BÀI TẬP LỚN KINH TẾ LƯỢNG VÀ PHÂN TÍCH DỮ LIỆU PHÂN TÍCH BỘ SỐ LIỆU: về số lượng mua hàng qua mạng

TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN
VIỆN SAU ĐẠI HỌC
BÀI TẬP LỚN
KINH TẾ LƯỢNG VÀ PHÂN TÍCH DỮ LIỆU
Học viên: NGUYỄN PHƯƠNG ANH
Mã số: 210357 Lớp: CH21D Số thứ tự: 04
PHÂN TÍCH BỘ SỐ LIỆU: về số lượng mua hàng qua mạng.
Số quan sát:104
Số biến số: 8
Loại số liệu: Số liệu chéo

Hà Nội, 01 / 2013
Những năm gần đây, khi Internet ngày càng phát triển, mua hàng qua mạng đã quá quen
thuộc với hầu hết tất cả mọi người. Mua hàng qua mạng giúp cho mọi người đỡ tốn thời gian,
công sức, đồng thời có thể được hưởng nhiều khuyến mãi nhất. Đặc biệt là với những người bận
rộn, thời gian mua hàng trực tiếp là rất hạn hẹp. Cho nên bán hàng qua mạng đã và đang được
các doanh nghiệp hết sức lưu tâm và ngày càng đầu tư phát triển.
Vậy, yếu tố nào sẽ quyết định lượng mua hàng qua mạng của mọi người?
Bài viết dưới sẽ đi phân tích các yếu tố ảnh hưởng đến việc mua hàng qua mạng.
Mô hình gồm các biến:
- Biến phụ thuộc: Time (số lần mua hàng qua mạng)
- Biến độc lập:
• Inc : thu nhập.
• Age: tuổi
• Job: bằng 1 nếu đã đi làm, bằng 0 nếu chưa đi làm
• Pay: bằng 1 nếu là hình thức trả tiền trước, bằng 0 nếu là hình thức trả tiền sau
• Trust: mức độ tin tưởng việc mua hàng qua mạng, giá trị từ 1 đến 10. Giá trị càng lớn thì
mức độ tin tưởng càng cao.
• Search: số lần tìm kiếm thông tin qua mạng
• Cloth: bằng 1 nếu mua quần áo, giày dép, túi xách. Bằng 0 với các mặt hàng còn lại.
- Dữ liệu gồm 104 số liệu thông qua khảo sát các bạn sinh viên, công nhân viên chức thành

phố Hà Nội năm 2012.
I. Thống kê mô tả các biến:
INC JOB PAY SEARCH TIME TRUST CLOTH AGE
Mean 3.304808 0.259615 0.250000 4.408654 3.798077 7.057692 0.480769 22.66346
Median 2.000000 0.000000 0.000000 3.000000 2.000000 7.000000 0.000000 21.00000
Maximum 30.00000 1.000000 1.000000 21.00000 30.00000 10.00000 1.000000 49.00000
Minimum 1.000000 0.000000 0.000000 0.500000 1.000000 3.000000 0.000000 17.00000
Std. Dev. 4.040989 0.440547 0.435110 3.984049 3.981461 1.392260 0.502050 5.358254
Skewness 3.768303 1.096586 1.154701 2.069053 3.427334 -0.602159 0.076980 2.427687
Kurtosis 21.35077 2.202501 2.333333 8.461275 20.02561 3.022429 1.005926 9.606840
Jarque-Bera 1705.388 23.59937 25.03704 203.4476 1459.717 6.287166 17.33349 291.3082
Probability 0.000000 0.000008 0.000004 0.000000 0.000000 0.043128 0.000172 0.000000
Sum 343.7000 27.00000 26.00000 458.5000 395.0000 734.0000 50.00000 2357.000
Sum Sq. Dev. 1681.948 19.99038 19.50000 1634.882 1632.760 199.6538 25.96154 2957.221
Observations 104 104 104 104 104 104 104 104
Ma trận hiệp phương sai:
INC JOB PAY SEARCH TIME TRUST CLOTH AGE
INC 16.17257 1.194906 0.172837 5.185055 4.641355 0.421838 -0.430196 16.91412
JOB 1.194906 0.192215 0.012019 0.350638 0.081268 -0.053439 -0.067123 1.837371
PAY 0.172837 0.012019 0.187500 0.210337 0.281250 -0.014423 0.014423 0.141827
SEARCH 5.185055 0.350638 0.210337 15.72002 8.433478 0.918732 -0.052237 3.517335
TIME 4.641355 0.081268 0.281250 8.433478 15.69961 2.453957 0.597078 0.710891
TRUST 0.421838 -0.053439 -0.014423 0.918732 2.453957 1.919749 0.174186 -0.144046
CLOTH -0.430196 -0.067123 0.014423 -0.052237 0.597078 0.174186 0.249630 -0.847818
AGE 16.91412 1.837371 0.141827 3.517335 0.710891 -0.144046 -0.847818 28.43482
Ma trận tương quan:
INC JOB PAY SEARCH TIME TRUST CLOTH AGE
INC 1.000000 0.677720 0.099253 0.325190 0.291280 0.075707 -0.214106 0.788741
JOB 0.677720 1.000000 0.063311 0.201715 0.046783 -0.087972 -0.306427 0.785919
PAY 0.099253 0.063311 1.000000 0.122515 0.163926 -0.024040 0.066667 0.061423

