模型評估方法.docVIP

摘要 　　本文立足我国二线城市，从河南的省会城市郑州的市调公司满意度模型参数估计方法应用情况入手，结合实例，分析了二线城市常用的传统回归方法的应用与主成分回归方法的优势互补方案，同时，又深入浅出地介绍了目前技术已经比较成熟的结构方程模型和偏最小二乘法的基本原理及其应用。 　　笔者认为，在实际满意度研究过程中，将多种参数估计方法结合起来使用，能收到更好的效果。 　　关键词：满意度模型参数估计回归主成分结构方程模型偏最小二乘 　　引文 　　满意度研究是当前市场调研的热点，很多企业需要定期进行满意度调研，并将其结果作为全面质量管理和客户关系管理的重要信息来源，以获取市场竞争优势。 　　河南君友商务咨询公司是较早涉足满意度研究领域的专业研究型公司，已为多个客户做过满意度项目，既有长期定量监测，也有神秘顾客等方式。实践表明，满意度研究最重要的工作是建立科学的满意度模型，而满意度模型的参数估计则更是重中之重。 　　因此，本文试图在现有满意度模型参数估计方法的基础上，结合实际应用情况，对比分析各种参数估计方法的特点，以便在今后满意度测评中，针对不同满意度模型选择合适的参数估计方法。 　　一、二线城市满意度模型参数估计方法的应用　　目前，我国二线城市大多数市调公司主要还是采用回归分析来进行满意度模型的参数估计。 　　回归分析（Regresion）是通过分析数据拟合因变量与自变量之间的关系式，来检验影响变量的显著程度。例如，利用多元线性回归，建立满意度模型方程“总体满意度=a+b1*产品满意度+b2*服务满意度+b3*价格满意度”。一般情况下，通过上述方程就可以分析各环节满意度对总体满意度的影响，相类似的，我们也可以分析一些细项对各环节满意度的影响。 　　因此，回归分析可以算得上是一种有效且易用的方法。但是，在使用回归分析方法时，一定要注意其技术本身所存在的一些局限性： 　　回归分析的局限性 　　首先，回归分析无法解决多重共线的问题。 　　多重共线指的是多个变量之间存在相关甚至高度相关，这种现象在实际调研中是经常出现的，但回归分析无法解决这一问题。例如，在一项关于乘客对乘车环境的满意度研究中，得到这样一个回归方程，Y=0.276+0.073*站内环境+0.053*乘车方便性-0.042*站内安全感+0.033*车内环境-0.023*乘车方便性+0.022*广播质量+……。这个方程有个很奇怪的地方，站内安全感和乘车方便性对总体满意度的影响是负向的，这是有悖于常理的结果，也可以说是不正确的结果。出现这样结果的主要原因是自变量之间存在高度相关，也就是所谓的多重共线性的问题。 　　我们可以用图来说明多重共线性问题： 　　从上图可以看到，产品满意度和服务满意度之间有很大一部分重叠，这就是多重共线部分。由于多重共线的问题，此时的b1、b2两个标准回归系数已不能被用来准确地说明两个自变量对因变量作用的大小。同时，由于多重共线的问题，回归方程估计的系数会非常不稳定，不同样本得到的回归系数会有很大差异，从一个样本得到的回归系数推广到总体时，结果就很不可靠。所以说，多重共线的问题是多元回归技术无法解决的严重问题之一。 　　其次，回归方法使用的前提假设条件是各观测变量不存在测量误差，即各观测变量都已被百分之百真实测量出来，而这一假设在测量理论和实际操作中都是不可能满足的。经典测量理论认为：测验分数＝真分数＋误差分数，误差分数是无法避免的。同样，在实际操作过程中，系统误差和随机误差也是人力和主观愿望所无法控制的，但回归方法由于其方法本身的局限无法解决这一问题。所以，如果测量误差越大，回归分析所得结果的误差也越大。 　　除了多重共线和测量误差的问题之外，回归方法还存在无法同时考察多个因变量的问题等。那么，针对这些问题，市调公司是如何解决的呢？ 　　优势互补：主成分回归 　　为了解决回归分析方法的多重共线问题，部分市调公司适时地引入了主成分回归分析方法（Principal component regression，PCR）。主成分回归分析的实质是将主成分分析与回归分析结合起来使用。具体使用步骤如下： 　　首先利用主成分分析产生若干个主成分。在这个过程中，那些相关性较强的变量就会被综合在一个主成分中，而不同的主成分之间又是相互独立的。 　　然后，以这些主成分为自变量进行多元回归分析，此时就不会再出现共线的问题。 　　举例具体说明如下： 　　对产品满意度而言，可能有产品性能、性能稳定性、硬件质量、配置合理性、外观造型、颜色搭配、产品说明等测量指标，但是相关分析发现，部分变量之间存在较高的相关，那么，直接进行回归分析就会由于多重共线的问题而造成结果不稳定，此时，就可以通过主成分回归方法来解决： 　　第一步：先进行主成