40. Формирование стратифицированных выборок

Стратифицированная выборка – вероятностная выборка, кот-я прим-ся при наличии в ген-й сов-сти резко отлич-ся групп. Она предусм-ет представительство всех групп в выборке.

Преимущ-ва: высокая точность, в выборку включ-ся все важные категории объектов ген-й сов-ти.

Недостатки: трудно подобрать параметры стратификации и стратифицир-ть по многим эл-м сразу, высокие затраты.

При отборе пар-ров страт-ции исп след соображения:

- элементы 1 страты наиболее схожи между собой;

- элементы разных страт различаются;

- пар-ры страт-ции связаны с интересующими исслед-ля хар-ками;

- процесс страт-ции должен получиться простым и дешевым.

Процесс формирования:

1. Ген-я сов-сть делится на ряд подмножеств (страт). Каждый эл-т сов-сти отн-ся только к 1 страте.

2. В каждой страте произв-ся независ-й отбор эл-в простых случайных выборок.

41. Формирование кластерных выборок

41. Формирование кластерных выборок

Ген-я сов-ть делится на ряд кластеров. Случайным образом выбираются кластеры, чьи эл-ты будут включ в ген сов-ть. Если попадают все эл-ты выбранных кластеров – одностадийная процедура, если только несколько эл-тов, опред-х случ образом – двухстадийная.

Кластеризация напр на экономию затрат без существ-го снижения точности, а не на повышение точности без увелич-я затрат.

Преимущ-ва: невысокая стоимость, простота.

Недостатки: невысокая точность, трудно оценить точность рез-тов.

42. Понятие дисперсии и среднеквадратического отклонения: генеральной совокупности, выборки, выборочного среднего

Понятие дисперсии и среднеквадратического отклонения генеральной совокупности, выборки, выборочного среднего

Дисперсия – это квадрат стандартного отклонения значений признака от среднего значения по совокупности.

– для выборки

– для генеральной совокупности

Среднеквадратическое отклонение равно корю из дисперсии. Чем оно больше, тем шире д.б.доверит-й интервал (это диапазон, крайним точкам кот соотв.опред-й % опред-х ответов на вопрос ). Хар-ет среднее расстояние от средней оценки ответов респондентов на определенный вопрос. Можно сравнить ср.квадр.откл.для 2 выборок и опред, где вариация меньше.

Выборочное среднее – среднее арифм значение признака выборочной совокупности.

– если все значения выборки признака различны

– если у значений признака есть частоты

43. Понятие точности и надежности результатов измерений

44. Методы расчета объема выборки. Экономический и логический подходы к определению объема выборки (т2в2)

45. Расчет объема выборки и на основе статистического анализа

46. Ошибки выборки, способы их оценки

Принято различать среднюю и предельную ошибки выборки. Предельная ошибка выборки определяется след образом:

где ∆ - предельная ошибка выборки; t – параметр, связанный с уровнем надежности; μ – средняя ошибка выборки.

Формулы определения стандартной ошибки выборки при различных способах отбора.

Способ отбора (для средней):

- простая случайная выборка

А) повторная: Б) бесповторная: все под корнем

- стратифицированная или типическая выборка

А) повторная: Б) бесповторная: все под корнем

- кластерная, гнездовая или серийная выборка

А) потоврная: - Б) бесповторная: все под корнем

(для доли)

- простая случайная выборка

А)повторная: Б) бесповторная: *(1-n/N)

- стратифицированная или типическая выборка

А) повторная: Б) бесповторная: *(1-n/N)

- кластерная, гнездовая или серийная выборка

А) повторная:- Б) бесповторная:-.

