn là biến Dalc (mức độ tiêu thụ rượu của sinh viên trong 1 ngày), do biến Dalc là dữ liệu định lượng với các mức độ 1, 2, 3, 4, 5 nên nhóm biến nó thành dữ liệu định tính là Dalc_2 với 2 biểu hiện cụ thể là thấp và cao. Ở các mức độ 1, 2 và 3 sẽ biến đổi thành biểu hiện tiêu thụ rượu "thấp", còn mức độ 4 và 5 sẽ biến đổi thành biểu hiện tiêu thụ rượu "cao" như bảng dưới đây:
```{r}
std <- read.csv("student-math.csv", header = T)
std$Dalc_2 <- ifelse(std$Dalc <= 2, "thấp", "cao")
print(std)
```

## 3.1 Thống kê mô tả biến phụ thuộc

_**Lập bảng tần số và bảng tần suất**_
```{r}
table(std$Dalc_2)
table(std$Dalc_2)/length(std$Dalc_2)
```

_**Lập biểu đồ**_
```{r}
library(dplyr)
library(tidyverse)
std %>% group_by(Dalc_2) %>%  summarise(n = n()) %>% 
    ggplot(aes(x=Dalc_2,y=n)) + 
    geom_col(fill = "#89CFF0")+
    geom_text(aes(label =n),vjust = 1, color = "white")+
    theme_bw()
```

_Nhận xét:_ Biểu đồ cột và bảng ở trên thể hiện mức độ tiêu thụ rượu của sinh viên trong 1 ngày. Theo khảo sát, độ tiêu thụ rượu của sinh viên trong 1 ngày với mức độ tiêu thụ rượu cao chỉ có 44 sinh viên chiếm tỷ lệ 11.14%, còn lại 351 sinh viên với mức độ tiêu thụ rượu thấp chiếm tỷ lệ 88.86%. Như kết quả cho thấy, tại 2 ngôi trường này thì sinh viên tiêu thụ rượu cao trong 1 ngày rất là ít. 

## 3.2 Thống kê suy diễn

### 3.2.1 Kiểm định tính độc lập 

Phương pháp Chi bình phương

$$\chi^2 = \sum_{i,j} \frac{(n_{ij} -\hat{\mu}_{ij})^2}{\hat{\mu}_{ij}}$$

Với $n_{i,j}$ là giá trị của ô $i,j,\hat{\mu}_{ij}=\frac{n_{i+} \cdot n_{+j}}{n}$

_**Biến Dalc_2 và school**_

Giả thuyết:

$H_0$: Dalc_2 và school độc lập 

$H_1$: Dalc_2 và school không độc lập
```{r}
mtht <- table(std$Dalc_2, std$school)
chisq.test(mtht)
```
_Nhận xét:_ Qua kết quả kiểm định cho thấy p−value = 0.007356 < 0.05, bác bỏ $H_0$, nghĩa là giữa việc sinh viên học ở trường nào và mức độ tiêu thụ rượu là có liên quan với nhau.

_**Biến Dalc_2 và sex**_

Giả thuyết:

$H_0$: Dalc_2 và sex độc lập 

$H_1$: Dalc_2 và sex không độc lập
```{r}
mtht <- table(std$Dalc_2, std$sex)
chisq.test(mtht)
```

_Nhận xét:_ Qua kết quả kiểm định cho thấy p−value = 2.618e-06 < 0.05, bác bỏ $H_0$, nghĩa là giữa giới tính của sinh viên và mức độ tiêu thụ rượu là có liên quan với nhau.

_**Biến Dalc_2 và address**_

Giả thuyết:

$H_0$: Dalc_2 và address độc lập 

$H_1$: Dalc_2 và address không độc lập
```{r}
mtht <- table(std$Dalc_2, std$address)
chisq.test(mtht)
```

_Nhận xét:_ Qua kết quả kiểm định cho thấy p−value = 0.07101 > 0.05, chưa đủ cơ sở bác bỏ $H_0$, nghĩa là giữa nơi ở của sinh viên và mức độ tiêu thụ rượu không có liên quan với nhau.

_**Biến Dalc_2 và schoolsup**_

Giả thuyết:

$H_0$: Dalc_2 và schoolsup độc lập 

$H_1$: Dalc_2 và schoolsup không độc lập
```{r}
mtht <- table(std$Dalc_2, std$schoolsup)
chisq.test(mtht)
```

_Nhận xét:_ Qua kết quả kiểm định cho thấy p−value = 0.5733 > 0.05, chưa đủ cơ sở bác bỏ $H_0$, nghĩa là giữa việc hỗ trợ giáo dục bổ sung cho sinh viên và mức độ tiêu thụ rượu không có liên quan với nhau.

