Книги, научные публикации Pages:     | 1 |   ...   | 15 | 16 | 17 | 18 | 19 |   ...   | 22 |

Практическое руководство ТРЕТЬЕ ИЗДАНИЕ НЭРЕШ К. МАЛХОТРА Технологический институт штата Джорджия вильямс WT Москва Х Санкт-Петербург Х Киев 2002 ББК88.5Я75 М19 УДК 681.3.07 Издательский ...

-- [ Страница 17 ] --

Часть III. Сбор, подготовка и анализ данных Метод дискриминантного анализа описывается числом категорий, имеющихся у зависимой переменной. Если она имеет две категории, то метод называют дискрииинантным анализом для двух групп (two-group discriminant analsysis). Дискриминантный анализ для двух групп (two-group discriminant analsysis) Метод дискриминантного анализа, когда зависимая переменная имеет две категории. Если анализируют три или больше категорий, то метод называют множественным дискри минантным анализом (multiple descriminant analysis). J Множественный Дискриминантный анализ (multiple descriminant analysis) Метод дискриминантного анализа, когда у зависимой переменной имеется три или больше категорий. Главное отличие между ними заключается в том, что при наличии двух групп возможно вывести только одну дискриминантную функцию. Используя множественный Дискриминантный анализ, можно вычислить несколько функций [3]. В маркетинговых исследованиях можно привести массу примеров применения дискриминантного анализа. Так, с помощью этого метода можно получить ответы на следующие вопросы [4]. Чем, с точки зрения демографических характеристик, отличаются приверженцы данного магазина от тех, у кого эта приверженность отсутствует? Х Отличаются ли в потреблении замороженных продуктов покупатели, которые пьют безалкогольные напитки мало, умеренно и много? Какие психографические характеристики помогают провести различия между восприимчивыми и не восприимчивыми к цене покупателями бакалейных товаров? Х Различаются ли между собой различные сегменты рынка по своим предпочтениям к средствам массовой информации? Х Какие существуют различия между постоянными покупателями местных универсальных магазинов и постоянными покупателями общенациональных сетей универмагов с точки зрения стиля жизни? Х Какими отличительными характеристиками обладают потребители, реагирующие на прямую почтовую рекламу? Х Х СВЯЗЬ С РЕГРЕССИОННЫМ И ДИСПЕРСИОННЫМ АНАЛИЗОМ Связь между дискриминантным, дисперсионным и регрессионным анализом показана в табл. 18.1. Мы обьясним эту связь на примере, в котором исследователь пытается установить зависимость величины суммы, на которую заключается договор страхования жизни, от возраста и дохода. Все три метода включают единственную зависимую переменную и несколько предикторов или независимых переменных. Однако природа этих переменных различна. В случае дисперсионного и регрессионного анализа зависимая переменная метрическая или интервальная (страховая премия выражена в долларах), в то время как в дискриминантном анализе зависимая переменная категориальная (страховая премия классифицируется как высокая, средняя или низкая). Независимые переменные являются категориальными в дисперсионном анализе (возраст и доход классифицируют как старый (высокий), средний и молодой (низкий)), но вы Глава 18. Дискриминантный анализ ступают метрическими в регрессионном и дискриминантном анализе (возраст в годах и доход в долларах, т.е. оба измерены с помощью относительной шкалы).

Таблица 18.1. Сходства и отличия между дисперсионным, регрессионным и дискриминантным анализом Дисперсионный анализ Регрессионный анализ Дискритнантный анализ Сходства Число зависимых переменных Число независимых переменных Отличия Природа зависимой переменной Природа независимой переменной Одна Несколько Метрическая Категориальная Одна Несколько Метрическая Метрическая Одна Несколько Категориальная Метрическая Д искри минантный анализ для двух групп, когда зависимая переменная имеет только две категории, тесно связан со множественным регрессионным анализом. В этом случае множественный регрессионный анализ, в котором зависимую переменную кодируют как фиктивную переменную, имеющую значение 0 или 1, приводит к частным коэффициентам регрессии, которые пропорциональны коэффициентам д искри минантной функции (см. следующий раздел).

МОДЕЛЬ ДИСКРИМИНАНТНОГО АНАЛИЗА Модель дискриминантного анализа (discriminant analysis model) имеет следующий вид:

} где/) Ч д искрим инантны и показатель (дискриминант), Ь Ч дискри минантный коэффициент или вес, Х~ предиктор или независимая переменная. Модель дискриминантного анализа (discriminant analysis model) Статистическая модель, лежащая в основе дискриминантного анализа. Коэффициенты или веса (Ь) определяют таким образом, чтобы группы максимально возможно отличались значениями дискриминантной функции. Это происходит тогда, когда отношение межгрупповой суммы квадратов к внутри групповой сумме квадратов для дискриминантных показателей максимально. Любая другая линейная комбинация предикторов приводит к меньшему значению этого отношения. Технические детали вычисления описаны в приложении 18А. С дискриминантным анализом связан ряд статистик.

СТАТИСТИКИ, СВЯЗАННЫЕ С ДИСКРИМИНАНТНЫМ АНАЛИЗОМ Ниже приведены основные статистики, связанные с дискриминантным анализом. Каноническая корреляция (canonical correlation). Измеряет степень связи между дискриминаитными 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 Ч это средние значения для дискриминантных показателей конкретной группы. Центроидов столько, сколько групп, т.е. один центроид для каждой группы. Средние группы для всех функций Ч это групповые центроиды.

Часть III. Сбор, подготовка и анализ данных Классификационная матрица (classification matrix). Иногда ее называют смешанной матрицей, или матрицей предсказания. Классификационная матрица содержит ряд правильно классифицированных и ошибочно классифицированных случаев. Верно классифицированные случаи лежат на диагонали матрицы, поскольку предсказанные и фактические группы одни и те же. Элементы, не лежащие по диагонали матрицы, представляют случаи, классифицированные ошибочно. Сумма элементов, лежащих на диагонали, деленная на общее количество случаев, дает коэффициент результативности. Коэффициенты дискриминантной функции (discriminant function coefficients). Коэффициенты д искри ми нантной функции (ненормированные) Ч это коэффициенты переменных, когда они измерены в первоначальных единицах. Дискриминантные показатели (discriminant scores). Сумма произведений ненормированных коэффициентов дискриминантной функции на значения переменных, добавленная к постоянному члену. Собственное (характеристическое) значение (eigenvalue). Для каждой дискриминантной функции собственное значение Ч это отношение межгрупповой суммы квадратов к внутригрупповой сумме квадратов. Большие собственные значения указывают на функции более высокого порядка. f-статистика и ее значимость (F values and their significance). Значения /"-статистики вычисляют однофакторный дисперсионный анализ, разбивая на группы независимую переменную. Каждый предиктор, в свою очередь, служит в ANOVA метрической зависимой переменной. Средние группы и групповые стандартные отклонения (group means and group standard deviations). Эти показатели вычисляют для каждого предиктора каждой группы. Объединенная межгрупповая корреляционная матрица (pooled within-group correlation matrix). Объединенную межгрупповую корреляционную матрицу вычисляют усреднением отдельных ковариационных матриц для всех групп. Нормированные коэффициенты дискриминантных функций (standardized discriminant function coefficients). Коэффициенты дискриминантных функций используют как множители для нормированных переменных, т.е. переменных с нулевым средним и дисперсией, равной 1. Структурные коэффициенты корреляции (structure correlations). Также известны как дискриминантные нагрузки, представляют собой линейные коэффициенты корреляции между предикторами и дискриминантной функцией. Общая корреляционная матрица (total correlation matrix). Если при вычислении корреляций наблюдения обрабатывают так, как будто они взяты из одной выборки, то в результате получают общую корреляционную матрицу. Коэффициент л Уилкса (Wilks's А). Иногда называемый f-статисшкой, коэффициент X Уилкса для каждого предиктора Ч это отношение внутригрупповой суммы квадратов к общей сумме квадратов. Его значение варьирует от 0 до 1. Большое значение X (около 1) указывает на то, что средние групп не должны различаться. Малые значения Я (около 0) указывают на то, что средние групп различаются. В дискриминантном анализе существуют такие допущения: каждая группа является выборкой из многомерной нормально распределенной совокупности;

все совокупности имеют одну и ту же ковариационную матрицу. Чтобы лучше понять роль допущений и описанных выше статистик, следует изучить методы выполнения д искри минантного анализа.

ВЫПОЛНЕНИЕ ДИСКРИМИНАНТНОГО АНАЛИЗА Выполнение дискриминантного анализа включает следующие стадии: формулирование проблемы, вычисление коэффициентов дискриминантной функции, определение значимости, интерпретация и проверка достоверности (рис 18.1). Эти стадии обсуждаются и иллюстрируются для дискриминантного анализа двух групп. Множественный дискриминантный анализ рассматривается в этой главе ниже.

Глава 18. Дискриминантный анализ Определение зкачи дискриминантной фунщии Сленга достоверности дискриминантного анализа Рис. 18.1. Выполнение дискриминантного анализа Формулирование проблемы Первый шаг дискриминантного анализа Ч 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 помощью 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 Ч разделение выборки на две части. Одна из них Ч анализируемая выборка (analysis sample) Ч используется для вычисления дискриминантной функции. Анализируемая выборка (analysis sample) Часть общей выборки, которую используют для вычисления дискриминантной функции. Другая часть Ч проверочная выборка (validation sample) Ч 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 Часть III. Сбор, подготовка и анализ данных имно меняют и повторяют анализ. Это называется двойной перекрестной проверкой, и она аналогична методу, рассмотренному в регрессионном анализе (глава 17).

i 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 дискриминантной функции предлагают выполнять неоднократно. Каждый раз выборку следует разбивать на две части: для анализа и проверки. Вычисляют дискриминантную 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.

Таблица 18.2. Информация об отдыхе на курорте: анализируемая выборка Номер Посещение Ежегодный Отношение Значение, курорта доход семьи к путешествию придаваемое fa тысячах семейному долларов) отдыху Размер Возраст Сумма, семьи главы семьи потраченная семьей на отдых 3 4 6 Л 2 Х' 1 i i i 1 i 1 1 1 1 1 1 1 1 1 2 2 50,2 70, '.;

8 43 61 52 36 55 68 62 51 57 45 64 54 56 58 58 55 57 37 С (2) Б(3) 5(3) М(1) Б(3) 5(3] Б2.9 46,5 52, 1 i 5 5 6 1 5 6 В 75.;

) 46, 8 5 2 7 / 5 i Х Х 3 С (2) С (2) Б(3) Б(3) Б(3) 5(3) 57, 64, 5 6 8 8 2 6 4 3 5 2 И 68,1 73, 71,9 56,2 49, 'I 4 13 14 1G 17 С (2) Б(3) Б(3) М(1) 3 2 3 2 4 62,0 32,1 36,2 43, !)U t44, 5 4 2 5 М(1) С (2) С (2) С (2) Глава 18. Дискриминантный анализ Окончание табл. 18. Отношение Номер Посещение Ежегодный курорта доход семьи к путешествию (в тысячах долларов) 2 Значение, придаваемое семейному отдыху Размер Возраст Сумма, семьи главы семьи потраченная семьей на отдых 38,3 55,0 46,1 35,0 37,3 41,8 57,0 33,4 37,5 41, 6 1 3 6 2 5 8 6 3 'Х:/ 23 24 25 26 27 28 29 2 45 51 МП) С (2) 2 2 2 7 | М(1) МО) М(1) 54 56 36 50 48 ;

,Х 3 2 2 3 С (2) С (2) 3 8 2 МО) МО) МП) Таблшр 18.3, Информа!

Номер Посещение Ежегодный курорта доход семьи (в тысячах долларов) Отношение Значение, к путешествию придаваемое семейному отдыху Размер Возраст Сумма, семьи главы семьи потраченная семьей на отдых г 1 1 ' 1 1 1 50, Х'< 5 6 7 Б 63,6 54,0 45,0 68, 62, 4 7 6 г. 6 4 i'> 7 4 7 35,0 49, 39,4 37,0 54, В 6 3 7 4 3 45 58 60 46 56 f.

5 3 5 3 э С (2) Б(3) С (2) С (2) Б(3) Б(3) 9 !!, 2. 38, 2 7 3 39 44 51 37 МП) м(1) Б(3) мп) С (2) MJ1) Семьям, которые отдыхали на курорте в последние два года, присвоен код I;

тем же, которые не посетили курорт за указанный период времени, присвоен код 2. Обе выборки (как анализируемая, так и проверочная) сбалансированы с точки зрения посещаемости курорта. Как видно, анализируемая выборка содержит 15 семей каждой категории, а проверочная Ч по 6 семей каждой категории, Кроме того, получены данные о ежегодном доходе каждой семьи (доход), отношении к путешествию (путешествие, оценивали по девятибалльной шкале), значении, придаваемом семейному отдыху (отдых, оценивали по девятибалльной шкале), размеру семьи (размер семьи) и возрасту главы семьи (возраст).

Определение коэффициентов дискриминантной функции После определения анализируемой выборки (табл. 18.2) мы можем вычислить коэффициенты дискриминантной функции, используя два метода. Прямой метод (direct method) Ч вычисление дискриминантной функции при одновременном введении всех предикторов.

Часть III. Сбор, подготовка и анализ данных 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. Этот метод лучше применять в ситуации, когда исследователь хочет отобрать подмножество предикторов для включения их в дискриминатную функцию. Результаты выполнения дискриминантного анализа для двух групп данных из табл. 18.2 с использованием SPSS представлены в табл. 18.4.

Таблица 18.4. Результаты дискриминантного анализа для двух групп Средние значения внутри групп Посещение Доход 60,52000 41,91333 51,21667 9, 7,55115 12, Путешествие 5,40000 4,33333 4, Отдых 5,80000 4,06667 4,93333 1,85052 2,05171 2,09981 Отдых Размер семьи 4,33333 2,80000 3,56667 1,23443 0,94112 1,33089 Размер семьи Возраст 53, 50, В целом 51,93333 8,77062 8,27101 8,57395 Возраст Стандартные отклонения в группах 1 В целом 1,91982 1,95180 1, Объединенная внутригрупповая корреляционная матрица Доход Доход Путешествие Отдых Размер семьи Возраст Переменная Доход Путешествие Отдых Размер семьи Возраст 1,00000 0,19745 0,91148 1, Путешествие 0,08434 -0,01681 -0,19709 Коеффициент Я Уилкса 0,45310 0,92479 0,82377 0,65672 0, 1,00000 0, 0,01742 1, 0, -0, - 0, ), Коеффициент л (U -статистика) и F-критерий для одномерной выборки с одной и 28 степенями свободы Значение F 33,80 2,277 5,990 Значимость 0,0000 0,1425 0,0209 0,0007 0, 14,64 1, Глава 18. Дискриминантный анализ Продолжение табл. 18.4 Канонические дискрнминантные функции Функция ное значение Г 1, Собствен- Процент Кумулявариация тивный процент Каноническая корреляция После функции О Коэффициент Уилкса 0, Хи-квадрат Степени свободы 26,130 Значимость 0, 100, 100, 0, * обозначает каноническую дискриминантную функцию, оставшуюся в анализе.

