NHIỆM VỤ TUẦN 3
Lâm Thảo My
2025-06-15
library(readr)## Warning: package 'readr' was built under R version 4.3.3library(ggplot2)
library(dplyr)## Warning: package 'dplyr' was built under R version 4.3.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(skimr)
library(psych)## Warning: package 'psych' was built under R version 4.3.3##
## Attaching package: 'psych'## The following objects are masked from 'package:ggplot2':
##
## %+%, alphalibrary(csv)## Warning: package 'csv' was built under R version 4.3.31 Phần 1. TÌM HIỂU VÀ CHUẨN BỊ DỮ LIỆU
1.1 Đọc file dữ liệu
d <- read.csv("C:/Users/ASUS/Downloads/Supermarket Transactions.csv", header = T)1.2 Danh sách các biến
names(d)## [1] "X" "PurchaseDate" "CustomerID"
## [4] "Gender" "MaritalStatus" "Homeowner"
## [7] "Children" "AnnualIncome" "City"
## [10] "StateorProvince" "Country" "ProductFamily"
## [13] "ProductDepartment" "ProductCategory" "UnitsSold"
## [16] "Revenue"| Tên biến | Ý nghĩa |
|---|---|
| X | Ngày mua hàng (định dạng YYYY-MM-DD). |
| CustomerID | Mã định danh duy nhất cho mỗi khách hàng. |
| Gender | Giới tính của khách hàng (M = Male, F =
Female). |
| MaritalStatus | Tình trạng hôn nhân (S = Single, M =
Married). |
| Homeowner | Khách hàng có sở hữu nhà hay không (Y = Yes,
N = No). |
| Children | Số lượng con nhỏ trong gia đình (số nguyên). |
| AnnualIncome | Khoảng thu nhập hàng năm (ví dụ <$25K,
$25K–$50K, …). |
| City | Thành phố sinh sống. |
| StateorProvince | Bang hoặc tỉnh tương ứng với thành phố. |
| Country | Quốc gia nơi giao dịch diễn ra. |
| ProductFamily | Nhóm sản phẩm cấp cao (ví dụ Food, Drink, …). |
| ProductDepartment | Bộ phận sản phẩm trong nhóm (ví dụ Beverages, Snack Foods, …). |
| ProductCategory | Hạng mục sản phẩm cụ thể (ví dụ Carbonated Beverages, Candy, …). |
| UnitsSold | Số lượng đơn vị bán ra trong mỗi giao dịch. |
| Revenue | Doanh thu thu về từ giao dịch (đơn vị tiền tệ, ví dụ USD). |
1.3 Số biến và số quan sát
dim(d)## [1] 14059 161.4 Kiểm tra cấu trúc tổng quát
str(d)## 'data.frame': 14059 obs. of 16 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ PurchaseDate : chr "2007-12-18" "2007-12-20" "2007-12-21" "2007-12-21" ...
## $ CustomerID : int 7223 7841 8374 9619 1900 6696 9673 354 1293 7938 ...
## $ Gender : chr "F" "M" "F" "M" ...
## $ MaritalStatus : chr "S" "M" "M" "M" ...
## $ Homeowner : chr "Y" "Y" "N" "Y" ...
## $ Children : int 2 5 2 3 3 3 2 2 3 1 ...
## $ AnnualIncome : chr "$30K - $50K" "$70K - $90K" "$50K - $70K" "$30K - $50K" ...
## $ City : chr "Los Angeles" "Los Angeles" "Bremerton" "Portland" ...
## $ StateorProvince : chr "CA" "CA" "WA" "OR" ...
## $ Country : chr "USA" "USA" "USA" "USA" ...
## $ ProductFamily : chr "Food" "Food" "Food" "Food" ...
## $ ProductDepartment: chr "Snack Foods" "Produce" "Snack Foods" "Snacks" ...
## $ ProductCategory : chr "Snack Foods" "Vegetables" "Snack Foods" "Candy" ...
## $ UnitsSold : int 5 5 3 4 4 3 4 6 1 2 ...
## $ Revenue : num 27.38 14.9 5.52 4.44 14 ...1.5 Chọn các biến định tính
dldt <- c("Gender", "MaritalStatus", "Homeowner","City", "StateorProvince", "Country", "ProductFamily", "ProductDepartment", "ProductCategory","AnnualIncome")
dldt## [1] "Gender" "MaritalStatus" "Homeowner"
## [4] "City" "StateorProvince" "Country"
## [7] "ProductFamily" "ProductDepartment" "ProductCategory"
## [10] "AnnualIncome"1.6 Tạo bộ dữ liệu mới chỉ chứa các biến định tính
dt <- d[, dldt]1.7 Cấu trúc bộ dữ liệu
str(dt)## 'data.frame': 14059 obs. of 10 variables:
## $ Gender : chr "F" "M" "F" "M" ...
## $ MaritalStatus : chr "S" "M" "M" "M" ...
## $ Homeowner : chr "Y" "Y" "N" "Y" ...
## $ City : chr "Los Angeles" "Los Angeles" "Bremerton" "Portland" ...
## $ StateorProvince : chr "CA" "CA" "WA" "OR" ...
## $ Country : chr "USA" "USA" "USA" "USA" ...
## $ ProductFamily : chr "Food" "Food" "Food" "Food" ...
## $ ProductDepartment: chr "Snack Foods" "Produce" "Snack Foods" "Snacks" ...
## $ ProductCategory : chr "Snack Foods" "Vegetables" "Snack Foods" "Candy" ...
## $ AnnualIncome : chr "$30K - $50K" "$70K - $90K" "$50K - $70K" "$30K - $50K" ...1.8 Một vài dòng đầu và dòng cuối
head(dt)## Gender MaritalStatus Homeowner City StateorProvince Country
## 1 F S Y Los Angeles CA USA
## 2 M M Y Los Angeles CA USA
## 3 F M N Bremerton WA USA
## 4 M M Y Portland OR USA
## 5 F S Y Beverly Hills CA USA
## 6 F M Y Beverly Hills CA USA
## ProductFamily ProductDepartment ProductCategory AnnualIncome
## 1 Food Snack Foods Snack Foods $30K - $50K
## 2 Food Produce Vegetables $70K - $90K
## 3 Food Snack Foods Snack Foods $50K - $70K
## 4 Food Snacks Candy $30K - $50K
## 5 Drink Beverages Carbonated Beverages $130K - $150K
## 6 Food Deli Side Dishes $10K - $30Ktail(dt)## Gender MaritalStatus Homeowner City StateorProvince Country
## 14054 F M N Yakima WA USA
## 14055 F M Y Bremerton WA USA
## 14056 F M Y Walla Walla WA USA
## 14057 M S Y Portland OR USA
## 14058 F S N Spokane WA USA
## 14059 M S N Portland OR USA
## ProductFamily ProductDepartment ProductCategory AnnualIncome
## 14054 Non-Consumable Household Paper Products $10K - $30K
## 14055 Food Baking Goods Baking Goods $10K - $30K
## 14056 Food Frozen Foods Vegetables $10K - $30K
## 14057 Drink Beverages Pure Juice Beverages $30K - $50K
## 14058 Drink Dairy Dairy $50K - $70K
## 14059 Non-Consumable Household Electrical $50K - $70K1.9 Kiểm tra NA
any(is.na(dt))## [1] FALSEVậy bộ dữ liệu không có giá trị thiếu
1.10 Kiểm tra kiểu dữ liệu và đổi về factor
dt <- data.frame(lapply(dt, as.factor))# Kiểm tra kiểu dữ liệu của từng biến trong dldt
sapply(dt, class)## Gender MaritalStatus Homeowner City
## "factor" "factor" "factor" "factor"
## StateorProvince Country ProductFamily ProductDepartment
## "factor" "factor" "factor" "factor"
## ProductCategory AnnualIncome
## "factor" "factor"2 Phần 2. PHÂN TÍCH MÔ TẢ MỘT BIẾN ĐỊNH TÍNH
2.1 Biến Gender
Bảng tần số
#Lập bảng tần số biến Gender
tanso_gender <- table(dt$Gender)
tanso_gender##
## F M
## 7170 6889Biểu đồ
# Vẽ biểu đồ cột cho bảng tần số Gender
barplot(
tanso_gender,
main = "Tần số theo giới tính",
xlab = "Giới tính",
ylab = "Số quan sát",
las = 1,
col = c("blue", "tomato"),
border = "white")
Bảng tần suất
#Lập bảng tần suất của biến Gender
tansuat_gender <- tanso_gender/sum(nrow(dt))
tansuat_gender##
## F M
## 0.5099936 0.4900064Biểu đồ
# Màu cho từng lát
cols <- c("pink", "green")
# Nhãn phần trăm
nhangender <- paste0(round(tansuat_gender * 100, 1), "%")
# Vẽ pie chart không nhãn
pie(
tansuat_gender,
labels = NA, # ẩn nhãn ngay trên lát
main = "Tần suất theo giới tính",
col = cols,
border = "white"
)
# Thêm legend bên ngoài góc phải
legend(
x = "topright",
legend = paste(names(tansuat_gender), nhangender),
fill = cols,
)
Nhận xét:
counts <- table(dt$Gender)
diff_count <- abs(counts["F"] - counts["M"])Vậy trong bộ dữ liệu này có 50.9993598 % nữ và 49.0006402% nam.
Trong bộ dữ liệu, số lượng nữ là 7170, số lượng nam là
- Sự chênh lệch về số lượng giữa nữ và nam là
2.2 Biến Homeowner
Bảng tần số
#Lập bảng tần số biến Homeowner
tanso_homeowner <- table(dt$Homeowner)
tanso_homeowner##
## N Y
## 5615 8444Biểu đồ
barplot(
tanso_homeowner,
main = "tần số biến khách hàng có sở hửu nhà",
xlab = "sỡ hữu nhà",
ylab = "số lượng",
las = 1,
col = c("orange","purple"),
border = "white"
)
Bảng tần suất
#Lập bảng tần suất của biến Homeowner
tansuat_homeowner <- tanso_homeowner/sum(nrow(dt))
tansuat_homeowner##
## N Y
## 0.3993883 0.6006117Biểu đồ
# màu cho từng lát
cols <- c("lightblue","lightpink")
# nhãn phần trăm
nhanhomeowner <- paste0(round(tansuat_homeowner*100,1),"%")
# vẽ pie chart không nhãn
pie(
tansuat_homeowner,
labels = NA,
main = "tần số biến khách hàng có sở hửu nhà",
col = cols,
border = "white")
# thêm legend bên ngoài góc phải
legend(
x = "topright",
legend = paste(names(tansuat_homeowner),nhanhomeowner),
fill = cols
)
Nhận xét:
counts_homeowner <- table(dt$Homeowner)
diff_homeowner <- abs(counts_homeowner["Y"] - counts_homeowner["N"])Vậy trong bộ dữ liệu này có 39.9388292 % không có nhà và 60.0611708% có nhà.
Số lượng người sở hữu nhà là 8444, số lượng người không sở hữu là 5615.
Sự chênh lệch về số lượng giữa hai nhóm là 2829 người, nghĩa là số người có nhà nhiều hơn khá đáng kể so với số người không có nhà.
2.3 Biến MaritalStatus
Bảng tần số
#Lập bảng tần số của biến MaritalStatus
tanso_maritalStatus <- table(dt$MaritalStatus)
tanso_maritalStatus##
## M S
## 6866 7193Biểu đồ
# Vẽ biểu đồ cột cho MaritalStatus
barplot(
tanso_maritalStatus,
main = "Tần số biến tình trạng hôn nhân",
xlab = "tình trạng hôn nhân",
ylab = "Số quan sát",
las = 1,
col = c("yellow", "green"),
border = "white"
)
Bảng tần suất
#Lập bảng tần suất của biến MaritalStatus
tansuat_maritalStatus <- tanso_maritalStatus/sum(nrow(dt))
tansuat_maritalStatus##
## M S
## 0.4883704 0.5116296Biểu đồ
# Nhãn phần trăm
nhanmaritalStatus <- paste0( round(tansuat_maritalStatus * 100, 1), "%")
# Vẽ pie chart ẩn nhãn
pie(
tansuat_maritalStatus,
labels = NA,
main = "Tần suất biến MaritalStatus",
col = rainbow(length(nhanmaritalStatus)),
border = "white")
# Thêm legend bên ngoài
legend(
x ="topright",
legend = paste(names(tansuat_maritalStatus),nhanmaritalStatus),
fill = rainbow(length(nhanmaritalStatus))
)
Nhận xét:
# Đếm số người kết hôn (M) và độc thân (S)
ms_counts <- table(dt$MaritalStatus)
# Chênh lệch về số lượng giữa hai nhóm
ms_diff <- abs(ms_counts["M"] - ms_counts["S"])Vậy trong bộ dữ liệu này có 48.8370439 % đã kết hôn và 51.1629561% độc thân.
Trong bộ dữ liệu này có 6866 người đã kết hôn và 7193 người độc thân. Nhóm kết hôn nhiều hơn nhóm độc thân 327 người.
2.4 Biến City
Bảng tần số
# Lập bảng tần số biến City
tanso_city <- table(dt$City)
# Sắp xếp giảm dần để xem các thành phố phổ biến nhất
tanso_city <- sort(tanso_city, decreasing = TRUE)
# Hiển thị toàn bộ bảng tần số
tanso_city##
## Salem Tacoma Los Angeles Seattle Portland
## 1386 1257 926 922 876
## Spokane San Diego Hidalgo Bremerton Beverly Hills
## 875 866 845 834 811
## Merida Vancouver San Andres Orizaba Camacho
## 654 633 621 464 452
## Acapulco Yakima Mexico City Victoria Walla Walla
## 383 376 194 176 160
## Bellingham San Francisco Guadalajara
## 143 130 75Biểu đồ
barplot(
tanso_city,
main = "Tần số biến thành phố",
cex.names = 0.4,
xlab = "Số quan sát",
ylab = "Thành phố",
las = 1, # xoay nhãn trục y ngang
col = "steelblue",
border = "white",
horiz = TRUE # vẽ thanh ngang để đọc nhãn dễ hơn
)
Bảng tần suất
tansuat_city <- tanso_city/sum(nrow(dt))
tansuat_city##
## Salem Tacoma Los Angeles Seattle Portland
## 0.098584537 0.089408920 0.065865282 0.065580767 0.062308841
## Spokane San Diego Hidalgo Bremerton Beverly Hills
## 0.062237712 0.061597553 0.060103848 0.059321431 0.057685468
## Merida Vancouver San Andres Orizaba Camacho
## 0.046518245 0.045024539 0.044170994 0.033003770 0.032150224
## Acapulco Yakima Mexico City Victoria Walla Walla
## 0.027242336 0.026744434 0.013798990 0.012518671 0.011380610
## Bellingham San Francisco Guadalajara
## 0.010171420 0.009246746 0.005334661Biểu đồ
# Màu cho từng lát
cols <- rainbow(length(tansuat_city))
# Nhãn phần trăm
nhancity <- paste0( round(tansuat_city * 100, 1), "%")
# Vẽ pie chart ẩn nhãn
pie(
tansuat_city,
labels = NA,
main = "Tần suất biến city",
col = cols,
border = "white")
# Thêm legend bên ngoài
legend(
x ="topright",
legend = paste(names(tansuat_city),nhancity),
fill = cols,
bty = "n", # bỏ viền
cex = 0.5, # thu nhỏ chữ
ncol = 2, # chia thành 2 cột
x.intersp = 0.5, # giãn khoảng cách chữ–ký hiệu ngang
y.intersp = 0.7 # giãn khoảng cách giữa các dòng
)
Nhận xét:
Trong bộ dữ liệu này, thành phố có tỷ lệ giao dịch cao nhất là Salem với khoảng 9.86%, tiếp theo là Tacoma (8.94%), Los Angeles (6.59%) và Seattle (6.56%).
Các thành phố nhỏ hơn như Hidalgo (6.01%) hoặc Guadalajara (0.53%) có tỷ lệ thấp hơn nhiều.
Điều này cho thấy giao dịch chủ yếu tập trung ở một số thành phố lớn với dân số hoặc hoạt động kinh tế cao hơn. Các thành phố nhỏ hơn đóng góp ít hơn vào tổng số giao dịch, có thể do quy mô thị trường nhỏ hoặc mức độ phổ biến của sản phẩm thấp.
Ngoài ra, việc phân bố này cũng có thể phản ánh chiến lược tiếp thị hoặc kênh phân phối mà siêu thị đang tập trung vào các khu vực đô thị lớn.
2.5 Biến StateorProvince
Bảng tần số
#Lập bảng tần số của biến StateorProvince
tanso_stateorProvince <- table(dt$StateorProvince)
tanso_stateorProvince##
## BC CA DF Guerrero Jalisco OR Veracruz WA
## 809 2733 815 383 75 2262 464 4567
## Yucatan Zacatecas
## 654 1297Biểu đồ
barplot(
tanso_stateorProvince,
main = "Tần số biến bang hoặc tỉnh",
cex.names = 0.4,
xlab = "Số quan sát",
ylab = "bang hoặc tỉnh",
las = 1, # xoay nhãn trục y ngang
col = "green",
border = "white",
horiz = TRUE # vẽ thanh ngang để đọc nhãn dễ hơn
)
Bảng tần suất
#Lập bảng tần suất của biến StateorProvince
tansuat_stateorProvince <- tanso_stateorProvince/sum(nrow(dt))
tansuat_stateorProvince##
## BC CA DF Guerrero Jalisco OR
## 0.057543211 0.194395049 0.057969984 0.027242336 0.005334661 0.160893378
## Veracruz WA Yucatan Zacatecas
## 0.033003770 0.324845295 0.046518245 0.092254072Đồ thị
# Màu cho từng lát
cols <- rainbow(length(tansuat_stateorProvince))
# Nhãn phần trăm
nhanstateorProvince <- paste0( round(tansuat_stateorProvince * 100, 1), "%")
# Vẽ pie chart ẩn nhãn
pie(
tansuat_stateorProvince,
labels = NA,
main = "Tần suất biến bang hoặc tỉnh",
col = cols,
border = "white")
# Thêm legend bên ngoài
legend(
x ="topright",
legend = paste(names(tansuat_stateorProvince),nhanstateorProvince),
fill = cols,
bty = "n", # bỏ viền
cex = 0.5, # thu nhỏ chữ
ncol = 2, # chia thành 2 cột
)
Nhận xét: Trong bộ dữ liệu này, bang hoặc tỉnh có tỷ lệ giao dịch lớn nhất là WA với khoảng 32.48%, tiếp theo là CA (19.44%) và OR (16.09%). Các bang như Jalisco (0.53%) và Guerrero (2.72%) chiếm tỷ lệ thấp hơn. Như vậy, dữ liệu cho thấy sự tập trung giao dịch cao ở một số bang chính.
2.6 Biến Country
Bảng tần số
#Lập bảng tần số của biến Country
tanso_country <- table(dt$Country)
tanso_country##
## Canada Mexico USA
## 809 3688 9562Biểu đồ
barplot(
tanso_country,
main = "tần số biến quốc gia",
xlab = "quốc gia",
ylab = "số lượng",
las = 1,
col = c("brown","orange","pink"),
border = "white"
)
Bảng tần suất
#Lập bảng tần suất của biến Country
tansuat_country <- tanso_country/sum(nrow(dt))
tansuat_country##
## Canada Mexico USA
## 0.05754321 0.26232307 0.68013372Biểu đồ
# Nhãn phần trăm
nhancountry <- paste0( round(tansuat_country * 100, 1), "%")
# Vẽ pie chart ẩn nhãn
pie(
tansuat_country,
labels = NA,
main = "Tần suất biến quốc gia",
col = rainbow(length(nhancountry)),
border = "white")
# Thêm legend bên ngoài
legend(
x ="topright",
legend = paste(names(tansuat_country),nhancountry),
fill = rainbow(length(nhancountry)),
bty ="n"
)
Nhận xét:
# Đếm số bản ghi theo quốc gia
cty_counts <- table(dt$Country)
# Chênh lệch về số lượng giữa quốc gia đông nhất và ít nhất
cty_diff <- max(cty_counts) - min(cty_counts)Vậy trong bộ dữ liệu này có 5.7543211 % ở Canada, 26.2323067% ở Mexico và 68.0133722% ở USA.
Quốc gia đông nhất có 9562, quốc gia ít nhất có r
min(cty_counts).Sự chênh lệch giữa hai quốc gia này là 8753 người.
2.7 Biến ProductFamily
Bảng tần số
#Lập bảng tần số của biến ProductFamily
tanso_productFamily <- table(dt$ProductFamily)
tanso_productFamily##
## Drink Food Non-Consumable
## 1250 10153 2656Biểu đồ
barplot(
tanso_productFamily,
