PHÂN TÍCH NHÂN TỐ,PHÂN TÍCH KẾT HỢP VÀ PHÂN BIỆT

PHÂN TÍCH NHÂN TỐ, PHÂN TÍCH KẾT
HỢP
PHÂN TÍCH PHÂN BIỆT VÀ PHÂN TÍCH
CROSS-TABULATION
( FACTOR, CONJOINT, DISCRIMINANT AND CROSS-TAB ANALYSIS)

I. PHÂN TÍCH NHÂN TỐ
1. Khái niệm
2. Mô hình phân tích nhân tố
3. Tiến trình phân tích nhân tố
II. PHÂN TÍCH KẾT HỢP
1. Khái niệm
2. Mục đích
3. Tiến trình phân tích kết hợp
4. Giả thuyết và hạn chế của phân tích kết hợp
III. PHÂN TÍCH PHÂN BIỆT
1. Khái niệm
2. Mục tiêu phân tích phân biệt
3. Mối quan hệ giữa phân tích hồi qui, phân tích ANOVA và phân tích phân
biệt
4. Phân loại phân tích phân biệt
5. Mô hình phân tích phân biệt
6. Tiến trình phân tích phân biệt
7. Phân tích đa nhóm
IV. CROSS - TABULATION
1. Định nghĩa
2. Phân tích Cross - Tabulation hai biến
3. Phân tích Cross - tabulation ba biến
BÀI TẬP
Ngoài các phân tích đã đề cập trong những chương trước như phân tích ANOVA, phân
tích hồi qui tương quan, kiểm định giả thuyết , còn một số phân tích khác nhằm đáp ứng những

nhu cầu khác nhau trong quá trình xử lý thông tin và ra quyết định, chẳng hạn như phân tích
nhân tố, phân tích cụm, phân tích kết hợp và phân tích phân biệt giữa các nhóm. Trong phạm vi
chương này, ba phân tích được ứng dụng phổ biến là phân tích nhân tô,ú phân tích kết hợp và
phân tích phân biệt giữa các nhóm được đề cập. Tùy theo đặc điểm dữ liệu và mục tiêu nghiên
cứu, việc sữ dụng các mô hình phân tích này sẽ rất quan trọng, tránh việc chọn mô hình phân tích
không phù hợp, điều này sẽ dẫn đến sai lầm trong việc ra quyết định.
I. PHÂN TÍCH NHÂN TỐ - FACTOR ANALYSIS
1. Khái niệm
Phân tích nhân tố được sử dụng để rút gọn và tóm tắt dữ liệu. Trong nghiên cứu Marketing,
có thể có rất nhiều biến để nghiên cứu, hầu hết chúng có tương quan với nhau và thường được
rút gọn để có thể dễ dàng quản lý. Mối quan hệ giữa những bộ khác nhau của nhiều biến được
xác định và đại diện bởi một vài nhân tố (hay nói cách khác một nhân tố đại diện cho một số
biến). Chẳng hạn như hình tượng của một cửa hàng có thể đo lường bằng cách hỏi khách hàng để
đánh giá và xác định các nhân tố có liên quan đến hình tượng của cửa hàng. Trong phân tích
ANOVA hay hồi qui, tất cả các biến nghiên cứu thì có một biến phụ thuộc còn các biến còn lại là
các biến độc lập, nhưng đối với phân tích nhân tố thì không có sự phân biệt này. Hơn nữa, phân
tích nhân tố có quan hệ phụ thuộc lẫn nhau giữa các biến trong đó mối quan hệ phụ thuộc này
được xác định. Vì những lý do trên, phân tích nhân tố được sử dụng trong các trường hợp sau:
1. Nhận dạng các nhân tố để giải thích mối quan hệ giữa các biến. Ví dụ như các câu trả lời
về lối sống có thể được sử dụng để đo lường tâm lý của khách hàng. Các câu trả lời này có thể là
nhân tố được phân tích để nhận dạng các nhân tố tâm lý.
2. Nhận dạng các biến mới thay thế cho các biến gốc ban đầu trong phân tích đa biến (hồi
qui). Chẳng hạn các nhân tố tâm lý được nhận dạng có thể sử dụng như là các biến độc lập để
phân biệt số khách hàng trung thành và không trung thành.
3. Nhận dạng một bộ có số biến ít hơn cho việc sử dụng phân tích đa biến. Chẳng hạn có
một ít câu trả lời về lối sống tương quan khá cao với các nhân tố đã nhận dạng được sử dụng như
các biến độc lập để giải thích sự khác biệt giữa khách hàng trung thành và không trung thành.
- Phân tích nhân tố được sử dụng rộng rãi trong nghiên cứu Marketing. Ví dụ,
1. Phân tích nhân tố được sử dụng trong phân khúc thị trường để nhận dạng các biến phân
nhóm khách hàng. Chẳng hạn những người mua xe mới có thể tập hợp thành các nhóm dựa vào

các nhân tố như tính kinh tế, tiện nghi, vận hành tốt và tính sang trọng. Ðiều này có thể có bốn
phân khúc thị trường theo bốn nhân tố trên.
2. Trong nghiên cứu sản phẩm, phân tích nhân tố được sử dụng để xác định phẩm chất của
nhãn hiệu có ảnh hưởng đến sự chọn lựa của khách hàng. Những nhãn hiệu kem đánh răng có thể
được đánh giá về các khía cạnh: bảo vệ răng, làm trắng răng, mùi vị, hơi thở thơm tho và giá.
3. Các nghiên cứu trong quảng cáo, phân tích nhân tố được dùng để hiểu thói quen sử dụng
phương tiện thông tin của thị trường mục tiêu. Chẳng hạn, những người sử dụng thức ăn lạnh có
thể thích xem tivi, xem phim và nghe nhạc
4. Trong nghiên cứu giá, phân tích nhân tố được sử dụng để nhận dạng những đặc điểm của
khách hàng nhạy cảm về giá. Những khách hàng này có thể là những người không có thu nhập
cao, thường xuyên ở nhà.
2. Mô hình phân tích nhân tố
Về mặt tóan học, mô hình phân tích nhân tố giống như phương trình hồi qui nhiều chiều
mà trong đó mỗi biến được đặc trưng cho mỗi nhân tố. Những nhân tố này thì không được quan
sát một cách riêng lẻ trong mô hình. Nếu các biến được chuẩn hóa mô hình nhân tố có dạng như
sau:
X
i
= A
i1
F
1
+ A
i2
F
2
+ + A
im
F
m