SEARCH 0.325190 0.201715 0.122515 1.000000 0.536829 0.167240 -0.026370 0.166365
TIME 0.291280 0.046783 0.163926 0.536829 1.000000 0.446993 0.301605 0.033646
TRUST 0.075707 -0.087972 -0.024040 0.167240 0.446993 1.000000 0.251619 -0.019496
CLOTH -0.214106 -0.306427 0.066667 -0.026370 0.301605 0.251619 1.000000 -0.318221
AGE 0.788741 0.785919 0.061423 0.166365 0.033646 -0.019496 -0.318221 1.000000
II. Xây dựng các mô hình
1. Mô hình gốc:
Time = C(11) + C(12)*Inc + C(13)*Age + C(14)* Trust + C(15)*Search + C(16)*Cloth +
C(17)*Job + C(18)*Job*Inc +C(19)*Pay
Dependent Variable: TIME
Method: Least Squares
Date: 01/05/13 Time: 17:17
Sample: 1 104
Included observations: 104
Variable Coefficient Std. Error t-Statistic Prob.
C -3.074116 2.661819 -1.154893 0.2510
INC 1.176916 0.513628 2.291380 0.0242
AGE -0.189565 0.103508 -1.831400 0.0702
TRUST 0.835927 0.211206 3.957867 0.0001
SEARCH 0.392725 0.075579 5.196197 0.0000
CLOTH 1.603882 0.623493 2.572416 0.0116
JOB 1.490703 1.380941 1.079483 0.2831
JOB*INC -0.827479 0.521611 -1.586389 0.1160
PAY 0.753674 0.643235 1.171693 0.2443
R-squared 0.545469 Mean dependent var 3.798077
Adjusted R-squared 0.507192 S.D. dependent var 3.981461
S.E. of regression 2.794997 Akaike info criterion 4.976102
Sum squared resid 742.1407 Schwarz criterion 5.204943
Log likelihood -249.7573 F-statistic 14.25080
Durbin-Watson stat 1.665423 Prob(F-statistic) 0.000000

Với mức ý nghĩa 10%, hệ số chặn, hệ số của biến Job, (Job*Inc), Pay đều không có ý nghĩa
thống kê.
Hệ số xác định lại khá thấp (~54.5%), cho thấy mô hình có thể đã bỏ bớt 1 số biến có ý
nghĩa.
2. Mô hình biến đổi:
Có 2 hướng xử lý mô hình 1 như sau:
a) Bỏ bớt các biến không có ý nghĩa thống kê:
Mô hình 2:
Time = C(11) + C(12)*Inc + C(13)*Age + C(14)* Trust + C(15)*Search + C(16)*Cloth
Dependent Variable: TIME
Method: Least Squares
Date: 01/05/13 Time: 17:39
Sample: 1 104
Included observations: 104
Variable Coefficient Std. Error t-Statistic Prob.
C -1.441323 2.353520 -0.612411 0.5417
INC 0.392209 0.118227 3.317433 0.0013
AGE -0.197785 0.087792 -2.252885 0.0265
TRUST 0.806616 0.209713 3.846287 0.0002
SEARCH 0.410605 0.075048 5.471201 0.0000
CLOTH 1.919107 0.602330 3.186137 0.0019
R-squared 0.526629 Mean dependent var 3.798077
Adjusted R-squared 0.502477 S.D. dependent var 3.981461
S.E. of regression 2.808336 Akaike info criterion 4.959023
Sum squared resid 772.9018 Schwarz criterion 5.111584
Log likelihood -251.8692 F-statistic 21.80511
Durbin-Watson stat 1.754160 Prob(F-statistic) 0.000000
Với mức ý nghĩa 10%, ngoài hệ số chặn, các biến khác đều có ý nghĩa thống kê.
Tuy nhiên, hệ số xác định lại thấp hơn so với mô hình ban đầu (~52.66%)
b) Thêm biến để tỷ lệ hệ số xác định cao hơn, đồng thời xác định lại ý nghĩa thống kê của

