Введение (стр. 18 )

Рис. 3.25. Диалоговое окно Repeated Measures

 

Теперь в рассматриваемой области определена составная временная переменная, описывающая оценки респондентами одежды марки X в каждый из трех рассмат­риваемых кварталов. Таким образом, область Within-Subjects Variables (кварталы) является аналогом области Dependent Variable в одномерном дисперсионном ана­лизе, только зависимая переменная в нашем случае как бы распадается на три подпеременные, вместе составляющие одно целое. Далее в область Between-Subjects Factor(s) поместите те переменные, которые служат основаниями для различения оценок. В нашем случае это демографические характеристики респондентов: пол (q80) и возраст (q74).

Итак, вы задали все переменные для исследования и можете использовать кноп­ки, расположенные в нижней части этого диалогового окна, — так же, как вы де­лали это при одномерном дисперсионном анализе (см. раздел 3.2.1). В окне Post Нос задайте апостериорные тесты Scheffe (для равных дисперсий) и Tumhale (для неравных дисперсий) для переменных, имеющих более двух категорий (в нашем случае это только q74 — Возраст). В окне Options выберите параметр Homogeneity Tests и в соответствующее поле поместите переменные с двумя категориями, для которых следует рассчитать средние значения (q80 — Пол и все взаимодействия, в которых она участвует). Остальные диалоговые окна аналогичны рассмотрен­ным для одномерного дисперсионного анализа, поэтому мы не приводим их вто­рой раз.

В результате мы выясняем, какой из трех факторов — пол, возраст или время (квар­талы) — определяет различия в оценках одежды марки X. Запустив программу на исполнение щелчком на кнопке ОК, в окне SPSS Viewer вы увидите результаты дисперсионного анализа. В целом они аналогичны результатам, отображаемым при одномерном дисперсионном анализе, однако данные результаты значительно об­ширнее и содержат несколько дополнительных таблиц. Так как настоящее посо­бие посвящено сугубо практическим задачам использования SPSS в маркетинговых исследованиях, мы рассмотрим только ту часть результатов, которая необходима на практике.

Итак, первое, что должно привлечь ваше внимание, — это таблица Box's Test of Equality of Covariance Matrices (рис. 3.26). Тестовая статистика Box показывает, существуют ли статистически значимые различия в оценках респондентов в каждом из анали­зируемых периодов. В нашем случае мы видим высокую значимость (Sig. < 0,001), свидетельствующую о том, что оценки респондентами одежды марки X существен­но меняются от квартала к кварталу.

Рис. 3.26. Таблица Box's Test of Equality of Covariance Matrices

 

После анализа результатов теста Box мы смотрим на следующую важную табли­цу — Multivariate Tests (рис. 3.27), позволяющую сделать выводы о том, в какой степени выявленные различия определяются влиянием временного фактора, а также взаимодействием этого фактора с другими переменными, включенными

в анализ. Так, в нашем случае мы видим, что непосредственно временной фактор (кварталы) в значительной степени определяет различия в исследуемых оцен­ках (Sig. < 0,001). Сочетание эффектов времени и пола (Кварталы х q80), а также времени и возраста респондентов (Кварталы х q74) с высокой вероятностью опре­деляют различия в оценках одежды (Sig. = 0,002 и 0,024). А вот тройственное взаимодействие всех анализируемых величин в совокупности не оказывает ни­какого влияния на изучаемую разницу в оценках (Sig. = 0,935). Обратите внима­ние на то, что при интерпретации таблицы Multivariate Tests следует оценивать значимость того или иного фактора всегда на основании теста Pillai's Trace. Имен­но этот тест статистической значимости является наиболее надежным (робастп-ным).

Рис. 3.27. Таблица Multivariate Tests

 

Мы ответили на два основных вопроса:

1. изменяются ли статистически значимо оценки респондентами одежды марки X?

2. чем определяются эти различия: только влиянием временного фактора или так­же влиянием независимых переменных (пола и возраста)?

В результате анализа мы смогли утвердительно ответить на оба вопроса: различия в оценках есть, и они определяются как временем, так и его взаимодействием с полом и возрастом. Дальнейший анализ будет направлен на исследование влия­ния независимых переменных и их взаимодействий по отдельности на оценки респондентов.

Следующие три таблицы: — Mauchly's Test of Sphericity, Tests of Within-Subjects Effects и Tests of Within-Subjects Contrasts — обычно пропускаются, так как они не позволя­ют сделать никаких новых выводов и лишь подтверждают представленные выше результаты. После трех таблиц следуют результаты одномерного дисперсионного анализа для независимых переменных, для которых не производятся повторные измерения, знакомые вам по разделу 3.2.1.

