Contenu connexe Similaire à 網路問卷、SPSS分析與聯合分析實作-三星統計夏恩顧問 Similaire à 網路問卷、SPSS分析與聯合分析實作-三星統計夏恩顧問 (7) Plus de Beckett Hsieh (20) 網路問卷、SPSS分析與聯合分析實作-三星統計夏恩顧問12. SPSS基本介紹 I
• Statistical Program for Social Sciences
– 特色:易學易用、提供基本的統計分析功能
• Statistical Product and Service Solution
– 增加更多分析模型與功能
– 大量資料的處理
– 與外部語言結合
12
Before
After
16. SPSS基本介紹 IV
16
變數檢視視窗
• 可直接定義變數性質
– 名稱(Var. Name)=「q3」
– 標記(Label Name)=「(3)性別」
– 值(Format):1=男生、2=女生
1.變數的新增刪除、
2.更改變數名稱
3.設定變數類型(文字or數值)
4.更改label、format
…
範例檔案-學員版英語學習調查問卷-RawData(整理後).sav
23. 常用操作功能 II
• 瀏覽器設定
– 編輯→選項→瀏覽器→顯示記錄中的指令
– 可將執行動作背後的指令語法顯示在輸出檔,
藉以幫助後續編譯程式
– 調整輸出的字型
23
顯示記錄中的指令 調整輸出的字型
33. 基本計算
• 數學運算元
– 加 (+)、減 (-)、乘 (*)、除 (/)、乘冪指數 (**)
• 關係運算元
– 大於 (>)、小於 (<)、大於等於 (>=)、
小於等於 (<=)、不等號 (~=)
• 邏輯運算元
– 且 (&)、或 (|)、非 (~)
• 變數範圍的設定方式
– Ex. 年齡大於等於20歲,小於30歲
IN SPSS:AGE >= 20 & AGE < 30
33
重點
34. 數字函數 I
• RND(變數,四捨五入位數)
– RND(4.567)=5
– RND(4.567,0.1)=4.6
• TRUNC(變數,截斷至第幾位數)
– TRUNC(4.567)=4
– TRUNC(4.567,0.1)=4.5
• ABS(變數)
– 取絕對值
– ABS(-12345)=12345
• $CASENUM
– 資料流水號
– ID=$CASENUM
34
36. 文字函數 II
• RTRIM(變數)、LTRIM(變數)
– 刪除尾隨或前引的空白
– RTRIM(‘ABC ’)=‘ABC’
– LTRIM(‘ ABC’)=‘ABC’
• LENGTH(變數)
– 計算字元長度
• 中文字:1字元=長度2;其他:1字元=長度1
• 21版中文字改為1字元=長度3
– LENGTH(‘ABCDE’)=5
– LENGTH(‘AB CDE’)=6
• UPCASE(變數)、LOWER(變數)
– 調整變數的大小寫
– UPCASE(‘abcde’)=‘ABCDE’
– LOWER(‘ABCDE’)=‘abcde’
36
37. 文字函數 III
• STRUNC(變數,保留長度)
– 直接將變數截斷至特定長度
• CHAR.SUBSTR(變數,起始位置,保留長度)
– 保留特定區段的字串
– CHAR.SUBSTR(‘19830731’,1,4)=‘1983’
– CHAR.SUBSTR(‘19830731’,5,2)=’07’
– CHAR.SUBSTR(‘19830731’,7,2)=‘31’
• CONCAT(變數1,變數2,變數3,…)
– 合併各字串變數
– CONCAT(‘1983’,’/’,’07’,’/’,’31’)=‘1983/07/31’
37
常用
常用
40. 其他常用函數 II
• REPLACE(變數,要被置換的符號,要置換成
的符號)
– REPLACE(‘ABCABC’,’A’,’@’)=‘@BC@BC’
• 將字串中間的空白給移除
– REPLACE(‘ABC ABC’,’ ’,’’)=ABCABC
• 無法一次將多個符號置換,需重複使用函式
