Учебник "Маркетинговые исследования"

Вид материала

Учебник

Содержание Extreme Values

Подобный материал:

• Лекция Маркетинговые исследования лекция маркетинговые исследования, 352.6kb.
• Маркетинговые исследования фактически это деятельность, направленная на анализ и сбор, 41.83kb.
• Ориентировочные темы курсовых работ по курсу «Маркетинговые исследования в связях, 12.06kb.
• Примерная тематика курсовых работ по дисциплине Маркетинговые исследования, 74.84kb.
• Основой маркетинга являются комплексные маркетинговые исследования, 243.67kb.
• Пример исследования для супермаркета, 52.66kb.
• Учебник "Маркетинговые исследования", 1308.75kb.
• Маркетинговые исследования рынка лекарственных средств, 59.66kb.
• Маркетинговые исследования и ситуационный анализ, 68.64kb.
• Разработка программы исследования Определение методов исследования Полевые исследования, 72.82kb.

Глава 3. Использование программы статистической обработки SPSS (v 8.0) при анализе результатов маркетинговых исследований

Для работы со статистической компьютерной программой SPSS прежде всего необходимо иметь результаты проведенного опроса (заполненные опросные листы). С образцом, представляющим собой простой пример варианта опросного листа, можно ознакомиться в Приложении 1).

По выбранным отдельным вопросам, либо по всем вопросам опросного листа, необходимо выявить статистически значимые закономерности; определить статистические распределения вариантов ответов; оценить близость к нормальному закону распределения. Программа SPSS позволяет выводить на печать необходимые таблицы, строить графики, диаграммы и/или гистограммы.

Изучив полученные данные и сделав окончательные выводы, требуется сформировать итоговый отчет с подробным анализом результатов маркетингового исследования.

3.1. Ввод данных и определение типов переменных.

Редактирование данных.

После загрузки программы SPSS на экран выводится окно редактора данных (сетка, аналогичная сетке программы Excel) с панелью инструментов и пунктами меню (рис. 3.1).

Для дальнейшей работы необходимо либо загрузить уже имеющиеся данные из файла с расширением *.sav, либо ввести новые данные и, разумеется, сохранить их в файле ИМЯ.sav . Для ввода данных и определения переменных используются пункты основного меню Data – Define Variable (рис. 3.2).



Рис. 3.1 Окно редактора данных программы SPSS

При вводе каждой переменной необходимо определить:

• имя переменной;
  
• тип переменной (Type);
  
• пропущенные значения (Missing Values);
  
• метку переменной (Labels) – для удобства работы метку
  

можно записать и на русском языке;

• расположение переменных в таблице (Column Format).
  

Рис. 3.2. Окно ввода данных

Рекомендуется определить также метки значений переменной – Value Labels, например: “0” – нет ответа, “1” – да, “2” - нет и т.п.

Для имени переменной должны выполняться следующие правила:

- имя должно начинаться с буквы, остальные символы могут быть любые;

- имя не может оканчиваться точкой или символом подчеркивания;

- длина имени не может превышать восьми знаков;

- в именах не могут использоваться пробелы или специальные символы: !, ?, *) и т.п.;

- имена переменных нечувствительны к регистру.

Возможными типами переменной могут быть: числовой, с точкой, с запятой, научное представление, дата, денежное представление (доллар), денежное представление (произвольная валюта) и строковый. Форматы произвольной валюты определяются в разделе Currency в диалоговом окне Options, доступном из пункта меню Edit.

Метка может быть приписана каждому значению переменной. Это очень удобно, поскольку длина имени не может превышать 8 символов, а метки переменных могут быть длиной до 256 символов, и эти описывающие переменные метки отображаются при выводе.