main = "tần số biến nhóm sản phẩm",
xlab = "nhóm sản phẩm",
ylab = "số lượng",
las = 1,
col = c("yellow","purple","pink"),
border = "white"
)
Bảng tần suất
#Lập bảng tần suất của biến ProductFamily
tansuat_productFamily <- tanso_productFamily/sum(nrow(dt))
tansuat_productFamily##
## Drink Food Non-Consumable
## 0.08891102 0.72217085 0.18891813Biểu đồ
cols <- c("lightblue","lightpink","lightgreen")
# Nhãn phần trăm
nhanproductFamily <- paste0( round(tansuat_productFamily * 100, 1), "%")
# Vẽ pie chart ẩn nhãn
pie(
tansuat_productFamily,
labels = NA,
main = "Tần suất biến nhóm sản phẩm",
col = cols,
border = "white")
# Thêm legend bên ngoài
legend(
x ="topright",
legend = paste(names(tansuat_productFamily),nhanproductFamily),
fill = cols,
)
Nhận xét:
- Vậy trong bộ dữ liệu này có 8.8911018 % đồ uống, 72.2170851% thức ăn và 18.8918131% không tiêu thụ được.
2.8 Biến ProductDepartment
Bảng tần số
# Lập bảng tần số
tanso_productDepartment <- table(dt$ProductDepartment)
tanso_productDepartment##
## Alcoholic Beverages Baked Goods Baking Goods Beverages
## 356 425 1072 680
## Breakfast Foods Canned Foods Canned Products Carousel
## 188 977 109 59
## Checkout Dairy Deli Eggs
## 82 903 699 198
## Frozen Foods Health and Hygiene Household Meat
## 1382 893 1420 89
## Periodicals Produce Seafood Snack Foods
## 202 1994 102 1600
## Snacks Starchy Foods
## 352 277Biểu đồ
barplot(
tanso_productDepartment,
main = "Tần số biến bộ phận sản phẩm trong nhóm",
cex.names = 0.4,
xlab = "Số quan sát",
ylab = "",
las = 1, # xoay nhãn trục y ngang
col = "lightblue",
border = "white",
horiz = TRUE # vẽ thanh ngang để đọc nhãn dễ hơn
)
Bảng tần suất
tansuat_productDepartment <-tanso_productDepartment/sum(nrow(dt))
tansuat_productDepartment##
## Alcoholic Beverages Baked Goods Baking Goods Beverages
## 0.025321858 0.030229746 0.076250089 0.048367594
## Breakfast Foods Canned Foods Canned Products Carousel
## 0.013372217 0.069492852 0.007753041 0.004196600
## Checkout Dairy Deli Eggs
## 0.005832563 0.064229319 0.049719041 0.014083505
## Frozen Foods Health and Hygiene Household Meat
## 0.098300021 0.063518031 0.101002916 0.006330464
## Periodicals Produce Seafood Snack Foods
## 0.014368020 0.141830856 0.007255139 0.113806103
## Snacks Starchy Foods
## 0.025037343 0.019702682Nhận xét:
- Trong bộ dữ liệu, nhóm sản phẩm có tỷ lệ giao dịch cao nhất là Produce với 14.18%, tiếp theo là Snack Foods (11.38%) và Household (10.1%). Nhóm Frozen Foods cũng chiếm tỷ lệ đáng kể là 9.83%. Các nhóm như Carousel (0.42%) và Checkout (0.58%) có tỷ lệ thấp hơn nhiều.
2.9 Biến ProductCategory
Bảng tần số
tanso_productCategory <- table(dt$ProductCategory)
tanso_productCategory##
## Baking Goods Bathroom Products Beer and Wine
## 484 365 356
## Bread Breakfast Foods Candles
## 425 417 45
## Candy Canned Anchovies Canned Clams
## 352 44 53
## Canned Oysters Canned Sardines Canned Shrimp
## 35 40 38
## Canned Soup Canned Tuna Carbonated Beverages
## 404 87 154
## Cleaning Supplies Cold Remedies Dairy
## 189 93 903
## Decongestants Drinks Eggs
## 85 135 198
## Electrical Frozen Desserts Frozen Entrees
## 355 323 118
## Fruit Hardware Hot Beverages
## 765 129 226
## Hygiene Jams and Jellies Kitchen Products
## 197 588 217
## Magazines Meat Miscellaneous
## 202 761 42
## Packaged Vegetables Pain Relievers Paper Products
## 48 192 345
## Pizza Plastic Products Pure Juice Beverages
## 194 141 165
## Seafood Side Dishes Snack Foods
## 102 153 1600
## Specialty Starchy Foods Vegetables
## 289 277 1728Biểu đồ
barplot(
tanso_productCategory,
main = "Tần số biến hạng mục sản phẩm cụ thể",
cex.names = 0.4,
xlab = "Số quan sát",
ylab = "",
las = 1, # xoay nhãn trục y ngang
col = "lightpink",
border = "white",
horiz = TRUE # vẽ thanh ngang để đọc nhãn dễ hơn
)
Bảng tần suất
tansuat_productCategory <- tanso_productCategory/sum(nrow(dt))
tansuat_productCategory##
## Baking Goods Bathroom Products Beer and Wine
## 0.034426346 0.025962017 0.025321858
## Bread Breakfast Foods Candles
## 0.030229746 0.029660716 0.003200797
## Candy Canned Anchovies Canned Clams
## 0.025037343 0.003129668 0.003769827
## Canned Oysters Canned Sardines Canned Shrimp
## 0.002489508 0.002845153 0.002702895
## Canned Soup Canned Tuna Carbonated Beverages
## 0.028736041 0.006188207 0.010953837
## Cleaning Supplies Cold Remedies Dairy
## 0.013443346 0.006614980 0.064229319
## Decongestants Drinks Eggs
## 0.006045949 0.009602390 0.014083505
## Electrical Frozen Desserts Frozen Entrees
## 0.025250729 0.022974607 0.008393200
## Fruit Hardware Hot Beverages
## 0.054413543 0.009175617 0.016075112
## Hygiene Jams and Jellies Kitchen Products
## 0.014012376 0.041823743 0.015434953
## Magazines Meat Miscellaneous
## 0.014368020 0.054129028 0.002987410
## Packaged Vegetables Pain Relievers Paper Products
## 0.003414183 0.013656732 0.024539441
## Pizza Plastic Products Pure Juice Beverages
## 0.013798990 0.010029163 0.011736254
## Seafood Side Dishes Snack Foods
## 0.007255139 0.010882709 0.113806103
## Specialty Starchy Foods Vegetables
## 0.020556227 0.019702682 0.122910591Nhận xét:
- Trong bộ dữ liệu, nhóm sản phẩm có tỷ lệ giao dịch cao nhất là Vegetables với 12.29%, tiếp theo là Snack Foods (11.38%) và Dairy (6.42%). Các nhóm đóng hộp như Canned Oysters (0.25%) và Canned Clams (0.38%) chiếm tỷ lệ rất nhỏ, cho thấy sự ưu tiên mua hàng tươi và đồ ăn nhẹ.
2.10 Biến AnnualIncome
Bảng tần số
# Bảng tần suất cho AnnualIncome
tanso_annualIncome <- table(dt$AnnualIncome)
tanso_annualIncome##
## $10K - $30K $110K - $130K $130K - $150K $150K + $30K - $50K
## 3090 643 760 273 4601
## $50K - $70K $70K - $90K $90K - $110K
## 2370 1709 613Biểu đồ
barplot(
tanso_annualIncome,
main = "Tần số theo Thu nhập",
cex.names = 0.4,
xlab = "AnnualIncome",
ylab = "số thu nhập",
las = 1, # xoay nhãn trục y ngang
col = "lightblue",
border = "white",
horiz = TRUE # vẽ thanh ngang để đọc nhãn dễ hơn
)
Bảng tần suất
tansuat_annualIncome <- tanso_annualIncome/sum(nrow(dt))
tansuat_annualIncome##
## $10K - $30K $110K - $130K $130K - $150K $150K + $30K - $50K
## 0.21978804 0.04573583 0.05405790 0.01941817 0.32726367
## $50K - $70K $70K - $90K $90K - $110K
## 0.16857529 0.12155914 0.04360196Biểu đồ
# Màu cho từng lát
cols <- rainbow(length(tansuat_annualIncome))
# Nhãn phần trăm
nhanannualIncome <- paste0( round(tansuat_annualIncome * 100, 1), "%")
# Vẽ pie chart ẩn nhãn
pie(
tansuat_annualIncome,
labels = NA,
main = "Tần suất biến thu nhập",
col = cols,
border = "white")
# Thêm legend bên ngoài
legend(
x ="topright",
legend = paste(names(tansuat_annualIncome),nhanannualIncome),
fill = cols,
bty = "n", # bỏ viền
cex = 0.5, # thu nhỏ chữ
ncol = 2, # chia thành 2 cột
x.intersp = 0.5, # giãn khoảng cách chữ–ký hiệu ngang
y.intersp = 0.7 # giãn khoảng cách giữa các dòng
)
Nhận xét:
Sự phân bố thu nhập không đều phản ánh cơ cấu khách hàng của siêu thị hoặc đơn vị khảo sát: tập trung nhiều ở các nhóm thu nhập trung bình đến trung cao, trong khi nhóm thu nhập quá thấp hoặc quá cao xuất hiện ít hơn.
Đây có thể là dấu hiệu để doanh nghiệp điều chỉnh chiến lược tiếp cận thị trường, như tập trung nhiều hơn vào các nhóm thu nhập đang chiếm ưu thế, hoặc mở rộng các chính sách ưu đãi để thu hút nhóm khách hàng ít phổ biến hơn.
3 Phần 3. ƯỚC LƯỢNG KHOẢNG VÀ KIỂM ĐỊNH GIẢ THUYẾT CHO TỶ LỆ (MỘT BIẾN)
# Tổng số bản ghi (n)
n <- nrow(dt)Giả thuyết đặt ra như sau:
H₀: p = p₀
H₁: p ≠ p₀
3.1 Gender (female)
# 1) Đếm số khách nữ
count_female <- sum(dt$Gender == "F")
# 2) Đặt H₀: p_F = 0.50; H₁: p_F ≠ 0.50
p0 <- 0.5
# 3) Thực hiện prop.test
res_female <- prop.test(x = count_female,
n = n,
p = p0,
conf.level= 0.95)
print(res_female)##
## 1-sample proportions test with continuity correction
##
## data: count_female out of n, null probability p0
## X-squared = 5.5765, df = 1, p-value = 0.0182
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.5016931 0.5182886
## sample estimates:
## p
## 0.5099936Nhận xét
Ta có p-value = 0.0182 < α = 0.05, bác H₀ (tỉ lệ nữ = 0.5) và chấp nhận H₁: tỉ lệ nữ khác 50% ở mức ý nghĩa 5%.
Khoảng tin cậy 95% cho tỉ lệ nữ là [0.5017, 0.5183], không chứa 0.5, củng cố rằng tỉ lệ nữ thực sự cao hơn 50%.
Ước tính tỉ lệ nữ trong mẫu là p̂ ≈ 0.51 (51%), nghĩa là tỉ lệ nữ vượt ngưỡng 50% khoảng 1%.
3.2 Homeowner (yes)
count_owner <- sum(dt$Homeowner == "Y")
p0_owner <- 0.50 # Giả thuyết H₀: 50% là có sỡ hữu nhà
res_owner <- prop.test(x = count_owner,
n = n,
p = p0_owner,
conf.level= 0.95)
print(res_owner)##
## 1-sample proportions test with continuity correction
##
## data: count_owner out of n, null probability p0_owner
## X-squared = 568.86, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.5924537 0.6087145
## sample estimates:
## p
## 0.6006117Nhận xét
Ta có p-value < 2.2e-16 < α = 0.05, nên bác bỏ H₀ (tỉ lệ sở hữu nhà = 0.5) và chấp nhận H₁: tỉ lệ chủ sở hữu khác 50% ở mức ý nghĩa 5%.
Khoảng tin cậy 95% cho tỉ lệ chủ sở hữu là [0.5925, 0.6087], không bao gồm 0.5, khẳng định tỉ lệ chủ sở hữu thực sự cao hơn 50%.
Ước tính tỉ lệ chủ sở hữu trong mẫu là p̂ ≈ 0.6006 (60.06%), nghĩa là tỉ lệ chủ sở hữu vượt 50% khoảng 10%.
3.3 ProductFamily (food)
count_food <- sum(dt$ProductFamily == "Food")
p0_food <- 0.50 # H₀: 50% giao dịch thuộc nhóm Food
res_food <- prop.test(x = count_food,
n = n,
p = p0_food,
conf.level= 0.95)
print(res_food)##
## 1-sample proportions test with continuity correction
##
## data: count_food out of n, null probability p0_food
## X-squared = 2774.9, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
## 0.7146709 0.7295489
## sample estimates:
## p
## 0.7221709Nhận xét
Ta có p-value < 2.2e-16 < α = 0.05, nên bác bỏ H₀ (tỉ lệ food = 0.5) và chấp nhận H₁: tỉ lệ food khác 50% ở mức ý nghĩa 5%.
Khoảng tin cậy 95% cho tỉ lệ food là [0.7147, 0.7295], không bao gồm 0.5, khẳng định tỉ lệ food thực sự cao hơn 50%.
Ước tính tỉ lệ food trong mẫu là p̂ ≈ 0.7222 (72.22%), nghĩa là tỉ lệ food vượt ngưỡng 50% khoảng 22%—một chênh lệch đáng kể cả về thực tiễn và thống kê.
4 Phần 4. PHÂN TÍCH MỐI QUAN HỆ GIỮA HAI BIẾN ĐỊNH TÍNH
4.1 Gender và ProductFamily
4.1.1 Bảng tần số và tần suất
# Bảng chéo counts
tab_gf <- table(Gender = dt$Gender, ProductFamily = dt$ProductFamily)
tab_gf## ProductFamily
## Gender Drink Food Non-Consumable
## F 669 5149 1352
## M 581 5004 1304# Tỉ lệ theo hàng (row‐%)
pct_gf <- round(prop.table(tab_gf, margin = 1) * 100, 1)
pct_gf## ProductFamily
## Gender Drink Food Non-Consumable
## F 9.3 71.8 18.9
## M 8.4 72.6 18.9Nhận xét
Drink
Về số lượng: nữ có 669 giao dịch so với 581 của nam, nhiều hơn 88 giao dịch.
Về tỉ lệ: nữ chiếm 9.3% tổng giao dịch của mình, nam chiếm 8.4%, chênh +0.9%.
Vậy phụ nữ có xu hướng mua đồ uống hơi nhiều hơn nam, nhưng chênh chưa đến 1%.
Food
Về số lượng: nữ 5.149 giao dịch, nam 5.004, nhiều hơn 145 giao dịch.
Về tỉ lệ: nữ 71.8%, nam 72.6%, chênh −0.8%.
Vậy dù có nhiều giao dịch Food hơn về con số tuyệt đối, vì tổng giao dịch của nữ cũng nhiều hơn, nên tỉ lệ lại thấp hơn nam một chút.
Non-Consumable
Về số lượng: nữ 1.352 giao dịch, nam 1.304, nhiều hơn 48 giao dịch.
Về tỉ lệ: cả hai đều 18.9%, chênh 0.0%.
vậy sự khác biệt thật sự rất nhỏ, tỉ lệ ngang bằng.
4.1.2 Đồ thị
library(ggplot2)
gf_df <- as.data.frame(table(Gender = dt$Gender, ProductFamily = dt$ProductFamily))
ggplot( gf_df, aes(x = ProductFamily,y = Freq, fill = Gender, group = Gender)) +
geom_col(position = position_dodge(width = 0.8), width = 0.7) +
scale_fill_manual(
name = "Giới tính",
values = c("F" = "lightgreen", "M" = "yellow"),
labels = c("Nữ", "Nam")
) +
labs(
title = "Số giao dịch theo sản phẩm & giới tính",
x = "Nhóm sản phẩm",
y = "Số giao dịch"
) +
theme_minimal()
4.1.3 Kiểm định Chi-bình phương độc lập
Giả thuyết kiểm định:
H₀: Giới và nhóm sản phẩmlà hai biến độc lập.
H₁: Giới và nhóm sản phẩm có liên quan.
test_gf <- chisq.test(tab_gf)
test_gf##
## Pearson's Chi-squared test
##
## data: tab_gf
## X-squared = 3.5185, df = 2, p-value = 0.1722Nhận xét
- p-value = 0.1722 > 0.05 vậy chấp nhận H₀ nghĩa là không đủ bằng chứng để cho rằng giới tính ảnh hưởng đáng kể đến nhóm sản phẩm mua.
4.2 MaritalStatus và Homeowner
4.2.1 Bảng tần số và tần suất
tab_mo <- table(Marital = dt$MaritalStatus, Owner = dt$Homeowner)
tab_mo## Owner
## Marital N Y
## M 1719 5147
## S 3896 3297pct_mo <- round(prop.table(tab_mo, margin = 1) * 100, 1)
pct_mo## Owner
## Marital N Y
## M 25.0 75.0
## S 54.2 45.8# Giả sử tab_mo đã được tạo như trên
diff_owner_count <- tab_mo["M", "Y"] - tab_mo["S", "Y"]
diff_not_owner_count <- tab_mo["S", "N"] - tab_mo["M", "N"]Nhận xét
Trong bộ dữ liệu, có 3896 người độc thân không sở hữu nhà và 3297 người độc thân sở hữu nhà. Ngoài ra, có 1719 người đã kết hôn không sở hữu nhà và 5147 người đã kết hôn sở hữu nhà.
Số người đã kết hôn sở hữu nhà nhiều hơn người độc thân là 1850 người.
Người độc thân không sở hữu nhà nhiều hơn người đã kết hôn là 2177 người.
4.2.2 Đồ thi
library(ggplot2)
mo_df <- as.data.frame(table(Marital = dt$MaritalStatus, Owner = dt$Homeowner))
ggplot( mo_df, aes(x = Marital,y = Freq, fill = Owner, group = Owner)) +
geom_col(position = position_dodge(width = 0.8), width = 0.7) +
scale_fill_manual(
name = "Sở hữu nhà",
values = c("Y" = "lightblue","N" = "lightpink"),
labels = c("Có", "Không")
) +
labs(
title = "Số khách có/không sở hữu nhà theo tình trạng hôn nhân",
x = "Tình trạng hôn nhân",
y = "Số khách hàng"
) +
theme_minimal()
4.2.3 Kiểm định Chi-bình phương độc lập
Giả thuyết kiểm định:
H₀: Tình trạng hôn nhân và việc sở hữu nhà là hai biến độc lập.
H₁: Tình trạng hôn nhân và việc sở hữu nhà có liên quan.
test_mo <- chisq.test(tab_mo)
test_mo##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tab_mo
## X-squared = 1241.2, df = 1, p-value < 2.2e-16Nhận xét
- p-value < 2.2e-16 < 0.05 vậy bác bỏ H₀ nghĩa là đủ bằng chứng để cho rằng Tình trạng hôn nhân và việc sở hữu nhà có liên quan.
4.3 AnnualIncome và ProductCategory
4.3.1 Bảng tần số và tần suất
tab_ap <- table(Income = dt$AnnualIncome, Category = dt$ProductCategory)
tab_ap## Category
