TIỂU LUẬN KTLUDTKD – D03

Câu 1: Viết quy trình phân tích cụm

Cluster
Stage

Case


0

30

1

29

2

28

3

27

4

26

5

25

6

24

7

23

8

22

9

21

10

20

11

19

12

18


13

17

14

16

15

15

16

14

17

13

18

12

19

11

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) (15) (16) (17) (18) (

(26) (27) (28) (29) (30)
(19+30) (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (14) (15) (16) (1
(25) (26) (27) (28) (29)
(14+16) (19+30) (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (13) (15) (17
(25) (26) (27) (28) (29)
(6+7) (14+16) (19+30) (1) (2) (3) (4) (5) (8) (9) (10) (11) (12) (13) (15) (17
(25) (26) (27) (28) (29)
(21+29) (6+7) (14+16) (19+30) (1) (2) (3) (4) (5) (8) (9) (10) (11) (12) (13)
(25) (26) (27) (28)
(10+27) (21+29) (6+7) (14+16) (19+30) (1) (2) (3) (4) (5) (8) (9) (11) (12) (
(24) (25) (26) (28)
(2+13) (10+27) (21+29) (6+7) (14+16) (19+30) (1) (3) (4) (5) (8) (9) (11) (1
(24) (25) (26) (28)
(5+11) (2+13) (10+27) (21+29) (6+7) (14+16) (19+30) (1) (3) (4) (8) (9) (1
(24) (25) (26) (28)
(3+8) (5+11) (2+13) (10+27) (21+29) (6+7) (14+16) (19+30) (1) (4) (9) (12
(24) (25) (26) (28)
(4+14+16) (3+8) (5+11) (2+13) (10+27) (21+29) (6+7) (19+30) (1) (9) (12)
(25) (26) (28)
(12+6+7) (4+14+16) (3+8) (5+11) (2+13) (10+27) (21+29) (19+30) (1) (9)
(25) (26) (28)
(9+5+11) (12+6+7) (4+14+16) (3+8) (2+13) (10+27) (21+29) (19+30) (1) (
(25) (26) (28)
(23+28) (9+5+11) (12+6+7) (4+14+16) (3+8) (2+13) (10+27) (21+29) (19+
(24) (25) (26)
(1+12+6+7) (23+28) (9+5+11) (4+14+16) (3+8) (2+13) (10+27) (21+29) (1
(24) (25) (26)
(4+14+16+10+27) (1+12+6+7) (23+28) (9+5+11) (3+8) (2+13) (21+29) (19
(24) (25) (26)
(25+1+12+6+7) (4+14+16+10+27) (23+28) (9+5+11) (3+8) (2+13) (21+29

(24) (26)
(20+9+5+11) (25+1+12+6+7) (4+14+16+10+27) (23+28) (3+8) (2+13) (21
(24) (26)
(4+14+16+10+27+19+30) (20+9+5+11) (25+1+12+6+7) (23+28) (3+8) (2+
(24) (26)
(23+28+3+8) (4+14+16+10+27+19+30) (20+9+5+11) (25+1+12+6+7) (2+1
(24) (26)
(24+26) (23+28+3+8) (4+14+16+10+27+19+30) (20+9+5+11) (25+1+12+6


20

10

21

9

22

8

23

7

24

6


25

5

26
27
28
29

4
3
2
1

(18) (22)
(17+25+1+12+6+7) (24+26) (23+28+3+8) (4+14+16+10+27+19+30) (20+9
(22)
(23+28+3+8+21+29) (17+25+1+12+6+7) (24+26) (4+14+16+10+27+19+3
(22)
(20+9+5+11+2+13) (23+28+3+8+21+29) (17+25+1+12+6+7) (24+26) (4+1
(22)
(18+22) (20+9+5+11+2+13) (23+28+3+8+21+29) (17+25+1+12+6+7) (24+
(15)
(18+22) (20+9+5+11+2+13) (23+28+3+8+21+29+17+25+1+12+6+7) (24+
(15)
(18+22) (20+9+5+11+2+13) (23+28+3+8+21+29+17+25+1+12+6+7) (24+
(15)
(18+22) (20+9+5+11+2+13) (15+23+28+3+8+21+29+17+25+1+12+6+7) (
(18+22+24+26+4+14+16+10+27+19+30) (20+9+5+11+2+13) (15+23+28+
(18+22+24+26+4+14+16+10+27+19+30+20+9+5+11+2+13) (15+23+28+3