các biến trong mô hình mới:
Nhìn vào 7 biến độc lập, ta nhận thấy biến Search và biến Cloth còn có mối quan hệ tác động
lẫn nhau.
Mối quan hệ của 2 biến này có thể được thể hiện thông qua các biến mới sau:
- Mô hình 3: thêm biến Cloth*Search:
Variable Coefficient Std. Error t-Statistic Prob.
C -1.049388 2.498808 -0.419955 0.6755
INC 1.189837 0.473259 2.514135 0.0136
AGE -0.217114 0.095593 -2.271236 0.0254
TRUST 0.742198 0.195859 3.789449 0.0003
SEARCH 0.158753 0.088922 1.785307 0.0774
CLOTH -0.757703 0.800964 -0.945989 0.3466
JOB 1.478316 1.272382 1.161849 0.2482
JOB*INC -0.737870 0.481072 -1.533805 0.1284
PAY 0.715684 0.592735 1.207426 0.2303
CLOTH*SEARCH 0.587271 0.138796 4.231173 0.0001
Với mức ý nghĩa 10%, mô hình có tới 5 biến không có ý nghĩa thống kê (hệ số chặn, Cloth,
Job, Job*Inc, Pay)
- Mô hình 4: Thêm biên Cloth_Sea = Cloth*(Search^2)
Variable Coefficient Std. Error t-Statistic Prob.
C -0.438283 2.126821 -0.206074 0.8372
INC 1.226682 0.405050 3.028472 0.0032
AGE -0.229821 0.081785 -2.810052 0.0060
TRUST 0.716197 0.167268 4.281741 0.0000
SEARCH 0.074049 0.072655 1.019191 0.3107
CLOTH 0.296364 0.520359 0.569537 0.5704
JOB 1.667944 1.089124 1.531454 0.1290
JOB*INC -0.741852 0.411445 -1.803041 0.0746
PAY 0.901094 0.507558 1.775353 0.0791
CLOTH_SEA 0.050313 0.006561 7.667920 0.0000

Với mức ý nghĩa 10%, mô hình vẫn có tới 4 biến không có ý nghĩa thống kê (hệ số chặn,
search, cloth, job)
- Mô hình 5: Thêm biên Ecloth = cloth * (exp(search))
Variable Coefficient Std. Error t-Statistic Prob.
C -1.409795 1.880132 -0.749838 0.4552
INC 1.258169 0.361431 3.481071 0.0008
AGE -0.214238 0.072861 -2.940367 0.0041
TRUST 0.756006 0.148803 5.080564 0.0000
SEARCH 0.151887 0.058474 2.597502 0.0109
CLOTH 1.281419 0.439837 2.913394 0.0045
JOB 1.692802 0.971710 1.742085 0.0848
JOB*INC -0.816571 0.366957 -2.225253 0.0285
PAY 1.242834 0.455208 2.730253 0.0076
ECLOTH 4.50E-08 4.55E-09 9.897066 0.0000
R-squared 0.777413 Mean dependent var 3.798077
Adjusted R-squared 0.756102 S.D. dependent var 3.981461
S.E. of regression 1.966287 Akaike info criterion 4.281383
Sum squared resid 363.4307 Schwarz criterion 4.535651
Log likelihood -212.6319 F-statistic 36.47858
Durbin-Watson stat 1.848938 Prob(F-statistic) 0.000000
Với mức ý nghĩa 10%, ngoài hệ số chặn, thì tất cả các biến đều có ý nghĩa thống kê.
Hệ số xác định ~77.7%, cho thấy mô hình này có mức độ giải thích cao nhất trong tất cả các
mô hình trên.
Mô hình lựa chọn:
Time = 1.258 * Inc – 0.214 * Age + 0.756 * Trust + 0.152 * Search + 1.281 * Cloth +
1.693 * Job – 0.817 * (Job*Inc) + 1.243 * Pay + (4.5*10^-8) * Ecloth.
3. Ý nghĩa kinh tế của mô hình:
Mô hình đã thể hiện được đúng ý nghĩa kinh tế.
- Hệ số các biến thu nhập (Inc), niềm tin vào hàng bán qua mạng (Trust), số lần tìm kiếm
thông tin qua mạng (Search) dương là điều rất dễ hiểu. Khi thu nhập, niềm tin vào việc