## Income Baking Goods Bathroom Products Beer and Wine Bread
## $10K - $30K 119 85 80 108
## $110K - $130K 18 16 14 23
## $130K - $150K 22 19 15 24
## $150K + 11 8 3 10
## $30K - $50K 151 116 121 134
## $50K - $70K 86 50 61 63
## $70K - $90K 59 51 39 50
## $90K - $110K 18 20 23 13
## Category
## Income Breakfast Foods Candles Candy Canned Anchovies Canned Clams
## $10K - $30K 111 6 76 10 12
## $110K - $130K 7 1 16 2 1
## $130K - $150K 28 2 19 1 3
## $150K + 7 1 8 1 1
## $30K - $50K 143 21 127 14 20
## $50K - $70K 62 7 60 8 6
## $70K - $90K 42 7 29 6 7
## $90K - $110K 17 0 17 2 3
## Category
## Income Canned Oysters Canned Sardines Canned Shrimp Canned Soup
## $10K - $30K 5 8 9 98
## $110K - $130K 4 2 0 19
## $130K - $150K 3 1 2 17
## $150K + 1 1 0 8
## $30K - $50K 10 18 16 137
## $50K - $70K 5 5 7 67
## $70K - $90K 5 3 2 50
## $90K - $110K 2 2 2 8
## Category
## Income Canned Tuna Carbonated Beverages Cleaning Supplies
## $10K - $30K 13 36 47
## $110K - $130K 3 6 8
## $130K - $150K 5 3 7
## $150K + 3 6 4
## $30K - $50K 28 51 51
## $50K - $70K 19 20 35
## $70K - $90K 10 23 25
## $90K - $110K 6 9 12
## Category
## Income Cold Remedies Dairy Decongestants Drinks Eggs Electrical
## $10K - $30K 23 174 22 30 37 74
## $110K - $130K 2 38 4 9 9 20
## $130K - $150K 6 49 5 8 15 21
## $150K + 3 17 0 4 4 8
## $30K - $50K 32 299 31 46 67 114
## $50K - $70K 12 160 8 19 36 57
## $70K - $90K 10 126 10 16 20 47
## $90K - $110K 5 40 5 3 10 14
## Category
## Income Frozen Desserts Frozen Entrees Fruit Hardware Hot Beverages
## $10K - $30K 75 20 150 31 48
## $110K - $130K 17 10 29 3 11
## $130K - $150K 17 5 48 10 9
## $150K + 8 2 10 1 5
## $30K - $50K 112 35 252 41 79
## $50K - $70K 44 21 136 25 33
## $70K - $90K 36 18 104 13 26
## $90K - $110K 14 7 36 5 15
## Category
## Income Hygiene Jams and Jellies Kitchen Products Magazines Meat
## $10K - $30K 36 137 47 49 156
## $110K - $130K 6 31 5 17 41
## $130K - $150K 14 32 14 9 52
## $150K + 4 8 3 1 14
## $30K - $50K 62 185 74 65 253
## $50K - $70K 37 103 51 36 115
## $70K - $90K 29 71 20 18 100
## $90K - $110K 9 21 3 7 30
## Category
## Income Miscellaneous Packaged Vegetables Pain Relievers Paper Products
## $10K - $30K 10 9 42 70
## $110K - $130K 1 1 7 19
## $130K - $150K 6 1 8 17
## $150K + 0 2 5 8
## $30K - $50K 8 20 61 101
## $50K - $70K 14 8 34 67
## $70K - $90K 2 7 30 46
## $90K - $110K 1 0 5 17
## Category
## Income Pizza Plastic Products Pure Juice Beverages Seafood Side Dishes
## $10K - $30K 50 41 34 17 36
## $110K - $130K 13 6 9 3 2
## $130K - $150K 12 7 5 8 8
## $150K + 1 2 5 5 3
## $30K - $50K 59 33 52 44 53
## $50K - $70K 31 31 25 11 23
## $70K - $90K 15 17 26 12 23
## $90K - $110K 13 4 9 2 5
## Category
## Income Snack Foods Specialty Starchy Foods Vegetables
## $10K - $30K 329 65 70 385
## $110K - $130K 85 13 18 74
## $130K - $150K 83 18 15 87
## $150K + 35 5 5 32
## $30K - $50K 533 96 85 551
## $50K - $70K 274 50 48 300
## $70K - $90K 184 32 28 215
## $90K - $110K 77 10 8 84pct_ap <- round(prop.table(tab_ap, margin = 1) * 100, 1)
pct_ap## Category
## Income Baking Goods Bathroom Products Beer and Wine Bread
## $10K - $30K 3.9 2.8 2.6 3.5
## $110K - $130K 2.8 2.5 2.2 3.6
## $130K - $150K 2.9 2.5 2.0 3.2
## $150K + 4.0 2.9 1.1 3.7
## $30K - $50K 3.3 2.5 2.6 2.9
## $50K - $70K 3.6 2.1 2.6 2.7
## $70K - $90K 3.5 3.0 2.3 2.9
## $90K - $110K 2.9 3.3 3.8 2.1
## Category
## Income Breakfast Foods Candles Candy Canned Anchovies Canned Clams
## $10K - $30K 3.6 0.2 2.5 0.3 0.4
## $110K - $130K 1.1 0.2 2.5 0.3 0.2
## $130K - $150K 3.7 0.3 2.5 0.1 0.4
## $150K + 2.6 0.4 2.9 0.4 0.4
## $30K - $50K 3.1 0.5 2.8 0.3 0.4
## $50K - $70K 2.6 0.3 2.5 0.3 0.3
## $70K - $90K 2.5 0.4 1.7 0.4 0.4
## $90K - $110K 2.8 0.0 2.8 0.3 0.5
## Category
## Income Canned Oysters Canned Sardines Canned Shrimp Canned Soup
## $10K - $30K 0.2 0.3 0.3 3.2
## $110K - $130K 0.6 0.3 0.0 3.0
## $130K - $150K 0.4 0.1 0.3 2.2
## $150K + 0.4 0.4 0.0 2.9
## $30K - $50K 0.2 0.4 0.3 3.0
## $50K - $70K 0.2 0.2 0.3 2.8
## $70K - $90K 0.3 0.2 0.1 2.9
## $90K - $110K 0.3 0.3 0.3 1.3
## Category
## Income Canned Tuna Carbonated Beverages Cleaning Supplies
## $10K - $30K 0.4 1.2 1.5
## $110K - $130K 0.5 0.9 1.2
## $130K - $150K 0.7 0.4 0.9
## $150K + 1.1 2.2 1.5
## $30K - $50K 0.6 1.1 1.1
## $50K - $70K 0.8 0.8 1.5
## $70K - $90K 0.6 1.3 1.5
## $90K - $110K 1.0 1.5 2.0
## Category
## Income Cold Remedies Dairy Decongestants Drinks Eggs Electrical
## $10K - $30K 0.7 5.6 0.7 1.0 1.2 2.4
## $110K - $130K 0.3 5.9 0.6 1.4 1.4 3.1
## $130K - $150K 0.8 6.4 0.7 1.1 2.0 2.8
## $150K + 1.1 6.2 0.0 1.5 1.5 2.9
## $30K - $50K 0.7 6.5 0.7 1.0 1.5 2.5
## $50K - $70K 0.5 6.8 0.3 0.8 1.5 2.4
## $70K - $90K 0.6 7.4 0.6 0.9 1.2 2.8
## $90K - $110K 0.8 6.5 0.8 0.5 1.6 2.3
## Category
## Income Frozen Desserts Frozen Entrees Fruit Hardware Hot Beverages
## $10K - $30K 2.4 0.6 4.9 1.0 1.6
## $110K - $130K 2.6 1.6 4.5 0.5 1.7
## $130K - $150K 2.2 0.7 6.3 1.3 1.2
## $150K + 2.9 0.7 3.7 0.4 1.8
## $30K - $50K 2.4 0.8 5.5 0.9 1.7
## $50K - $70K 1.9 0.9 5.7 1.1 1.4
## $70K - $90K 2.1 1.1 6.1 0.8 1.5
## $90K - $110K 2.3 1.1 5.9 0.8 2.4
## Category
## Income Hygiene Jams and Jellies Kitchen Products Magazines Meat
## $10K - $30K 1.2 4.4 1.5 1.6 5.0
## $110K - $130K 0.9 4.8 0.8 2.6 6.4
## $130K - $150K 1.8 4.2 1.8 1.2 6.8
## $150K + 1.5 2.9 1.1 0.4 5.1
## $30K - $50K 1.3 4.0 1.6 1.4 5.5
## $50K - $70K 1.6 4.3 2.2 1.5 4.9
## $70K - $90K 1.7 4.2 1.2 1.1 5.9
## $90K - $110K 1.5 3.4 0.5 1.1 4.9
## Category
## Income Miscellaneous Packaged Vegetables Pain Relievers Paper Products
## $10K - $30K 0.3 0.3 1.4 2.3
## $110K - $130K 0.2 0.2 1.1 3.0
## $130K - $150K 0.8 0.1 1.1 2.2
## $150K + 0.0 0.7 1.8 2.9
## $30K - $50K 0.2 0.4 1.3 2.2
## $50K - $70K 0.6 0.3 1.4 2.8
## $70K - $90K 0.1 0.4 1.8 2.7
## $90K - $110K 0.2 0.0 0.8 2.8
## Category
## Income Pizza Plastic Products Pure Juice Beverages Seafood Side Dishes
## $10K - $30K 1.6 1.3 1.1 0.6 1.2
## $110K - $130K 2.0 0.9 1.4 0.5 0.3
## $130K - $150K 1.6 0.9 0.7 1.1 1.1
## $150K + 0.4 0.7 1.8 1.8 1.1
## $30K - $50K 1.3 0.7 1.1 1.0 1.2
## $50K - $70K 1.3 1.3 1.1 0.5 1.0
## $70K - $90K 0.9 1.0 1.5 0.7 1.3
## $90K - $110K 2.1 0.7 1.5 0.3 0.8
## Category
## Income Snack Foods Specialty Starchy Foods Vegetables
## $10K - $30K 10.6 2.1 2.3 12.5
## $110K - $130K 13.2 2.0 2.8 11.5
## $130K - $150K 10.9 2.4 2.0 11.4
## $150K + 12.8 1.8 1.8 11.7
## $30K - $50K 11.6 2.1 1.8 12.0
## $50K - $70K 11.6 2.1 2.0 12.7
## $70K - $90K 10.8 1.9 1.6 12.6
## $90K - $110K 12.6 1.6 1.3 13.7Nhận xét
Nhóm thu nhập từ
"$30K - $50K"ghi nhận số giao dịch cao nhất ở hầu hết các danh mục, ví dụ:- Snack Foods: 533 giao dịch.
- Vegetables: 551 giao dịch.
- Dairy: 299 giao dịch.
Điều này có thể là do nhóm thu nhập trung lưu có khả năng chi tiêu cao nhưng vẫn ưu tiên các mặt hàng thiết yếu.
Nhóm thu nhập thấp (
"$10K - $30K") cũng có lượng giao dịch tương đối lớn, đặc biệt ở:- Vegetables: 385 giao dịch.
- Snack Foods: 329 giao dịch.
Điều này cho thấy nhu cầu với sản phẩm cơ bản, giá cả phải chăng vẫn rất cao.
Ngược lại, nhóm thu nhập cao (
"$130K - $150K","$150K +") có số giao dịch thấp hơn rõ rệt, ví dụ:- Snack Foods: 35 giao dịch.
- Vegetables: 32 giao dịch.
Có thể do số mẫu nhóm thu nhập cao ít hơn hoặc họ ưu tiên mua sắm online, sản phẩm cao cấp hơn.
4.3.2 Kiểm định Chi-bình phương độc lập
Giả thuyết kiểm định:
H₀: Hai biến khoảng thu nhập hằng năm và hạng mục sản phẩm là độc lập.
H₁: Hai biến khoảng thu nhập hằng năm và hạng mục sản phẩm có mối liên quan.
test_sp <- chisq.test(tab_ap)## Warning in chisq.test(tab_ap): Chi-squared approximation may be incorrecttest_sp##
## Pearson's Chi-squared test
##
## data: tab_ap
## X-squared = 295.23, df = 308, p-value = 0.6897Nhận xét
- p-value = 0.6897 > 0.05 vậy chấp nhận H₀ nghĩa là không đủ bằng chứng để cho rằng Hai biến khoảng thu nhập hằng năm và hạng mục sản phẩm là độc lập.
5 Phần 5: TỔNG KẾT VÀ THẢO LUẬN
5.1 Tóm tắt kết quả chính
5.1.1 Nhân khẩu học
- Giới tính:
- Nữ chiếm 51%, nam chiếm 49%—tương đối cân bằng.
- Hành vi mua sắm tương đồng, chỉ khác biệt nhỏ ở một số danh mục (ví dụ: Women’s Health, Beauty).
- Nữ chiếm 51%, nam chiếm 49%—tương đối cân bằng.
- Tình trạng hôn nhân & Nhà ở:
- Người đã kết hôn (M) và độc thân (S) phân bố gần bằng nhau.
- 60% khách hàng sở hữu nhà (Homeowner = Y).
- Người kết hôn có tỉ lệ sở hữu nhà cao hơn (75% vs. 46%), thể hiện sự ổn định tài chính và nhu cầu mua sắm cho gia đình.
- Người đã kết hôn (M) và độc thân (S) phân bố gần bằng nhau.
5.1.2 Thu nhập
- Nhóm $30K–$50K chiếm đông nhất (32,7%), phản ánh
tầng lớp trung lưu.
- Nhóm thu nhập thấp ($10K–$30K) và trung bình–cao ($50K–$90K) cũng
chiếm tỷ trọng lớn (~25% mỗi nhóm).
- Nhóm > $150K chỉ ~2%, mẫu nhỏ nhưng có xu hướng tiêu dùng sản phẩm cao cấp, dịch vụ tiện lợi.
5.1.3 Phân bố địa lý
- Quốc gia: 68% giao dịch từ Mỹ; còn lại từ Canada,
Mexico.
- Bang: WA, CA, OR chiếm phần lớn—tương ứng với các
thành phố Salem, Tacoma, Los Angeles đứng đầu về số lượng giao
dịch.
- Thành phố: Salem (~10% giao dịch), Tacoma (~9%), Los Angeles (~6%).
5.1.4 Hành vi theo sản phẩm
- ProductFamily:
- Food (72,2%), Non-consumable (19%), Drink (9%).
- Food (72,2%), Non-consumable (19%), Drink (9%).
- ProductDepartment:
- Produce (12,3%), Snack Foods (11,4%), Dairy (6,4%), Frozen Foods
(9,8%).
- Produce (12,3%), Snack Foods (11,4%), Dairy (6,4%), Frozen Foods
(9,8%).
- ProductCategory:
- Nhóm rau củ tươi và đồ ăn nhanh đứng đầu ở hầu hết các phân khúc thu
nhập.
- Nhóm thu nhập thấp–trung bình ưu tiên các mặt hàng thiết yếu, giá cả phải chăng; thu nhập cao mua nhiều snack, frozen và sản phẩm chăm sóc sức khỏe.
- Nhóm rau củ tươi và đồ ăn nhanh đứng đầu ở hầu hết các phân khúc thu
nhập.
5.2 Hạn chế
- Thiếu biến định lượng: không phân tích sâu về tuổi,
giá trị đơn hàng, tần suất mua.
- Mẫu không đồng đều: nhóm thu nhập rất cao và các
thành phố nhỏ có ít quan sát, giảm tính đại diện.
- Tương quan chéo: chưa điều chỉnh mối liên hệ giữa
thu nhập, nhà ở, địa lý.
- Giới tính & văn hóa: chưa khai thác khác biệt chi tiết giữa nam/nữ hoặc theo vùng miền.
5.3 Đề xuất chiến lược
- Phân khúc & Marketing
- Nhóm $30K–$70K: chú trọng combo rau củ tươi, sữa, thực phẩm đông
lạnh; ưu đãi theo gói.
- Nhóm đã kết hôn & có nhà: ưu đãi đồ gia dụng, gói giao hàng định
kỳ.
- Nhóm $30K–$70K: chú trọng combo rau củ tươi, sữa, thực phẩm đông
lạnh; ưu đãi theo gói.
- Kênh phân phối
- Mở rộng tại Salem, Tacoma, Los Angeles; tối ưu kệ hàng cho Produce,
Snack Foods, Dairy.
- Xem xét giảm diện tích với danh mục ít bán (ví dụ Canned Oysters,
Candles).
- Mở rộng tại Salem, Tacoma, Los Angeles; tối ưu kệ hàng cho Produce,
Snack Foods, Dairy.
- Công nghệ & Cá nhân hóa
- Dùng CRM thu thập thêm dữ liệu định lượng, phân tích hành vi theo thời gian thực; gợi ý sản phẩm tự động.
5.4 Hướng nghiên cứu tiếp theo
- So sánh “thu nhập cao + độc thân + có nhà” vs. “thu nhập cao + đã
kết hôn” về hành vi mua sắm.
- Ảnh hưởng của tuổi kết hợp với hôn nhân và thu nhập đến lựa chọn sản
phẩm.
- Sự khác biệt tiêu dùng tiện lợi (Frozen, Snack) giữa đô thị – nông
thôn.
- Khách nào chi mạnh cho Non-consumable?
- Phân tích tỷ trọng chi tiêu chi tiết theo từng mức thu nhập và danh mục sản phẩm.
6 A: ĐỌC VÀ CHUẨN BỊ TRƯỚC BUỔI HỌC
6.1 Giới thiệu chung
Tuần này, chúng ta đi sâu vào suy diễn thống kê trên bảng ngẫu nhiên (Contingency Table), đặc biệt tập trung vào:
- Kiểm định Chi-square về tính độc lập giữa hai biến phân loại.
- Các chỉ số đo lường mối liên hệ trong bảng 2x2: Relative Risk (RR) và Odds Ratio (OR).
- Cách tính khoảng tin cậy cho Odds Ratio.
- Ứng dụng các kiến thức trên vào một ví dụ thực tế từ bộ dữ liệu Supermarket Transactions.
Đọc dữ liệu và khám phá
library("csv")
data <- read.csv("C:/Users/ASUS/Downloads/Supermarket Transactions.csv", header = T)
str(data)## 'data.frame': 14059 obs. of 16 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ PurchaseDate : chr "2007-12-18" "2007-12-20" "2007-12-21" "2007-12-21" ...
## $ CustomerID : int 7223 7841 8374 9619 1900 6696 9673 354 1293 7938 ...
## $ Gender : chr "F" "M" "F" "M" ...
## $ MaritalStatus : chr "S" "M" "M" "M" ...
## $ Homeowner : chr "Y" "Y" "N" "Y" ...
## $ Children : int 2 5 2 3 3 3 2 2 3 1 ...
## $ AnnualIncome : chr "$30K - $50K" "$70K - $90K" "$50K - $70K" "$30K - $50K" ...
## $ City : chr "Los Angeles" "Los Angeles" "Bremerton" "Portland" ...
## $ StateorProvince : chr "CA" "CA" "WA" "OR" ...
## $ Country : chr "USA" "USA" "USA" "USA" ...
## $ ProductFamily : chr "Food" "Food" "Food" "Food" ...
## $ ProductDepartment: chr "Snack Foods" "Produce" "Snack Foods" "Snacks" ...
## $ ProductCategory : chr "Snack Foods" "Vegetables" "Snack Foods" "Candy" ...
## $ UnitsSold : int 5 5 3 4 4 3 4 6 1 2 ...
## $ Revenue : num 27.38 14.9 5.52 4.44 14 ...Đầu tiên, ta sẽ sử dụng 2 biến định tính: Gender (Giới tính) và Homeowner (Có sở hữu nhà hay không) để tiến hành đưa ra ví dụ cũng như phân tích.
6.2 Bảng ngẫu nhiên
Bảng ngẫu nhiên (contingency table) là công cụ thống kê dùng để trình bày tần số của các biến phân loại. Trong trường hợp đơn giản nhất – bảng 2x2 – bảng có dạng:
| Biến B = Yes | Biến B = No | |
|---|---|---|
| Biến A = Yes | a | b |
| Biến A = No | c | d |
Trong phân tích thống kê, bảng 2x2 thường dùng để:
- So sánh xác suất giữa hai nhóm (như Nam vs Nữ).
- Tính toán các chỉ số đo lường mối liên hệ: Risk, Odds, Relative Risk (RR), Odds Ratio (OR).
- Kiểm định giả thuyết về sự độc lập giữa hai biến (Chi-square test, Fisher’s Exact Test,…).
Bảng có thể sinh ra từ các phân phối như:
- Multinomial: nếu tổng số quan sát cố định.
- Poisson: nếu từng ô trong bảng là biến Poisson độc lập (áp dụng khi dữ liệu hiếm).
Các bước thực hiện trong R
table_gender_homeowner <- table(data$Gender, data$Homeowner)
table_gender_homeowner##
## N Y
## F 2826 4344
## M 2789 41006.3 Kiểm định Chi-square về tính độc lập
Lý thuyết: Kiểm định Chi-square
Dùng để kiểm tra xem hai biến phân loại có độc lập thống kê không.
- Giả thuyết H₀: Hai biến độc lập.
- Giả thuyết H₁: Hai biến có mối liên hệ.
Chỉ số kiểm định: \[ X^2 = \sum \frac{(O_{ij} - E_{ij})^2}{E_{ij}} \]
Trong đó:
- \(O_{ij}\) là tần số quan sát
- \(E_{ij}\) là tần số kỳ vọng.
Nếu p-value < 0.05, ta có đủ cơ sở để bác bỏ H₀ → Có bằng chứng về sự phụ thuộc giữa hai biến.
Các bước thực hiện trong R
chisq.test(table_gender_homeowner, correct = FALSE)##
## Pearson's Chi-squared test
##
## data: table_gender_homeowner
## X-squared = 1.6788, df = 1, p-value = 0.19516.4 Tính Odds Ratio, Relative Risk
6.4.1 Tỷ số nguy cơ (Relative Risk - RR)
Khái niệm: Relative Risk (RR) là tỷ lệ giữa xác suất xảy ra sự kiện ở nhóm tiếp xúc so với nhóm không tiếp xúc.
Công thức:
\[ RR = \frac{\frac{a}{a+b}}{\frac{c}{c+d}} \]
Diễn giải:
- RR = 1: Không có sự khác biệt về nguy cơ giữa hai nhóm.
- RR > 1: Nguy cơ ở nhóm tiếp xúc cao hơn nhóm không tiếp xúc.
- RR < 1: Nguy cơ ở nhóm tiếp xúc thấp hơn nhóm không tiếp xúc.
6.4.2 Tỷ số chênh (Odds Ratio - OR)
Khái niệm: Odds Ratio (OR) là tỷ lệ giữa odds xảy ra sự kiện ở nhóm tiếp xúc so với nhóm không tiếp xúc.
Công thức:
\[ OR = \frac{\frac{a}{b}}{\frac{c}{d}} = \frac{a \times d}{b \times c} \]
Diễn giải:
- OR = 1: Không có sự khác biệt về odds giữa hai nhóm.
- OR > 1: Odds xảy ra sự kiện ở nhóm tiếp xúc cao hơn nhóm không tiếp xúc.
- OR < 1: Odds xảy ra sự kiện ở nhóm tiếp xúc thấp hơn nhóm không tiếp xúc.
Các bước thực hiện trên R
# Lấy số liệu
a <- table_gender_homeowner["F", "Y"]
b <- table_gender_homeowner["F", "N"]
c <- table_gender_homeowner["M", "Y"]
d <- table_gender_homeowner["M", "N"]
# Tính Odds
odds_female <- a / b
odds_male <- c / d
# Odds Ratio (OR)
or <- odds_female / odds_male
# Relative Risk (RR)
risk_female <- a / (a + b)
risk_male <- c / (c + d)
rr <- risk_female / risk_male
list(
odds_female = odds_female,
odds_male = odds_male,
OR = or,
RR = rr
)## $odds_female
## [1] 1.537155
##
## $odds_male
## [1] 1.470061
##
## $OR
## [1] 1.04564
##
## $RR
## [1] 1.017989Khoảng tin cậy 95% cho Odds Ratio
Do OR không phân phối chuẩn, nên lấy log(OR) để xây dựng khoảng tin cậy:
\[ CI_{log(OR)} = \log(OR) \pm Z \cdot SE_{log(OR)} \]
Với: \[ SE = \sqrt{\frac{1}{a} + \frac{1}{b} + \frac{1}{c} + \frac{1}{d}} \]
Chuyển về thang OR bằng hàm mũ: \(e^{CI}\).
Các bước thực hiện trên R
se_log_or <- sqrt(1/a + 1/b + 1/c + 1/d)
z <- 1.96 # hệ số cho 95%
ci_lower <- exp(log(or) - z * se_log_or)
ci_upper <- exp(log(or) + z * se_log_or)
c(ci_lower, ci_upper)## [1] 0.9773755 1.1186731Nhận xét:
- Nếu OR < 1, odds của việc sở hữu nhà ở nhóm Female nhỏ hơn Male.
- Nếu RR < 1, phụ nữ có nguy cơ sở hữu nhà thấp hơn nam giới.
Kết luận cần đi kèm với kiểm định Chi-square và khoảng tin cậy, không nên chỉ nhìn vào OR/RR.
