Маркетинговые исследования

Метрические данные (metric data)

Данные, которые по своей природе интервальные или относительные.

Неметрические данные (nonmetric data) оцениваются по номинальной или порядковой шкале (см. главу 8).

Неметрические данные (nonmetric data)

Данные, полученные на основе измерений по номинальной или порядковой шкале.

Затем эти методы делят на классы на основе того, сколько выборок -- одна, две или более -- анализируется в ходе исследований. Заметим, что число выборок определяется тем, как ведется работа с данными для конкретного анализа, а не тем, каким способом собирались данные. Например, данные по лицам мужского и женского пола можно получить в пределах одной выборки, но если их анализ нацелен на выявление разницы в восприятии, основанной на разнице полов, исследователю придется воспользоваться двумя разными методами выборки. Выборки считаются независимыми, если они выделены из разных генеральных совокупностей произвольно. Для анализа данные, относящиеся к разным группам респондентов, например собранные от лиц женского и мужского пола, обычно обрабатываются как независимые выборки.

С другой стороны, если данные по двум выборкам относятся к одной и той же группе респондентов, выборки считаются объединенными в пары.

Что касается метрических данных, то если существует только одна выборка, может использоваться ж- и г-критерий. Если же независимых выборок две или больше, в первом случае можно воспользоваться ж- и /-критерием для двух выборок, в во втором -- методом однофакторногодисперсионного анализа. Для двух связанных выборок используется парный Я-критерий. Если речь идет о неметрических данных по одной выборке, исследователь может воспользоваться критериями частотного распределения, хи-квадратом, критерием Колмогорова--Смирнова (K--S), критерием серий и биномиальным критерием. Для двух независимых выборок с неметрическими данными можно прибегнуть к следующим методам анализа: хи-квадрат, Манна--Уитии, медианы, К--С, однофакторным дисперсионным анализом Крускала--Уоллиса (ДА К-У). В отличие от этого, если существует две или больше взаимосвязанных выборок, следует воспользоваться критериями знаков, Мак-Нсмараи Уилкоксона (рис. 14.6).

Одномерные методы статистического анализа

Многомерные статистические методы можно разделить на методы зависимости и методы взаимозависимости (рис. 14.7).

Методы для зависимых

Методы для взаимозависимых переменных

Одна зависимая переменная

Кросс-табуляция (более двух переменных)

Дисперсионный и ковариационный анализ

* Множественная регрессия

Двухгрупповой дискриминантный анализ

Совместный анализ

Несколько зависимых < - пененных

* Многомерный дисперсионный и ковариационный анализ

* Анализ канонической корреляции

¦ Множественный дискриминантный анализ

взаимозависимые переменные

¦ Факторный анализ

Методы зависимости (dependence techniques) применяются в случаях, когда одна или больше переменных идентифицированы как зависимые, а остальные -- как независимые

Методы зависимости (dependence techniques)

Методы, применяемые в случаях, когда одна или больше переменных идентифицированы как зависимые, а остальные - как независимые.

Если есть только одна зависимая переменная, используются такие методы анализа, как кросс-табуляция, дисперсионный и ковариационный анализ, регрессионный анализ, двухгрупповой дискриминантный анализ и совместный анализ. Однако, если имеется больше одной зависимой переменной, следует воспользоваться многомерными методами анализа: дисперсионным и ковариационным, методом канонической корреляции и множественным дискриминантный анализом. При применении методов взаимозависимости (interdependent techniques) переменные не подразделяются на зависимые и независимые; напротив, исследуется весь набор взаимозависимых взаимосвязей.

Методы взаимозависимости (interdependent techniques)

Многомерные статистические методы, цель которых - сгруппировать данные по лежащему в основе сходству, что позволяет интерпретировать разные структуры данных. При этом переменные не подразделяютс на зависимые и независимые.

Методы данного типа нацелены прежде всего на выявление взаимозависимости переменных либо межобъектного сходства. При исследовании взаимозависимости переменных чаще всего применяется факторный анализ. Анализ межобъектного сходства можно вести, используя методы кластерного анализа и многомерного шкалирования [17].

МЕЖДУНАРОДНЫЕ МАРКЕТИНГОВЫЕ ИССЛЕДОВАНИЯ

Прежде чем приступить к анализу данных, исследователь должен обеспечить сравнимость единиц измерения, используемых в разных странах или отдельных культурных образованиях. Возможно, ему придется откорректировать имеющиеся данные с тем, чтобы создать эквиваленты валют либо метрических мер. Кроме того, для проведения значимых сравнений и получения достоверных и состоятельных результатов нередко необходимо провести стандартизацию или нормализацию данных.

родных маркетинговых исследований или исследований в разных культурных средах исследователь в любом случае должен обладать полноценными знаниями о потребителях, относящихся ко всем элементам разных культур. Этого лучше всего можно добиться, применяя анализ на индивидуальном уровне (19].

При анализе в пределах одной страны или одного культурного образования данные по каждой стране или культурной единице анализируются отдельно. Такой анализ также называют ингракультурным (intracultural analysis).

Интракультурный анализ (intracultural analysis)

Анали- данных международного характера, проводимый в пределах одной страны.

Данный уровень анализа очень напоминает анализ, который проводится при внутренних маркетинговых исследованиях. Цель его -- определить взаимоотношения и структурные связи, существующие в каждой стране или культурной единице. При анализе результатов опроса в разных странах собранные данные анализируются одновременно. При использовании этого метода возможны два подхода. Первый заключается в том, что данные по всем респондентам, представляющим все исследуемые страны, объединяются и анализируются. Такой подход называют панкультурным анализом (pan-culturel analysis).

Панкультурный анализ (pan-cultural analysis)

Анализ, охватывающий несколько стран, при котором объединяются и анализируются данные, собранные при опросе респондентов из всех стран.

Второй подход состоит в том, что данные группируются по каждой стране, и затем эти уже объединенные статистические данные анализируются. Так, например, можно рассчитать средние по переменным для каждой страны, а затем вычислить корреляции этих средних. Это называется межкультурным анализом (cross-cultural analysis).