- средняя в генералльной совокуп-сти;

N – объем генеральной совокуп-сти;

n – объем выборочной совокупности;

σ² – генеральная дисперсия (заменяется на выборочную (S²) в случае, если она не известна);

- средняя из внутригрупповых дисперсий;

– межсерийная дисперсия, ; где x – межсерийная средняя; x_i - среднее значение признака в каждой из отобранных серий;

r – число отобранных серий;

R – число серий в генеральной совокуп-сти;

p – доля единиц в генеральной сосвок-сти;

w – доля единиц в выборочной совокуп-сти;

- средняя дисперсия доли признака из групповых дисперсий доли

47. Отбор и подготовка персонала для полевых исследований

. 1-ым этапом полевых работ явл подбор квалифиц персонала – интервьюеров и наблюдателей, кот должны обладать опред набором личных качеств. Необ-мо учит пол, возраст, образ, мнения по тем или иным ?-сам, стиль восприятия, ожидания – все это может повлиять на рез-ты исследования. Требования, предъявляемые к интервьюеру: коммуникаб, способность расположить людей к себе; хорошая дикция и умение слушать; крепкое здоровье; уверенность в себе и устойчивость к стрессам; привлекательная, распологающая, но не слишком выделяющаяся внешность; оыпт интервьюерской работы, т.к. неопытные интервьюеры чаще ошибаются, с трудом выполняют квотные задания; им чаще отказываются давать интервью или затрудняются давать ответы. Требования предъявляемые к наблюдателям: ответсвенность и аккуратность; скрупулезность и пунктуальность; уверенность в себе и психологическая устойчивость; крепкое здоровье; коммуникабельность, умение расположить людей к себе; опыт полевой работы. Обучение персонала. Осн напрвления обучения интервьюеров: -ПЕРВОНАЧАЛЬНЫЙ КОНТАКТ С ПОТЕНЦ РЕСПОНД. У потнец респондента нельзя спрашивать разреш на интервью, чтобы не спровоцировать отказ. В самом начале интервью нужно осведомиться, как наз-ть потенц респондента и обращаться к нему именно так, не навязывая своих представл; -МЕТОДИКА ПОСТАНОВКИ ?-СОВ. Правила: * тщательно изучить анкету,*постраться созд интервью подходящую обстановку, * задавать ?-сы в строгом порядке, как это предусмотрено в анкете, * польз в точности теми словами, кот приведены в тексте анкеты, * читать каждый ? медленно, * не допускать ситуаций, когда респондент начинает отвечать, не до слушав ?, * повторить ?, если респон не понял,* задавать все полагающиеся ?-сы, даже те на кот респондент уже ответил по собств инициативе, * следовать инструкц, * не поправлять респонд, если его ответ на очередн ?, по вашему мнению, не согласуется с ответами на предыд ?-сы, * выполнять зондирование – набор приемов, побужд респонд к полным и ясным ответам на ?-сы анкеты. Приемы зонд-ния: повторение ?-сов, повторение ответа респондента, исп-ние пауз и молчаливое зонд-ния, поддержка и побадрив респонд, стремл к ясности, исп-ние целенапрвл или нейтр ?-сов и комментариев. – ЗАВЕРШЕНИЕ ИНТЕРВЬЮ. Интервьюер ни в коем случае не дожен завершать интервью, не задав всех необ-мых ?-сов. Расставшись с респонд, интервьюер сразу оставляет очередн запись в doc, наз-мом маршрутной картой, в кот отмеч: 1) порядковый № интервью проведен даным интервьером в рамках задания; 2) назван ул.; 3) № ул.;4)число квартир в доме; 5) № квартиры, в кот д. б. проводиться данное интервью в соот-вии с установл интсрук правилами отбора квартир; 6) № квартиры, в кот было фактич проведено даное интервью, имя, если оно быо названо, отчество, респонд;7) возраст распонд;8)образов респонден; 9) телевон респонд. Фиксация рез-тов может вып-тся: 1)в виде краткоср записи, порвод «по горячему следу»; 2)карточек, слаж для регистр инф-ции, касающ наблюд лиц, явлений, процессов; 3) протокола наблюд, педставл собой расшир вариант карточки; 4) дневника наблюд, в кот систематически день за днем заностся все необ-мые сведения, высказывания, поведение отд лиц, собсвт размышл, трудности; 5) фото-, видео-, звукозаписи.

