Введение (стр. 13 )

Анализ этой таблицы начинается с определения значимости теста Ливина (Levene). Данный тест служит для тестирования гипотезы о равенстве дисперсий в тестиру­емых переменных. Если значение в столбце Sig. столбца Levene's Test for Equality of Variances показывает статистическую незначимость теста (в нашем случае — 0,547), то различие между двумя анализируемыми средними определяется из строки Equal variances assumed. В противном случае, если тест Levene статистически значим, раз­личие между двумя средними определяется из строки Equal variances not assumed.

Поскольку в нашем примере тест Ливина является статистически незначимым, то определить значимость различия между двумя тестируемыми группами можно при помощи значения, находящегося на пересечении первой строки и столбца Sig. (2-tailed). Значение 0,777 говорит о том, что различие в частоте посещения игро­вых залов респондентами, посещающими и не посещающими клубы марки X, яв­ляется статистически незначимым.

3.1.2. Т-тесты для спаренных выборок

Т-тесты для спаренных выборок применяются в случае, когда на различные во­просы отвечает одна и та же группа респондентов.

Например, пассажиры оценивают уровень и качество питания авиакомпании X и авиакомпании Y. Чтобы определить, является ли статистически значимой разница в оценке этих двух авиакомпаний, следует воспользоваться диалого­вым окном Paired-Samples T Test, вызываемым при помощи меню Analyze ► Compare Means ► Paired-Samples T Test (рис. 3.5). В левом списке содержатся все доступ­ные переменные из базы данных. Выберите из списка две переменные для тес­тирования. В нашем случае это qll (Питание в авиакомпании X) и q26 (Питание в авиакомпании Y). По мере того как вы будете выбирать переменные, они будут последовательно отображаться в области Current Selections. Указав две перемен­ные для анализа, щелкните на кнопке с символом ► , чтобы перенести перемен­ные в область Paired Variables. Кнопка Options позволяет установить уровень до­верия для производимых расчетов.

Рис. 3.5. Диалоговое окно Paired-Samples T Test

 

После щелчка на кнопке ОК будут произведены расчеты t-теста для анализиру­емых переменных; результаты теста будут отражены в окне SPSS Viewer (рис. 3.6). Как видно на рисунке, SPSS выводит на экран три таблицы. Рассмотрим их по порядку.

Итак, в первой таблице, Paired Samples Statistics, вы видите рассчитанные средние значения для обеих тестируемых переменных. Так, в нашем случае респонденты оценили питание в авиакомпании Y в среднем на 0,4 балла выше, чем в авиакомпа­нии X.

В следующей таблице Paired Samples Correlations представлен коэффициент корре­ляции (Пирсона) между оценками двух анализируемых переменных. Подробно корреляционный анализ рассматривается в разделе 4.2. Здесь стоит сказать лишь, что чем ближе значение коэффициента к 1, тем сильнее линейная связь между пе­ременными (при условии статистической значимости коэффициента). То есть чем выше уровень оценки по первой переменной, тем выше оценка второй — и наобо­рот. В нашем случае налицо отсутствие линейной связи между оценками питания в авиакомпании X и Y (коэффициент корреляции = 0,027 при статистической зна­чимости 0,463).

Paired Samples Statistics

T-Test

	Mean	N	Std. Devition	Std. Emor Mean
Pair	Питание в X	3,9	731	,974	,036
1	Питание в Y	4,3	731	,787	,029

Paired Samples Correlations

 

	N	Correlation	Sig.
Pair	Питание в X &	731	,027	,463
1	Питание в Y

Paired Samples Test

	Paired Diffirences	t	df	Sig. (2-tailed)
Mean	Std. Devition	Std. Emor Mean	95% Confidence interval of the Difference
Lower	Upper
Pair	Питание в X &	-,4	1,236	,046	-,44	-,26	-7,692	730	,000
1	Рис. З.6. Результаты расчетов t-теста для спаренных выборок   Питание в Y

Наконец, третья таблица, Paired Samples Test, позволяет сделать вывод о наличии/ отсутствии статистически значимого различия между тестируемыми переменны­ми, что следует из значения в столбце Sig. (2-tailed). В нашем случае различие меж­ду оценками питания в авиакомпаниях X и Y, равное 0,4 балла, является статистиче­ски значимым (<0,001).