Таблица Levene's Tests of Equality of Error Variances (рис. 3.28) позволяет определить однородность дисперсий в каждый из исследуемых промежутков времени. Так, в нашем случае мы видим, что во всех трех исследуемых кварталах дисперсии одно­родны (Sig. > 0,05).

Рис. 3.28. Таблица Levene's Tests of Equality of Error Variances

 

Из таблицы Tests of Between-Subjects Effects (рис. 3.29) мы видим, что и пол, и воз­раст респондентов с весьма высокой вероятностью определяют различия в оцен­ках одежды марки X (Sig. < 0,001), а вот их взаимодействие — нет (Sig. = 0,058).

Рис. 3.29. Таблица Tests of Between-Subjects Effects

Теперь нам осталось определить, как именно различаются оценки под влиянием выявленных значимых факторов и их взаимодействий. Во-первых, мы определи-

ли, что на различии в оценках респондентов в каждый из трех анализируемых пе­риодов оказывают влияние пяти эффектов:

■ временной фактор (кварталы);

■ взаимодействие времени с полом;

■ взаимодействие времени с возрастом;

■ пол;

■ возраст.

К сожалению, провести апостериорные тесты для временной переменной SPSS не позволяет, поэтому при определении различий между группами временной переменной приходится ориентироваться исключительно на средние значения (оценки). Возраст является единственной переменной, для которой можно прове­сти стандартные апостериорные тесты (см. далее). Для остальных значимых взаимодействий выводятся средние значения: оценки одежды марки X в каждой рассматриваемой категории респондентов (см. рис. 3.28). Кроме таблиц для дан­ных взаимодействий целесообразно вывести и графики. Это облегчит интерпре­тацию и позволит наглядно определить различия между категориями респон­дентов.

Рис. 3.30. Таблица Homogeneous Subsets (вторая часть: MEASURE_1)

 

Завершают вывод результатов одномерного дисперсионного анализа с повторяю­щимися измерениями таблицы апостериорных тестов для переменных с числом категорий более двух1. В нашем случае это две таблицы для переменной Возраст: Multiple Comparisons и Homogeneous Subsets. Первую таблицу мы не приводим из-за ее большого размера, вместо этого приведена дублирующая ее вторая таблица, по­казывающая однородные группы респондентов по оценкам одежды марки X

(рис. 3.30). Из таблицы вы видите, что наивысший уровень оценок достигается в возрастной группе респондентов (в среднем 4,0 балла) младше 25 лет. Респонден­ты старше 25 лет склонны оценивать одежду марки X несколько ниже (в среднем на 3,8 балла).

3.2.3. Многомерный дисперсионный анализ

Многомерный дисперсионный анализ является дальнейшим расширением од­номерного дисперсионного анализа (после рассмотренного в разделе 3.2.2 ANOVARM), предназначенным для одновременного анализа сразу нескольких зависимых и независимых переменных. Процесс проведения многомерного ана­лиза аналогичен рассмотренному выше обычному одномерному дисперсионному анализу, за исключением того, что в данном случае в область для зависимых пере­менных можно поместить сразу несколько переменных, а при интерпретации при­ходится анализировать сразу несколько различий (во всех зависимых перемен­ных).

Давайте рассмотрим процесс проведения многомерного дисперсионного анализа на примере, аналогичном приведённому в разделе 3.2.1 для обычного одномерного дисперсионного анализа, — но в качестве зависимых переменных мы будем рас­сматривать не только кратность покупок глазированных сырков, но и частоту по­купок. В качестве независимых переменных мы возьмем также две переменные: возраст респондентов и количество членов их семей.

Откройте диалоговое окно Multivariate при помощи меню Analyze ► General Linear Model ► Multivariate. Как вы видите на рис. 3.31, оно аналогично окну Univariate. По­местите две зависимые переменные: q5 (Частота покупок) и q6 (Кратность покупок) в область для зависимых переменных Dependent Variables, а переменные q4 (Возраст) и q72 (Количество членов семьи) — в область для независимых переменных Fixed Factor(s). После этого так же, как для одномерного дисперсионного анализа в окне Post Hoc, задайте вывод тестов Scheffe и Tumhale для обеих независимых перемен­ных, а в окне Options отметьте параметр Homogeneity Tests. После этого можно на­чать расчеты, щелкнув на кнопке ОК.