bán hàng qua mạng, số lần tìm kiếm thông tin qua mạng càng cao thì số lần mọi người
chấp nhận việc mua hàng qua mạng lại càng tăng.
- Hệ số biến Job dương cho thấy: những người đã đi làm có xu hướng mua hàng qua mạng
nhiều hơn người chưa đi làm. Do những người đã đi làm, thời gian mua hàng trực tiếp là
thường hạn chế, do đó mọi người mua hàng qua mạng sẽ tiết kiệm được nhiều thời gian
và công sức hơn.
- Hệ số biến (Job*Inc) âm có thể giải thích như sau: với những người đã đi làm và có thu
nhập ngày càng cao đến một mức độ nào đó, thì việc mua hàng qua mạng để tiết kiệm
thời gian, đồng thời được hưởng khuyến mại là điều không cần thiết nữa.
- Hệ số của biến Cloth và Ecloth dương chứng tỏ những người thường hay mua quần áo,
giày dép, túi xách qua mạng có số lần mua hàng nhiều hơn những người thường mua
những hàng hóa khác ( sách, hàng điện tử, đồ lưu niệm…). Và những người mua Cloth
(quần áo, giày dép, túi xách) qua mạng nếu tìm hiểu thông tin về Cloth càng nhiều thì sẽ
mua càng nhiều.
- Hệ số của biến Pay dương cũng được hiểu như sau: người mua hàng ưa thích hình thức
trả tiền trước hơn. Do hành hóa trả tiền trước thường rẻ hơn hàng hóa trả tiền sau. Điều
này làm cho những người mua tin tưởng hình thức trả tiền trước có nhiều hàng hóa rẻ hơn
và nhiều sự lựa chọn hơn so với những người mua không tin tưởng hình thức trả tiền
trước. Với một số trang wed bán hàng qua mạng nổi tiếng, việc trả tiền trước còn giúp
cho người mua cảm giác an toàn là sản phẩm mình đặt mua đã thành công.
Qua mô hình nhận thấy, việc thanh toán bằng hình thức trả tiền trước cũng là một yếu tố
quan trọng quyết định đến việc mua hàng qua mạng mà thường bị các doanh nghiệp bỏ qua
không tính đến. Đặc biệt với hệ số biến Pay là 1.243, cao thứ 4 trong tổng số 9 biến độc lập,
cho thấy mức ảnh hưởng quan trọng của biến số này lên số lần mua hàng qua mạng. Do đó
các doanh nghiệp muốn đẩy mạnh việc bán hàng qua mạng cần chú trọng nhiều vào chỉ tiêu
này.
Ngoài ra, tính đến hiện tại thì quần áo, giầy dép, túi xách vẫn là các mặt hàng được mọi
người ưa chuộng mua qua mạng. Nên các doanh nghiệp kinh doanh 3 mặt hàng trên nên đẩy
mạnh việc bán hàng qua mạng để có thể thu được nhiều lợi nhuận nhất.
4. Kiểm định mô hình:

a. Kiểm định tự tương quan:
Giả thuyết kiểm định:
Ho: Mô hình không có tự tương quan bậc nhất
H1: Mô hình có tự tương quan bậc nhất
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.417698
Probability
0.519680
Obs*R-squared 0.465014
Probability
0.495290
Theo kết quả kiểm định này, P-vaule của kiểm định F là 0,51968 > α = 0,1: chấp nhận Ho tức
là mô hình không có tự tương quan bậc nhất.
b. Kiểm định phương sai sai số thay đổi:
Giả thuyết kiểm định:
Ho: Mô hình có phương sai sai số không đổi
H1: Mô hình có phương sai sai số thay đổi
White Heteroskedasticity Test:
F-statistic 1.154237
Probability
0.322602
Obs*R-squared 17.09760
Probability
0.313063
Theo kết quả kiểm định này, P-vaule của kiểm định F là 0,3226 > α = 0,1: chấp nhận Ho tức
là mô hình có phương sai sai số không đổi.
Vậy, mô hình này chấp nhận được.