Межкультурный анализ (cross-cultural analysis)

Тип анализа, охватывающего несколько стран, при котором данные сначала группируются по каждой стране, а затем по каждой стране анализируются.

Цель данного типа анализа заключается в оценке сравнимости выводов по разным странам. В данном случае нужно исследовать как сходства, так и различия между странами. При исследовании различий необходимо оценивать не только различия в средних показателях, но и различия в дисперсии и распределении. Все статистические методы, обсуждаемые в этой книге, могут применяться для анализа в пределах одной страны и для анализа, охватывающего несколько стран, а также, если можно получить необходимый объем данных, и для анализа на индивидуальном уровне 120].

ЭТИКА МАРКЕТИНГОВЫХ ИССЛЕДОВАНИЙ

Этические вопросы, возникающие на этапе подготовки данных к анализу и в процессе самого анализа в ходе проведения маркетинговых исследований, в первую очередь касаются исследователя. Проводя проверку, редактирование, кодирование, преобразование и очищение данных, исследователи должны составить представление по поводу качества данных. Следует попытаться выявить респондентов, которые предоставили данные сомнительного качества. Рассмотрим, например, следующий случай: респондент помечает вариант "7" по всем 20 пунктам, предложенным при исследовании отношения людей к зрелищным видам спорта, по семибалльной шкале Лайкерта. Очевидно, что данный респондент не осознавал, что некоторые: утверждения были при этом позитивными, а некоторые -- негативными. Таким образом, он указывает на свое весьма положительное отношение к зрелищным видам спорта по всем позитивным элементам и на резко отрицательное -- по всем противоположным утверждениям. В данном случае решение отбраковать ответы данного респондента, т.е. не включать их в анализ, может быть связано с определенными морально-этическими проблемами. Для подобных ситуаций существует весьма полезное эмпирическое правило: принимать такие решения следует на этапе подготовки данных, еше до перехода на стадию анализа.

Представим противоположную ситуацию: предположим, что исследователь провел анализ данного рода, не попытавшись сначала выявить всех респондентов, предоставивших ответы неудовлетворительного качества. Данный анализ, однако, не выявил ожидаемых взаимосвязей, т.е. он не показал, что отношение к зрелищным видам спорта влияет на посещаемость спортзалов и стадионов зрителями. После этого исследователь принимает решение исследовать качество полученных данных. При проверке анкет выявлено несколько респондентов, ответы которых неудовлетворительного качества. Кроме упомянутого выше типа неудовлетворительных ответов были также другие сомнительные варианты. Например, некоторые респонденты пометили все ответы по всем 20 элементам оценки зрелищных видов спорта как "4", т.е. выбрали вариант "не согласен, но и не против". После отсеивания ответов всех таких респондентов из анализа оставшийся набор данных анализировали и получили ожидаемый результат, свидетельствуюший о том, что положительное отношение к зрелищным видам спорта увеличивает посещаемость соответствующих заведений.

Отбраковка респондентов после анализа данных связана с определенными этическими проблемами, особенно если в отчете нет явного свидетельства о том, что первоначальный анализ неокончателен. Более того, необходимо дать точное определение процедуры, использованной для выявления неудовлетворительных респондентов, и точно указать количество отбракованных респондентов, как это описано в приведенном ниже примере.

ПРИМЕР. Отсеивание лиц, ответственных за принятие решений, но не желаю-ши - поступать в соответствии с этическими нормами

При опросе учащихся по программе МВА по вопросам, связанным с этическими проблемами, возникающими в ходе маркетинговых исследований, респондентов попросили ответить на 14 вопросов, касающихся двусмысленных в этическом плане ситуаций. Для этого они должны простым предложением описать, какие действия они предприняли бы, если бы оказались в подобной ситуации. После этого все результаты ответов были проанализирова с тем, чтобы определить, свидетельствует ли ответ респондента об этичности его поведения. Однако уже на этапе подготовки данных шесть из 561 респондента отбраковали из дальнейшего анализа, поскольку их ответы указывали на то, что они не выполнили основной рекомендации, в соответствии с которой они должны были четко описать свои деиствия. Данная ситуация может служить примером выполнения этических требований к редактированию данных. Критерий неудовлетворительных ответов определен четко и точно, респонденты с неудовлетворительными ответами выявлены перед проведением анализа, и число отсеянных респондентов точно определено 121].

В ходе анализа данных исследователю также нередко приходится сталкиваться с вопросами этического характера. Предположения, лежащие в основе статистических методов, используемых для анализа данных, должны удовлетворять одному условию: быть достаточными для получения значимых результатов. Любое отклонение от этих предположений необходимо всесторонне исследовать и определить, насколько подходит выбранный метод для анализа имеющихся данных. На маркетологе лежит определенная ответственность: он должен уметь объяснить, почему для анализа использовал тот или иной метод. Если это не делается, могут возникнуть вопросы этического характера. Кроме того, недопустимы какие-либо преднамеренные либо умышленные искажения методов или результатов исследования. Этические проблемы могут возникнуть и в ходе интерпретации результатов, составления заключений, рекомендаций и в процессе реализации выводов. Несомненно, интерпретация, заключения, рекомендации и реализация выводов обязательно подразумевают определенную степень субъективности, однако любая оценка должна быть честной, свободной от какой-либо личной необъективности и предвзятости исследователя или клиента.

ИСПОЛЬЗОВАНИЕ INTERNET И КОМПЬЮТЕРА

Основные пакеты статистического программного обеспечения: SPSS (vjww.spss.com), BMDP (www.uscedu/ucs/userserv/statistics/bmdp), Minitab (www.minitab.com) и Excel (207 . 68 -137. 59/excel/Productlnfo/Brochure/)-- имеют свои Internet-сайты, выйдя на которые, можно получить огромное количество самой разнообразной информации. Ниже подробно рассказывается об использовании этих пакетов для проверки достоверности собранных данных.

