網路問卷、SPSS分析與聯合分析實作-三星統計夏恩顧問

15,608 views
15,452 views

Published on

0 Comments
17 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
15,608
On SlideShare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
413
Comments
0
Likes
17
Embeds 0
No embeds

No notes for slide

網路問卷、SPSS分析與聯合分析實作-三星統計夏恩顧問

  1. 1. SPSS教育訓練網路問卷、SPSS分析與聯合分析實作三星統計 夏恩顧問semsoeasy@gmail.com
  2. 2. Agenda一、mySurvey線上問卷調查系統• 使用方式介紹二、SPSS軟體基本介紹• 基本介紹與使用概論• 資料存取三、常用函式及資料處理功能• 常用函式• 資料篩選、重新編碼• 排序、合併資料(串檔)• 識別重複觀察值(去重複)2
  3. 3. Agenda四、描述性統計• 敘述統計• 繪圖功能五、資料分析-問卷調查常用• 複選題分析• 項目分析• 信度分析• 因素分析六、資料分析-比較平均數• T檢定• ANOVA3
  4. 4. Agenda七、資料分析-變數關聯性• 卡方分析• 相關分析八、資料分析-因果關係• 迴歸分析• Logistic迴歸分析4
  5. 5. Agenda九、探討最適組合:聯合分析• 聯合分析基本概念說明• 聯合分析流程說明• 聯合分析實例操作5
  6. 6. 一、mySurvey線上問卷調查系統 使用方式介紹6
  7. 7. mySurvey線上問卷調查系統• http://www.mysurvey.tw/index.htm• 免費• 設定方便,提供常用的題項設計功能• 網路填寫問卷,提高作答意願• 自動整理回寫的結果,節省人工Key-in7
  8. 8. 建立mySurvey問卷流程8建立mySurvey問卷問卷基本設定:1.問卷說明2.開放模式與日期3.樣本數4.其他設定過濾題問卷設計選擇題文字輸入題同意度題型矩陣題相對比較題題庫發佈問卷(提供網址…)下載結果
  9. 9. 上網填答91 2 3 41 2 3 4 5分數越低,代表學習態度越佳,設計時要小心方向的問題
  10. 10. 下載結果10下載此格式的Excel檔
  11. 11. 二、SPSS軟體基本介紹 基本介紹與使用概論 資料存取11
  12. 12. SPSS基本介紹 I• Statistical Program for Social Sciences– 特色:易學易用、提供基本的統計分析功能• Statistical Product and Service Solution– 增加更多分析模型與功能– 大量資料的處理– 與外部語言結合12BeforeAfter
  13. 13. SPSS基本介紹 II13資料視窗 語法視窗輸出視窗
  14. 14. SPSS基本介紹 III• Excel形式的設計-以拖拉點選完成分析工作14功能選擇區資料區資料檢視視窗
  15. 15. • 拖拉點選的操作方式15
  16. 16. SPSS基本介紹 IV16變數檢視視窗• 可直接定義變數性質– 名稱(Var. Name)=「q3」– 標記(Label Name)=「(3)性別」– 值(Format):1=男生、2=女生1.變數的新增刪除、2.更改變數名稱3.設定變數類型(文字or數值)4.更改label、format…範例檔案-學員版英語學習調查問卷-RawData(整理後).sav
  17. 17. SPSS基本介紹 V• 可同時開啟多個資料檔,以不同的資料集名稱做區分– 執行分析時須確認當下啟用的資料集– 可自行設定名稱:檔案→重新命名資料集17Dataset name 資料集1. Dataset name 資料集2.