Коэффициенты канонической дискриминацией функции Функция Доход Путешествие Отдых Размер семьи Возраст Структурная матрица:

0,74301 0, 0,23329 0,46911 0, Объединенная корреляционная матрица между дискриминирующими переменными и каноническими дискриминантными функциями (переменные расположены в соответствии с размером корреляции внутри функции) Функция 1 Доход Размер семьи Отдых 0,82202 0,54096 0, Путешествие 0,21337 Возраст 0,20922 Ненормированные коэффициенты канонической дискриминацией функции Функция Доход 0,847671 ОЕ- Путешествие 0,4964455Е-01 Отдых 0,1202813 Размер семьи 0,4273893 Возраст 0,2454380Е-01 (Константа) -7,975476 Канонические дискрнминантные функции, оцененные по групповым средним (центроидам групп) Группа Функция Т~ 2 1,29118 -1, Результаты классификации для случав, отобранных для анализа Фактическая группа Число случаев Предсказанная группа - 1 Принадлежность к группе 2 Группа 12 80% Группа 2 D IS 0% Процент правильно классифицированных по группам случаев;

90% 20% 15 100% Часть III. Сбор, подготовка и анализ данных Окончание табл. 18. Результаты -классификации для случав, не отобранных для анализа Фактическая группа Число случаев Предсказанная группа Ч Принадлежность к группе Группа Группа 1 6 66,7% 33,3% 100% 0% Процент правильно шссифицированных по группам случаев 83,33% 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'1, важнее для различения групп, чем переменная "отношение к путешествию". По возрасту главы семьи две группы различаются мало, а стандартное отклонение этой переменной большое. Объединенная внутригрупповая корреляционная матрица указывает на низкие коэффициенты корреляции между предикторами. Маловероятно, что возникнет проблема мультикол л и неарности. Значимость одномерных /^-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)2 = 0,64, показывает, что 64% дисперсии зависимой переменной (посещение курорта) объясняется этой моделью. Следующая стадия дискриминантного анализа включает определение значимости д искри ми нантной функции.

Определение значимости дискриминантной функции Бессмысленно интерпретировать результаты анализа, если определенные дискриминантные функции не являются статистически значимыми. Поэтому следует выполнить статистическую проверку нулевой гипотезы о равенстве средних всех дискриминантных функций во всех группах генеральной совокупности. В программе SPSS эта проверка базируется на коэффициенте лямбда (X) Уилкса. Если одновременно проверяют несколько функций, как в случае множественного дискриминантного анализа, то коэффициент X является суммой одномерных X для каждой функции. Уровень значимости оценивают, исходя из преобразования Х-статистики в статистику хи-квадрат (исходя из распределения хи-кеадрат, которому подчиняется Х-статистика). При проверке значимости в примере с посещением курорта (табл. 18.4) можно отметить, что Я, равная 0,3589, преобразуется в хи-квадрат статитстику, равную 26,13 с пятью степенями свободы. Она значима при уровне, превышающем 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 [6].

Глава 18. Дискриминантный анализ 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.функции и связывают их с конкретными группами. При наличии мультиколлинеарности между независимыми переменными не существует однозначной меры относительной важности предикторов для дискриминации между группами [7]. Помня об этом предостережении, можно получить некоторое представление об относительной важности переменных, изучив абсолютные значения нормированных коэффициентов дискриминантной функции. Как правило, предикторы с относительно большими нормированными коэффициентами вносят больший вклад в дискриминирующую мощность функции по сравнению с предикторами, имеющими меньшие коэффициенты. 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 Ч 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 Ч 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. ПРИМЕР. Удовлетворенные сотрудники остаются Чтобы определить, какие факторы объясняют различия между торговыми работниками, уволившимися из крупной компании по производству компьютеров, и теми, кто остался, использовали дискриминантный анализ. Независимыми служили следующие переменные: рейтинг компании, безопасные условия труда, удовлетворение работой по семибалльной шкале, наличие конфликтных ситуаций по четырехбалльной шкале, наличие неопределенности по четырехбалльной шкале и объем продаж по девятибалльной шкале. Зависимой переменной было разделение между теми торговыми работниками, кто остался работать в данной компании, и теми, кто уволился. Каноническая корреляция, измеряемая коэффициентом дискриминации R = 0,4572, оказалась значимой (Л Уилкса = 0,7909;

F (26,173) = 1,7588;

р = 0,0180). Результаты, полученные при одновременном введении всех переменных в дискриминантный анализ, даны в следующей таблице.

Часть III. Сбор, подготовка и анализ данных Результаты дискриминантного анализа Переменная Работа3 Продвижение по службе3 Безопасные условия труда Вэаимотношения с покупателями13 Рейтинг компании Работа с другими15 Интенсивность трудаь Менеджмент (управление) временем-территорией11 Продажи0 Мастерство презентации" Техническая информация Выплата пособий3 Достигнутая норма выработки11 Коэффициенты 0,0903 0,0288 0,1567 0,0086 0,4059 0,0018 -0,0148 0,0126 0,0059 0,0118 0,0003 0,0600 0,0035 0,0014 -0,0146 - 0,0684 -0,0121 0,0225 - 0,0625 0,0473 0,1378 0,0410 - 0,0060 - 0,0365 - 0,0606 - 0,0338 Нормированные коэффициенты 0,3910 0,1515 0,1384 0,1751 0,3240 0,0365 - 0,3252 0,2899 0,1404 0,2526 0,0065 0,1843 0,2915 0,0138 - 0,3327 - 0,3408 -0,1102 0,0893 - 0,2797 0,1970 0,5312 0,5475 -0,0255 -0,2406 - 0,3333 -0, Канонические нагрузки 0,5446 0,5044 0,4958 0,4906 0,4824 0,4651 0,4518 0,4496 0,4484 0,4387 0,4173 0,3788 0,3780 0,3571 0,3326 - 0,3221 0,2909 0,2671 -0,2602 0,2180 0,2119 -0,1029 0,1004 - 0,0499 0,0467 0, Менеджмент3 Сбор информации11 Семьяс Менеджер по продажам3 Сослуживец3 Покупателе Семья11 Работа11 Работа0 Покупатель11 Менеджер по продажам' Менеджер по продажам Покупатель Замечание. Ранговый порядок важности переменной присвоен в соответствии с величиной канонической нагрузки. 'Примечание. Удовлетворение ь Эффективность работы с Неопределенность a Конфликт Ранговый порядок важности переменной в соответствии с относительной величиной канонических нагрузок представлен в первой колонке. Удовлетворение работой и возможность продвижения по службе самые важные дискриминаторы, за которыми следовали условия безопасной работы. Продавцы, оставшиеся работать в компании, в отличие от уволившихся, считали свою работу увлекательной, интересной и приносящей удовлетворение [8]. Обратите внимание, что в этом примере, исходя из канонических нагрузок, продвижение по службе идентифицировали как вторую наиболее важную переменную. Однако продвижение по службе не является второй наиболее важной переменной, если исходить из абсолютной величины нормированных коэффициентов дискриминантной функции. Эта аномалия Ч результат мультиколлинеарности.

Глава 18. Дискриминантный анализ 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) 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 какие-либо 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 д искри ми нантной функции, а проверочнуюЧ для построения классификационной матрицы. Д искри ми нантные веса, определенные анализируемой выборкой, умножают на значения независимых переменных в проверочной выборке, чтобы получить дискриминантные показатели для случаев в этой выборке. Затем слуи аи распределяют по группам, исходя из д искрим и нантных показателей и соответствующего правила принятия решения. Например, при дискриминантном анализе двух групп случай может быть отнесен к группе с самым близким по значению центроидом. Затем, сложив элементы, лежащие на диагонали матрицы, и разделив полученную сумму на общее количество случаев, можно определить коэффициент результативности (hit ratio) или процент верно классифицированных случаев [9]. Коэффициент результативности (hit ratio) Процент случаев, верно классифицированных с помощью дискриминантного анализа. Полезно сравнить процент случаев, верно классифицированных с помощью дискриминантного анализа, с процентом случаев, который можно получить случайным образом. Для равных по размеру групп процент случайной классификации равен частному от деления единицы на количество групп. Превысит ли и насколько количество верно классифицированных случаев их случайное количество? Здесь нет общепринятого подхода, хотя некоторые авторы считают, что точность классификации, достигнутая с помощью дискриминантного анализа, должна быть, по крайней мере, на 25% выше, чем точность, которую можно достичь случайным образом [10]. Большинство программ для выполнения дискриминантного анализа также определяют классификационную матрицу, исходя из анализируемой выборки. Поскольку программы учитывают даже случайные вариации в данных, то полученные результаты всегда точнее, чем классификация данных на основе проверочной выборки [11]. В табл. 18.4 (пример 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 две 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. Следующий пример иллюстрирует иное применение дискриминантного анализа двух групп.

Часть III. Сбор, подготовка и анализ данных ПРИМЕР. Домоседы Маркетологи использовали д искрим и нантный анализ для двух групп, чтобы оценить силу каждого из пяти факторов, использованных при делении людей на тех, кто смотрит телевизор, и тех, кто не смотрит. Данный метод хорошо подходил для этой цели вследствие природы предопределенных категориальных групп (телезрители и нетелезрители) и интервальных шкал, использованных для получения отдельных значений факторов. Отобраны две группы по 185 взрослых зрителей (телезрителей и нетелезрителей) с общим размером выборки л = 370. Дискриминантное уравнение для анализа вычислено с помощью подвыборки, состоящей из 142 респондентов, взятых из выборки в 370 человек. Оставшиеся 198 респондентов служили как проверочная подвыборка в перекрестной проверке уравнения. 30 респондентов исключили из анализа из-за отсутствия дискриминантных значений. Каноническая корреляция для дискриминантной функции, равная 0,4291, являлась значимой при/ < 0,0001 уровне. Собственное значение равнялось 0,2257. В таблице приведены нормированные канонические дискриминантные коэффициенты. Значительная часть дисперсии объясняется дискриминантной функцией. Кроме того, как показано в таблице, фактор "ориентация на дом" внес наибольшой вклад в классификацию индивидуумов на телезрителей и нетелезрителей. Также свой вклад внесли мораль, безопасность и здоровье, уважение. Как оказалось, социальный фактор играл небольшую роль. Результаты дискриминактного анализа Стандартные коэффициенты канонической дискриминантной функции Мораль Безопасность и здоровье Ориентация на дом ! Уважение Социальный фактор 0,27798 0,39850 0,77496 0,32069 - 0, Классификация результатов для случаев, отобранных для использования в анализе Фактическая группа Число случаев Предсказанная групповая принадлежность Телезрители Телезрители 77 56 Нетелезрители 72,7% Нетелезрители 65 27,3% 36,9% Процент верно классифицированных случаев 68,31% 63,1% Классификация результатов для случаев, использованных для перекрестной проверки Фактическая группа Телезрители Количество случаев Предсказанная групповая принадлежность Активные телезрители Пассивные телезрители 78,7% Нетелезрители 90 21,3% 27,8% Процент верно классифицированных случаев 75,76% 72,2% Метод перекрестной проверки, использующий д искрим и нантную функцию из анализируемой выборки, подтвердил точку зрения, что выбранный фактор помог исследователям разделить людей на телезрителей и нетелезрителей. Как показано в таблице, применение Глава 18. Дискриминантный анализ дискриминантноЙ функции удачно при зачислении к определенной группе 75,76% случаев. Это означает, что рассмотрение существенных факторов поможет специалистам по маркетингу понять потребности пожилых людей [12], МНОЖЕСТВЕННЫЙ ДИСКРИМИНАНТНЫЙ АНАЛИЗ Формулирование проблемы Данные табл. 18.2 и 18.3 можно использовать для иллюстрации дискриминантного анализа для трех групп. В последней колонке этих таблиц домашние хозяйства классифицируют по трем категориям, исходя из суммы, потраченной на семейный отдых (Б Ч большая, С Ч средняя и М Ч маленькая). Десять домашних хозяйств попали в каждую из категорий. Интересно выяснить, действительно ли семьи, которые потратили большую, среднюю или маленькую сумму на отдых (сумма), различаются с точки зрения семейного дохода (доход), отношения к путешествию (путешествие), значения, придаваемого семейному отдыху (отдых), размера семьи (размер семьи) и возраста главы семьи (возраст) [13].

Определение коэффициентов дискриминантноЙ функции В табл. 18.5 представлены результаты, полученные с помощью дискриминантного анализа трех групп. Изучение групповых средних показало, что переменная "доход" разделяет группы более широко, чем любая другая переменная. Существует некоторое разделение по переменным "путешествие" и "отдых". А вот с точки зрения размера семьи и возраста главы семьи группы 1 и 2 почти не различаются.

Таблица 18.5. Результаты дискриминантного анализа трех груш Групповые средине Группы Доход 38,57000 50,11000 64,97000 51, Путешествие 4,50000 4,00000 6,10000 4, Отдых 4,70000 4,20000 5,90000 4, Размер семьи 3,10000 3,40000 4,20000 3, Возраст 50,30000 49,50000 56,00000 51, 2 В целом Групповые стандартные отклонения 5,2971В 6,00231 3,61434 12, 1,71594 2,35702 1,19722 1, 1,88856 2,48551 1,66333 2, 1,19722 1,50555 1,13529 1, 9,09732 9, 7,601 2 В целом 8, Объединенная межгрупповая корреляционная матрица Доход Доход Путешествие Отдых Размер семьи Возраст 1,00000 0,05120 0,30681 0,38050 - 0,20939 1,00000 0,03588 0,00474 - 0,34022 1,00000 0,22080 -0,01326 1,00000 -0,02512 1,00000 Путешествие Отдых Размер семьи Возраст Коэффициент Я Уилксэ (Астагистика) Ч одномерный f-фитерий с двумя и 27 степенями свободы Часть III. Сбор, подготовка и анализ данных Продолжение табл. 18. Переменная Доход Путешествие Отдых Размер семьи Коэффициент Я Унлкса 0,26215 0,78790 0,88060 0, Значение F 38,00 3, 1,830 1,944 1, Значимость 0,0000 0,0400 0,1797 0,1626 0, 0,88214 Возраст Канонические дискриминангные функции Функция Собствен- Процент Кумулчное эна- варка- тивный чение ции процент Каноничес- После паякорре- удаления ляция функции : Я Уилкса Хи-квадрат Степени Значисвободы мостъ 0,1664 0,8020 44,831 44,831 10 4 0,0001 0, I* 2' 3,8190 0, 93, 6, 93,93 100, 0,8902 : 0,4450 :