– REPLACE(REPLACE(‘ABCABC’,’A’,’@’),’B’,’#’)
=REPLACE(‘@BC@BC’,’B’,’#’)
=‘@#C@#C’
40
41. 資料篩選 I
• 資料→選擇觀察值
• 依照特定條件篩選資料
• 可設定不同選取方式
– 如果滿足設定條件
– 觀察值的隨機樣本
– 以時間或觀察值範圍為準
– 使用過濾變數
41
常用
篩選出資料檔中,性別為「男生」的資料
範例檔案-學員版英語學習調查問卷-RawData(整理後).sav
46. 問卷中常用的轉換
• 反向題的處理
• Q1:這次特賣會的產品符合我的需求
– (1)非常不同意(2)不同意(3)普通(4)同意(5)非常同意
– 分數越高,滿意度越高
• Q2:賣場人員的服務態度差
– (1)非常不同意(2)不同意(3)普通(4)同意(5)非常同意
– 分數越高,滿意度越低
46
1 2 3 54
5 4 3 12
↓ ↓ ↓ ↓↓
進入分析前必須要先將方向統一
48. 其他常見的變數轉換
48
• 字串型變數
• 男性、女性
• 數值型變數
• SEX:1、0
一
對
一
• 0-14歲
• 15-29歲
• 30-49歲
• 50-64歲
• 65歲以上
• 工作年齡
• 非工作年齡
多
對
一
• 年齡(0~100歲)
一
對
多
• 0-14歲
• 15-29歲
• 30-49歲
• 50-64歲
• 65歲以上
54. 資料合併功能-新增變數 I
• 橫向合併
– 利用關鍵變數併入資料
– 需先依關鍵變數遞增排序
• 21版之後可不需要先排序
54
+
=
Part1 Part2
範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_birthday.sav
55. 資料合併功能-新增變數 II
• 功能解說
– 可使用多個關鍵變數
– 可調整合併後要保留的
變數
• 合併方式
– 兩檔皆提供觀察值
– 非作用中資料是索引表
– 作用中資料集是索引表
• 無法直接砍掉未比對到
的資料,需自行做篩選
– 利用選擇觀察值的功能
55
勾選→表示兩個檔案都已經透過關鍵變數
做「遞增排序」,否則會合併失敗
不勾選→檔案可以不做排序,但會將結果
產生至新的資料集,關閉舊有的檔案
56. 資料合併功能-新增變數 III
• 兩檔皆提供觀察值
– A、B檔有的值都會保留
56
資料集A (作用中)
資料集B
範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_新增變數1.sav
範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_新增變數2.sav
58. 資料合併功能-新增變數 V
• 作用中資料是索引表
– 只保留B檔有的值
58
資料集A (作用中)
資料集B
範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_新增變數1.sav
範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_新增變數2.sav
59. • 資料→識別重複觀察值
– 可用多個變數定義重複值
– 重複的組別內,可用特定變數來定義資料順序
識別重複觀察值 I
59
1.相同的 ID.num 視為重複的值
2.以SURVEY_YM做同組內的排序
3.將最晚的調查月份當做唯一值
範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
69. 連續變數 vs.類別變數 I
• 分析不同月份的收入
69
OLAP多維度報表
範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
71. 連續變數 vs.類別變數 III
• 分析不同月份的收入
71
預檢資料
註.可額外產出莖葉圖與盒形圖,因為
無法調整所需的統計量故實用性不高
範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
72. 多維度報表 or 觀察值摘要?
