市场研究技术第五章spss高级应用.docx

市场研究技术第五章spss高级应用.docx

《市场研究技术第五章spss高级应用.docx》由会员分享，可在线阅读，更多相关《市场研究技术第五章spss高级应用.docx（61页珍藏版）》请在冰豆网上搜索。

市场研究技术第五章spss高级应用

第五章SPSS在市场研究中的应用

在市场研究的分析中，通常需要细分市场、品牌定位和品牌形象研究，探讨因变量和自变量之间的关系以及对两个或多个均值进行比较。

第一节因子分析和对应分析

一、因子分析

（一）因子分析的作用

因子分析是市场研究中一种非常重要的统计技术，它是一种把多个变量化为少数几个综合变量的多元分析方法，是一种因子缩减的方法。

目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。

首先可以识别内在因子，用这些内在因子来表示一些列因子之间的相互关系；其次，以少数几个互不相关的新变量来取代原有的一系列存在相互关系的变量，供后续的多元变量分析使用。

第三，可以识别重要的变量，与因子相关度越高的变量就越重要。

在市场研究中，因子分析往往可以用于人群细分，影响因素研究等，特别是当影响因素结构不清楚时，可以通过因子分析探索性的研究可能存在的影响因子。

（二）利用因子分析进行人群细分事例

利用因子分析对消费群体进行分类，通常在问卷设计的时候要考虑n条描写对某产品或品牌的态度语句，用五分制的里克特量表进行测量，这些态度语句彼此应该是有交互的，然后，通过因子分析压缩成几个因子，如果觉得因子还是过多，人群分类不够明显，还可以用聚类分析进一步进行归类。

如下图。

图5.1人群细分的过程

下面我们举一个用事后细分法对啤酒消费者进行分类的例子，一共有20条态度语句。

C1根据您个人的喝酒的情况，请问您是否同意下列各因素？

1分表示非常不同意，5分表示非常同意，您可以用1－5分的任意分数表示。

因素

非常不同意非常同意

1

喝酒是为了交际

1

2

3

4

5

2

只有在社交场合才喝酒

1

2

3

4

5

3

喜欢认准一个品牌

1

2

3

4

5

4

喜欢换牌子喝

1

2

3

4

5

5

喜欢口味淡雅的酒

1

2

3

4

5

6

觉得喝酒很时尚

1

2

3

4

5

7

喝酒是一种享受

1

2

3

4

5

8

喜欢喝酒

1

2

3

4

5

9

周围的朋友都喝酒

1

2

3

4

5

10

喜欢口味烈的酒

1

2

3

4

5

11

只喝我喜欢的牌子

1

2

3

4

5

12

随便什么牌子都喝

1

2

3

4

5

13

大家一起的时候喝

1

2

3

4

5

14

喝酒是一种习惯

1

2

3

4

5

15

每天喜欢喝点小酒

1

2

3

4

5

16

热闹的时候喝酒

1

2

3

4

5

17

喝酒可以制造气氛

1

2

3

4

5

18

喜欢一个人的时候喝酒

1

2

3

4

5

19

喝酒可以忘掉伤心事

1

2

3

4

5

20

心烦的时候喝酒

1

2

3

4

5

（三）因子分析的步骤

第一步，确定因子分析的目的和样本容量

首先要明确研究目标，必须在前期研究的基础上，选择参加因子分析的变量，这些变量必须是定距数据或定比数据。

要保证一定的样本容量，一般样本容量至少是变量个数的4-5倍以上。

问卷中D11到D120是测量被访者对自己的喝酒行为的评价，现在要对要对问卷中的QD11到D120这组数据进行因子分析，找出喝酒消费者的行为类型，也就是从消费行为上对喝酒的人群进行细分