+V
i
U
i
Trong đó:
XI: Biến được chuẩn hóa thứ i
Aịj: Hệ số hồi qui bội của biến được chuẩn hóa i trên nhân tố chung j
F: Nhân tố chung
Vi: Hệ số hồi qui của biến chuẩn hóa i trên nhân tố duy nhất i
Ui: Nhân tố duy nhất của biến i
m: Số nhân tố chung.
Mỗi nhân tố duy nhất thì tương quan với mỗi nhân tố khác và với các nhân tố chung. Các
nhân tố chung có sự kết hợp tuyến tính của các biến được quan sát.
F
i
= w
i1
x
1
+ w
i2
x
2
+ + w
ik
x
k
Trong đó:
Fi: Ước lượng nhân tố thứ i
wi: Trọng số hay hệ số điểm nhân tố

k: Số biến
Trong phân tích này có thể chọn trọng số (hay hệ số điểm nhân tố) để nhân tố thứ nhất có
tỷ trọng lớn nhất trong tổng phương sai. Các nhân tố có thể được ước lượng điểm nhân tố của nó.
Theo ước lượng này, nhân tố thứ nhất có điểm nhân tố cao nhất, nhân tố thứ hai có điểm nhân tố
cao thứ hai Dĩ nhiên, kỹ thuật ước lượng liên quan rất nhiều đến thống kê, điều này sẽ được
giải thích chi tiết trong các phần sau.
3. Tiến trình phân tích nhân tố
Tiến trình thực hiện phân tích nhân tố được trình bày theo các bước trong sơ đồ dưới đây:

Tiến trình phân tích nhân tố trong phần mềm SPSS như sau:
¨ Nhập dữ liệu 7 biến theo ví dụ của bước 1 - chọn menu Analyze - chọn Data Reduction -
chọn Factor - chọn các chi tiết của các menu trong hộp thoại Factor Analysis như
Descriptives, Extraction, Rotation, Scores and options - chọn OK, sau đó ta có bảng kết quả
(từ bảng 7.1 đến bảng 7.2c) được giải thích theo các bước dưới đây.
Bước 1: Xác định vấn đề
Có rất nhiều nhiệm vụ trong việc xác định vấn đề phân tích. Trước tiên, mục tiêu nghiên
cứu phải được xác định. Các biến trong mô hình phân tích nhân tố phải cụ thể, điều này có thể
dựa vào các nhân tố truớc, lý thuyết hoặc sự cân nhắc của nhà nghiên cứu. Việc những biến này
sử dụng thang đo khoảng và thang đo tỷ lệ thì rất quan trọng và phải chọn cỡ mẫu phù hợp.
Thường thường, cỡ mẫu phù hợp phải gấp từ bốn đến năm lần số biến nghiên cứu. Trong nhiều
trường hợp nghiên cứu Marketing, vì một lý do nào đó, cỡ mẫu lấy thấp hơn tỷ lệ trên thì kết quả
nghiên cứu nên được giải thích một cách thận trọng.
Ví dụ, giả sử nhà nghiên cứu muốn xác định những lợi ích cơ bản mà khách hàng cần tìm
khi mua kem đánh răng. Một mẫu gồm 237 người được phỏng vấn theo thang đo 7 điểm (điểm 1
là hoàn toàn không đồng ý, điểm 7 là hoàn toàn đồng ý) với các nội dung khi sử dụng kem đánh
răng như sau: (các biến từ V1 đến V7)
V1: Chống được sâu răng
V2: Tạo được hàm răng sáng
V3: Không làm nhiễm trùng nướu răng
V4: Tạo hơi thở thơm tho

V5: Chống được canxi hóa răng
V6: Có hàm răng hấp dẫn
V7: Có hàm răng khỏe mạnh
Bước 2: Lập ma trận tương quan
Sau khi thu thập thông tin, dựa vào dữ liệu của 7 biến trên ta lập ma trân tương quan giữa
các biến. Nếu phân tích nhân tố thích hợp thì các biến này phải có tương quan với nhau. Trong
thực tế, nếu sự tương quan giữa các biến tương đối nhỏ thì phân tích nhân tố có thể không phù
hợp. Chúng ta mong đợi rằng các biến phải có tương quan ở mức độ cao trong từng biến và giữa
các biến.
- Ðể nhận dạng điều này chúng ta sử dụng phần mềm SPSS hoặc Excel để tạo ma trận
tương quan giữa các biến bằng câu lệnh Correlation. Chẳng hạn, kết quả ma trận tương quan của
7 biến trong ví dụ về kem đánh răng được trình bày như sau:
Bảng 7.1: Ma trận tương quan giữa các biến

Nhận xét:
Ma trận tương quan giữa 7 biến (V1(V7) biểu hiện những lợi ích của kem đánh răng thông
qua sự liên hệ giữa các biến. Theo kết quả bảng 7.1, các biến V1,V3, V5 và V7 có tương quan rất
cao. Chúng ta sẽ đặt một nhân tố chung đại diện cho 4 biến này là F1. Tương tự, các biến V2, V4
và V6 được đại diện bởi nhân tố chung F2.
Tiếp theo, để xác định tất cả 7 biến có tương quan như thế nào, ta sử dụng kiểm định
Barletts để kiểm định giả thuyết:

Tuy nhiên, để xác định số nhân tố ta quan tâm đến tổng phương sai của 7 nhân tố (cột 2) và
của từng nhân tố (cột 5). Kết quả xử lý theo kiểm định Bartlett như sau:

Giải thích:
* Communality: phương sai tối đa của mỗi biến
* Eigenvalue: phuơng sai tổng hợp của từng nhân tố
* Percent of variance: phương sai của từng nhân tố tính bằng %
[(cột (5) = cột (4)/tổng cột (2) x100)]