  18. 18. SPSS基本介紹 VI• SPSS內建的輔助說明18
  19. 19. SPSS基本介紹 VII• SPSS內建範例資料檔– C:Program FilesIBMSPSSStatistics20SamplesTraditional Chinese• 可配合Help→案例研究內的說明了解各分析方法的內容、操作、產出結果19
  20. 20. SPSS基本介紹 VIII• 語法編輯– 直接由對話視窗匯出,或自行編寫– 部分進階的功能需透過語法設定201.針對例行性作業,可編排程式碼執行以節省時間2.進階需求要透過撰寫語法來完成
  21. 21. 使用概論21手動執行每次分析的拖拉點選將分析程序編成語法,後續使用以手動更改所有須調整的變數將分析程序用Macro包裝,應用其他進階的技巧來完成特殊需求應用SPSS的自訂對話方塊功能,將語法包裝成拖拉點選的介面
  22. 22. 常用操作功能 I• 一般系統設定– 編輯→選項→一般– 可調整基本設定與介面語言22可調整介面與輸出的語言設定
  23. 23. 常用操作功能 II• 瀏覽器設定– 編輯→選項→瀏覽器→顯示記錄中的指令– 可將執行動作背後的指令語法顯示在輸出檔,藉以幫助後續編譯程式– 調整輸出的字型23顯示記錄中的指令 調整輸出的字型
  24. 24. 常用操作功能 III• 快捷操作的部分– 叫回最近使用的對話• 節省尋找功能的時間– 數值標記• 資料檔可呈現類別欄位的Format24叫回最近使用的對話 數值標記
  25. 25. 資料讀取• 可讀取外部檔:SAS、Excel、文字檔(txt、csv、dat)或其他特殊格式• 或可透過ODBC讀取資料庫檔案(Access…)25
  26. 26. 資料讀取-以文字檔為例• 設定讀取方式:特定符號區隔 or 自行切割• 定義欄位屬性:數值、文字、日期…• 可儲存讀取格式檔,供後續重複使用26範例檔案-學員版1.資料原始檔英語學習調查問卷-RawData(整理後).txt
  27. 27. 271.設定原始檔的分隔方式、第一列是否為變數的名稱2.設定讀取的起始位置、方式、筆數3.設定間隔資料的特殊符號4.設定變數的名稱與格式
  28. 28. 資料儲存• 直接儲存• 另存新檔– 可儲存不同格式的檔案:SAS、Excel、文字檔(txt、csv、dat)或其他特殊格式– 另存新檔時可篩選要保留的變數28
  29. 29. 補充:如何套用已建立好的屬性 I• 若已建立好資料檔的變數標記、值、遺漏…等設定,可套用在其他相同格式的資料以節省重複設定的時間29範例檔案-學員版英語學習調查問卷-RawData(整理後).sav
  30. 30. 補充:如何套用已建立好的屬性 II• 資料→複製資料性質• 讀入已建立好各變數標記、值、遺漏…等設定的資料檔• 確認各變數都正確地對應,直接完成即可• 注意事項– 無法套用變數的名稱、類型、寬度– 此程序可輸出語法,供後續重複使用30
  31. 31. 三、常用函式及資料處理功能 常用函式 資料篩選、重新編碼 排序、合併資料(串檔) 識別重複觀察值(去重複)
  32. 32. 函數設定視窗• 轉換→計算變數321.按照不同函數的特性做群組的歸類2.各個函數都有對應的基本設定說明
  33. 33. 基本計算• 數學運算元– 加 (+)、減 (-)、乘 (*)、除 (/)、乘冪指數 (**)• 關係運算元– 大於 (>)、小於 (<)、大於等於 (>=)、小於等於 (<=)、不等號 (~=)• 邏輯運算元– 且 (&)、或 (|)、非 (~)• 變數範圍的設定方式– Ex. 年齡大於等於20歲,小於30歲IN SPSS:AGE >= 20 & AGE < 3033重點
  34. 34. 數字函數 I• RND(變數,四捨五入位數)– RND(4.567)=5– RND(4.567,0.1)=4.6• TRUNC(變數,截斷至第幾位數)– TRUNC(4.567)=4– TRUNC(4.567,0.1)=4.5• ABS(變數)– 取絕對值– ABS(-12345)=12345• $CASENUM– 資料流水號– ID=$CASENUM34
  35. 35. 文字函數 I• 使用字串函數的功能,需注意:– 使用的變數需為字串型– 若產生新變數,必須先宣告其為字串35
  36. 36. 文字函數 II• RTRIM(變數)、LTRIM(變數)– 刪除尾隨或前引的空白– RTRIM(‘ABC ’)=‘ABC’– LTRIM(‘ ABC’)=‘ABC’• LENGTH(變數)– 計算字元長度• 中文字:1字元=長度2;其他:1字元=長度1• 21版中文字改為1字元=長度3– LENGTH(‘ABCDE’)=5– LENGTH(‘AB CDE’)=6• UPCASE(變數)、LOWER(變數)– 調整變數的大小寫– UPCASE(‘abcde’)=‘ABCDE’– LOWER(‘ABCDE’)=‘abcde’36
