SPSS数据分析—多维尺度分析
在市场研究中,有一种分析是研究消费者态度或偏好,收集的数据是某些对象的评分数据,这些评分数据可以看做是对象间相似性或差异性的表现,也就是一种距离,距离近的差异性小,距离远的差异性大。而我们的分析目的也是想查看这些对象间的差异性或相似性情况,此时由于数据的组成形式不一样,因此不能使用对应分析,而需要使用一种专门分析此问题的方法——多维尺度分析(MDS模型)。多维尺度分析和对应分析类似,也是通过可视化的图形阐述结果,并且也是一种描述性、探索性数据分析方法。
基于以上,我们可以得知,多维尺度分析经常使用在市场研究中:
① 可以确定空间的维数(变量、指标),以反映消费者对不同品牌的认知,并且在由这些维构筑的空间中,标明某关注品牌和消费者心目中理想品牌的位置,选择的品牌不宜过少也不宜过多,一般7-9个。
② 可以比较消费者和非消费者对企业形象的感觉。
③ 在进行市场细分时,可以在同一空间对品牌和消费者定位,然后把具有相似感觉的消费者分组、归类。
④ 在新产品开发方面,通过在空间图上寻找间隙,可以发现由这些间隙为企业带来的潜在契机。
⑤ 在广告效果的评估方面,可以用空间图去判定一个广告是否成功地实现了期望的品牌定位。
⑥ 在价格策略方面,通过比较加入与不加入价格轴的空间图,可以推断价格的影响强度。
⑦ 在分销渠道策略方面,利用空间图可以判断品牌对不同零售渠道的适应性,从而为制定有效的分销渠道提供依据。
在市场研究中,我们要注意的是选择的品牌数量要适中,并且分析的问题要明确,每组数据只能分析一个问题,比如对一组饮料产品收集的数据不能既反映口感又反映价格。
多维尺度分析收集的数据值大小必须能够反应两个研究对象的相似性或差异性程度。这种数据叫做邻近数据,所有研究对象的邻近数据可以用一个邻近矩阵表示。反映邻近的测量方式有:
相似性-数值越大对应着研究对象越相似。 差异性-数值越大对应着研究对象越不相似。
测量邻近性数据的类型有:
①两个地点(位置)之间的实际距离。(测量差异性)
②两个产品之间相似性或差异性的消费者心理测量。(差异性或相似性)
③两个变量的相关性测量。(相关系数测量相似性)
④从一个对象过渡到另一个对象的转换概率。例如概率反应了消费者对品牌或产品偏好的变化。(测量相似性)
⑤反映两种事物在一起的程度。例如:用早餐时人们经常将哪两种食品搭配在一起。(测量相似性)
⑥谁喜欢谁,谁是谁的领导,谁传递给谁信息,谁是谁的上游或下游等等社会网络数据等(测量相似性)
邻近数据即可以直接测量(距离),也可以通过计算得到(变量间的相关系数)。
多维尺度模型根据测量的尺度不同可以分为:
①古典MDS模型,针对收集的数据为比率和区间,也就是直接可以测量距离的情况
②非度量MDS模型,收集的数据为有序数据,针对无法直接测量距离,只能通过评分测量的情况
根据测量的个体数量不同,可以分为
①不考虑个体差异的MDS模型(ALSCAL),即单个测量个体
②考虑个体差异的MDS模型(INDSCAL),即多个测量个体
这里说的测量个体并不是选取的测量指标,而是实际测量的个体,相当于样本。
由于多维尺度分析是用来分析差异性或相似性的,也带有度量的含义,因此在SPSS中也将其归在了度量过程中。共有三个过程,下面我们来分别介绍
一、不考虑个体差异的MDS模型
本案例进行的是最基本的多维尺度分析,目的是分析每个城市的距离情况,只有一个个体,并且收集的数据直接是距离数据,因此采用古典MDS模型,数据组成如下
分析—度量—多维尺度(ALSCAL)
二、考虑个体差异的MDS模型
实际分析中,我们往往不会只选取一个样本,比如受访者肯定不止一个,那么收集上来的数据会变成多个矩阵,如果将其浓缩为一个矩阵会损失大量数据信息,而直接使用重复多维尺度模型当然也是可以的,但是该方法没有考虑个体间差异,因此并非最佳选择。而考虑个体差异的MDS模型不仅分析对象间的结构,而且会进一步分析对象间的差异。
本例中识10位受访者对10种饮料的口感差异性评分,分值越大差异越大,10位受访者的数据形成了10个数据阵,数据如下
下面我们选用考虑个体差异的MDS模型进行分析
三、基于最优尺度变换的MDS模型
将最优尺度变换引入MDS模型式对传统MDS模型的拓展,我们来看使用最优尺度变换的MDS模型再来分析一下饮料的数据
分析—度量—多维尺度(PROXSCAL)
四、多维展开模型
以上的MDS模型不管是传统MDS还是非度量MDS,都是要求各对象间不存在分组,分析时是直接考虑各对象两两间的距离远近。但是实际问题中,可能会遇到对象被分为两组,我们是想考察这多个组之间的相似性或差异性,而对组内对象间的距离远近并不关心,这时传统的MDS模型就不再适合,而需要采用多维展开模型进行分析。
看一个例子,现在收集了两组变量,一组是场景,共15个水平,另一组是行为,共15个水平。现在想分析这两组变量间的差异性或相似性,数据如下
我们用多维展开模型进行分析
分析—度量—多维展开(PREFSCAL)
接下来会分别输出行列变量的坐标,以及行列变量在二维分布图,但是我们实际上更关心的是行列变量的联合分布图
SPSS数据分析—多维尺度分析的更多相关文章
- SPSS数据分析—多维偏好分析(MPA)
之前的主成分分析和因子分析中,收集的变量数据都是连续型数值,但有时会碰到分类数据的情况,我们知道最优尺度变换可以对分类变量进行量化处理,如果将这一方法和主成分分析相结合,就称为了基于最优尺度变换的主成 ...