(18+22+24+26+4+14+16+10+27+19+30+20+9+5+11+2+13+15+23+28+3+

Câu 2: Hãy phân thành 3 cụm và 2 cụm
•

3 cụm

C1: (18+22+24+26+4+14+16+10+27+19+30)
C2: (20+9+5+11+2+13)
C3: (15+23+28+3+8+21+29+17+25+1+12+6+7)
•

2 cụm

C1: (18+22+24+26+4+14+16+10+27+19+30+20+9+5+11+2+13)
C2: (15+23+28+3+8+21+29+17+25+1+12+6+7)
Câu 3: Kiểm định EFA
Bước 1: Dùng Cronbach Alpha để đo tương quan giữa item với item
Hệ số Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các
mục hỏi trong thang đo tương quan với nhau.


Theo quy ước, một tập hợp các mục hỏi dùng để đo lường được đánh giá là
tốt phải có hệ số Cronbach Alpha

Vậy 32 items tương quan chặt chẽ với nhau, Cronbach’s Alpha = 0,914 > 0,6
Bước 2: Dùng Factor loading để đo tương quan giữa item với factor
Hệ số Factor loading (hệ số tải nhân tố): là những hệ số tương quan đơn giữa
các biến và nhân tố.



1 item X sẽ giải thích được nhiều nhân tố F thơng qua các chỉ số Factor
loading. Tuy nhiên, khi tiến hành phân tích nhân tố, mỗi Factor F sẽ lấy 1
item X về mình. Do đó, thơng thường ta chọn Factor loading 0,5


Trong trường hợp trên, các item env4, env3, sup1 có hệ số Factor loading
đều < 0,5. Tuy nhiên, thực tế các yếu tố trang thiết bị nơi làm việc an toàn sạch sẽ


(env3), công việc ổn định, không phải lo lắng mất việc làm (env4), cấp trên hỏi ý
kiến nhân viên khi có vấn đề liên quan đến cơng việc của nhân viên (sup1) đều tác
động lớn đến sự hài lòng của nhân viên, vì đa số ai cũng muốn có được nơi làm
việc an tồn, cơng việc khơng bấp bênh và được tôn trọng, nên chúng ta sẽ giữ lại
các item này, và chọn item có Factor loading lớn nhất.
F1 = sup2, sup3, sup4, sup5, sup6, sup7
F2 = prom1, prom2, prom3, prom4, work4
F3 = pay1, pay2, pay3, pay4, pay5, ben4
F4 = cow1, cow2, cow3, cow4, env4
F5 = ben1, ben2, ben3, env3
F6 = work1, work2, work3, sup1
F7 = env1, env2
Mơ hình đẹp khi thể hiện được 2 yếu tố:
-

Các item trong cùng 1 factor thì liên quan đến factor đó (các item giải thích được

-

khái niệm factor mà mình cần tìm)

Các item trong cùng 1 factor phải tương quan với nhau
Bước 3: Căn cứ tiêu chí Cronbach Alpha để xem tương quan của các item với item
trong cùng 1 factor
F1: sup2, sup3, sup4, sup5, sup6, sup7


Vậy 6 items tương quan chặt chẽ với nhau 0,857 > 0,6
F2: prom1, prom2, prom3, prom4, work4

Vậy 5 items tương quan chặt chẽ với nhau 0,819 > 0,6
F3: pay1, pay2, pay3, pay4, pay5, ben4


Vậy 6 items tương quan chặt chẽ với nhau 0,817 > 0,6
F4: cow1, cow2, cow3, cow4, env4