  37. 37. 文字函數 III• STRUNC(變數,保留長度)– 直接將變數截斷至特定長度• CHAR.SUBSTR(變數,起始位置,保留長度)– 保留特定區段的字串– CHAR.SUBSTR(‘19830731’,1,4)=‘1983’– CHAR.SUBSTR(‘19830731’,5,2)=’07’– CHAR.SUBSTR(‘19830731’,7,2)=‘31’• CONCAT(變數1,變數2,變數3,…)– 合併各字串變數– CONCAT(‘1983’,’/’,’07’,’/’,’31’)=‘1983/07/31’37常用常用
  38. 38. 38範例檔案-學員版 2.資料整理與變數轉換資料整理範例.sav在類型&標記的部分要設定正確的字串變數長度
  39. 39. 其他常用函數 I• ANY(變數,條件1,條件2,條件3,…)– 搜尋變數是否符合特定條件39INDEX = ANY(LIVE,台北市,新北市,台中市,台南市,高雄市)→若符合任一條件則回傳「1」
  40. 40. 其他常用函數 II• REPLACE(變數,要被置換的符號,要置換成的符號)– REPLACE(‘ABCABC’,’A’,’@’)=‘@BC@BC’• 將字串中間的空白給移除– REPLACE(‘ABC ABC’,’ ’,’’)=ABCABC• 無法一次將多個符號置換,需重複使用函式– REPLACE(REPLACE(‘ABCABC’,’A’,’@’),’B’,’#’)=REPLACE(‘@BC@BC’,’B’,’#’)=‘@#C@#C’40
  41. 41. 資料篩選 I• 資料→選擇觀察值• 依照特定條件篩選資料• 可設定不同選取方式– 如果滿足設定條件– 觀察值的隨機樣本– 以時間或觀察值範圍為準– 使用過濾變數41常用篩選出資料檔中,性別為「男生」的資料範例檔案-學員版英語學習調查問卷-RawData(整理後).sav
  42. 42. 資料篩選 II• 篩選出來選擇的觀察值• 僅在原資料集中暫時排除• 後續計算不會考慮被排除的資料42範例檔案-學員版英語學習調查問卷-RawData(整理後).sav
  43. 43. 資料篩選 III• 複製已選擇觀察值至新資料集• 建立符合條件的新資料集43範例檔案-學員版英語學習調查問卷-RawData(整理後).sav
  44. 44. 資料篩選 IV• 刪除未選擇觀察值• 直接在刪除不符合條件的資料• 記得備份原始資料44範例檔案-學員版英語學習調查問卷-RawData(整理後).sav
  45. 45. 補充:依照時間範圍篩選• 當資料有日期變數時,可透過日期函數與資料篩選功能來過濾特定資料– DATE.DMY(日期,月份,年份)45可篩選出1960年代的受訪者可將篩選出的結果輸出為新的 資料集(名稱第一個字不能是數字)範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  46. 46. 問卷中常用的轉換• 反向題的處理• Q1:這次特賣會的產品符合我的需求– (1)非常不同意(2)不同意(3)普通(4)同意(5)非常同意– 分數越高,滿意度越高• Q2:賣場人員的服務態度差– (1)非常不同意(2)不同意(3)普通(4)同意(5)非常同意– 分數越高,滿意度越低461 2 3 545 4 3 12↓ ↓ ↓ ↓↓進入分析前必須要先將方向統一
  47. 47. 重新編碼• 重新編碼成同一變數• 重新編碼成不同變數– 1.設定新變數名稱– 2.設定轉換條件47常用
  48. 48. 其他常見的變數轉換48• 字串型變數• 男性、女性• 數值型變數• SEX:1、0一對一• 0-14歲• 15-29歲• 30-49歲• 50-64歲• 65歲以上• 工作年齡• 非工作年齡多對一• 年齡(0~100歲)一對多• 0-14歲• 15-29歲• 30-49歲• 50-64歲• 65歲以上