Компьютерные программы для подготовки данных SPSS

С помощью этого пакета значения, выпадающие из определенного диапазона, могут быть отобраны с использованием операторов SELECT IF или PROCESS IF. Все эти наблюдения вместе с идентификационной информацией можно распечатать командами PRINT или WRITE. В ходе дальнейшей проверки может использоваться команда LIST, которая выводит на экран значения переменных по каждому наблюдению. Функция SPSS Data Entry II упрошает процедуру ввода данных в новые файлы. Она повышает эффективность процесса очищения данных и проверки их на предмет логической несостоятельности.

SAS

Для отбора наблюдений с пропущенными значениями либо значениями, выходящими за пределы определенного диапазона, в этом пакете используются операторы IF, IF-THEN и IF-THEN/ELSE. Оператор SELECT выбирает один из нескольких операторов либо группу операторов. Оператор LIST весьма полезен для распечатки вызывающих подозрение строк введенных данных. Оператор LOSTCARD используется для идентификации пропущенных записей в данных. Процедуры PRINT и PRINTTO применяют для идентификации наблюдений и распечатки имен и значений переменных. Кроме того, операторы OUTPUT и PUT применяют для записи значений переменных.

BMDP

Для отбора выпадающих из определенного диапазона данных в этом пакете используется функция TRANSFORM. Преобразующее слово USE и несколько функций и логических операторов обеспечивают мошные возможности для отбора данных. Некоторые программы имеют специальные опции для перечисления данных. Например, ID может распечатать только наблюдения с пропущенными значениями или значениями, выходящими за пределы конкретного диапазона. Эта программа позволяет составить список всех данных таким образом, что каждый столбец будет содержать все значения по одной переменной. Можно также распечатать все переменные по одному наблюдению перед переменными по следующему наблюдению. Программа AM позволяет распечатать позиции пропущенных и выходящих за пределы диапазона значений, 4D обеспечивает вывод на печать данных в компактной форме карты или образа либо распечатать только наблюдения, содержащие нечисловые символы.

Minitab

В этом пакете операторы позволяют управлять порядком команд в макросе. Команда IF позволяет реализовывать разные блоки команд: IF, ELSEIF, ELSE и ENDIF.

Excel

Для проведения логических проверок и проверок на наличие данных, выпадающих из определенного диапазона, с помощью этой программы можно воспользоваться оператором IF. Доступ к нему получают следующим образом: INSERT>FUNCT10N>ALL>1F.

Кроме того, эти пакеты включают опции для работы с пропущенными ответами и для статистической корректировки данных. Сегодня существуют статистические программы, которые можно найти в Internet. Некоторые из них нельзя применять для интегрированного анализа данных, но зато они очень полезны при выполнении отдельных элементов статистического анализа.

Через Internet можно получить информацию, используемую при выборе правильной стратегии анализа данных. Здесь содержится огромное количество сведений относительно того, в каких случаях пользоваться теми или иными статистическими методами. Кроме того, "путешествуя" по Internet, можно найти информацию о совершенно новых статистических методах, которые пока недоступны в широко используемых статистических программах. Полезным источником всевозможных сведений статистического характера могут стать группы новостей и группы по интересам.

Существует несколько программ для компьютеров, повышающие эффективность процесса подготовки данных. Так, компания Pros & Cons, Inc. (Бетесда. штат Мэриленд) разработала программу PCPUNCH для персональных компьютеров, с помощью которой можно вводить данные, проверять их состоятельность, замещать пропущенные значения, выполнять статистическую корректировку данных и их базовый анализ. Кроме того, процедуру проверки на наличие данных, выпадающих из определенного диапазона, и логически непоследовательных данных можно запрограммировать. Все это позволяет выявлять ошибки данного типа уже на этапе ввода данных с клавиатуры, что не только сокращает количество ошибок при вводе данных, но и повышает эффективность корректировочных мероприятий.

В центре внимания Burke

В компании Burke огромное внимание уделяется надлежащей подготовке данных к анализу. Заполненные анкеты, поступившие с мест сбора данных, тщательно проверяются и редактируются. Если это возможно, в случае обнаружения пропущенных или неудовлетворительных ответов с респондентами связываются повторно. Для кодирования и преобразования данных применяется стандартная процедура. Для выявления значений, выходящих за пределы определенного диапазона, непоследовательных значений или экстремальных ответов используются всесторонние проверки с применением компьютерной техники.

Обычная процедура -- преобразование данных, обеспечивающее их максимальное соответствие основным задачам исследования. Однако специалисты компании заметили, что такие преобразования, хотя и выглядят логичными, способны создавать определенные проблемы для исследователя. Рассмотрим, например, исследование, проведенное Burke для клиента, пожелавшего проанализировать закономерность в возникновении проблем при установке новых компьютеров. Ставились основные два вопроса.

1 Сколько новых компьютеров доставлено на данный участок за последних 30 дней?

2. С каким количеством компьютеров возникли проблемы при установке, в результате чего компьютер либо его отдельные компоненты пришлось возвратить продавцу?

Специалисты рассмотрели несколько вариантов возможных преобразований, используемых для работы сданными такого рода. Один подход заключался во взвешивании количества возвратов делением этого показателя на количество поставок. Такое действие позволило вывести новую переменную, которая представляла собой не что иное, как пропорциональную долю поставок, повлекших за собой возврат товара. Очевидно, что если I рассматривать данный показатель как "наблюденные данные", при любом суммировании или выведении среднего по этим числам будет тотально игнорироваться основа, на которой получены эти показатели. Так, один респондент имел один возврат при четырех поставках, т.е. пропорция была 1/4; второй -- 10/30, т.е. с пропорцией 1/3. Эти данные необходимо рассматривать с применением одних и тех же единиц измерений, и средний показатель будет 7/24, или 0,29. Конечно, реальный средний показатель возвратов составляет 11/34, или 0,32. Как мы видим, Burke весьма осторожно использует всевозможные-. Й варианты преобразования данных.

При некоторых видах преобразований определенные статистические методы, например кросс-табуляцию. нельзя использовать в их обычной форме. Компания Burke разработала специальное статистическое программное обеспечение, с помощью которого можно анализировать данные в таких ситуациях. Для каждого проекта разрабатывается подробная стратегия анализа данных. В Burke дня анализа данных в ходе проведения маркетинговых исследований очень широко используются как простые одномерные, так и сложные многомерные методы статистического анализа. В компании разработаны специальные программы для анализа данных в конкретных ситуациях, связанных с применением нестандартных методов преобразования данных.