Vậy 5 items tương quan chặt chẽ với nhau 0,783 > 0,6
F5: ben1, ben2, ben3, env3


Vậy 4 items tương quan chặt chẽ với nhau 0,828 > 0,6
F6: work1, work2, work3, sup1

Vậy 4 items tương quan chặt chẽ với nhau 0,762 > 0,6
F7: env1, env2


Các items ở mục hỏi này có hệ số Cronbach Alpha = 0,411 < 0,6. Tuy nhiên, trong
thực tế khi cơng việc khơng bị áp lực cao (env1) thì hầu như nhân viên khơng cần
phải thường xun làm thêm ngồi giờ (ev2) và ngược lại. Vậy nên, 2 items này

tương quan chặt chẽ với nhau trong Factor 7.
Bước 4: Liệt kê các factor của mơ hình và đặt tên

Bước 5: Kiểm định


5.1. Kiểm định KMO
KMO là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố, 0,5 <
KMO < 1
Theo bảng trên, 0,5 < KMO = 0,856 < 1
Phương pháp phân tích nhân tố là phương pháp phù hợp
5.2. Kiểm định Bartlett’s
Cho = 5%
: các item không có tương quan với nhau trong tổng thể
: các item có tương quan với nhau trong tổng thể
P_value = 0,000 < = 5% => bác bỏ H0
Vậy các item có tương quan với nhau trong tổng thể với mức ý nghĩa 5%.
Phương pháp phân tích nhân tố là phương pháp phù hợp.
=> Vậy từ KMO và Bartlett’s, ta có thể kết luận rằng thiết kế câu hỏi và data này
phù hợp để thực hiện phương pháp EFA.
5.3. Eigenvalue
Eigenvalue đại diện cho lượng biến thiên được giải thích bởi các nhân tố.
Chỉ có nhân tố nào có eigenvalue > 1 mới được giữ lại trong phân tích.


Eigenvalue > 1 => rút được 7 nhân tố.
Ý nghĩa eigenvalue : 7 nhân tố đầu tiên giải thích được 63,529% biến thiên
của dữ liệu trong toàn bộ biến thiên là 100%.
Bước 6: Viết mơ hình hồi quy



F1i = – 0,105work1i – 0,069work2i – 0,044work3i – 0,093work4i –
0,070pay1i – 0,043pay2i + 0,021pay3i – 0,003pay4i + 0,003pay5i – 0,004ben1i –
0,028ben2i – 0,028ben3i – 0,095ben4i – 0,034env1i – 0,009env2i – 0,019env3i +


0,025env4i + 0,017cow1i – 0,020cow2i – 0,070cow3i – 0,110cow4i – 0,099prom1i
– 0,025prom2i – 0,017prom3i + 0,026prom4i + 0,113sup1i + 0,136sup2i +
0,282sup3i + 0,208sup4i + 0,311sup5i + 0,303sup6i + 0,258sup7i +
F2i = 0,019work1i – 0,031work2i – 0,073work3i + 0,176work4i – 0,063pay1i
– 0,013pay2i – 0,220pay3i – 0,066pay4i + 0,037pay5i + 0,006ben1i – 0,052ben2i –
0,055ben3i + 0,161ben4i + 0,048env1i – 0,016env2i + 0,040env3i – 0,010env4i –
0,102cow1i – 0,109cow2i + 0,010cow3i + 0,158cow4i + 0,317prom1i +
0,239prom2i + 0,330prom3i + 0,215prom4i + 0,019sup1i + 0,077sup2i – 0,009sup3i
– 0,036sup4i – 0,127sup5i – 0,100sup6i – 0,074sup7i +
F3i = – 0,009work1i + 0,045work2i +0,040work3i – 0,031work4i +
0,175pay1i + 0,226pay2i + 0,226pay3i + 0,310pay4i + 0,276pay5i + 0,057ben1i –
0,058ben2i – 0,065ben3i + 0,153ben4i + 0,052env1i – 0,021env2i – 0,080env3i –
0,028env4i – 0,042cow1i + 0,018cow2i – 0,049cow3i – 0,006cow4i – 0,089prom1i
+ 0,013prom2i – 0,030prom3i – 0,052prom4i – 0,162sup1i – 0,076sup2i –
0,070sup3i 0,014sup4i + 0,011sup5i – 0,035sup6i + 0,102sup7i +
F4i = 0,091work1i + 0,040work2i – 0,014work3i – 0,023work4i – 0,011pay1i
– 0,068pay2i – 0,050pay3i + 0,026pay4i + 0,005pay5i – 0,097ben1i – 0,020ben2i –
0,013ben3i – 0,064ben4i + 0,082env1i – 0,067env2i + 0,027env3i + 0,124env4i +
0,339cow1i + 0,349cow2i + 0,319cow3i + 0,220cow4i – 0,055prom1i –
0,034prom2i – 0,045prom3i – 0,043prom4i – 0,120sup1i - 0,080sup2i – 0,020sup3i –
0,036sup4i + 0,029sup5i – 0,065sup6i + 0,008sup7i +
F5i = 0,017work1i – 0,051work2i – 0,036work3i + 0,026work4i + 0,033pay1i
– 0,066pay2i + 0,003pay3i – 0,045pay4i – 0,108pay5i + 0,258ben1i + 0,372ben2i +
0,365ben3i + 0,105ben4i – 0,022env1i – 0,028env2i + 0,149env3i + 0.092env4i –