3.1.3. Т-тесты для одной выборки

В результате t-теста для одной выборки можно выяснить, отличается ли значи­тельно реальное среднее значение какой-либо переменной от стандарта. В марке­тинговых исследованиях при помощи данного теста определяют, отличается ли среднее значение какого-либо параметра для определенной целевой группы респон­дентов от среднего значения по всей выборке.

Например, питание на борту самолетов авиакомпании X (переменная qll) всеми респондентами оценено в среднем на 4,0 балла. Вместе с тем пассажиры первого класса оценили питание несколько выше: в среднем на 4,1 балла. Возникает во­прос, является ли выявленное различие статистически значимым. То есть отлича­ются ли пассажиры первого класса от всех респондентов на основании уровня оцен­ки питания на борту? Выяснить это нам поможет t-тест для одной выборки. Ниже описан механизм его проведения.

Рис. 3.7. Диалоговое окно One-Sample T Test

Для проведения t-теста мы должны отобрать только тех респондентов, которые летают первым классом. (Как это сделать, см. в разделе 1.5.1.1.) После этого следу­ет воспользоваться меню Analyze ► Compare Means ► One-Sample T Test, чтобы открыть диалоговое окно One-Sample T Test (рис. 3.7). Далее перенесите из левого списка всех доступных переменных в область Test Variable(s) интересующую нас перемен­ную qll (Питание). В поле Test Value укажите стандартное значение, с которым мы будем сравнивать среднее тестируемой переменной. В нашем случае это 4,0. Кнопка Options позволяет указать доверительный уровень, для которого устанавливается различие.

После того как SPSS завершит расчет t-теста, в окне SPSS Viewer появятся две таблицы с результатами (рис. 3.8).

Рис. З.8. Результаты расчета t-теста для одной выборки

 

В первой таблице, One-Sample Statistics, отражены расчеты среднего значения ис­следуемой переменной (столбец Mean). В нашем случае данное значение отражает среднюю оценку питания пассажиров первого класса (4,1 балла). Вторая таблица, One-Sample Test, позволяет сделать вывод о статистической значимости/незначи­мости тестируемого различия. Как следует из значения столбца Sig. (2-tailed), раз­личие в оценках пассажиров первого класса и всей выборочной совокупности рес­пондентов является статистически незначимым (0,149). Разница между реальным и тестируемым значениями (в нашем случае — 0,1 балла) отражается в столбце Mean Difference.

3.2. Дисперсионный анализ

Иногда при анализе данных маркетинговых исследований достаточно сравнить только две группы респондентов, то есть установить различия между двумя кате­гориями опрошенных. Однако часто у исследователей возникает необходимость проанализировать не две, а три или более категории респондентов. В этом случае

следует прибегнуть к использованию дисперсионного анализа, который позволяет анализировать одновременно любое число групп.

Различают одномерный (Analysis of variance, ANOVA) и многомерный (Multiple analysis of variance, MANOVA) дисперсионный анализ. Для одномерного диспер­сионного анализа существует только одна зависимая переменная; для многомерно­го — несколько. Также в этом разделе мы рассмотрим одномерный дисперсион­ный анализ с повторными измерениями (ANOVARM)1.

В табл. 3.2 приведены основные характеристики переменных, участвующих в раз­личных видах дисперсионного анализа.

Таблица 3.2. Основные характеристики переменных, участвующих в дисперсионном анализе

Одномерный дисперсионный анализ
Зависимые переменные	Независимые переменные
Количество	Тип	Количество	Тип
Одна	Любой	Любое	Любой
Одномерный дисперсионный анализе повторными измерениями
Зависимые переменные	Независимые переменные
Количество	Тип	Количество	Тип
Одна	Любой	Любой	Любой
Многомерный дисперсионной анализ
Зависимые переменные	Независимые переменные
Количество	Тип	Количество	Тип
Любое	Любой	Любое	Любой

3.2.1. Одномерный дисперсионный анализ