РЕЗЮМЕ

Процесс подготовки данных к анализу начинается с предварительной проверки полноты заполнения всех анкет и качества интервью. После этого выполняется более тщательное редактирование: просмотр анкет для выявления нечитабельных, не до конца заполненных анкет, наличия в них логически непоследовательных и неоднозначных ответов. С анкетами такого типа ведется определенная работа: их либо возвращают для получения необходимых данных, либо пропущенные значения заменяются другими, либо анкеты респондентов, недостаточно точно и полно ответивших на вопросы, отбраковываются из анализа.

Следуюший этап заключается в кодировке данных. Для обозначения конкретного варианта ответа на конкретный вопрос ему присваивается числовой или буквенный код, а также указывается позиция столбца, которую данный код будет занимать. Полезно подготовить кодиро-вочную книгу, шдержащую инструкции относительно кодирования и всю необходимую информацию о переменных в этом массиве данных. Закодированные данные переносятся на диски или магнитные ленты либо вводятся в компьютер непосредственно с клавиатуры. Кроме того, для переноса данных применяются методы считывания меток или маркеров с бланков, оптическое сканирование и компьютеризированный сенсорный анализ. Очишение данных заключается в проверке их последовательности и состоятельности и в работе с пропущенными ответами. Эта работа может вестись несколькими способами: заменой пропущенных значений нейтральными или условными (вмененными) значениями, методом исключения объекта целиком или попарного исключения переменных. Качество анализа данных нередко можно повысить статистическими корректировками, такими как взвешивание, переопределение переменной и преобразование шкалы. Выбор стратегии анализа данных должен основываться на результатах предыдущих этапов процесса маркетинговых исследований, на известных характеристиках данных, на конкретных свойствах выбранных для использования статистических методов, а также на уровне подготовки исследователя и его философских убеждениях. Статистические методы можно подразделить на одномерные и многомерные,

Прежде чем приступить к анализу данных в ходе международных маркетинговых исследований, исследователь должен убедиться, что он использует сравнимые единицы измерений, применяемые в разных странах или в разных культурных образованиях. Анализ данных можно выполнять на трех уровнях; индивидуальном, в пределах страны или культурного образования (интракультурныйанализ), на базе нескольких стран и культурных образований, т.е. панкуль-турный или межкультурный анализ. Необходимо помнить, что существует ряд этических проблем, связанных с обработкой данных, а именно, с такими аспектами этой работы, как отбраковка неудовлетворительных ответов, нарушение предположений при использовании тех или иных методов анализа, оценка и интерпретация результатов. Значительную роль в подготовке и анализе данных играет Internet и компьютерная техника.

ОСНОВНЫЕ ТЕРМИНЫ И ПОНЯТИЯ

* взвешивание (weighting)

* интракультурный анализ (intracultural analysis)

исключение объекта целиком (casewise deletion)

кодирование (coding)

кодировочная книга(codcbook)

межкультурный анализ (cross-cultural analysis)

* методы взаимозависимости (interdependence techniques)

методы зависимости (dependence techniques)

метрические данные (metric data)

многомерные методы (multivariate techniques)

неметрические данные (nonmetricdata)

нормализация (standardization)

одномерные методы (univariatEtechniques)

очищение данных (data cleaning)

¦ панкультурныйанализ (pan-cultural analysis)

* переопределение переменных (variable respecification)

попарное исключение переменных (pairwispdeletion)

преобразование шкалы (scale transformation)

проверка шстоятельностиданньгх (consistency checks)

пропущенные ответы (missingresponses)

редактирование (editing)

фиксированные коды полей (fixed field codes)

фиктивные перменные (dummy variables)

УПРАЖНЕНИЯ

Вопросы

Опишите процесс подготовки данных к анализу.

В чем заключается предварительная проверка анкет, поступивших с мест сбора данных?

В чем состоит процедура редактирования анкет?

Опишите методы работы с ответами неудовлетворительного качества, выявленными в ходе редактирования

В чем разница между предварительным и последующим кодированием?

Опишите основные рекомендации относительно кодирования неструктурированных вопросов.

В чем заключается процедура преобразования данных?

Какие проверки состоятельности данных проводятся в ходе очищения данных?

В чем заключается работа с пропущенными данными?

Назовите методы статистической корректировки данных.

Опишите процесс взвешивания. Каковы причины применения этого метода?

Что представляют собой индикаторные переменные? Зачем создаются переменные данного типа?

Объясните причины применения метода преобразования шкалы.

Какая процедура преобразования шкалы применяется чаше всего? Кратко опишите ее.

Какие факторы влияют на выбор той или иной стратегии анализа данных?

Задачи

1. Разработайте схему кодирования с использованием фиктивной переменной для следующих переменных-

Пол.

Семейное положение, по следующим четырем категориям: не был(а) женат/замужем, женат/замужем, разведен(а), прочес (женат/замужем, но живут отдельно; вдовец (вдова)).

Как часто выезжает за границу, по следующим категориям;

КОММЕНТАРИИ

Kevin Т. Higgms, "Never Ending Journey", Marketing Management, Spring 1997, p. 4--7. Joann Hanisthal, "Interviewer Tips", Applied Marketing Research, Fall 1988, p. 42--45.

Kofi Q. Dadzie, "Demarketmg Strategy in Shortage Marketing Environment", Journal of the Academy of Marketing Science, Spring 1989, p. 157--165. См. также монографию Fred Davidson, Principle's of Statistical Data Handling (Thousand Oaks, CA: Sage Publications, 1996).

Colin McDonald, "Linguistic Coding -- A New Solution to an Old Problem", Journal of the Market Research Society, October 19%, p. 505-524, Philip S. Sidel, "Coding", in Robert Ferber (ed.), Handbook of Marketing Research (New York: McGraw-Hill, 1974), p. 2.178-2.199.

Arlene Fink, How to Analyze Survey Data (Thousand Oaks, CA Sage Publications, 1995); Pamela L. Alreck, Robert B. Settle, 77ге Survey Research Handbook, 2nd ed. (Homewood, IL: Irwin Profes-sional Pubushing, 1994).