0,031cow1i – 0,087cow2i + 0,027cow3i – 0,007cow4i + 0,020prom1i –


0,057prom2i – 0,051prom3i – 0,017prom4i + 0,21sup1i + 0,007sup2i – 0,027sup3i +
0,032sup4i – 0,058sup5i +0,007sup6i – 0,077sup7i +
F6i = 0,247work1i + 0,299work2i + 0,384work3i + 0,097work4i + 0,147pay1i
+ 0,116pay2i + 0,193pay3i – 0,112pay4i – 0,133pay5i – 0,028ben1i – 0,002ben2i +
0,013ben3i – 0,165ben4i – 0,186env1i + 0,163env2i + 0,040env3i – 0,147env4i –
0,010cow1i + 0,020cow2i – 0,062cow3i – 0,107cow4i + 0,008prom1i –
0,048prom2i – 0,185prom3i – 0,018prom4i + 0,278sup1i + 0,060sup2i – 0,068sup3i
– 0,085sup4i – 0,062sup5i – 0,012sup6i – 0,130sup7i +
F7i = – 0,030 work1i + 0,044work2i – 0,066work3i + 0,010work4i +
0,057pay1i + 0,105pay2i – 0,008pay3i – 0,033pay4i – 0,025pay5i – 0,023ben1i –
0,063ben2i – 0,051ben3i – 0,020ben4i + 0,395env1i + 0,608env2i + 0,160env3i +
0,131env4i + 0,007cow1i + 0,089cow2i – 0,063cow3i – 0,182cow4i + 0,076prom1i
– 0,004prom2i + 0,028prom3i – 0,029prom4i + 0,216sup1i - 0,070sup2i –
0,039sup3i + 0,049sup4i – 0,038sup5i + 0,047sup6i – 0,111sup7i +
Bước 7: Thực hiện với Factor Loyalty
7.1. Dùng Cronbach Alpha để đo tương quan giữa item với item
Hệ số Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các
mục hỏi trong thang đo tương quan với nhau.
Theo quy ước, một tập hợp các mục hỏi dùng để đo lường được đánh giá là
tốt phải có hệ số Cronbach Alpha

Vậy 3 items tương quan chặt chẽ với nhau, Cronbach’s Alpha = 0,787 > 0,6


7.2. Dùng Factor loading để đo tương quan giữa item với factor
Hệ số Factor loading (hệ số tải nhân tố): là những hệ số tương quan đơn giữa
các biến và nhân tố.