обозначает две канонические дискриминантные функции, оставшиеся в анализе. Нормированные коэффициенты канонической дискриминангной функции Функция 1 Доход 1,04740 0,33991 -0,14198 -0,16317 0,49474 Функция 2 - 0,42026 0,76861 0,53354 0,12932 0. Путешествие Отдых Размер семьи Возраст Структурная матрица Объединенные внутригрупповые корреляции между различающими переменными и каноническими дискриминантными функциями (переменные ранжированы в соответствии с размером корреляции внутри функции} Функция Доход 0,65556* 0,19319* 0,21935 0,148999 0, функция - 0,27833 0,7749 0,58829* 0,45362* 0,34079* Размер семьи Отдых Путешествие Возраст Ненормированные коэффициенты канонической дискриминантной функции Функция Доход 0,1542658 0,1867977 - 0,6952264Е-01 -0,1202813 0,5928055Е-01 -11, Функция -0,619714ВЕ-01 0,4223430 0,2612652 0,1002796 0,6284206Е-01 -3, Путешествие Отдых Размер семьи Возраст (Константа) Глава 18. Дискриминантный анализ Окончание табл. J8. Канонические дискриминангные функции, оцененные по групповым средним (центроидам групп) Группа I Функция 1 -0,04100 - 0,40479 2, Функция 2 0,41847 - 0,65В67 0, Результаты классификации Предсказанная групповая принадлежность Фактическая группа Группа Число случаев 10 10 90,0% 10,0% 0,0% Группа Группа 2,'i I 10,0% 90,0% 0,0% 0,0% 20,0% 80,0% Процент правильно классифицированных по группам случаев 86,67% Результаты классификации для случав, не отобранных для анализа Предсказанная групповая принадлежность Фактическая группа Группа Группа Число случаев 1 2 75,0% 25,0% 0,0% 0,0% 75,0% 25,0% Группа 25,0% 0,0% 75,0% Процент верно классифицированных по группам случаев 75,00% Самое большое стандартное отклонение внутри группы для всех трех групп имеет переменная "возраст". Объединенная межгрупповая корреляционная матрица указывает на некоторую корреляцию переменных '"отдых" и "размер семьи" с "доходом". Переменная "возраст" имеет отрицательную корреляцию с "путешествием" (т.е. зависимость между путешествием и возрастом обратная). К тому же эти корреляции находятся в нижнем ряду, указывая, что хотя мульти колли неарность и может иметь место, но она, вероятно, не вызовет серьезной проблемы. Значимость соответствующих одномерных /^статистик (отношений межгрупповой суммы квадратов к внутри групповой) указывает, что когда предикторы рассматриваются по отдельности, то при дифференциации двух групп только доход и путешествие значимы. Если при проведении множественного дискриминантного анализа имеется G групп, то можно определить (СЧ 1) дискриминантную функцию, если число предикторов больше этого количества. Вообще, с G группами и k предикторами можно вычислить и меньше, чем (G Ч 1) или k дискриминантных функций. Первая функция имеет самое высокое значение отношения межгрупповой суммы квадратов к внутригруппововой сумме квадратов. Вторая функция, некоррелирующая с первой, имеет второе по величине собственное значение и т.д. Однако не все функции могут быть статистически значимыми. Поскольку имеется три группы, можно определить значения двух функций. Собственное значение первой функции равно 3,8190, и эта функция объясняет 93,93% объяснимой дисперсии.

Часть III. Сбор, подготовка и анализ данных Поскольку собственное значение большое, то первая функция, вероятно, старше. Вторая функция имеет небольшое собственное значение, равное 0,2469, и объясняет только 6,07% объяснимой дисперсии.

Определение значимости дискриминантной функции Чтобы проверить нулевую гипотезу о равенстве центроидов групп, рассмотрим обе функции одновременно. Можно успешно проверить средние функций, выполнив первую проверку всех средних одновременно. Затем, на следующих этапах, каждый раз исключают одну из функций и проверяют средние оставшихся функций. Если в табл. 18.5 в колонке ''После удаления функции" стоит 0, то значит не была удалена ни одна функция. Значение коэффициента Я, Уилкса равно 0,1644. Коэффициент Я Уилкса преобразуется в статистику хи-квадрат, равную 44,831 с 10-тью степенями свободы, которая является значимой выше 0,05 уровня. Таким образом, две функции вместе значимо дискриминируют (различают) три группы. Однако после исключения первой функции коэффициент А, Уилкса, соответствующий второй функции, равен 0,8020, и является не значимой при уровне 0,05. Поэтому вторая функция не вносит значимый вклад в групповые различия.

Интерпретация результатов Интерпретировать результаты анализа помогает проверка нормированных коэффициентов дискриминантной функции, структурных корреляций и построение диаграмм. Нормированные коэффициенты показывают высокое значение коэффициента для дохода по функции 1;

в то время как функция 2 имеет относительно большие значения коэффициентов для переменных По горизонтали: функция 1 По вертикали: функция 4, 1 1 -I 23 333 3* 3 0. 1 1 *2 -4, -6, -2, 3, 4, 6, "Отмечает групповой центр Рис. 18.2. Диаграмма рассеяния всех, групп Глава 18. Дискриминантный анализ "путешествие", "отдых'' и "возраст'. К аналогичному заключению можно прийти, изучив структурную матрицу (см. табл. 18.5), Для удобства интерпретации переменные с большими коэффициентами для конкретной функции группируют вместе. Эти группировки отмечены звездочкой. Так "доход" и "размер семьи" помечены звездочкой для функции 1, поскольку эти переменные имеют коэффициенты, значения которых для функции 1 выше, чем для функции 2. Эти переменные связаны главным образом с функцией 2, что и показывают звездочки. На рис. 18.2 приведена диаграмма рассеяния всех групп для функций 1 и 2. Видно, что группа 3 имеет наивысшее значение по функции 1, а группа 1 Ч самое низкое. Поскольку функция 1 в первую очередь связана с переменными "доход" и "размер семьи", можно ожидать, что три группы будут ранжированы по этим двум переменным, Большие семьи, имеющие более высокие доходы, вероятно, будут тратить большую сумму на отдых. И наоборот, небольшие семьи с низкими доходами, вероятно, будут тратить небольшие суммы денег на отдых. Эти результаты подтверждаются проверкой групповых средних по переменным: доход и размер семьи. Кроме того, рис. 18.2 показывает, что функция 2 стремится разделить группы 1 (наивысшее значение) и 2 (наиболее низкое значение). Эта функция главным образом связана с переменными "путешествие", "отдых" и "возраст". Имея положительную корреляцию этих переменных с функцией 2 в структурной матрице, мы ожидаем, что значения переменных "путешествие", "отдых" и "возраст" в группе 1 больше, чем значения тех же переменных в группе 2. Это дейст1 вительно верно для переменных "путешествие " и "отдых", на что указывают внутригрупповые средние этих переменных. Если семьи в группе 1 лояльнее относятся к путешествию и придают По горизонтали: функция 1 По вертикали: функция -8, -6, -4, 6, 8, 'Отмечает групповой центр Рис. 18.3. Территориальная карта Часть III. Сбор, подготовка и анализ данных большее значение семейному отдыху, по сравнению с семьями из группы 2, то почему они тратят на это меньше денег? Возможно, они и хотели бы потратить большую сумму на отдых, но они не могут сделать этого из-за низких доходов. Аналогичные выводы получены с помощью территориальной карты, (territorial map), показанной на рис. 18.3. Территориальная карта (territorial map) Инструмент для оценки результатов дискриминантного анализа на основе построения диаграммы групповой принадлежности каждого случая. На территориальной карте каждый групповой центроид указан звездочкой. Границы группы показаны числами в соответствии с номерами групп. Таким образом, центроид группы 1 ограничен цифрами 1;

центроид группы 2 Ч цифрами 2;

центроид группы 3 Ч цифрами 3.

Оценка достоверности дискриминантного анализа Результаты классификации, полученные на основе анализируемой выборки показывают, что (9 + 9 +8)/30 = 86,67% случаев классифицировано верно. Если классификационный анализ выполняют на основе проверочной независимой выборки табл. 18.3, то процент попаданий немного меньшеЧ 83,3%. Задав три группы равного размера, и исходя только из случайности, можно ожидать, что коэффициент результативности (процент попаданий) равен 1/3 = 0,333 или 33,3%. Превышение полученного результата над случайным составляет 50%, и это свидетельствует об удовлетворительной достоверности модели [14]. Следующий пример иллюстрирует применение множественного дискриминантного анализа для нескольких групп. ПРИМЕР. Дом Ч там, где нравится пациенту Для определения отношения людей к четырем системам предоставления медицинских услуг (медицинское обслуживание на дому, больницы, дома престарелых и амбулаторные клиники) проведен их опрос по 10 характеристикам обслуживания. Полученные 102 ответа проанализированы с помощью множественного дискриминантного анализа (табл. 1). Таблица 1. Нормированные коэффициенты дискриминацией функции Дискриминантная функция Переменная Безопасность Удобство (близость) Вероятность медицинских осложнений3 Дороговизна (услуги)3 Комфортабельность (комфорт) Санитария Наилучшее медицинское обслуживание Уединенность (приватность) Более быстрое выздоровление Комплектация лучшим медицинским персоналом Процент объясняемой дисперсии Статистика хи-квадрат 1 - 0,20 0,08 - 0,27 0,30 0,53 - 0,27 - 0,25 0,40 0,30 -0,17 63,0Ь 663,3 2 - 0,04 0,08 0,10 - 0,28 0,27 - 0,14 0,67 0,08 0,32 - 0,03 29,4 289,2 3 0,15 0,07 0,16 0,52 - 0,19 - 0,70 - 0,10 0,49 - 0,15 0,18 7,6 70, | ь "В вопроснике эти два пункта заданы наоборот. Для анализа данных их закодировали в обратном порядке. р<0, Глава 18. Дискриминантный анализ Определены три дискриминантные функции. Проверка статистик хи-квадрат показала, что все три дискриминантные функции значимы при уровне 0,01. Вклад первой функции в общую дискриминирующую способность составил 63%, а вклад оставшихся двух функций Ч 29,4% и 7,6% соответственно. В табл. 1 представлены нормированные коэффициенты дискриминантной функции 10 переменных в дискриминантных уравнениях. Значения коэффициентов варьирует в пределах от Ч1 до + I. При определении способности каждой характеристики классифицировать (делить на группы) систему предоставления медицинских услуг использованы абсолютные значения. В первой дискриминантной функции двумя переменными с самыми большими v коэффициентами оказались переменные "комфорт" (0,53) и "приватность (0,40). Поскольку обе переменные связаны с персональным обслуживанием и медицинским уходом, то первая характеристика обозначена как "индивидуальный уход''. Во второй функции двумя переменными с самыми большими коэффициентами стали переменные "качество медицинского обслуживания" (0,67) и "вероятность более быстрого выздоровления" (0,32). Поэтому эта характеристика названа "качество медицинского обслуживания". В третьей дискриминантной функции наиболее значимыми характеристиками оказались "санитария" (Ч 0,70) и "дороговизна (услуг)" (0,52). Поскольку эти две характеристики представляют стоимость и цену, третья дискриминантная функция получила название "стоимость". Значения четырех групповых центроидов показаны в табл. 2. Таблица 2. Центроиды систем медицинского обслуживания в дискриминантном пространстве Дискриминантная функция Система Больница (стационар) Медицинское обслуживание на дому ^Амбулаторная клиника Медицинский уход в домах престарелых 1 -1,66 - 0,60 0,54 1,77 2 0,97 -1,36 -0,13 0,50 3 - 0,08 - 0,27 0,77 - 0, Данные таблицы показывают, что медицинское обслуживание на дому оценивается как наиболее приемлемое обслуживание по характеристике "индивидуальный уход", а пребывание в больнице Ч как наихудший вариант. Что касается характеристики "качество медицинского обслуживания", то здесь наблюдалось существенное различие между медицинским обслуживанием на дому и другими тремя системами. По этой характеристике "качество медицинского обслуживания", "обслуживание на дому" также получило наивысшие оценки по сравнению с амбулаторными клиниками. Но, с другой стороны, амбулаторные клиники оценены как наилучшие с точки зрения предлагаемой цены. Классификационный анализ 102-х респондентов, представленный в табл. 3, показывает верное отнесение к группам, начиная с 86% для больниц и 68% Ч для амбулаторных клиник. Таблица 3, Классификационная таблица Отнесение к класу (в %) ' Система Больница j I Амбулаторная клиника Больница Медицинское обслу- Амбулаторная Медицинский уход живание на дому клиника а домах престарелых 86 6 6 2 0 Медицинское обслуживание н а дому f Медицинский уход в домах престарелых Неверная классификация для больниц составила по 6% для домов престарелых и амбулаторных клиник и 2% Ч для медицинского обслуживания на дому (вместо отнесения к больницам 6% было отнесено к домам престарелых и амбулаторным клиникам и 2% Ч к медицинскому обслуживанию на дому). Неверная классификация для домов престарелых была такой: I 706 Часть III. Сбор, подготовка и анализ данных 9% отнесли к больницам, 10% Ч к амбулаторным клиникам и 3% Ч к медицинскому обслуживанию на дому. Неверная классификация для амбулаторных клиник была такой: 9% неверно отнесли к больницам, 13% Ч к домам престарелых и 10% Ч к медицинскому обслуживанию на дому. Для медицинского обслуживания на дому неверная классификация оказалась такой: 5% отнесли к больницам, 4% Ч к домам престарелых и 13% Ч к амбулаторным клиникам. Результаты показали, что дискриминантные (классифицирующие) функции оказались достаточно точными при предсказании групповой принадлежности [15].

ПОШАГОВЫЙ ДИСКРИМИНАНТНЫЙ АНАЛИЗ Пошаговый дискриминантный анализ аналогичен пошаговому множественному регрессионному анализу (см. главу 17) в том отношении, что предикторы вводят последовательно, исходя из их способности различать (дискриминировать) группы. Значение.FЧстатистики рассчитывают для каждого предиктора, выполняя одномерный дисперсионный анализ, в котором группы рассматривают как категориальную переменную, а предиктор Ч как критериальную переменную. Предиктор с самым высоким значением /"-статистики первым отбирают для включения в дискриминантую функцию, если он удовлятворяет определенной значимости и допустимому критерию. Второй предиктор вводят, исходя из самого высокого скорректированного или частного значения F, и приняв во внимание уже выбранный предиктор. Для того чтобы каждый выбранный предиктор оставить в уравнении, его проверяют, исходя из его связи с другими предикторами. Процесс введения и исключения продолжают до тех пор, пока все предикторы не будут удовлетворять критерию значимости Ч условию, необходимому для введения этих предикторов в дискриминантную функцию. На каждой стадии рассчитывают несколько статистик. Кроме того, в заключение подводят итог введенным или исключенным предикторам. Пошаговый метод приводит к тому же стандартному выводу который вытекает из прямого метода. Выбор пошагового метода основан на оптимизации принятого критерия. Метод Махаланобиса (Mahalanobis procedure) основан на максимизации обобщенной меры расстояния между двумя самыми близкими группами. Этот метод позволяет маркетологам-исследователям извлечь максимальную пользу из имеющейся информации [16].

Метод Махаланобиса (Mahalanobis procedure) Пошаговый метод, используемый в дискриминантном анализе для максимизации обобщенной меры расстояния между двумя самыми близкими группами.