• 設定架構相同,差別在跑完呈現的結果
• 可透過調整樞軸的方式將表格一致
72
OLAP多維度報表 觀察值摘要
範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
86. 項目分析 (Item analysis)
• 項目分析-量表處理的第一步
– 目的在篩選問卷量表或測驗中的題目的優劣;
改善題目的品質;提供題目計量特性的訊息
– 判定題目的鑑別力(discriminate power)
86
計算構面
平均分數
Step 1
以27&73
百分位數
區分高低
分組
Step 2
進行獨立
樣本T檢
定,比較
高低分組
的構面平
均數
Step 3
顯著(p-value<0.05)
具鑑別力;
建議保留
鑑別力可能不足;
建議刪除
不顯著(p-value>0.05)
97. 因素分析 I
• 針對變數進行分類
– 主要目的在於以較少的維度來表現原先的資料結構,
而又能保存大部分的資訊。換言之,因素分析是希
望降低變數的個數,並將一群具有相關性的資料,
轉換為新的彼此獨立不相關的新因素
– 若變數間存在很高的相關性,分析時會有一定困難
或造成問題,此時可先將變數濃縮為幾個因素,再
進行分析
– 僅討論探索性(Exploratory)因素分析
(參考資料:多變量分析-SPSS的操作與應用, 林震岩)
98. 因素分析 II
• 如何決定因素個數
– 特徵值(eigenvalue)
• 大於1(表示大於1.00的原始觀察變異量)
• 因素數目合理範圍為變數數目除以3至除以5之間
– 陡坡檢定Scree test (Cattell, 1966)
• 特徵值明顯出現變化時為合理數目
– 因素負荷量檢定
• 單一觀察變數的因素並不恰當
• 二個觀察變數的因素在兩變數相關高(r>0.7),與 其他
變數相關低時,為合理
98
103. 因素分析-報表 II
• 區分各因素所包含的題項,進行因素命名
• 因素名稱必須要能涵蓋所代表的原始變數的意義
– 因素一:流行崇洋導向 (1,9,11,14,22,24,25,28)
– 因素二:新新人類導向 (12,13,17,18,19,20)
– 因素三:精打細算導向 (6,7,10)
– 因素四:效率購買導向 (2,5,21)
– 因素五:衝動消費導向 (23,26,27)
– 因素六:廣告導引導向 (3,4,8)
– 因素七:圖求方便導向 (15,16)
103
範例檔案-學員版因素分析-結果備份.xlsx
104. 因素分析-報表 III
• 後續分析
1. 將各因素下的題目取平均
2. 輸出因素分數(factor scores):利用特殊方法
產出標準化後的變數濃縮結果
104
範例檔案-學員版因素分析.sav
範例檔案-學員版因素分析-取平均語法.sps
116. One-way ANOVA
• 檢定多組之間的平均數值是否有差異
– 只考慮一個因子
– 不同職務(操作員、開發人員、管理人員)的高科技
產業員工,在肝指數是否有明顯差異?
• 操作方式
– 分析→比較平均數法→單因子變異數分析
– 設定依變數與因子
– 設定輸出敘述統計表
– 設定輸出其他檢定
116
範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
117. One-way ANOVA-報表 I
• ANOVA檢定的顯著性<0.05
– 不同職務之間的平均肝指數,從整體來看有顯
著差異,似乎以開發人員的數值最高
– 個別之間的比較需透過其他統計方法,避免膨
脹型一誤差
117
範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
119. One-way ANOVA-報表 II
• 以LSD法進行事後比較
– 操作員的平均肝指數顯著低於其他兩種職務的
人員;開發人員的平均肝指數顯著高於其他兩
種職務的人員;管理人員居中
119
範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
121. Two-way ANOVA-報表 I
• 多因子的模型要先確認交互作用是否顯著
– 不顯著:可直接討論因子的主效果
• Ex.不同職位=肝指數有顯著差異
• Ex.年齡越高=肝指數越高
– 顯著:因子的主效果會被混淆
• Ex.不同職位下,年齡越高不代表肝指數越高
121
範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
124. Two-way ANOVA-報表 III
• 若交互作用顯著→先控制其中一個因子
– 1.分割變數,先控制工作職務這項因子
– 2.單因子變異數分析,討論不同世代別的平均
肝指數差異。在管理人員中,不同世代的平均
肝指數有顯著差異,其餘則否
124
範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
135. 迴歸分析
• 討論變數之間的因果關係
– 簡單迴歸:以單一自變項去解釋(預測)依變項的迴
歸分析
– 多元迴歸:同時以多個自變項去解釋(預測)依變項
的迴歸分析
– 在高科技產業的員工中,負責專案件數、每月加班
時數、肝指數、是否能預測其薪水?