第二步，检验相关矩阵

因子分析的过程是建立在变量间的相关矩阵基础上的，通过检验相关矩阵，能够获得有价值的信息。

如果变量之间的相关系数小，不易采用因子分析。

在检验因子分析的模型是否是否上，有两个指标：

一个是Banlet球形检验，一个是Kaise-Meyer-Olkin（KMO）。

Banlet球形检验能够用来检验原假设，若检验统计量的数值大，则意味着拒绝原假设。

假如原假设不能被拒绝，那么因子分析的适用性就会受到置疑。

KMO是衡量提供的样本是否恰当的标准。

KMO统计量的数值小，说明变量两两之间的相关性不能被其他变量解释，因子分析的技术可能就不适用。

点击“分析”—“降维”—“因子分析”，出现下列对话框：

图3因子分析对话框

将要进行因子分析的指标（因子）选中到变量对话框。

点击“描述”，出现新的对话框

图4因子分析描述统计对话框

在“原始分析结果”和“KMO和Banlet球形度检验”前打勾，在输出结果中，就会显示下列表格：

表1KMO和Bartlett的检验

取样足够度的Kaiser-Meyer-Olkin度量。

.845

Bartlett的球形度检验

近似卡方

13147.110

df

190

Sig.

.000

从上表中可以看出，KMO值为0.845，大于0.6，说明因子分析的技术比较适合，Banlet检验统计量为13147.110，具有显著性，拒绝原假设，因子分析的适用性没有置疑。

因此，此数据适合用因子分析的技术。

第三步：

选择因子分析的方法和确定因子个数

抽取因子的方法有很多，主要有主成分法、主因子法等。

SPSS统计软件中，系统默认的是主成分法，因为主成分法可以在决定因子的最少个数，被确定的因子能够解释在以后的多元分析中所使用的最大方差，因而，称为主成分。

在因子分析中，最后要确定保留的因子个数，通常在选取因子时，只保留特征根大于1的主成分，放弃特征根小于1的主成分。

因为，每个变量的方差为1，该准则认为每个保留下来的因子至少应该能够解释一个变量的方差，否则，达不到精简的目的。

具体操作见下图。

图5因子分析：

抽取对话框

输出结果如下表：

解释的总方差

成份

初始特征值

提取平方和载入

旋转平方和载入

合计

方差的%

累积%

合计

方差的%

累积%

合计

方差的%

累积%

1

5.459

27.294

27.294

5.459

27.294

27.294

3.072

15.361

15.361

2

2.023

10.114

37.408

2.023

10.114

37.408

2.614

13.070

28.431

3

1.940

9.699

47.107

1.940

9.699

47.107

2.356

11.779

40.210

4

1.462

7.309

54.415

1.462

7.309

54.415

2.351

11.754

51.964

5

1.202

6.008

60.424

1.202

6.008

60.424

1.692

8.460

60.424

6

.947

4.737

65.160

7

.777

3.884

69.044

8

.731

3.655

72.699

9

.652

3.260

75.959

10

.618

3.088

79.046

11

.610

3.049

82.096

12

.573

2.866

84.962

13

.495

2.475

87.437

14

.483

2.414

89.851

15

.443

2.216

92.067

16

.400

1.998

94.065

17

.381

1.904

95.968

18

.289

1.445

97.413

19

.268

1.342

98.755

20

.249

1.245

100.000

提取方法：

主成份分析。

从表6中可以看出，根据特征根大于1，提取了五个因子，这五个因子的累积解释度为60.424%。

第四步，因子载荷矩阵的旋转

因子载荷也就是指每一因子得分与其对应的各原始变量间的相互关系。

因子载荷不仅反映了变量是如何由因子线性表示的，而且反映了因子和变量之间的相关程度。

得到初始因子载荷矩阵后，尽管也可以反映因子与观测变量之间的关系，但是由于它所形成的因子都与很多变量相关，所以，很难对因子做出解释。

需要对因子载荷矩阵进行旋转，在不影响共同度和全部所能解释的方差比例的条件下，使某个变量在某个因子上的载荷较高，而在其他因子上的载荷则显著地低，从而易于解释每个因子所代表的实际意义。