Пользователь имеет возможность определить некоторые значения данных как пропущенные. Это очень часто оказывается полезным при выяснении причин отсутствия информации. Например, исследователь хотел бы отделить данные, пропущенные потому, что респондент отказался отвечать, от данных, пропущенных потому, что данный вопрос не имел отношения к респонденту. Значения данных, обозначенные как пользовательские пропущенные, специально помечаются для того, чтобы исключить их из большинства вычислений.

Диалоговое окно Templates позволяет создавать шаблоны определения переменных (рис. 3.3) и применять из при вводе.



Рис. 3.3. Диалоговое окно определения шаблона переменной.

Данные вводятся в любом порядке - по наблюдениям или по переменным, для выбранных областей или для отдельных ячеек. Активная ячейка выделяется жирной рамкой. Значения данных не записываются, пока пользователь не нажмет на Enter или не выберет другую ячейку. Для ввода данных типа, отличного от простого числового, необходимо сначала определить тип переменной.

После ввода данных их необходимо обязательно сохранить на жестком диске в файле с оригинальным именем и расширением *.sav : File – Save As…

Введенные данные можно редактировать с помощью Редактора Данных, который позволяет:

• Изменять значения данных.
  
• Вырезать, копировать, вставлять значения данных
  
• Добавлять и удалять наблюдения и\или переменные
  
• Изменять порядок или определения переменных
  
• Проводить поиск значений данных, переходить к определенному наблюдению.
  

Рис. 3.4. Опции редактора данных (пункт меню Edit)

В программе SPSS имеются также средства для работы с файлами данных в различных форматах. В частности, программа обеспечивает доступ к электронным таблицам, созданным в Lotus 1-2-3 или Excel, к файлам баз данных, созданным в системе dBASE и различных форматах SQL, к текстовым файлам данных.

3.2. Возможности SPSS по использованию методов

описательной статистики

Для анализа результатов маркетинговых исследований может быть использовано множество методов математической статистики, реализованных в программе SPSS. В данном учебном пособии рассмотрены основы работы лишь с некоторыми основными методами.

Как уже говорилось в Главе 2, к методам описательной статистики относится, в частности, построение частотных таблиц. Выбираем пункты меню:

Statistics – Summarize – Frequencies – выбор дискретной переменной (переменных).

В диалоговом окне процедуры Frequencies (Частоты) исследователь может (рис. 3.5):

- нажав кнопку Statistics, задать вычисление максимального, минимального и среднего значения, моды, медианы, среднеквадратического отклонения для количественных переменных;

- кнопкой Charts задать вид графиков – столбиковая или круговая диаграммы, гистограмма;

- кнопкой Format задать порядок, в котором будут выводиться результаты.



Рис. 3.5. Диалоговое окно процедуры Частоты.

Для непрерывных переменных может использоваться обобщающая статистика:

Statistics – Summarize – Descriptives.

Процедура Descriptives осуществляет вывод одномерных статистик для нескольких переменных в одной таблице, а также вычисляет нормированные значения переменных. Переменные могут быть упорядочены по величине их средних значений (в порядке возрастания или убывания), по алфавиту или в порядке, в котором пользователь выбирает переменные (используется по умолчанию).

Например, если каждое наблюдение в анализируемых данных содержит итоги дневных объемов продаж для одного из дистрибьюторов компании в течение нескольких месяцев, то эта процедура поможет рассчитать средний дневной объем продаж для каждого дистрибьютора и расположить полученные результаты от наиболее высоких к низким.

Методы проверки статистических гипотез позволяют получить ответ на вопрос, являются ли обнаруженные закономерности подлинными, или же их можно объяснить случайными особенностями выборки. В частности, важным является вычисление стандартной ошибки среднего значения. Стандартная ошибка среднего значения необходима, чтобы определить, в какой области значений лежит истинное среднее значение генеральной совокупности. Для ее вычисления необходимо использовать пункты меню:

Statistics – Summarize – Frequencies - Statistics – S.E.Mean

(S.E.Mean – standard error Mean).

