
- •Маркетингові дослідження методичні вказівки
- •Хід роботи
- •Обсяги продажів у магазині дитячого одягу „Кроха", тис.Грн.
- •1. Алгоритм розрахунку тренду
- •Розрахунок прогнозу обсягу продажів у магазині
- •2. Алгоритм дій по розрахунку сезонної варіації
- •Алгоритм дій із побудови лінії тренда
- •Завдання
- •Обсяги споживання соку однією сім`єю (в середньому за вибіркою), л
- •Алгоритм складання прогнозів за допомогою надбудов ковзної середньої
- •Алгоритм обчислення зваженої ковзної середньої, використовуючи інструмент Экспоненциальное сглаживание
- •3. Алгоритм складання лінійних прогнозів: функція «тенденция»
- •4. Алгоритм складання нелінійного прогнозу: функція «рост»
- •Завдання
- •Коефіцієнт кореляції
- •Множинна регресія
- •Хід роботи:
- •Алгоритм використання інструменту «регрессия»
- •Алгоритм використання інструменту «корреляция»
- •Побудова моделі множинної регресії
- •Завдання
- •Хід роботи
- •Завдання
- •Список літератури
- •Маркетингові дослідження методичні вказівки
Коефіцієнт кореляції
Якщо точки на точковій діаграмі показують абсолютну корреляцію, то через них можна провести пряму і вивести рівняння цієї прямої, що допоможе скласти прогноз продажів. Проте в бізнесі рідко можна побачити приклад абсолютного лінійного зв'язку. Якщо точки а діаграмі демонструють сильну кореляцію, можна також спробувати провести пряму, яка в найбільшій мірі відповідає їм, і використовувати її для складання прогнозу, який в середньому дасть достатньо надійні результати. Крім того, нам необхідно переконатися, чи достатньо сильний кореляційний зв'язок, щоб припустити наявність лінійної залежності між двома даними змінними. Наше рішення базується на значенні коефіцієнта кореляції. Це показник розраховується на основі наявних пар значень двох змінних і його значення коливається від (– 1) - у разі абсолютної негативної кореляції - до (+1) - у випадку абсолютної негативної кореляції. У всіх інших випадках коефіцієнт кореляції знаходитиметься в межах від -1 до +1.Чим ближче його значення до +1 або -1, тим більше тісний кореляційний зв'язок. Якщо обчислений нами коефіцієнт кореляції по значенню близький до +1 або -1, то це означає, що між двома змінними існує сильна лінійна залежність.
Отже, для визначення взаємозв’язку між двома змінними використовуємо точкові діаграми, а для оцінки тісноти зв’язку використовується коефіцієнт кореляції. Якщо існує сильна кореляція, то зміна однієї змінної, а саме – незалежної ,може бути використана для прогнозування іншої залежної змінної. Це метод особливо корисний, коли необхідно скласти прогноз продажів для нового підприємства або нового продукту в умовах відсутності даних минулих періодів.
Множинна регресія
Хоча лінійна регресія і дозволяє складати прогнози регресії, в деяких ситуаціях вона не є прийнятною в силу високої динаміки факторів, які визначають причинно-наслідкові зв’язки . В реальності у нас немає підстав вважати, що, наприклад, всі зміни обсяґу продажів пояснюються тільки однією причиною (змінною). Більш вірогідно, що на обсяг продажу впливають безліч різних чинників, таких як розмір торговельної площі, число працівників, число контрольно-касових апаратів, кількість конкуруючих магазинів в даному регіоні, рівень цін, відомість бренду, асортимент товарів та їх модельний ряд і т.д.
Модель лінійної регресії, яку ми використовували, може бути поширена і на ці ситуації, при яких обсяг продажів, як ми вважаємо, залежить від цілого ряду змінних, і це буде множинна регресія.
Варто зазначити, що не завжди моделям множинної регресії віддаватиметься перевага в порівнянні з моделями лінійної регресії. Аналіз множинної регресії зв’язаний з великими витратами часу і засобів для збору початкових даних, а це може створити необґрунтовані затримки часу або неприйнятні додаткові витрати (фінансові, трудові тощо).
Процес аналізу множинної регресії може бути поширений на велику кількість змінних Х. Для виконання подібного аналізу в електронних таблицях ми повинні ввести всі значення змінних Х в рамках аналізу регресії. На практиці часто виявляється, що найкращий шлях – використовувати мінімальне число змінних, необхідних для отримання прийнятого результату. Ви завжди повинні мати логічне обгрунтування для дослідження взаємозв’язків між вибраними чинниками. Спочатку у вас повинні бути конкретні міркування про взаємозв’язок двох чинників, а потім вже, використовуючи регресійний аналіз, ви підтверджуєте або спростовуєте свою первинну гіпотезу.