Введение (стр. 28 )

Диалоговое окно Linear Regression имеет встроенное средство для построения гра­фиков — кнопку Plots. Однако это средство, к сожалению, не позволяет на одном графике построить две переменные: S, и So - Для того чтобы построить тренд, необ­ходимо использовать меню Graphs ► Scatter. На экране появится диалоговое окно Scatterplot (рис. 4.32), которое служит для выбора типа диаграммы. Выберите вид Simple. Максимально возможное число независимых переменных, которое можно изобразить графически, — 2. Поэтому при необходимости графического построе­ния зависимости одной переменной (зависимой) от двух независимых (например, если бы в нашем распоряжении были данные не по двум, а по трем годам), в окне Scatterplot следует выбрать 3-D. Схема построения трехмерной диаграммы рассея­ния не имеет существенных отличий от описываемого способа построения двух­мерной диаграммы.

Рис. 4.33. Диалоговое окно Scatterplot

 

После щелчка на кнопке Define на экране появится новое диалоговое окно, пред­ставленное на рис. 4.34. Поместите в поле Y Axis зависимую переменную (Итоговая оценка 2001), а в поле X Axis — независимую (Итоговая оценка 2000). Щелкните на кнопке 0 К, что приведет к построению диаграммы рассеяния.

Для того чтобы построить линию тренда, дважды щелкните мышью на получен­ной диаграмме; откроется окно SPSS Chart Editor. В этом окне выберите пункт меню Chart ► Options; далее пункт Total в области Fit Line; щелкните на кнопке Fit Options. Откроется диалоговое окно Fit Line, выберите в нем тип аппроксимирующей ли­нии (в нашем случае Linear regression) и пункт Display R-square in legend. После за­крытия окна SPSS Chart Editor в окне SPSS Viewer появится линейный тренд, ап­проксимирующий наши наблюдения по методу наименьших квадратов. Также на диаграмме будет отражаться величина R2, которая, как было сказано выше, обо­значает долю совокупной вариации, описываемой данной моделью (рис. 4.35). В на­шем примере она равна 53 %.

С линейным регрессионным анализом связано множество интегральных показателей, рассчитываемых на основании коэффициентов регрессии (чаще всего стандартизированных). В качестве примера приведем расчет коэффициента потребительской привлекательности продукта/марки (Consumer Attractiveness), или коэффициента СА.

Рис. 4.34. Диалоговое окно Simple Scatterplot

 

 

Рис. 4.35. Диаграмма Scatterplot с построенной линией тренда

 

Этот коэффициент вводится в маркетинговых исследованиях для удобства сравне­ния привлекательности для респондентов анализируемых продуктов/марок. В анке­те должны присутствовать вопросы типа Оцените представленные параметры продукта/ марки X, в которых респондентам предлагается дать свои оценки частным параметрам продукта или марки X, скажем, по пятибалльной шкале (от 1 — очень плохо до 5 — отлично). В конце списка оцениваемых частных параметров респонденты должны поставить итоговую оценку продукту/марке X. При анализе полученных в ходе опро­са ответов респондентов на основании оценок респондентов формируются:

■ матрица средневзвешенных оценок по параметрам продукта/марки;

■ список стандартизированных - коэффициентов регрессии (оценка влияния частных параметров продукта/марки X на его/ее общую оценку).

Далее коэффициент СА рассчитывается по следующей формуле:

где n — число параметров, формирующих итоговую оценку продукта или марки:

- — значимость для респондентов параметра с индексом i (стандартизированный -коэффициент регрессии, оценивающей влияние частных параметров на общую оценку продукта/марки, подробнее см. выше); — уровень средневзвешенной оценки продукта/марки по параметру с индексом i (при наличии пятибалльной шкалы):

= 2 при высоком уровне оценки (средневзвешенный балл ≥ 4,5)

= 1 при среднем уровне оценки (средневзвешенный балл ≥4,0 и < 4,5)

= -1 при низком уровне оценки (средневзвешенный балл ≥3,0 и < 4,0)

= -2 при неудовлетворительной оценке (средневзвешенный балл < 3,0)

Рассчитанный для каждого конкурирующего продукта/марки коэффициент СА показывает его/ее относительную позицию в структуре потребительских предпоч­тений. Данный интегральный показатель учитывает уровень оценок по каждому параметру, скорректированный на их значимость. При этом он может изменяться в пределах от -1 (наихудшая относительная позиция среди всех рассматриваемых продуктов/марок) до 1 (наилучшее положение); 0 означает, что данный продукт/ марка ничем особенным не выделяется в глазах респондентов.