Serge Luyens, "Coding Verbatims by Computer", Marketing Research A Magazine ofManagement & Applications, Spring 1995, p. 20-25.

Norman Frendberg, "Scanning Questionnaires Efficiently", Marketing Research A Magazine of Management & Applications, Spring 1993, p. 38--42.

Eric L. Einspruch, An Introductory Guide to SPSS for Windows (Thousand Oaks, CA Sage Publications, 1998); Paul E. Spectoi, SAS Programmwfor Researchers and Social Scientists (Thousand Oaks, CA Sage Publications, 1993); Mohamed Atzal Norat, "Software Reviews", Economic Journal: The Journal othe Royal Economic Society, May 1997, p. 857--882.

Vicki. A. Freedman, Douglas A. Wolf, "A Case Study on the Use of Multiple Imputation", Demography, August 1995; p. 459--470; Naresh K. Malhotra, "Analyzing Marketing Research Data with Incomplete Information on the Dependent Variable", Journal of Marketing Research, February 1987, p. 74-84.

Необходимо ввести такое значение, которое имеет смысл.

All Kara, Chistine Nielsen, Sundeep Sahay, Nagaraj Sivasubramaniam, "Latent Information in the Pattern of Missing Observations in Global Mail Surveys", Journal of Global Marketing, April 1994, p. 103--126; Naresh K, Malhotra, "Analyzing Marketing Research Data with Incomplete Information on the Dependent Variable", Journal of Marketing Research, February 1987, p. 74--84.

Некоторые процедуры взвешивания требуют определенной доработки. См. статьи Llan Ya-niv, "Weighting and Trimming Heuristics for Aggregating Judgments under Uncertainty", Organizational Behavior & Human Decision Processes, March 1997, p. 237--239; Humphrey Taylor, "The Very Different Methods Used to Conduct Telephone Surveys of the Public", Journal of the Market Research Society, July 1997, p. 421-432.

Rajiv M. Rao, "Nielsen's Internet Survey: Does It Carry Any Weight" Fortune, March 18, 1996, p. 24.

Arch G, Woodside, Robert L. Nielsen, Fred Walters, Gale D. Muller, "Preference Segmentation of Health Care Services. The Old-Fashioneds, Value Conscious, Affluents, and Professional Want It-Alls", Journal of Health Care Marketing, June 1988, p. 14--24, См. также статью Rama Jayanti, "Affective Responses toward Service Providers Implications foi Service Encounters", Health Marketing Quarterly, January 1996, p, 49--65.

В Swift, "Preparing Numerical Data", in Roger Sapsford, Victor Jupp (eds.), Data Collection and Analysis (Thousand Oaks, CA Sage Publications, 1996), Ronald E, Frank, "Lse of Transformations", Journal of Marketing Research, August 1966, p, 247--253.

Jacques Tacq, Multtvanate Analysis Techniques in Social Science Research Analysis (Thousand Oaks, CA: Sage Publications, 1996).

Fred Davidson, Principles of Statistical Data Handling (Thousand Oaks, CA: Sage Publications, 1996). См. также статью Naresh К. Malhotra, "Modeling Store Choice Based on Censored Preference Data", Journal of Retailing, Summer 1986, p. 128-144.

J. Douglass Carrol, Paul E. Green, "Psychometric Methods in Marketing Research Part II Multidimensional Scaling", Journalof Marketing Research, May 1997, p. 193-204.

David Kilbum, "Haagen-Dazs Is Flavor of Month", Marketing Week, September 4, 1997, p. 30, Mark Maremont, "They're All Screaming for Haagen Dazs", Business Weefc.October 14, 1991

Pertti Alasuutan, Researching Culture (Thousand Oaks, CA: Sage Publications, 1995); C.T. Tan, J. McCulIough, J. Teoh, "An Individual Analysis Approach to Cross-Cultural Research", in Melanie Wallendorf, Paul Anderson (eds,), Advance's in Consumer Research 14 (Provo, L'T: Association for Consumer Research, 1987): 394-7.

Association forConsumer Research, 1987, p. 394--597 См. например, статьи Lisa D. Spiller, Alexander J. Campbell, "The Use of International Direct Marketing by Small Businesses in Canada, Mexico, and the United States A Comparative Analysis", Journalof Direct Marketing, Winter 1994,, p. 7--16; Mee-Kau Nyaw, Ignace Ng, "A Comparative Analysis of Ethical Beliefs A Four Country Study", Journal of Business Ethics, July 1994, p. 543-556.

Dianna L. Newman, Robert D. Brown, Applied Ethicsfor Program Evaluation Analysis (Thousand Oaks, CA: Sage Publications, 1996); G.M. Zmkhan M. Bisesi, M.J. Saxton, "MBA's Changing Attitudes toward Marketing Dilemmas 1981-1987", Journal of Business Ethics, August 1989, p. 963-974.

Глава 15. Вариационный ряд, таблицы сопряженности признаков и проверка гипотез

После изучения материала этой главы вы должны уметь...

Описывать значимость предварительного анализа данных, понимать, что можно получить из такого анализа.

Обсуждать анализ данных, опирающийся на распределение частот значений переменной, включающий анализ центра распределения, изменчивости и формы кривой

Объяснять анализ данных, связанный с кросс-табуляцией и имеющими к нему отношение статистиками: хи-квадратом, фи-коэффициентом, коэффициентом сопряженности, V-коэффициентом Крамера и коэффициентом "лямбда".

Описывать анализ данных, связанный с параметрической проверкой гипотез для одной выборки, двух независимых выборок и парных выборок.

Объяснять анализ данных, связанный с непараметрической проверкой гипотез для одной выборки, двух независимых выборок и парных выборок.

