第十二章多变量分析方法及其应用讲述.ppt

* 第十二章 多变量分析方法及其应用 * 多变量分析方法在市场研究中应用的作用 1、简化数据结构，选择变量子集合 2、对数据进行分类处理、分类研究、构造分类模式 3、构造模型 * 一、因子分析方法及其应用 因子分析在数据分析方面有两个主要作用： 1、发现隐含于数据内部的结构，找出存在于原有各变量之间的内在联系并简化观察变量，使得对调查结果的解释更简单直观。 2、对变量或样本进行分类，根据因子得分值在因子轴空间进行分类处理。 * 因子分析的基本方法原理 设原有n个被调查者、m个原始调查变量，则原始调查结果矩阵如下： (1) * 另设m个原始调查变量为（x1,x2,……xm） 因子分析是假设p个因子（p≦m）， F=（F1,F2,……Fp） F是原始变量的线性组合  （2） 这样就把原有的m个变量简化为p个综合因子。 由式（2）计算每个样本的因子得分，并可由因子得分对样本进行分类。 * 将各原始变量作为p个新因子的线性组合称为因子模型。 （3） 因子模型中各个因子的系数bij称为因子载荷系数。它表示了各因子与原始变量之间的相关性的大小，是两者之间的相关系数。 * 因子分析的内容和步骤 1、原始数据 2、将各变量的评分值进行标准化处理 3、计算各观察变量之间的相关系数 4、求对应相关系数矩阵的特征方程∣R-λI∣的特征向量以及特征值表 5、因子载荷的计算 6、因子载荷矩阵的旋转 7、因子得分 8、进行分类 * 二、聚类分析方法及其应用 聚类分析的作用：将一些变量、目标、公司等进行分类组合 * 聚类分析的基本方法原理——就是测量研究目标之间的相似性，根据相似的程度将研究目标进行分类。 测量研究目标之间的相似性的方法通常有两种： 两目标之间的距离 两目标的关联系数 * 两目标之间的距离的计算公式： 两目标的关联系数通常使用相关系数来计算： * 在聚类分析中对样本进行分类有两种分类方法： 逐项分类法——先将所有的研究样本作为一个或几个大类，然后逐渐分解成多类直至单个样本。 系统分类法——先从各单个样本开始，然后之间的按最小距离或最大关联度进行归类。 * 三、判别分析法及其应用 判别分析法是用于判别样本所属类型的一种多变量统计分析方法 作用于在已知被研究对象已分成若干类的情况下，确定新的被研究者究竟属于已知类型中的哪一类。 * 判别分析法的基本原理 判别分析是根据样本数据，确定判别系数 然后根据所收集到的资料计算出判别临界值yc作为判别研究对象属于两组之中哪一组的标准。 * 判别函数的确定步骤： 1、计算两组平均值之差D(Xi) 2、计算两组数据的离差矩阵Ai,共方差矩阵Si=Ai’Ai 3、计算两组资料的联合共方差矩阵P=S1+S2 4、计算P的逆矩阵P-1 5、计算判别系数b= P-1 D 6、求判别函数的临界值Y=b1X1+b2X2+b3X3 7、判别函数的检验 * 四、回归分析方法及其应用 回归分析是处理自变量x1，x2，x3，…… xn与因变量y之间相关关系的方法，它从定量的角度寻找变量之间的因果关系，从而判断某些因素的变化对其他因素的影响。 * 回归分析法的步骤： 1、从一组原始数据出发，确定变量之间的定量关系，即确定模型的具体形式和模型参数的估计值。 2、对这些等量关系式的可信程度进行统计检验 3、从影响因变量的许多变量中判断和选择最重要的影响因素 4、利用模型进行预测 * 一元一次线性回归分析 * 回归系数的计算式如下： 此外，两变量之间的相关程度如何，利用相关性分析。一般情况下针对等量尺度问题的相关系数计算式如下： * 多元线性回归分析 多元回归分析处理因变量与多个影响因素（自变量）的相关性关系。 其线性模型为： * 用矩阵表示为： 式中： 相关系数的计算式： * 二元线性回归分析模型 预测公式： 式中：