Для непрерывной переменной, как уже говорилось выше, вместо стандартной ошибки среднего используются нормированные значения (z-значения) и необходимо использовать:

Statistics – Summarize – Descriptives —

– выбор переменных – Save standartized values as variably.

Как было показано в Главе 2, для проверки нормальности распределения кривая нормального распределения может быть наложена на гистограмму. Для этого в программе SPSS требуется использовать пункты меню:

Statistics – Summarize – Frequencies – Charts – Histograms – With normal curve (рис. 3.6)



Рис. 3.6. Окно задания графиков в процедуре Frequencies

Таким образом, гипотеза нормальности может быть проверена графически.

Для проверки нормальности распределения могут использоваться показатели асимметрии (Skewness) и эксцесса (Kurtosis). Асимметрия показывает "скошенность" кривой распределения относительно нормальной кривой, а эксцесс замеряет "заостренность" кривой (положительный – заостренная кривая, отрицательный – "тупая"). Стандартная ошибка Std.Error позволяет оценить значимость асимметрии и эксцесса. Для вычисления этих показателей необходимо использовать пункты меню:

Statistics – Summarize – Frequencies —

— Statistics – Skewness, Kurtosis



Рис. 3.7. Задание вычисления асимметрии и эксцесса

в процедуре Frequencies

Для предварительного вычисления многих параметров описательной статистики (минимум, максимум, среднеквадратическое отклонение, усеченное среднее и т.п.), можно использовать разведочный анализ - процедуру Explore:

Statistics – Summarize – Explore

– выбор переменной - Statistics…

Для проверки нормальности в этой процедуре вычисляются асимметрия, эксцесс, изображается диаграмма Stem-and-leaf - "ствол и листья", позволяющая оценить распределение:

Statistics – Summarize – Explore –

выбор переменной - Plots…- Stem-and-leaf

(Stem Width – ширина "ствола").

При интерпретации результатов необходимо учитывать, что диаграмма Stem-and-leaf в окне вывода программы SPSS располагается с наклоном 90^о (рис. 3.8).

Age of Respondent Stem-and-Leaf Plot

Frequency Stem & Leaf

12,00 1 . 899

143,00 2 . 000011111111222222233333344444

150,00 2 . 5555556666666777777888888899999

187,00 3 . 00000001111111222222222333333334444444

195,00 3 . 555555555556666666777777788888889999999

167,00 4 . 0000000111111112222223333333444444

113,00 4 . 5555667777778888889999

87,00 5 . 000011122223334444

78,00 5 . 555667778888999

87,00 6 . 00011112223333444

84,00 6 . 555566677778888999

95,00 7 . 0001111222233333444

53,00 7 . 5566677889

43,00 8 . 001122234

20,00 8 . 5799&


Stem width: 10

Each leaf: 5 case(s)


& denotes fractional leaves.


Рис. 3.8. Пример диаграммы Stem-and-Leaf

Оценить вид распределения помогают также "ящичковые диаграммы", о которых упоминалось уже в Главе 2. Для вычисления "ящичковых диаграмм" используются пункты меню:

Statistics – Summarize – Explore

– выбор переменной – Plots… - Factor levels Together

Ящичковые диаграммы дают исследователю общее представление о распределении переменной: на них высота ящичка – разброс значений, жирная черта внутри – медиана или 50%- процентиль, нижняя грань – 25%-процентиль, верхняя – 75%-процентиль.

Значения, не попавшие внутрь, изображаются отдельно вне ящика.

Эти значения можно исследовать отдельно (если они есть):

Statistics – Summarize – Explore

– выбор переменной - Statistics…- Outliers



Рис. 3.9. Пример задания расчета ящичковой диаграммы

В окне вывода при таком исследовании выводится таблица экстремальных значений Extreme Values.

