市场调查与预测（修订版）课件作者张举刚李国柱第十一章节高级数据分析方法简介.ppt

第四节　因子分析 一、因子分析在市场调查中的应用 （一）市场细分 （二）利用因子分析进行产品特性研究 （三）顾客满意度调查 二、因子分析的基本原理 根据原始变量之间的相关性，将相关性较高的变量归为一类，用较少的几个因子去表示具有相互关系的原始变量 ，达到简化数据的目的。 从观测到的p个变量的相关性入手，找出m(mp)个 在相关性紧密的变量背后起主导作用的内在原因 ，称这 p个变量有m个公共因子 。 这样每个观察变量 都可以写成m个 互不相关的公共因子 的线性组合的形 式，即因子分析的数学模式。 其中 为公因子 ，每个公因子至少要对两 个原始变量起作用，否则将列入特殊因子。 为特殊因子，他们都是不可观测的随机 变量，每个特殊因子只对对应的一个原始变量有作用。 因子分析的数学模式用矩阵表示为： 三、因子分析的基本步骤 （一）确定待研究的问题 （二）建立相关系数矩阵，检查变量之间的相关性。变量之间必须具有较强的相关关系，才能适用于因子分析 （三）选择提取因子的方法：主成分法、主因子法、最大似然法、最小二乘法、最小残差法等等，而一般常用的是主成分法和主因子法 （四）确定因子的个数 。常用的确定因子个数的方法有以下三种：（1）根据研究者的设计方案或有关经验或知识事先确定；（2）变量共同度，即原始变量对公因子依赖的程度 （3）因子的累计方差贡献率。 （五）因子旋转。得到初始因子载荷矩阵后，虽然它能反映因子与原始变量之间的关系，但在多数情况下，不便于对因子进行解释，这时就需要将因子载荷矩阵进行旋转，以便对每个因子的含义进行解释 。因子旋转的方法有正交旋转和斜交旋转两类。 （六）解释因子和命名。通过因子旋转后，因子对哪些原始变量有显著的负荷就比较清楚了，这时可以根据这些变量所隐含的意义来对因子进行解释和命名。 尚辅网 / 第十一章 高级数据分析方法简介 第一节 多元线性回归分析 多元线性回归是在简单线性回归基础上推广而来。是用来分析多个自变量对多个因变量如何产生影响的，最常见的是分析多个自变量对一个因变量的影响方向和影响程度。 一、多元线性回归分析在市场调查中的应用 （一）确定市场调查中因变量与自变量之间的关系是否存在，若存在，还要分析自变量对因变量的影响程度是多大，影响方向如何。 （二）确定因变量和自变量之间的联系形式，关键是要找出回归系数。 （三）利用已确定的因变量和自变量之间的方程形式，在已知自变量的情况下，对因变量的取值进行预测。 （四）在众多影响因变量的因素中，通过评价其对因变量的贡献，来确定哪些自变量是重要的或者说是比较重要的，为市场决策行为提供理论依据。 二、多元线性回归分析的基本原理 通过对数据的预分析，确定因变量和自变量之间的线性模型形式，用数学方程式表达，利用最小二乘估计方法确定回归方程的回归系数 。 三、多元线性回归分析的步骤 （一）进行数据的预分析，确定自变量的个数。 （二）确定回归模型。 一般的多元线性模型，即总体回归方程如下： 因变量 自变量 总体回归系数 随机误差项 作为总体回归方程的估计，样本回归方程如下： 总体回归系数的估计 样本数 是 与其估计 之间的离差，即残差 （三）确定回归系数（主要指样本回归系数） 采用最小二乘法来确定样本回归系数 设 根据微积分求极小值的原理，残差平方和 存在极小值，将 对求 偏导数，并令所求偏导数等于零，这时 得最小值。对求偏导数所得方程式整理可得如下 个方程式： 以上个方程式组成方程组，求解方程组可得 的值 （四）回归效果的度量 多元线性回归的效果度量其实就是其拟合程度的评价。评价方法是通过计算可决系数 来进行。 可决系数计算公式为： 衡量回归效果更常见的方法是用修正的可决系数 来评判 。 修正的可决系数计算公式： （五）回归的显著性检验 包括对回归方程的显著性检验和对回归系数的显著性检验。 1、对回归方程进行显著性检验 设原假设为“所有的总体回归系数都等于零”，即 检验统计量构造为： 给定显著性水平 ，查 分布表，得临界值 当 ，则拒绝原假设 ，认为在显著性水平下， 对