  49. 49. 1對1轉換49範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  50. 50. 1對多轉換50範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  51. 51. 多對1轉換51範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  52. 52. 排序資料• 可設定依照特定變數遞增或遞減排序• 可將排序後檔案另存新檔52範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  53. 53. 資料合併功能-新增觀察值• 垂直合併– 變數屬性須完全相同53+=Part1Part2範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_上半年度.sav範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_下半年度.sav
  54. 54. 資料合併功能-新增變數 I• 橫向合併– 利用關鍵變數併入資料– 需先依關鍵變數遞增排序• 21版之後可不需要先排序54+=Part1 Part2範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_birthday.sav
  55. 55. 資料合併功能-新增變數 II• 功能解說– 可使用多個關鍵變數– 可調整合併後要保留的變數• 合併方式– 兩檔皆提供觀察值– 非作用中資料是索引表– 作用中資料集是索引表• 無法直接砍掉未比對到的資料,需自行做篩選– 利用選擇觀察值的功能55勾選→表示兩個檔案都已經透過關鍵變數做「遞增排序」,否則會合併失敗不勾選→檔案可以不做排序,但會將結果產生至新的資料集,關閉舊有的檔案
  56. 56. 資料合併功能-新增變數 III• 兩檔皆提供觀察值– A、B檔有的值都會保留56資料集A (作用中)資料集B範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_新增變數1.sav範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_新增變數2.sav
  57. 57. 資料合併功能-新增變數 IV• 非作用中資料是索引表– 只保留A檔有的值57資料集A (作用中)資料集B範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_新增變數1.sav範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_新增變數2.sav
  58. 58. 資料合併功能-新增變數 V• 作用中資料是索引表– 只保留B檔有的值58資料集A (作用中)資料集B範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_新增變數1.sav範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_新增變數2.sav
  59. 59. • 資料→識別重複觀察值– 可用多個變數定義重複值– 重複的組別內,可用特定變數來定義資料順序識別重複觀察值 I591.相同的 ID.num 視為重複的值2.以SURVEY_YM做同組內的排序3.將最晚的調查月份當做唯一值範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  60. 60. 識別重複觀察值 II60設定要用來識別重複觀察值的變數設定在重複的群組中,如何設定其排序在重複的群組中,以第一筆或最後一筆認定為主要值系統可自動在資料集中先將主要的觀察值篩選出來
  61. 61. 補充:其他的資料處理功能 II• 分割檔案– 將資料集根據設定的變數做切割,後續的分析結果都會分開呈現61範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  62. 62. 補充:其他的資料處理功能 III• 加權觀察值– 資料檔根據設定的變數做加權,常用在抽樣調查或資料本身已經是整理過的報表62每一筆資料將會針對其對應的數值做加權範例檔案-學員版 2.資料整理與變數轉換補充_加權觀察值.sav
  63. 63. 四、描述性統計 敘述統計 繪圖功能63
  64. 64. 敘述統計• 單一連續變數– 描述性統計量• 單一類別變數– 次數分配表• 多個類別變數– 交叉表64