• 方程式:
– 簡單迴歸: i = 1, ..., n,n為樣本數
– 多元迴歸:
• 操作方式
– 分析→迴歸→線性
135
0 1 1 2 2i i i k ki iY x x x
iiiY 10
142. 迴歸分析-多元迴歸-報表 II
• 各β係數皆顯著,在固定其他自變項下:
– 每月加班時數增加1小時,平均月薪預估會減少
2,666元
– 當負責專案增加1件時,平均月薪預估會增加
45,223元
– 肝指數增加1單位時,平均月薪預估會增加814元
• 由指標來看,此模式沒有嚴重的共線性問題
142
範例檔案-學員版 4.相關分析&迴歸分析 2.Corr&Reg.sav
143. 多元迴歸分析的共線性診斷
• 容忍值 (tolerance,SPSS翻譯做允差)
– 值介於0~1之間,愈小愈有共線性的問題。
• 變異膨脹係數 (Variance Inflation Factor, VIF)
– VIF愈大共線性問題愈嚴重,嚴格標準為5,寛鬆的標
準為10以上。
• 條件指標 (Condition Index, CI)
– CI愈大,共線性問題愈嚴重,實務上15以上就要考慮
共線性問題了。
144. 多元迴歸的變項選擇程序
• 輸入法
– 對任何自變數皆不予以篩選,全部納入迴歸模型
• 移除法
– 按照篩選標準將同一個集區內的變數一次全部去除,是一種
將變數只出不進的選入方法
• 向前法(forward)
– 預測變項的取用順序,以具有最大預測力且達統計顯著水準
的獨變項首先被選用,然後依序納入方程式中,直到所有達
顯著的預測變項均被納入迴歸方程式
• 向後法(backword)
– 與向前進入法相反的程序,所有的預測變項先以同時分析法
的方式納入迴歸方程式的運算當中,然後逐步的將未達統計
顯著水準的預測變項,以最弱、次弱的順序自方程式中予以
排除。直到所有未達顯著的預測變項均被淘汰完畢為止
• 逐步迴歸分析法(stepwise)
– 綜合向前法與向後法
145. 二元Logistic迴歸
• 迴歸模型中,當依變項為二元變數時
– 關心的事件:員工是否爆肝
– 依變項為二元:1→爆肝;0→未爆肝
– 估計勝算比(odds)或稱相對風險(relative risk)
– 也可導出事件發生的估計機率
– 高科技產業的員工中,透過:負責專案件數、每月
加班時數、每月運動天數、每月熬夜天數…等預測
其爆肝的機率?
145
𝒍𝒐𝒈(
𝒑
𝟏−𝒑
)=𝜶 𝟎 + 𝜷 𝟏 𝒙 𝟏𝒊 + 𝜷 𝟐 𝒙 𝟐𝒊+…+𝜷 𝒌 𝒙 𝒌𝒊+𝜺𝒊
→
𝒑
𝟏−𝒑
=𝒆 𝜶 𝟎+𝜷 𝟏 𝒙 𝟏𝒊+𝜷 𝟐 𝒙 𝟐𝒊+…+ 𝜷 𝒌 𝒙 𝒌𝒊+ 𝜺 𝒊
→ 𝒑=
𝟏
𝟏+𝒆
−(𝜶 𝟎+𝜷 𝟏 𝒙 𝟏𝒊+𝜷 𝟐 𝒙 𝟐𝒊+…+ 𝜷 𝒌 𝒙 𝒌𝒊+ 𝜺 𝒊)
勝算比
(相對風險)
事件發生
機率
147. 二元Logistic迴歸-報表 I
• 透過「-2對數概似(-2 Log Likelihood)」進行模
型比較,值越小代表模型的配適結果相對較好
• 模型係數解釋(固定其他變數下)
– 增加一件負責專案,爆肝的odds會是原本的1.689倍
– 每月加班多1小時,爆肝的odds會是原本的1.015倍
– 每月多運動1小時,爆肝的odds會是原本的0.791倍
– 每月多熬夜一天,爆肝的odds會是原本的1.085倍
147
範例檔案-學員版 4.相關分析&迴歸分析 3.Binary Logistic.sav
152. 聯合分析基本概念 II
• 好打者,不簽嗎?
– 洛杉磯天使隊經理的trade-off
152
Josh Hamilton Torii Hunter
打擊
能力
守備
能力
年齡 傷病史
明星
魅力
話題性 新合約
Josh Hamilton 左打 ※※ ※ 31 有 ※※ ※※※
125M/5
年
Torii Hunter 右打 ※ ※※ 37 有 ※ ※ 26M/2年
156. 調查偏好的方式 I
• 如何詢問受訪者對產品的偏好?