Метод Махаланобиса использован для выполнения пошагового дискриминантного анализа двух групп при изучении данных в табл. 18,2 и 18.3. Первой выбранной переменной был доход, за ним следовали размер семьи и отдых. Порядок введения переменньгх указывает на их значимость в дискриминации двух групп. Впоследствии это подтвердила проверка нормированных коэффициентов д искри минантной функции и структура коэффициентов корреляции. Обратите внимание, что результаты пошагового анализа согласуются с выводами, ранее полученными прямым методом. Врезка 18.1 "Практика маркетинговых исследований"Ч пример применения дискриминантного анализа в международных маркетинговых исследованиях [17], а врезка 18.2 "Практика маркетинговых исследований" представляет собой исследование этических проблем в маркетинге [18]. Врезка 18.1. Практика маркетинговых исследований Навстречу пожеланиям клиентов В настоящее время все больше компьютерных компаний акцентируют внимание на программах оказания услуг потребителям, а не на характеристиках и возможностях компьютеров. Компания Hewlett-Packard усвоила этот урок, работая на рынках Европы. Исследование, Глава 18. Дискриминантный анализ проведенное на европейском рынке, выявило, что требования клиентов в отношении оказываемых услуг различаются в зависимости от возраста потребителя. Изучение целевых групп показало, что потребители старше 40 лет испытывают технические трудности при работе на компьютере и поэтому как никто другой нуждаются в программах поддержки. С другой стороны, молодые потребители должным образом оценивали технические новинки, которые вносились в компьютер по их желанию. В ходе маркетинговых исследований определены факторы, приводящие к различиям этих двух возрастных групп. Маркетологи выполнили д искрим и нантный анализ для двух групп, в котором в качестве групп были удовлетворенные и неудовлетворенные клиенты, а несколькими независимыми переменными являлись следующие;

техническая информация, легкость в обращении, разнообразие и масштаб программ оказания услуг для клиентов и т.д. Результаты подтвердили, что переменная "разнообразие и масштаб программ оказания услуг для клиентов" Ч действительно сильный дифференцирующий фактор. Это было главным результатом исследования, поскольку теперь компания Hewlett-Packard могла лучше удовлетворять желания неудовлетворенных клиентов, делая акцент больше на обслуживании потребителей, а не на технических деталях. В результате компания Hewlett-Packard успешно провела в жизнь три программы услуг: программу обратной связи с клиентами, программу опросов по удовлетворению желаний потребителей и программу тотального контроля качества. Эти усилия способствовали полной удовлетворенности клиентов компьютерами и услугами.

Врезка 18.2. Практика маркетинговых исследований С помощью дискриминантного анализа можно разобраться в вопросах этики Для определения важных переменных, которые позволяют спрогнозировать этичное и неэтичное поведение, маркетологи использовали дискриминантный анализ. Предварительное исследование показало, что на принятие этических решений влияют следующие переменные: отношение к этике, позиция руководства, наличие или отсутствие Этического кодекса и размер организации. Для определения наилучших предикторов нравственного поведения провели опрос 149 фирм, в котором попросили указать, как ведет себя фирма в каждой из 18-ти различных ситуаций. Из этих 18-ти ситуаций 9 были связаны с маркетинговыми видами деятельности, Эти виды деятельности включали: использование вводящих в заблуждение презентаций товара;

принятие подарков для приоритетного обслуживания;

калькуляция цен, заниженная по сравнению с фактической оплатой наличными и тому подобное. Основываясь на этих девяти пунктах, фирмы разбиты на две группы: "непрактикующие (такие методы)" и "практикующие (такие методы)". Проверка переменных, влияющих на классификацию, показала, что переменные "отношение к этике" и ''размер компании"Ч наилучшие предикторы нравственного поведения. Выявлено, что более мелкие фирмы демонстрируют более этическое поведение в сфере маркетинга.

ИСПОЛЬЗОВАНИЕ INTERNET И КОМПЬЮТЕРА В SPSS процедуру DISCRIMINANT используют для выполнения дискриминантного анализа. Это общая программа для дискриминантного анализа для двух групп или множественного дискриминантного анализа. Кроме того, с ее помощью можно выполнить прямой или пошаговый метод. В программе SAS для выполнения дискриминантного анализа для двух групп или множественного дискриминантного анализа можно использовать процедуру DISCRIM. Если допущение о многомерном нормальном распределении не выполняется, то можно использовать Часть III. Сбор, подготовка и анализ данных процедуру NEIGHBOR. В этой процедуре для классификации наблюдений используют непараметрическое правило "ближайших соседей". Программа CANDISC выполняет канонический дискриминантный анализ и связана с анализом основных компонентов и канонической корреляцией. Процедуру STEPDISC можно использовать для выполнения пошагового дискриминантного анализа. В программном пакете BMDP для выполнения пошагового д искри ми нантного анализа можно использовать программу Р7М. Но она не дает нормированные коэффициенты дискриминантной функции [19]. В Minitab дискриминантный анализ можно выполнить с помощью функции Stats>Multivariate>Discrimmate Analysis. Она позволяет вычислить как линейный, так и квадратный дискриминантный анализ при разбиении (классификации) наблюдений на две или больше групп. Дискриминантный анализ недоступен в Excel (версия 7.0 для PC).

Как и во множественном регрессионном анализе, использование дискриминантного анализа первоначально заключалось в предсказании и определении сравнительной важности независимых переменных. Главное отличие этих двух методов в том, что в рамках множественной регрессии используют зависимую переменную, выраженную в интервальной или относительной шкале, а в дискриминантном Ч категориальную зависимую переменную. В то время как множественный регрессионный анализ можно использовать для определения степени покупательского интереса к данному товару, дискриминантный анализ только установит принадлежность человека к группе покупателей или непокупателей. Один из вопросов для исследователя заключается в том, использовать "естественные 1 группы' или "искусственно созданные". Например, если вас интересует возраст респондентов, то вы часто собираете данные по возрастным категориям, а не используете фактический возраст респондентов. В этом случае используемые категории определят результат анализа, в котором они должны выступать как зависимая переменная. Объединяя людей в усредненные возрастные группы, вы можете увидеть различия между ними. Взгляд на детальные данные позволит вам сделать определенные выводы о создании больших по размеру групп респондентов, исходя из любого частного показателя. В другой ситуации вы можете также собрать данные о том, проживает респондент один в квартире или с кем-то. Для описания условий проживания естественно использовать номинальные категории, поскольку трудно подобрать показатели, измеряемые по интервальной шкале. Если группы выбраны правильно, то это вселяет уверенность в качестве результатов. В ходе проведенного Burke маркетингового исследования использования торговой марки получена следующая классификационная матрица. Каждому респонденту задали вопрос: старается ли он покупать товары определенной торговой марки? Далее попытались различить респондентов, исходя из их оценок выгод, которые приносит обладание данным товаром. Каждый респондент рассматривался с точки зрения того, придерживаются они покупок товара определенной торговой марки или нет. Из всей выборки 30% (60 человек) ответили, что они не стремятся купить товар определенной торговой марки, а 70% {202 человека) Ч стремятся. Обычно при непропорциональном распределении групп среди населения ожидают, что большая по размеру группа будет предсказана с большей точностью по сравнению с меньшей. Об этом свидетельствует тот факт, что если использовать для прогноза случайный выбор, то к первой группе (приверженцев торговой марки) будет отнесено 49% (0,7 * 0,7), а ко второй 9% (0,3 * 0,3). Процент неверно классифицированных респондентов составит 42% от всего числа (0,3 * 0,7 + 0,7 * 0,3). Эта модель классифицирует меньшую группу (неприверженцев торговой марки) менее точно, чем группу приверженцев, но все равно точнее, чем при отнесении респондентов к группе методом случайного выбора. Кроме того, маркетологи выполнили перекрестную проверку с помощью программы SPSS. В этой программе дискриминантную модель пересчитывают столько раз, сколько рее- ! пондентов в выборке. Каждый пересчет исключает одного респондента, и модель использу- | Глава 18. Дискриминантный анализ ется для отнесения его к определенной группе. Если нет возможности использовать большую проверочную выборку, то целесообразно выполнять перекрестную проверку для надежности расчета, поскольку в перекрестной проверке изучают каждого респондента по очереди. В этой ситуации перекрестная проверка приводит почти к такому же уровню точности, как и полная модель. Обратите внимание, что перекрестная проверка дает больше ошибок при предсказании респондентов меньшей группы. Результат, полученный стандартным методом, иногда не подходит к альтернативным способам, с помощью которых менеджмент может пожелать интерпретировать модель в свете подразумеваемого использования результатов. Например, руководство спрашивает: "Если бы вы должны были предсказать, что данный респондент относится к группе неприверженцев торговой марки, то какова ожидаемая вероятность того, что вы правы?" В этой ситуации (используя перекрестную проверку) специалисты фирмы Burke могли бы сказать: "Мы вправе ожидать, что предсказанное число респондентов, соответствующих группе "неприверженцы торговой марки", составило около 18% от всего числа опрошенных [(33 + 15)/262 = 0,18]/' При этой проверке следует ожидать, что будет верно отнесено примерно 69% респондентов (33/48 = 0,69). Результат, полученный стандартным путем, сразу не показывают руководству. Возвращаясь к методу случайного выбора, фирма Burke могла бы сказать руководителям: "Метод случайного отбора оценил бы количество неприверженцев торговой марки в 30%, и эта цифра была бы верна только на 43%" (т.е. доля выборки случайно отнесенной к группе "неприверженцы торговой марки" равна 0,3 * 0,7 + 0,3 * 0,3 = 0,30;

доля верно классифицированных респондентов составляет 0,3 * 0,3/0,3 *0,7 = 43%). Но, увидев только процент верно классифицированных респондентов, нельзя оценить всю картину целиком. Результаты классификации Предсказанная групповая принадлежность Придерживаетесь ли торговой марки Исходный Количество Нет Да Нет Да Итог 100,0 100, % Нет Да 58, 7, 41,7 92, Полученный с помощью 3 перекрестной проверки Количество Нет Да 100,0 100, % Нет Да 55, 7, 45,0 92, Примечание, а. Перекрестная проверка выполнена только для случаев анализируемой выборки. При перекрестной проверке каждый случай классифицировали с помощью функций, выведенных на основе всех случаев, а не этого одного случая. 34,7% от всех случаев в исходной группе классифицировано верно. 34,0% от всех случаев, для которых выполнена перекрестная проверка, классифицировано верно.

РЕЗЮМЕ Дискриминантный анализ целесообразно использовать, когда зависимая переменная является категориальной, а предикторы (независимые переменные) Ч интервальными. Если зависимая переменная имеет две категории, то используемый метод известен как дискриминантный анализ для двух групп. Если анализируют три или больше групп, то метод называют множественным дискриминантным анализом.

Часть III. Сбор, подготовка и анализ данных Процедура дискриминантного анализа состоит из пяти шагов. Первый шаг Ч формулирование проблемы, требует определения целей, зависимой и независимых переменных. Выборку делят на две части. Анализируемую выборку используют для вычисления дискриминантной функции;

проверочнуюЧ для проверки достоверности модели. Второй шагЧ определение функции, включает выведение такой линейной комбинации предикторов (дискрнминантных функций), чтобы группы максимально возможно различались между собой значениями предикторов. Определение статистической значимости представляет собой третий шаг. Она включает проверку нулевой гипотезы о том, что в совокупности средние всех дискриминантных функций во всех группах равны между собой. Если нулевую гипотезу отклоняют, то имеет смысл интерпретировать результаты. Четвертый шаг Ч интерпретация дискриминантных весов или коэффициентов аналогична такой же стадии во множественном регрессионном анализе. При данной мультиколлинеарности в предсказанных переменных не существует однозначной меры относительной важности предикторов в дискриминации ими групп. Однако некоторое представление об относительной важности переменных можно получить, изучив абсолютные значения нормированных коэффициентов дискриминантной функции и структуру корреляций или дискриминантных нагрузок. Эти коэффициенты линейной корреляции между каждым предиктором и дискриминантной функцией представляют дисперсию, которую предиктор делит вместе с функцией. Другим средством интерпретации результатов дискриминантного анализа является разработка характеристической структуры для каждой группы, исходя из групповых средних для предикторов. Пятый шаг Ч проверка достоверности. Она включает разработку классификационной матрицы. Дискриминантные веса, определенные с помощью анализируемой выборки, умножают на значения независимых переменных в проверочной выборке, чтобы получить дискриминантные показатели для случаев в этой выборке. Затем случаи распределяют по группам, исходя из дискриминантных показателей и соответствующего правила принятия решения. Определяют процент верно классифицированных случаев и сравнивают его с процентом случаев, которое можно ожидать на основе классификации методом случайного выбора. Для оценки коэффициентов существует два известных подхода. Прямой метод включает оценку дискриминантной функции при одновременном введении всех предикторов. Альтернативный ему пошаговый метод включает последовательное введение предсказанных переменных, исходя из их способности дискриминировать группы. Во множественном д искри ми нантном анализе, если имеется G групп и k предикторов, можно оценить (G - 1) и меньше, чем (G - 1) или k дискриминантных функций. Первая функция имеет самое высокое значение отношения межгрупповой суммы квадратов к внутригруппововой сумме квадратов. Вторая функция, некоррелирующая с первой, имеет второе по величине собственное значение и т.д.

ОСНОВНЫЕ ТЕРМИНЫ И ПОНЯТИЯ Х /"-статистики и их значимость (/'-values and their significance) Х анализируемая выборка (analysis sample) Х групповые средние (grouped means) Х групповые стандартные отклонения (group standard deviations) Х дискриминантная функция (discriminant function) Х дискриминантный анализ (discriminant analysis) дискриминантный анализ для двух групп (two-group discriminant analysis) дискриминантный показатель (discriminant score) каноническая корреляция (canonical correlation) классификационная матрица (classification matrix) коэффицент 1 Уилкса {Wilks's 1) коэффициент результативности (hit ratio) Глава 18. Дискриминантный анализ коэффициенты д искри минантной функции (discriminant function coefficients) метод Махаланобиса (Mahalanobis procedure) множественный дискриминантный анализ (multiple discriminant analysis) модель дискриминантного анализа (discriminant analysis model) нормированные коэффициенты дискриминантной функции (standardized discriminant function coefficients) общая корреляционная матрица (total correlation matrix) объединенная внутри групповая корреляционная матрица (pooled within-group correlation matrix) пошаговый дискриминантный анализ (stepwise discriminant analysis) проверочная выборка (validation sample) прямой метод (direct method) собственное (характеристическое) значение (eigenvalue) структурные корреляции (structure correlations) территориальная карта (territorial map) характеристическая структура (characteristic profile) центроид (centroid) УПРАЖНЕНИЯ Вопросы 1. Каковы цели дискриминантного анализа? 2. Какое главное отличие дискриминантного анализа для двух групп от множественного дискриминантного анализа?

3. Опишите связь дискриминантного анализа с регрессионным и дисперсионным анализом. 4. Назовите этапы выполнения дискриминантного анализа. 5. Как разделить общую выборку для целей анализа и проверки? 6. 7. 8. 9. Что такое коэффициент А. Уилкса? Для каких целей его используют? Дайте определение д искри минантному показателю. Объясните, что означает собственное значение? Что такое классификационная матрица?

10. Как определяют статистическую значимость дискриминантного анализа? 11. Опишите общую процедуру для определения достоверности дискриминантного анализа. 12. Как определяют точность классификации случайным методом при наличии групп одинакового размера? 13. Чем отличается пошаговый дискриминантный метод от прямого?

Задачи 1. При исследовании различий между потребителями, которые покупают замороженные продукты много, мало и не покупают их вообще, обнаружено, что два самых больших нормированных коэффициента дискриминантной функции были равны: 0,97 Ч для переменной "удобное расположение" и 0,61 Ч для переменной "доход". Можно ли сделать заключение, что переменная "удобное расположение" важнее, чем переменная "доход", если каждую переменную рассматривать саму по себе?

