47. Отбор и подготовка персонала для полевых исследований

. 1-ым этапом полевых работ явл подбор квалифиц персонала – интервьюеров и наблюдателей, кот должны обладать опред набором личных качеств. Необ-мо учит пол, возраст, образ, мнения по тем или иным ?-сам, стиль восприятия, ожидания – все это может повлиять на рез-ты исследования. Требования, предъявляемые к интервьюеру: коммуникаб, способность расположить людей к себе; хорошая дикция и умение слушать; Обучение персонала. Осн напрвления обучения интервьюеров: -ПЕРВОНАЧАЛЬНЫЙ КОНТАКТ С ПОТЕНЦ РЕСПОНД. У потнец респондента нельзя спрашивать разреш на интервью, чтобы не спровоцировать отказ. В самом начале интервью нужно осведомиться, как наз-ть потенц респондента и обращаться к нему именно так, не навязывая своих представл; -МЕТОДИКА ПОСТАНОВКИ ?-СОВ. Правила: * тщательно изучить анкету,*постраться созд интервью подходящую обстановку, * задавать ?-сы в строгом порядке, как это предусмотрено в анкете, * польз в точности теми словами, кот приведены в тексте анкеты, * читать каждый ? медленно,. – ЗАВЕРШЕНИЕ ИНТЕРВЬЮ. Интервьюер ни в коем случае не дожен завершать интервью, не задав всех необ-мых ?-сов.

48. Предварительный анализ первичных данных

Подгот данных явл предвар стадией их анализа и состоит из ряда последов действий. 1. Редактирование. Осн задача заключ в опред min стандартов кач-ва дляполученных данных. Проверка и коррекция обычно осущ-тся в 2 этапа: полевое и централизов офисн редактир.2. Кодирование. – технич прием, с пом которого данные распред по категориям, т.е. представления полученной инф-ции в виде символов, знаков,чисел с целью удобства ее исп-ния в процессе анализа. Этапы: 1) создание системы кодирования. 2) здесь производится присвоение кодовых №-ров ячейкам стр-рной классиф маркетинг инф-ции. 3) подготовка книги кодов..4. Созд б/д. Далее инф-ция, полученая в ходе полевых работ, заносится в базу данных в виде присвоенных кодов. 4. Табулирование. Оно заключ в простом подсчете числа случаев, попадающих а различные категории. 2 вида табулирования: простое и перекрестное. 5. Корректировка. Корректировка может проходить в форме очистки и статистической корректировки. Очистку данных целесообразно осущ-ть по рез-там простого табулир в след случаях: •неполучение ответа, если это не было обнаружено и устранено на стадии редактир; •наличие грубой ошибки; •возникн чрезмерных отклонений от ср. Наличие ?-сов оставшиеся без ответа, явл серьезной проблемой для больш-ва иссл-ний; •

49. Статистическая проверка первичной информации

49. Стат проверка первичн информ

Стат методы – 1) описательный анализ (частотное табулирование) 2) дисперсионный и ковариаиционный анализ (стат методы, кот примен для изучения различий средн значений зависим переменных, вызванных влиянием контролир независ перем) 3) коррел и регресс анализ (измерение силы связи при совместном изменении завис и независ перем) 3) дискриминантный анализ (анализ различий заранее заданных групп объектов) 4) факторный анализ (позволяет выявить обобщающие хар-ки) 5) кластерный анализ (позвол классифиц многомер наблюдения) 6) многомерное шкалирование (представл данных с помощью наглядного изображ)

50. Методы анализа маркетинговой информации

50. Методы анализа марк. инф

Делятся на одномерные и многомерные. Одном: в зависимости от хар-ки данных – метрические: одна выборка, 2 и более выборки (методы: z-критерий, однофакторный анализ, дисперсионный анализ, парный критерий) и неметрические: одна выборка, 2 и более выборки (методы: хи-квадрат, построение медианы, ANOVA-анализ).

Многомерн: зависимые переменные – 1 выборка (методы: корреляц., дисперс анализ, множ регрессия), 2 и более выборки (методы: многомерн дисперс анализ, множестве дисп анализ), взаимозависимые перем – поиск взаимозависимости (методы: факторный анализ), поиск межобъектн сходства (методы: кластерный анализ, многомерн шкалирование)

51. Одномерный анализ

51. Одномерн.анализ

Одн анализ примен для изучения данных если сущ ед.измерения для оценки кажд элемента выборки либо если измер несколько, но каждая перем измен отдельно от всех остальных

Вариац ряд – мат распредел, цель которого подсчитать связь с разл значениями первой перем. Характеристики вар.ряда: варианта (х), частоты (f), шаг интервала i= (Xmax-Xmin)/n

Показатели центра распределения: средняя, мода, медиана. Показатели вариации: размах, межквартильн размах, станд отклонение). Форма распредел (ассиметрия и эксцесс)

Определяется степень тесноты связи (коэфф корреляции r – стат показ, характер степень тесноты связи между двумя метрич переменными

52. Двухмерный анализ (перекрестная табуляция, корреляция, регрессия)

! (сама напишу) 52. Корреляция – измерение силы связи между двумя и более переменными, при этом совместное измерение переменных.

Регрессия – выведение уравнения, связывающего зависимую переменную с одной или несколькими независимыми.

Табуляция – подсчёт количественных событий, которые попадают в каждую категорию, в том случае, когда категории базируются на одной переменной.

53. Дисперсионный анализ

53. Дисперсионный анализ – стат метод анализа, который используют для изучения различий средних значений зависимых, вызванных влиянием контролируемых независимых переменных. Зависимая – интервальная или относительная шкала, а независимая – номинальная.

Статистики:

• Эта-квадрат – корреляционное отношение, выражают степень влияния (от 0 до 1).