КРАТКИЙ ОБЗОР

Эта глава посвящена базовому анализу данных, включающему изучение распределения частот значений переменной (вариационных рядов), кросс-табуляцию (построение таблиц сопряженности) и проверку гипотез. Сначала мы рассмотрим распределение частот и объясним, как с его помощью определить количество выбросов, пропущенных и экстремальных значений данных, а также выявим центральную тенденцию в значениях изучаемых данных, их вариацию и форму кривой распределения. Затем введем понятие проверки гипотез и опишем общую процедуру проверки. Процедуры проверки гипотез делятся на проверку связей и проверку различий. Мы также рассмотрим использование кросс-табуляции для установления связи между двумя или тремя переменными. Хотя природу связи можно увидеть из таблиц, статистики позволяют определить значимость и силу связи. И наконец, мы познакомим вас с методами статистической проверки гипотез, связанных с различиями в одной или двух выборках.

Многие маркетинговые исследовательские проекты не выходят за рамки базового анализа данных. Полученные по итогам исследования результаты часто отображают с помощью таблиц и графиков, как будет показано в главе 22.

СКВОЗНОЙ ПРИМЕР. ВЫБОР УНИВЕРМАГА

Анализ исходных, данных

В проекте "Выбор универмага" маркетологи сначала провели базовый анализ полученных ими данных, а затем на его основе --многомерный татистический анализ. Анализ данных начался с построения вариационного ряда и вычисления описательных статистик для каждой переменной. В дополнение к выявлению возможных проблем при обработке данных (см. главу 14) полученная информация позволила хорошо "прощупать" данные, чтобы onределить, каким образом они в дальнейшем будут аналиэированться. Например, следует ли I для целей анализа рассматривать переменные как ичсюшие категориальный характер, и если да, то сколько категорий представлено в каждой переменной? Чтобы установить связи между переменными, необходимо выполнить несколько операций кросс-табуляции для I двух и трех переменных. Для изучения влияния независимых переменных с двумя категориями на метрические зависимые переменные маркетологи задействовали Я-критерий и I другие процедуры проверки гипотез

Результаты базового анализа данных ценны сами по себе и, кроме того, показывают направление для последующего многомерного анализа. Чтобы читатель понял особенности статистических методов, мы приведем ряд примеров применения кросс-табуляции, критерия хи-квадрат и проверки гипотез.

ПРИМЕР. Рекламная битва полов

При сравнении телевизионных роликов в Австралии, Мексике и Соединенных Штатах Америки анализировалась роль пола в рекламе. Маркетологи выявили, что рекламные ролики разных стран отличаются степенью участия в них мужчин и женщин. Для анализа данных маркетологи применили кросс-табуляцию и статистическую проверку с использованием критерия хи-квадрат. В результате они получили следующие характеристики мексиканской рекламы.

Участники рекламы, %

Рекламируемый товар, который используют Женщины Мужчины

Женщины 25,0 4,0

Мужчины 6,8 11.8

Оба пола 68,2 84,2

ч2= 19,73,р< 0,001

Отсюда следует, что в мексиканской рекламе женщины появляются для рекламы товаров, используемых женщинами или лицами обеих полов, но редко рекламируют товары для мужчины. Мужчины рекламируют изделия, которыми пользуются и мужчины, и женщины. Эти различия в рекламе характерны также и для рекламных роликов США, хотя и в меньшей степени, а вот в австралийской рекламе таких различий нет [1].

ПРИМЕР. Анализ воспринимаемого риска для различных видов продаж

Маркетологи сравнили продажи 12 видов товаров по каталогу и через розничную торговую сеть. Результаты анализа показали, что следует отклонить выдвинутую гипотезу о том, что нет существенной разницы степени воспринимаемого потребителями риска для этих двух видов продаж. Для проверки гипотезы были вычислены 12 (по одному для каждого товара) /-критериев парных наблюдений. Средние значения степени риска (в баллах) для некоторых из товаров в обоих видах продаж даны в приведенной ниже таблице, причем наивысший балл отвечает наибольшему риску.

Средние значения степени воспринимаемого риска (в баллах) для двух видов продаж

Общий воспринимаемый риск, в баллах

Глава 15. Вариационный ряд, таблицы сопряженности признаков и проверка гипотез 553

Спортивные носки	35,22	30,22*
Карманный калькулятор	49,62	42,00*
Фотоагшарт 35 мм	4в,13	39,52*
Духи	34,85	29,79* 1
! 'Уровень значимости 0,01.
Из данных таблицы видно, что степень воспринимаемого риска при продаже товаров по
каталогу (при уровне статистической значимости с < 0,01) выше по сравнению с риском при
продаже товаров через магазины розничной торговли [2].

Пример, касающийся универсального магазина, показывает роль базового анализа данных при использовании его в сочетании с методами многомерного анализа, в то время как два других примера показывают, что этот анализ полезен и сам по себе. Использование кросс-табуляции и критерия хи-квадрат в примере, связанном с телевизионной рекламой, и парного f-критерия в примере с продажей товаров по каталогу позволяют маркетологам сделать вполне конкретные выводы.

Статистические понятия, обсуждаемые в этой главе, проиллюстрированы на примере, показывающим использование респондентами Internet для личных (не связанных с профессиональной деятельностью) целей. Табл. 15.1 содержит данные о 30 респондентах, включающие пол (1 -- мужчина, 2 -- женщина), степень знакомства с Internet (1 -- почти незнаком, 7 -- хорошо знаком), использование Internet (в часах в неделю), отношение к Internet и Internet-технологиям (измеренные по семибалльной шкале: 1 -- неблагосклонное, 7 -- благосклонное), использование Internet для приобретения товаров или банковских операций (1 -- да, 2-- нет). На первом этапе анализа следует изучить распределение частот значений или вариационный ряд соответствующих переменных.

ВАРИАЦИОННЫЙ РЯД

При проведении маркетинговых исследований часто необходимо получить информацию об одной переменной. Например;

Какое количество потребителей определенной марки товара можно считать лояльными ей?

Каково соотношение между разными группами потребителей товара: много использующими, средне, слабо и не пользователями?

* Какое количество потребителей хорошо осведомлены о предлагаемом новом товаре? Сколько потребителей поверхностно знакомы, сколько -- что-то слышали, а сколько вообще ничего не знают о данной торговой марке? Какова средняя степень осведомленности о товаре? Сильно ли различается степень осведомленность потребителей о новом товаре?

