Contenu connexe
Similaire à SPSS教育訓練-聯合分析-三星統計夏恩顧問-20130824
Similaire à SPSS教育訓練-聯合分析-三星統計夏恩顧問-20130824 (20)
Plus de Beckett Hsieh (20)
SPSS教育訓練-聯合分析-三星統計夏恩顧問-20130824
- 5. SPSS基本介紹 II
5
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
…
範例檔案英語學習調查問卷-RawData(整理後).sav
- 11. 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
11
常用
篩選出資料檔中,性別為「男生」的資料
範例檔案英語學習調查問卷-RawData(整理後).sav
- 15. 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
15
1 2 3 54
5 4 3 12
↓ ↓ ↓ ↓↓
進入分析前必須要先將方向統一
- 20. 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
20
+
=
Part1 Part2
範例檔案變數轉換_demo_raw.sav
範例檔案變數轉換_demo_birthday.sav
- 21. 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
21
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
- 29. 連續變數 vs.類別變數 III
• 分析不同月份的收入
29
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
範例檔案變數轉換_demo_raw.sav
- 30. 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
30
OLAP多維度報表 觀察值摘要
範例檔案變數轉換_demo_raw.sav
- 32. 集群分析 (Cluster) I
• 集群分析的目的
– 主要是將相似特性的分析對象歸為同一集群,使得
同一集群內具有高度同質性(群內變異小),而不同
集群內具有高度異質性(群間變異大)
• 集群分析的應用
– 區分消費習性:追求物慾、精打細算、一毛不拔
– 區分行為模式:夜貓族、白天型、下班時段
– 重點在集群的命名
- 33. 集群分析 (Cluster) II
• SPSS預設會先對連續變數做標準化
• Two-step集群
– 根據BIC準則決定最適分群數,取BIC值最小的
分群數
– 輸出分群解果與集群組員欄位
• K-means集群
– 須自行設定分群數
– 輸出分群解果與集群組員欄位
• 建議
– 不確定資料結構時:使用Two-step集群
– 確定需要分為幾群時:使用K-means集群
- 37. 集群分析 (Cluster)-Demo
• 集群命名
– 解讀各個集群的特色,進行合理的命名
37
愛慕虛榮型 理性保守型 衝動消費型 Combined
流行崇洋導向 Mean .6432 -.8125 -.3189 .0000
新新人類導向 Mean .0191 .1273 -.1609 .0000
精打細算導向 Mean -.0628 .6354 -.5249 .0000
效率購買導向 Mean .0214 -.1516 .1139 .0000
衝動消費導向 Mean .0396 -.5858 .5162 .0000
廣告導引導向 Mean .4452 .1582 -.9414 .0000
圖求方便導向 Mean -.0350 -.0523 .1138 .0000
Centroids
Cluster
- 41. 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
41
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
- 45. 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
45
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
- 46. 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
46
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
- 48. 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
48
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
- 49. 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
49
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
- 50. 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
50
- 53. 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
53
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
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.聯合分析Conjoint_pref.sav
範例檔案.聯合分析Conjoint_plan.sav
建議使用時,若針對屬性水準的格
式沒有特別設定,就手動把它調整
為「離散」
- 54. 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
54
範例檔案聯合分析Conjoint_pref.sav
範例檔案聯合分析Conjoint_plan.sav
- 56. 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
56
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
範例檔案聯合分析Conjoint_pref.sav
範例檔案聯合分析Conjoint_plan.sav
- 57. 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?
57
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。
範例檔案聯合分析Conjoint_pref.sav
範例檔案聯合分析Conjoint_plan.sav
- 62. 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
62
- 66. 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
66
71
民國前/通
用格式
民國前/通
用格式
民國前/通
用格式
民國前/通
用格式
民國前/通
用格式
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
範例檔案聯合分析實例操作_pref_16.sav
- 68. 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
68
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
範例檔案聯合分析實例操作_pref_16.sav
範例檔案聯合分析實例操作_plan_16.sav
- 69. 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
69
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
範例檔案聯合分析實例操作_pref_16.sav
範例檔案聯合分析實例操作_plan_16.sav
- 70. 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
70
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
範例檔案聯合分析實例操作_pref_16.sav
範例檔案聯合分析實例操作_plan_16.sav
- 71. 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
71
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
範例檔案聯合分析實例操作_pref_16.sav
範例檔案聯合分析實例操作_plan_16.sav
- 74. 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
• 應用觀察值摘要,可
看出兩集群的偏好結
構不同
– 可針對不同族群做更
精準的設計
74
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
範例檔案聯合分析實例操作_個別效用值輸出_by_id.sav
- 77. 77
個數
1 2
青少年男性 44 27 71
老年女性 90 2 92
老年男性 79 1 80
中生代女性 7 83 90
中生代男性 3 90 93
青少年女性 13 61 74
236 264 500
TwoStep_考慮截距項 * 族群(性別*世代別) 交叉表
TwoStep_考慮
截距項
總和
族群(性別*世代別)
總和
平均數
1 2 總和
有搭配手機 .4425 -.4181 -.0119
沒有搭配手機 -.4425 .4181 .0119
有搭配行動上網 -.3371 .5459 .1291
沒有搭配行動上網 .3371 -.5459 -.1291
有搭配贈品 .1104 -.0781 .0109
沒有搭配贈品 -.1104 .0781 -.0109
購機優惠價 -.0286 -.1761 -.1065
贈送加值服務 -.4354 .1572 -.1225
通話費優惠 .4640 .0189 .2290
新合約月租費 .0880 -.4456 -.1938
觀察值摘要
TwoStep_考慮截距項