Đây là một ví dụ điển hình cho việc sử dụng Odds Ratio trong kinh tế/xã hội học để mô tả mối liên hệ giữa hai đặc điểm phân loại.
6.5 Thực hành trên bộ dữ liệu
Tạo bảng tần số
# Bảng tần số chéo giữa MaritalStatus và Homeowner
tbl <- table(data$MaritalStatus, data$Homeowner)
tbl##
## N Y
## M 1719 5147
## S 3896 3297Nhận xét
Khách hàng đã kết hôn (M): Có tới 5147 người sở hữu nhà ở, chiếm phần lớn trong nhóm này, trong khi chỉ có 1719 người không sở hữu nhà.
Khách hàng độc thân (S): Ngược lại, nhóm này có xu hướng không sở hữu nhà ở cao hơn với 3896 người, trong khi số người sở hữu nhà chỉ là 3297 người.
Kiểm định Chi-square
chi_test <- chisq.test(tbl)
chi_test##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tbl
## X-squared = 1241.2, df = 1, p-value < 2.2e-16Kết quả kiểm định:
Giá trị thống kê Chi-bình phương: X-squared = 1241.2
Bậc tự do: df = 1
Giá trị p: p-value < 2.2e-16
Kết luận:
- Vì giá trị p rất nhỏ (p < 0.05), ta bác bỏ giả thuyết không H0. Điều này cho thấy có mối liên hệ có ý nghĩa thống kê giữa tình trạng hôn nhân và tình trạng sở hữu nhà.
Tính Odds Ratio và Relative Risk
# Lọc dữ liệu: chỉ lấy Married và Single
data2 <- subset(data, MaritalStatus %in% c("M", "S"))
# Tạo bảng 2x2
tbl2 <- table(data2$MaritalStatus, data2$Homeowner)
tbl2##
## N Y
## M 1719 5147
## S 3896 3297# Tính toán Odds Ratio và Relative Risk
library(epiR)## Loading required package: survival## Package epiR 2.0.84 is loaded## Type help(epi.about) for summary information## Type browseVignettes(package = 'epiR') to learn how to use epiR for applied epidemiological analyses## epi_result <- epi.2by2(tbl2, method = "cohort.count", conf.level = 0.95)
epi_result## Outcome+ Outcome- Total Inc risk *
## Exposure+ 1719 5147 6866 25.04 (24.02 to 26.08)
## Exposure- 3896 3297 7193 54.16 (53.00 to 55.32)
## Total 5615 8444 14059 39.94 (39.13 to 40.75)
##
## Point estimates and 95% CIs:
## -------------------------------------------------------------------
## Inc risk ratio 0.46 (0.44, 0.48)
## Inc odds ratio 0.28 (0.26, 0.30)
## Attrib risk in the exposed * -29.13 (-30.67, -27.59)
## Attrib fraction in the exposed (%) -116.34 (-126.59, -106.62)
## Attrib risk in the population * -14.22 (-15.63, -12.82)
## Attrib fraction in the population (%) -35.62 (-35.74, -35.46)
## -------------------------------------------------------------------
## Uncorrected chi2 test that OR = 1: chi2(1) = 1242.432 Pr>chi2 = <0.001
## Fisher exact test that OR = 1: Pr>chi2 = <0.001
## Wald confidence limits
## CI: confidence interval
## * Outcomes per 100 population units6.6 Kết quả phân tích
Bảng chéo tần suất giữa MaritalStatus và Homeowner
| Marital Status | Không sở hữu nhà (N) | Có sở hữu nhà (Y) | Tổng cộng |
|---|---|---|---|
| Married (M) | 1,719 | 5,147 | 6,866 |
| Single (S) | 3,896 | 3,297 | 7,193 |
| Tổng cộng | 5,615 | 8,444 | 14,059 |
Tỷ lệ hiện mắc (Incidence Risk)
- Nhóm Married: 25.04% (CI: 24.02 – 26.08)
- Nhóm Single: 54.16% (CI: 53.00 – 55.32)
Những người độc thân có xác suất không sở hữu nhà cao hơn gấp đôi so với người đã kết hôn.
Relative Risk (RR)
- RR = 0.46 (95% CI: 0.44 – 0.48)
Nguy cơ không sở hữu nhà ở nhóm đã kết hôn chỉ bằng 46% so với nhóm độc thân.
Odds Ratio (OR)
- OR = 0.28 (95% CI: 0.26 – 0.30)
Xác suất không sở hữu nhà ở nhóm đã kết hôn thấp hơn 72% so với nhóm độc thân.
Risk Difference và Attribution
- Chênh lệch nguy cơ tuyệt đối (risk difference): -29.13 điểm phần trăm
- Tỷ lệ quy trách trong nhóm phơi nhiễm (exposed): -116.34%
- Tỷ lệ quy trách toàn dân (population): -35.62%
Điều này cho thấy rằng việc kết hôn có thể giúp giảm đáng kể rủi ro không sở hữu nhà ở cấp độ cá nhân lẫn dân số.
Kiểm định ý nghĩa thống kê
- Chi-squared test: χ²(1) = 1242.43, p < 0.001
- Fisher’s exact test: p < 0.001
Kết quả kiểm định cho thấy mối liên hệ giữa tình trạng hôn nhân và việc sở hữu nhà là rất có ý nghĩa thống kê (p < 0.001).
Kết luận:
- Có mối liên hệ rất rõ ràng và có ý nghĩa giữa tình trạng hôn nhân và việc sở hữu nhà.
- Những người đã kết hôn có tỷ lệ và xác suất không sở hữu nhà thấp hơn đáng kể so với người độc thân.
- Đây là một phát hiện quan trọng có thể được sử dụng trong các nghiên cứu xã hội học hoặc chính sách nhà ở.
7 B: HOẠT ĐỘNG TRÊN LỚP
Trong hoạt động này, chúng ta sẽ sử dụng dữ liệu Supermarket Transactions để phân tích mối liên hệ giữa các biến nhị phân. Mục tiêu là:
- Tạo bảng 2x2
- Tính và diễn giải Hiệu hai tỷ lệ (Difference in Proportions)
- Tính Relative Risk (RR) và Odds Ratio (OR)
- Tính khoảng tin cậy 95% cho OR
- Thực hiện phân tích phân tầng (stratified analysis)
7.1 Đọc và làm quen với dữ liệu
Bộ dữ liệu “Supermarket Transactions” phản ánh các giao dịch mua hàng của khách hàng tại một siêu thị trong một khoảng thời gian cụ thể. Mỗi dòng dữ liệu tương ứng với một giao dịch, bao gồm thông tin nhân khẩu học (giới tính, loại thành viên, chi nhánh), đặc điểm sản phẩm (loại sản phẩm, kênh thanh toán), và các yếu tố hành vi tiêu dùng (thời gian mua sắm, mức độ hài lòng, giá trị đơn hàng,…). Tập dữ liệu gồm 14.059 quan sát và 16 biến, cung cấp nền tảng chi tiết để phân tích hành vi khách hàng và hiệu quả kinh doanh của siêu thị.
# Đọc file
library("csv")
data <- read.csv("C:/Users/ASUS/Downloads/Supermarket Transactions.csv", header = T)
# Hiển thị cấu trúc dữ liệu
str(data)## 'data.frame': 14059 obs. of 16 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ PurchaseDate : chr "2007-12-18" "2007-12-20" "2007-12-21" "2007-12-21" ...
## $ CustomerID : int 7223 7841 8374 9619 1900 6696 9673 354 1293 7938 ...
## $ Gender : chr "F" "M" "F" "M" ...
## $ MaritalStatus : chr "S" "M" "M" "M" ...
## $ Homeowner : chr "Y" "Y" "N" "Y" ...
## $ Children : int 2 5 2 3 3 3 2 2 3 1 ...
## $ AnnualIncome : chr "$30K - $50K" "$70K - $90K" "$50K - $70K" "$30K - $50K" ...
## $ City : chr "Los Angeles" "Los Angeles" "Bremerton" "Portland" ...
## $ StateorProvince : chr "CA" "CA" "WA" "OR" ...
## $ Country : chr "USA" "USA" "USA" "USA" ...
## $ ProductFamily : chr "Food" "Food" "Food" "Food" ...
## $ ProductDepartment: chr "Snack Foods" "Produce" "Snack Foods" "Snacks" ...
## $ ProductCategory : chr "Snack Foods" "Vegetables" "Snack Foods" "Candy" ...
## $ UnitsSold : int 5 5 3 4 4 3 4 6 1 2 ...
## $ Revenue : num 27.38 14.9 5.52 4.44 14 ...# Hiển thị vài dòng đầu và cuối
head(data)## X PurchaseDate CustomerID Gender MaritalStatus Homeowner Children
## 1 1 2007-12-18 7223 F S Y 2
## 2 2 2007-12-20 7841 M M Y 5
## 3 3 2007-12-21 8374 F M N 2
## 4 4 2007-12-21 9619 M M Y 3
## 5 5 2007-12-22 1900 F S Y 3
## 6 6 2007-12-22 6696 F M Y 3
## AnnualIncome City StateorProvince Country ProductFamily
## 1 $30K - $50K Los Angeles CA USA Food
## 2 $70K - $90K Los Angeles CA USA Food
## 3 $50K - $70K Bremerton WA USA Food
## 4 $30K - $50K Portland OR USA Food
## 5 $130K - $150K Beverly Hills CA USA Drink
## 6 $10K - $30K Beverly Hills CA USA Food
## ProductDepartment ProductCategory UnitsSold Revenue
## 1 Snack Foods Snack Foods 5 27.38
## 2 Produce Vegetables 5 14.90
## 3 Snack Foods Snack Foods 3 5.52
## 4 Snacks Candy 4 4.44
## 5 Beverages Carbonated Beverages 4 14.00
## 6 Deli Side Dishes 3 4.37tail(data)## X PurchaseDate CustomerID Gender MaritalStatus Homeowner Children
## 14054 14054 2009-12-29 2032 F M N 3
## 14055 14055 2009-12-29 9102 F M Y 2
## 14056 14056 2009-12-29 4822 F M Y 3
## 14057 14057 2009-12-31 250 M S Y 1
## 14058 14058 2009-12-31 6153 F S N 4
## 14059 14059 2009-12-31 3656 M S N 3
## AnnualIncome City StateorProvince Country ProductFamily
## 14054 $10K - $30K Yakima WA USA Non-Consumable
## 14055 $10K - $30K Bremerton WA USA Food
## 14056 $10K - $30K Walla Walla WA USA Food
## 14057 $30K - $50K Portland OR USA Drink
## 14058 $50K - $70K Spokane WA USA Drink
## 14059 $50K - $70K Portland OR USA Non-Consumable
## ProductDepartment ProductCategory UnitsSold Revenue
## 14054 Household Paper Products 5 14.50
## 14055 Baking Goods Baking Goods 3 9.64
## 14056 Frozen Foods Vegetables 3 7.45
## 14057 Beverages Pure Juice Beverages 4 3.24
## 14058 Dairy Dairy 2 4.00
## 14059 Household Electrical 5 25.53# Chuyển các biến định tính phù hợp sang factor
factor <- c("Gender", "MaritalStatus", "Homeowner", "AnnualIncome",
"City", "StateorProvince", "Country",
"ProductFamily", "ProductDepartment", "ProductCategory")
# Kiểm tra biến nào tồn tại trong data
factor <- intersect(factor, names(data))
# Chuyển sang factor
data[factor] <- lapply(data[factor], as.factor)
# Kiểm tra lại cấu trúc
str(data)## 'data.frame': 14059 obs. of 16 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ PurchaseDate : chr "2007-12-18" "2007-12-20" "2007-12-21" "2007-12-21" ...
## $ CustomerID : int 7223 7841 8374 9619 1900 6696 9673 354 1293 7938 ...
## $ Gender : Factor w/ 2 levels "F","M": 1 2 1 2 1 1 2 1 2 2 ...
## $ MaritalStatus : Factor w/ 2 levels "M","S": 2 1 1 1 2 1 2 1 1 2 ...
## $ Homeowner : Factor w/ 2 levels "N","Y": 2 2 1 2 2 2 2 2 2 1 ...
## $ Children : int 2 5 2 3 3 3 2 2 3 1 ...
## $ AnnualIncome : Factor w/ 8 levels "$10K - $30K",..: 5 7 6 5 3 1 5 4 1 6 ...
## $ City : Factor w/ 23 levels "Acapulco","Bellingham",..: 8 8 4 12 3 3 13 23 2 15 ...
## $ StateorProvince : Factor w/ 10 levels "BC","CA","DF",..: 2 2 8 6 2 2 6 8 8 2 ...
## $ Country : Factor w/ 3 levels "Canada","Mexico",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ ProductFamily : Factor w/ 3 levels "Drink","Food",..: 2 2 2 2 1 2 2 2 3 3 ...
## $ ProductDepartment: Factor w/ 22 levels "Alcoholic Beverages",..: 20 18 20 21 4 11 13 6 15 14 ...
## $ ProductCategory : Factor w/ 45 levels "Baking Goods",..: 42 45 42 7 15 41 5 13 16 35 ...
## $ UnitsSold : int 5 5 3 4 4 3 4 6 1 2 ...
## $ Revenue : num 27.38 14.9 5.52 4.44 14 ...Giải thích các biến
Bộ dữ liệu ghi lại thông tin về các giao dịch mua hàng của khách hàng, bao gồm thông tin nhân khẩu học, thông tin sản phẩm, số lượng bán ra và doanh thu. Dữ liệu bao gồm 14059 quan sát và 16 biến. Dưới đây là mô tả chi tiết các biến có trong bộ dữ liệu:
| Tên Biến | Ý Nghĩa |
|---|---|
| PurchaseDate | Ngày giao dịch mua hàng diễn ra (định dạng ngày/tháng/năm). |
| CustomerID | Mã định danh duy nhất cho mỗi khách hàng. |
| Gender | Giới tính của khách hàng: M (Nam), F (Nữ). |
| MaritalStatus | Tình trạng hôn nhân: S (Độc thân), M (Đã kết hôn). |
| Homeowner | Tình trạng sở hữu nhà: Y (Có), N (Không). |
| Children | Số lượng con cái của khách hàng. |
| AnnualIncome | Mức thu nhập hàng năm theo khoảng (Ví dụ: $30K - $50K). |
| City | Thành phố nơi khách hàng thực hiện giao dịch. |
| StateorProvince | Bang hoặc tỉnh (ví dụ: CA cho California, OR cho Oregon). |
| Country | Quốc gia. |
| ProductFamily | Nhóm sản phẩm chính: Food (Thực phẩm), Drink (Đồ uống), Non-Consumable (Không tiêu dùng). |
| ProductDepartment | Bộ phận sản phẩm như Snack Foods, Frozen Foods, v.v. |
| ProductCategory | Danh mục sản phẩm cụ thể hơn, ví dụ: Candy, Beer and Wine. |
| UnitsSold | Số lượng đơn vị sản phẩm đã bán trong giao dịch đó. |
| Revenue | Doanh thu từ giao dịch (tính theo USD). |
7.2 Phân tích mối liên hệ giữa Gender và Homeowner
7.2.1 Tạo bảng tần số chéo
table_gender_home <- table(data$Gender, data$Homeowner)
table_gender_home##
## N Y
## F 2826 4344
## M 2789 4100Dựa vào bảng trên:
Nữ (F) có tổng cộng 7170 người, trong đó 4344 người sở hữu nhà, chiếm khoảng 60.6%.
Nam (M) có tổng cộng 6889 người, với 4100 người sở hữu nhà, tương ứng khoảng 59.5%.
Nhận xét:
Tỷ lệ sở hữu nhà của nữ có vẻ nhỉnh hơn một chút so với nam (khoảng
60.6% so với 59.5%), tuy nhiên sự khác biệt này là khá nhỏ.
Để đánh giá rõ ràng hơn về mức độ liên hệ giữa hai biến, ta sẽ tiếp tục
tính các chỉ số định lượng như:
Hiệu hai tỷ lệ (Difference in Proportions), Relative Risk (RR), Odds
Ratio (OR).
7.2.2 Tính Hiệu Hai Tỷ Lệ
prop_table <- prop.table(table_gender_home, margin = 1)
prop_table##
## N Y
## F 0.3941423 0.6058577
## M 0.4048483 0.5951517diff_prop <- prop_table[1, "Y"] - prop_table[2, "N"]
diff_prop## [1] 0.2010094Tỷ lệ sở hữu nhà:
Ở nữ là 0.6059 (tức là 60.6%)
Ở nam là 0.5952 (tức là 59.5%)
Hiệu hai tỷ lệ giữa nữ và nam là 0.201, tương đương 20.1 điểm phần trăm.
Kết luận:
Tỷ lệ nữ sở hữu nhà cao hơn nam khoảng 1.00%, tuy nhiên mức chênh lệch này khá nhỏ và chưa thể kết luận có ý nghĩa thống kê nếu chưa tính khoảng tin cậy (confidence interval) hoặc thực hiện các kiểm định thống kê chính thức như kiểm định z hoặc chi bình phương.
7.2.3 Tính Relative Risk (RR)
library(epitools)##
## Attaching package: 'epitools'## The following object is masked from 'package:survival':
##
## ratetablerr_result <- riskratio(table_gender_home)
rr_result$measure## risk ratio with 95% C.I.
## estimate lower upper
## F 1.0000000 NA NA
## M 0.9823291 0.9561812 1.009192Dựa vào kết quả ta thấy Relative Risk (RR) của nam so với nữ là 0.9823. Khoảng tin cậy 95% của RR nằm trong khoảng từ 0.9562 đến 1.0092.
Kết luận:
RR < 1 cho thấy nam có tỷ lệ sở hữu nhà thấp hơn nữ một chút (chỉ còn
khoảng 98.23% so với nữ). Tuy nhiên, vì khoảng tin cậy 95% bao gồm giá
trị 1.0, nên không có bằng chứng đủ mạnh để kết luận sự khác biệt này có
ý nghĩa thống kê. Nói cách khác, tỷ lệ sở hữu nhà giữa nam và nữ có thể
coi là tương đương.
7.2.4 Tính Odds Ratio (OR) và Khoảng Tin Cậy
library(epitools)
or_result <- oddsratio(table_gender_home)
or_result## $data
##
## N Y Total
## F 2826 4344 7170
## M 2789 4100 6889
## Total 5615 8444 14059
##
## $measure
## odds ratio with 95% C.I.
## estimate lower upper
## F 1.000000 NA NA
## M 0.956381 0.8938974 1.023169
##
## $p.value
## two-sided
## midp.exact fisher.exact chi.square
## F NA NA NA
## M 0.195158 0.1964833 0.1950884
##
## $correction
## [1] FALSE
##
## attr(,"method")
## [1] "median-unbiased estimate & mid-p exact CI"or_result$conf.int## NULLPhân tích bảng thì giữa hai nhóm giới tính (F và M) cho thấy:
- Tỷ số odds (odds ratio) giữa nhóm nam (M) so với nữ (F) là 0.96, với khoảng tin cậy 95% là [0.89; 1.02].
- Giá trị p từ các phép kiểm định hai phía:
- Mid-p exact: p = 0.195
- Fisher’s exact: p = 0.196
- Chi-square: p = 0.195
Do tất cả các giá trị p đều lớn hơn mức ý nghĩa thông thường (α = 0.05), không có sự khác biệt có ý nghĩa thống kê giữa nhóm nam và nữ về biến được phân tích.
Như vậy, kết quả cho thấy không có mối liên quan rõ rệt giữa giới tính và biến, theo phân tích odds ratio và các kiểm định xác suất tương ứng.
---
title: NHIỆM VỤ TUẦN 3
author: "Lâm Thảo My"
date: "2025-06-15"
output:
  html_document: 
    code_download: true
    code_folding: hide
    number_sections: true
    toc_depth: 2
    toc_float: true
    toc: true
  word_document:
     toc: true
     toc_depth: '2'
  pdf_document:
    latex_engine: xelatex
editor_options: 
  markdown: 
    wrap: 72
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

```{css,echo = FALSE}
h1 {
  font-family: "Times New Roman", Times, serif;
  font-size: 32px;
  font-weight: bold
  }

h2 {
  font-family: "Times New Roman", Times, serif;
  font-size: 28px;
  font-weight: bold;
 
}

h3 {
  font-family: "Times New Roman", Times, serif;
  font-size: 24px;
  font-weight: bold;
  font-style: italic;
}

h4 {font-family: "Times New Roman", Times, serif;
  font-size: 20px;
  font-style: italic}

body {
  font-family: "Times New Roman", Times, serif;
  font-size: 18px;
  
}
p:not(h1):not(h2):not(h3):not(h4):not(h5) {
  text-indent: 2em;}
p {
  text-align: justify;
  }
.tocify-header {
  font-weight: bold;
}