_**Biến Dalc_2 và famsup**_

Giả thuyết:

$H_0$: Dalc_2 và famsup độc lập 

$H_1$: Dalc_2 và famsup không độc lập
```{r}
mtht <- table(std$Dalc_2, std$famsup)
chisq.test(mtht)
```

_Nhận xét:_ Qua kết quả kiểm định cho ta p−value = 0.2564 > 0.05, chưa đủ cơ sở bác bỏ $H_0$, nghĩa là giữa việc hỗ trợ giáo dục gia đình và mức độ tiêu thụ rượu không có liên quan với nhau.

_**Biến Dalc_2 và activities**_

Giả thuyết:

$H_0$: Dalc_2 và activities độc lập 

$H_1$: Dalc_2 và activities không độc lập
```{r}
mtht <- table(std$Dalc_2, std$activities)
chisq.test(mtht)
```

_Nhận xét:_ Qua kết quả kiểm định cho ta p−value = 0.2134 > 0.05, chưa đủ cơ sở bác bỏ $H_0$, nghĩa là giữa việc hoạt động ngoại khóa của sinh viên và mức độ tiêu thụ rượu không có liên quan với nhau.

_**Biến Dalc_2 và internet**_

Giả thuyết:

$H_0$: Dalc_2 và internet độc lập 

$H_1$: Dalc_2 và internet không độc lập
```{r}
mtht <- table(std$Dalc_2, std$internet)
chisq.test(mtht)
```

_Nhận xét:_ Qua kết quả kiểm định cho ta p−value = 1 > 0.05, chưa đủ cơ sở bác bỏ $H_0$, nghĩa là giữa việc sử dụng mạng tại nhà của sinh viên và mức độ tiêu thụ rượu không có liên quan với nhau.

_**Biến Dalc_2 và romantic**_

Giả thuyết:

$H_0$: Dalc_2 và romantic độc lập 

$H_1$: Dalc_2 và sex romantic độc lập
```{r}
mtht <- table(std$Dalc_2, std$romantic)
chisq.test(mtht)
```

_Nhận xét:_ Qua kết quả kiểm định cho ta p−value = 0.9449 > 0.05, chưa đủ cơ sở bác bỏ $H_0$, nghĩa là giữa mối quan hệ tình cảm của sinh viên và mức độ tiêu thụ rượu không có liên quan với nhau.

Kết luận: Chỉ có biến school (trường học) và sex (giới tính) là có ảnh hưởng tới biến Dalc_2. Tiếp theo, nhóm tiến hành mô tả 2 biến, từ đó đưa ra cái nhìn khái quát hơn về mức độ ảnh hưởng lên biến Dalc_2.

## 3.3 Thống kê mô tả 2 biến

### 3.3.1 Biến Dalc_2 và school

_**Lập bảng tần số và bảng tần suất**_
```{r}
htnh <- table(std$Dalc_2,std$school)
addmargins(htnh)
htnh <- prop.table(htnh)
addmargins(htnh)
```

_**Lập biểu đồ**_
```{r}
std %>% 
  group_by(Dalc_2, school) %>% 
  summarise(n = n()) %>% 
  ggplot(aes(x = Dalc_2, y = n, fill = school)) + 
  geom_col(position = 'dodge') + 
  geom_text(aes(label = scales::percent(n / sum(n), accuracy = 0.01), y = n + 0.5), position = position_dodge(width = 0.9), vjust = 0) +
  theme_bw()
```

_Nhận xét:_ Bảng và biểu đồ trên cho thấy ở trường GP có 33 sinh viên có mức tiêu thụ rượu cao chiếm tỷ lệ 8.35%, còn lại 316 sinh viên có mức tiêu thụ rượu thấp chiếm tỷ lệ 80%; ở trường MS có 11 sinh viên có mức tiêu thụ rượu cao chiếm tỷ lệ 2.78%, còn lại 35 sinh viên có mức tiêu thụ rượu thấp chiếm 8.86%. Tóm lại thì cả hai trường đều có số lượng ít sinh viên có mức tiêu thụ rượu cao, đa số đều tiêu thụ rượu thấp hoặc hầu như là không tiêu thụ.

