Меню
Главная
Авторизация/Регистрация
 
Главная arrow Маркетинг arrow Маркетинговые исследования

Статистическое выравнивание данных

Процедуры статистического выравнивания данных состоят из взвешивания; переопределения переменных и преобразования шкал. Иногда эти процедуры существенно повышают качество анализа данных.

Взвешивание. Этот метод статистического выравнивания данных означает приписывание каждому респонденту весового коэффициента, отражающего относительную важность учета его высказывания по сравнению с высказываниями других респондентов. Сумма весовых коэффициентов равна общему числу респондентов.

Можно считать, что если взвешивание не производится, то весовой коэффициент каждого респондента равен единице. Если же оно производится, то ответы каждого респондента учитываются во всех расчетах с этим весовым коэффициентом. Например, расчет среднего значения заменяется расчетом средневзвешенного значения. Расчет доли респондентов, давших определенный ответ на определенный вопрос, заменяется расчетом доли, которую составляет сумма весов таких респондентов в сумме весов всех опрошенных.

Как же устанавливаются значения весовых коэффициентов? Чаще всего так, чтобы выборка лучше отражала структуру исследуемой совокупности с точки зрения основных показателей. Например, соотношение между группами мужчин и женщин трех категорий возраста после взвешивания должно стать таким же, как во всей исследуемой совокупности. Для этого весовой коэффициент устанавливается равным отношению доли группы в исследуемой совокупности к ее доле в выборке. Условно говоря, если известно, что доля представителей какой-то группы в выборке вдвое ниже, чем в исследуемой совокупности, то каждый такой респондент при расчетах учитывается не как один, а как два человека.

Иногда применяются и другие подходы. Один из вариантов: придание большего веса тем респондентам, от которых получены более качественные данные. Другой вариант - придание респондентам того или иного веса в зависимости от значения определенной маркетинговой характеристики. Например, с весом 3,0 могут учитываться мнения "тяжелых пользователей" продукта, с весом 2,0 - "средних пользователей", с весом 1,0 - "легких пользователей" и тех, кто не пользуется продуктом.

При анализе взвешенных данных нужно иметь в виду, что взвешивание может повышать статистическую погрешность выполняемых оценок.

Переопределение переменных представляет собой создание новых или модификацию существующих переменных в соответствии с целями исследователя. Приведем несколько примеров таких переменных.

Первый тип преобразования - укрупнение шкалы. Предположим, первоначально уровень использования продукта был измерен по десятибалльной шкале. После преобразования можно получить переменную, имеющую не десять, а лишь четыре возможных значения: "тяжелый пользователь", "средний пользователь", "легкий пользователь" и "непользователь".

Другой тип преобразования - обобщение сведений, содержащихся в нескольких столбцах таблицы данных. Так, респондентов часто спрашивают, где они находили какую-либо информацию о продукте. Подсчитывая число различных источников информации (из рекламы по телевидению, от друзей и т.д.), указанных каждым респондентом, можно сформировать новый важный показатель - Индекс Источников Информации (IIS - Index of Information Search), который тоже добавляется к таблице данных. Иногда новый показатель представляет собой отношение двух других показателей. Скажем, разделив общее количество товара, купленного респондентом, на число произведенных им покупок этого товара за месяц, можно рассчитать средний размер одной покупки.

В других случаях для получения адекватной модели взаимосвязи показателей применяется логарифмирование, извлекается квадратный корень и т.д.

Важный случай преобразования переменных - преобразование альтернативного столбца матрицы данных с тремя или более возможными значениями путем введения в таблицу данных нескольких вспомогательных столбцов из нулей и единиц1. Каждый из этих новых вспомогательных столбцов "отвечает" за какое-то одно из возможных значений альтернативного столбца: единица означает, что это значение выбрано данным респондентом, а нуль - что не выбрано. Вспомогательные переменные удобны при последующем анализе данных. Например, если альтернативный столбец содержит результаты выбора респондентами наиболее предпочтительной марки товара, то каждая из вспомогательных переменных может использоваться для построения интегрального индикатора отношения к определенной марке.

Преобразование шкал. Преобразование шкал используется, чтобы обеспечить сопоставимость оценок разных параметров и сделать данные более пригодными для анализа. Предположим, например, что переменные, характеризующие имидж, измерены по семибалльной шкале семантического дифференциала; переменные, характеризующие отношение, - по непрерывной рейтинговой, а переменные, характеризующие жизненный стиль, - по пятибалльной шкале Лайкерта. Чтобы можно было сравнивать между собой оценки, выставленные одним и тем же респондентом по разным шкалам, их преобразовывают, приводя к одному и тому же диапазону возможных значений.

Нередко для этого используется стандартизация. Чтобы стандартизировать шкалу X., из оценки, выставленной данному параметру каждым респондентом, нужно вычесть среднюю по всем респондентам оценку данного параметра X. После этого оценки данного параметра делятся на его стандартное отклонение σχ. Полученный в результате преобразования параметр имеет среднее значение, равное нулю, и стандартное отклонение, равное единице. Это в точности соответствует условиям расчета z-оценок. Стандартизация позволяет на равных учитывать измерения, сделанные в шкалах разного типа. Это важно, например, если мы предполагаем создать путем усреднения этих шкал интегральную шкалу.

Иногда шкалы преобразуются из других соображений. Например, если речь идет об оценке важности разных критериев выбора товара, учитывают, что некоторые (обычно менее обеспеченные) из опрашиваемых указывают относительно много критериев выбора, а другие (обычно более обеспеченные) - лишь несколько. Пусть, например, у нас есть оценки важности 18 факторов выбора товара по трехбалльной шкале: очень важный, довольно важный, совсем не важный. Рассчитаем для каждого респондента среднюю оценку важности критерия и вычтем полученное число (скажем, для какого-то респондента 1,8) из всех выставленных им оценок. Затем, чтобы не получать отрицательных значений рейтинга, добавим всем респондентам одно и то же число - модуль наименьшего отрицательного.

Возможен и другой вариант преобразования, учитывающий разное число называемых разными респондентами позиций. Этот вариант на основании собственного опыта представляется авторам более предпочтительным. Предположим, что респонденты не оценивали степень важности каждого из 18 факторов, а просто отмечали те факторы, которые для них важны. Тогда мы имеем дело с одним совместным вопросом, и если фактор отмечен, он кодируется единицей, а если не отмечен - нулем. Просуммируем все позиции этого вопроса для каждого респондента (т.е. просто подсчитаем число отмеченных каждым респондентом факторов), разделим каждую единицу на число единиц для данного респондента и умножим, например, на 100, создав тем самым набор из 18 новых количественных вопросов. Таким образом, мы получим новые шкалы, которые как будто были получены методом распределения постоянной суммы (см. с. 220). При этом элиминируется эффект разной "разговорчивости" респондентов.

 
Если Вы заметили ошибку в тексте выделите слово и нажмите Shift + Enter
< Предыдущая   СОДЕРЖАНИЕ   Следующая >
 

Популярные страницы