48. Предварительный анализ первичных данных

Подгот данных явл предвар стадией их анализа и состоит из ряда последов действий. 1. Редактирование. Осн задача заключ в опред min стандартов кач-ва дляполученных данных. Проверка и коррекция обычно осущ-тся в 2 этапа: полевое и централизов офисн редактир. Полевое редактир – предварит редактир, проводимое для выявления наиб заметных пропусков и неточностей данных оно осущ-тся сразу после заполнения анкет или др форм сбора данных.Хар-ки данных, проверяемые при полевом редактир:полнота; разборчивость; понятность; однозначность; согласованость; единообразие. Централиз офисное редактирование подразум более полное и тщательное изучение и корректир заполненных форм. Централиз офисное редактир, в отличие от полевого редактир, в меньшей степени зависит от исп-ния проверочных процедур, а в большей – от решения вопроса о том, как поступить с получ данными. К проблемам, кот должны выявляться в ходе офисного редатир относят: пропуски; ошибки интервьюера возникают, если респонденту не предоставлены необходимын инструкции, что приводит к получ некот данных; недостаток сотрудничества; респондент не соот-ет требованиям. 2. Кодирование. – технич прием, с пом которого данные распред по категориям, т.е. представления полученной инф-ции в виде символов, знаков,чисел с целью удобства ее исп-ния в процессе анализа. Этапы: 1) создание системы кодирования. Выбор ответов д.б. взаимозаключающим и исчерпывающим т.о. чтобы каждый ответ логически попадал в 1 и только 1 категорию, при этом по ряду ?-сов правомерны и множеств ответы. 2) здесь производится присвоение кодовых №-ров ячейкам стр-рной классиф маркетинг инф-ции. В больш-ве случаев для обознач классов лучше исп-ть цифры, а не буквы. На этой стадии лучше всего исп-ть цифры в том виде, как они зафиксированы в форме сбора данных, а не расклад их на более крупные категории.3) подготовка книги кодов. Эта книга, в кот описыв каждая перемен, ей дается кодовое имя и идентифиц ее местоположение записи. 3. Созд б/д. Далее инф-ция, полученая в ходе полевых работ, заносится в базу данных в виде присвоенных кодов. 4. Табулирование. Оно заключ в простом подсчете числа случаев, попадающих а различные категории. 2 вида табулирования: простое и перекрестное. Простое подразумевает подсчет единственной переменной. При перекрестном табулир 2и более переменных рассматрив одновременно.Табулир может осущ вручную, с пом компьютера или же путем комбинирования этих способов. Простое табулирование помимо отраж рез-тов исследов может служить для след целей: ♦опред показателя неполучения ответа на вопрос; ♦поиск мест возникн грубых ошибок; ♦опред места возникн резких отклонений от средн; ♦получение эмпирич распред рассматр перемен; ♦расчет итоговых значений статистики. 5. Корректировка. Корректировка может проходить в форме очистки и статистической корректировки. Очистку данных целесообразно осущ-ть по рез-там простого табулир в след случаях: •неполучение ответа, если это не было обнаружено и устранено на стадии редактир; •наличие грубой ошибки; •возникн чрезмерных отклонений от ср. Наличие ?-сов оставшиеся без ответа, явл серьезной проблемой для больш-ва иссл-ний; •предоставить для случаев отсут ответов отд категорию; •исключить случай отсут ответа в процессе анализа за счет исп-ния соот-щей перемен величины; •исп-ние заменяющ величин для вопросов, оставш без ответа. Г р у б а я о ш и б к а явл серьезной. Она может возникн при редактир, кодир или вводе данных в компьютер. Ч р е з м е р н о е о т к л о н е н и е не явл ошибкой . Оно соот-ет рез-тату наблюдения, но настолько отлич от лр рез-тов, что вынуждает аналитика рассм его в кач-ве отдельного случая. Сущ-ют различн способы статистич коректировки, повыш пригодность данныхидля анализа. Наиб часто исп-тся процедуры взвешивани, переопределения перемен и преобраз шкал. В з в е ш и в а н и е - процедура, при кот каждому ответу в б/д приписыв число в соот-вии с некот заранее определен правилом. П е р е о п р е д е л е н и е п е р е м е н - процедура, при кот сущ-щие данные модифицир т.о., чтобы создать новые перемен, или несколько перемен объедин с цель уменьш их общего числа. П р е о б р а з о в а н и е ш к а л ы - манипулир значен шкалы для того, чтобы обесп-ть совместимостьс др шкалами. Осущ-ние коррект требует спец подготовки, высокого профессион и опыта в осущ-нии подобных опер.