  65. 65. 描述性統計的其他應用• 將數值做標準化65範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  66. 66. 次數分配表的其他應用• 計算百分位點(針對連續型變數)– 要取消次數分配表的輸出66輸出收入的四分位數與自訂的百分位點範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  67. 67. 交叉表的其他應用67• 獨立性檢定– 不同店家的顧客滿意度是否有關連顯示不同店家與整體顧客滿意度無關:客戶對店家的服務滿意度沒有太大的差別範例檔案-學員版 4.相關分析&迴歸分析 1.CrossTab.sav
  68. 68. 多維度報表的應用• 連續變數 vs.類別變數– OLAP多維度報表– 觀察值摘要– 預檢資料68
  69. 69. 連續變數 vs.類別變數 I• 分析不同月份的收入69OLAP多維度報表範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  70. 70. 連續變數 vs.類別變數 II• 分析不同月份的收入70觀察值摘要範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  71. 71. 連續變數 vs.類別變數 III• 分析不同月份的收入71預檢資料註.可額外產出莖葉圖與盒形圖,因為無法調整所需的統計量故實用性不高範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  72. 72. 多維度報表 or 觀察值摘要?• 設定架構相同,差別在跑完呈現的結果• 可透過調整樞軸的方式將表格一致72OLAP多維度報表 觀察值摘要範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  73. 73. 報表-如何調整呈現的架構 I• 可利用樞軸調整功能– 在報表上點兩下→樞軸→正在樞軸分析73註.也可直接調整此處,設定要出現的月份的數據範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  74. 74. 報表-如何調整呈現的架構 II74連續vs.類別的數據呈現沒有一定要用哪種功能,因為都可以透過樞軸調整弄成同樣的形式範例檔案-學員版 2.資料整理與變數轉換變數轉換_demo_raw.sav
  75. 75. 報表-格式調整• 可套用不同的內建報表格式– 也可自行建立並儲存供後續使用• 存放路徑「C:Program FilesIBMSPSSStatistics20Looks」75
  76. 76. 報表-格式調整-步驟• 點擊報表兩下進入編輯模式→格式→表格性質• 由儲存格格式→調整要修改的報表區域的文字,修改確定後退出編輯模式,格式就會改變76
  77. 77. 報表-格式儲存-步驟• 在已經改好的表格下進入編輯模式→格式→表格外觀;將此格式另存新檔(檔名自訂),存放在安裝路徑下的Looks資料夾77
  78. 78. 報表-格式套用• SPSS編輯→選項→樞軸表→選取自己新增的那個表格格式,套用後則後續報表都會以此格式呈現78
  79. 79. SPSS繪圖功能79 圖表建立器-先選擇所要繪製的圖形,再放入適當變數 圖表板樣本選擇器-先選擇欲觀察的變數,由SPSS自動建議適當之圖形
  80. 80. 繪圖功能-圖片修改80在輸出檔中直接在圖上點兩下開啟編輯程序
  81. 81. 五、資料分析-問卷調查常用 複選題分析 項目分析 信度分析 因素分析81
  82. 82. 複選題分析 (Multiple Response)• 複選題提供多元化的資訊以供決策參考• 資料檔以Dummy Variable的方式呈現82範例檔案-學員版英語學習調查問卷-RawData(整理後)_已轉換反向題.sav
  83. 83. 複選題分析-操作• 分析→複選題→定義變數集– 設定複選題變項– 設定代表有勾選的編碼– 設定複選題集的名稱與標記– 新增複選題分析集83範例檔案-學員版英語學習調查問卷-RawData(整理後)_已轉換反向題.sav
  84. 84. 複選題分析-報表 I• 分析→複選題→次數分配表84範例檔案-學員版英語學習調查問卷-RawData(整理後)_已轉換反向題.sav
  85. 85. 複選題分析-報表 II• 分析→複選題→交叉表85範例檔案-學員版英語學習調查問卷-RawData(整理後)_已轉換反向題.sav
  86. 86. 項目分析 (Item analysis)• 項目分析-量表處理的第一步– 目的在篩選問卷量表或測驗中的題目的優劣;改善題目的品質;提供題目計量特性的訊息– 判定題目的鑑別力(discriminate power)86計算構面平均分數Step 1以27&73百分位數區分高低分組Step 2進行獨立樣本T檢定,比較高低分組的構面平均數Step 3顯著(p-value<0.05)具鑑別力;建議保留鑑別力可能不足;建議刪除不顯著(p-value>0.05)
