CO OTRZYMUJEMY OGÓŁEM? Współczynniki wpływu pokazują, które z zmiennych niezależnych wpływają pozytywnie na zależność, a które negatywnie




Współczynniki wpływu pokazują, które z zmiennych niezależnych wpływają pozytywnie na zależność, a które negatywnie, a także jaki jest stopień tego wpływu. W prostej regresji liniowej współczynnik większy niż 0 wskazuje pozytywny wpływ tej niezależnej zmiennej na zależną, a współczynnik mniejszy niż 0 wskazuje ujemny.

Korzystając z równania regresji, można modelować różne kombinacje zmiennych niezależnych i przewidywać, jaką wartość zmienna zależna zajmie w tych przypadkach.

JAKIE SĄ KORZYŚCI Z METODY?

Określ czynniki, które mogą najsilniej wpływać na docelowe wskaźniki marketingowe. Dzięki temu mamy możliwość skoncentrowania się na rozwoju tych parametrów, które mogą poprawić sytuację, oraz wyeliminowania tych, które pogarszają wskaźnik celu.

Analiza dyskryminacyjna.

Analiza dyskryminacyjna - analiza różnic w określonej grupie obiektów badawczych (konsumenci, produkty, marki itp.). Zmienna dzieląca zbiór obiektów badania na grupy nazywana jest grupowaniem.

Za pomocą analizy dyskryminacyjnej badane są różnice między dwiema lub więcej grupami na określonych podstawach. Znaki używane do identyfikacji różnic między grupami nazywane są zmiennymi dyskryminacyjnymi.

Z punktu widzenia teorii statystycznej zmienna grupująca powinna być nominalna, tj. mierzone na skali nominalnej i metryki zmiennych zależnych (patrz podrozdział 2.3, „Typy zmiennych skal pomiarowych”). Zgodność z tym warunkiem zapewnia wysoką dokładność obliczeń statystycznych. Jednak w praktyce, używając SPSS , zakłada się, że zmienna grupująca może być nominalna lub porządkowa, a zmienne dyskryminacyjne mogą być mierzone w skali dowolnego typu.

Analiza dyskryminacyjna jest podobna do analizy regresji wielokrotnej, ale istnieje różnica: w analizie regresji zmienna zależna ma charakter ilościowy, aw analizie dyskretnej jest jakościowa.

CO TO JEST KONIECZNE?

· Znajdź najsilniejsze różnice między segmentami.

· Ocena trwałości segmentacji.

· Reprodukcja segmentacji poprzez uczenie się nowej próbki zgodnie z przeszłymi falami.

· Odzyskiwanie brakujących wartości.

JAK TO DZIAŁA?

Dane wejściowe do analizy to zmienna kategorialna zawierająca przynależność do klasy (na przykład segmentacja lub konsumpcja produktów lub marek) oraz zbiór zmiennych niezależnych, mierzony skalami interwałów lub dychotomicznych. W tym przypadku zmienna jakościowa może mieć luki, tj. nie wszyscy respondenci będą wypełniani: algorytm będzie niezależnie przewidywał te wartości.

Korzystając z kryterium statystycznego (najczęściej z zastosowaniem kryterium Fishera), algorytm wyszukuje taką kombinację równań liniowych (funkcji dyskryminacyjnych), która najlepiej opisuje różnice między grupami.

Pierwsza funkcja dyskryminacyjna oddziela pierwszą grupę od grup 2, 3, ... N, druga - drugą grupę z grup 3, 4, ... N itd. W rezultacie wszystkie N grup są uzyskiwane przez oddzielone od siebie funkcje dyskryminacyjne. Umożliwia to określenie prawdopodobieństwa, że ​​respondent należy do określonej klasy.





; Data dodania: 2017-12-14 ; ; Wyświetleń: 247 ; Czy opublikowany materiał narusza prawa autorskie? | | Ochrona danych osobowych | PRACA ZAMÓWIEŃ


Nie znalazłeś tego, czego szukałeś? Użyj wyszukiwania:

Najlepsze powiedzenia: Dla ucznia najważniejszą rzeczą nie jest zdanie egzaminu, ale zapamiętanie go na czas. 9102 - | 6857 - lub przeczytaj wszystko ...

2019 @ edudoc.icu

Generowanie strony ponad: 0,001 sek.