49. Статистическая проверка первичной информации

49. Стат проверка первичн информ

Стат методы – 1) описательный анализ (частотное табулирование) 2) дисперсионный и ковариаиционный анализ (стат методы, кот примен для изучения различий средн значений зависим переменных, вызванных влиянием контролир независ перем) 3) коррел и регресс анализ (измерение силы связи при совместном изменении завис и независ перем) 3) дискриминантный анализ (анализ различий заранее заданных групп объектов) 4) факторный анализ (позволяет выявить обобщающие хар-ки) 5) кластерный анализ (позвол классифиц многомер наблюдения) 6) многомерное шкалирование (представл данных с помощью наглядного изображ)

50. Методы анализа маркетинговой информации

50. Методы анализа марк. инф

Делятся на одномерные и многомерные. Одном: в зависимости от хар-ки данных – метрические: одна выборка, 2 и более выборки (методы: z-критерий, однофакторный анализ, дисперсионный анализ, парный критерий) и неметрические: одна выборка, 2 и более выборки (методы: хи-квадрат, построение медианы, ANOVA-анализ).

Многомерн: зависимые переменные – 1 выборка (методы: корреляц., дисперс анализ, множ регрессия), 2 и более выборки (методы: многомерн дисперс анализ, множестве дисп анализ), взаимозависимые перем – поиск взаимозависимости (методы: факторный анализ), поиск межобъектн сходства (методы: кластерный анализ, многомерн шкалирование)

51. Одномерный анализ

51. Одномерн.анализ

Одн анализ примен для изучения данных если сущ ед.измерения для оценки кажд элемента выборки либо если измер несколько, но каждая перем измен отдельно от всех остальных

Вариац ряд – мат распредел, цель которого подсчитать связь с разл значениями первой перем. Характеристики вар.ряда: варианта (х), частоты (f), шаг интервала i= (Xmax-Xmin)/n

Показатели центра распределения: средняя, мода, медиана. Показатели вариации: размах, межквартильн размах, станд отклонение). Форма распредел (ассиметрия и эксцесс)

Определяется степень тесноты связи (коэфф корреляции r – стат показ, характер степень тесноты связи между двумя метрич переменными

52. Двухмерный анализ (перекрестная табуляция, корреляция, регрессия)

! (не весь) 52. Корреляция – измерение силы связи между двумя и более переменными, при этом совместное измерение переменных.

Регрессия – выведение уравнения, связывающего зависимую переменную с одной или несколькими независимыми.

Табуляция – подсчёт количественных событий, которые попадают в каждую категорию, в том случае, когда категории базируются на одной переменной.

53. Дисперсионный анализ

53. Дисперсионный анализ – стат метод анализа, который используют для изучения различий средних значений зависимых, вызванных влиянием контролируемых независимых переменных. Зависимая – интервальная или относительная шкала, а независимая – номинальная.

Статистики:

• Эта-квадрат – корреляционное отношение, выражают степень влияния (от 0 до 1).

• F-статистика – отношение межгрупповой дисперсии к дисперсии ошибки.