* Cumulative Percentage: phương sai tích lũy [cột (6) = cột (5) cộng dồn]
Bước 3: Xác định số nhân tố
Trong nghiên cứu thường số nhân tố sau khi xử lý ít hơn số biến ban đầu. Rất hiếm có
trường hợp tất cả các biến ban đầu đều là các nhân tố ảnh hưởng hay tác động đến vấn đề nghiên
cứu. Theo ví dụ trên, trong 7 biến ban đầu nhưng chỉ có hai nhân tố (V1) và (V2) là có trọng số
cao về phương sai thể hiện kết quả trong cột 5 (48,3% và 28,0%) làm đại diện. Tuy nhiên, có rất
nhiều cách để xác định số nhân tố trong mô hình phù hợp:
1. Quyết định trước số nhân tô:ú thỉnh thoảng nhà nghiên cứu biết trước có bao nhiêu nhân
tố trước khi tiến hành phân tích. Số nhân tố có giảm đi hay không là do nhà nghiên cứu hoàn
toàn quyết định.
2. Quyết định dựa vào phương sai tổng hợp của từng nhân tố (Eigenvalue): Trong cách tiếp
cận này chỉ có những nhân tố có Eigenvalue lớn hơn 1 mới được đưa vào mô hình. Nếu số biến
ban đầu ít hơn 20 thì cách tiếp cận này vẫn còn tác dụng.
3. Quyết định dựa vào phần trăm phương sai của từng nhân tố (cột 5): Số nhân tố được
chọn vào mô hình phải có tổng phương sai tích lũy giữa hai nhân tố lớn hơn 60%. Tuy nhiên, tùy
thuộc vào vấn đề nghiên cứu mức độ này có thể thấp hơn. Chẳng hạn tổng phương sai của nhân
tố 1 và nhân tố 2 trong ví dụ về kem đánh răng là 76,3%.
Bước 4: Giải thích các nhân tố
Trở lại kết quả của kiểm định Bartlett ta có kết quả của ma trận nhân tố như sau:
Bảng 7.2a. Ma trận nhân tố đã chuẩn hóa các biến

Bảng ma trận 7.2a chứa đựng các biến đã được chuẩn hóa, ma trận này thể hiện mối tương
quan giữa hai nhân tố (V1) và (V2) với 7 biến (V1(V7). Ta thấy rằng nhân tố 1 có tương quan
với cả 7 biến nhưng chỉ có các biến V1 (chống sâu răng), V3(chống nhiễm trùng nướu), V5
(chống canxi hóa) và V7 (răng khỏe) là có hệ số tương quan cao, các biến này thể hiện lợi ích về
sức khỏe. Như vậy, nhân tố 1 có thể đặt tên là nhân tố lợi ích về sức khỏe. Tương tự, nhân tố 2
liên quan đến các biến có hệ số tương quan cao như V2 (răng sáng), V4 (hơi thở thơm tho) và V6
(hàm răng hấp dẫn), nhân tố nầy được đặt tên là nhân tố lợi ích về xã hội.
Như vậy, qua xử lý ta thấy có hai loại lợi ích từ việc sử dụng kem đánh răng là lợi ích sức
khỏe và lợi ích xã hội được đại diện bởi nhân tố 1 (F1) và nhân tố 2 (F2).

Bước 5: Xác định điểm nhân tố và chọn nhân tố thay thế
- Ðiểm nhân tố (hay trọng số) để kết hợp các biến chuẩn hóa (F) được lấy từ ma trận hệ số
điểm (bảng 7.2b: Factor score coefficient matrix). Theo ví dụ trên, trong mô hình có hai nhân tố
chung F1 và F2, trong đó F1 có bốn biến liên quan là V1, V3, V5 và V7, và F2 có ba biến liên hệ
là V2, V4, và V6.
Cụ thể ước lượng điểm nhân tố của hai nhân tố F1 và F2 như sau:
F
1
= 0,31x
1
+ 0,29 x
3
+ 0,3x
5
+0,29x
7
F
2
= 0,38x
2
+ 0,38x
4
+ 0,37x
6
Các tham số của hai phương trình trên được rút ra từ bảng kết quả phân tích mục Factor
score coefficient matrix. Trong hai phương trình trên, biến nào có hệ số điểm nhân tố cao nhất
thì biến đó ảnh hưởng lớn nhất đến nhân tố chung. Tuy nhiên, trong thực tế nghiên cứu, có
những trường hợp có thể có một số biến đã được nhà nghiên cứu quan tâm từ trước, mặc dù nó
có hệ số điểm nhân tố thấp hơn nhưng vẫn được coi là quan trọng hơn. Chẳng hạn như chống
canxi hóa răng (V5) được coi là quan trọng hơn chống sâu răng (V1) trong mô hình phân tích

này. Thực hiện điều này có nghĩa là ta đã chọn nhân tố thay thế.
Bảng 7.2b: Factor score coefficient matrix
Variable Factor 1 Factor 2
V
1
V
2
V
3
V
4
V
5
V
6
V
7
.30931
05548
.29250
04918
.30199
04160
.29173
06814
.38315
03331
.38087
05191
.37478

.00697
Bước 6: Xác định mô hình phù hợp
Một giả thuyết cơ bản trong phân tích nhân tố là sự tương quan giữa các biến ảnh hưởng
đến các nhân tố chung. Vì vậy, tương quan giữa các biến có thể được suy ra hoặc mô phỏng từ
mối tương quan được ước lượng giữa các biến và các nhân tố (bảng 7.2c). Sự khác biệt giữa ma
trận tương quan giữa các biến (bảng 7.1) và ma trận tương quan giữa các biến và nhân tố (bảng
7.2c) gọi là các dư số. Nếu các dư số có giá trị lớn thì mô hình sẽ không phù hợp, và vì vậy nó
cần phải xem xét lại. Trở lại ví dụ về kem đánh răng, khi so sánh bảng 7.1 và bảng 7.2c thì chỉ có
4 dư số lớn hơn 0,1 và 6 dư số lớn hơn 0,05, đây là các dư số tương đối nhỏ nên mô hình có hai
nhân tố chung F1 và F2 được chấp nhận.
Bảng 7.2c. Ma trận tương quan sau khi chuẩn hóa các biến
V
1
V
2
V
3
V
4
V
5
V
6
V
7
V
1
0.74
V
2

V
3
V
4
V
5
V
6
V
7
0.11
0.72
0.13
0.73
0.14
0.74
0.80
0.18
0.80
0.14
0.79
0.26

0.70
0.19
0.71
0.20
0.73

0.80
0.15
0.79
0.28



0.72
0.17
0.74




0.79
0.29





0.78

II. PHÂN TÍCH KẾT HỢP - CONJOINT ANALYSIS
1. Khái niệm
Phân tích kết hợp là một kỹ thuật để xác định tầm quan trọng tương đối về các phẩm chất
nổi bật của sản phẩm hay nhãn hiệu sản phẩm và lợi ích của mỗi phẩm chất đó qua đánh giá chủ
quan của khách hàng. Phân tích kết hợp dùng để phát triển những hàm giá trị hoặc hàm lợi ích,
nó mô tả lợi ích mà khách hàng đưa ra đối với mỗi phẩm chất của vấn đề nghiên cứu.
2. Mục đích

