- •2.Объекты ми:
- •4. Система анализа информации представляет собой набор современных логических, эконом- математических и эконом- стат методик обработки информации:
- •5.Основные направления анализа полученной информации
- •6. Разработка маркетинговой стратегии:
- •5. Формулирование цели маркетингового исследования. Формирование рабочей гипотезы. Методы генерирования рабочих гипотез.
- •6. Разработка плана маркетингового исследования.
- •7. Сбор и анализ вторичной информации.
- •8. Анализ избранных случаев.
- •9. Метод фокус-групп: характеристика и этапы использования.
- •10. Глубинные интервью: характеристика и этапы использования.
- •11. Проекционные методы (пм) исследования: характеристика и этапы использования.
- •12. Общая характеристика выборочных методов.
- •13. Детерминированные и вероятностные методы расчета выборки.
- •14. Расчет размера и ошибки выборки в случае вероятностного метода отбора.
- •15. Методы проведения опроса. Этапы использования метода опроса.
- •16. Разработка анкеты. Формулировка и оценка вопросов. Выбор последоват. Вопросов. Тестирование анкеты и ее корректировка.
- •21.Концепция причинности в маркетинге. Причинно-следственные связи.
- •22.Этапы разработки и проведения эксперимента.
- •23.Обеспечение валидности экспериментов. Возможные угрозы валидности. Контроль факторов, снижающих валидность.
- •24.Классические модели эксперимента: предварительные модели.
- •25.Классические модели эксперимента: истинные модели.
- •26.Классические модели эксперимента: модели квазиэксперимента.
- •27.Статистические модели эксперимента.
- •28.Пробный маркетинг как вид контролируемого эксперимента.
- •29. Подготовка данных к анализу: редактирование и кодирование данных. Категориальная и дихотомическая кодировка.
- •30 Подготовка данных к анализу: составление базы данных, табулирование, корректировка.
- •31 Логические методы анализа: экспертный анализ, контент – анализ.
- •32 Построение частотных распределений. Показатели центра распределения.
- •33.Показатели вариации и формы распределения данных.
- •34.Этапы проверки гипотез о связях между переменными. Нулевая и альтернативная гипотезы. Статистический критерий. Уровень значимости. Критическая область.
- •35.Построение таблиц сопряженности признаков. Введение третьей переменной.
- •36. Показатели оценки статистической значимости и тесноты связи переменных, включенных в состав таблицы сопряженности.
- •40. Многофакторный дисперсионный анализ. Ковариационный анализ.
- •40.Ковариационный анализ.
- •41. Корреляционный анализ.
- •42. Регрессионный анализ.
- •43. Множественный регрессионный анализ. Нелинейная регрессия.
- •44. Метод пошаговой регрессии. Проблема мультиколлинеарности.
- •45. Оценка регрессионной модели. Проверка адекватности модели регрессии.
- •46. Дискриминантный анализ (да): цели, этапы выполнения
- •48. Кластерный анализ (ка): суть метода, этапы выполнения анализа, вращение факторов.
- •49. Многомерное шкалирование (мш) и совместный анализ (са)
- •50. Международные маркетинговые исследования.
- •51.Отчет о маркетинговом исследовании. Презентация отчета. Поддержка клиента и оценка эффективности проекта.
- •1. Подготовка отчета.
- •17. Измерение и шкалирование. Типы шкал
- •18. Методы сравнительного и несравнительного шкалирования
- •19. Этапы использования метода наблюдения. Оценка надежности наблюдения
- •20. Полевые работы
43. Множественный регрессионный анализ. Нелинейная регрессия.
Множественная регрессия – статистический метод, с помощью которого можно вывести математическую зависимость между двумя или более независимыми и зависимой переменной, выраженной с помощью интервальной или относительной шкалы. Этапы:
1) Формулирование модели. Общая форма имеет вид
2)Вычисление параметров. Модель множественной регрессии оценивается следующим уравнением: , где Y-вычисляемое значение Yi; a- отрезок отсекаемый на оси Oy, bi - частные коэффициенты регрессии. bi – обозначает изменение в значении Y, при изменении Х1 на единицу, когда другие независимые Х остаются неизменными. Поэтому b-коэффициент парной регрессии для Y от Х1, при исключении эффекта переменных от Х2 до Хk . Результаты совместного влияния х1, х2 … на y суммируются, т.е. ожидаемое изменение значения Y будет равно ∑bi
3) Вычисление нормированного коэффициента регрессии (бета коэффициента) – частотного коэффициента регрессии рассчитанного при условии, что все данный нормированы.