Итогом расчета коэффициента СА является рейтинг конкурентов по данному по­казателю. На основании рейтинга можно сделать важные выводы относительно лидерства и аутсайдерства конкретных продуктов/марок на потребительском рынке.

Мы завершаем рассмотрение ассоциативного анализа. Данная группа статисти­ческих методов применяется в отечественных компаниях в настоящее время дос­таточно широко (особенно это касается перекрестных распределений). Вместе с тем хотелось бы подчеркнуть, что только лишь перекрестными распределениями ассоциативные методы не ограничиваются. Для проведения действительно глубо­кого анализа следует расширить спектр применяемых методик за счет методов, описанных в настоящей главе.

Глава 5. Классификационный анализ

Цель классификационного анализа — классификация респон­дентов и/или переменных по определенным целевым группам. Наиболее распространенными примерами использования клас­сификационного анализа в маркетинговых исследованиях яв­ляются:

■ сегментирование респондентов по заранее известным (ло­гистическая регрессия и дискриминантный анализ) или не известным (факторный и кластерный анализ) целевым группам;

■ классификация переменных по макрокатегориям, то есть сокращение их числа до нескольких значимых групп (фак­торный и кластерный анализ).

Далее в разделе мы рассмотрим эти статистические методики в указанном порядке, а также приведем примеры задач из прак­тики маркетинговых исследований, решаемых с помощью классификационного анализа.

5.1. Логистическая регрессия и дискриминантный анализ

Логистическая регрессия и дискриминантный анализ приме­няются в том случае, когда необходимо классифицировать (сег­ментировать) респондентов по целевым группам, которые, в свою очередь, представлены уровнями (вариантами ответа) одной одновариантной переменной.

Примером задачи, решаемой при помощи этих статистических методов, может служить задача классифицировать респонден­тов по двум группам — покупающие горчицу и не покупаю­щие горчицу — на основании их социально-демографических характеристик (пол, возраст, доход, количество членов семьи и т. п.). Как вы видите, в процедурах логистической регрессии и дискриминантного анализа присутствуют переменные — критерии сегментирования и одна переменная, кодирующая целевые группы, на которые следует разделить респондентов на основании критериев сегментирования.

Необходимо отметить, что спектр возможностей применения логистической регрессии уже, чем для дискриминантного анализа, поэтому использование дискриминантного анализа в качестве универсального метода предпочтительнее. Боле того, рекомендуется всегда начинать классификационное исследование именно с дискриминантного анализа, а не с логистической регрессии, — и применять последнюю в случае неуверенности в результатах дискриминантного анализа. Это связано, в частности, с тем, что при применении методов логистической регрессии еле дует четко представлять, какой тип имеют зависимая и независимые переменные и, исходя из этого, выбирать одну из трех возможных процедур логистической регрессии: бинарную, мультиномиальную или порядковую. При дискриминантном анализе мы всегда имеем дело только с одной статистической процедурой, в которой принимают участие одна категориальная зависимая переменная и несколько независимых переменных с любым типом шкалы. Таким образом, дискриминантный анализ является более универсальной методикой (что особенно важно для исследователей, имеющих незначительный опыт в статистическом анализе дан­ных).

В разделах 5.1.1 и 5.1.2 мы на конкретных примерах покажем, как молено использо­вать процедуры логистической регрессии и дискриминантного анализа в марке­тинговых исследованиях. При этом мы увидим, что, несмотря на преимущества универсального дискриминантного анализа, логистическая регрессия в некоторых случаях дает наивысшую четкость классификации.

5.1.1. Бинарная и мультиномиальная логистические регрессии

В настоящем разделе мы рассмотрим два основных типа логистической регрес­сии — бинарную и мультиномиальную, а также дадим общий обзор порядковой логистической регрессии. Цель статистического анализа при применении мето­дов логистической регрессии — определить вероятность того, что тот или иной респондент (на основании определенных характеристик) попадет в ту или иную целевую группу. На практике описываемые методы, согласно значениям одной или нескольких независимых переменных (факторов), позволяют классифици­ровать респондентов по двум (бинарная) или более (мультиномиальная) груп­пам, которые выражаются уровнями (вариантами ответа) какой-либо одной пе­ременной.