因子旋转最常用的方法是“方差最大正交旋转”（varimaxprocedure）,即通过正交变换，使得各个因子负荷的方差达到最大，同时也保持了因子之间的不相关性。

具体操作见图6。

图6因子分析：

旋转对话框

输出结果如下表：

旋转成份矩阵a

成份

1

2

3

4

5

喝酒是为了交际

.817

.091

.032

.051

-.005

只有在社交场合才喝酒

.848

.167

.032

.052

-.016

喜欢认准一个品牌

.352

.329

.020

.506

.026

喜欢换牌子喝

.771

.223

.035

.130

.026

喜欢口味淡雅的酒

.189

.505

.192

.120

-.054

觉得喝酒很时尚

.257

.351

.262

.486

.059

喝酒是一种享受

.134

.835

.076

.156

-.008

喜欢喝酒

.166

.860

.059

.077

-.005

周围的朋友都喝酒

.178

.668

.104

.128

.076

喜欢口味烈的酒

.198

.105

.497

.319

.078

只喝我喜欢的牌子

.710

.210

.169

.067

.041

随便什么牌子都喝

.469

.120

.315

.396

.078

大家一起的时候喝

.096

.175

.764

.032

-.146

喝酒是一种习惯

.098

-.014

-.164

.077

.755

每天喜欢喝点小酒

-.027

-.039

.110

-.032

.777

热闹的时候喝酒

.051

.175

.793

.021

.014

喝酒可以制造气氛

.012

-.013

.765

.095

-.038

喜欢一个人的时候喝酒

-.012

.069

-.048

.193

.667

喝酒可以忘掉伤心事

.007

.086

.088

.859

.122

心烦的时候喝酒

.052

.123

.074

.848

.089

提取方法:

主成份。

旋转法:

具有Kaiser标准化的正交旋转法。

a.旋转在6次迭代后收敛。

第五步，因子解释

通过识别在同一个因子上有大载荷的变量，有助于对因子进行解释，根据在某个因子上有大载荷的变量，就可以解释该因子。

根据上表，消费者喝酒的行为可以分成五种类型，也就是可以压缩成五个因子，根据因子的载荷特征进行命名，分别是：

因子1：

社交型喝酒者

喝酒是为了交际

只有在社交场合才喝酒

因子2：

享受型喝酒者

喝酒是一种享受

喜欢喝酒

因子3：

热闹型喝酒者

大家一起的时候喝

热闹的时候喝酒

喝酒可以制造气氛

因子4：

情绪型喝酒者

喝酒可以忘掉伤心事

心烦的时候喝酒

因子5：

习惯型喝酒者

喝酒是一种习惯

每天喜欢喝点小酒

二、对应分析

（一）对应分析的作用

对应分析方法（CorrespondenceAnalysis）又称为相应分析，也称R—Q分析，是因子分子基础发展起来的一种多元统计分析方法（MultidimensionalScalingMDS）。

对应分析一种类似于主成分分析的变量降维分析方法，主要用于定性二维或多维列联表数据的分析，与主成分分析不同之处除了分别用于定性与定量数据的分析外，主成分基于的是方差分解与共享，对应分析基于卡方统计量的分解与贡献。