1 item X sẽ giải thích được nhiều nhân tố F thông qua các chỉ số Factor
loading. Tuy nhiên, khi tiến hành phân tích nhân tố, mỗi Factor F sẽ lấy 1
item X về mình. Do đó, thơng thường ta chọn Factor loading 0,5

Floyalty = loy1, loy2, loy3
7.3. Căn cứ tiêu chí Cronbach Alpha để xem tương quan của các item với item
trong cùng 1 factor
Floyalty = loy1, loy2, loy3


Vậy 3 items tương quan chặt chẽ với nhau 0,787 > 0,6
7.4. Liệt kê các factor của mơ hình và đặt tên

7.5. Kiểm định

7.5.1. Kiểm định KMO
KMO là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố, 0,5 <
KMO < 1
Theo bảng trên, 0,5 < KMO = 0,698 < 1
Phương pháp phân tích nhân tố là phương pháp phù hợp
7.5.2. Kiểm định Bartlett’s
Cho = 5%
: các item khơng có tương quan với nhau trong tổng thể
: các item có tương quan với nhau trong tổng thể


P_value = 0,000 < = 5% => bác bỏ H0
Vậy các item có tương quan với nhau trong tổng thể với mức ý nghĩa 5%.

Phương pháp phân tích nhân tố là phương pháp phù hợp.
=> Vậy từ KMO và Bartlett’s, ta có thể kết luận rằng thiết kế câu hỏi và data này
phù hợp để thực hiện phương pháp EFA.
7.5.3. Eigenvalue
Eigenvalue đại diện cho lượng biến thiên được giải thích bởi các nhân tố.
Chỉ có nhân tố nào có eigenvalue > 1 mới được giữ lại trong phân tích.

Eigenvalue > 1 => rút được 1 nhân tố.
Ý nghĩa eigenvalue : 1 nhân tố đầu tiên giải thích được 70,464% biến thiên
của dữ liệu trong toàn bộ biến thiên là 100%.
7.6. Viết mơ hình hồi quy


Floyaltyi = 0,410loy1i + 0,394loy2i + 0,387loy3i +
Bước 8: Chạy mơ hình hồi quy OLS

•

Floyaltyi = - 1,159 *10^-17 + 0,299Fsupi + 0,355Fpromi + 0,468Fpayi +
0,219Fcowi + 0,040Fbeni + 0,126Fworki + 0,062Fenvi

Câu 4: Viết mơ hình Binary Logistic


1.

Mơ hình hồi quy:

= = 3,182 – 1,463 i - 0,065 i – 0,063 agei + 0,807 wci + 0,112 hci + 0,605 lwgi –
0,034 inci + i

2.

Kiểm định hệ số hồi quy ( kiểm định Wald) và nêu ý nghĩa hệ số hồi quy:

Cho
= 3,182. Trong điều kiện các yếu tố khác không đổi khi = = age = wc = hc
= lwg = inc = 0 thì trung bình bằng 3,182. Hay nói cách khác, trong điều kiện các
yếu tố khác không đổi khi biến = = age = wc = hc = lwg = inc = 0 thì tỷ lệ
trung bình là 24,095 lần.

: = 0 ( biến khơng ảnh hưởng đến )
: 0 ( biến có ảnh hưởng đến )
_value = 0,000 < : bác bỏ
Vậy biến có ảnh hưởng đến với mức ý nghĩa là 5%.

=


= – 1,463. Trong điều kiện các yếu tố khác khơng đổi khi tăng 1 con thì
trung bình giảm 1,463. Hay nói cách khác, khi biến tăng 1 con thì tỷ lệ = trung
bình giảm = 0,23 lần.

: = 0 ( biến không ảnh hưởng đến )
: 0 ( biến có ảnh hưởng đến )
_value = 0,342 > : chưa có cơ sở bác bỏ
Vậy biến khơng ảnh hưởng đến với mức ý nghĩa là 5%.