```

```{r}
library(readr)
library(ggplot2)
library(dplyr)
library(skimr)
library(psych)
library(csv)
```

# **Phần 1. TÌM HIỂU VÀ CHUẨN BỊ DỮ LIỆU**

## **Đọc file dữ liệu**

```{r}
d <- read.csv("C:/Users/ASUS/Downloads/Supermarket Transactions.csv", header = T)
```

## **Danh sách các biến**

```{r}
names(d)
```

| Tên biến | Ý nghĩa |
|------------------------------------|------------------------------------|
| **X** | Ngày mua hàng (định dạng `YYYY-MM-DD`). |
| **CustomerID** | Mã định danh duy nhất cho mỗi khách hàng. |
| **Gender** | Giới tính của khách hàng (`M` = Male, `F` = Female). |
| **MaritalStatus** | Tình trạng hôn nhân (`S` = Single, `M` = Married). |
| **Homeowner** | Khách hàng có sở hữu nhà hay không (`Y` = Yes, `N` = No). |
| **Children** | Số lượng con nhỏ trong gia đình (số nguyên). |
| **AnnualIncome** | Khoảng thu nhập hàng năm (ví dụ `<$25K`, `$25K–$50K`, …). |
| **City** | Thành phố sinh sống. |
| **StateorProvince** | Bang hoặc tỉnh tương ứng với thành phố. |
| **Country** | Quốc gia nơi giao dịch diễn ra. |
| **ProductFamily** | Nhóm sản phẩm cấp cao (ví dụ Food, Drink, …). |
| **ProductDepartment** | Bộ phận sản phẩm trong nhóm (ví dụ Beverages, Snack Foods, …). |
| **ProductCategory** | Hạng mục sản phẩm cụ thể (ví dụ Carbonated Beverages, Candy, …). |
| **UnitsSold** | Số lượng đơn vị bán ra trong mỗi giao dịch. |
| **Revenue** | Doanh thu thu về từ giao dịch (đơn vị tiền tệ, ví dụ USD). |

## **Số biến và số quan sát**

```{r}
dim(d)
```

## **Kiểm tra cấu trúc tổng quát**

```{r}
str(d)
```

## **Chọn các biến định tính**

```{r}
dldt <- c("Gender", "MaritalStatus", "Homeowner","City", "StateorProvince", "Country", "ProductFamily", "ProductDepartment", "ProductCategory","AnnualIncome")
dldt
```

## **Tạo bộ dữ liệu mới chỉ chứa các biến định tính**

```{r, echo=TRUE}
dt <- d[, dldt]
```

## **Cấu trúc bộ dữ liệu**

```{r}
str(dt)
```

## **Một vài dòng đầu và dòng cuối**

```{r}
head(dt)
```

```{r}
tail(dt)
```

## **Kiểm tra NA**

```{r}
any(is.na(dt))
```

Vậy bộ dữ liệu không có giá trị thiếu

## **Kiểm tra kiểu dữ liệu và đổi về factor**

```{r}
dt <- data.frame(lapply(dt, as.factor))
```

```{r}
# Kiểm tra kiểu dữ liệu của từng biến trong dldt
sapply(dt, class)
```

# **Phần 2. PHÂN TÍCH MÔ TẢ MỘT BIẾN ĐỊNH TÍNH**

## **Biến Gender**

**Bảng tần số**

```{r}
#Lập bảng tần số biến Gender
tanso_gender <- table(dt$Gender)
tanso_gender
```

**Biểu đồ**

```{r}
# Vẽ biểu đồ cột cho bảng tần số Gender
barplot(
  tanso_gender,
  main   = "Tần số theo giới tính",
  xlab   = "Giới tính",
  ylab   = "Số quan sát",
  las    = 1,                      
  col    = c("blue", "tomato"),  
  border = "white")
```

**Bảng tần suất**

```{r}
#Lập bảng tần suất của biến Gender
tansuat_gender <- tanso_gender/sum(nrow(dt))
tansuat_gender
```

**Biểu đồ**

```{r}
# Màu cho từng lát
cols <- c("pink", "green")

# Nhãn phần trăm 
nhangender <- paste0(round(tansuat_gender * 100, 1), "%")

# Vẽ pie chart không nhãn
pie(
  tansuat_gender,
  labels = NA,               # ẩn nhãn ngay trên lát
  main   = "Tần suất theo giới tính",
  col    = cols,
  border = "white"
)

# Thêm legend bên ngoài góc phải
legend(
  x      = "topright",
  legend = paste(names(tansuat_gender), nhangender),
  fill   = cols,
)
```

**Nhận xét:**

```{r}
counts <- table(dt$Gender)
diff_count <- abs(counts["F"] - counts["M"])
```

-   Vậy trong bộ dữ liệu này có
    `r table(dt$Gender)[1]/sum(nrow(dt))*100` % nữ và
    `r table(dt$Gender)[2]/sum(nrow(dt))*100`% nam.

-   Trong bộ dữ liệu, số lượng nữ là `r counts["F"]`, số lượng nam là
    `r counts["M"]`. Sự chênh lệch về số lượng giữa nữ và nam là
    `r diff_count`.