• F-статистика – отношение межгрупповой дисперсии к дисперсии ошибки.

• MS – сумма квадратов отклонений наблюдений.

• SS_x – вариация переменной у, различия средних между группами.

• SS_ошибки - вариация переменной у, внутри каждой группы

• SS_y – полная дисперсия У.

Процесс:

1. определение зависимой и независимой переменных

2. выбор метода разложения дисперсии

3. разложение полной дисперсии

4. измерение эффектов

5. проверка значимости

6. интерпретация полученных результатов

54. Дискриминантный анализ

54. Дискриминантный анализ – анализ различий заранее заданных групп объектов исследования. Зависимая – метрическая, а независимая – номинальная. Результат – дискриминантная модель (функция).

D = b₀ + b₁x₁ + … + b_kx_k, где D –зависимая; b₀ – свободный член; х – независимая; к – коэффициент.

Статистики:

• Каноническая корреляция – степень связи между показателями и группами.

• Средняя точка – средние значения для показателей конкретной группы.

• Классификационная матрица – содержит ряд правильно и ошибочно классифицированных случаев

• F-статистика

• Коэффициент Уилкса – отношение внутри групповой суммы квадратов к общей сумме квадратов (от 0 до 1) и другие.

Процесс:

1. определение зависимой и независимой переменных

2. выбор метода дискриминантного анализа

3. определение коэффициентов дискриминантной функции

4. определение значимости функции

5. интерпретация полученных результатов

6. оценка достоверности

55. Факторный анализ. Методы факторного анализа

Факторный анализ(ФА) – совокупность методов, которые на основе объективно существующих корреляционных взаимосвязей признаков позволяют выявлять скрытые обобщающие хар-ки структуры изучаемых объектов и их св-в. Цели ФА: сокращение числа переменных, опр-е структуры связей между переменными. Основное предположение ФА в том, что каждый признак можно выразить в виде суммы некоторых других факторов, умноженный каждый на свой коэффициент (факторную нагрузку). Факторы можно разделить на общие и характерные.. Этапы ФА: формулировка проблемы(опр-ть цели, задать переменные в интерв или относ шкале). Построение корреляционной матрицы(её анализ определяет целесообразность ФА: если корреляции между переменными небольшие, то бесполезно). Опр-е метода ФА(Анализ главных компонент(учитывают всю дисперсию) и анализ общих факторов(учитывают общую дисперсию). Опр-е числа фак-ов (основывается на предварительносй информации или на собственных значениях факторов или на критерии «каменистой осыпи», на проценте объяснённой дисперсии, на оценке надёжности, на критериях занчимости). Вращение фак-ов(ортогональное – когда сохраняется прямоугольная сис-ма координат, неортогональное – когда не сохран-ся прям. с-ма координат и метод варимакс – минимизирует число переменных с болшим значением нагрузок, усиливая интерпр-ть фак-ов). Интерпретация фак-ов.Определение степени соответствия модели (Изучив разности между наблюдаемыми корреляциями и вычисленными, можно определить соответствие модели исходным данным).

Обязательные условия факторного анализа входят:

• Все признаки должны быть количественными.

• Выборка должна быть однородна.

• Исходные переменные должны быть распределены симметрично.

( Диктовать в конце) Статистики и понятия в ФА: критерий сферичности Бартлетта – проверяет гипотезу о том, что переменные в генеральной сов-ти не коррелируют между собойю Корреляционная матрица – матрица попарных корреляций r между всеми возможными парами переменных. Общность – доля дисперсии, объясняемая общими факторами. Собственное значение – полная дисп-я, объясняемая каждым фактором. Факторные нагрузки – линейные корреляции между переменными и факторами. Матрица факторных нагрузок – содержит факторные нагрузки по всем факторам. Значение фактора- суммарные значения, определённые для каждого респондента по производным факторам

56. Кластерный анализ. Алгоритмы кластеризации

Кластерный анализ – сов-ть методов, позволяющих класс-ть многомерные наблюдения, каждое описывается набором исходных переменных Х₁,Х₂…Х_m. Цель – образование схожих групп объектов (кластеров), используется при сегментации рынка, понимании поведения покупателей и др.

Этапы: формулировка проблемы(выбор переменных для кластеризации) выбор меры расстояния(вычисление расстояния между объектами. Например Евклидово Опр-е числа кластеров (на предварительной информации, уровне кластеризации, модели кластеров, которую генерирует программа,). Интерпретация и профилирование кластеров(для описания результатов исп-ся центроид ).

57. Многомерное шкалирование

ММШ – класс методов для представления восприятий и предпочтений респондентов в просранстве с помощью наглядного изображения. Воспринимаемые связи между объектами – пространственные карты. ММШ исп-ся для измерения имиджа, сегментации рынка, разработки нового товара, эффективности рекламы, ценового анализа и др.Этапы: формулировка проблемы (определение целей, объектов иссл-я) Получение исходных данных (Существуют два подхода к сбору данных о восприятии: прямые( респон-в просят оценить, насколько похожи торговые марки.) и непрямые (оценивание торговых марок респонд-ми исходя из характеристик, предложенных исслед-лем. Выбор метода ММШ( метрические методы предполагают, что исх. Данные интервальные или относительные, неметрические – когда исходные данные порядковые; линейный и нелинейный). Принятие решений о кол-ве размерностей (Чем больше размерность просранства, использ для воспроизведения расстояний, тем лучше согласие воспроизведённой матрицы с исходной. Подходы к опр-ю размерностей: на предв. инфе, на основе критерия изогнутости на лёгкости исп-я) Оценка надёжности и достоверности (рассчитать коэф. соотв-я R² – допустимы знач-я от 0,6 и выше, рассчитать знач-е стресса, которые варьируются в зависимости от метода многомерного шкалирования .