Phân tích kết hợp được sử dụng trong Marketing với nhiều mục đích khác nhau:
- Xác định tầm quan trọng tương đối về phẩm chất trong tiến trình chọn lựa của người tiêu
dùng.
- Xác định thị phần của các nhãn hiệu (brands) ở các mức độ khác nhau về phẩm chất.
- Xác định sự cấu thành của nhãn hiệu được ưa thích nhất. Những đặc trưng của nhãn hiệu
có thể khác nhau về chất lượng, những đặc trưng này nếu có lợi ích cao nhất thì nhãn hiệu sẽ
được yêu thích nhất.
- Phân khúc thị trường dựa vào sự giống nhau của sở thích ở các mức độ khác nhau về phẩm
chất.
Ứng dụng của phân tích kết hợp sử dụng trong các lĩnh vực hàng tiêu dùng, sản phẩm công
nghiệp, các dịch vụ, tài chính và các dịch vụ khác. Hơn nữa, những ứng dụng này có thể mở rộng
cho toàn bộ các lĩnh vực Marketing. Một vài nghiên cứu gần đây ứng dụng phân tích kết hợp
trong các lĩnh vực như nhận dạng sản phẩm mới, phân tích cạnh tranh, giá, phân khúc thị trường,
quảng cáo và phân phối sản phẩm.
3. Tiến trình phân tích kết hợp
Tiến trình phân tích kết hợp được trình bày như trong sơ đồ 7.2.
Bước 1: Xác định vấn đề
Vấn đề được xác định có liên quan đến việc nhận dạng các phẩm chất nổi bật ở các mức độ
khác nhau. Khách hàng đánh giá hoặc xếp hạng trong các thang đo phù hợp. Trước tiên, nhà
nghiên cứu phải nhận dạng các phẩm chất ở các mức độ khác nhau và sắp xếp, kết hợp chúng lại
với nhau bằng các giá trị đại diện. Về lý thuyết, các phẩm chất được chọn thường thì nổi bật
trong việc ảnh hưởng đến sự chọn lựa có liên quan đến thị hiếu của khách hàng. Chẳng hạn,
trong việc chọn lựa nhãn hiệu của xe honda thì giá cả, mức độ tiêu tốn xăng/100km, màu xe, tính
bền của xe.v.v là các phẩm chất rất được người mua quan tâm.
Ðể giảm thiểu công việc đánh giá của người được phỏng vấn và để ước lượng các tham số
(về phẩm chất) với tính chính xác hợp lý, nên hạn chế số lượng phẩm chất thông qua việc thảo
luận với ban quản lý, chuyên gia, phân tích số liệu thứ cấp, nghiên cứu định tính, điều tra
thử.v.v để chọn các phẩm chất nổi bật. Các hàm lợi ích trong phân tích có thể không tuyến
tính, lợi ích sẽ mất đi khi chuyển từ giá trung bình lên giá cao hơn. Các mức độ phẩm chất khác
nhau (chẳng hạn giá thấp, giá trung bình và giá cao của honda) ảnh hưởng đến sự đánh giá của

người tiêu dùng. Nếu ba mức giá của xe honda là 10 triệu đồng, 12 triệu đồng và 14 triệu đồng
thì mức độ chênh lệch giá không quan trọng. Nhưng nếu ba mức giá thể hiện ba phẩm chất khác
nhau như 10 triệu đồng, 20 triệu đồng và 30 triệu đồng thì giá sẽ là một nhân tố rất quan trọng.
Vì vậy, nhà nghiên cứu nên tính toán các mức độ phẩm chất phổ biến trên thị trường và mục tiêu
nghiên cứu. Thông thường, để chọn lựa cơ cấu phẩm chất lớn hơn cái nó có trong thị trường
nhưng cũng đừng chọn mức độ phẩm chất quá lớn vì nó sẽ tác động đến khả năng tin tưởng của
việc đánh giá.
Ví dụ, Vấn đề nhà nghiên cứu muốn biết khách hàng mong muốn sản phẩm giày như thế
nào. Qua phỏng vấn thử, kết quả cho thấy có ba phẩm chất nổi bật là: đế giày, thân giày và giá
bán. Mỗi phẩm chất được mô tả ở ba mức độ (1, 2 và 3). Số liệu thu thập như trong bảng sau:
Bảng 7.3: Phẩm chất và các mức độ của phẩm chất
Bước 2: Cấu trúc kết hợp
Có hai cách tiếp cận cho cấu trúc phân tích kết hợp: đánh giá hai nhân tố và đánh giá đa
nhân tố.
- Ðánh giá hai nhân tố (two-factor evaluations): còn được gọi là đánh giá từng cặp. Người
được phỏng vấn đánh giá hai phẩm chất cùng một lúc cho đến khi nào tất cả các cặp đều được
đánh giá. Mỗi cặp được đánh giá trên tất cả sự kết hợp các mức độ của hai phẩm chất (hay hai
nhân tố).
- Ðánh giá đa nhân tố (multiple evaluations): người được phỏng vấn đánh giá tất cả các
phẩm chất trên tất cả các mặt của nhãn hiệu, mỗi mặt thì được mô tả bằng một chỉ số riêng.
Trong thực tế, không cần thiết phải đánh giá tất cả sự kết hợp bởi vì nó không khả thi trong tất cả
các trường hợp. Trong đánh giá hai nhân tố, có thể giảm các cặp kết hợp bằng cách sử dụng thiết
kế chu kỳ (cyclical designs). Trong khi đó đánh giá đa nhân tố sử dụng thiết kế nhân tố phân
đọan (fractional factorial designs) để giảm số lần đánh giá của phẩm chất. Nói chung, có hai bộ
số liệu được thu thập. Thứ nhất là bộ dùng để đánh giá (evaluation set) được sử dụng để đánh giá
hàm lợi ích cho các mức độ phẩm chất. Thứ hai là bộ được yêu cầu (holdout set) để đánh giá độ
tin cậy và hiệu quả.
Thuận lợi của đánh giá từng cặp là dễ dàng cho người trả lời cung cấp những ý kiến đánh
giá. Tuy nhiên, nó cũng đòi hỏi nhiều đánh giá hơn trong tiếp cận đa nhân tố, vì vậy đánh giá đa
nhân tố được sử dụng phổ biến hơn trong thực tế. Trở lại ví dụ về giày, ta có ba phẩm chất (đế

giày, thân giày và giá) để đánh giá, mỗi phẩm chất lại có ba mức độ. Do đó, tổng các mặt kết hợp
phẩm chất cần phải đánh giá là 27 (3.3.3) được thể hiện như sau:

Sơ đồ 7.3: Ðánh giá từng cặp trong thu thập dữ liệu kết hợp
Trước khi tiến hành các kỹ thuật để giảm công việc đánh giá cho người trả lời, việc quyết
định hình thức dữ liệu là hết sức cần thiết.
Bước 3: Quyết định hình thức dữ liệu
Dữ liệu trong phân tích kết hợp được người trả lời đánh giá bằng cách dùng tỷ lệ hay xếp
hạng các mặt của các kết hợp phẩm chất. Ðối với dữ liệu sử dụng hệ thống thang đo thì người trả
lời đánh giá bằng cách xếp hạng. Các hạng được xếp có liên quan đến việc đánh giá một cách
tương đối các mức độ phẩm chất và nó cũng phản ánh một cách chính xác hành vi của người tiêu
dùng trên thị trường.
Ðối với dữ liệu không sử dụng hệ thống thang đo thì người trả lời đánh giá theo hình thức
tỷ lệ. Hình thức này được người trả lời đánh giá một cách độc lập, dữ liệu dưới hình thức tỷ lệ
được phân tích dễ dàng hơn dữ liệu được xếp hạng. Trong thực tế, việc sử dụng hình thức tỷ lệ
rất phổ biến. Cho dù đánh giá dưới hình thức nào thì người trả lời cũng dựa vào sở thích và sự
quan tâm để mua hàng.
Bảng 7.4 trình bày việc đánh giá dưới hình thức tỷ lệ của người được phỏng vấn. Các tỷ lệ
này sử dụng thang đo 9 điểm với mức độ tăng dần về sở thích mua hàng của 9 cách kết hợp trên
27 mặt (điểm 1: không thích, điểm 9: rất thích).
Bảng 7.4: Ðánh giá theo hình thức tỷ lệ

Theo đánh giá của khách hàng trong bảng 7.4, cách kết hợp thứ nhất với tỷ lệ 1.1.1 ở các mức độ
phẩm chất tương ứng, điều này có nghĩa là khách hàng quan tâm đến một đôi giày có đế giày
bằng nhựa, thân giày bằng nilon với giá 450.000đ (kết hợp nội dung ở bảng 7.3 để giải thích các
kết hợp còn lại).
Bước 4: Mô hình phân tích kết hợp
Mô hình phân tích kết hợp là mô hình toán học thể hiện mối quan hệ cơ bản giữa các phẩm
chất và lợi ích trong phân tích kết hợp. Cụ thể mô hình được trình bày như sau:

Trong đó:
U(x) : Lợi ích chung của mỗi phương án
Ki : Số mức độ của phẩm chất
m : Số phẩm chất
Và: Ii : {Max ((ij) - Min ((ij)}
Trong đó: Ii : Tầm quan trọng của mỗi phẩm chất
((ij) : Hệ số lợi ích
Có nhiều cách để ước lượng mô hình cơ bản này, đơn giản nhất là sử dụng mô hình hồi qui
với các biến độc lập là các biến giả (dummy) đại diện cho các mức độ của phẩm chất, biến phụ
thuộc là tỷ lệ đánh giá của người trả lời. Từ số liệu bảng 11.4, ta sử dụng hai biến giả cho mỗi
phẩm chất, như vậy sẽ có 6 biến giả được sử dụng cho ba phẩm chất: đế giày (x1 và x2), thân
giày (x3 và x4) và giá (x5 và x6). Ba mức độ 1, 2 và 3 trong mỗi phẩm chất được mã hóa như
sau:
- Trong các biến x1, x3 và x5 thì mức độ 1 được mã hóa là 1, các mức độ 2 và 3 được mã
hóa là 0.
- Trong các biến x2, x4 và x6 thì mức độ 2 được mã hóa là 1, mức độ 1 và 3 được mã hóa
là 0.
Số liệu trong bảng 7.4 được mã hóa trong bảng 7.5 như sau:
Bảng 7.5: Mã hóa dữ liệu biến giả trong mô hình hồi qui

(*) Mỗi phẩm chất trong bảng 7.4 được mã hóa thành hai biến
Mô hình ước lượng được trình bày như sau:
U = b
o
+ b
1
x
1
+ b
2

x
2
+ b
3
x
3
+ b
4
x
4
+ b
5
x
5
+ b
6
x
6
Kết quả xử lý được trình bày trong bảng 7.6.
   • Ước lượng các tham số hồi qui:
Kết quả ước lượng các tham số hồi qui từ SPSS như dưới đây:
b
o
= 4,222 b
1
= 1,000 b
2
= - 0,333 b
3
= 1,000

b
4
= 0,667 b
5
= 2,333 b
6
= 1,333
Các hệ số này cũng có thể được tính từ kết quả phân tích trong bảng 7.6:
b
1
= a
11
- a
13
= 0,788 - (- 0,222) = 1,000
b
2
= a
12
- a
13
= - 0,556 - (- 0,222) = - 0,333

Các tham số cũng có cách tính tương tự. Cũng cần lưu ý, tổng cộng các hệ số lợi ích trong
một phẩm chất luôn luôn bằng 0, chẳng hạn các giá trị của (11 + (12 + (13 trong bảng 7.6 thì
bằng 0.
Bảng 7.6: Kết qủa phân tích kết hợp
•    Tính mức độ quan trọng của mỗi phẩm chất:
- Tổng các mức độ quan trọng của ba phẩm chất:
I = {Max ((ij) - Min ((ij)}= I đế giày + I thân giày + I giá