Что представляет собой кривая распределения дохода для приверженцев данной марки товара? Смещено ли данное распределение в сторону группы потребителей с низкими доходами?

Ответы на подобные вопросы можно получить, изучив распределение частот значений переменной, или вариационныйряд (frequency distribution). При таком анализе рассматривается одна переменная.

Вариационный ряд, распределение частот значений переменной | (frequency distribution).

Математическое распределение, цель которого - подсчет ответов, связанных с различными значениями одной переменной (частот), и дальнейшее выражение их в процентном виде (частости).

Целью построения вариационного ряда является подсчет ответов респондентов, в которых приводятся различные значения переменной. Относительную частоту различных значений переменной выражаю) в процентах и называют частошями. Подсчет распределения частот значений переменной дает возможность построить таблицу, с указанием частоты, частости и накопленных частостейдля всех значений этой переменной.

В табл. 15.2 представлено распределение частот осведомленности об Internet. Первая колонка содержит отметки, присвоенные различным категориям переменной, а вторая -- коды, присвоенные каждому значению переменной.

Таблица 15.2. Распределение частот 1Хяедш^1ленноста об Internet

Отметка значения	Значение	Частоты (N)	Частости	Достоверные частости	Накопление частости
1	2	со	4	5	6
Плохо осведомлены	1	0	0,0	0,0	0,0
	2	а	6,7	6,9	6,9
	3	б	20,0	20,7	27,6
	4	6	20,0	20,7	48,3
	5	со	10,0	10,3	58,6
	6	со	26,7	27,6	86,2
Хорошо осведомлены	7	4	13,3	13,8	100,0
	9	1	3,3	Пропуск
	[Люто	30	100,0	100,0

Обратите внимание, что код 9 присвоен пропущенным значениям. В третьей колонке приведено количество ответивших респондентов. Например, три респондента отметили в анкете галочкой значение 5, указав, что они что-то слышали об Internet. В четвертой колонке приведен процент респондентов, отметивших в анкете галочкой данное значение. В следующей колонке показаны проценты, подсчитанные с учетом пропущенных значений. Если пропущенных значений нет, то колонки 4 и 5 идентичны. В последней колонке представлены накопленные частости после корректировки пропущенных случаев (ответов респондентов). Как видно, из 30 респондентов, участвующих в опросе, 10% отметили значение 5. Если исключить одного респондента с пропущенным значением, то частость увеличится до 10,3%. Накопленная частость, относящаяся к значению 5, равна 58,6. Другими словами, 58.6% респондентов с достоверными ответами показали значение осведомленности 5 или меньше.

Размещено на http://www.allbest.ru/

Вариационный ряд помогает определить долю неответивших респондентов (в табл. 15.2 один респондент из 30 не ответил на вопрос), а также указывает долю ошибочных ответов. Значения, равные 0 или 8, соответствуют ошибочным ответам. Следует определить количество случаев с такими значениями и соответственно откорректировать результат. Кроме того, можно установить наличие выбросов, т.е. случаев с экстремальными значениями. При анализе распределения частот относительно размера домохозяйства (семьи) выбросами следует считать несколько семей, состоящих не меньше чем девяти человек. Распределение частот также определяет форму эмпирического распределения значений переменной. Частотные данные можно использовать для построения гистограмм или вертикальных столбчатых диаграмм, на которых по оси X откладывают значения переменной, а по оси Х-- абсолютные (частоты) или относительные (частости) значения. На рис. 15.1 представлена гистограмма для данных табл. 15.2. По гистограмме можно проверить, соответствует ли наблюдаемое распределение предполагаемому маркетологом распределению.

Для иллюстрации наших рассуждений рассмотрим следующий пример.

ПРИМЕР. Этические проблемы в рекламе

В опросе, касающемся этических проблем, руководителей рекламных агентств просили I описать наиболее трудные этические проблемы, с которыми они сталкиваются в повседнев-[ ной работе. Распределение частот показало, что чаше всего они испытывали следующие про-I блемы честное отношение к своим клиентам; создание объективной, не вводящей в заблуждение, социально значимой рекламы; принятие решения о целесообразности оказания услуг клиентам, чьи продукты или услуги вредят здоровью, ненужны, бесполезны и неэтичны; честное отношение к поставщикам, партнерам и посредникам; справедливое отношение к | сотрудникам и менеджерам; объективное и честное отношение к другим рекламным 1 агентствам [3].

Этические проблемы руководителей рекламных агентств

Ответы

Проблема Количество Процент

/.Честное отношение к своим клиентам	80	28
2. Создание честной, не вводящей в заблуждение, социально значимой рекламы	66	24
3. Принятие решения о целесообразности предоставления услуг клиентам, чьи продукты	34	12
или услуги вредятздоровью, ненужны, бесполезны и неэтичны
4. Честное отношение к поставщикам, партнерам и посредникам	25	СО
5 Честное отношение к сотрудникам и менеджерам	15	5
6. Объективное и честное отношение к другим рекламным агентствам	7	3
7. Другие	11	4
в. Ответов нет	43	15
Итого	281	100%

Данные в этом примере указывают на распространенность различных этических проблем. Поскольку при этом используют числовые значения, для вычисления описательных статистик можно применить распределение частот. Вычисление некоторых статистик, связанных с распределением частот, обсуждается в следующем разделе.

СТАТИСТИКИ. СВЯЗАННЫЕСРАСПРЕДЕЛЕНИЕМ ЧАСТОТ

Как следует из предыдущего раздела, распределение частот -- удобный способ представления различных значений переменной. Таблица вариационного ряда легко читается и содержит основную информацию, но иногда такая информация слишком детализированна, и исследователь вынужден обобщать ее с помощью описательных статистик [4]. Чаще всего используют следующие статистики, связанные с распределением частот: показатели центра распределения (среднее, мода и медиана), показатели вариации (размах, меж квартальный размах, стандартное отклонение и коэффициент вариации) и показатели формы распределения (асимметрия и эксцесс) [5].

Показатели центра распределения

Показатели центра распределения (measures of location) характеризуют положение центра распределения, вокруг которого концентрируются данные. Если всю выборку изменить, добавив фиксированную величину к каждому наблюдению, то среднее, мода и медиана изменятся на аналогичную величину.