## **Biến Homeowner**

**Bảng tần số**

```{r}
#Lập bảng tần số biến Homeowner
tanso_homeowner <- table(dt$Homeowner)
tanso_homeowner
```

**Biểu đồ**

```{r}
barplot(
  tanso_homeowner,
  main = "tần số biến khách hàng có sở hửu nhà",
  xlab = "sỡ hữu nhà",
  ylab = "số lượng",
  las  = 1,
  col  = c("orange","purple"),
  border = "white"
)
```

**Bảng tần suất**

```{r}
#Lập bảng tần suất của biến Homeowner
tansuat_homeowner <- tanso_homeowner/sum(nrow(dt))
tansuat_homeowner
```

**Biểu đồ**

```{r}
# màu cho từng lát
cols <- c("lightblue","lightpink")
# nhãn phần trăm 
nhanhomeowner <- paste0(round(tansuat_homeowner*100,1),"%")
# vẽ pie chart không nhãn
pie(
  tansuat_homeowner,
  labels = NA,
  main   = "tần số biến khách hàng có sở hửu nhà",
  col    = cols,
  border = "white")
# thêm legend bên ngoài góc phải
legend(
  x      = "topright",
  legend = paste(names(tansuat_homeowner),nhanhomeowner),
  fill   = cols
)
```

**Nhận xét:**

```{r}
counts_homeowner <- table(dt$Homeowner)
diff_homeowner <- abs(counts_homeowner["Y"] - counts_homeowner["N"])
```

-   Vậy trong bộ dữ liệu này có
    `r table(dt$Homeowner)[1]/sum(nrow(dt))*100` % không có nhà và
    `r table(dt$Homeowner)[2]/sum(nrow(dt))*100`% có nhà.

-   Số lượng người sở hữu nhà là `r counts_homeowner["Y"]`, số lượng
    người không sở hữu là `r counts_homeowner["N"]`.

-   Sự chênh lệch về số lượng giữa hai nhóm là `r diff_homeowner` người,
    nghĩa là số người có nhà nhiều hơn khá đáng kể so với số người không
    có nhà.

## **Biến MaritalStatus**

**Bảng tần số**

```{r}
#Lập bảng tần số của biến MaritalStatus
tanso_maritalStatus <- table(dt$MaritalStatus)
tanso_maritalStatus
```

**Biểu đồ**

```{r}
# Vẽ biểu đồ cột cho MaritalStatus
barplot(
  tanso_maritalStatus,
  main   = "Tần số biến tình trạng hôn nhân",
  xlab   = "tình trạng hôn nhân",
  ylab   = "Số quan sát",
  las    = 1,
  col    = c("yellow", "green"),
  border = "white"
)
```

**Bảng tần suất**

```{r}
#Lập bảng tần suất của biến MaritalStatus
tansuat_maritalStatus <- tanso_maritalStatus/sum(nrow(dt))
tansuat_maritalStatus
```

**Biểu đồ**

```{r}
# Nhãn phần trăm
nhanmaritalStatus <- paste0( round(tansuat_maritalStatus * 100, 1), "%")

# Vẽ pie chart ẩn nhãn
pie(
  tansuat_maritalStatus,
  labels = NA,
  main   = "Tần suất biến MaritalStatus",
  col    = rainbow(length(nhanmaritalStatus)),
  border = "white")

# Thêm legend bên ngoài
legend(
  x      ="topright",
  legend = paste(names(tansuat_maritalStatus),nhanmaritalStatus),
  fill   = rainbow(length(nhanmaritalStatus))
)
```

**Nhận xét:**

```{r}
# Đếm số người kết hôn (M) và độc thân (S)
ms_counts <- table(dt$MaritalStatus)

# Chênh lệch về số lượng giữa hai nhóm
ms_diff <- abs(ms_counts["M"] - ms_counts["S"])
```

-   Vậy trong bộ dữ liệu này có
    `r table(dt$MaritalStatus)[1]/sum(nrow(dt))*100` % đã kết hôn và
    `r table(dt$MaritalStatus)[2]/sum(nrow(dt))*100`% độc thân.

-   Trong bộ dữ liệu này có `r ms_counts["M"]` người đã kết hôn và
    `r ms_counts["S"]` người độc thân. Nhóm kết hôn nhiều hơn nhóm độc
    thân `r ms_diff` người.

## **Biến City**

**Bảng tần số**

```{r}
# Lập bảng tần số biến City
tanso_city <- table(dt$City)

# Sắp xếp giảm dần để xem các thành phố phổ biến nhất
tanso_city <- sort(tanso_city, decreasing = TRUE)

# Hiển thị toàn bộ bảng tần số
tanso_city
```

**Biểu đồ**

```{r}
barplot(
  tanso_city,
  main   = "Tần số biến thành phố",
  cex.names = 0.4,
  xlab   = "Số quan sát",
  ylab   = "Thành phố",
  las    = 1,            # xoay nhãn trục y ngang
  col    = "steelblue",
  border = "white",
  horiz  = TRUE          # vẽ thanh ngang để đọc nhãn dễ hơn
)
```

**Bảng tần suất**

```{r}
tansuat_city  <- tanso_city/sum(nrow(dt))
tansuat_city
```

**Biểu đồ**

```{r}
# Màu cho từng lát
cols <- rainbow(length(tansuat_city))

# Nhãn phần trăm
nhancity <- paste0( round(tansuat_city * 100, 1), "%")

# Vẽ pie chart ẩn nhãn
pie(
  tansuat_city,
  labels = NA,
  main   = "Tần suất biến city",
  col    = cols,
  border = "white")

# Thêm legend bên ngoài
legend(
  x         ="topright",
  legend    = paste(names(tansuat_city),nhancity),
  fill      = cols,
  bty       = "n",       # bỏ viền
  cex       = 0.5,       # thu nhỏ chữ
  ncol      = 2,         # chia thành 2 cột
  x.intersp = 0.5,       # giãn khoảng cách chữ–ký hiệu ngang
  y.intersp = 0.7        # giãn khoảng cách giữa các dòng
)
```

**Nhận xét:**

-   Trong bộ dữ liệu này, thành phố có tỷ lệ giao dịch cao nhất là Salem
    với khoảng `r round(table(dt$City)["Salem"]/nrow(dt)*100, 2)`%, tiếp
    theo là Tacoma
    (`r round(table(dt$City)["Tacoma"]/nrow(dt)*100, 2)`%), Los Angeles
    (`r round(table(dt$City)["Los Angeles"]/nrow(dt)*100, 2)`%) và
    Seattle (`r round(table(dt$City)["Seattle"]/nrow(dt)*100, 2)`%).

-   Các thành phố nhỏ hơn như Hidalgo
    (`r round(table(dt$City)["Hidalgo"]/nrow(dt)*100, 2)`%) hoặc
    Guadalajara
    (`r round(table(dt$City)["Guadalajara"]/nrow(dt)*100, 2)`%) có tỷ lệ
    thấp hơn nhiều.

-   Điều này cho thấy giao dịch chủ yếu tập trung ở một số thành phố lớn
    với dân số hoặc hoạt động kinh tế cao hơn. Các thành phố nhỏ hơn
    đóng góp ít hơn vào tổng số giao dịch, có thể do quy mô thị trường
    nhỏ hoặc mức độ phổ biến của sản phẩm thấp.

-   Ngoài ra, việc phân bố này cũng có thể phản ánh chiến lược tiếp thị
    hoặc kênh phân phối mà siêu thị đang tập trung vào các khu vực đô
    thị lớn.

## **Biến StateorProvince**

**Bảng tần số**

```{r}
#Lập bảng tần số của biến StateorProvince
tanso_stateorProvince <- table(dt$StateorProvince)
tanso_stateorProvince
```

**Biểu đồ**

```{r}
barplot(
  tanso_stateorProvince,
  main   = "Tần số biến bang hoặc tỉnh",
  cex.names = 0.4,
  xlab   = "Số quan sát",
  ylab   = "bang hoặc tỉnh",
  las    = 1,            # xoay nhãn trục y ngang
  col    = "green",
  border = "white",
  horiz  = TRUE          # vẽ thanh ngang để đọc nhãn dễ hơn
)
```

**Bảng tần suất**

```{r}
#Lập bảng tần suất của biến StateorProvince
tansuat_stateorProvince <- tanso_stateorProvince/sum(nrow(dt))
tansuat_stateorProvince
```

**Đồ thị**

```{r}
# Màu cho từng lát
cols <- rainbow(length(tansuat_stateorProvince))

# Nhãn phần trăm
nhanstateorProvince <- paste0( round(tansuat_stateorProvince * 100, 1), "%")

# Vẽ pie chart ẩn nhãn
pie(
  tansuat_stateorProvince,
  labels = NA,
  main   = "Tần suất biến bang hoặc tỉnh",
  col    = cols,
  border = "white")

# Thêm legend bên ngoài
legend(
  x         ="topright",
  legend    = paste(names(tansuat_stateorProvince),nhanstateorProvince),
  fill      = cols,
  bty       = "n",       # bỏ viền
  cex       = 0.5,       # thu nhỏ chữ
  ncol      = 2,         # chia thành 2 cột
)
```

**Nhận xét:** Trong bộ dữ liệu này, bang hoặc tỉnh có tỷ lệ giao dịch
lớn nhất là WA với khoảng
`r round(table(dt$StateorProvince)["WA"]/nrow(dt)*100, 2)`%, tiếp theo
là CA (`r round(table(dt$StateorProvince)["CA"]/nrow(dt)*100, 2)`%) và
OR (`r round(table(dt$StateorProvince)["OR"]/nrow(dt)*100, 2)`%). Các
bang như Jalisco
(`r round(table(dt$StateorProvince)["Jalisco"]/nrow(dt)*100, 2)`%) và
Guerrero
(`r round(table(dt$StateorProvince)["Guerrero"]/nrow(dt)*100, 2)`%)
chiếm tỷ lệ thấp hơn. Như vậy, dữ liệu cho thấy sự tập trung giao dịch
cao ở một số bang chính.

## **Biến Country**

**Bảng tần số**

```{r}
#Lập bảng tần số của biến Country
tanso_country <- table(dt$Country)
tanso_country
```

**Biểu đồ**

```{r}
barplot(
  tanso_country,
  main   = "tần số biến quốc gia",
  xlab   = "quốc gia",
  ylab   = "số lượng",
  las    = 1,
  col    = c("brown","orange","pink"),
  border = "white"
)
```

**Bảng tần suất**

```{r}
#Lập bảng tần suất của biến Country
tansuat_country <- tanso_country/sum(nrow(dt))
tansuat_country
```

**Biểu đồ**

```{r}
# Nhãn phần trăm
nhancountry <- paste0( round(tansuat_country * 100, 1), "%")
# Vẽ pie chart ẩn nhãn
pie(
  tansuat_country,
  labels = NA,
  main   = "Tần suất biến quốc gia",
  col    = rainbow(length(nhancountry)),
  border = "white")

# Thêm legend bên ngoài
legend(
  x      ="topright",
  legend = paste(names(tansuat_country),nhancountry),
  fill   = rainbow(length(nhancountry)),
  bty    ="n"
)
```

**Nhận xét:**

```{r}
# Đếm số bản ghi theo quốc gia
cty_counts <- table(dt$Country)

# Chênh lệch về số lượng giữa quốc gia đông nhất và ít nhất
cty_diff <- max(cty_counts) - min(cty_counts)
```

-   Vậy trong bộ dữ liệu này có
    `r table(dt$Country)[1]/sum(nrow(dt))*100` % ở Canada,
    `r table(dt$Country)[2]/sum(nrow(dt))*100`% ở Mexico và
    `r table(dt$Country)[3]/sum(nrow(dt))*100`% ở USA.

-   Quốc gia đông nhất có `r max(cty_counts)`, quốc gia ít nhất có r
    `min(cty_counts)`.

-   Sự chênh lệch giữa hai quốc gia này là `r cty_diff` người.

## **Biến ProductFamily**

**Bảng tần số**

```{r}
#Lập bảng tần số của biến ProductFamily
tanso_productFamily <- table(dt$ProductFamily)
tanso_productFamily
```

**Biểu đồ**

```{r}
barplot(
  tanso_productFamily,
  main   = "tần số biến nhóm sản phẩm",
  xlab   = "nhóm sản phẩm",
  ylab   = "số lượng",
  las    = 1,
  col    = c("yellow","purple","pink"),
  border = "white"
)
```

**Bảng tần suất**

```{r}
#Lập bảng tần suất của biến ProductFamily
tansuat_productFamily <- tanso_productFamily/sum(nrow(dt))
tansuat_productFamily
```

**Biểu đồ**

```{r}

cols <- c("lightblue","lightpink","lightgreen")
# Nhãn phần trăm
nhanproductFamily <- paste0( round(tansuat_productFamily * 100, 1), "%")
# Vẽ pie chart ẩn nhãn
pie(
  tansuat_productFamily,
  labels = NA,
  main   = "Tần suất biến nhóm sản phẩm",
  col    = cols,
  border = "white")

# Thêm legend bên ngoài
legend(
  x      ="topright",
  legend = paste(names(tansuat_productFamily),nhanproductFamily),
  fill   = cols,
  )
```

**Nhận xét:**

-   Vậy trong bộ dữ liệu này có
    `r table(dt$ProductFamily)[1]/sum(nrow(dt))*100` % đồ uống,
    `r table(dt$ProductFamily)[2]/sum(nrow(dt))*100`% thức ăn và
    `r table(dt$ProductFamily)[3]/sum(nrow(dt))*100`% không tiêu thụ
    được.

## **Biến ProductDepartment**

**Bảng tần số**

```{r}
# Lập bảng tần số
tanso_productDepartment <- table(dt$ProductDepartment)
tanso_productDepartment
```

**Biểu đồ**

```{r}
barplot(
  tanso_productDepartment,
  main   = "Tần số biến bộ phận sản phẩm trong nhóm",
  cex.names = 0.4,
  xlab   = "Số quan sát",
  ylab   = "",
  las    = 1,            # xoay nhãn trục y ngang
  col    = "lightblue",
  border = "white",
  horiz  = TRUE          # vẽ thanh ngang để đọc nhãn dễ hơn
)
```

**Bảng tần suất**

```{r}
tansuat_productDepartment <-tanso_productDepartment/sum(nrow(dt))
tansuat_productDepartment
```

**Nhận xét:**

-   Trong bộ dữ liệu, nhóm sản phẩm có tỷ lệ giao dịch cao nhất là
    Produce với
    `r round(table(dt$ProductDepartment)["Produce"]/nrow(dt)*100, 2)`%,
    tiếp theo là Snack Foods
    (`r round(table(dt$ProductDepartment)["Snack Foods"]/nrow(dt)*100, 2)`%)
    và Household
    (`r round(table(dt$ProductDepartment)["Household"]/nrow(dt)*100, 2)`%).
    Nhóm Frozen Foods cũng chiếm tỷ lệ đáng kể là
    `r round(table(dt$ProductDepartment)["Frozen Foods"]/nrow(dt)*100, 2)`%.
    Các nhóm như Carousel
    (`r round(table(dt$ProductDepartment)["Carousel"]/nrow(dt)*100, 2)`%)
    và Checkout
    (`r round(table(dt$ProductDepartment)["Checkout"]/nrow(dt)*100, 2)`%)
    có tỷ lệ thấp hơn nhiều.

## **Biến ProductCategory**

**Bảng tần số**

```{r}
tanso_productCategory <- table(dt$ProductCategory)
tanso_productCategory
```

**Biểu đồ**

```{r}
barplot(
  tanso_productCategory,
  main   = "Tần số biến hạng mục sản phẩm cụ thể",
  cex.names = 0.4,
  xlab   = "Số quan sát",
  ylab   = "",
  las    = 1,            # xoay nhãn trục y ngang
  col    = "lightpink",
  border = "white",
  horiz  = TRUE          # vẽ thanh ngang để đọc nhãn dễ hơn
)
```

**Bảng tần suất**

```{r}
tansuat_productCategory <- tanso_productCategory/sum(nrow(dt)) 
tansuat_productCategory
```

**Nhận xét:**

-   Trong bộ dữ liệu, nhóm sản phẩm có tỷ lệ giao dịch cao nhất là
    Vegetables với
    `r round(table(dt$ProductCategory)["Vegetables"]/nrow(dt)*100, 2)`%,
    tiếp theo là Snack Foods
    (`r round(table(dt$ProductCategory)["Snack Foods"]/nrow(dt)*100, 2)`%)
    và Dairy
    (`r round(table(dt$ProductCategory)["Dairy"]/nrow(dt)*100, 2)`%).
    Các nhóm đóng hộp như Canned Oysters
    (`r round(table(dt$ProductCategory)["Canned Oysters"]/nrow(dt)*100, 2)`%)
    và Canned Clams
    (`r round(table(dt$ProductCategory)["Canned Clams"]/nrow(dt)*100, 2)`%)
    chiếm tỷ lệ rất nhỏ, cho thấy sự ưu tiên mua hàng tươi và đồ ăn nhẹ.

## **Biến AnnualIncome**

**Bảng tần số**

```{r}
# Bảng tần suất cho AnnualIncome
tanso_annualIncome <- table(dt$AnnualIncome)
tanso_annualIncome
```

**Biểu đồ**

```{r}
barplot(
  tanso_annualIncome,
  main   = "Tần số theo Thu nhập",
  cex.names = 0.4,
  xlab   = "AnnualIncome",
  ylab   = "số thu nhập",
  las    = 1,            # xoay nhãn trục y ngang
  col    = "lightblue",
  border = "white",
  horiz  = TRUE          # vẽ thanh ngang để đọc nhãn dễ hơn
)
```

**Bảng tần suất**

```{r}
tansuat_annualIncome <- tanso_annualIncome/sum(nrow(dt)) 
tansuat_annualIncome
```

**Biểu đồ**

```{r}
# Màu cho từng lát
cols <- rainbow(length(tansuat_annualIncome))

# Nhãn phần trăm
nhanannualIncome <- paste0( round(tansuat_annualIncome * 100, 1), "%")

# Vẽ pie chart ẩn nhãn
pie(
  tansuat_annualIncome,
  labels = NA,
  main   = "Tần suất biến thu nhập",
  col    = cols,
  border = "white")

# Thêm legend bên ngoài
legend(
  x         ="topright",
  legend    = paste(names(tansuat_annualIncome),nhanannualIncome),
  fill      = cols,
  bty       = "n",       # bỏ viền
  cex       = 0.5,       # thu nhỏ chữ
  ncol      = 2,         # chia thành 2 cột
  x.intersp = 0.5,       # giãn khoảng cách chữ–ký hiệu ngang
  y.intersp = 0.7        # giãn khoảng cách giữa các dòng
)
```

**Nhận xét:**

-   Sự phân bố thu nhập không đều phản ánh cơ cấu khách hàng của siêu
    thị hoặc đơn vị khảo sát: tập trung nhiều ở các nhóm thu nhập trung
    bình đến trung cao, trong khi nhóm thu nhập quá thấp hoặc quá cao
    xuất hiện ít hơn.