• MS – сумма квадратов отклонений наблюдений.

• SS_x – вариация переменной у, различия средних между группами.

• SS_ошибки - вариация переменной у, внутри каждой группы

• SS_y – полная дисперсия У.

Процесс:

1. определение зависимой и независимой переменных

2. выбор метода разложения дисперсии

3. разложение полной дисперсии

4. измерение эффектов

5. проверка значимости

6. интерпретация полученных результатов

54. Дискриминантный анализ

54. Дискриминантный анализ – анализ различий заранее заданных групп объектов исследования. Зависимая – метрическая, а независимая – номинальная. Результат – дискриминантная модель (функция).

D = b₀ + b₁x₁ + … + b_kx_k, где D –зависимая; b₀ – свободный член; х – независимая; к – коэффициент.

Статистики:

• Каноническая корреляция – степень связи между показателями и группами.

• Средняя точка – средние значения для показателей конкретной группы.

• Классификационная матрица – содержит ряд правильно и ошибочно классифицированных случаев

• F-статистика

• Коэффициент Уилкса – отношение внутри групповой суммы квадратов к общей сумме квадратов (от 0 до 1) и другие.

Процесс:

1. определение зависимой и независимой переменных

2. выбор метода дискриминантного анализа

3. определение коэффициентов дискриминантной функции

4. определение значимости функции

5. интерпретация полученных результатов

6. оценка достоверности

55. Факторный анализ. Методы факторного анализа

Факторный анализ

Факторный анализ(ФА) – совокупность методов, которые на основе объективно существующих корреляционных взаимосвязей признаков позволяют выявлять скрытые обобщающие хар-ки структуры изучаемых объектов и их св-в. Цели ФА: сокращение числа переменных, опр-е структуры связей между переменными. Основное предположение ФА в том, что каждый признак можно выразить в виде суммы некоторых других факторов, умноженный каждый на свой коэффициент (факторную нагрузку). Факторы можно разделить на общие и характерные. Каждый характерный фактор имеет ненулевое значение только для одного наблюдаемого признака. Количество общих факторов намного меньше. Статистики и понятия в ФА: критерий сферичности Бартлетта – проверяет гипотезу о том, что переменные в генеральной сов-ти не коррелируют между собойю Корреляционная матрица – матрица попарных корреляций r между всеми возможными парами переменных. Общность – доля дисперсии, объясняемая общими факторами. Собственное значение – полная дисп-я, объясняемая каждым фактором. Факторные нагрузки – линейные корреляции между переменными и факторами. Матрица факторных нагрузок – содержит факторные нагрузки по всем факторам. Значение фактора- суммарные значения, определённые для каждого респондента по производным факторам. Критерий адекватности выбора Кайзера-Мейера-Олкина – коэфф. для проверки целесообразности выполнения ФА. Процент дисперсии – процент от полной дисперсии, приписываемый каждому фактору. Остатки – разница между наблюдаемыми корреляциями в исходной корр. матрице и вычисленными по матрице факторных нагрузок. Этапы ФА: формулировка проблемы(опр-ть цели, задать переменные в интерв или относ шкале). Построение корреляционной матрицы(её анализ определяет целесообразность ФА: если корреляции между переменными небольшие, то бесполезно). Опр-е метода ФА(Анализ главных компонент(учитывают всю дисперсию) и анализ общих факторов(учитывают общую дисперсию). Опр-е числа фак-ов (основывается на предварительносй информации или на собственных значениях факторов или на критерии «каменистой осыпи», на проценте объяснённой дисперсии, на оценке надёжности, на критериях занчимости). Вращение фак-ов(ортогональное – когда сохраняется прямоугольная сис-ма координат, неортогональное – когда не сохран-ся прям. с-ма координат и метод варимакс – минимизирует число переменных с болшим значением нагрузок, усиливая интерпр-ть фак-ов). Интерпретация фак-ов.Определение степени соответствия модели (Изучив разности между наблюдаемыми корреляциями и вычисленными, можно определить соответствие модели исходным данным).