### 3.3.2 Biến Dalc_2 và sex

_**Lập bảng tần số và bảng tần suất**_
```{r}
htnh <- table(std$Dalc_2,std$sex)
addmargins(htnh)
htnh <- prop.table(htnh)
addmargins(htnh)
```

_**Lập biểu đồ**_
```{r}
std %>% 
  group_by(Dalc_2, sex) %>% 
  summarise(n = n()) %>% 
  ggplot(aes(x = Dalc_2, y = n, fill = sex)) + 
  geom_col(position = 'dodge') + 
  geom_text(aes(label = scales::percent(n / sum(n), accuracy = 0.01), y = n + 0.5), position = position_dodge(width = 0.9), vjust = 0) +
  theme_bw()
```

_Nhận xét:_ Bảng và biểu đồ trên cho thấy ở giới tính nữ có 8 sinh viên có mức tiêu thụ rượu cao chiếm tỷ lệ 2.03%, còn lại 200 sinh viên nữ có mức tiêu thụ rượu thấp chiếm tỷ lệ 50.63%%; ở giới tính nam có 36 sinh viên có mức tiêu thụ rượu cao chiếm tỷ lệ 9.11%, còn lại 151 sinh viên nam có mức tiêu thụ rượu thấp chiếm 38.23%. Tóm lại thì cả hai giới tính đều có số lượng ít sinh viên có mức tiêu thụ rượu cao, đa số đều tiêu thụ rượu thấp hoặc hầu như là không tiêu thụ.

## 3.4 Relative Risk và khoảng ước lượng cho Relative Risk

### 3.4.1 Biến Dalc_2 và school
```{r}
library(DescTools)
table(std$Dalc_2,std$school)
mtht <- table(std$Dalc_2,std$school)
RelRisk(mtht, conf.level = .95)
```

_Nhận xét:_ 

- Relative Risk của Dalc_2 và school là 0.8330696 nhỏ hơn 1. Điều này có nghĩa là sinh viên trường GP có mức độ tiêu thụ rượu cao nhiều hơn so với trường MS (mức độ tiêu thụ rượu cao ở trường GP bằng 0.833 lần so với trường MS).

- Khoảng tin cậy này cho thấy rằng, với mức độ tin cậy (thường là 95%), mức độ tiêu thụ rượu thực sự nằm trong khoảng từ 0.6711519 đến 0.9549721. Kết quả này cho thấy có ý nghĩa thống kê về mức độ tiêu thụ rượu cao ở cả hai trường. 

### 3.4.2 Biến Dalc_2 và sex
```{r}
library(DescTools)
table(std$Dalc_2,std$sex)
mtht <- table(std$Dalc_2,std$sex)
RelRisk(mtht, conf.level = .95)
```

_Nhận xét:_

- Relative Risk của Dalc_2 và sex là 0.3190909 nhỏ hơn 1. Điều này có nghĩa là sinh viên nữ có mức độ tiêu thụ rượu cao ít hơn so với sinh viên nam (mức độ tiêu thụ rượu cao ở sinh viên nữ bằng 0.319 lần so với sinh viên nam).

- Khoảng tin cậy này cho thấy rằng, với mức độ tin cậy (thường là 95%), mức độ tiêu thụ rượu thực sự nằm trong khoảng từ 0.1659926 đến 0.5656633. Kết quả này cho thấy có ý nghĩa thống kê về mức độ tiêu thụ rượu cao ở giới tính nữ và nam.

## 3.5 Odds ratio và khoảng ước lượng cho Odds ratio

### 3.5.1 Biến Dalc_2 và school
```{r}
table(std$Dalc_2,std$school)
ntnh <- table(std$Dalc_2,std$school)
OddsRatio(ntnh,conf.level = .95)
```

_Nhận xét:_

- Odds ratio của Dalc_2 và school là 0.3322785 nhỏ hơn 1. Điều này có nghĩa là tỷ lệ chênh của sinh viên tiêu thụ rượu cao tại trường GP so với trường MS là 0.332, tức là sinh viên tại trường GP có tỷ lệ tiêu thụ rượu cao thấp hơn so với sinh viên tại trường MS.

- Khoảng tin cậy này cho thấy rằng, với mức độ tin cậy (thường là 95%), odds ratio thực sự nằm trong khoảng từ 0.1543865 đến 0.7151466. Kết quả này có ý nghĩa thống kê.