- SPSS数据分析—最优尺度回归
在之前介绍的线性回归模型中,有一个隐含的假设是自变量均为连续变量,但实际上自变量有时候是分类变量,类似于方差分析中的因素,这种分类自变量在回归分析中,也默认作为连续变量使用,这就会产生一个问题,如果是 ...
- SPSS数据分析—重复测量差分析
多因素方差分析中,每个被试者仅接受一种实验处理,通过随机分配的方式抵消个体间差异所带来的误差,但是这种误差并没有被排除.而重复测量设计则是让每个被试接受所有的实验处理,这样我们就可以分离出个体差异所带 ...
- SPSS数据分析—聚类分析
多元分析的主要思想之一就是降维,我们已经讲过了很多降维的方法,例如因子分析.主成分分析,多维尺度分析等,还有一种重要的降维方法,就是聚类分析. 聚类分析实质上就是按照距离远近将数据分成若干个类别,使得 ...
- 多维尺度变换MDS(Multidimensional Scaling)
流形学习(Manifold Learning)是机器学习中一大类算法的统称,流形学习是非线性的降维方法(an approach to non-linear dimensionality reducti ...
- SPSS数据分析方法不知道如何选择
一提到数学,高等数学,线性代数,概率论与数理统计,数值分析,空间解析几何这些数学课程,头疼呀.作为文科生,遇见这些课程时,通常都是各种寻求帮助,班上有位宅男数学很厉害,各种被女生‘围观’,这数学为 ...
- 快速掌握SPSS数据分析
SPSS难吗?无非就是数据类型的区别后,就能理解应该用什么样的分析方法,对应着分析方法无非是找一些参考资料进行即可.甚至在线网页SPSS软件直接可以将数据分析结果指标人工智能地分析出来,这有多难呢 ...
- spss logistic回归分析结果如何分析
spss logistic回归分析结果如何分析 如何用spss17.0进行二元和多元logistic回归分析 一.二元logistic回归分析 二元logistic回归分析的前提为因变量是可以转化为0 ...
- Python数据挖掘之决策树DTC数据分析及鸢尾数据集分析
Python数据挖掘之决策树DTC数据分析及鸢尾数据集分析 今天主要讲述的内容是关于决策树的知识,主要包括以下内容:1.分类及决策树算法介绍2.鸢尾花卉数据集介绍3.决策树实现鸢尾数据集分析.希望这篇 ...
随机推荐
- WebSphere MQ 安装
WebSphereMQ可以在IBM官网下载,有试用版90天的.下载地址http://www.ibm.com/developerworks/cn/downloads/ws/wmq/index.html ...
- Qt qml pageview 左右滑动分页组件
[先看效果] [下载]http://download.csdn.net/detail/surfsky/8516949 [调用] 分页视图 左右分页滑动列表组件 示例 PageView{ id: pv ...
- 分页sql优化
如果分页sql里包含排序: select * from (...order by id) where rownum <=20 因为要排序,所以即使是分页只取20条,执行计划还是要把所有满足条件的 ...
- centos7下搭建nginx+php7.1+mariadb+memcached+redis
一.环境准备 1.首先介绍一下环境,以及我们今天的主角们 我用的环境是最小化安装的centos7,mariadb(江湖传言mysql被oracle收购后,人们担心像java一样毁在oracle手上于是 ...
- WEB前端html基础中的各类标签介绍
2:html中有很多标签,这里列举十几种标签,有它们的用法及在使用过程中的注意事项!
- ceph官网的ceph块设备(二)——快照相关
一)快照基础命令 网址:http://ceph.sptty.com/rbd/rbd-snapshot/ 1. 创建快照 # rbd snap create yhcpool/yhctest@yhctes ...
- js sql C#时间、时间戳相互转换
js. sql. C#时间.时间戳相互转换 //1.获取当前时间戳_c# ) / //2.时间戳->时间 C# DateTime b11 = GetTime(");//11位时间戳-& ...
- R画图中英文字体完美解决方案
在某些时候,需要在R画图中添加中文,但是默认情况下,R对中文的支持不好. 当用R画PDF图,并且图中有中文的时候,安装并加载如下包library(showtext)然后:showtext.auto(e ...
- java的print,printf,println以及输入
java中有三种方式向控制台输入信息,分别是print,printf,println,现在简单介绍一下他们之间的异同. printf主要是继承了C语言的printf的一些特性,可以进行格式化输出 pr ...
- win7的HOST文件夹具体位置
win7的HOST文件位置为C:\WINDOWS\system32\drivers\etc\文件夹下,快捷查看方法如下: 1.按win+r,输入C:\WINDOWS\system32\drivers\ ...