- •Тема 8. Полевые работы
- •8.1. Роль, значение и сущность полевых работ
- •1. Место и роль полевых исследований
- •2. Содержание полевых работ, характеристика этапов
- •3.Подбор персонала. Общие требования к интервьюерам
- •4.Основные навыки интервьюерам интервьюера
- •1 Сквозной пример. Выбор универмага
- •5.Методика задавания вопросов
- •7.Контроль качества анкетирования
- •6.Управление работой интервьюера
- •8.Оценка труда полевых работ
- •Тема 9 Подготовительные этапы статистического анализа
- •1. Подготовка данных к анализу
- •2. Редактирование данных
- •3. Проблемы, выявляемые в ходе офисного редактирования
- •4.Кодирование, создание системы кодирования
- •5. Проверка состоятельности данных
- •5. Статистическая корректировка данных
- •I Переопределение переменной (variable respecification)
- •Тема 10 Классификация статистических методов. Базовые методы анализа маркетиноговой информации
- •2 Ряды распределения маркетинговой информации: атрибутивный и вариационный ряд
- •Обобщающие показатели: интерпретация типических значений.
- •4.Показатели вариации
- •5.Понятие статистической гипотезы.
- •6.Построение таблиц сопряженности признаков.
- •Тема 11. Дисперсионный и ковариационный анализ 4часа
- •Процедура выполнения однофакторного дисперсионного анализа.
- •Многофакторный дисперсионный анализ.
- •Ковариационный анализ, условия применения.
- •Тема 12. Корреляционно - регрессионный анализ 2
- •Корреляционный анализ.
- •Регрессионный анализ.
- •Корреляционный анализ.
- •2. Регрессионный анализ.
- •Тема 13. Факторный анализ 2 ч
- •Методы факторного анализа.
- •Оценка достаточности числа выделенных общих факторов.
- •Тема 14. Кластерный анализ 2 ч
- •Использование кластерного анализа в маркетинговых исследованиях.
- •Порядок выполнения кластерного анализа
- •Использование кластерного анализа в маркетинговых исследованиях.
- •Порядок выполнения кластерного анализа
- •Тема 15. Дискриминантный анализ 2ч
- •Дискриминантный анализ как метод многомерной классификации
- •Процедуры дискриминантного анализа
- •Дискриминантный анализ как метод многомерной классификации
- •Процедуры дискриминантного анализа
- •Тема 16. Многомерное шкалирование - 4
- •Тема16.1 «Многомерное шкалирование».
- •Многомерное шкалирование в маркетинговых исследованиях.
- •Порядок выполнения многомерного шкалирования
- •Многомерное шкалирование в маркетинговых исследованиях.
- •Тема 17.Совместный анализ -4 ч
- •Тема 18 Подготовка отчета о результатах маркетинговых исследований
- •I Принцип kiss ("kiss them" principle)
Процедуры дискриминантного анализа
Модель дискримннантного анализа (discriminant analys- model) имеет следующий вид:
Модель дискриминангного анализа (discriminant analysis model)
Статистическая модель, лежащая в основе дискримннантного анализа.
Формулирование проблемы
Первый шаг дискриминантного анализа — формулирование проблемы путем определения целей, зависимой переменой и независимых переменных. Зависимая переменная должна состоять из двух или больше взаимоисключающих и взаимно исчерпывающих категорий. Если зависимая переменная измерена с помощью интервальной или относительной шкалы, то ее следует, в первую очередь, перевести в статус категориальной. Например, отношение к торговой марке, измеренное по семибалльной шкале, можно категоризировать как неблагоприятное (1,2, 3), нейтральное (4) и благоприятное (5, 6, 7). Можно поступить иначе. Для этого следует построить график распределения значений зависимой переменной и сформировать группы равного размера с помошью точек отсечения. Предикторы следует выбирать, исходя из теоретической модели или ранее проведенного исследования, или, в случае поискового исследования, из интуиции и опыта исследователя.
Следующий шаг — разделение выборки на две части. Одна из них — анализируемая выборка (analysis sample) — используется для вычисления дискриминантной функции.
Анализируемая выборка (analysis sample)
Часть общей выборки, которую используют для вычисления дискриминантной функции.
Другая часть — проверочная выборка (validation sample) — предназначена для проверки дискриминантной функции.
Когда выборка достаточно большая, ее можно разбить на две равные части. Одна служит анализируемой выборкой, а другую используют для проверки. Затем роль этих половинок вза-
имно меняют и повторяют анализ. Это называется двойной перекрестной проверкой, и она аналогична методу, рассмотренному в регрессионном анализе (глава 17).
'Проверочная выборка (validation sample)
Часть общей выборки, которую используют для проверки результатов расчета на основании анализируемой выборки.