  87. 87. 項目分析的操作程序:步驟 I• 將評估的構面分數加總成另一個變數並取平均– (轉換→計算)87範例檔案-學員版項目分析.sav
  88. 88. 項目分析的操作程序:步驟 II• 取27及73分位數(Kelly, 1939),區分高低組別– (分析→敘述統計→次數分配表→統計量→百分位數)88記得取消勾選範例檔案-學員版項目分析.sav
  89. 89. 項目分析的操作程序:步驟 III• 取27及73分位數(Kelly, 1939),將其分成第一群及第二群– (轉換→重新編碼→成不同變數)89範例檔案-學員版項目分析.sav
  90. 90. 項目分析的操作程序:步驟 IV• 執行雙尾t檢定(獨立樣本t檢定)– (分析→比較平均數法→獨立樣本T檢定)90範例檔案-學員版項目分析.sav
  91. 91. 項目分析結果判讀• 確認變異數同質性檢定的結果,判斷須讀取哪個T檢定的結果• T檢定的顯著性– 顯著:題目有鑑別力,建議保留– 不顯著:題目的鑑別力較弱,可考慮刪除91範例檔案-學員版項目分析.sav
  92. 92. 項目分析的操作程序整合• SPSS 自訂對話方塊的應用:提供可直接使用的T檢定結果,並輸出為Excel檔92範例檔案-學員版項目分析.sav
  93. 93. 信度 (Reliability)• 信度也稱為可靠度,指的是一份量表所測得的分數之一致性(consistency)與穩定性(stability)• 一個量表的信度愈高,代表量表的測量結果愈穩定,一般常以 來衡量同一構面下各項目之間的一致性程度• 判定依據– 基礎研究中,𝛼值至少應達到0.8才可接受– 實務上𝛼值只要0.6,即可宣稱是可接受的結果93(參考資料:多變量分析-SPSS的操作與應用, 林震岩)Cronbach’s α
  94. 94. 信度分析的操作程序• 分析→尺度→信度分析– 統計量→刪除項目後之量尺摘要94使用Cronbach 𝜶 模式範例檔案-學員版英語學習調查問卷-RawData(整理後)_已轉換反向題.sav
  95. 95. 信度分析報表 I• 分析同一構面下的題項:對學校英語課程的態度– 整體𝛼值為0.774,應有足夠的信度– 各題項的刪除後𝛼值都未超過0.774,顯示拿掉特定題項也不會增加整體的信度,因此無須刪除題目95範例檔案-學員版英語學習調查問卷-RawData(整理後)_已轉換反向題.sav
  96. 96. 信度分析報表 II• 分析同一構面下的題項:對學校英語教材的態度– 整體𝛼值為0.716,應有足夠的信度– 刪除第16_3題後,整體信度會上升至0.850,可進一步討論是否需要刪除該題目96範例檔案-學員版英語學習調查問卷-RawData(整理後)_已轉換反向題.sav
  97. 97. 因素分析 I• 針對變數進行分類– 主要目的在於以較少的維度來表現原先的資料結構,而又能保存大部分的資訊。換言之,因素分析是希望降低變數的個數,並將一群具有相關性的資料,轉換為新的彼此獨立不相關的新因素– 若變數間存在很高的相關性,分析時會有一定困難或造成問題,此時可先將變數濃縮為幾個因素,再進行分析– 僅討論探索性(Exploratory)因素分析(參考資料:多變量分析-SPSS的操作與應用, 林震岩)
  98. 98. 因素分析 II• 如何決定因素個數– 特徵值(eigenvalue)• 大於1(表示大於1.00的原始觀察變異量)• 因素數目合理範圍為變數數目除以3至除以5之間– 陡坡檢定Scree test (Cattell, 1966)• 特徵值明顯出現變化時為合理數目– 因素負荷量檢定• 單一觀察變數的因素並不恰當• 二個觀察變數的因素在兩變數相關高(r>0.7),與 其他變數相關低時,為合理98
  99. 99. 因素分析-操作• 分析→維度縮減→因子– 勾選:描述性統計量→KOM與Bartlett的球形檢定– 勾選:選項→依據因素負荷排序• 方便判斷哪些變數被歸類在那些因素之下99範例檔案-學員版因素分析.sav
  100. 100. 檢定因素分析的適當性• KOM值– 當KOM值越大時,表示變數間的共同因素越多,越適合進行因素分析• Bartlett’s 球形檢定– 檢定相關係數矩陣是否適合進行因素分析,若顯著,表示變數相關矩陣內有共同因素存在,適合進行因素分析100KMO值 0.9以上 0.8以上 0.7以上 0.6以上 0.5以上 0.5以下適合性 相當適合 適合 中等 普通 不適合 非常不適合𝜢 𝟎:無相關𝑯 𝟏:有相關