Одним из методов исследования нормальности распределения является также построение графиков на нормальной вероятностной бумаге. На графике даются координаты фактических значений переменных и теоретические значения, вычисленные при условии

нормальности распределения (линия). Чем ближе фактические значения к линии, тем больше распределение близко к нормальному. Аналогично можно интерпретировать график с удаленным трендом – Detrended Normal Q-Q Plot, - нормальному распределению здесь соответствует горизонтальная линия.

При построении графиков на нормальной вероятностной бумаге в программе SPSS автоматически рассчитываются значения коэффициентов Колмогорова-Смирнова и Шапиро-Уилкса. Эти критерии основаны на нулевой гипотезе о том, что данная выборка получена из генеральной совокупности, имеющей нормальное распределение. В окне вывода можно изучить Tests of Normality, особенно обращая внимание на уровень значимости каждого критерия Sig: если он больше 0.05 (т.е. превышает 5%), то можно принять нулевую гипотезу – или, строго говоря, нет оснований ее отвергнуть!

Существует большое количество методов проверки нормальности распределения, но ни один из них не является универсальным. Одни могут подтверждать нормальность, а другие – отвергать. Исследователю необходимо использовать все возможные методы для получения как можно менее противоречивых данных!

3.3. Построение таблиц сопряженности.

Каждая ячейка таблицы сопряженности содержит информацию о количестве объектов, попадающих в группу, определенную комбинацией двух значений. В применении к анализу опросных листов это означает, что исследователь может, например, получить информацию о количестве мужчин, имеющих информацию о товаре (количество человек, ответивших на вопрос о поле – "муж.", и на вопрос о известности товара – "известен").

Для вычисления таблиц сопряженности используются пункты меню (рис.3.10):

Statistics – Summarize – Crosstabs –

выбор переменных: Row - по строкам, Column - по столбцам

Помимо количества объектов, попадающих на комбинацию значений, в таблице можно вывести и процентные соотношения рис.3.11):

после выбора переменных –

Cells – Percentages – Total (по строкам и по столбцам)

Соотношения в таблицах сопряженности применимы только к выборке; для того, чтобы проверить, возможно ли распространить результаты на генеральную совокупность, необходимо использовать специальные критерии, описанные в Главе 2 и, в частности, вычислить критерий хи-квадрат Пирсона.



Рис. 3.10. Вычисление таблиц сопряженности



Рис. 3.11. К вычислению таблиц сопряженности

Нулевая гипотеза предполагает, что между переменными нет никакой зависимости. Используем пункты меню (рис.3.12):

Statistics – Summarize – Crosstabs - ……. ………-Statistics … - Chi-square



Рис. 3.12. Вычисление критерия хи-квадрат Пирсона

В таблицах окна вывода программы SPSS исследователь получает следующие результаты:

Pearson Chi-Square – хи-квадрат Пирсона.

Likelihood Ratio – отношение правдоподобия. Рассчитывается по более сложной формуле, чем хи-квадрат Пирсона (хи-квадрат представляет собой приблизительную оценку отношения правдоподобия).

Linear-by-Linear Association – критерий линейно-линейной зависимости. Представляет собой коэффициент корреляции, применим только если обе переменные – порядковые!

В таблице в окне вывода: Value – значения критерия, df - количество степеней свободы, Asymp.Sig.(2-sided)- уровень значимости (рис. 2.14 в Главе 2). Обычно нулевая гипотеза отвергается, если уровень значимости меньше 5% (0.05).

Для того, чтобы определить вклад каждой ячейки таблицы в общее значение критерия хи-квадрат, можно в меню:

Statistics – Summarize – Crosstabs - …….- Cells

выбрать для вывода также значения :

Expected – ожидаемое значение;

Unstandarized – ненормированные остатки;

Standarized – нормированные остатки

All Standarized – исправленные нормированные остатки (рис. 3.11).

Величины остатков позволяют судить о том, насколько сильно фактические значения отличаются от ожидаемых, или какие значения более всего отклоняются от нулевой гипотезы (если она верна, остатки должны быть равны нулю).