56. Кластерный анализ. Алгоритмы кластеризации

Кластерный анализ

Кластерный анализ – сов-ть методов, позволяющих класс-ть многомерные наблюдения, каждое описывается набором исходных переменных Х₁,Х₂…Х_m. Цель – образование схожих групп объектов (кластеров), используется при сегментации рынка, понимании поведения покупателей и др. Этапы: формулировка проблемы(выбор переменных для кластеризации) опр-е метода кластеризации (иерархическая кластеризация – когда объекты разделяются из всей совокупности на кластеры или наоборот – из кластеров в большую сов-ть, неиерархическая – позволяет объектам покидать свой кластер и примыкать к другому) выбор меры расстояния(вычисление расстояния между объектами. Евклидово расстояние – наименьшее между х и у: Квадрат Евклидова расстояния – лучше учитываются большие разности. Корреляция пирсона – для большого количества переменных. Мера Чебышева – абсол. Зн-е разности 2-х наблюдений. Блок .Мера Минковского Мера «хи квадрат» - сравнивают частоты выпадения переменных). Опр-е числа кластеров (на предварительной информации, уровне кластеризации, модели кластеров, которую генерирует программа, графике зависимости отношения лисперсий от числа кластеров, размерах). Интерпретация и профилирование кластеров(для описания результатов исп-ся центроид – среднее знач-е объектов кластера по каждой из переменных, формирующих профиль объекта).

57. Многомерное шкалирование

Многомерное шкалирование

ММШ – класс методов для представления восприятий и предпочтений респондентов в просранстве с помощью наглядного изображения. Воспринимаемые связи между объектами – пространственные карты. ММШ исп-ся для измерения имиджа, сегментации рынка, разработки нового товара, эффективности рекламы, ценового анализа и др.Этапы: формулировка проблемы(определение целей, объектов иссл-я т.е. торговых марок, например) Получение исходных данных (Существуют два подхода к сбору данных о восприятии: прямые( респон-в просят оценить, насколько похожи торговые марки. + в том, что не нужно самому исслед-лю определят характеристики) и непрямые (оценивание торговых марок респонд-ми исходя из характеристик, предложенных исслед-лем. + легко разделить респон-в на группы). Выбор метода ММШ( метрические методы предполагают, что исх. Данные интервальные или относительные, неметрические – когда исходные данные порядковые; линейный подход основан на ортогональном проектир-и, нелинейный основан на поиске минимальных искажений различий, неметрический – подбор такой последовательности числе, которая была бы монотонная с исходными различиями, но была более близка к точным расстояниям). Принятие решений о кол-ве размерностей (Чем больше размерность просранства, использ для воспроизведения расстояний, тем лучше согласие воспроизведённой матрицы с исходной. Подходы к опр-ю размерностей: на предв. инфе, на основе критерия изогнутости (по графику зависимости х от у), на лёгкости исп-я) Обозначение размерностей и интерпретации конфигурации точек на карте (названия даются опираясь на правила: можно собирать рейтинги торговых марок по характеристикам объекта, респондентам следует показывать пространственные карты, есть есть характеристики товара (кг, например) то его можно исп-ть кК средство интерпретации размерностей пространственной карты). Оценка надёжности и достоверности (рассчитать коэф. соотв-я R² – допустимы знач-я от 0,6 и выше, рассчитать знач-е стресса, которые варьируются в зависимости от метода много мерного шкалирования и анализируемых данных, если анализ проводят на агрегатном уровне, что исходные данные можно разбить на 2 и более частей, некоторые объекты можно исключать самостоятельно, к исходным данным можно добавить случайный ошибочный член, исходные данные следует собирать в разное время).

58. Совместный анализ

59. Составление письменного отчета об исследовании

60. Содержание устного отчета об исследовании