: = 0 ( biến khơng ảnh hưởng đến )
: 0 ( biến có ảnh hưởng đến )
_value = 0,000 < : bác bỏ

Vậy biến age có ảnh hưởng đến với mức ý nghĩa là 5%.
= – 0,63. Trong điều kiện các yếu tố khác khơng đổi khi age tăng 1 tuổi thì
trung bình giảm 0,63. Hay nói cách khác, khi biến age tăng 1 tuổi thì tỷ lệ =
trung bình giảm = 0,533 lần.

: = 0 ( biến không ảnh hưởng đến )
: 0 ( biến có ảnh hưởng đến )
_value = 0,000 < : bác bỏ
Vậy biến wc có ảnh hưởng đến với mức ý nghĩa là 5%.


= 0,807. Trong điều kiện các yếu tố khác không đổi, = 0,807 biểu thị độ
chênh lệch trung bình trường hợp wc = 1 cao hơn so với trung bình trường hợp wc
= 0. Hay nói cách khác, biểu thị độ chênh lệch tỷ lệ = trung bình trường hợp wc =
1 cao hơn so với = trung bình trường hợp wc = 0 là 2,24 lần.

: = 0 ( biến khơng ảnh hưởng đến )
: 0 ( biến có ảnh hưởng đến )
_value = 0,587 > : chưa có cơ sở bác bỏ
Vậy biến hc không ảnh hưởng đến với mức ý nghĩa là 5%.

: = 0 ( biến khơng ảnh hưởng đến )
: 0 ( biến có ảnh hưởng đến )
_value = 0,000 < : bác bỏ
Vậy biến lwg có ảnh hưởng đến với mức ý nghĩa là 5%.
= 0,605. Trong điều kiện các yếu tố khác không đổi khi lwg tăng 1 USD/1
giờ làm việc thì trung bình tăng 0,605. Hay nói cách khác, khi biến lwg tăng 1
USD/1 giờ làm việc thì tỷ lệ = trung bình tăng = 1,83 lần.

: = 0 ( biến khơng ảnh hưởng đến )

: 0 ( biến có ảnh hưởng đến )
_value = 0,000 < : bác bỏ


Vậy biến inc có ảnh hưởng đến với mức ý nghĩa là 5%.
= – 0,034. Trong điều kiện các yếu tố khác khơng đổi khi inc tăng 1 ngàn
USD/năm thì trung bình giảm 0,034. Hay nói cách khác, khi biến inc tăng 1 ngàn
USD/năm thì tỷ lệ = trung bình giảm = 0,967 lần.
3.

Độ phù hợp của mơ hình:

Đo lường độ phù hợp tổng qt của mơ hình Binary Logistic được dựa trên chỉ
tiêu -2LL (viết tắt của -2 log likelihood), thước đo có ý nghĩa giống như RSS
(residual sum of square) trong OLS.
=> -2LL càng nhỏ càng thể hiện độ phù hợp cao.
=> Khi -2LL=0 (tức là khơng có sai số) khi đó mơ hình có một độ phù hợp hoàn
hảo.
Để đánh giá -2LL dựa vào kiểm định Omnibus test và kiểm định Hosmer
and Lemeshow test.
3.1.

Kiểm định Omnibus test of Model Coeficients

Chọn = 5%

: = = = = = = = 0 ( 7 biến độc lập đều không ảnh hưởng đến )
: + + + + + + > 0 (ít nhất 1 trong 7 biến độc lập có ảnh hưởng đến )
_value = 0,000 < = 5% : bác bỏ



Vậy ít nhất 1 trong 7 biến độc lập có ảnh hưởng đến với mức ý nghĩa là 5%.


Mơ hình lựa chọn là phù hợp.
3.2.
Kiểm định Hosmer and Lemeshow test

Chọn = 5%

: khơng có sự khác biệt giữa giá trị thực tế với giá trị dự báo
: có sự khác biệt giữa giá trị thực tế với giá trị dự báo
_value = 0,001 < = 5% : bác bỏ
Vậy có sự khác biệt giữa giá trị thực tế với giá trị dự báo với mức ý nghĩa là 5%.


Mơ hình lựa chọn là phù hợp.