GTINHMH=GTINH GTINHMH=replace(GTINHMH,GTINH==1,“Nam”) GTINHMH=replace(GTINHMH,GTINH==2,“NỮ”)
GTcode=data.frame(GTINH,GTINHMH) GTcode
table(GTINHMH) table(GTINHMH)/sum(table(GTINHMH))
DTUOIMH=DTUOI DTUOIMH=replace(DTUOIMH,DTUOI==1,“< 20 tuổi”) DTUOIMH=replace(DTUOIMH,DTUOI==2,“Từ 20 - 30 tuổi”) DTUOIMH=replace(DTUOIMH,DTUOI==3,“Từ 31 - 50 tuổi”) DTUOIMH=replace(DTUOIMH,DTUOI==4,“Trên 50 tuổi”)
DTcode=data.frame(DTUOI,DTUOIMH) DTcode
TNHAPMH=TNHAP TNHAPMH=replace(TNHAPMH,TNHAP==1,“< 10 triệu”) TNHAPMH=replace(TNHAPMH,TNHAP==2,“Từ 10 - 20 triệu”) TNHAPMH=replace(TNHAPMH,TNHAP==3,“Trên 20 triệu”)
TNcode=data.frame(DTUOI,TNHAPMH) TNcode
library(gmodels) CrossTable(DTUOIMH,TNHAPMH) table(DTUOIMH,TNHAPMH) table(DTUOIMH,TNHAPMH)/sum(table(DTUOIMH,TNHAPMH))
pie(table(GTINHMH), col=c(“green”,“blue”), main=“Cơ cấu mẫu theo giới tính”, labels=c(“Nam”,“NỮ”))
barplot(table(DTUOIMH), main=“Số lượng quan sát theo nhóm tuổi”, xlab=“Nhóm tuổi”, ylab=“Số lượng quan sát”, col=c(“blue”,“green”,“pink”,“yellow”))
Ftrungbinh=Ftb Ftrungbinh=replace(Ftrungbinh,Ftb<=3,1) Ftrungbinh=replace(Ftrungbinh,Ftb>3&Ftb<=4.5,2) Ftrungbinh=replace(Ftrungbinh,Ftb>4.5,3)
FTBINH=data.frame(Ftb,Ftrungbinh) FTBINH
hist(Ftb, col=“blue”, xlab=“Giá trị Ftb”, border=“green”, ylab=“Tần số Ftb”, main=“Đồ thị Histogram Ftb”, xlim=c(2,5))
lines(density(na.omit(Ftb)), col=“green”, lwd=2)
boxplot(Ftb, ylab=“Giá trị Ftb”, col=“lightpink”)
boxplot.stats(Ftb) ### CÂU 9 V# Vẽ đồ thị Scatter Plot plot(Ftb~Atb,xlab=“Giá trị Atb”,ylab=“Giá trị Ftb”,col=“green”, pch=19) # Thêm đường hồi quy tuyến tính abline(lm(Ftb~Atb)) # CÂU 10 library(psych) fa=data.frame(A1,A2,A3,A4,A5) alpha(fa) #NHẬN XÉT # Giá trị Cronbach’s Alpha = 0.93 . 0.6; như vậy nhân tố A đảm bảo độ tin cậy # Hệ số tương quan biến tổng các biến/ thang đo đều>0.3 ( đạt yêu cầu ) #=> Nên không bất kì loại biến / thang đo nào # CÂU 11 abcde=data.frame(A1,A2,A3,A4,A5,B1,B2,B3,B4,C1,C2,C3,C4,D1,D2,D3,E1,E2,E3,E4) library(psych) cortest.bartlett(abcde) KMO(abcde) ### NHẬN XÉT: Giá trị KMO = 0,67 > 0,5; đảm bảo yêu cầu phân tích EFA # Giá trị Sig (p.value) của Barlett’s = 0,000 < 5% ; do đó kết quả EFA có thể sử dụng để phân tích # CÂU 12 fitabcde1<-principal(abcde,cor=TRUE,nfactors=20,rotate=“none”) fitabcde1 fitabcde2<-principal(abcde,cor=TRUE,nfactors=5,rotate=“none”) fitabcde2 ### NHẬN XÉT: Số nhân tố được trích: 5 nhóm nhân tố # Giá trị Eigenva = 1.83 > 1 (đạt yêu cầu) # Giá trị tổng phương sai trích = 0.80 > 50% (đạt yêu cầu) # Cấu trúc nhân tố có phù hợp với dữ liệu ban đầu vì các biến/thang được sắp xếp theo đúng nhóm nhân tố # CÂU 13 library(psych) vars=cbind(Atb,Btb,Ctb,Dtb,Etb,Ftb) pairs.panels(vars) library(Hmisc) result=rcorr(as.matrix(vars),type=“pearson”) result$r result #CÂU 14 mreg=lm(Ftb~Atb+Btb+Ctb) summary(mreg) ### NHẬN XÉT CÂU 14 # Phương trình hồi quy: #Ftb = 0.76022 + 0.20139Atb + 0.13162Btb + 0.47633*Ctb + ei # Mô hình có ý nghĩa thống kê với F = 45,47 và p < 0,001. # R² = 0,4128; R² hiệu chỉnh = 0,4038, mô hình giải thích 40,38% sự biến thiên của Ftb. # Atb, Btb và Ctb đều tác động cùng chiều và có ý nghĩa thống kê với Ftb. # Ctb có tác động mạnh nhất với hệ số 0,47633. #CÂU 15 mreg=lm(Ftb~Atb+Btb+Ctb) summary(mreg) library(car) vif(mreg) require(lmtest) dwtest(mreg) #NHẬN XÉT:Mô hình phù hợp và có ý nghĩa thống kê; Atb, Btb, Ctb đều tác động cùng chiều đến Ftb. Adjusted R² = 40,38% #VIF ≈ 1 nên không có đa cộng tuyến. #DW = 1,7709 và p = 0,04459 cho thấy có tự tương quan dương. #CÂU 16 mreg=lm(Ftb~Atb+Btb+Ctb) summary(mreg) op<-par(mfrow=c(2,2)) plot(mreg) #NHẬN XÉT: #Đồ thị 1: Phần dư tập trung quanh đường y = 0 → giả định trung bình phần dư bằng 0 được chấp nhận. #Đồ thị 2: Các phần dư nằm gần đường chuẩn → phần dư tuân theo phân phối chuẩn. #Đồ thị 3: Phần dư chuẩn hóa phân bố tương đối đồng đều → phương sai phần dư ổn định. #Đồ thị 4: Các điểm phần dư phân bố phù hợp → giả định của mô hình được chấp nhận. ```