### 3.5.2 Biến Dalc_2 và sex
```{r}
table(std$Dalc_2,std$sex)
ntnh <- table(std$Dalc_2,std$sex)
OddsRatio(ntnh,conf.level = .95)
```

_Nhận xét:_

- Odds ratio của Dalc_2 và sex là 0.16777778 nhỏ hơn 1. Điều này có nghĩa là tỷ lệ chênh của sinh viên tiêu thụ rượu cao là nữ so với nam là 0.167, tức là sinh viên nữ có tỷ lệ tiêu thụ rượu cao thấp hơn so với sinh viên nam.

- Khoảng tin cậy này cho thấy rằng, với mức độ tin cậy (thường là 95%), odds ratio thực sự nằm trong khoảng từ 0.07578856 đến 0.37141995. Kết quả này có ý nghĩa thống kê.

## 3.6 Khoảng ước lượng tỷ lệ
```{r}
library(tidyverse)
tn <- std %>% select(Dalc_2, school, sex)
tn <- tn %>% mutate(Dalc_c = if_else(Dalc_2 =="cao", 1, 0))
print(tn)
```

### 3.6.1 Ước lượng tỷ lệ cho biến school

_**Nhóm trường GP**_
```{r}
GP <- table(tn[tn$school == "GP",] $Dalc_c)
GP
prop.test(GP["1"],sum(GP), p = 0.5)
```

_Nhận xét:_ Tỷ lệ cho thấy mức độ tiêu thụ rượu cao trong nhóm trường GP khoảng 9.45%. Khoảng ước lượng tỷ lệ với độ tin cậy 95% là 6.69% đến 13.14%.

_**Nhóm trường MS**_
```{r}
MS <- table(tn[tn$school == "MS",] $Dalc_c)
MS
prop.test(MS["1"],sum(MS), p = 0.5)
```
_Nhận xét:_ Tỷ lệ cho thấy mức độ tiêu thụ rượu cao trong nhóm trường MS khoảng 23.91%. Khoảng ước lượng tỷ lệ với độ tin cậy 95% là 13.08% đến 39.1%.

### 3.6.2 Ước lượng tỷ lệ cho biến sex

_**Nhóm giới tính nam**_
```{r}
M <- table(tn[tn$sex == "M",] $Dalc_c)
M
prop.test(M["1"],sum(M), p = 0.5)
```

_Nhận xét:_ Tỷ lệ cho thấy mức độ tiêu thụ rượu cao trong nhóm giới tính nam khoảng 19.25%. Khoảng ước lượng tỷ lệ với độ tin cậy 95% là 14% đến 25.79%.

_**Nhóm giới tính nữ**_
```{r}
F <- table(tn[tn$sex == "F",] $Dalc_c)
F
prop.test(F["1"],sum(F), p = 0.5)
```

_Nhận xét:_ Tỷ lệ cho thấy mức độ tiêu thụ rượu cao trong nhóm giới tính nữ khoảng 3.85%. Khoảng ước lượng tỷ lệ với độ tin cậy 95% là 1.8% đến 7.71%.

## 3.7 Mô hình hồi quy đơn

### 3.7.1 Mô hình xác suất tuyến tính

_**Biến school**_
```{r}
lpm.ML <- glm(Dalc_c ~ school, data = tn)
summary(lpm.ML)
```

_Nhận xét:_ $$\hat{\pi}=0.09456 + 0.14457 \cdot schoolMS$$ 
Có thể nhận thấy, với giá trị $\beta_1 = 0.14457$ cho biết xác suất để có mức tiêu thụ rượu cao của sinh viên học trường MS cao hơn sinh viên học trường GP là 0.14457. Từ đó kết luận trường học có ảnh hưởng đến mức độ tiêu thụ rượu cao.

_**Biến sex**_
```{r}
lpm.ML <- glm(Dalc_c ~ sex, data = tn)
summary(lpm.ML)
```

_Nhận xét:_ $$\hat{\pi}=0.03846 + 0.15405 \cdot sexM$$ 
Có thể nhận thấy, với $\beta_1 = 0.15405$ cho biết xác suất để có mức tiêu thụ rượu cao của người có giới tính là nam cao hơn người có giới tính nữ là 0.15405. Từ đó kết luận giới tính có ảnh hưởng đến mức độ tiêu thụ rượu cao.

