Использование дескриптивного анализа данных при проведении маркетинговых исследований: расчет средних величин, моды, среднеквадратического отклонения

Для описания информации, полученной на основе выборочных измерений, широко используется две группы мер. Первая включает меры «центральной тенденции», или меры, которые описывают типичного рес­пондента или типичный ответ. Вторая включает меры вариации, или ме­ры, описывающие степень схожести или несхожести респондентов или ответов с «типичными» респондентами или ответами.

К числу мер центральной тенденции относятся мода, медиана и средняя.

Мода характеризует величину признака, появляющуюся наиболее часто по сравнению с другими величинами данного признака. Мода но­сит относительный характер, и необязательно, чтобы большинство рес­пондентов указало именно эту величину признака.

Медиана характеризует значение признака, занимающее срединное место в упорядоченном ряду значений данного признака.

Видно, что степень информативности средней величины больше, чем медианы, а медианы — моды.

Однако рассмотренные меры не характеризуют вариацию ответов на какой-то вопрос или, говоря другими словами, несходство, различие респондентов или измеренных характеристик. Очевидно, что помимо знания величин мер центральной тенденции важно установить, насколь­ко близко к этим величинам расположены остальные полученные оцен­ки. Обычно используют три меры вариации: распределение частот, раз­мах вариации и среднее квадратическое отклонение.

Среднее квадратическое отклонение является обобщающей статисти­ческой характеристикой вариации значений признака. Если эта мера ма­ла, то кривая распределения имеет узкую, сжатую форму (результаты из­мерений обладают высокой степенью схожести); если мера велика, то кривая распределения имеет широкий, растянутый вид (велика степень различия оценок).

Ранее было отмечено, что выбор шкалы измерений, а следователь­но, типа вопросов в опросном листе предопределяют количество полу­чаемой информации. Подобным образом, количество информации, полу­чаемой при использовании рассмотренных выше мер, является различ­ным. Общим правилом является то, что статистические меры дают воз­можность получить больше информации при применении наиболее ин­формативных шкал измерений. Выбор шкалы измерений предопределяет выбор статистических мер. Например, один из вопросов демографиче­ского исследования, при проведении которого использовалась шкала на­именований, касался национальности. Русским был присвоен код 1, ук­раинцам — 2, татарам — 3 и т.д. В данном случае, конечно, можно вы­числить среднее значение. Но как интерпретировать среднюю нацио­нальность, равную, скажем, 5,67? Для вычисления средних надо исполь­зовать интервальную шкалу или шкалу отношений. Однако в нашем примере можно использовать моду.

Что касается мер вариации, то при использовании номинальной шкалы применяется распределение частот, при использовании шкалы порядков — кумулятивное распределение частот, а при использовании интервальной шкалы и шкалы отношений — среднее квадратическое от­клонение.

Билет № 55 Анализ маркетинговых данных с использованием корреляционно-регрессионного анализа; факторного анализа; многомерного шкалирования

Корреля́ция (корреляционная зависимость) — статистическая взаимосвязь двух или нескольких случайных величин (либо величин, которые можно с некоторой допустимой степенью точности считать таковыми). При этом, изменения значений одной или нескольких из этих величин приводят к систематическому изменению значений другой или других величин.^[1] Корреляционный анализ — метод обработки статистических данных, с помощью которого измеряется теснота связи между двумя или более переменными. Корреляционный анализ тесно связан с регрессионным анализом (также часто встречается термин «корреляционно-регрессионный анализ», который является более общим статистическим понятием), с его помощью определяют необходимость включения тех или иных факторов в уравнение множественной регрессии, а также оценивают полученное уравнение регрессии на соответствие выявленным связям (используя коэффициент детерминации).^[1][2]

1. Применение возможно при наличии достаточного количества наблюдений для изучения. На практике считается, что число наблюдений должно быть не менее, чем в 5-6 раз превышать число факторов (также встречается рекомендация использовать пропорцию не менее, чем в 10 раз превышающую количество факторов). В случае, если число наблюдений превышает количество факторов в десятки раз, в действие вступает закон больших чисел, который обеспечивает взаимопогашение случайных колебаний.^[13]
2. Необходимо, чтобы совокупность значений всех факторных и результативного признаков подчинялась многомерному нормальному распределению. В случае, если объём совокупности недостаточен для проведения формального тестирования на нормальность распределения, то закон распределения определяется визуально на основе корреляционного поля. Если в расположении точек на этом поле наблюдается линейная тенденция, то можно предположить, что совокупность исходных данных подчиняется нормальному закону распределения.^[14].
3. Исходная совокупность значений должна быть качественно однородной.^[13]
4. Сам по себе факт корреляционной зависимости не даёт основания утверждать, что одна из переменных предшествует или является причиной изменений, или то, что переменные вообще причинно связаны между собой, а не наблюдается действие третьего фактора.^[5]

Дата добавления: 2015-04-24