对应分析可以分析变量间的相关性和同一变量各分类之间的差异性或相似性，可借助图形观察对应关系。

通过分析由定性变量构成的列联表，可以用来解释变量之间的内在联系。

可以揭示同一变量的各个类别之间的差异以及不同变量各个类别之间的对应关系。

特别是当分类变量的层级数比较大时，对应分析可以将列联表中众多的行和列的关系在低维的空间中表示出来。

而且，变量划分的类别越多，这种方法的优势就越明显。

对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。

对应分析的最大特点是能把众多的样品和众多的变量同时作到同一张图上，将样品的大类及其属性在图上直观而又明了地表示出来，具有直观性。

对应分析的方法分成：

（简单）对应分析和多重对应分析

列联表是对应分析的基础，表中的每一个单元格都代表被调查者选择某一答案的频数，也表示行、列的对应关系。

“列联表分析”可分析两定性变量间的相关性，但是，对于进一步分析差异性和相似性就无能为力。

对应分析的一个重要前提条件是表中的每个单元格不能为零或负数。

⏹对应分析可以回答的问题

●谁是我的用户？

●还有谁是我的用户？

●谁是我竞争对手的用户？

●相对于我的竞争对手的产品，我的产品的定位如何？

●与竞争对手有何差异？

●我还应该开发哪些新产品？

●对于我的新产品，我应该将目标指向哪些消费者

（二）利用对应分析进行品牌定位的事例

A4.我将向您读出一些有关手机品牌的描述。

请您告诉我这些描述最适合哪个品牌。

（循环1-17）

爱立信

苹果

诺基亚

小米

三星

不知道/拒答

[]1.高质量的品牌

1

2

3

4

5

8

[]2.值得信赖的品牌

1

2

3

4

5

8

[]3.产品容易使用

1

2

3

4

5

8

[]4.手机科技领域的领导者

1

2

3

4

5

8

[]5.物有所值的品牌

1

2

3

4

5

8

[]6.式样吸引人

1

2

3

4

5

8

[]7.技术创新的品牌

1

2

3

4

5

8

[]8.产品的重量合适

1

2

3

4

5

8

[]9.关心客户的品牌

1

2

3

4

5

8

[]10.值得付更多钱的品牌

1

2

3

4

5

8

[]11.了解我的品牌

1

2

3

4

5

8

[]12.我感觉舒服的品牌

1

2

3

4

5

8

[]13.有威望的品牌

1

2

3

4

5

8

[]14.“酷/时尚”的品牌

1

2

3

4

5

8

[]15.最新型号的品牌

1

2

3

4

5

8

[]16.符合需求的品牌

1

2

3

4

5

8

（三）对应分析步骤

第一步：

获取对应分析数据

首先，需明确研究的目的，进而选择对应分析中所需数据

其次，计算每个品牌的每个描述的频次。

利用SPSS的描述性统计分析中的频率计算功能，分别计算每一个品牌所对应的每一个描述的频次，数据重新整理后，如下：

最后，要进行加权。

点击SPSS工作条中的“数据”，选择“加权个案”，出现下列对话框：

选择加权个案，将频次作为频率变量。

点击“确定”。

完成。

第二步：

运用SPSS执行对应分析

首先，点击SPSS分析栏目中的降维，选择“对应分析”，出现下列对话框：

再次，需定义各变量所取水平范围，将变量“描述”放入行栏目，点击“定义范围”按钮，键入最小值、最大值，然后点击按钮“更新”即可。

本次研究中，一共有16个描述语句，所以，“描述”变量的最小值是1，最大值是16。

将变量“品牌”放入列栏目，同上，品牌变量的最小值为1，最大值为5，一共五个品牌。

见下图

“类型约束”中常用“无”，定义分类特殊要求中，系统默认对分类没有特殊要求。

行列变量的处理方法是一样的。

点击“继续”，返回上一对话框。

第三，点击“模型”，各参数含义如下：

“解的维数”：

在几维空间中求解，通常采用对应分析是将高维数据做低维处理，尽可能以小的维度解释多的变异，系统默认是2，至少在原先基础上维度降1个。

“距离度量”：

卡方距离和欧式距离，这里选择卡方距离，列联表的卡方距离，即卡方统计量。

“标准化方法”：

这里选择“行和列均值已删除”。

“正态化方法”：

不同的正则化方法，对应分析产生不同的结果。

系统默认的是对称。

见下图。

第四，点击统计量，各参数含义如下

对应表：

输出原始对应表，即原始二维列联表。

行点概览：

输出行变量的因子载荷和贡献。

列点概览：

输出列变量的因子载荷和贡献。

行轮廓表：

基于行合计的各格子的百分比。

列轮廓表：

基于列合计的各格子的百分比。

对应表的排序：

输出最优对应表。

最大因子数，系统默认1。

置信统计量：

行点：

行变量各点在各因子上的标准离差及相关系数。

列点：

列变量各点在各因子上的标准离差及相关系数。

第五，点击绘制，各参数含义如下：

“散点图”：

“双标图”即在因子坐标中，行变量和列变量的散点对应图，反映行变量和列变量在因子上的对应关系，若以主成分进行正则化，不能输出该因子负荷图。

这里就选择“双标图”。

见下图：

说明，第三、四、五部分通常不需要进行修改，采用系统默认就行。

第三步：