### 3.7.2 Mô hình Logit

_**Biến school**_
```{r}
reglogit_school <- glm (Dalc_c ~ school, data = tn, family = binomial(link = 'logit'))
summary(reglogit_school)
```

_Nhận xét:_ $$ln\left[\frac{\hat\pi}{1-\hat\pi}\right]=-2.2592+ 1.1018 \cdot schoolMS$$
Có thể nhận thấy, với giá trị $\beta_0 = -2.2592$, có nghĩa là $ln\left[\frac{\hat\pi}{1-\hat\pi}\right]$ của sinh viên học trường GP có mức độ tiêu thụ rượu cao là -2.2592. Với $\beta_1 = 1.1018$, hệ số này có nghĩa là đối với việc tiêu thụ rượu cao thì chênh lệch $ln\left[\frac{\hat\pi}{1-\hat\pi}\right]$ của trường Ms và trường GP là 1.1018.

Khoảng tin cậy cho các hệ số trong mô hình được tính như sau:
```{r}
confint(reglogit_school)
```

_Nhận xét:_ Với độ tin cậy 95%, giá trị thực của Intercept nằm trong khoảng từ -2.6363966 đến -1.916932, giá trị thực của tham số schoolMS nằm trong khoảng từ 0.3007992 đến 1.846827, cho thấy biến school có thể có ảnh hưởng đáng kể và có ý nghĩa thống kê trong mô hình. Và với khoảng tin cậy âm cho thấy ở trường GP có sinh viên tiêu thụ rượu cao ít hơn so với trường MS.

_**Biến sex**_
```{r}
reglogit_sex <- glm (Dalc_c ~ sex, data = tn, family = binomial(link = 'logit'))
summary(reglogit_sex)
```

_Nhận xét:_ $$ln\left[\frac{\hat\pi}{1-\hat\pi}\right]=-3.2189+ 1.7851 \cdot sexM$$
Có thể nhận thấy, với giá trị $\beta_0 = -3.2189$, có nghĩa là $ln\left[\frac{\hat\pi}{1-\hat\pi}\right]$ của sinh viên giới tính nữ có mức độ tiêu thụ rượu cao là -3.2189. Với $\beta_1 = 1.7851$, hệ số này có nghĩa là đối với việc tiêu thụ rượu cao thì chênh lệch $ln\left[\frac{\hat\pi}{1-\hat\pi}\right]$ của sinh viên giới tính nam và sinh viên giới tính nữ là 1.7851.

Khoảng tin cậy cho các hệ số trong mô hình được tính như sau:
```{r}
confint(reglogit_sex)
```

_Nhận xét:_ Với độ tin cậy 95%, giá trị thực của Intercept nằm trong khoảng từ -4.012745 đến -2.580534, giá trị thực của tham số sexM nằm trong khoảng từ 1.039153 đến 2.649010, cho thấy biến sex có thể có ảnh hưởng đáng kể và có ý nghĩa thống kê trong mô hình. Và với khoảng tin cậy âm cho thấy ở giới tính nữ có sinh viên tiêu thụ rượu cao ít hơn so với giới tính nam.

### 3.7.3 Mô hình Probit

_**Biến school**_
```{r}
regprobit_school <- glm (Dalc_c ~ school, data = tn, family = binomial(link = 'probit'))
summary(regprobit_school)
```

_Nhận xét:_ $$\hat\pi= \Phi(-1.31321+0.60411 \cdot schoolMS)$$
Có thể nhận thấy, với giá trị $\beta_0 = -1.31321$, có nghĩa là xác suất để sinh viên học trường GP có mức tiêu thụ rượu cao là $\Phi(-1.31321)$. Với $\beta_1 = 0.60411$, hệ số này có nghĩa là đối với trường MS, xác suất để sinh viên tiêu thụ rượu cao là $\Phi(0.60411)$. 

Khoảng tin cậy cho các hệ số trong mô hình được tính như sau:
```{r}
confint(regprobit_school)
```

_Nhận xét:_ Với độ tin cậy 95%, giá trị thực của Intercept nằm trong khoảng từ -1.4998092 đến -1.134926, giá trị thực của tham số schoolMS nằm trong khoảng từ 0.1593379 đến 1.035108, cho thấy biến school có thể có ảnh hưởng đáng kể và có ý nghĩa thống kê trong mô hình. Và với khoảng tin cậy âm cho thấy ở trường GP có sinh viên tiêu thụ rượu cao ít hơn so với trường MS.

