Множественная регрессия

Множественная регрессия – испытанный и надежный метод маркетинговых исследований, применяемый, главным образом, для прогнозирования и объяснения относительного вклада предикторов в изменение определенной зависимой переменной. Чаще всего мы задаем такой вопрос: «Насколько тесной должна быть зависимость между переменными, чтобы ее принимать во внимание?» Ответ зависит от того, с какой целью вы проводите анализ и зачем вам нужны результаты. Если вы хотите узнать, какие из предикторов наиболее сильно влияют на зависимую переменную, то лучше всего покажет изучение нормированных коэффициентов регрессии (ß- коэффициенты). Если вы хотите делать прогнозы с помощью полученной вами модели, то стоит посмотреть на стандартную ошибку модели. Менеджер не оценит вашу работу, если вы получите высокое значение коэффициента корреляции R², но диапазон ошибки прогнозирования составит 50% от предсказываемого значения. Существует процедура строгой проверки полученных результатов, предусматривающая использование контрольной выборки.

Дискриминантный анализ

Как и для множественной регрессии, главное назначение дискриминантного анализа – прогнозирование и определение относительной важности предикторов. Ключевое различие между этими двумя методами состоит в том, что множественная регрессия требует, чтобы зависимая переменная была измерена в интервальной или относительной шкале, а дикриминнантный анализ использует категориальную зависимую переменную. В то время как множественную регрессию можно использовать для вычисления степени интереса к покупке данного товара (услуги), дискриминантный анализ можно использовать для определения того, покупает или не покупает респондент данный товар.

Также возможна ситуация, когда маркетолог захочет преобразовать переменную, измеренную интервальной или относительной шкалой, в номинальную переменную. Например, вы получили данные о возрасте респондентов, измеренном в годах. Позже, в ходе анализа, вы решите построить модель, чтобы распределить респондентов согласно критерию «молодой»-«старый», и соответственно разделите всех респондентов на две группы. Это опасно, поскольку это не естественно наблюдаемые группы, и правило, которое вы применили для создания групп, может скрыть смысл результата. Мы советуем вам использовать дискриминантный анализ для естественных групп.

Факторный анализ

Чаще всего факторный анализ используют для снижения числа данных и установления характера взаимосвязи переменных. Мы можем задать 20 вопросов на одну тему, но с их помощью в действительности можно оценить небольшое число восприятий респондентами какого-либо объекта. Мы хотели бы узнать, «какие» группы ответов присутствуют в наших данных. Мы можем провести исследование, касающееся конкретной марки автомобиля, и проверка группирования ответов выявит, что респонденты оценивают автомобиль, учитывая только две-три главные характеристики (например, стиль, престижность и т.д.), хотя мы задали им много вопросов. Или нам хочется использовать часть пунктов из анкеты, чтобы вычислить некоторый результат (например, используя оценки уровня обслуживания наших клиентов, определить степень удовлетворенности потребителей уровнем обслуживания). Мы видим, что оценки тесно взаимосвязаны, и использование их в последующем анализе создаст трудности при интерпринации результатов, обусловленные общей дисперсией. Один из вариантов решения этой проблемы – использование не исходных переменных, а значение факторов, представляющих их комбинацию. Мы можем также изучить переменные, которые, вероятно, входят в состав различных факторов и использовать их среднее значение или даже выбрать одну переменную из каждого фактора, чтобы представить все переменные, составляющие данный фактор. Мы может выбрать любой из этих вариантов, и наше решение зависит от уверенности в своих силах удовлетворительно интерпретировать и обобщать результаты.