Введение (стр. 22 )

Рис. 4.8. Таблица Symmetric Measures для номинальных переменных (пример)

 

Итак, мы определили, что между тремя анализируемыми переменными — возра­стом, полом и частотой посещения респондентами развлекательного центра — есть слабые, но статистически значимые зависимости. Вместе с тем было уста­новлено, что больше половины (55 %) ячеек в перекрестной таблице имеют ожи­даемые частоты меньше 5 — из чего следует вывод о неприменимости теста и сопутствующих асимптотических тестов (Gamma и Cramer's V) в нашем случае. В принципе мы ответили на второй пункт задачи (условие см. выше) и можем сказать, что различия, выявленные в ходе перекрестного анализа (см. табл. 4.2), действительно имеют место и являются статистически значимыми. Однако доб­росовестный аналитик в такой ситуации все же попытается доказать истинность сделанных выводов.

Когда анализируемые данные не удовлетворяют требованиям, предъявляемым асимптотическими методами (как, например, в нашем случае ), есть другая воз­можность установить статистическую значимость исследуемой зависимости. Это позволяют сделать точные (Exact) тесты.

Откройте главное диалоговое окно перекрестного анализа Crosstabs (см. рис. 4.1), щелкнув на кнопке Exact. В появившемся диалоговом окне Exact Tests (рис. 4.9) по умолчанию установлен расчет только асимптотических критериев. Данное диало­говое окно позволяет провести расчеты по двум неасимптотическим методам: Monte-Carlo и Exact, причем последний метод не рекомендуется использовать в практичес­ких целях, так как он занимает много времени. Для практических целей следует применять метод Monte-Carlo с установленным по умолчанию количеством выбо­рок (10 000). Доверительный уровень 99 % практически всегда является слишком высоким, поэтому измените его на 95 %, что соответствует доверительному уров­ню при расчете статистической ошибки выборки для маркетинговых исследова­ний (см. раздел 1.2). Все остальные параметры диалогового окна Crosstabs аналогичны указанным в предыдущем примере. Теперь можно запустить проце­дуру построения перекрестных распределений.

Рис. 4.9. Диалоговое окно Exact Tests

 

После завершения всех необходимых расчетов в окне SPSS Viewer будут выведе­ны результаты. Их структура аналогична рассмотренной выше, за исключением того, что таблицы Chi-Square Tests и Symmetric Measures расширены за счет результа­тов теста Monte-Carlo. Единственным практическим результатом данного теста является рассчитанная статистическая значимость критериев, указанных в диало­говом окне Statistics (см. рис. 4.5).

На рис. 4.10 представлена таблица Chi-Square Tests с результатами теста Monte-Carlo. Искомые значения статистической значимости представлены в столбце Monte Carlo Sig. (2-sided) в подстолбце Sig.. В подстолбцах Lower Bound и Upper Bound показаны, соответственно, нижний и верхний пределы, в которых варьируется значение стати­стической значимости Sig.. Так, в нашем случае критерий действительно свиде­тельствует о наличии статистически значимой зависимости между полом, возрас­том и частотой посещения развлекательного центра — это следует из весьма высокой значимости теста Monte-Carlo (0,001 — для мужчин и 0,012 — для женщин). В 95 % случаев данное значение не выходит за рамки статистической значимости (например, для мужчин оно варьируется в пределах от 0,001 до 0,002). Также из таблицы мы ви­дим, что выявленная связь является линейной только для целевой группы респонден­тов-женщин. Таким образом, для нашего случая все предварительные выводы, сде­ланные нами в таблице Chi-Square Tests, подтвердились результатами теста Monte-Carlo.

Рис. 4.10. Таблица Chi-Square Tests с результатами теста Monte-Carlo

 

Теперь рассмотрим таблицу Symmetric Measures (рис. 4.11), на основании которой мы сделали выводы о силе выявленной зависимости. Результаты теста Monte-Carlo и в данном случае подтверждают выводы асимптотического метода: между часто­той посещения центра и возрастом в целевой группе респондентов-женщин выяв­лена слабая статистически значимая зависимость. Для мужчин зависимость ста­тистически незначима.

Рис. 4.11. Таблица Symmetric Measures с результатами теста Monte-Carlo

 

Таким образом, мы выяснили, что между частотой посещения развлекательного центра и возрастом респондентов-женщин существует статистически значимая зависимость, характеризующаяся слабой положительной линейностью. Для рес­пондентов-мужчин возраст и частота посещения центра также связаны статисти­чески значимой зависимостью, однако сделать точный вывод о характере данной зависимости не представляется возможным.