_**Biến sex**_
```{r}
regprobit_sex <- glm (Dalc_c ~ sex, data = tn, family = binomial(link = 'probit'))
summary(regprobit_sex)
```

_Nhận xét:_ $$\hat\pi= \Phi(-1.7688+ 0.9002  \cdot sexM)$$
Có thể nhận thấy, với giá trị $\beta_0 = -1.7688$, có nghĩa là xác suất để sinh viên nữ có mức tiêu thụ rượu cao là $\Phi(-1.7688)$. Với $\beta_1 = 0.9002$, hệ số này có nghĩa là đối với giới tính nam, xác suất để sinh viên tiêu thụ rượu cao là $\Phi(0.9002)$.

Khoảng tin cậy cho các hệ số trong mô hình được tính như sau:
```{r}
confint(regprobit_sex)
```

_Nhận xét:_ Với độ tin cậy 95%, giá trị thực của Intercept nằm trong khoảng từ -2.1023322 đến -1.472758, giá trị thực của tham số sexM nằm trong khoảng từ 0.5356466 đến 1.288952, cho thấy biến sex có thể có ảnh hưởng đáng kể và có ý nghĩa thống kê trong mô hình. Và với khoảng tin cậy âm cho thấy ở giới tính nữ có sinh viên tiêu thụ rượu cao ít hơn so với giới tính nam.

## 3.8 Mô hình hồi quy bội

### 3.8.1 Mô hình xác suất tuyến tính
```{r}
mm <-glm(Dalc_c ~ school + sex, data = tn)
summary(mm)
```

_Nhận xét:_ Từ bảng kết quả ta có hàm hồi quy: 
$$\hat\pi=0.02073 +0.14754 \cdot schoolMS +0.15522 \cdot sexM $$
Hệ số $\beta_1=0.14754$ thể hiện chênh lệch mức tiêu thụ rượu cao  giữa sinh viên trường MS so với sinh viên trường GP, trong điều kiện giới tính không đổi. Nếu sinh viênh học tại trường MS thay vì trường GP, mức tiêu thụ rượu hàng ngày dự đoán sẽ tăng thêm 0.14754, vì vậy sinh viên trường MS tiêu thụ nhiều rượu hơn so với sinh viên trường GP. Hệ số $\beta_1= 0.15522$ thể hiện chênh lệch mức tiêu thụ rượu cao  giữa sinh viên nam và sinh viên nữ, trong điều kiện trường học không đổi. Nếu sinh viên là nam thay vì nữ, mức tiêu thụ rượu hàng ngày dự đoán sẽ tăng thêm 0.15522. vì vậy sinh viên nam tiêu thụ nhiều rượu hơn so với sinh viên nữ.

### 3.8.2 Mô hình Logit
```{r}
mp <- glm(Dalc_c ~ school + sex, data = tn, family = binomial (link="logit"))
summary(mp)
```

_Nhận xét:_ Ta có mô hình logit:
$$ln\left[\frac{\hat\pi}{1-\hat\pi}\right]=-3.4644 +1.2437 \cdot schoolMS +1.8455 \cdot sexM$$
Hệ số $\beta_0=-3.4644$ cho thấy chênh lệch $ln\left[\frac{\hat\pi}{1-\hat\pi}\right]$ mức tiêu thụ rượu trong nhóm tham chiếu (học trường FP và giới tính nữ) là -3.4644. Hệ số $\beta_1=1.2437$ cho thấy chênh lệch $ln\left[\frac{\hat\pi}{1-\hat\pi}\right]$ sinh viên ở trường MS có mức độ tiêu thụ rượu cao nhiều hơn so với sinh viên trường GP là 1.2437. Hệ số $\beta_2=1.8455$ cho thấy chênh lệch $ln\left[\frac{\hat\pi}{1-\hat\pi}\right]$ có mức tiêu thụ rượu cao giữa giới tính nam và giới tính nữ là 1.8455.

### 3.8.3 Mô hình Probit
```{r}
mt <- glm(Dalc_c ~ school + sex, data = tn, family=binomial(link="probit"))
summary(mt)
```

_Nhận xét:_ Ta có hàm Probit:
$$\hat\pi= \Phi(-1.8909+ 0.6702 \cdot schoolMS +0.9274 \cdot sexM)$$
Hệ số $\beta_0=-1.8909$ thể hiện xác suất để sinh viên nữ học trường GP là $\Phi(-1.8909)$. Hệ số $\beta_1=0.6702$ thể hiện xác suất sinh viên học ở trường MS có mức tiêu thụ rượu cao hơn so với sinh viên học ở trường GP là $\Phi(0.6702)$. Hệ số $\beta_2=0.9279$ thể hiện xác suất sinh viên nam có mức tiêu thụ rượu cao hơn so với sinh viên nữ là $\Phi(0.9279)$.