Часть III. Сбор, подготовка и анализ данных 2. Исходя из приведенной ниже информации, вычислите дискриминантный показатель для каждого респондента. Значение константы равно 2,04.

Ненормированные коэффициенты дискриминантной функции Возраст Доход Принятие риска Оптимизм 0,38 0,44 - 0, 1, Идентификационный номерреспондента Возраст *лл 43, Принятие риии Оптимизм 2375 57 62, 33,5 38, 25 40 УПРАЖНЕНИЯ С ИСПОЛЬЗОВАНИЕМ INTERNET И КОМПЬЮТЕРА 1. Проведите дискриминантный анализ для двух групп данных, которые приведены в табл. 18.2 и 18.3, используя программные пакеты SPSS, SAS, BMDP или Minitab. Сравните результаты, полученные с помощью всех программных пакетов. Обсудите сходства и различия, 2. Проведите пошаговый дискриминантный анализ для трех групп данных, которые приведены в табл. 18.2 и 18.3, используя программные пакеты SPSS, SAS, BMDP или Minitab. Сравните полученные результаты с результатами из табл. 18.5 для дискриминантного анализа трех групп.

ПРИЛОЖЕНИЕ 18А Определение коэффициентов дискриминантной функции Предположим, что имеется G групп, / = 1, 2, 3,..., G, каждая из которых содержит ni наблюдений по К независимым переменным, ХД Х^..., Xk. Введем следующие условные обозначения: NЧ общий размер выборки Wt Ч матрица скорректированных на среднее значение суммы квадратов и векторных произведений для ('-и группы;

WЧ матрица суммарных скорректированных на среднее значение суммы квадратов и векторных произведений;

ВЧ матрица скорректированных на среднее значение межгрупповых суммы квадратов и векторных произведений;

ТЧ матрица суммарных скорректированных на среднее значение межгрупповых суммы квадратов и векторных произведений для всех N наблюдений (= W + В);

X-t = вектор средних значений наблюдений в /-Й группе;

Глава 18. Дискриминантный анализ X - вектор общей средней для всех N наблюдений;

А Ч отношение межгрупповой суммы квадратов к внутригрупповой сумме квадратов;

Ь Ч вектор д искрим и нантных коэффициентов или весов. Тогда B = T-W W- W, + W2 + W3 +... + WG Определим линейный составной компонент D = Ь^С. Тогда, с учетом D, межгрупповые и внутригрупповые суммы квадратов задаются выражениями Ь',ВЬ и b,Wb соответственно. Для того чтобы максимально различить (дискриминировать) группы, определяют дискриминантные функции, чтобы максимизировать межгрупповую изменчивость. Коэффициенты Ъ рассчитывают так, чтобы максимизировать А решением уравнения Мах А = Ч b\Wb. ь\вь Взяв частную производную по А и приравняв ее нулю, после некоторых упрощений получим: Чтобы проще найти Ь, умножим все выражение на W и решим следующее характеристическое уравнение: Максимальное значение АЧ это наибольшее собственное значение матрицы Ц^'В, а Ь Ч соответствующий собственный вектор матрицы. Элементы Ь Ч это д искрим и нантные коэффициенты или веса, соответствующие первой дискриминантной функции. В целом можно определить меньше, чем (GЧ 1) или k дискриминантных функций, каждую с соответствующим ей собственным значением. Дискримииантные функции оценивают последовательно. Другими словами, первая дискриминантная функция вносит самый большой вклад в межгрупповую изменчивость. Вторая функция максимизирует межгрупповую вариацию, которая не объяснена первой функцией и т.д.

КОММЕНТАРИИ 1. Donald R. Lichtenstein, Scot Burton, Richard G. Netemeyer, "An Examination of Deal Proneness across Sales Promotion Types: A Consumer Segmentation Perspective", Journal of Retailing, Summer 1997, p. 283Ч297;

Marvin A, Jolson, Joshua L. Wiener, Richard B. Rosecky, "Correlates of Rebate Proneness", Journal of Advertising Research, FebruaryЧ March 19S7, p. 33Ч43. 2. Детальное обсуждение дискриминантного анализа можно найти в работах Jacques Tacq, Afultivariate Analysis Techniques in Social Science Research (Thousand Oaks, CA: Sage Publications, 1996);

A. Lachenbruch, Discriminant Analysis (New York, NY: Hafner Press, 1975). О современном применении см. статью Ken Deal, ''Determining Success Criteria for Financial Products: A Comparative Analysis of CART, Logit and Factor/Discriminant Analysis", Service Industries Journal, July 1997, p. 489-506. 3. Richard A. Johnson, Dean W. Wichern, Applied Muitivariate Statistical Analysis, 4th ed. (Upper Saddle River, NJ: Prentice Hall, 1998);

W.R. Klecka, Discriminant Analysis (Beverly Hills, CA: Sage Publications, 1980). См. также статью Steven A. Sinclair, Edward C. Stalling, "How to Identify Differences between Market Segments with Attribute Analysis", Industrial Marketing Management, February 1990, p. 31-40.

Часть III. Сбор, подготовка и анализ данных 4. О современном применении см. статьи Zafar Khan, Sudhlr К. Chawla, S. Thomas, A. Cianciolo, ''Multiple Discriminant Analysis: Tool for Effective Marketing of Computer Information Systems to Small Business Clients", Journal of Professional Services Marketing, December 1995, p. 153Ч162;

J.K. Sager, Ajay Menon, ''The Role of Behavioral Intentions in Turnover of Salespeople", Journal of Business Research, March 1994, p. 179Ч188;

Valerie Kijewski, Eunsang Yoon, Gary Young, "How Exhibitors Select Trade Shows", Industrial Marketing Management, November 1993, p. 287-298. 5. Vincent-Watne Mitchel, "How to Identify Psychological Segments: Part 2", Marketing Intelligence & Planning, July 1994, p. 11Ч16;

M.R. Crask, W.D. Perreault, Jr., "Validation of Discriminant Analysis in Marketing Research", Journal of Marketing Research, February 1977, p. 60Ч68. 6. Строго говоря, перед проверкой равенства средних внутри класса следует проверить равенство ковариационных матриц групп. Для этого можно использовать М-тест Бокса. Если равенство ковариационных матриц групп отклоняют, то результаты дискриминантного анализа следует интерпретировать осторожно. В этом случае мощность проверки на равенство средних внутри класса уменьшается. 7. Lillian Fok, John Angelidis, Nabil A. Ibrahim, Wing M. Fok, "The Utilization and Interpretation of Multivariate Statistical Techniques in Strategic Management", International Journal of Management, December 1995, p. 468Ч481;

D,G. Morrison, "On the Interpretation of Discriminant Analysis", Journal of Marketing Research, May 1969, p. 156Ч163. Для использования других методов совместно с дискриминантным анализом, чтобы помочь интерпретации, см. статью Rajiv Dant, James R. Lumpkin, Robert Bush, "Private Physicians or Walk-In Clinics: Do the Patients Differ?', Journal of Health Care Marketing, June 1990, p. 23-35. 8. Jon M. Hames, C. Rao, Thomas L. Baker, "Retail Salesperson Attributes and the Role of Dependability in the Selection of Durable Goods", Journal of Personal Selling & Sales Management, Fall 1993, p. 61Ч71;

Edward F. Fern, Ramon A. Avila, Dhruv Grewal, "Salesforce Turnover: Those Who Left and Those Who Stayed", Industrial Marketing Management, Spring 1994, p. 1Ч9. 9. О проверке дискриминантного анализа см. статью Robert Bush, David J. Ortinau, Alan J. Bush, "Personal Value Structures and AIDS Prevention", Journal of Health Care Marketing, Spring 1994, p. 12-20. 10. Joseph F. Hair, Jr., Ralph E, Anderson, Ronald L. Tatham, William C. Black, Multivariate Data Analysis with Readings, 5th ed. (Upper Saddle River, NJ: Prentice Hatl, 1999). 11. Vincent-Wayne Mitchell, "How to Identify Psychographic Segments: Part 2", Marketing Intelligence and Planning, July 1994, p. 11-16. 12. Don R. Rahtz, M. Joseph Sirgy, Rustan Kosenko, "Using Demographics and Psychographic Dimensions to Discriminate between Mature Heavy and Light Television Users: An Exploratory Analysis", in Kenneth D. Bahn (ed.), Developments in Marketing Science, vol. 11 (Blacksburg, VA: Academy of Marketing Science, 1988), p. 2Ч7. 13. Richard A. Johnson, DeanW. Wichern, Applied Multivariate Statistical Analysis, 4th ed. (Upper Saddle River, NJ: Prentice Hall, 1998). См. также статью Rajiv Dant, Patrik L. -Schul, "Conflict Resolution Processes in Contractual Channels of Distribution", Journal of Marketing, January 1992, p. 38-54. 14. Constantine Loucopoulos, Robert Pavur, "Computational Characteristics of a New Mathematical Programming Model for the Three-Group Discriminant Problem", Computers & Operations Research, February 1997, p. 179Ч191. О последнем применении множественного дискриминантного анализа см. работу Stephen J. O'Connor, Richard M. Shewchuk, Lynn W. Carney, "The Great Gap", Journal of Health Care Marketing, Summer 1994, p. 32-39. 15. Kathryn H. Dansky, Diane Brannon, "Discriminant Analysis: A Technique for Adding Value to Patient satisfaction Surveys", Hospital & Health Services Administration, Winter 1996, p. 503Ч513;

JeenSu Lim, Ron Sallocco, ''Determinant Attributes in Formulation of Attitudes toward Four Health Care Sysntemsv, Journal of Health Care Marketing, June 1988, p. 25Ч30.

Глава 18. Дискримиканткый анализ 16. Richard A. Johnson, Dean A. Wichern, Applied Multivariate Statistical Analysis, 4th ed. (Upper Saddle River, NJ: Prentice Hall, 1998) Joseph F. Hair, Jr., Ralph E. Anderson, Ronald L. Tatham, William C. Black, Multivariate Data Analysis with Reading?, 5th ed. (Upper Saddle River, NJ: Prentice Hall, 1999), p. 178-255. 17. Jeryl Whitelock, Carole Roberts, Jonathan Blakeley, "The Reality of the Eurobrand: An Empirical Analysis", Journal of International Marketing, March 1995, p. 77Ч95;

Charlotte Klopp, John Starlicchi, "Customer Satisfaction Just Catching on in Europe", Marketing News, May 28, 1990, p. 5. 18. David J. Fritzsche, "Personal Values: Potential Keys to Ethical Decision Making", Journal of Business Ethics, November 1995, p. 909-922;

Paul R. Murphy, Jonathan E. Smith, James M. Daley, "Executive Attitudes, Organizational Size, and Ethical Issues: Perspectives on a Service Industry", Journal of Business Ethics, November 1992, p. 11Ч19. 19. Erie L. Einspruch, An Introductory Guide to SPSS for Windows (Thousand Oaks, CA: Sage Publications, 1998);

Paul E. Spector, SAS Programming for Researchers and Social Scientists (Thousand Oaks, CA: Sage Publications, 1993);

Mohamed Adzal Norat, "Software Reviews", Economic Journal: The Joumalofthe Royal Economic Society, May 1997, p. 857Ч882;

Charles Seiter, "The Statistical Difference", Macworld, October 1993, p. 116Ч121.

Часть III. Сбор, подготовка и анализ данных Г л а в а Факторный анализ После изучения материала этой главы вы должны уметь...

1. Излагать концепцию факторного анализа и объяснять, чем он отличается от дисперсионного анализа, множественной регрессии и дискриминантного анализа. 2. Обсуждать метод выполнения факторного анализа, включая формулирование проблемы, построение корреляционной матрицы, выбор подходящего метода, определение ряда факторов, их вращение и интерпретацию. 3. Понимать различие между выполнением факторного анализа методом главных компонент и методом общих факторов. 4. Объяснять принцип отбора переменных-заменителей с точки зрения их использования в последующем анализе. 5. Описывать процедуру для определения соответствия модели факторного анализа исходным данным, используя наблюдаемые и вычисленные корреляции.

КРАТКИЙ ОБЗОР При дисперсионном (глава 16), регрессионном (глава 17) и дискриминантном анализе (глава 18) одну переменную маркетологи четко идентифицируют как зависимую. Теперь же рассмотрим, как проводится факторный анализ, не предполагающий разделение переменных на независимые и зависимые. Наоборот, исследователи проверяют все возможные варианты взаимозависимостей между переменными. В этой главе обсуждается основная концепция факторного анализа и дается понятие факторной модели. Мы опишем этапы факторного анализа и проиллюстрируем их с точки зрения анализа главных компонент и анализа общих факторов. Для начала приведем несколько примеров, иллюстрирующих полезность факторного анализа. СКВОЗНОЙ ПРИМЕР. ВЫБОР УНИВЕРМАГА Факторный анализ Маркетологи провели факторный анализ ответов респондентов, в которых они расставляли оценки в 21 утверждении об образе жизни. В результате определили семь основных факторов, влияющих на образ жизни: предпочтение банковских карточек, а не карточек покупателя универмага;

предрасположенность к кредиту;

избежание кредита;

ориентация на досуг;

лояльность к кредитным карточкам;

удобство кредитных карточек и осознание значения кредитных карточек. Эти факторы, наряду с демографическим характеристиками, использовались для профилирования сегментов, образованных в результате кластеризации.

ПРИМЕР. Факторный анализ приносит банкам прибыль Как потребители оценивают банки? Респондентов попросили оценить важность 15 банковских характеристик по пятибалльной шкале Ч от несущественной характеристики до очень важной. Эти данные были изучены с помощью анализа главных компонент. При анализе переменных выявили четыре фактора: традиционные услуги, удобство, от1 крытость и компетентность. Традиционные услуги включали: процентные ставки по зай- | Глава 19. Факторный анализ мам, репутацию в обществе, низкие комиссионные по операциям с чеками, уважительность и индивидуальный подход при обслуживании клиента, доступ к ежемесячным отчетам и возможность получения займов. К удобству относились: удобное расположение отделений банков, удобные места расположения банкоматов, быстрота обслуживания и удобное время работы банка. Открытость включала: рекомендации от друзей и родственников, общественную поддержку и доступность получения займов. Под компетентностью подразумевалась компетентность банковских служащих и наличие вспомогательных банковских услуг. В результате пришли к выводу, что клиенты оценивают работу банков по четырем основным факторам: традиционные услуги, удобство, открытость и компетентность [1].