结果解释：

其中第一个即对应表，就是原始的二维频数分布表。

对应表

描述

品牌

爱立信

苹果

诺基亚

小米

三星

有效边际

高质量的品牌

75

9

5

7

2

98

值得信赖的品牌

76

12

9

7

2

106

产品容易使用

59

5

92

0

2

158

手机科技领域的领导者

3

11

14

11

1

40

物有所值的品牌

5

8

113

4

1

131

式样吸引人

37

89

5

2

2

135

技术创新的品牌

2

143

2

79

1

227

产品的重量合适

15

2

1

69

1

88

关心客户的品牌

12

79

3

4

1

99

值得付更多钱的品牌

9

5

4

5

1

24

了解我的品牌

55

78

6

1

2

142

我感觉舒服的品牌

32

3

5

1

89

130

有威望的品牌

7

3

2

4

145

161

“酷/时尚”的品牌

12

4

90

3

68

177

最新型号的品牌

69

21

8

9

27

134

符合需求的品牌

9

5

18

8

68

108

有效边际

477

477

377

214

413

1958

第二是摘要，其中，

降维数至4维（因子），是因为行列2变量中分类数最小的行变量的类数5减一个的结果。

奇异值：

最好应该翻译成特征值，解释行与列因子分的相关性。

惯量：

等于各因子特征值的平方，例如0.628=0.792x0.792。

卡方：

原始列联表的卡方检验。

“惯量比例解释”、“惯性比例累积”，解释因子的贡献率。

“置信奇异值”应该翻译成“置信特征值”，因为选择的是2维解，所以只给出两个因子的结果，标准差越小，说明点估计值越准确，因子的相关系数越小，则说明因子分解越稳定。

摘要

维数

奇异值

惯量

卡方

Sig.

惯量比例

置信奇异值

解释

累积

标准差

相关

2

1

.792

.628

.387

.387

.012

.312

2

.669

.447

.276

.663

.016

3

.552

.305

.188

.851

4

.492

.242

.149

1.000

总计

1.622

3176.033

.000a

1.000

1.000

a.60自由度

第三、第四是“概述行点”、“概述列点”，其中的“质量”还是上面图片中的结果，给出“维中的得分”、“贡献”，结果见下图。

质量是基于边际频数的影响量，为行或列百分比的加权均数，值越大，对形心影响越大，即越靠近形心。

概述行点a

描述

质量

维中的得分

惯量

贡献

1

2

点对维惯量

维对点惯量

1

2

1

2

总计

高质量的品牌

.050

.295

-.227

.075

.006

.004

.046

.023

.069

值得信赖的品牌

.054

.283

-.283

.067

.005

.006

.051

.043

.094

产品容易使用

.081

-.338

-1.347

.108

.012

.219

.068

.907

.974

手机科技领域的领导者

.020

.393

-.428

.014

.004

.006

.184

.184

.368

物有所值的品牌

.067

-.538

-1.824

.194

.024

.333

.079

.769

.848

式样吸引人

.069

.871

.132

.076

.066

.002

.545

.011

.556

技术创新的品牌

.116

1.213

.499

.201

.215

.043

.670

.096

.766

产品的重量合适

.045

.974

.541

.213

.054

.020

.158

.041

.199

关心客户的品牌

.051

1.060

.261

.086

.072

.005

.525

.027

.552

值得付更多钱的品牌

.012

.402

-.175

.004

.003

.001

.420

.067

.488

了解我的品牌

.073

.742

.034

.063

.050

.000

.505

.001

.506

我感觉舒服的品牌

.066

-1.077

.872

.098

.097

.075

.620

.343

.963

有威望的品牌

.082

-1.446

1.323

.235

.217

.215

.579

.409

.988

“酷/时尚”的品牌

.090

-.958

-.532

.096

.105

.038

.682

.177

.859

最新型号的品牌

.068

.012

.124

.030

.000

.002

.000

.023

.023

符合需求的品牌

.055

-1.008

.622

.061

.071

.032

.724

.233

.956

有效总计

1.000