3.4. Вычисление корреляционных функций.

Как было показано в Главе 2, корреляция - это исследование комбинаций непрерывных переменных. Графическое представление зависимости между переменными можно получить с помощью диаграммы рассеяния. Для построения диаграммы рассеяния используются пункты меню:

Graphs – Scatter – Simple – Define – выбор переменных

Диаграмма позволяет на глаз оценить зависимость двух переменных.



Рис. 3.13. Построение диаграммы рассеяния

Поверх уже созданной диаграммы в окне вывода можно наложить линию наименьших квадратов. В окне Редактора графиков (чтобы его вызвать, необходимо два раза щелкнуть левой клавишей мыши на графике в окне вывода) требуется задать: Charts – Options – Fit Line – Total



Рис. 3.14. Наложение линии наименьших квадратов поверх диаграммы рассеяния

Если требуется обнаружить квадратичную или кубическую зависимость, необходимо в окне редактора графиков выбирать Fit Options.

Информацию о зависимости между переменными можно получить, вычислив коэффициент корреляции Пирсона r:

r = 1 – прямая зависимость;

r = -1 - обратная зависимость;

r = 0 - отсутствие зависимости (вернее, в данном случае линейную зависимость установить не удается и можно попытаться установить нелинейную зависимость, используя диаграммы рассеяния – см. выше). Для вычисления коэффициента корреляции Пирсона используются пункты меню:

Statistics – Correlate - Bivariate –

выбор переменных – Correlation Coefficients - Pearson



Рис. 3.15. Вычисление коэффициента корреляции Пирсона

Для каждой выбранной пары переменных принимается нулевая гипотеза о том, что линейная зависимость между ними отсутствует.

Результаты вычислений помещаются в таблицу Correlations в окне вывода (рис.2.11, Глава 2):

Pearson Correlation – коэффициент корреляции;

Sig. (2-tailed) – уровень значимости коэффициента;

N - количество записей в файле данных, по которым делался расчет.

Особое внимание следует обратить на уровень значимости – любая значимость выше 0.05 (5%) подтверждает нулевую гипотезу (о том, что в генеральной совокупности значение коэффициента корреляции равно нулю).

Для использования коэффициента корреляции Пирсона необходимо, чтобы все переменные были непрерывными и данные являлись бы случайной выборкой из генеральной совокупности с нормальным распределением. В том случае, когда какое-либо из этих условий не выполняется и коэффициент Пирсона использовать нельзя, применяются так называемые непараметрические критерии и, в частности, коэффициент ранговой корреляции Спирмена. Его значение также заключено между –1 и +1, интерпретация осуществляется так же, как и интерпретация значений коэффициента Пирсона.

Statistics – Correlate - Bivariate – выбор переменных —

— Correlation Coefficients - Spearman

Коэффициент Спирмена менее мощный, чем коэффициент Пирсона, поскольку в нем используется меньше информации о данных; тем не менее он является весьма полезным и часто используется в случае невозможности использования критерия Пирсона.

Как уже подчеркивалось в Главе 2, при интерпретации результатов исследования комбинации переменных с помощью корреляции, необходимо помнить, что сильная корреляционная зависимость между переменными совсем не означает, что одна является причиной другой!

3.5. Расчет t-критерия.

t–критерий применяется для сравнения двух групп, образованных категориями независимой переменной по характеристикам распределения зависимой непрерывной переменной.

В основе t-критерия лежат следующие предположения.

• Две группы являются взаимоисключающими, т.е. каждое наблюдение может попасть только в одну из этих групп.
  
• Данные получены в результате случайной выборки из генеральной совокупности с нормальным распределением непрерывной переменной.
  
• В генеральной совокупности в обеих группах одинаковая дисперсия непрерывной переменной
  

Как правило, перед расчетом t-критерия осуществляется проверка двух последних предположений. Для проверки равенства дисперсий используется критерий Ливиня (