– 兩因素法 Two-factor-at-a-time Tradeoff Method
• 在每次判斷中,僅就一對屬性中之各水準的不同組合加
以評估,排列出偏好順序,然後再評估另一對屬性
– 整體輪廓法 Full-Concept Method
• 受訪者必須同時考慮所有產品屬性某一水準組合而成的
行銷組合
156
樣式
附餐
三層漢堡 雙層漢堡 單層漢堡
沙拉 3 4 6
薯條 1 2 5
157. 調查偏好的方式 II
• 實務上較常使用整體輪廓法
– 讓受試者可以做更實際的評估,但要小心圖示
與說明的精確性,避免誤導
– 會有受測項目過多的問題,可透過討論或使用
正交設計減少需要的組合數
157
三層豬肉漢堡+薯條
90-110元
A套餐 B套餐
雙層牛肉漢堡+薯條+玩具
70-90元
共3x3x3x2x2=108種
159. 衡量偏好的方式 I
• 以Sequence的調
查方式為例
– 請將以下各產品組
合,從最喜歡到最
不喜歡依序排列
159
組合3
屬性A:水準a1
屬性B:水準b1
屬性C:水準c1
…
組合2
屬性A:水準a1
屬性B:水準b1
屬性C:水準c1
…
組合1
屬性A:水準a1
屬性B:水準b1
屬性C:水準c1
…
• 以Score的調查方
式為例
– 請針對以下組合回
答購買的意願
組合1
屬性A:水準a1
屬性B:水準b1
屬性C:水準c1
…
低意願 1 | 2 | 3 | 4 | 5 | 6 | 7 高意願
160. 衡量偏好的方式 II
• 決定偏好衡量的方式
– Rank與Sequence類
似,直接呈現各組合
間的偏好順序,但是
當組合數較多時會造
成受訪者的負擔
– Score的評估方式對
受訪者較簡單,但有
時候會有差異不明顯
的狀況
160
Rank:資料代表組合的排序
受訪者 組合1 組合2 組合3
1
2
3
Sequence:資料代表組合的編號
受訪者 最喜歡 第二喜歡 第三喜歡
1 組合1 組合2 組合3
2 組合3 組合1 組合2
3 組合1 組合3 組合2
Score:資料代表組合的得分
受訪者 組合1 組合2 組合3
1 85 70 60
2 80 75 90
3 80 50 65
161. 問卷調查
• 紙本
• 電子問卷
– mySurvey較適合使用Score的調查方式
• 盡量減少調查過程中可能產生的誤差
– 決定適當的組合數
– 附加說明應清楚明白
– 產品組合的附圖不要讓人產生混淆
161
164. 建立聯合分析模型 II
• 設定屬性變數(手動輸入)
– 可視需要設定屬性水準的模式
164
手動輸入正交計畫檔中,各個屬
性的變數名稱,SPSS限制一次
分析最多不得超過10個屬性
屬性水準
的模式
敘述
離散
(Discrete)
屬性水準為類別型
(預設值)
線性
(Linear)
假設屬性水準與效用值之間有
線性關係
理想點
(Ideal)
假設屬性水準與效用值之關係
為二次式,即有一水準具有最
高效用值,其餘方向為遞減
反理想點
(Antiideal)
假設屬性水準與效用值之關係
為二次式,即有一水準具有最
低效用值,其餘方向為遞增
可進一步假設屬性水準的效用值是屬於
遞增或遞減的趨勢,但不影響模型的估
計結果,僅會增加方向的檢驗做為參考
範例檔案-學員版 5.聯合分析 Conjoint_pref.sav
正交計畫檔: Conjoint_plan.sav
雖然預設的格式是「離散」,但在
有無設定的情況下可能會出現不同
的效用值估計結果。建議使用時,
若針對屬性水準的格式沒有特別設
定,還是手動把它調整為「離散」!
165. 建立聯合分析模型 III
• 設定輸出結果
– 整體結果:不區分受試者組別
– 按受試者組別分類:可個別檢視不同組別的偏
好狀況,進行比較與評估
165
範例檔案-學員版 5.聯合分析 Conjoint_pref.sav
正交計畫檔: Conjoint_plan.sav
167. 量化消費者的效用 II
• 哪些屬性最需要重視?