4) Определение тесноты и значимости связи. Разложение полной вариации SSy=SSрегр+SSошибки. Тесноту связи при множественной регрессии измеряют при помощи коэфициента множественной детерминации R2. R2=SSрегрессии/SSy. Данный коэффициент корректируют с учетом числа независимых переменных (k) и размера выборки (n), чтобы снизить влияние зависимость коэфициента детерминации от количества переменных. Скор. R2=
5) Проверка значимости включает проверку значимости общего уравнения регрессии и частных коэффициентов регрессии. Н0: коэффициент множественной детерминации для генеральной совокупности R2=0, R2совокупности= 0
Общую проверку выполняют с помощью F-статистики. , гдеn-k-1 – число степеней свободы. Если Н0 отклоняют, то выполняют дополнительную проверку, чтобы определить какие Bi отличны от 0, используя t-статистику. t(b)= b/SE(b), SE – стандартная ошибка коэффициента регрессии
6) Анализ остатков. Остаток – разность между наблюдаемым значением Y и его теоретическим значением, предсказанным уравнением регрессии. Анализ производится для подтверждения того, что модель регрессии подходит для анализа, с этой целью используется графический метод. Сумма квадратов остатков измеряет необъясненную часть вариации зависимой переменной. RSS=∑ei2. Используется как основная минимизирующая велечина в методе наименьших квадратов.
44. Метод пошаговой регрессии. Проблема мультиколлинеарности.
Мультиколлинеарностью для множественной регрессии называется наличие линейной зависимости между факторными переменными, включенными в модель.
Признаки мультиколлинеарности: коэф детерминации достаточно высокий, но некоторые из коэффициентов регрессии статистически незначимы; парные корреляции между малозначимыми объясняющими переменными достаточно высоки (для 2 переменных); высокие частные коэффициенты корреляции; наличие сильной вспомогатнльной регрессии (одна из независимых х является линейной комбинацией других независимых включенных в модель) Мультиколлинеарность может быть проблемой, так как она затрудняет разделение влияния объясняющих факторов на поведение зависимой переменной и делает оценки коэффициентов регрессии ненадежными.Последствия мультиколлинеарности: большие дисперсии оценко, что затрудняет нахождение истинных значенй, определяемых величин и расширяет интервальные оценки, ухудшая их точность; уменьшаются t-статистики коэффициентов, что может привести к неоправданному выводу о влиянии соответствующей переменной на зависимую переменную; оценки коэффициентов по МНК и их стандартные ошибки становятся очень чувствительными к малейшим изменениям данных; затрудняется определение вклада каждой из объясняющей переменных в объясняемую уравнением регрессию дисперсию зависимой переменной; возможно получение неверного знака у коэффициентов регрессии. Для оценки мультиколлинеарности можно вычислить коэффициент VIF. , где Rj2 – коэффициент множественной корреляции переменной со всеми другими независимыми переменными. Если переменные не коррелируют – VIF=1, в случае сильной корреляции – 10 и больше. Пороговое значение – 5.
Методы устранения мультиколлинеарности: исключение из модели одной или ряда коррелирующих переменных; получение дополнительных данных или новой выборки; изменение спецификации модели – изменение формы модели либо добавление новых переменных; преобразование переменных.
Пошаговая регрессия – регрессионная процедура, в которой предикторы по очереди вводят или выводят из уравнения регрессии. Цель – отбор из большого количества предикторов небольшой подгруппы переменных, которые вносят небольшой вклад в вариацию переменной зависимой.Прямая пошаговая регрессия – введение предикторов по одному, при условии, что они удовлетворяют определенному статистическому критерию. Обратная – исключение из всей совокупности предикторов не соответствующих статистическому критерию. Пошаговый подход – на каждом шаге включение осуществляют одновременно с выводом предикторов, которые не удовлетворяют конкретному критерию.