Marketingový výzkum
Tabulka 6.10: Příklad lineární regrese Model Summary Model
R
R Square
Adjusted R Square
Std Error of the Estimate
1
,950*
,902
,898
24,38457
* Predictors: (Constant), teplota
Zdroj: autor R je korelační koeficient, R Square je index determinace. Platí: R Square=R2. Tabulka 6.11: Příklad statistické významnosti Coefficientsa Model
Unstandardized Coefficients B
1 (Constant) teplota a
Standardized Coefficients
Std. Error
–32,190
14,975
10,887
,719
Beta ,950
t
Sig.
–2,150
,041
15,132
,000
Dependent Variable: zmrzlina Zdroj: autor
Signifikance T testu významnosti proměnných (hypotéza: proměnná patří do modelu), pro zařazení proměnné do modelu požadujeme obvykle Sig. < 0,05. Na základě této tabulky lze zapsat tedy regresní rovnici: Počet prodaných porcí zmrzliny = 10,889 * teplota – 32,19 Tedy s každým stupněm teploty se prodá v průměru o necelých 11 porcí zmrzliny více. 350 300
Prodané porce zmrzliny
98
y = 10,887x – 32,19 R2 = 0,9016
250 200 150 rezidua
100 50 0
5
10
15
20
25
30
35
Teplota v °C
Obrázek 6.9: Příklad grafického znázornění závislosti (zdroj: autor)
Ukázka elektronické knihy, UID: KOS241090
Analýza dat
99
O dalších, zde stručně popsaných pokročilých metodách platí ještě o něco více než o předešlých, že bychom je neměli provádět bez dostatečných zkušeností a bez hlubšího pochopení statistiky, protože se vystavujeme nebezpečí chybné interpretace.
6.2.5
Shluková analýza
Shluková analýza (cluster analysis) je vícerozměrná statistická metoda, která se používá ke klasifikaci objektů. Slouží k třídění objektů do skupin (shluků) tak, aby si objekty náležící do stejné skupiny byly podobnější než objekty z různých skupin. Typickým příkladem může být segmentace zákazníků, rozlišení komunit uvnitř velkých skupin apod. U shlukové analýzy tedy seskupujeme jedince do skupin na základě jejich podobnosti, přičemž je několik způsobů definice této podobnosti (korelační míry, míry vzdálenosti a míry asociace). Mimo volby míry podobnosti je potřeba zvážit i metodu shlukování. Podle způsobu shlukování se metody rozdělují na hierarchické a nehierarchické. Hierarchické metody (hierarchical clustering) mají velkou výhodu v přehledném grafickém znázornění (dendrogram). Tyto metody jsou založeny na tzv. postupném shlukování: dva objekty s nejnižší vzdáleností se spojí do prvního shluku. Následně se přepočtou vzájemné vzdálenosti tak, že jsou vynechány objekty prvního shluku, a tento shluk je naopak zařazen jako nový objekt. Celý postup se opakuje, dokud všechny objekty netvoří jeden shluk, nebo dokud nezůstane předem určený počet shluků. (Existuje i postup, který postupuje přesně opačně: od jednoho shluku k jednotlivým objektům.) Pro výpočet vzdálenosti mezi shluky opět existuji různé metody (například metoda průměrného spojení pro mezishlukové vzdálenosti, metoda nejbližšího souseda, metoda nejvzdálenějšího souseda apod). U nehierarchických postupů (non-hierarchical clustering) je nejpoužívanějším algoritmem tzv. K-means shlukování (prvním krokem je volba středů, pak jsou postupně jednotlivé objekty přiřazovány do skupin s nejbližším středem. Následně se přepočítá poloha středu a proces se opakuje až do vzniku K shluků). Doporučení a poznámky pro shlukovou analýzu: ■■ Ne v každých datech jsou shluky. ■■ Většina metod shlukové analýzy je velmi citlivá na odlehlé/extrémní pozorování. ■■ Hierarchické postupy nejsou vhodné pro velké datové soubory. ■■ Před samotnou shlukovou analýzou je ještě potřeba zvážit tzv. standardizaci dat, protože většina měr podobnosti je citlivá na měřítka proměnných. Typicky se provádí standardizace dat na takzvané Z-skóre (tedy odečtení průměru a vydělení směrodatnou odchylkou). ■■ Je potřeba si uvědomit, že často největší výzvu pro výzkumníka představuje pojmenování a interpretace shluků. Pomoci nám mohou tzv. těžiště shluků, které by měly vystihovat povahu a vlastnosti shluku.
Ukázka elektronické knihy, UID: KOS241090
100
Marketingový výzkum
Příklad Dendrogram shlukové analýzy – typologie podle nákupního chování a preference u nakupování potravinových doplňků. Dendrogram 0
5
10
15
20
25
složení přírodnost reference forma chuť cena dostupnost známost značky země původu obal
Obrázek 6.10: Příklad dendrogramu (zdroj: autor)
6.2.6
Faktorová analýza
Faktorová analýza (factor analysis) vychází z předpokladu, že závislosti mezi sledovanými proměnnými jsou důsledkem působení tzv. společných faktorů (common factors) – menšího počtu v pozadí stojících neměřitelných veličin/proměnných. Tyto společné faktory jsou definované jako lineární kombinace původních proměnných. Faktorová analýza se vytvářením nových proměnných snaží o snížení rozsahu (redukci) dimenze dat, a to s co nejmenší ztrátou informací. Cílem je, aby tyto faktory co nejlépe a nejjednodušeji vysvětlovaly pozorované závislosti, tedy aby byl počet faktorů co nejmenší a aby každá proměnná korelovala s co nejnižším počtem faktorů. Hlavním vstupem do analýzy je korelační matice proměnných. Počet faktorů je pro tuto metodu nutné znát předem (pomoci nám mohou například Kaiserovo pravidlo, sutinový graf, tzv. Scree plot atd.). Pro extrakci faktorů – určení faktorů a jejich tzv. faktorových zátěží (míra spojení proměnné s tímto faktorem) – lze použít jednu z metod: metoda hlavních komponent (principal component), metoda hlavnících os (principal axis), metoda nejmenších čtverců (method of least squares), metoda maximální věrohodnosti (maximum likelihood). Následně lze provádět tzv. rotace faktorů pro účely lepší interpretace. Doporučení a poznámky pro faktorovou analýzu: ■■ metoda je citlivá na odlehlé/extrémní pozorování, ■■ nejtěžší úkol je opět na výzkumníkovi – pojmenovat a interpretovat odhalené faktory.
Ukázka elektronické knihy, UID: KOS241090