Показатели центра распределения (measures of location)

Статистики, которые характеризуют значение признака, вокруг которого концентрируются наблюдения, или, как говорят, показывают центральную тенденцию распределения.

Среднее арифметическое или выборочное среднее (mean) -- это наиболее часто используемый показатель, характеризующий положение центра распределения. Он используется для оиенюл среднего значения в случае, если данные собраны с помощью интервальной или относительной шкалы. Его величина должна отражать некоторое среднее значение, вокруг которого распределена большая часть ответов.

Среднее арифметическое, выборочное среднее (mean)

Эта величина получается делением суммы всех имеющихся значений переменной на число значений

Среднее арифметическое X задается формулой X

где Xt~- полученные значения переменной Ч, з -- число наблюдений (размер выборки).

Обычно среднее значение -- устойчивый показатель и заметно не изменяется при добавле--нии или вычитании значений данных. Для частот, представленных в табл. 15.2, среднее арифметическое вычисляют следующим образом:

Мода (mode) -- значение переменной, встречающееся чаще других. Представляет наивыс-' шую точку (пик) распределения. Мода хороший показатель центра распределения, если переменная имеет категорийный характер, или, иначе говоря, ее можно разбить на категории.

Мода (mode)

Значение переменной, которое чаще всего встречается в выборочном распределении.

Медиана (median) выборки -- это значение переменной в середине ряда данных, расположенных в порядке возрастания или убывания, Положение медианы определяется ее номером.

Если число данных четное, то медиана равна полусумме двух серединных значений. Медиана-- это 50-й процента ль. Она характеризует положение центра распределения порядковых данных. В табл. 15.2 медиана равна 5,000.

Медиана (median)

Значение переменной, которое приходится на середину распределения частот, т.е. одна половина всех значений больше медианы, а другая половина - меньше.

Как видно из табл. 15.2, три показателя, характеризующих положение центра распределения для рассматриваемого нами примера, различны (среднее значение -- 4,724; мода -- 6,000; медиана -- 5,000). И это неудивительно, поскольку каждый показатель определяет центр распределения по-разному. Какой же показатель использовать? Если переменную измеряют по номинальной шкале, то лучше использовать моду. Если переменную измеряют по порядковой шкале, то больше подходит медиана. Если же переменную измеряют по интервальной или относительной шкале, то мода плохо отражает положение центра распределения. Это можно увидеть из табл. 15.2. Хотя значение моды, равное 6,000, отражает наивысшую частоту, оно представляет только 27,6% выборки. Медиана лучше подходит в качестве показателя, характеризующего положение центра распределения, для интервальной или относительной шкалы, хотя и она не учитывает имеющуюся информацию о переменной. Текущие значения переменной до и после медианы игнорируются. Самый лучший показатель для интервальной или относительной шкалы -- среднее арифметическое. Он учитывает всю доступную информацию, поскольку для его вычисления используются все значения. Однако среднее арифметическое чувствительно к выбросам значений (экстремально мальм или экстремально большим значениям). Если данные содержат выбросы, то среднее не будет хорошим показателем центра распределения и лучше использовать два показателя -- среднее и медиану.

Показатели вариации

Показатели вариации (изменчивости) (measures of variability), вычисляемые на основании данных, измеряемых с помощью интервальных или относительных шкал, включают размах вариации, межквартильный размах, дисперсию, стандартное отклонение и коэффициент вариации.

Показатели вариации (изменчивости) (measures of variability)

Статистики, показывающие меру разброса (вариабельность) значений переменной.

Размах вариации (range) отражает разброс данных. Он равен разности между наибольшим и наименьшим значениями в выборке. Поэтому на него непосредственно влияют выбросы.

Размах вариации (range)

миксииалънос наименьшее

Разность между наибольшим и наименьшим значениями переменной в вариационном ряду.

Если все значения данных умножить на константу, то значение размаха вариации умножается на ту же константу. Размах вариации в табл. 15.2 равен: 7 -- 2 = 5,000.

Межквартильный размах (interquartile range) -- это разность между 75- и 25-м процентиля-ми. Для набора точек данных, расположенных в ранжированном ряду, р-м процентилем будет такое значение переменной в ранжированном ряду распределения, что р% единиц совокупности будут меньше и (100 -- р)% -- больше него. Если все значения данных умножить на константу, то межквартильный размах умножается на эту же константу. Межквартильный размах в табл. 15.2 равен 6 - 3 = 3,000.

Межквартильный размах (interquartile range)

Размах вариации распределения, охватывающий центральные 50% всех наблюдений.

Разность между средним значением переменной и ее наблюдаемым значением называют отклонением от среднего. Дисперсия (variance) -- среднее из квадратов отклонений переменной от ее средней величины. Она никогда не может быть отрицательной. Если значения данных сгруппированы вокруг среднего, то дисперсия невелика. И наоборот, если данные разбросаны, то мы имеем дело с большей дисперсией. Если все значения данных умножить на константу, то дисперсия умножится на квадрат константы. Среднеквадратнческое (стандартное) отклонение (standard deviation) равно квадратному корню из дисперсии. Таким образом стандартное отклонение выражается в тех же единицах, что и сами данные.

Дисперсия (variance)

Среднее из квадратов отклонений переменной от ее средней величины.

Среднеквадратическое (стандартное) отклонение (standard deviation)

Корень квадратный из значения дисперсии.

Стандартное отклонение выборки s вычисляют следующим образом;

Мы делим на п -- I вместо л, поскольку генеральное среднее неизвестно, и вместо него используют выборочное среднее, что делает выборку менее изменчивой, чем фактически. Деля на з --1 вместо п, мы корректируем более слабую изменчивость значений переменой, наблюдаемую в выборке. Для данных, приведенных в табл. 15.2, дисперсию вычисляют так;

Коэффициент вариации (coefficient of variation) -- это отношение стандартного отклонения к среднему арифметическому, выраженное в процентах. Коэффициент вариации -- показатель относительной изменчивости переменной. Коэффициент вариации Cf7вычисляю-: гак:

...