СУТЬ ФАКТОРНОГО АНАЛИЗА Факторный анализ (factor analysis) Ч это общее название для класса методов, используемых, главным образом, для сокращения числа переменных и их обобщения. Факторный анализ (factor analysis) Класс методов, используемых, главным образом, для сокращения числа переменных и их обобщения. В ходе проведения маркетингового исследования можно столкнуться с множеством переменных, большинство из которых взаимосвязаны. Для удобства обработки данных их число следует снизить до приемлемого уровня. С этой целью связи между коррелированными переменными анализируют и представляют в виде небольшого числа факторов. Например, можно измерить имидж магазина, попросив респондентов оценить магазины по ряду пунктов и выразить эту оценку по семантической дифференциальной шкале. Затем полученные оценки можно проанализировать, чтобы определить факторы, характеризующие имидж магазина. В дисперсионном анализе, множественной регрессии и д искри ми нантном анализе в качестве зависимой переменной рассматривается одна переменная, а остальные являются независимыми (предикторами). Однако в факторном анализе такого разграничения не делают. Поэтому факторный анализ Ч это скорее метод анализа взаимозависимости (interdependence technique), поскольку в факторном анализе проверяются всевозможные варианты взаимозависимых связей [2]. Метод анализа взаимозависимости (interdependence technique) Многомерный статистический метод, в котором изучают всевозможные варианты взаимозависимых связей. Факторный анализ используют в следующих ситуациях. 1. Для определения основных факторов, которые объясняют связи в наборе переменных. Например, можно использовать набор высказываний об образе жизни для измерения психографических профилей потребителей. Затем эти высказывания подвергают факторному анализу, чтобы определить основные психографические факторы, как это показано в примере с универсальным магазином [3]. 2. Для определения нового, меньшего по размеру, набора некоррелирующих переменных, заменяющих исходный набор коррелирующих переменных, на основании которого дальше выполняется многомерный анализ (регрессионный или дискриминантный). Например, выявленные психографические факторы можно использовать как независимые переменные при объяснении различий между лояльными и нелояльными потребителями. 3. Для преобразования большего по размеру набора в меньший набор ясно выраженных переменных для использования их в последующем многомерном анализе. Например, несколько исходных заявлений о стиле жизни, которые сильно коррелируют с выявленными факто Часть 111. Сбор, подготовка и анализ данных рами, можно использовать как независимые переменные для объяснения различий между лояльными и нелояльными клиентами. Фактор (factor) Латентная переменная, конструируемая таким образом, чтобы можно было объяснить корреляцию между набором переменных.

Факторный анализ широко используется в маркетинговых исследованиях. Х При сегментации рынка для определения латентных переменных с целью группировки потребителей. Покупателей новых автомобилей можно сгруппировать в зависимости от того, на что они обращают внимание при покупке автомобиля: экономию, удобства, рабочие характеристики автомобиля, комфорт и респектабельность. В результате получают пять сегментов рынка: покупатели, стремящиеся к экономии;

покупатели, стремящиеся к удобствам;

покупатели, стремящиеся к определенным рабочим характеристикам автомобиля;

покупатели, ищущие комфортабельные автомобили;

покупатели, ищущие респектабельные автомобили. Х При разработке товарной стратегии факторный анализ используется для определения характеристик торговой марки, влияющих на выбор потребителей. Кокрентые торговые марки зубных паст оценивают с точки зрения защиты от кариеса, отбеливания зубов, вкуса, приятного запаха и цены. При разработке рекламной стратегии маркетологи с помощью факторного анализа пытаются понять, каким передачам отдают предпочтение потребители целевого рынка. Покупатели замороженных продуктов, например, могут смотреть кабельное телевидение, любить фильмы опередленного жанра и музыку в стиле "кантри". При разработке стратегии ценообразования факторный анализ определяет характеристики потребителей, чувствительных к цене. Например, может оказаться, что они стремятся к экономии и ориентированы на домашний отдых.

Х Х МОДЕЛЬ ФАКТОРНОГО АНАЛИЗА С математической точки зрения факторный анализ в некоторой степени аналогичен множественному регрессионному анализу в том смысле, что каждая переменная выражена как линейная комбинация латентных факторов. Доля дисперсии отдельной переменной, принадлежащая общим факторам (и разделяемая с другими переменными) называется общностью (communality). Ковариацию среди переменных описывают небольшим числом общих факторов, плюс характерный фактор для каждой переменной. Эти факторы явно не видны. Если переменные нормированы, то факторную модель можно представить следующим образом: Xi=Ai,Fl+Ai2F2+Ai3F3 +...+Ain,Fm + ViUi, где Xi ~ i-я нормированная переменная;

АдЧ нормированный коэффициент множественной регрессии переменной i по общему фактору у;

FI Ч общий фактор;

Vf Ч нормированный коэффициент регрессии переменной / по характерному фактору <";

U, Ч характерный фактор для переменной /;

т Ч число общих факторов. Характерные факторы не коррелируют между собой и с общими факторами [4]. Общие факторы в свою очередь также можно выразить линейными комбинациями наблюдаемых переменных: F, = W^j + Wi2X2 + WI3X3 +... Глава 19. Факторный анализ где /)_ оценка i -го фактора;

Wj Ч весовой коэффициент или коэффициент значения фактора;

Л Ч число переменных. Можно подобрать веса так, чтобы первый коэффициент значения фактора объяснял наибольшую долю полной дисперсии. Затем отобрать второй набор весов так, чтобы второй фактор вносил наибольший вклад в остаточную дисперсию при условии, что он не коррелирует с первым фактором. Этот же принцип применяется для отбора дополнительных весов для дополнительных факторов. Таким образом, можно оценить факторы так, чтобы их значения, в отличие от значений исходных переменных, не коррелировали. Более того, первый фактор объясняет наибольшую дисперсию в данных, второй фактор Ч вторую по величине дисперсию и т.д. Техническая обработка модели факторного анализа представлена в Приложении 19А. С факторным анализом связано несколько статистик.

СТАТИСТИКИ, СВЯЗАННЫЕ С ФАКТОРНЫМ АНАЛИЗОМ Ниже приведены ключевые статистики, связанные с факторным анализом. Критерий сферичности Бартлетта (Bartlett's test of sphericity). Статистика, проверяющая гипотезу о том, что переменные в генеральной совокупности не коррелируют между собой. Другими словами, корреляционная матрица в совокупности является характерной матрицей;

каждая переменная коррелирует сама с собой (г = 1), но не взаимосвязана с другими переменными (г= 0). Корреляционная матрица (correlation matrix). Матрица попарных корреляций г между всеми возможными парами переменных, включенных в анализ. Это симметричная, неотрицательно определенная матрица. Общность (communality). Доля дисперсии отдельной переменной, которую переменная делит с другими рассматриваемыми переменными. Это доля дисперсии, объясняемая общими факторами. Собственное значение (eigenvalue). Представляет полную дисперсию, объясняемую каждым фактором. Факторные нагрузки (factor loadings). Линейные корреляции между переменными и факторами. График факторных нагрузок (factor loadings plot). График исходных переменных, где по осям координат откладывают значения факторных нагрузок. Матрица факторных нагрузок (factor matrix). Содержит факторные нагрузки всех переменных по всем выделенным факторам. Значения фактора (factor scores). Суммарные значения, определенные для каждого респондента по производным факторам. Критерий адекватности выборки Кайзера-Мейера-Олкина (KaiserЧ MeyerЧ Olkin (KMO) measure of sampling adequacy). Коэффициент для проверки целесообразности выполнения факторного анализа. Высокие значения (от 0,5 до 1) указывают, что факторный анализ целесообразен. Малые значения (до 0,5) указывают, что факторный анализ неприемлем. Процент дисперсии (percentage of variance). Процент от полной дисперсии, приписываемый каждому фактору. Остатки (residuals). Разница между наблюдаемыми корреляциями, приведенными в исходной корреляционной матрице, и вычисленными корреляциями, определенными из матрицы факторных нагрузок. Графическое изображения критерия "каменистой осыпи" (scree plot), График зависимости собственных значений от числа факторов в порядке их убывания. Использование статистик как процедуры выполнения факторного анализа описано в следующем разделе.

Часть III. Сбор, подготовка и анализ данных ВЫПОЛНЕНИЕ ФАКТОРНОГО АНАЛИЗА Этапы выполнения факторного анализа приведены на рис. 19.1.

Д.Формулировка проблемы ода факторного анализа -...,.

Отбор переменных-имитаторов Рис. 19.1. Выполнение факторного анализа Первый этап состоит в формулировании проблемы факторного анализа и определении переменных, подвергаемых факторному анализу. Затем строится корреляционная матрица переменных и выбирается метод факторного анализа. Исследователь выбирает число факторов, которые следует выделить, и метод вращения факторов. Далее повернутые факторы следует интерпретировать. В зависимости от целей, можно вычислить значения факторов или отобрать переменные-заменители для представления факторов в последующем многомерном анализе. И наконец, смотрят, насколько хорошо подогнана факторная модель. Мы обсудим эти этапы подробнее в следующих разделах [5].

Формулировка проблемы Формулировка проблемы включает несколько задач. Во-первых, четкое определение целей факторного анализа. Переменные, подвергаемые факторному анализу, задаются исходя из прошлых исследований, теоретических выкладок и по усмотрению исследователя. Важно, чтобы переменные измерялись в интервальной или относительной шкале. Выборка должна быть подходящего размера. Опыт подсказывает, что рекомендуется брать выборку, по крайней мере, в четыре или пять раз больше, чем число переменных [6]. Часто при маркетинговых исследованиях размер выборки мал, и это отношение значительно меньше. В таких случаях следует осторожно интерпретировать результаты.

Глава 19. Факторный анализ Для иллюстрации факторного анализа предположим, что исследователь хочет определить основные преимущества, которые потребители хотят получить, покупая определенную зубную пасту. Маркетологи опросили в торговом центре 30 респондентов. Их попросили указать, используя семибалльную шкалу (1 Ч полностью несогласен, 7 Ч полностью согласен), степень согласия со следующими утверждениями: Vl Ч важно приобрести зубную пасту, которая предотвращает развитие кариеса;

Уг Ч мне нравится зубная паста, которая придает зубам белизну;

V) Ч зубная паста должна укреплять десна;

К, Ч я предпочитаю зубную пасту, которая освежает дыхание;

У5 Ч предотвращение порчи зубов не является важным преимуществом данной зубной пасты;

V6 Ч наиболее важной причиной покупки данной зубной пасты является способность зубной пасты улучшать внешний вид зубов. Полученные данные приведены в табл. 19.1. На основании этих оценок построена корреляционная матрица.

Таблица 19.1. Рейтинги характеристик зубной пасты ло семибалльной шкале Номер респондента V, V2 V3 Vj V 2 5 а ю и 7,00 1,00 6,00 4,00 1,00 6,00 5,00 6,00 3,00 2, 3,00 3,00 2,00 5,00 2,00 3,00 3,00 4, 400 6,00 4, 6,00 2,00 7,00 4,00 2, 6,00 6,00 7, 4,00 4,00 4,00 6,00 3,00 4,00 3,00 4, 3, 12 13 14 15 17 18 19 20 6,00 2,00 7,00 4,00 1,00 6,00 5,00 7,00 2, 3, 3,00 2,00 6,00 3,00 4,00 3,00 3,00 4,00 5, 3,00 4, 1, 5, 24 25 26 27 28 29 2,00 4,00 6,00 3,00 4,00 3,00 4, 2, 2,00 6,00 5,00 5,00 4,00 6,00 7,00 3, 2,00 2,00 7,00 1,00 6,00 4,00 2,00 6,00 6,00 7,00 3,00 3,00 2,00 5,00 1,00 4,00 4,00 4,00 7,00 2,00 3,00 2, 6, 3,00 4,00 4, 2,00 5,00 1,00 2,00 6,00 2,00 4,00 1,00 6,00 7, 200 4, 4.00 3,00 5,00 2,00 4, 3, 4,00 3, 6, 3,00 4.00 3,00 6,00 4, 1, 3, 5,00 2,00 3,00 3,00 4,00 3, 6, 3,00 4,00 5,00 6,00 2,00 6,00 2,00 6,00 7,00 4, 6,00 3,00 3,00 1,00 6,00 4,00 5,00 2,00 4, 4, 1,00 4,00 2,00 4,00 2,00 7, 4,00 4,00 4,00 3,00 6,00 3,00 4,00 4,00 7,00 4,00 7, 5, 3, 7,00 2, Часть III, Сбор, подготовка и анализ данных Построение корреляционной матрицы В основе нашего анализа лежит матрица корреляций между переменными. Ее анализ дает маркетологам ценную информацию. Целесообразность выполнения факторного анализа определяется наличием корреляций между переменными. На практике так обычно и бывает. Если же корреляции между всеми переменными небольшие, то факторный анализ бесполезен. Следует также ожидать, что переменные, тесно взаимосвязанные между собой, должны также тесно коррелировать с одним и тем же фактором или факторами. Для проверки целесообразности использования факторной модели анализа зависимости перменных существует несколько статистик. С помощью критерия сферичности Бартлетта проверяется нулевая гипотеза об отсутствии корреляций между переменными в генеральной совокупности: другими словами, рассматривается утверждение о том, что корреляционная матрица совокупности Ч это единичная матрица, в которой все диагональные элементы равны 1, а все остальные равны 0. Проверка с помощью критерия сферичности основана на преобразовании детерминанта корреляционной матрицы в статистику хи-квадрат. При большом значении статистики нулевую гипотезу отклоняют. Если же нулевую гипотезу не отклоняют, то целесообразность выполнения факторного анализа вызывает сомнения. Другая полезная статистика Ч критерий адекватности выборки КайзераЧМейера-Олкина (КМО). Данный коэффициент сравнивает значения наблюдаемых коэффициентов корреляции со значениями частных коэффициентов корреляции. Небольшие значения КМО-статистики указывают на то, что корреляции между парами переменных нельзя объяснить другими переменными и что использование факторного анализа нецелесообразно. Корреляционная матрица, построенная на основании данных, полученных из ответов респондентов о преимуществах различных видов зубной пасты, показана в табл. 19.2.

! Таблица 19.2. Корреляционная матрица Переменные Vj 1, - 0,053 0,873 - 0,086 - 0,858 0, V?

1, -0, 0,572 0,020 0, УЗ V* Vj Vs v, V: Vi V.' V;

.

1, - 0,248 - 0,778 -0, 1, -0,007 1, ye 0, -0, 1, Из данных табл. 19.2 видно, что относительно высокое значение корреляции наблюдается между К, (предотвращение кариеса), К3 (укрепление десен) и К5 (предотвращение порчи зубов). Можно ожидать, что эти переменные коррелируют с одним и тем же набором факторов. Аналогично, относительно высокие корреляции наблюдаются между У2 (отбеливание зубов), Ул (свежее дыхание) и К6 (привлекательность внешнего вида зубов). Также можно ожидать, что эти переменные коррелируют с одними и теми же факторами [7]. Результаты факторного анализа приведены в табл. 19.3. Нулевую гипотезу о том, что корреляционная матрица совокупности является единичной матрицей, отклоняют в соответствии с критерием сферичности Бартлетта. Приближенное значение статистики хи-квадрат равно 111,314 с 15-ю степенями свободы, она является значимой при уровне 0,05. Значение статистики КМО (0,660) также большое (> 0,5). Таким образом, факторный анализ можно рассматривать как приемлемый метод для анализа корреляционной матрицы табл. 19.2.