– 重要性越高:在該產品屬性下,不同水準間會
有越大的效用值差異
167
35.635
29.410
14.911
11.172
8.872
產品各屬性的重要性
漢堡樣式 價格 漢堡肉 附餐 玩具
100
1
n
k
k
k
k
Range
Range
IMP
《補充》
Range:該屬性中,最
高與最低效用值的差距
在SPSS Conjoint中,若
有設定「受試者組別」
(Subject)的變項,則會
呈現取各組平均的結果
範例檔案-學員版 5.聯合分析 Conjoint_pref.sav
正交計畫檔: Conjoint_plan.sav
168. 聯合分析結果
• 分析數據
– 效用值(Utility)
– 重要性(Importance)
– 相關性(correlations)
• Pearson’s R
• Kendall’s Tau
• 其他分析結果的應用?
168
代表屬性與效用值之間的關聯
性,跟相關分析的概念類似,先
看顯著與否,再看強度。
可用來做為模型好壞的參考。
範例檔案-學員版 5.聯合分析 Conjoint_pref.sav
正交計畫檔: Conjoint_plan.sav
169. 其他應用
• 新產品的推出,消費者的反應會如何?
– 在正交計畫檔中加入模擬組合
– 直接比較效用值加總的順序
169
單層豬肉漢堡+薯條
110-130元
新組合1
雙層牛肉漢堡+沙拉+玩具
110-130元
新組合2
三層雞肉漢堡+薯條+玩具
90-110元
新組合3
範例檔案-學員版 5.聯合分析 Conjoint_pref.sav
正交計畫檔: Conjoint_plan_simulation.sav
173. 實例練習:設定屬性與水準
• A. 是否搭配手機(mobile)
– 是、否
• B. 是否搭配行動上網(gprs)
– 是、否
• C. 搭配贈品(present)
– 是、否
• D. 續約優惠(discount)
– 購機優惠價、贈送加值服務、通話費優惠
• E. 新合約月租費(rent)
– 300元以下、300-600元、600-1000元、1000元以上
173
176. 實例練習:調查對象
• 調查總數:500人
• 性別:男、女
• 將年齡再區分為不同世代
– 青少年、中生代、老年
176
71 74
93 90
80
92
性別x世代別(人數)
青少年男性 青少年女性 中生代男性
中生代女性 老年男性 老年女性
範例檔案-學員版 5.聯合分析實例操作_pref_16.sav
178. 實例練習:分析結果(整體)
• 了解整體受訪者的偏好結構
– 找出可能的最適組合
– 不同的續約優惠會造成較大的偏好差異
178
整體受訪者 效用值估計
搭配手機
(mobile)
有搭配手機 -0.012
沒有搭配手機 0.012
搭配行動上網
(gprs)
有搭配行動上網 0.129
沒有搭配行動上網 -0.129
搭配贈品
(present)
有搭配贈品 0.011
沒有搭配贈品 -0.011
續約優惠
(discount)
購機優惠價 -0.107
贈送加值服務 -0.123
通話費優惠 0.229
新合約月租費
(rent)
300元以下 -0.194
300-600元 -0.387
600-1000元 -0.581
1000元以上 -0.775
截距項 6.049
範例檔案-學員版 5.聯合分析實例操作_pref_16.sav
正交計畫檔:實例操作_plan_16.sav
179. 實例練習:分析結果(個別) I
• 男女的偏好在是否搭配手機與贈品的部分有所不同
• 以重要性來看,女性較男性重視是否搭配行動上網;反
之,男性較重視續約優惠的種類
179
性別
效用值估計
女性 男性
搭配手機
(mobile)
有搭配手機 -0.071 0.05
沒有搭配手機 0.071 -0.05
搭配行動上網
(gprs)
有搭配行動上網 0.208 0.047
沒有搭配行動上網 -0.208 -0.047
搭配贈品
(present)
有搭配贈品 0.122 -0.106
沒有搭配贈品 -0.122 0.106
續約優惠
(discount)
購機優惠價 -0.134 -0.078
贈送加值服務 0.038 -0.29
通話費優惠 0.096 0.368
新合約月租費
(rent)
300元以下 -0.175 -0.214
300-600元 -0.35 -0.427
600-1000元 -0.525 -0.641
1000元以上 -0.7 -0.854
截距項 5.743 6.37
範例檔案-學員版 5.聯合分析實例操作_pref_16.sav
