市场营销教程（第二版） 万后芬 汤定娜 杨智课件 第八章 市场研究的数据分析方法(案例要点)

第八章市场研究的数据分析方法8－1判别分析1．判别分析与聚类分析的对比。主要不同点就是：在聚类分析中一般人们事先并不知道或一定要明确应该分成几类，完全根据数据来确定。而在判别分析中，至少有一个已经明确知道类别的“训练样本”，利用这个数据，就可以建立判别准则，并通过预测变量来为未知类别的观测值进行判别了。2．判别分析的假设条件是什么？辨别分析最基本的要求是，分组类型再两组以上，每组样本的规模必须再一个以上，解释变量必须是可测量的。判别分析的假设：一是每个解释变量不能是其他解释变量的线性组合；二是各组变量的协方差矩阵必须相等，三是个解释变量之间具有多元正态分布。3．找一个实际生活中的案例，对其进行判别分析。8－2因子分析1．因子分析的样本量要求？因子分析主要是寻找内在结构，要求样本量比较充足，否则无法得到稳定和准确的结果，因子分析的样本量要求如下：样本量与变量数的比例至少要在5/1以上，实际理想的样本量应该为变量数的10～20倍，但这比较难以做到，5～10倍虽略显不足，但一般能得到较好的结果。总样本量不得少于100，而且原则上越大越好。2．因子分析的主要用途？因子分析主要用于数据的提炼与概括，营销研究可能会涉及到大量的变量，而其中可能大部分的变量是相关的，直接用于回归、判别等分析时会出现多重共线性的问题，因此需要将变量的数目缩减到合适的水平，以进行进一步的多元统计分析。提取因子后，大量相互关联的变量之间的关系可以用几个潜在的因子来表示，因子之间相关性很低，可以降低多重共线性。3．用SPSS软件试对一个实际研究问题进行因子分析。8－3回归分析1．应用线性回归模型需满足的假设条件？在应用线性回归模型时，必须满足以下假设：（1）函数形式是线性因变量与自变量之间存在近似的线性关系，根据样本数据，列出估计回归方程，这是最基本要求。（2）误差项均值为零，即这意味着，如果给定自变量的值，那么的期望值表达式为：（3）误差项有相同的方差，即换句话说，模型有方差齐性的特点。当值发生变动的时候，的变异趋势是相同的，方差为。（4）误差项相互独立，即也称误差项不自相关，这说明了，不同值的两组自变量，其对应的误差项大小是不相关的。（5）误差项呈正态分布，即表示的实际值与根据样本数据估计的回归方程得出的值之间的离差，该项假设也说明了，对于给定的一组自变量值，因变量也是服从正态分布的。2．多元回归方程显著性检验的假设是什么？如何进行检验？回归方程的显著性检验是检验因变量与所有自变量之间的线性关系是否显著，是否可以用线性模型来描述因变量和自变量的关系。回归方程的显著性检验的零假设是所有的回归系数是否与零无显著性差异。其检验一般采用检验，利用方差分析的方法进行。具体检验过程如下：a.建立假设：中至少有一个不为0b.构造统计量：c.显著性检验：统计量服从分布，且自由度分别为和，通过查询统计表得到统计量的相伴概率值与给定的显著性水平比较，或者查询显著性水平对应的值与统计量比较，这些数据我们也可以从计算机统计软件中直接获取，最后判断是拒绝或接收零假设。一般统计软件在计算值后，会依据分布表给出统计量对应的相伴概率值。如果相伴概率值小于或等于用户给定的显著性水平，则认为所有回归系数同时与零有显著性差异。自变量与因变量之间存在显著的线性关系，自变量的变化能反映因变量的变化，回归方程显著。反之，若相伴概率值大于用户给定的显著性水平，则回归方程不显著。3．多重共线性会导致什么问题？一般可采用什么方法来克服？在多元回归分析中，参与估计﹑预测的自变量往往不止一个，且它们之间往往存在一定的相关性，这种预测变量之间的高度相关问题称多重共线性。多重共线性问题会给研究带来非常复杂的麻烦，如:偏回归系数标准误差过大、甚至会由于样本差异出现系数符号可负可正，大小偏离严重的不稳定现象。一般可以采取两种方法来克服：一从高度相关的预测变量中选择一个纳入回归方程；二是通过因子分析等软件将该组变量形成数目较少的新变量组。4．用上节汽车消费者心理特征的数据进一步进行分析，把9个公因子作为自变量，分析他们对这款新型跑车的购买意愿的影响。8－4联合分析从8-2图中，我们可以得到如下信息：（1）各属性对产品的重要性（AveragedImportance）依次为：包装（33.80％）、价格（32.39％）、返款