Mô tả vắn tắt học phần

1. Tên học phần:

Phân tích dữ liệu đa biến

2. Ngôn ngữ giảng dạy:

3. Mã học phần:

M01448

4. Bộ môn phụ trách giảng dạy:

KTLQLNN - Khoa Toán - Thống kê

5. Trình độ:

Tiến sĩ

6. Số tín chỉ:

7. Phân bổ thời gian:

Đối với hoạt động trên lớp:
Lý thuyết: 45
Làm việc nhóm, thảo luận:
Đối với hoạt động tại phòng máy tính, phòng mô phỏng, …:
Thực hành, làm việc nhóm, thảo luận: 45
Tự nghiên cứu, tự học: 90
Đồ án, Đề án, Dự án
Thực tập

8. Tính chất học phần:

Dữ liệu đang cập nhật...

9. Ngành áp dụng:

Tất cả các ngành

10. Điều kiện tiên quyết:

Không có môn học bắt buộc phải hoàn thành trước học phần này

11. Mục tiêu học phần:

Môn học Phân tích dữ liệu đa biến cung cấp một cách có hệ thống các phương pháp phân tích đa biến đối với dữ liệu sơ cấp sử dụng phổ biến trong phân tích kinh doanh cũng như nghiên cứu học thuật. Môn học này chuẩn bị cho học viên cách xây dựng & kiểm định thang đo các khái niệm trừu tượng và phức tạp dùng trong nghiên cứu học thuật lĩnh vực khoa học hành vi, sử dụng phần mềm SPSS và AMOS. Học viên cũng được học về lý thuyết và ứng dụng của Phân tích cụm để phân nhóm các đối tượng khảo sát tương đồng nhau theo các đặc tính được chọn phân tích; Kỹ thuật phân tích biệt số để tìm các đặc trưng giúp phân biệt các đối tượng trong cuộc nghiên cứu; Phân tích tương hợp và đo lường đa hướng để lập bản đồ nhận thức của con người về các đối tượng quan tâm; Cuối cùng là công cụ hồi quy Logistic, được sử dụng để mô hình hóa mối quan hệ giữa biến phụ thuộc nhị phân và một hoặc nhiều biến độc lập, giúp trong các nhiệm vụ phân loại và dự đoán../The Multivariate Data Analysis course systematically provides multivariate analysis methods for primary data commonly used in business analysis as well as academic research. This course fosters students' ability to construct and test measurement scales for latent constructs used in academic research in the field of behavioral science, utilizing SPSS and AMOS software. Students will also learn the theory and application of Cluster Analysis to group survey subjects with similar characteristics based on selected analysis attributes; Discriminant Analysis techniques to identify features that distinguish subjects in a study; Correspondence Analysis and Multidimensional Scaling to map people's cognitive perceptions of the objects of interest; and finally, the Logistic Regression tool, which is used to model the relationship between a binary dependent variable and one or more independent variables, helping in classification and prediction tasks.