Вернемся к табл. 4.2 и покажем, как интерпретировать представленные в ней дан­ные. На основании проведенных расчетов можно утверждать, что мужчины в воз­расте старше 51 года посещают развлекательный центр реже всего (примерно 2 раза в неделю). Наиболее частыми посетителями развлекательного центра являются мужчины в возрасте младше 50 лет (примерно 3 раза в месяц). В целевой группе женщин можно выделить три группы. Наиболее частыми посетителями являются женщины в возрасте 31-35 лет (примерно 4 раза в неделю). Среднюю группу (при­мерно 3 раза в неделю) составляют женщины младше 30 лет, от 36 до 40 лет и стар­ше 46 лет. И наконец, группу респондентов-женщин, посещающих центр реже все­го, составляет возрастная группа от 41 до 45 лет.

4.1.2. Перекрестные распределения для многовариантных вопросов

Как уже было сказано выше (см. раздел 3.2), все статистические процедуры при­менимы только для одновариантных вопросов. На практике установить статисти­ческую зависимость в многовариантных вопросах можно только двумя способами.

■ Визуально. В этом случае аналитик должен самостоятельно (на основании опыта или опираясь на другие данные, выявленные в ходе исследования) попытаться сделать заключение о значимости различий между двумя переменными. На­пример, если мужчины покупают сметану в упаковке в 4 раза чаще, чем женщи­ны, и при этом число респондентов, ответивших на данный вопрос, достаточно велико (скажем, 100 человек), можно сделать вывод о статистической значимо­сти данного различия.

■ Можно рассматривать многовариантный вопрос как несколько дихотомических переменных с вариантами ответа «есть/нет» и строить по ним стандартные пе­рекрестные распределения (при помощи процедуры Crosstabs). На практике в подавляющем большинстве случаев именно данный способ является оптималь­ным. Тем не менее необходимо отметить, что дихотомические переменные, яв­ляющиеся вариантами ответа на многовариантный вопрос, могут принимать участие даже в корреляционном анализе в качестве порядковых переменных (см. раздел 4.2).

Кроме существенных ограничений при установлении статистических зависимо­стей между многовариантными переменными, их анализ осложнен также и тем, что результаты перекрестных распределений по многовариантным вопросам SPSS выводит только в виде простого текста (plain text)1.

Ниже мы проиллюстрируем процесс построения перекрестных распределений по многовариантным переменным на примере двух многовариантных вопросов из маркетингового исследования московского рынка сметаны. Первый вопрос Где Вы покупаете сметану? (q7) с вариантами ответа:

■ продмаг (q7_l);

■ рынок (q7_2);

■ супермаркет (q7_3);

■ палатка (q7_4);

■ универсам (q7_5).

Второй вопрос Какую сметану Вы предпочитаете? с вариантами ответа:

■ в упаковке (ql6_l);

■ развесную (ql6_2).

Как было сказано выше в разделе 2.2.2, чтобы строить распределения (линейные или перекрестные) по многовариантным переменным, сначала их нужно сформи­ровать. Мы не будем возвращаться к процедуре создания многовариантных пере­менных при помощи меню Analyze ► Multiple Response ► Define Sets; этот процесс опи­сан в разделе 2.2.2. Давайте исходить из того, что вы самостоятельно сформировали две многовариантные переменные, назовем их q7 (Место покупки сметаны) и ql6 (Наи­более предпочтительная для респондентов упаковка сметаны). Теперь можно заняться построением перекрестного распределения по этим вопросам, то есть ответить на вопрос: «Зависят ли предпочтения респондентов в отношении сметаны (упако­ванной или развесной) от места совершения покупки?».

Построение перекрестного распределения по многовариантным вопросам осуще­ствляется при помощи меню Analyze ► Multiple Response ► Crosstabs. В открывшемся диалоговом окне (рис. 4.12) слева вы видите два списка переменных. В верхнем находятся все доступные переменные из файла данных (включая и дихотомиче­ские переменные — варианты ответа на анализируемые многовариантные вопро­сы). Нижний список содержит только сформированные нами многовариантные переменные ($q7 и $ql6). В перекрестном анализе могут принимать участие как

многовариантные переменные, так и другие доступные одновариантные перемен­ные. Как для кросстабуляций (см. раздел 4.1.1), для перекрестных таблиц можно задать несколько измерений (максимум три) при помощи введения одного допол­нительного слоя (область Layer). Имейте в виду, что при построении перекрестных таблиц, переменные, находящиеся в областях Row(s), Column(s) и Layer(s), перекре­щиваются по тройкам последовательно.