## 3.9 Đánh giá mô hình hồi quy bội

### 3.9.1 Chỉ số AIC
```{r}
AIC(mm)
```
```{r}
AIC(mp)
```
```{r}
AIC(mt)
```

_Nhận xét:_ Mô hình Logit và Probit đều không tốt bằng mô hình xác suất tuyến tính trong việc giải thích mối quan hệ giữa các yếu tố ảnh hưởng đến mức độ tiêu thụ rượu cao của sinh viên. Vì chỉ số AIC của hai mô hình này cao hơn chỉ số AIC của mô hình xác suất tuyến tính nên mô hình xác suất tuyến tính là mô hình tốt hơn.

### 3.9.2 Hệ số Brier Score

Chỉ số Brier Score được sử dụng để đo lường độ chính xác của các dự đoán xác suất. Nó tính toán độ lệch bình phương giữa dự đoán xác suất và giá trị thực tế. Một giá trị Brier Score thấp cho thấy mô hình dự đoán tốt hơn. Vì thế sẽ tính và so sánh giá trị này ở hai mô hình hồi quy logit và probit.

```{r}
library(DescTools)
BrierScore(mp)
BrierScore(mt)
```

_Nhận xét:_ Kết quả bên trên cho thấy Brier Score cho logit và probit đều gần bằng nhau là 0.08965676 và 0.0897864. Điều này có nghĩa là cả hai mô hình đều có hiệu suất tương đương khi dự đoán xác suất cho biến mục tiêu. Brier Score khá thấp (gần bằng 0), cho thấy rằng cả hai mô hình đều dự đoán khá tốt và không sai lệch nhiều so với giá trị thực tế.

## 3.10 Kết luận

Trong bài tiểu luận này, chúng tôi đã thực hiện một phân tích sâu rộng và chi tiết trên bộ dữ liệu bao gồm 9 biến với 395 quan sát. Chúng tôi đã chọn biến định tính “Dalc” làm biến phụ thuộc và tiến hành phân tích thống kê mô tả cho từng biến độc lập khác để có cái nhìn toàn diện hơn về bộ dữ liệu. Việc này giúp chúng tôi hiểu rõ hơn về đặc điểm của từng biến và mối quan hệ giữa chúng, tạo tiền đề cho các phân tích sâu hơn.

Đầu tiên, chúng tôi thực hiện thống kê mô tả để hiểu rõ phân bố của các biến độc lập. Điều này cung cấp cái nhìn tổng quan về cách mà các yếu tố như giới tính, nơi ở, trường học, và các yếu tố khác phân bổ trong dữ liệu. Chúng tôi đã phân tích biến phụ thuộc “Dalc” với các biến định tính khác để kiểm tra giả thiết rằng các yếu tố này có thể ảnh hưởng đáng kể đến mức độ tiêu thụ rượu của sinh viên hay không.

Sau đó, chúng tôi tiến hành các phân tích định lượng chuyên sâu hơn, sử dụng mô hình hồi quy xác suất tuyến tính, logit và probit để xác định mức độ ảnh hưởng của từng biến độc lập đến biến phụ thuộc “Dalc”. Kết quả phân tích cho thấy rằng có 2 biến độc lập chính, bao gồm sex (giới tính) và school (trường học), có ảnh hưởng đáng kể đến mức độ tiêu thụ rượu của sinh viên. Sự tác động này được xác định qua các tiêu chí như AIC, và Brier Score, cho thấy rằng mô hình hồi quy xác suất tuyến tính là phương pháp tối ưu để phân tích dữ liệu này.

Phân tích của chúng tôi không chỉ cung cấp cái nhìn sâu sắc về mối quan hệ giữa các yếu tố định tính và mức tiêu thụ rượu mà còn có những ứng dụng thực tiễn quan trọng. Các phát hiện này có thể giúp các các bậc phụ huynh và nhà trường quản lý con cái, sinh viên của mình thật tốt, tránh xảy ra những sự cố không mong muốn.




