-   Đây có thể là dấu hiệu để doanh nghiệp điều chỉnh chiến lược tiếp
    cận thị trường, như tập trung nhiều hơn vào các nhóm thu nhập đang
    chiếm ưu thế, hoặc mở rộng các chính sách ưu đãi để thu hút nhóm
    khách hàng ít phổ biến hơn.

# **Phần 3. ƯỚC LƯỢNG KHOẢNG VÀ KIỂM ĐỊNH GIẢ THUYẾT CHO TỶ LỆ (MỘT BIẾN)**

```{r}
# Tổng số bản ghi (n)
n <- nrow(dt)
```

**Giả thuyết đặt ra như sau:**

-   **H₀**: p = p₀

-   **H₁**: p ≠ p₀

## **Gender (female)**

```{r}
# 1) Đếm số khách nữ
count_female <- sum(dt$Gender == "F")

# 2) Đặt H₀: p_F = 0.50; H₁: p_F ≠ 0.50
p0 <- 0.5
# 3) Thực hiện prop.test
res_female <- prop.test(x         = count_female,
                        n         = n,
                        p         = p0,
                        conf.level= 0.95)
print(res_female)
```

**Nhận xét**

-   Ta có p-value = 0.0182 \< α = 0.05, bác H₀ (tỉ lệ nữ = 0.5) và chấp
    nhận H₁: tỉ lệ nữ khác 50% ở mức ý nghĩa 5%.

-   Khoảng tin cậy 95% cho tỉ lệ nữ là [0.5017, 0.5183], không chứa 0.5,
    củng cố rằng tỉ lệ nữ thực sự cao hơn 50%.

-   Ước tính tỉ lệ nữ trong mẫu là p̂ ≈ 0.51 (51%), nghĩa là tỉ lệ nữ
    vượt ngưỡng 50% khoảng 1%.

## **Homeowner (yes)**

```{r}
count_owner <- sum(dt$Homeowner == "Y")
p0_owner   <- 0.50   # Giả thuyết H₀: 50% là có sỡ hữu nhà

res_owner <- prop.test(x         = count_owner,
                       n         = n,
                       p         = p0_owner,
                       conf.level= 0.95)
print(res_owner)
```

**Nhận xét**

-   Ta có p-value \< 2.2e-16 \< α = 0.05, nên bác bỏ H₀ (tỉ lệ sở hữu
    nhà = 0.5) và chấp nhận H₁: tỉ lệ chủ sở hữu khác 50% ở mức ý nghĩa
    5%.

-   Khoảng tin cậy 95% cho tỉ lệ chủ sở hữu là [0.5925, 0.6087], không
    bao gồm 0.5, khẳng định tỉ lệ chủ sở hữu thực sự cao hơn 50%.

-   Ước tính tỉ lệ chủ sở hữu trong mẫu là p̂ ≈ 0.6006 (60.06%), nghĩa là
    tỉ lệ chủ sở hữu vượt 50% khoảng 10%.

## **ProductFamily (food)**

```{r}
count_food <- sum(dt$ProductFamily == "Food")
p0_food    <- 0.50   # H₀: 50% giao dịch thuộc nhóm Food

res_food <- prop.test(x         = count_food,
                      n         = n,
                      p         = p0_food,
                      conf.level= 0.95)
print(res_food)
```

**Nhận xét**

-   Ta có p-value \< 2.2e-16 \< α = 0.05, nên bác bỏ H₀ (tỉ lệ food =
    0.5) và chấp nhận H₁: tỉ lệ food khác 50% ở mức ý nghĩa 5%.

-   Khoảng tin cậy 95% cho tỉ lệ food là [0.7147, 0.7295], không bao gồm
    0.5, khẳng định tỉ lệ food thực sự cao hơn 50%.

-   Ước tính tỉ lệ food trong mẫu là p̂ ≈ 0.7222 (72.22%), nghĩa là tỉ lệ
    food vượt ngưỡng 50% khoảng 22%—một chênh lệch đáng kể cả về thực
    tiễn và thống kê.

# **Phần 4. PHÂN TÍCH MỐI QUAN HỆ GIỮA HAI BIẾN ĐỊNH TÍNH**

## **Gender và ProductFamily**

### **Bảng tần số và tần suất**

```{r}
# Bảng chéo counts
tab_gf <- table(Gender = dt$Gender, ProductFamily = dt$ProductFamily)
tab_gf

# Tỉ lệ theo hàng (row‐%)
pct_gf <- round(prop.table(tab_gf, margin = 1) * 100, 1)
pct_gf
```

**Nhận xét**

***Drink***

-   Về số lượng: nữ có 669 giao dịch so với 581 của nam, nhiều hơn 88
    giao dịch.

-   Về tỉ lệ: nữ chiếm 9.3% tổng giao dịch của mình, nam chiếm 8.4%,
    chênh +0.9%.

Vậy phụ nữ có xu hướng mua đồ uống hơi nhiều hơn nam, nhưng chênh chưa
đến 1%.

***Food***

-   Về số lượng: nữ 5.149 giao dịch, nam 5.004, nhiều hơn 145 giao dịch.

-   Về tỉ lệ: nữ 71.8%, nam 72.6%, chênh −0.8%.

Vậy dù có nhiều giao dịch Food hơn về con số tuyệt đối, vì tổng giao
dịch của nữ cũng nhiều hơn, nên tỉ lệ lại thấp hơn nam một chút.

***Non-Consumable***

-   Về số lượng: nữ 1.352 giao dịch, nam 1.304, nhiều hơn 48 giao dịch.

-   Về tỉ lệ: cả hai đều 18.9%, chênh 0.0%.

vậy sự khác biệt thật sự rất nhỏ, tỉ lệ ngang bằng.

### **Đồ thị**

```{r}
library(ggplot2)
gf_df <- as.data.frame(table(Gender = dt$Gender, ProductFamily = dt$ProductFamily))

ggplot(  gf_df, aes(x     = ProductFamily,y     = Freq, fill  = Gender, group = Gender)) +
  geom_col(position = position_dodge(width = 0.8),  width    = 0.7) +
  scale_fill_manual(
    name   = "Giới tính",
    values = c("F" = "lightgreen", "M" = "yellow"),
    labels = c("Nữ", "Nam")
  ) +
  labs(
    title = "Số giao dịch theo sản phẩm & giới tính",
    x     = "Nhóm sản phẩm",
    y     = "Số giao dịch"
  ) +
  theme_minimal()
```

### **Kiểm định Chi-bình phương độc lập**

**Giả thuyết kiểm định:**

-   **H₀**: Giới và nhóm sản phẩmlà hai biến độc lập.

-   **H₁**: Giới và nhóm sản phẩm có liên quan.

```{r}
test_gf <- chisq.test(tab_gf)
test_gf
```

**Nhận xét**

-   p-value = 0.1722 \> 0.05 vậy chấp nhận H₀ nghĩa là không đủ bằng
    chứng để cho rằng giới tính ảnh hưởng đáng kể đến nhóm sản phẩm mua.

## **MaritalStatus và Homeowner**

### **Bảng tần số và tần suất**

```{r}
tab_mo <- table(Marital = dt$MaritalStatus, Owner = dt$Homeowner)
tab_mo

pct_mo <- round(prop.table(tab_mo, margin = 1) * 100, 1)
pct_mo
```

```{r}
# Giả sử tab_mo đã được tạo như trên
diff_owner_count     <- tab_mo["M", "Y"] - tab_mo["S", "Y"]
diff_not_owner_count <- tab_mo["S", "N"] - tab_mo["M", "N"]
```

**Nhận xét**

-   Trong bộ dữ liệu, có `r tab_mo["S", "N"]` người độc thân không sở
    hữu nhà và `r tab_mo["S", "Y"]` người độc thân sở hữu nhà. Ngoài ra,
    có `r tab_mo["M", "N"]` người đã kết hôn không sở hữu nhà và
    `r tab_mo["M", "Y"]` người đã kết hôn sở hữu nhà.

-   Số người đã kết hôn sở hữu nhà nhiều hơn người độc thân là
    `r diff_owner_count` người.

-   Người độc thân không sở hữu nhà nhiều hơn người đã kết hôn là
    `r abs(diff_not_owner_count)` người.

### **Đồ thi**

```{r}
library(ggplot2)
mo_df <- as.data.frame(table(Marital = dt$MaritalStatus, Owner   = dt$Homeowner))

ggplot(  mo_df, aes(x     = Marital,y     = Freq, fill  = Owner, group = Owner)) +
  geom_col(position = position_dodge(width = 0.8),  width    = 0.7) +
  scale_fill_manual(
    name   = "Sở hữu nhà",
    values = c("Y" = "lightblue","N" = "lightpink"),
    labels = c("Có", "Không")
  ) +
  labs(
    title = "Số khách có/không sở hữu nhà theo tình trạng hôn nhân",
    x     = "Tình trạng hôn nhân",
    y     = "Số khách hàng"
  ) +
  theme_minimal()
```

### **Kiểm định Chi-bình phương độc lập**

**Giả thuyết kiểm định:**

-   **H₀**: Tình trạng hôn nhân và việc sở hữu nhà là hai biến độc lập.

-   **H₁**: Tình trạng hôn nhân và việc sở hữu nhà có liên quan.

```{r}
test_mo <- chisq.test(tab_mo)
test_mo
```

**Nhận xét**

-   p-value \< 2.2e-16 \< 0.05 vậy bác bỏ H₀ nghĩa là đủ bằng chứng để
    cho rằng Tình trạng hôn nhân và việc sở hữu nhà có liên quan.

## **AnnualIncome và ProductCategory**

### **Bảng tần số và tần suất**

```{r}
tab_ap <- table(Income = dt$AnnualIncome, Category = dt$ProductCategory)
tab_ap

pct_ap <- round(prop.table(tab_ap, margin = 1) * 100, 1)
pct_ap
```

**Nhận xét**

-   Nhóm thu nhập từ `"$30K - $50K"` ghi nhận số giao dịch cao nhất ở
    hầu hết các danh mục, ví dụ:

    -   Snack Foods: `r tab_ap["$30K - $50K", "Snack Foods"]` giao dịch.
    -   Vegetables: `r tab_ap["$30K - $50K", "Vegetables"]` giao dịch.
    -   Dairy: `r tab_ap["$30K - $50K", "Dairy"]` giao dịch.

    Điều này có thể là do nhóm thu nhập trung lưu có khả năng chi tiêu
    cao nhưng vẫn ưu tiên các mặt hàng thiết yếu.

-   Nhóm thu nhập thấp (`"$10K - $30K"`) cũng có lượng giao dịch tương
    đối lớn, đặc biệt ở:

    -   Vegetables: `r tab_ap["$10K - $30K", "Vegetables"]` giao dịch.
    -   Snack Foods: `r tab_ap["$10K - $30K", "Snack Foods"]` giao dịch.

    Điều này cho thấy nhu cầu với sản phẩm cơ bản, giá cả phải chăng vẫn
    rất cao.

-   Ngược lại, nhóm thu nhập cao (`"$130K - $150K"`, `"$150K +"`) có số
    giao dịch thấp hơn rõ rệt, ví dụ:

    -   Snack Foods: `r tab_ap["$150K +", "Snack Foods"]` giao dịch.
    -   Vegetables: `r tab_ap["$150K +", "Vegetables"]` giao dịch.

    Có thể do số mẫu nhóm thu nhập cao ít hơn hoặc họ ưu tiên mua sắm
    online, sản phẩm cao cấp hơn.

### **Kiểm định Chi-bình phương độc lập**

**Giả thuyết kiểm định:**

-   **H₀**: Hai biến khoảng thu nhập hằng năm và hạng mục sản phẩm là
    độc lập.

-   **H₁**: Hai biến khoảng thu nhập hằng năm và hạng mục sản phẩm có
    mối liên quan.

```{r}
test_sp <- chisq.test(tab_ap)
test_sp
```

**Nhận xét**

-   p-value = 0.6897 \> 0.05 vậy chấp nhận H₀ nghĩa là không đủ bằng
    chứng để cho rằng Hai biến khoảng thu nhập hằng năm và hạng mục sản
    phẩm là độc lập.

# **Phần 5: TỔNG KẾT VÀ THẢO LUẬN**

## **Tóm tắt kết quả chính**

### **Nhân khẩu học**

-   **Giới tính**:
    -   Nữ chiếm 51%, nam chiếm 49%—tương đối cân bằng.\
    -   Hành vi mua sắm tương đồng, chỉ khác biệt nhỏ ở một số danh mục
        (ví dụ: Women’s Health, Beauty).
-   **Tình trạng hôn nhân & Nhà ở**:
    -   Người đã kết hôn (M) và độc thân (S) phân bố gần bằng nhau.\
    -   60% khách hàng sở hữu nhà (Homeowner = Y).\
    -   Người kết hôn có tỉ lệ sở hữu nhà cao hơn (75% vs. 46%), thể
        hiện sự ổn định tài chính và nhu cầu mua sắm cho gia đình.

### **Thu nhập**

-   Nhóm **\$30K–\$50K** chiếm đông nhất (32,7%), phản ánh tầng lớp
    trung lưu.\
-   Nhóm thu nhập thấp (\$10K–\$30K) và trung bình–cao (\$50K–\$90K)
    cũng chiếm tỷ trọng lớn (\~25% mỗi nhóm).\
-   Nhóm **\> \$150K** chỉ \~2%, mẫu nhỏ nhưng có xu hướng tiêu dùng sản
    phẩm cao cấp, dịch vụ tiện lợi.

### **Phân bố địa lý**

-   **Quốc gia**: 68% giao dịch từ Mỹ; còn lại từ Canada, Mexico.\
-   **Bang**: WA, CA, OR chiếm phần lớn—tương ứng với các thành phố
    Salem, Tacoma, Los Angeles đứng đầu về số lượng giao dịch.\
-   **Thành phố**: Salem (\~10% giao dịch), Tacoma (\~9%), Los Angeles
    (\~6%).

### **Hành vi theo sản phẩm**

-   **ProductFamily**:
    -   Food (72,2%), Non-consumable (19%), Drink (9%).\
-   **ProductDepartment**:
    -   Produce (12,3%), Snack Foods (11,4%), Dairy (6,4%), Frozen Foods
        (9,8%).\
-   **ProductCategory**:
    -   Nhóm rau củ tươi và đồ ăn nhanh đứng đầu ở hầu hết các phân khúc
        thu nhập.\
    -   Nhóm thu nhập thấp–trung bình ưu tiên các mặt hàng thiết yếu,
        giá cả phải chăng; thu nhập cao mua nhiều snack, frozen và sản
        phẩm chăm sóc sức khỏe.

## **Hạn chế**

1.  **Thiếu biến định lượng**: không phân tích sâu về tuổi, giá trị đơn
    hàng, tần suất mua.\
2.  **Mẫu không đồng đều**: nhóm thu nhập rất cao và các thành phố nhỏ
    có ít quan sát, giảm tính đại diện.\
3.  **Tương quan chéo**: chưa điều chỉnh mối liên hệ giữa thu nhập, nhà
    ở, địa lý.\
4.  **Giới tính & văn hóa**: chưa khai thác khác biệt chi tiết giữa
    nam/nữ hoặc theo vùng miền.

## **Đề xuất chiến lược**

-   **Phân khúc & Marketing**
    -   Nhóm \$30K–\$70K: chú trọng combo rau củ tươi, sữa, thực phẩm
        đông lạnh; ưu đãi theo gói.\
    -   Nhóm đã kết hôn & có nhà: ưu đãi đồ gia dụng, gói giao hàng định
        kỳ.\
-   **Kênh phân phối**
    -   Mở rộng tại Salem, Tacoma, Los Angeles; tối ưu kệ hàng cho
        Produce, Snack Foods, Dairy.\
    -   Xem xét giảm diện tích với danh mục ít bán (ví dụ Canned
        Oysters, Candles).\
-   **Công nghệ & Cá nhân hóa**
    -   Dùng CRM thu thập thêm dữ liệu định lượng, phân tích hành vi
        theo thời gian thực; gợi ý sản phẩm tự động.

## **Hướng nghiên cứu tiếp theo**

1.  So sánh “thu nhập cao + độc thân + có nhà” vs. “thu nhập cao + đã
    kết hôn” về hành vi mua sắm.\
2.  Ảnh hưởng của tuổi kết hợp với hôn nhân và thu nhập đến lựa chọn sản
    phẩm.\
3.  Sự khác biệt tiêu dùng tiện lợi (Frozen, Snack) giữa đô thị – nông
    thôn.\
4.  Khách nào chi mạnh cho Non-consumable?\
5.  Phân tích tỷ trọng chi tiêu chi tiết theo từng mức thu nhập và danh
    mục sản phẩm.

# **A: ĐỌC VÀ CHUẨN BỊ TRƯỚC BUỔI HỌC**

## **Giới thiệu chung**

Tuần này, chúng ta đi sâu vào suy diễn thống kê trên bảng ngẫu nhiên
(Contingency Table), đặc biệt tập trung vào:

-   Kiểm định Chi-square về tính độc lập giữa hai biến phân loại.
-   Các chỉ số đo lường mối liên hệ trong bảng 2x2: **Relative Risk
    (RR)** và **Odds Ratio (OR)**.
-   Cách tính khoảng tin cậy cho Odds Ratio.
-   Ứng dụng các kiến thức trên vào một ví dụ thực tế từ bộ dữ liệu
    **Supermarket Transactions**.

**Đọc dữ liệu và khám phá**

```{r}
library("csv")
data <- read.csv("C:/Users/ASUS/Downloads/Supermarket Transactions.csv", header = T)
str(data)
```

Đầu tiên, ta sẽ sử dụng 2 biến định tính: **Gender** (Giới tính) và
**Homeowner** (Có sở hữu nhà hay không) để tiến hành đưa ra ví dụ cũng
như phân tích.

## **Bảng ngẫu nhiên**

Bảng ngẫu nhiên (contingency table) là công cụ thống kê dùng để trình
bày tần số của các biến phân loại. Trong trường hợp đơn giản nhất – bảng
2x2 – bảng có dạng:

|                  | Biến B = Yes | Biến B = No |
|------------------|--------------|-------------|
| **Biến A = Yes** | a            | b           |
| **Biến A = No**  | c            | d           |

Trong phân tích thống kê, bảng 2x2 thường dùng để:

-   So sánh xác suất giữa hai nhóm (như Nam vs Nữ).
-   Tính toán các chỉ số đo lường mối liên hệ: Risk, Odds, Relative Risk
    (RR), Odds Ratio (OR).
-   Kiểm định giả thuyết về sự độc lập giữa hai biến (Chi-square test,
    Fisher’s Exact Test,...).