Часто распределение количества случаев в анализируемой и проверочной выборки явствует из распределения в обшей выборке. Например, если общая выборка содержит 50% лояльно и 50% нелояльно настроенных покупателей, то анализируемая и проверочная выборки должны каждая содержать 50% лояльных и 50% нелояльных покупателей. В другом случае, если выборка содержит 25% лояльных и 75% нелояльных покупателей, следует выбрать анализируемую и проверочную выборки таким образом, чтобы их распределения отражали аналогичную картину (25% против 75%).
И наконец, проверку достоверности лискрмминантной функции предлагают выполнять неоднократно. Каждый раз выборку следует разбивать на две части: для анализа и проверки. Вычисляют дискричинантную функцию и выполняют анализ достверности модели. Таким образом, оценка достоверности основана на ряде испытаний. Предлагаются также более точные методы [5].
Чтобы лучше проиллюстрировать дискриминантный анализ для двух групп, обратимся к примеру. Предположим, что мы хотим определить главные характеристики семей, которые отдыхали на курорте в последние два года, Данные получены на основании выборки, включающей 42 семьи. Из них 30 включены (как показано в табл. 18.2) в анализируемую выборку, а оставшиеся 12 (как показано в табл. 18.3) стали частью проверочной выборки.
Определение коэффициентов дискриминантнои функции
После определения анализируемой выборки (табл. 18.2) мы можем вычислить коэффициенты дискриминантнои функции, используя два метода. Прямой метод (direct method) — вычисление дискриминантнои функции при одновременном введении всех предикторов.
Прямой метод (direct method)
Метод дискриминантного анализа, в котором дискриминантную функцию вычисляют при одновременном введении всех предикторов.
В этом случае учитывается каждая независимая переменная. При этом ее дискриминирующая сила не принимается во внимание. Этот метод больше подходит к ситуации, когда аналитик, исходя из результатов предыдущего исследования или теоретической модели, хочет, чтобы в основе различения лежали все предикторы. Альтернативным методом является пошаговый метод. При пошаговом дискриминантом анализе (stepwise discriminant analysis) предикторы вводят последовательно, исходя из их способности различить (дискриминировать) группы.
Пошаговый дискриминантный анализ (stepwise discriminant analysis)
Дискриминантный анализ, при котором предикторы вводятся последовательно, в зависимости от их способности различить группы.
Некоторые результаты можно получить, изучив групповые средние и стандартные отклонения. Маркетологи обнаружили, что в деление совокупности на две группы самый большой вклад внесла переменная "доход". Кроме того, оказалось, что переменная "значение, придаваемое семейному отдыху*', важнее для различения групп, чем переменная "отношение к путешествию". По возрасту главы семьи две группы различаются мало, а стандартное отклонение этой переменной большое.
Значимость одномерных F-статистик (отношений внутри групповых сумм квадратов к обшей сумме квадратов) указывает, что когда предикторы рассматриваются по отдельности, то только доход; значение, придаваемое семейному отдыху; и размер семьи значимо различаются между семьями, которые посетили курорт, и между теми, кто не отдыхал на курорте.
Поскольку имеется две группы, то оценивается только одна дискриминантная функция. Собственное значение, соответствующее этой функции, равно 1,7862. Каноническая корреляция, соответствующая этой функции, равна 0,8007. Квадрат корреляции, равный (0,8007)г = 0,64, показывает, что 64% дисперсии зависимой переменной (посещение курорта) объясняется этой моделью. Следующая стадия дискриминантного анализа включает определение значимости :искриминантной функции.
Определение значимости дискриминантной функции
Бессмысленно интерпретировать результаты анализа, если определенные дискрими-нантные функции не являются статистически значимыми. Поэтому следует выполнить статистическую проверку нулевой гипотезы о равенстве средних всех дискримннантных функций во всех группах генеральной совокупности. В программе SPSS эта проверка базируется на коэффициенте лямбда (λ) Уилкса. Уровень значимости оценивают, исходя из преобразования λ-статистики в статистику хи-квадрат (исходя из распределения хи-квадрат. которому подчиняется Х-статистика). При проверке значимости в примере с посещением курорта (табл. 18.4) можно отметить, что λ, равная 0,3589, преобразуется в хи-квадрат статитстику, равную 26,13 с пятью степенями свободы. Она значима при уровне, превышаюшем 0,05. В программе SAS вычисляют приближенную F-статистику, основанную на апроксимации к распределению отношения правдоподобия. В программе BMDP проверка нулевой гипотезы базируется на преобразовании Х- статистики Уилкса в f-статистику. В Minitab нельзя выполнить проверку значимости. Если нулевую гипотезу отклоняют, что указывает на значимую дискриминацию, то можно продолжать интерпретировать результаты.