正交計畫檔:實例操作_plan_16.sav
180. 實例練習:分析結果(個別) II
• 老年世代在偏好結構上與青少年、中生代有較大的差異,
尤其對月租費反而呈現正向偏好的關係
• 青少年世代在重要性權重的表現較平均,中生代較重視新
合約月租費,老年世代較重視是否搭配手機
180
世代別
效用值估計
青少年 中生代 老年
搭配手機
(mobile)
有搭配手機 -0.331 -0.359 0.627
沒有搭配手機 0.331 0.359 -0.627
搭配行動上網
(gprs)
有搭配行動上網 0.23 0.565 -0.419
沒有搭配行動上網 -0.23 -0.565 0.419
搭配贈品
(present)
有搭配贈品 0.262 -0.279 0.108
沒有搭配贈品 -0.262 0.279 -0.108
續約優惠
(discount)
購機優惠價 -0.129 -0.072 -0.124
贈送加值服務 -0.095 0.105 -0.388
通話費優惠 0.224 -0.033 0.512
新合約月租費
(rent)
300元以下 -0.157 -0.543 0.147
300-600元 -0.314 -1.086 0.294
600-1000元 -0.471 -1.629 0.441
1000元以上 -0.628 -2.172 0.588
截距項 5.584 7.52 4.877
範例檔案-學員版 5.聯合分析實例操作_pref_16.sav
正交計畫檔:實例操作_plan_16.sav
181. 實例練習:分析結果(個別) III
• 個別分析六個族群的偏好結構與重要性權重
• 針對各個不同背景變項的組合都進行分析與制定組合策
略?
– 建議使用集群分析,依照每一個受訪者「個體」所呈現的偏好進
行分類分群
181
族群(性別*世代別)
效用值估計
青少年
男性
青少年
女性
中生代
男性
中生代
女性
老年
男性
老年
女性
搭配手機
(mobile)
有搭配手機 -0.162 -0.494 -0.417 -0.299 0.782 0.492
沒有搭配手機 0.162 0.494 0.417 0.299 -0.782 -0.492
搭配行動上
網(gprs)
有搭配行動上網 0.113 0.342 0.589 0.539 -0.643 -0.224
沒有搭配行動上網 -0.113 -0.342 -0.589 -0.539 0.643 0.224
搭配贈品
(present)
有搭配贈品 0.141 0.378 -0.236 -0.324 -0.173 0.352
沒有搭配贈品 -0.141 -0.378 0.236 0.324 0.173 -0.352
續約優惠
(discount)
購機優惠價 0.197 -0.443 -0.644 0.519 0.336 -0.524
贈送加值服務 -0.574 0.365 0.133 0.077 -0.531 -0.264
通話費優惠 0.377 0.078 0.512 -0.595 0.194 0.788
新合約月租
費(rent)
300元以下 -0.168 -0.147 -0.442 -0.648 0.011 0.265
300-600元 -0.335 -0.294 -0.883 -1.296 0.022 0.53
600-1000元 -0.503 -0.441 -1.325 -1.943 0.033 0.796
1000元以上 -0.67 -0.588 -1.767 -2.591 0.044 1.061
截距項 5.729 5.445 8.012 7.012 5.032 4.742
範例檔案-學員版 5.聯合分析實例操作_pref_16.sav
正交計畫檔:實例操作_plan_16.sav
184. 實例練習:分析結果─集群分析 III
• 集群分析結果:2種不同偏好結構的群組
– 橫跨不同背景變項
– 可針對不同族群做更精準的設計
184
TwoStep
不考慮截距項
集群1 集群2
有搭配手機 0.4425 -0.4181
沒有搭配手機 -0.4425 0.4181
有搭配行動上網 -0.3371 0.5459
沒有搭配行動上網 0.3371 -0.5459
有搭配贈品 0.1104 -0.0781
沒有搭配贈品 -0.1104 0.0781
購機優惠價 -0.0286 -0.1761
贈送加值服務 -0.4354 0.1572
通話費優惠 0.4640 0.0189
新合約月租費 0.0880 -0.4456
範例檔案-學員版 5.聯合分析實例操作_個別效用值輸出_by_id.sav