= [0,778 - (- 0,556)] + [ 0,445 - (- 0,556)] + [1,111 - (- 1,222)]
= 1,334 + 1,001 + 2,333 = 4,668
- Hệ số quan trọng của đế giày (DG) =Ġā
- Hệ số quan trọng của thân giày (TG) =Ġ
- Hệ số quan trọng của giá (G) =Ġ
Bước 5: Giải thích kết quả
Kết quả phân tích trong bảng 7.6 cho ta hai kết luận cơ bản sau:
•    Trong mỗi phẩm chất, hệ số quan trọng của mức độ nào có giá trị cao nhất chứng tỏ
khách quan tâm nhiều nhất đến phẩm chất đó. Như vậy, qua kết quả tính toán khách hàng rất
nhạy cảm về giá (I = 0,500), sau đó đến đế giày (I = 0,286) và sau cùng là thân giày (I = 0,
214).
Trong các mức độ của mỗi phẩm chất, nếu hệ số lợi ích của mức độ nào cao nhất thì được
khách hàng ưa chuộng nhất. Theo ví dụ trên, kết quả nhận xét như sau:
Khách hàng thích một đôi giày được sản xuất với đế giày làm bằng cao su ((11= 0,778),
thân giày làm bằng da ((21= 0,445) và giá khoảng 150.000 đồng ((31=1,111). Vấn đề tiếp theo ta
cần xem xét độ tin cậy của tài liệu phân tích để chứng minh rằng kết luận trên có độ tin cậy cao.
Bước 6: Ðánh giá độ tin cậy và hiệu quả phân tích
Có nhiều cách để đánh giá độ tin cậy và hiệu quả của phân tích kết hợp:
1. Dùng phân tích sự phù hợp (Goodness of Fit) hay mô hình hồi qui. Nếu dùng mô hình hồi
qui thì hệ số xác định (R2) sẽ là chỉ tiêu để đánh giá sự phù hợp của mô hình. Giá trị của R2
càng lớn chứng tỏ sự phù hợp của mô hình càng cao.
2. Kiểm tra lại dữ liệu để đánh giá lại độ tin cậy. Trong trường hợp này người trả lời được
phỏng vấn lại để đánh giá một lần nữa các phẩm chất, sau đó so sánh ma trận tương quan để
đánh giá độ tin cậy của kết quả phân tích.
3. Ðánh giá hiệu quả phân tích còn có thể sử dụng các hàm lợi ích để ước lượng tầm quan
trọng của các phẩm chất. Ðánh giá ước lượng này có thể kết hợp với đánh giá của người
được phỏng vấn để xác định hiệu quả phân tích.
4. Nếu một phân tích tổng hợp đã được tiến hành, mẫu ước lượng có thể chia làm nhiều
hướng và phân tích kết hợp có thể tiến hành cho từng mẫu nhỏ được tách ra. Sau đó kết quả
có thể so sánh với nhau để đánh giá sự ổn định của các giải pháp được sử dụng trong phân

tích kết hợp.
4. Giả thuyết và hạn chế của phân tích kết hợp
Mặc dù phân tích kết hợp là một kỹ thuật được sử dụng khá phổ biến nhưng nó cũng
chứa đựng nhiều giả thuyết và hạn chế. Giả thuyết trong phân tích kết hợp là các phẩm chất quan
trọng của một sản phẩm có thể được nhận dạng. Hơn nữa, khách hàng có thể đánh giá những
phương án chọn lựa trong các phẩm chất này. Có một số trường hợp hình tượng và nhãn hiệu thì
quan trọng. Tuy nhiên, khách hàng không thể đánh giá nhãn hiệu trong các phương án khác nhau
về phẩm chất ngay cả nếu khách hàng rất quan tâm đến các phẩm chất của sản phẩm, mô hình
đánh đổi (trade off) không thể đại diện tốt cho tiến trình chọn lựa. Một hạn chế khác của phân
tích kết hợp là dữ liệu thu thập quá phức tạp nếu số lượng phẩm chất khá lớn.
III. PHÂN TÍCH PHÂN BIỆT - DISCRIMINANT ANALYSIS
1. Khái niệm
Phân tích phân biệt là một kỹ thuật phân tích sử dụng cho việc phân biệt giữa các nhóm
bằng cách phân tích dữ liệu với một biến phụ thuộc được phân loại và các biến độc lập được đo
bằng thang đo khoảng. Ví dụ, biến phụ thuộc có thể chọn một nhãn hiệu máy tính cá nhân (A, B
hoặc C) và các biến độc lập có thể là chất lượng được đánh giá theo ba loại (chất lượng tốt, chất
lượng trung bình và chất lượng kém).
2. Mục tiêu phân tích phân biệt
Phân tích phân biệt nhằm đạt được những mục tiêu sau đây:
•    Phát triển những hàm phân biệt kết hợp tuyến tính những nhân tố dự báo (các biến độc
lập). Hàm này có sự phân biệt tốt nhất giữa các tiêu chuẩn nhóm đã phân loại (biến phụ
thuộc).
•    Xác định xem có sự khác biệt có ý nghĩa tồn tại giữa các nhóm về nội dung của các
biến độc lập không.
•    Xác định biến độc lập nào gây ra sự khác biệt giữa các nhóm.
•    Phân loại nhóm này so với nhóm khác dựa vào các giá trị của các biến độc lập.
•    Ðánh giá tính chính xác của việc phân loại.
Trong nghiên cứu Marketing, kỹ thuật phân tích phân biệt được sử dụng để trả lời những
câu hỏi sau đây:
+ Theo đặc điểm nhân khẩu, làm thế nào để phân biệt giữa khách hàng trung thành và

không trung thành với việc mua hàng ở một cửa hàng?
+ Khách hàng là những người uống nhiều, uống trung bình hay uống ít các thức uống đã
ướp lạnh?
+ Những đặc điểm tâm lý nào giúp phân biệt giữa những người mua hàng rất nhạy cảm về
sự thay đổi của giá và những người mua hàng không nhạy cảm về vấn đề này?
+ Phân khúc thị trường có khác nhau trong thói quen sử dụng các phương tiện thông tin hay
không?
+ Cái gì là đặc điểm để phân biệt khách hàng chấp nhận trả lời trực tiếp thông tin bằng thư
tín?
3. Mối quan hệ giữa phân tích hồi quy, phân tích ANOVA và phân tích phân biệt
Giữa các phân tích hồi quy, ANOVA và phân tích phân biệt có những điểm giống nhau
và khác nhau như sau:
Bảng 7.7: Phân biệt giữa ba loại phân tích