Глава 19. Факторный анализ Таблица 19.3. Результаты анализа главных компонент Критерий сферичности Бартлетта Приближенное значение статистики хи-квадрат- 111,314;

число степеней свободы - 15;

значимость - 0,00000 Критерий адекватности выборки Кайэера-Мейера-Олкина - 0,660 Общности Переменная Начальная Выделенная 0,926 0,723 0,894 0,739 0,878 0, l/i 1,000 1,000 1, 1, V2 V V 1/5 1/ Фактор 1,000 1, Собственное значение Исходные собственные значения Процент дисперсии 45,520 36,969 7,360 5,688 3, Х Кумулятивный процент 45,520 82,488 89,848 95,536 98,580 100,000 Кумулятивный процент 45,520 82, 1 2,731 2, 0, 4 6 Фактор 0,341 0, 0,085 Собственное значение 1, Сумма квадратов нагрузок для выделенных факторов Процент дисперсии 45,520 36,969 Фактор 0, 2,731 2, Фактор Матрица факторных нагрузок l/i 1/2 1/э 1/4 1/5 1/6 Фактор 0,928 -0,301 0,936 - 0,342 - 0,869 -0,177 Собственное значение 2, 0, 0, 0,789 -0, 0, Процент дисперсии 44,802 37, Суммы квадратов факторных нагрузок после вращения факторов Кумулятивный процент 44,802 82, 2, Часть III. Сбор, подготовка и анализ данных Окончание табл. 19.3 Матрица факторных нагрузок после вращения факторов Фактор 1 Фактор 2 0,962 - 0,027 -0,057 0,848 0,934 -0,146 ft 0,854 V4 -0,098 -0,084 -0,933 Vs 0,083 0,885 1/6 Матрица коэффициентов значения факторов 1/ v\ Фактор 1 Vi 0,358 V2 -0,001 V3 0,345 V4 -0,017 l/s - 0,350 V6 0,052 Вычисленная корреляционная матрица V, V Фактор 2 0,011 0,375 - 0,043 0,377 - 0,059 0, V3 V 0,031 -0, Vs 0, Ve v, 1/ V, vt 1/ Ve 0,926' - 0,078 0,902 -0,117 - 0,895 0, 0,024 0,723' -0,177 0,730 -0,018 0, - 0,029 0,022 0,894* -0,217 - 0,859 -0, 0, 0, - 0, 0,739* 0,020 0, - 0,027 0,878' -0, - 0,053 -0,105 0,033 -0, 0, 0,790* 'Нижний левый треугольник содержит вычисленную корреляционную матрицу;

диагональ - общности;

верхний правый треугольник Ч остатки между наблюдаемыми и вычисленными корреляциями.

Определение метода факторного анализа Поскольку установлено, что факторный анализ подходит для анализа данных, необходимо выбрать соответствующий метод его выполнения. Различные методы факторного анализа различают в зависимости от подходов, используемых для выделения коэффициентов значения факторов. Существует два метода Ч анализ главных компонент и анализ общих факторов. При анализе главных компонент (principal components analysis) учитывают всю дисперсию данных. Анализ главных компонент (principal components analysis) Метод факторного анализа, который учитывает всю дисперсию данных. Диагональ корреляционной матрицы состоит из единиц, и вся дисперсия_введена в матрицу факторных нагрузок. Анализ главных компонент рекомендуется выполнять, если основная задача исследователя Ч определение минимального числа факторов, которые вносят максимальный вклад в дисперсию данных, чтобы в последующем использовать их в многомерном анализе. Эти факторы называют &швными компонентами (principal component).

Глава 19. Факторный анализ В анализе общих факторов (common factor analysis) факторы определяют только на основании общей дисперсии. Общности располагаются на диагонали корреляционной матрицы. Этот метод подходит, если основной задачей является определение латентных переменных и общей дисперсии. Этот метод также известен какра&южение матрицы (principal axis factoring).

Анализ общих факторов (common factor analysis) Метод факторного анализа, который оценивает факторы только по общей (для всех факторов) дисперсии.

Существуют и другие методы оценки общих факторов. Они включают: метод невзвешенных наименьших квадратов, обобщенный метод наименьших квадратов, метод максимального правдоподобия, ачьфа- факторны и метод, распознования образов. Эти методы сложнее, и их не рекомендуется использовать неопытным аналитикам [8]. В табл. 19.3 показано применение анализа главных компонент. В колонке "Исходные" (часть таблицы под названием "Общности") видно, что значения общностей для каждой переменной от V]_ до У6 равны 1, поскольку единицы введены в диагональ корреляционной матрицы. Часть табл. 19.3 под названием "Исходные собственные значения" дает собственные значения факторов, которые снижаются при переходе от первого фактора к шестому. Собственное значение фактора указывает полную дисперсию, присущую данному фактору. Полная дисперсия для всех шести факторов равна 6, т.е. числу переменных. Дисперсия, обусловленная влиянием первого фактора, равна 2,731 или 45,52% от полной дисперсии (2,731/6). Аналогично, дисперсия, обусловленная влиянием второго фактора, равна (2,218/6) или 36,97% от полной дисперсии, и два фактора вместе объясняют 82,49% полной дисперсии. Для определения числа факторов, которые необходимо использовать в анализе, существует несколько методов.

Определение числа факторов Можно вычислить столько главных компонент, сколько имеется переменных, но это неэкономично. Чтобы обобщить информацию, содержащуюся в исходных переменных, лучше выделить небольшое число факторов. Вопрос в том: сколько? Для определения числа факторов предлагается несколько процедур: определение, основанное на предварительной информации;

определение, основанное на собственных значениях факторов;

критерий "каменистой осыпи";

определение на основе процента объясненной дисперсии;

метод расщепления и критерии значимости. Определение, основанное на предварительной информации. Иногда, руководствуясь предварительной информацией, исследователь знает, сколько факторов можно ожидать, и таким образом, может заранее определить число выделяемых факторов. После извлечения желаемого числа факторов их выделение прекращают. Большинство компьютерных программ позволяют пользователю определить число факторов, значительно упрошая применение этого метода. Определение, основанное на собственных значениях факторов. В этом методе учитывают только факторы, собственные значения которых выше 1,0;

остальные факторы в модель не включают. Собственное значение представляет значение дисперсии, обусловленной действием этого фактора. Следовательно, рассматривают только факторы с дисперсией выше 1,0. Если число переменных меньше 20, то этот метод завышает число факторов. Определение, основанное на критерии "каменистой осыпи". Графическое изображение критерия "каменистой осыпи" представляет собой график зависимости собственных значений факторов от их номеров в порядке выделения. Для определения числа факторов используют форму графика. Обычно график имеет четкий разрыв между крутой частью кривой, где факторам свойственны большие собственные значения, и плавной хвостовой частью кривой, связанной с остальными факторами (в этом месте убывание собственных значений факторов слева направо максимально замедляется). Это плавное убывание собственных значений называется осыпь (scree). Опыт показывает, что точка, с которой начинается осыпь, указывает на действительное число факторов. Обычно число факторов, определенное по графику "каменистой осы Часть III. Сбор, подготовка и анализ данных пи'", на единицу или несколько единиц больше числа факторов, полученных методом, основанным на собственных значениях. Определение на основе процента объясненной дисперсии. В этом методе число выделяемых факторов определяют так. чтобы кумулятивный процент дисперсии, выделяемой факторами, достиг удовлетворительного уровня. Какой уровень дисперсии считать удовлетворительным, зависит от поставленной задачи. Однако рекомендуется выделять такое число факторов, которое объясняют, по крайней мере, 60% дисперсии. Определение, основанное на оценке надежности, выполняемой расщеплением. В этом методе выборку расщепляют напополам и факторный анализ выполняют для каждой половины. При этом оставляют только факторы с высокой степенью соответствия факторных нагрузок в двух подвыборках. Определение, основанное на критериях значимости. Можно определить статистическую значимость отдельных собственных значений и оставить только статистически значимые факторы. Недостаток этого метода в том, что при больших размерах выборок (больше 200) многие факторы, вероятно, статистически значимые, хотя с практической точки зрения, многие из них объясняют небольшую долю полной дисперсии. В табл. 19.3, исходя из собственных значений факторов, превышающих единицу (по умолчанию), будет выделено два фактора. Из опыта (предварительная информация) мы знаем, что зубную пасту покупают по двум основным причинам. График "каменистой осыпи" приведен на рис. 19.2.

3. 2, 2, 1. 1. 0, 0. Число факторов Рис. 19.2, График "каменистойосыпи" На графике четкий разрыв виден в области трех факторов. И наконец, из значения кумулятивного процента объясненной дисперсии видно, что два первых фактора объясняют 82,49% дисперсии, и увеличение этого значения при переходе к трем факторам будет предельным. Кроме того, метод расщепления выборки также указывает на два фактора. Таким образом, в данной ситуации целесообразно рассмотреть два фактора. Во второй колонке части табл. 19.3 под названием "Общности" дана информация после выделения желаемого числа факторов. Общности в колонке "Выделенная" отличаются от значений в колонке "Начальная", поскольку всю дисперсию, соответствующую этим переменным, нельзя объяснить, если не оставить в модели все факторы. В части таблицы под названием "Сумма квадратов нагрузок выделенных факторов" даны дисперсии, соответствующие факто Глава 19. Факторный анализ рам, которые оставили в модели. Обратите внимание, что их значения совпадают со значениями дисперсий в колонке "Исходные собственные значения". Это характерно для анализа главных компонент. Процент дисперсии, объясненной фактором, определяют, разделив соответствующее собственное значение на число факторов и умножив полученное значение на 100. Таким образом, первый фактор объясняет (2,731/6) х 100, или 45,52%, от дисперсии, соответствующей шести переменным. Аналогично, второй фактор объясняет (2,218/6) х 100, или 36,969% полной дисперсии. Интерпретация решения часто становится более ясной после вращения факторов.

Вращение факторов Важный результат факторного анализаЧ матрица факторных нагрузок, также называемая матрицей факторного отображения (factor pattern matrix). Она содержит коэффициенты, используемые для выражения нормированных переменных через факторы. Эти коэффициенты, называемые факторными нагрузками, представляют корреляции между факторами и переменными. Коэффициент с высоким абсолютным значением показывает, что фактор и переменная тесно взаимосвязаны. Коэффициенты матрицы факторных нагрузок можно использовать для интерпретации факторов. Несмотря на то, что матрица исходных или неповернутых факторов указывает на взаимосвязь факторов и отдельных переменных, она редко приводит к факторам, которые можно интерпретировать, поскольку факторы коррелируют со многими переменными. Например, в табл. 19.3 фактор 1, по крайней мере, частично связан с пятью из шести переменных (абсолютное значение факторной нагрузки больше 0,3). Как интерпретировать этот фактор? В такой сложной матрице это трудно. Поэтому вращением матрицу факторных коэффициентов преобразуют в более простую, которую легче интерпретировать. При вращении факторов желательно, чтобы каждый фактор имел ненулевые или значимые нагрузки (коэффициенты) только для небольшого числа переменных. Аналогично, желательно, чтобы каждая переменная имела ненулевые или значимые нагрузки с небольшим числом фактором, если можно, то с одним фактором. Если несколько факторов имеют высокие значения факторных нагрузок с одной и той же переменной, то их трудно интерпретировать. Вращение не влияет на общности и процент объясненной полной дисперсии. Однако процент дисперсии, обусловленной влиянием каждого фактора, изменяется. Это видно из данных табл. 19.3. В результате вращения дисперсия, объясняемая каждым фактором, перераспределилась. Следовательно, разные методы вращения помогают интерпретировать различные факторы. Вращение называют ортогональным вращением (orthogonal rotation), если при вращении сохраняется прямоугольная система координат. Ортогональное вращение (orthogonal rotation) Вращение факторов, при котором сохраняется прямоугольная система координат. Самый распространенный метод вращения Ч метод варимакс (вращение, максимизирующее дисперсию) (varimax procedure). Метод варимакс, или вращение, максимизирующее дисперсию) (varimax procedure) Ортогональный метод вращения факторов, который минимизирует число переменных с высокими значениями нагрузок, усиливая тем самым интерпретируемость факторов. Это ортогональный метод вращения, который минимизирует число переменных с высокими значениями нагрузок, усиливая тем самым интерпретируемость факторов [9]. В результате ортогонального вращения получают некоррелированные факторы. Вращение называют косоугольным вращением (oblique rotation), если не сохраняется прямоугльная система координат и в результате вращения получают коррелированные факторы. 728 Часть III. Сбор, подготовка и анализ данных Косоугольное вращение (oblique rotation) Вращение факторов, при котором не сохраняется прямоугольная система координат.

Иногда, допустив некоторую корреляцию между факторами, можно упростить матрицу факторной модели. Косоугольное вращение используется тогда, когда факторы в генеральной совокупности, вероятно, тесно взаимосвязаны. Сравнив в табл. 19.3 матрицу факторных нагрузок, полученную после применения метода врашения варимакс, с матрицей факторных нагрузок до вращения (часть таблицы под названием "Матрица факторных нагрузок"), мы увидим, как вращение упрощает и усиливает интерпретируемость факторов. В то время как в неповернутой матрице пять переменных коррелируют с фактором I, после вращения с фактором 1 коррелируют только переменные Уг, V3, У5. Остальные переменные Уъ У4 и У6 коррелируют с фактором 2. Более того, ни одна из переменных не коррелирует достаточно сильно с обоими факторами. Повернутая матрица создает основу для интерпретации факторов.

Интерпретация факторов Для интерпретации факторов необходимо определить переменные, которые имеют высокие значения нагрузок по одному и тому же фактору. А затем этот фактор следует проанализировать с учетом этих переменных. Другое полезное средство интерпретации Ч графическое изображение переменных, координатами которых служат величины факторных нагрузок. Так, в конце оси расположены переменные, которые имеют большие нагрузки только в связи с этим фактором и, следовательно, характеризуют его. Переменные в начале координат имеют небольшие нагрузки в связи с обоими факторами. Переменные, расположенные вдали от осей, связаны с обоими факторами. Если фактор нельзя четко определить с точки зрения связи с исходными переменными, то его следует пометить как неопределяемый или генеральный (общий для всех переменных).

я -0,5' -1. -0, 0, Фам op 0, Рис, 19.3. Диаграмма факторных нагрузок В повернутой матрице из табл. 19.3 фактор 1 имеет высокие коэффициенты для переменных Г, (предотвращение кариеса), К, (укрепление десен), и отрицательный коэффициент для переменной К5 (предотвращение порчи зубов не считается важным при покупке зубной пасты). Следовательно, этот фактор можно назвать фактором, укрепляющим здоровье. Обратите внимание, что отрицательный коэффициент для негативной переменной К5 ведет к положительной интерпретации этого фактора, а именно, предотвращение порчи зубов будет важным при покупке зубной пасты. Фактор 2 тесно связан с переменными К2 (белизна зубов), Vt (свежее дыхание) и К6 (привлекательность внешнего вида зубов). Таким образом, фактор 2 можно по Глава 19. Факторный анализ метить как фактор, отвечающий за внешний вид. Диаграмма факторных нагрузок на рис. 19.3 подтверждает эту интерпретацию факторов. Переменные FJ, К3, Vs (обозначенные на диаграмме 1, 3 и 5 соответственно) находятся на конце горизонтальной оси, причем точка, соответствующая К5, находится на конце, противоположном месту расположения точек, соответствующих V{ и У3. В то же время переменные У2, К4 и Vb (обозначенные на диаграмме 2, 4 и 6 соответственно) расположены на конце вертикальной оси (фактор 2). Можно обобщить данные, сделав вывод, что потребители, по-видимому, стремятся извлечь двойную пользу из зубной пасты: укрепить здоровье и приобрести хороший внешний вид.