Bảng có thể sinh ra từ các phân phối như:

-   **Multinomial**: nếu tổng số quan sát cố định.
-   **Poisson**: nếu từng ô trong bảng là biến Poisson độc lập (áp dụng
    khi dữ liệu hiếm).

**Các bước thực hiện trong R**

```{r}
table_gender_homeowner <- table(data$Gender, data$Homeowner)
table_gender_homeowner
```

## **Kiểm định Chi-square về tính độc lập**

**Lý thuyết: Kiểm định Chi-square**

Dùng để kiểm tra xem hai biến phân loại có độc lập thống kê không.

-   **Giả thuyết H₀**: Hai biến độc lập.
-   **Giả thuyết H₁**: Hai biến có mối liên hệ.

Chỉ số kiểm định: $$
X^2 = \sum \frac{(O_{ij} - E_{ij})^2}{E_{ij}}
$$

Trong đó:

-   $O_{ij}$ là tần số quan sát
-   $E_{ij}$ là tần số kỳ vọng.

Nếu p-value \< 0.05, ta có đủ cơ sở để bác bỏ H₀ → Có bằng chứng về sự
phụ thuộc giữa hai biến.

**Các bước thực hiện trong R**

```{r}
chisq.test(table_gender_homeowner, correct = FALSE)
```

## **Tính Odds Ratio, Relative Risk**

### **Tỷ số nguy cơ (Relative Risk - RR)**

**Khái niệm:** Relative Risk (RR) là tỷ lệ giữa xác suất xảy ra sự kiện
ở nhóm tiếp xúc so với nhóm không tiếp xúc.

**Công thức:**

$$
RR = \frac{\frac{a}{a+b}}{\frac{c}{c+d}}
$$

**Diễn giải:**

-   RR = 1: Không có sự khác biệt về nguy cơ giữa hai nhóm.
-   RR \> 1: Nguy cơ ở nhóm tiếp xúc cao hơn nhóm không tiếp xúc.
-   RR \< 1: Nguy cơ ở nhóm tiếp xúc thấp hơn nhóm không tiếp xúc.

### **Tỷ số chênh (Odds Ratio - OR)**

**Khái niệm:** Odds Ratio (OR) là tỷ lệ giữa odds xảy ra sự kiện ở nhóm
tiếp xúc so với nhóm không tiếp xúc.

**Công thức:**

$$
OR = \frac{\frac{a}{b}}{\frac{c}{d}} = \frac{a \times d}{b \times c}
$$

**Diễn giải:**

-   OR = 1: Không có sự khác biệt về odds giữa hai nhóm.
-   OR \> 1: Odds xảy ra sự kiện ở nhóm tiếp xúc cao hơn nhóm không tiếp
    xúc.
-   OR \< 1: Odds xảy ra sự kiện ở nhóm tiếp xúc thấp hơn nhóm không
    tiếp xúc.

**Các bước thực hiện trên R**

```{r}
# Lấy số liệu
a <- table_gender_homeowner["F", "Y"]
b <- table_gender_homeowner["F", "N"]
c <- table_gender_homeowner["M", "Y"]
d <- table_gender_homeowner["M", "N"]

# Tính Odds
odds_female <- a / b
odds_male <- c / d

# Odds Ratio (OR)
or <- odds_female / odds_male

# Relative Risk (RR)
risk_female <- a / (a + b)
risk_male <- c / (c + d)
rr <- risk_female / risk_male

list(
  odds_female = odds_female,
  odds_male = odds_male,
  OR = or,
  RR = rr
)
```

**Khoảng tin cậy 95% cho Odds Ratio**

Do OR không phân phối chuẩn, nên lấy log(OR) để xây dựng khoảng tin cậy:

$$
CI_{log(OR)} = \log(OR) \pm Z \cdot SE_{log(OR)}
$$

Với: $$
SE = \sqrt{\frac{1}{a} + \frac{1}{b} + \frac{1}{c} + \frac{1}{d}}
$$

Chuyển về thang OR bằng hàm mũ: $e^{CI}$.

**Các bước thực hiện trên R**

```{r}
se_log_or <- sqrt(1/a + 1/b + 1/c + 1/d)
z <- 1.96  # hệ số cho 95%
ci_lower <- exp(log(or) - z * se_log_or)
ci_upper <- exp(log(or) + z * se_log_or)
c(ci_lower, ci_upper)
```

**Nhận xét:**

-   Nếu **OR \< 1**, odds của việc sở hữu nhà ở nhóm Female nhỏ hơn
    Male.
-   Nếu **RR \< 1**, phụ nữ có nguy cơ sở hữu nhà thấp hơn nam giới.

Kết luận cần đi kèm với kiểm định Chi-square và khoảng tin cậy, không
nên chỉ nhìn vào OR/RR.

Đây là một ví dụ điển hình cho việc sử dụng Odds Ratio trong kinh tế/xã
hội học để mô tả mối liên hệ giữa hai đặc điểm phân loại.

## **Thực hành trên bộ dữ liệu**

**Tạo bảng tần số**

```{r}
# Bảng tần số chéo giữa MaritalStatus và Homeowner
tbl <- table(data$MaritalStatus, data$Homeowner)
tbl
```

**Nhận xét**

-   **Khách hàng đã kết hôn (M)**: Có tới 5147 người sở hữu nhà ở, chiếm
    phần lớn trong nhóm này, trong khi chỉ có 1719 người không sở hữu
    nhà.

-   **Khách hàng độc thân (S)**: Ngược lại, nhóm này có xu hướng không
    sở hữu nhà ở cao hơn với 3896 người, trong khi số người sở hữu nhà
    chỉ là 3297 người.

**Kiểm định Chi-square**

```{r}
chi_test <- chisq.test(tbl)
chi_test
```

**Kết quả kiểm định:**

-   Giá trị thống kê Chi-bình phương: X-squared = 1241.2

-   Bậc tự do: df = 1

-   Giá trị p: p-value \< 2.2e-16

**Kết luận:**

-   Vì giá trị p rất nhỏ (p \< 0.05), ta bác bỏ giả thuyết không H0.
    Điều này cho thấy có mối liên hệ có ý nghĩa thống kê giữa tình trạng
    hôn nhân và tình trạng sở hữu nhà.

**Tính Odds Ratio và Relative Risk**

```{r}
# Lọc dữ liệu: chỉ lấy Married và Single
data2 <- subset(data, MaritalStatus %in% c("M", "S"))

# Tạo bảng 2x2
tbl2 <- table(data2$MaritalStatus, data2$Homeowner)
tbl2

# Tính toán Odds Ratio và Relative Risk
library(epiR)
epi_result <- epi.2by2(tbl2, method = "cohort.count", conf.level = 0.95)
epi_result
```

## **Kết quả phân tích**

**Bảng chéo tần suất giữa MaritalStatus và Homeowner**

| Marital Status | Không sở hữu nhà (N) | Có sở hữu nhà (Y) | Tổng cộng |
|----------------|----------------------|-------------------|-----------|
| Married (M)    | 1,719                | 5,147             | 6,866     |
| Single (S)     | 3,896                | 3,297             | 7,193     |
| **Tổng cộng**  | 5,615                | 8,444             | 14,059    |

------------------------------------------------------------------------

**Tỷ lệ hiện mắc (Incidence Risk)**

-   **Nhóm Married**: 25.04% (CI: 24.02 – 26.08)
-   **Nhóm Single**: 54.16% (CI: 53.00 – 55.32)

Những người **độc thân** có xác suất không sở hữu nhà **cao hơn gấp
đôi** so với người đã kết hôn.

------------------------------------------------------------------------

**Relative Risk (RR)**

-   **RR = 0.46** (95% CI: 0.44 – 0.48)

Nguy cơ không sở hữu nhà ở nhóm đã kết hôn chỉ bằng **46%** so với nhóm
độc thân.

------------------------------------------------------------------------

**Odds Ratio (OR)**

-   **OR = 0.28** (95% CI: 0.26 – 0.30)

Xác suất không sở hữu nhà ở nhóm đã kết hôn thấp hơn **72%** so với nhóm
độc thân.

------------------------------------------------------------------------

**Risk Difference và Attribution**

-   **Chênh lệch nguy cơ tuyệt đối (risk difference)**: -29.13 điểm phần
    trăm
-   **Tỷ lệ quy trách trong nhóm phơi nhiễm (exposed)**: -116.34%
-   **Tỷ lệ quy trách toàn dân (population)**: -35.62%

Điều này cho thấy rằng việc kết hôn có thể giúp giảm đáng kể rủi ro
không sở hữu nhà ở cấp độ cá nhân lẫn dân số.

------------------------------------------------------------------------

**Kiểm định ý nghĩa thống kê**

-   **Chi-squared test**: χ²(1) = 1242.43, p \< 0.001
-   **Fisher’s exact test**: p \< 0.001

Kết quả kiểm định cho thấy mối liên hệ giữa tình trạng hôn nhân và việc
sở hữu nhà là **rất có ý nghĩa thống kê** (p \< 0.001).

------------------------------------------------------------------------

**Kết luận:**

-   Có mối liên hệ rất rõ ràng và có ý nghĩa giữa tình trạng hôn nhân và
    việc sở hữu nhà.
-   Những người đã kết hôn có tỷ lệ và xác suất không sở hữu nhà **thấp
    hơn đáng kể** so với người độc thân.
-   Đây là một phát hiện quan trọng có thể được sử dụng trong các nghiên
    cứu xã hội học hoặc chính sách nhà ở.

# **B: HOẠT ĐỘNG TRÊN LỚP**

Trong hoạt động này, chúng ta sẽ sử dụng dữ liệu **Supermarket
Transactions** để phân tích mối liên hệ giữa các biến nhị phân. Mục tiêu
là:

-   Tạo bảng 2x2
-   Tính và diễn giải Hiệu hai tỷ lệ (Difference in Proportions)
-   Tính Relative Risk (RR) và Odds Ratio (OR)
-   Tính khoảng tin cậy 95% cho OR
-   Thực hiện phân tích phân tầng (stratified analysis)

------------------------------------------------------------------------

## **Đọc và làm quen với dữ liệu**

Bộ dữ liệu “Supermarket Transactions” phản ánh các giao dịch mua hàng
của khách hàng tại một siêu thị trong một khoảng thời gian cụ thể. Mỗi
dòng dữ liệu tương ứng với một giao dịch, bao gồm thông tin nhân khẩu
học (giới tính, loại thành viên, chi nhánh), đặc điểm sản phẩm (loại sản
phẩm, kênh thanh toán), và các yếu tố hành vi tiêu dùng (thời gian mua
sắm, mức độ hài lòng, giá trị đơn hàng,...). Tập dữ liệu gồm 14.059 quan
sát và 16 biến, cung cấp nền tảng chi tiết để phân tích hành vi khách
hàng và hiệu quả kinh doanh của siêu thị.

```{r}
# Đọc file
library("csv")
data <- read.csv("C:/Users/ASUS/Downloads/Supermarket Transactions.csv", header = T)

# Hiển thị cấu trúc dữ liệu
str(data)

# Hiển thị vài dòng đầu và cuối
head(data)
tail(data)

# Chuyển các biến định tính phù hợp sang factor
factor <- c("Gender", "MaritalStatus", "Homeowner", "AnnualIncome",
                    "City", "StateorProvince", "Country",
                    "ProductFamily", "ProductDepartment", "ProductCategory")

# Kiểm tra biến nào tồn tại trong data
factor <- intersect(factor, names(data))

# Chuyển sang factor
data[factor] <- lapply(data[factor], as.factor)

# Kiểm tra lại cấu trúc
str(data)
```

**Giải thích các biến**

Bộ dữ liệu ghi lại thông tin về các giao dịch mua hàng của khách hàng,
bao gồm thông tin nhân khẩu học, thông tin sản phẩm, số lượng bán ra và
doanh thu. Dữ liệu bao gồm 14059 quan sát và 16 biến. Dưới đây là mô tả
chi tiết các biến có trong bộ dữ liệu:

| **Tên Biến** | **Ý Nghĩa** |
|------------------------------------|------------------------------------|
| **PurchaseDate** | Ngày giao dịch mua hàng diễn ra (định dạng ngày/tháng/năm). |
| **CustomerID** | Mã định danh duy nhất cho mỗi khách hàng. |
| **Gender** | Giới tính của khách hàng: **M** (Nam), **F** (Nữ). |
| **MaritalStatus** | Tình trạng hôn nhân: **S** (Độc thân), **M** (Đã kết hôn). |
| **Homeowner** | Tình trạng sở hữu nhà: **Y** (Có), **N** (Không). |
| **Children** | Số lượng con cái của khách hàng. |
| **AnnualIncome** | Mức thu nhập hàng năm theo khoảng (Ví dụ: **\$30K - \$50K**). |
| **City** | Thành phố nơi khách hàng thực hiện giao dịch. |
| **StateorProvince** | Bang hoặc tỉnh (ví dụ: **CA** cho California, **OR** cho Oregon). |
| **Country** | Quốc gia. |
| **ProductFamily** | Nhóm sản phẩm chính: **Food** (Thực phẩm), **Drink** (Đồ uống), **Non-Consumable** (Không tiêu dùng). |
| **ProductDepartment** | Bộ phận sản phẩm như **Snack Foods**, **Frozen Foods**, v.v. |
| **ProductCategory** | Danh mục sản phẩm cụ thể hơn, ví dụ: **Candy**, **Beer and Wine**. |
| **UnitsSold** | Số lượng đơn vị sản phẩm đã bán trong giao dịch đó. |
| **Revenue** | Doanh thu từ giao dịch (tính theo USD). |

------------------------------------------------------------------------

## **Phân tích mối liên hệ giữa Gender và Homeowner**

### **Tạo bảng tần số chéo**

```{r}
table_gender_home <- table(data$Gender, data$Homeowner)
table_gender_home
```

Dựa vào bảng trên:

-   **Nữ (F)** có tổng cộng `r sum(table_gender_home["F", ])` người,
    trong đó `r table_gender_home["F", "Y"]` người sở hữu nhà, chiếm
    khoảng
    `r round(100 * table_gender_home["F", "Y"] / sum(table_gender_home["F", ]), 1)`%.

-   **Nam (M)** có tổng cộng `r sum(table_gender_home["M", ])` người,
    với `r table_gender_home["M", "Y"]` người sở hữu nhà, tương ứng
    khoảng
    `r round(100 * table_gender_home["M", "Y"] / sum(table_gender_home["M", ]), 1)`%.

**Nhận xét:**

Tỷ lệ sở hữu nhà của nữ có vẻ nhỉnh hơn một chút so với nam (khoảng
60.6% so với 59.5%), tuy nhiên sự khác biệt này là khá nhỏ.\
Để đánh giá rõ ràng hơn về mức độ liên hệ giữa hai biến, ta sẽ tiếp tục
tính các chỉ số định lượng như:\
Hiệu hai tỷ lệ (Difference in Proportions), Relative Risk (RR), Odds
Ratio (OR).

------------------------------------------------------------------------

### **Tính Hiệu Hai Tỷ Lệ**

```{r}
prop_table <- prop.table(table_gender_home, margin = 1)
prop_table

diff_prop <- prop_table[1, "Y"] - prop_table[2, "N"]
diff_prop
```

Tỷ lệ sở hữu nhà:

-   Ở **nữ** là `r round(prop_table[1, "Y"], 4)` (tức là
    `r round(100 * prop_table[1, "Y"], 1)`%)

-   Ở **nam** là `r round(prop_table[2, "Y"], 4)` (tức là
    `r round(100 * prop_table[2, "Y"], 1)`%)

Hiệu hai tỷ lệ giữa nữ và nam là `r round(diff_prop, 4)`, tương đương
`r round(100 * diff_prop, 2)` điểm phần trăm.

**Kết luận:**

Tỷ lệ nữ sở hữu nhà cao hơn nam khoảng 1.00%, tuy nhiên mức chênh lệch
này khá nhỏ và chưa thể kết luận có ý nghĩa thống kê nếu chưa tính
khoảng tin cậy (confidence interval) hoặc thực hiện các kiểm định thống
kê chính thức như kiểm định z hoặc chi bình phương.

------------------------------------------------------------------------

### **Tính Relative Risk (RR)**

```{r}
library(epitools)
rr_result <- riskratio(table_gender_home)
rr_result$measure
```

Dựa vào kết quả ta thấy Relative Risk (RR) của nam so với nữ là
`r round(rr_result$measure["M", "estimate"], 4)`. Khoảng tin cậy 95% của
RR nằm trong khoảng từ `r round(rr_result$measure["M", "lower"], 4)` đến
`r round(rr_result$measure["M", "upper"], 4)`.

**Kết luận:**\
RR \< 1 cho thấy nam có tỷ lệ sở hữu nhà thấp hơn nữ một chút (chỉ còn
khoảng `r round(rr_result$measure["M", "estimate"], 4) * 100`% so với
nữ). Tuy nhiên, vì khoảng tin cậy 95% bao gồm giá trị 1.0, nên không có
bằng chứng đủ mạnh để kết luận sự khác biệt này có ý nghĩa thống kê. Nói
cách khác, tỷ lệ sở hữu nhà giữa nam và nữ có thể coi là tương đương.

------------------------------------------------------------------------

### **Tính Odds Ratio (OR) và Khoảng Tin Cậy**

```{r}
library(epitools)
or_result <- oddsratio(table_gender_home)
or_result
or_result$conf.int
```

Phân tích bảng thì giữa hai nhóm giới tính (F và M) cho thấy:

-   Tỷ số odds (odds ratio) giữa nhóm nam (M) so với nữ (F) là **0.96**,
    với khoảng tin cậy 95% là **[0.89; 1.02]**.
-   Giá trị p từ các phép kiểm định hai phía:
    -   Mid-p exact: **p = 0.195**
    -   Fisher's exact: **p = 0.196**
    -   Chi-square: **p = 0.195**

Do tất cả các giá trị p đều lớn hơn mức ý nghĩa thông thường (**α =
0.05**), không có sự khác biệt có ý nghĩa thống kê giữa nhóm nam và nữ
về biến được phân tích.

Như vậy, kết quả cho thấy không có mối liên quan rõ rệt giữa giới tính
và biến, theo phân tích odds ratio và các kiểm định xác suất tương ứng.