Ví dụ, một nhà nghiên cứu muốn giải thích lượng tiền bảo hiểm nhân thọ được trả (biến phụ
thuộc) dựa vào tuổi và thu nhập (biến độc lập). Cả ba biến này đều có liên quan với nhau nhưng
có bản chất khác nhau. Trong phân tích ANOVA và hồi quy, bản chất của biến phụ thuộc dùng
đơn vị tính cho chỉ tiêu lượng tiền bảo hiểm nhân thọ là đồng, trong khi đó trong phân tích phân
biệt (biến phụ thuộc) thì lượng tiền bảo hiểm có thể được phân loại một trong ba mức độ:
cao, trung bình hay thấp. Ngược lại, các biến độc lập tuổi và thu nhập trong phân tích ANOVA
chia làm ba loại: cao, trung bình và thấp còn trong hồi quy và phân tích phân biệt nó sử dụng đơn
vị tính của tuổi là năm và đơn vị tính của thu nhập là triệu đồng.
4. Phân loại phân tích phân biệt
4.1. Phân tích phân biệt giữa hai nhóm: Là phân tích được sử dụng trong trường hợp biến
phụ thuộc được chia làm hai loại, trường hợp phân tích này gần giống như phân tích hồi quy
nhiều chiều, biến phụ thuộc được mã hóa theo hai số 0 hoặc số 1 (dummy variables). Kết quả
phân tích thể hiện các hệ số hồi quy thì tỷ lệ với các hệ số hàm phân biệt.
4.2. Phân tích phân biệt đa nhóm: Là kỹ thuật phân tích được sử dụng trong trường họp biến
phụ thuộc được phân loại thành ba hay nhiều nhóm. Chi tiết của phân tích này sẽ được đề cập
trong những phần sau.

5. Mô hình phân tích phân biệt
Mô hình phân tích phân biệt được dựa vào mô hình thống kê như sau:
D = b
o
+ b
1
x
1
+ b
2
x
2
+ + b
k
x
k
Trong đó:
D: Ðiểm phân biệt (biến phụ thuộc)
bi: Các hệ số hay trọng số phân biệt (i = 1,n)
xi: các biến độc lập (i = 1,n)
Trong mô hình phân tích, hệ số hay trọng số (bi) được ước lượng để phân biệt sự khác
nhau giữa các nhóm dựa vào giá trị của hàm phân biệt. Ðiều này xuất hiện khi tỷ số giữa tổng
bình phương giữa các nhóm và tổng bình phương trong từng nhóm có điểm phân biệt lớn nhất.
Bước 1: Hình thành vấn đề
Vấn đề được hình thành bằng cách nhận dạng mục tiêu phân tích, biến độc lập và biến
phụ thuộc. Biến phụ thuộc phải bao gồm hai hay nhiều nhóm được chọn. Nếu biến phụ thuộc sử
dụng thang đo khoảng hay thang đo tỷ lệ, trước tiên phải phân loại chúng về tính chất thay vì
dùng hệ thống thang đo. Chẳng hạn như thái độ của khách hàng đối với một nhãn hiệu nào đó
dùng thang đo 6 điểm với mức ưa thích tăng dần từ một đến sáu. Trong trường hợp này ta chia
thang đo 6 điểm làm hai phần: từ một đến ba điểm là điểm thể hiện khách hàng không thích nhãn

hiệu và điểm từ bốn đến sáu là nhãn hiệu mà khách hàng quan tâm nhiều hơn. Những biến độc
lập được chọn dựa vào mô hình lý thuyết hoặc dựa vào các nghiên cứu trước.
6. Tiến trình phân tích phân biệt

Tiến trình phân tích nhân tố trong phần mềm SPSS như sau:
• Nhập dữ liệu 5 biến như giới thiệu trong bước 1- chọn menu Analyze - chọn Classify
- chọn Discriminant - Chọn các chi tiết của các menu trong hộp thoại
Discriminant Analysis như Grouping variable, Independent variables, Statistics and
Classify - chọn OK, sau đó ta có bảng kết quả (bảng 7.8) được giải như dưới đây.
Sau khi nhận dạng các biến độc lập và phụ thuộc, mẫu sẽ được chia thành hai bộ phận
khác nhau: (1) Mẫu phân tích được sử dụng để ước lượng hàm phân biệt, và (2) Mẫu tiêu chuẩn
dùng để chuẩn hóa hàm phân biệt. Khi cỡ mẫu đủ lớn thì có thể chia làm hai phần có số quan sát
bằng nhau cho hai bộ phận này và vai trò của chúng cũng luân phiên thay đổi, nghĩa là một nửa
cỡ mẫu sẽ đóng hai vai trò của hai bộ phận khác nhau này. Hơn nữa, phân phối của một nữa cỡ
mẫu được giả sử giống như phân phối của toàn bộ mẫu. Chẳng hạn, nếu mẫu bao gồm 25%
khách hàng trung thành và 75% khách hàng không trung thành thì khi thực hiện mẫu phân tích
và mẫu chuẩn hóa cũng có phân phối xác suất là 25% và 75%. Một trong những chỉ tiêu đánh giá
hiệu quả là số lần thử nghiệm được lập lại và luân phiên thay đổi giữa hai bộ phận này của mẫu.
Bước 1: Ước lượng các hệ số của hàm phân biệt
Ước lượng hệ số của hàm phân biệt thường dựa vào mẫu phân tích (analysis sample). Có
hai cách tiếp cận cho ước lượng này:
¨ Phương pháp trực tiếp: Theo phương pháp này mô hình ban đầu bao gồm tất cả các biến
độc lập. Cách tiếp cận này phù hợp khi vấn đề đã có nghiên cứu trước đây hoặc khi mô hình
lý thuyết có sẵn.
¨ Phân tích phân biệt từng biến: Trong trường hợp này, các biến độc lập lần lượt được đưa
vào mô hình, phương pháp này được sử dụng khi nhà nghiên cứu muốn chọn một số nhân tố
vào hàm phân biệt. Ðể hiểu rõ hơn các bước tiến hành phân tích phân biệt giữa hai nhóm, giả
sử rằng chúng ta muốn xác định những đặc điểm nổi bật của các gia đình đi nghĩ mát trong
hai năm qua. Số liệu thu nhập thập từ 42 gia đình bao gồm số gia đình đi du lịch và không đi
du lịch. Trong đó, mẫu phân tích có số gia đình là 30 và mẫu chuẩn hóa là 12. Trong mỗi