Интерпретация
результатов
Интерпретация дискриминантных весов аналогична интерпретации во множественном регрессионном анализе. Значение коэффициента для конкретного предиктора зависит от других предикторов, включенных в дискриминантную функцию. Знаки коэффициентов условны, но они указывают, какие значения переменной приводят к большим и маленьким значениям фvнкции и связывают их с конкретными группами.
Некоторое представление об относительной важности предикторов можно также получить, изучив структурные коэффициенты корреляции, которые также называют каноническими или дискриминантными нагрузками. Эти линейные коэффициенты корреляции между каждым из предикторов и дискриминантной функцией представляют дисперсию, которую предиктор делит вместе с функцией. Как и нормированные коэффициенты, эти коэффициенты корреляции следует использовать осторожно.
Полезно исследовать нормированные коэффициенты дискриминантной функции в примере с отпуском на курорте. С данными низкими коэффициентами корреляциями между предикторами можно использовать значения нормированных коэффициентов, чтобы предположить, что доход — наиболее важный предиктор при дискриминации между группами, а за ним следуют размер семьи и значение, придаваемое семейному отдыху. Аналогичное наблюдение получено из проверки структурных корреляций. Эти коэффициенты линейной корреляции между предикторами и дискриминантной функцией перечислены в порядке их убывания.
Также даны и ненормированные коэффициенты дискриминантной функции. Для классификации данных их можно применить к необработанным значениям переменных в проверочной выборке. Кроме того, показаны групповые центроиды, дающие значения дискриминантной функции, оцененные по групповым средним. Центроид группы 1 (семьи, отдыхающие на курорте) имеет положительное значение, а центроид группы 2 — равное ему. но отрицательное. Знаки коэффициентов соответствующих предикторов положительны. Это означает, что чем выше доход семьи; ее размер; значение, придаваемое семейному отдыху; отношение к путешествию и возраст, тем выше вероятность семейной поездки на курорт. Разумно создать профиль двух групп с точки зрения трех предикторов, которые кажутся наиболее важными: доход, размер семьи и значение, придаваемое семейному отдыху. Значения этих трех переменных для двух групп приведены в табл. 18.4.
Относительную важность предикторов иллюстрирует следующий пример.
При интерпретации результатов дискриминантного анализа также может помочь разработка характеристической структуры (characteristic profile) для каждой группы посредством описания каждой группы через групповые средние для предикторов.
| Характеристическая структура (characteristic profile)
j Средство интерпретации результатов дискриминантного анализа описанием каждой группы через групповые средние для предикторов.
Если важные предикторы установлены, то сравнение групповых средних по этим переменным может помочь понять межгрупповые различия. Однако прежде чем интерпретировать ка-кис-л1:бо факты, необходимо убедиться в достоверности результатов.
Оценка достоверности дискриминантного анализа
Как уже говорилось, данные разбивают случайным образом на две подвыборки. Анализируемую часть выборки используют для вычисления лискри минантной функции, а проверочную—для построения классификационной матрицы.
Коэффициент результативности (hit ratio)
Процент случаев, верно классифицированных с помощью дискриминантноп анализа.
В примере семейного отдыха на курорте) также показаны результаты классификации, полученные на основе анализируемой выборки. Коэффициент результативности или процент верно классифицированных случаев равен (12 + 15)/30 = 0,90 или 90%. Могут возникнуть сомнения, что этот коэффициент результативности искусственно завышен, поскольку данные, использованные для вычисления, использовались и для проверки. Выполнение классификационного анализа по независимому набору данных приводит к классификационной матрице с немного меньшим коэффициентом результативности (4 + 6)/12 = 0,833 или 83,3% (табл. 18.4). Задав случайным образом дне группы равного размера, можно ожидать, что коэффициент результативности равен 1/2 = 0,50 или 50%. Однако превышение точности классификации над случайной классификацией составляет свыше 25%, и поэтому достоверность дискриминантного анализа оценивают как удовлетворительную.
СТАТИСТИКИ, СВЯЗАННЫЕ
С ДИСКРИМИНАНТНЫМ АНАЛИЗОМ
Ниже приведены основные статистики, связанные с дискриминантным анализом.
Каноническая корреляция (canonical correlation). Измеряет степень связи между дискрими-нантными показателями и группами. Это мера связи между единственной дискриминирующей функцией и набором фиктивных переменных, которые определяют принадлежность к данной группе.
Центроид (средняя точка) (centroid). Центроид — это средние значения для дискриминант-ных показателей конкретной группы. Центроидов столько, сколько групп, т.е. один пентроид для каждой группы. Средние группы для всех функций — это групповые центроиды.