Вычисление значения фактора После интерпретации факторов необходимо вычислить их значения. Факторный анализ имеет собственную ценность. Однако если цель факторного анализа заключается в снижении исходного числа переменных до небольшого набора составных переменных (факторов), которые в дальнейшем используются в многомерном анализе, то имеет смысл вычислить для каждого респондента значение фактора. Фактор представляет собой линейную комбинацию исходных переменных. Значение для /-го фактора можно вычислить по формуле Обозначения в этой формуле аналогичны приведенным выше. Веса или коэффициенты значения фактора, используемые для объединения нормированных переменных, получают из матрицы коэффициентов значения фактора. Большинство компьютерных программ позволяет вычислить значения факторов. Только в анализе главных компонент можно вычислить точные значения факторов.

Значение фактора (factor scores) Суммарное значение, полученное для каждого респондента на основании всех факторов.

Более того, в анализе главных компонент эти значения не взаимосвязаны. В анализе общих факторов оценки значений факторов получают, но нет гарантии, что факторы не будут коррелировать между собой. Значения факторов можно использовать вместо исходных переменных в последующем многомерном анализе. Например, используя матрицу коэффициентов значения фактора в табл. 19.3, можно вычислить два значения фактора для каждого респондента. Если нормированные значения переменной умножить на соответствующий коэффициент значения фактора, то получится значение данного фактора.

Отбор переменных-заменителей Иногда, вместо вычисления значений факторов, исследователь может выбрать переменные-заменители. Выбор переменных-заменителей (surrogate variables), заключается в выделении нескольких из исходных переменных для использования их в последующем анализе, Переменные-заменители (surrogate variables) Часть набора исходных переменных, выбранных для последующего анализа.

Это позволит выполнить последующий анализ и интерпретировать результаты с точки зрения исходных переменных, а не значения факторов. Из матрицы факторных коэффициентов можно выбрать для каждого фактора переменную с наивысшим значением нагрузки на данный фактор. Затем эту переменную используют в качестве перемен ной-заменителя для соответствующего фактора. Этот процесс протекает гладко, если одна из факторных нагрузок переменной значительно выше остальных. Однако сделать выбор не так легко, если нагрузки двух или больше переменных одинаково высокие. В таком случае выбор осуществляют, исходя из теоре Часть III. Сбор, подготовка и анализ данных тических предпосылок. Например, теоретически предполагают, что переменная с несколько меньшей нагрузкой важнее, чем переменная с несколько большей нагрузкой. Аналогично, если переменная имеет несколько меньшую, но более точно измеренную нагрузку, то в качестве переменной-имитатора следует выбрать именно ее. В табл. 19.3 переменные V}, V^ и s имеют высокие нагрузки в связи с фактором 1, причем достаточно близкие по величине. Переменная F, имеет относительно самое высокое значение и поэтому должна была бы оказаться вероятным кандидатом в переменные-имитаторы. Однако, исходя из предварительной информации, самым важным при выборе зубной пасты является ее способность предотвращать порчу зубов, и поэтому в качестве переменной-заменителя для фактора 1 должна быть выбрана переменная У5. Осуществить выбор переменной-заменителя для фактора 2 также непросто. Переменные Уг, К, и Vk имеют сопоставимо высокие значения нагрузок на этот фактор. Если предварительная информация свидетельствует, что привлекательность внешнего вида зубов Ч важнейший аспект общего внешнего вида, то следует выбрать переменную Vb.

Определение подгонки модели Последняя стадия факторного анализа заключается в определении соответствия модели факторного анализа исходным данным, т.е. степени ее подгонки. Основное допущение, лежащее в основе факторного анализа, состоит в том, что наблюдаемая корреляция между переменными может быть свойственна общим факторам. Следовательно, корреляции между переменными можно вывести или воспроизвести из определенных корреляций между переменными и факторами. Изучив разности между наблюдаемыми корреляциями (данными в исходной корреляционной матрице) и вычисленными корреляциями (определенными из матрицы факторных нагрузок), можно определить соответствие модели исходным данным. Эти разности называют остатками (residuals). Если много остатков с большими значениями, то факторная модель не обеспечивает хорошее соответствие данным и требует пересмотра. Из данных табл. 19.3 видно, что только значение пяти остатков превышает 0,05, свидетельствуя тем самым о приемлемом соответствии модели данным. Следующий пример иллюстрирует анализ главных компонент с точки зрения продвижения товара. ПРИМЕР. Компоненты, влияющие на продвижение на рынок промышленных товаров Цель этого исследования Ч определить достаточно большой набор контролируемых производителем переменных, имеющих отношение к продвижению его товаров в розничную торговую сеть, и показать, что существует связь между этими переменными и решением розничного торговца о поддержке усилий производителя по продвижению товара. Решения о поддержке определяли по отношению розничного торговца к усилиям по продвижению товара. Факторный анализ выполнили по объясняющим переменным, руководствуясь главной целью Ч снизить количество переменных. Методом главных компонент с использованием метода вращения варимакс уменьшили 30 объясняющих переменных до 8 факторов с собственными значениями выше 1,0. Для интерпретации каждый фактор включал в себя переменные с нагрузками на этот фактор от 0,40 и выше. В двух случаях, когда переменные имели нагрузки 0,40 и выше на два фактора, каждой переменной присвоили один фактор, нагрузка на который была выше. Только одна переменная "легкость погрузочно-раэгрузочных работ, накопление запасов в торговых точках" не имела нагрузки, по крайней мере, равной 0,4, ни на один из факторов. В целом, 8 факторов объясняли 62% суммарной дисперсии. Интерпретация матрицы факторных нагрузок оказалась несложной. В табл. 1 перечислены факторы в порядке их выделения.

Глава 19. Факторный анализ Таблица 1. Факторы, влияющие на принятие решения о поддержке в продвижении товара фактор Интерпретация фактора (объясненный процент дисперсии) Важность товара (16,3%) Нагрузка Переменные, включенные в фактор 0,77 0,75 0,66 0,64 0,59 0, Эластичность продвижения товара на рынок (9,3%) 0,86 0,82 0,80 0, Поддержка торговой марки производителем (8,2%) Товар достаточно важен для того, чтобы гарантировать его продвижение Данная категория товара хорошо реагирует на рекламу Вероятно, наиболее близкий конкурент занимается продвижением данного товара Значимость продвигаемой категории товара Товар имеет постоянный объем продаж Сделка соответствует требованиям обеспечения продвижения товара Оценка покупателями увеличения объема продаж основана на следующем: Снижение цены и демонстрация товара Только демонстрация товара Только снижение цены Снижение цены, демонстрация, рекламная кампания Поддержка торговой марки производителем в форме: Купонов Радио- и телевизионной рекламы Рекламы в газетах Содействие продвижению товара в местах его продажи (например, выставки) Общая репутация производителя Производитель идет навстречу пожеланиям торговли Производитель сотрудничает с продавцом в случае экстренных заказах, встречного пробега и т.д. Качество представления продаж Суммарное качество товара производителя Чрезмерное продвижение категории Избыток конкретного товара Ранг доли рынка торговой марки3 Постоянный объем продаж (данного) товара3 Постоянный объем продаж (данного) товара Постоянная валовая прибыль (от продажи) товара Постоянная валовая прибыль (от продажи) товара3 Разумность требований по выполнению соглашения Абсолютная сумма скидок по соглашениям Скидки по соглашениям как процент регулярной торговой стоимости(цены)а Абсолютная сумма скидок по соглашениям 0,В5 0,81 0,80 0, Репутация производителя (7,3%) О 0,72 0, 0,55 0, Истощение продвижения товара (6,4%) Оборачиваемость продаж (5,4%) 0, 093 -0, 0, Рентабельность товара (4,5%) 0,46 0, 0, 0, F, Сумма поощрения (4,2%) 0, 0, 0,49 Приводится по объективным показателям.

Часть III. Сбор, подготовка и анализ данных Для того чтобы определить, какой из восьми факторов (если такой фактор существует) предсказывает содействие продвижению товара на рынок в статистически значимой степени, выполнен пошаговый дискриминантный анализ. Значения всех восьми факторов выступают объясняющими переменными. Зависимая переменная состоит из оценки (рейтинга) розничным торговцем деловых отношений с производителем, которую разбивают на три группы, в зависимости от степени содействия в продвижении товара (низкая, средняя, высокая). Результаты дискриминантного анализа приведены в табл. 2. Таблица 2. Результаты дискриминантного анализа: анализ по рейтингу и эффективности (п = 564) Нормированные коэффициенты дискриминантной функции Фактор F\ FZ FS Важность товара Эластичность продвижения товара на рынок Функция 1 0,861 0,081 Функция Z - 0,253 0,398 -0,036 0,014 0,380 - 0,665 0,357 0, Поддержка торговой марки производителем 0,127 Репутация производителя Истощение продвижения товара 0,394 - 0,207 0,033 0,614 0, | Fe j FT Оборачиваемость продаж Рентабельность товара Сумма поощрения Коэффициент А, (для каждого фактора) Ч все значимы при р < 0,001 Значения F-статистик для многомерной выборки Ч все значимы при р < 0, Процент правильно классифицированных случаев Ч 65% (t = 14,4;

р < 0,001) Все восемь факторов присутствуют в дискриминантных функциях. Критерии согласия i указали на то, что все восемь факторов дискриминировали (различали) высокий, средний и | низкий уровни содействия продажи товара,.^-статистики для многомерной выборки, ука? зываюшие на степень дискриминации между каждой парой групп, были значимыми при р I < 0,001. 65% случаев было верно отнесено к высокому, среднему и низкому уровню содейст| вия продвижению товаров. Использовался порядок введения в дискриминантный анализ. I Для того чтобы определить относительную важность факторов, влияющих на содействие i торговле, факторы в дискриминантную функцию вводили в порядке, указанном в j табл. 3 [10], I Таблица 3. Относительная важность факторов, влияющих на содействие торговле i (показано с помощью порядка ввода в дискриминантный анализ) I Анализ рейтинга I Порядок ввода 2 3 4 Название фактора Важность товара Эластичность продвижения товара на рынок Поддержка торговой марки производителем Репутация производителя Истощение продвижения товара о Оборачиваемость продаж Рентабельность товара Сумма поощрения В следующем разделе описан анализ общих факторов с примерами применения этого метода. Глава 19. Факторный анализ ПРИМЕНЕНИЕ АНАЛИЗА ОБЩИХ ФАКТОРОВ Данные табл. 19.1 можно проанализировать, используя модель анализа общих факторов. С этой целью в диагональ матрицы вместо единиц вставили общности (относительные дисперсии общих факторов). Результаты, представленные в табл. 19.4, аналогичны результатам, полученным в ходе анализа главных компонент, приведенным в табл. 19.3.

Таблица 19,4. Результаты анализа общих факторов Критерий сферичности Бартлетта Приближенное значение статистики хи-квадрат~ 111,314;

число степеней свободы- 15;

значимость Ч0, Критерий адекватности выборки Кайзера-Мейера-Олкина Ч 0,660 Общности Переменная Начальная 0,856 0,480 Выделенная 0,928 0,562 0,836 0,600 0,789 0, V, ъ V, 0, 0,543 0,763 0, VA V* V, Исходные собственные значения Фактор Собственное значение 2,731 2, 0, Процент дисперсии 45,520 36,969 7,360 5,688 3, Кумулятивный процент 45,520 82,488 89,848 95,536 98,580 100, 4 5 0,341 0, 0, 1, Сумма квадратов нагрузок для выделенных факторов Фактор 1 Собственное значение 2,570 Процент дисперсии 42,837 31,126 Кумулятивный процент 42,837 73, 1, Матрица факторных нагрузок Фактор 1 Фактор И Ъ ^ 0,949 - 0, 0, 0,720 0,038 0,734 - 0,259 0, 0, -0,246 -0,850 -0, V, V, Суммы квадратов факторных нагрузок после вращения факторов Фактор Собственное значение Процент дисперсии 42,343 31,621 Кумулятивный процент 42,343 73, 2,541 1, Часть III. Сбор, подготовка и анализ данных Окончание табл. 19.4 Матрица факторных нагрузок после вращения факторов Фактор 1 V, И2 0,963 - 0,054 Фактор 2 - 0,030 0,747 -0,150 0,769 - 0,079 0,847 Фактор 0, Из 0,902 И4 - 0,090 1/5 - 0,885 1/6 0,075 Матрица коэффициентов значения факторов Фактор 1 YI V Из 0,628 - 0, 0, 0,253 -0, 0, И* 1/ -0, -0, И6 0,083 Вычисленная корреляционная матрица V, Уг - 0,059 0, V3 V< VS VS И, Иг И3 И* И5 И 0,928' - 0,075 0,873 -0,110 -0,850 0, 0,022 0,562* -0,161 0,580 -0,012 0, -0,000 0,006 0,836' -0,197 -0,786 -0, 0,024 -0,008 - 0,051 0,600* 0,019 0, -0,008 0,031 0,008 -0,025 0,789* -0, -0,042 0,012 0,042 -0,004 -0,003 0,723* 'Нижний левый треугольник содержит вычисленную корреляционную матрицу;

диагональ Ч общности;

верхний правый треугольник Ч остатки между наблюдаемыми и вычисленными корреляциями. В колонке "Начальная" той части таблицы, которая озаглавлена "Общности", значения общностей для переменных не превышают 1,0. Исходя из критерия собственного значения, снова (как и в анализе главных компонент) выделили два фактора. Значения дисперсий после выделения факторов отличались от их исходных собственных значений. Первый фактор объясняет 42,84% дисперсии, а второй Ч 31,13%, в каждом случае немного меньше, чем это наблюдалось в анализе главных компонент. Значения факторных нагрузок в матрице факторной модели до вращения факторов, данные в табл. 19.4, немного отличаются от значений факторных нагрузок в табл. 19.3, хотя структура нагрузок аналогична. Однако иногда структура нагрузок в анализе общих факторов отличается от таковой в анализе главных компонент по некоторым нагрузкам переменных на различные факторы. Матрица факторной модели после вращения факторов имеет структуру нагрузок, аналогичную структуре нагрузок в табл. 19.3, что приводит к аналогичной интерпретации факторов. Рассмотрим еще один пример анализа общих факторов в контексте восприятия потребителями скидок.

Глава 19. Факторный анализ ПРИМЕР. Восприятие скидок Скидки Ч эффективное средство привлечения новых потребителей, переключения их на другую торговую марку и стимул для повторных покупок. Маркетологи определили и исследовали факторы, лежащие в основе восприятия потребителями скидок. Для этого разработали анкету из 24 утверждений, которые отражали потребительское восприятие. Далее респондентов попросили выразить степень согласия с этими утверждениями по пятибалльной шкале Лайкерта. Данные собрали в Мемфисе по телефону. Всего было получено 303 анкеты. 24 утверждения, измеряющие восприятие потребителями скидок, проанализировали методом общих факторов. Первоначальный вариант полученных факторов не выявил простой структуры латентных переменных. Поэтому переменные с низкими нагрузками удалили из шкалы и выполнили факторный анализ по оставшимся пунктам. Это второе решение привело к трем интерпретируемым факторам. Факторные нагрузки даны в расположенной ниже таблице.

Pages:     | 1 |   ...   | 15 | 16 | 17 | 18 | 19 |   ...   | 22 |    Книги, научные публикации