mẫu phân tích và chuẩn hóa có tỷ lệ bằng nhau về số gia đình có đi nghĩ mát và gia đình
không đi nghĩ mát (đúng bằng 50%). Nghĩa là trong 30 gia đình thuộc mẫu phân tích có 15
gia đình không đi nghĩ mát. Trường hợp mẫu chuẩn hóa cũng hiểu tương tự nghĩa là có 6 gia
đình không đi nghĩ mát. Dữ liệu thu thập trên năm biến độc lập: (1) thu nhập hàng năm (triệu
đồng); (2) thái độ thích đi du lịch (dùng thang đo 9 điểm cho sự tăng dần từ 1 - 9); (3) Tầm
quan trọng của vấn đề đi du lịch (cũng dùng thang đo 9 điểm với tầm quan trọng tăng dần từ
1 đến 9); (4) Số nhân khẩu trong gia đình và (5) tuổi của chủ hộ. Kết quả xử lý bằng phần
mềm SPSS ở mức ý nghĩa 5% như sau:
Bảng 7.8: kết qủa phân tích phân biệt hai nhân tố
Pooled Within-Groups Correlation Matrix



Wilks'l and F Ratio



Canonical Discriminant Functions
Standard Canonical Discriminant Function Coefficients
Structure Matrix
Unstandard Canonical Discriminant Function Coefficients
Canonical Discriminant Functions evaluated at group means
Classification Results for cases selected for use in analysis

Theo kết quả phân tích trong bảng 7.8, trước tiên chúng ta xem xét các trung bình của
nhóm (group means) và độ lệch chuẩn (standard deviations):
- Thứ nhất, thu nhập trung bình của hai nhóm có chênh lệch khá lớn, do đó nó cũng kéo
theo tầm quan trọng của việc du lịch (biến 3) cũng có mức độ phân biệt lớn hơn là thái độ thích
thú đi du lịch (biến 2) giữa hai nhóm. Trong khi đó, sự khác biệt giữa hai nhóm về số nhân khẩu
và tuổi chủ hộ rất thấp, đặc biệt độ lệch chuẩn của biến tuổi chủ hộ rất lớn (8,57).

- Thứ hai, ma trận tương quan trong các nhóm (within- groups Correlation matrix) rất
thấp giữa các biến độc lập (tất cả các hệ số tương quan đều nhỏ hơn 0,2).
- Thứ ba, tỷ số F và mức ý nghĩa trong từng biến thể hiện sự phân biệt có ý nghĩa hay
không đến số người đi du lịch, khi phân tích một biến nào đó nếu sig.F nhỏ hơn mức ý nghĩa
( trong xử lý thì biến đó có ý nghĩa trong mô hình phân biệt. Theo kết quả xử lý chỉ có 3 biến -
thu nhập (sig = 0,000), tầm quan trọng của du lịch (sig=0,209) và số nhân khẩu (sig= 0,007) là có
sự phân biệt có ý nghĩa giữa hai nhóm.
- Thứ tư, cần xác định số hàm phân biệt (bằng số nhóm trừ đi 1). Theo ví dụ ta có hai
nhóm nên chỉ có 1 hàm phân biệt được xác định. Dựa vào hàm phân biệt chuẩn tắc (Canonical
disriminant functions) trong bảng 7.8 ta thấy rằng hệ số tương quan R= 0,8007 và từ đây hệ số
xác định được tính như sau:
R
2
= (0,807)
2
= 0,64 = 64%
- Hệ số xác định bằng 64% có nghĩa là chỉ có 64% các biến độc lập ảnh hưởng đến sự
khác biệt của hai nhóm, còn 26% do các nhân tố khác không nghiên cứu trong mô hình.
Bước 3: Xác định ý nghĩa của hàm phân biệt
Ðể hiểu rõ hàm phân biệt có ý nghĩa hay không, kiểm định giả thuyết Ho là cần thiết:
Ho: Trung bình của tất cả các hàm phân biệt trong tất cả các nhóm thì bằng nhau (không
có sự phân biệt)
H1: Trung bình của tất cả các hàm phân biệt trong tất cả các nhóm thì khác nhau (sự phân
biệt có ý nghĩa)

Bước 4: Giải thích kết quả
Giải thích các hệ số phân biệt cũng tương tự cách giải thích các tham số hồi qui trong
phân tích hồi qui nhiều chiều. Biến độc lập nào có hệ số phân biệt chuẩn cao thì ảnh hưởng càng
lớn đến hàm phân biệt. Tương tự, trong ma trận tương quan (structure matrix) biến nào có hệ số
tương quan cao cũng tác động lớn đến hàm phân biệt. Qua ví dụ ta thấy biến thu nhập (r =

0,743) là nhân tố quan trọng nhất trong sự phân biệt giữa các nhóm, kế đến là số nhân khẩu và
tầm quan trọng của du lịch.
Ngoài ra, nếu xử lý mẫu số liệu chuẩn hóa (n = 12) , ta thấy rằng hàm phân biệt nhóm 1
có giá trị dương (1,29) (nhóm người du lịch) và nhóm 2 (nhóm người không đi du lịch) có giá trị
âm (-1,29).
Hơn nữa, tất cả năm biến độc lập đều có hệ số hàm phân biệt dương, điều này nói lên
rằng tuy mức độ có khác nhau nhưng càng cao thu nhập, số nhân khẩu và tuổi chủ hộ thì xu
hướng càng kích thích các gia đình tham quan du lịch (tham khảo mục Unstandardized canoncal
discriminant coefficients trong kết quả xử lý).
Mô hình phân biệt hợp lý hình thành chung cho cả hai nhóm bao gồm 3 nhân tố: thu
nhập, số nhân khẩu và tầm quan trọng của du lịch vì ba nhân tố này có hệ số tương quan cao.
Bước 5: Ðánh giá hiệu quả của phân tích phân biệt
Như đã được đề cập ở các phần trước, mẫu trong phân tích phân biệt được chia làm hai
mẫu nhỏ. Mẫu phân tích dùng để ước lượng hàm phân biệt và mẫu chuẩn hóa sử dụng để phát
triển ma trận phân loại. Ðể đánh giá hiệu quả phân tích ta tính các chỉ tiêu có liên quan đến hai
loại mẫu này như sau.
• Tính điểm phân biệt (discriminant scores)