  101. 101. 因素分析-報表 I• 檢定結果判斷資料適合進行因素分析• 共區分為七個因素,可解釋55%左右的變異量,再確認各變數所屬的因素– 判斷該變數中,在哪個因素下有最高的數值101確認後發現大部分都屬於因素一:無意義範例檔案-學員版因素分析.sav
  102. 102. 因素分析-轉軸法• 變異數最大法(Varimax)– 最常用 (Kaiser,1958)– 不同轉軸方法並不會改變因素解釋的能力,只代表對因素結構的不同看法,可自行由結果判斷要使用哪種轉軸法102範例檔案-學員版因素分析.sav
  103. 103. 因素分析-報表 II• 區分各因素所包含的題項,進行因素命名• 因素名稱必須要能涵蓋所代表的原始變數的意義– 因素一:流行崇洋導向 (1,9,11,14,22,24,25,28)– 因素二:新新人類導向 (12,13,17,18,19,20)– 因素三:精打細算導向 (6,7,10)– 因素四:效率購買導向 (2,5,21)– 因素五:衝動消費導向 (23,26,27)– 因素六:廣告導引導向 (3,4,8)– 因素七:圖求方便導向 (15,16)103範例檔案-學員版因素分析-結果備份.xlsx
  104. 104. 因素分析-報表 III• 後續分析1. 將各因素下的題目取平均2. 輸出因素分數(factor scores):利用特殊方法產出標準化後的變數濃縮結果104範例檔案-學員版因素分析.sav範例檔案-學員版因素分析-取平均語法.sps
  105. 105. 補充:Two-step 集群分析• 透過因素分數(factor scores)將受訪者做分群• 分析→分類→TwoStep集群105連續變數的欄位丟透過因素分析所產出的「因素分數」,為了分析方便已經先做過命名範例檔案-學員版因素分析.sav
  106. 106. 補充:Two-step 集群分析• 利用分析→報表→觀察值摘要來看各集群在不同因素的平均表現,可針對各集群的特性再做命名106一定要取消勾選虛榮? 理性? 衝動?範例檔案-學員版因素分析.sav
  107. 107. 六、資料分析-比較平均數 T檢定 ANOVA107
  108. 108. 比較平均數• 單一樣本T檢定• 相依樣本T檢定• 獨立樣本T檢定• One-way ANOVA• Two-way ANOVA• ANCOVA108
  109. 109. 高科技產業員工健康狀況?1091.隨機調查高科技產業的員工2.訪問基本資料、工作狀態3.進行基本健康檢查4.以調查結果進行推論5.針對結論提出建議
  110. 110. 單一樣本T檢定• 檢定單一的樣本平均數是否符合特定數值– 高科技產業員工的肝指數是否過高?• 操作方式– 分析→比較平均數法→單一樣本T檢定– 選定欲檢定之變數– 設定檢定值110範例檔案-學員版 3.比較平均數 1.One-Sample T.sav
  111. 111. 單一樣本T檢定-報表• 樣本平均數=24.9591• 顯著性<0.05– 員工的平均肝指數顯著小於35,沒有觀察到偏高的現象111範例檔案-學員版 3.比較平均數 1.One-Sample T.sav
  112. 112. 相依樣本T檢定• 檢定同一組對象的前後期平均數值是否有差異– 高科技產業員工在進入公司後的肝指數是否會明顯升高?• 操作方式– 分析→比較平均數法→單一樣本T檢定– 選定初期變數– 選定後期變數112範例檔案-學員版 3.比較平均數 2.Paired-T.sav
  113. 113. 相依樣本T檢定-報表• 顯著性<0.05– 員工進入公司前後的平均肝指數有顯著差異,大約會提高40左右113範例檔案-學員版 3.比較平均數 2.Paired-T.sav
  114. 114. 獨立樣本T檢定• 檢定兩組對象的平均數值是否有差異– 高科技產業的男女員工之間的肝指數是否有明顯差距?• 操作方式– 分析→比較平均數法→獨立樣本T檢定– 選定欲檢定之變數– 選定分組變數114範例檔案-學員版 3.比較平均數 3.Independent T.sav
  115. 115. 獨立樣本T檢定-報表• Levene檢定結果不顯著→假設變異數相等– T值與T檢定顯著性看上排的– 與數理統計的推導過程有關• T檢定的顯著性<0.05– 男女員工之間的平均肝指數有顯著差異,男性約高於女性19115範例檔案-學員版 3.比較平均數 3.Independent T.sav
  116. 116. One-way ANOVA• 檢定多組之間的平均數值是否有差異– 只考慮一個因子– 不同職務(操作員、開發人員、管理人員)的高科技產業員工,在肝指數是否有明顯差異?• 操作方式– 分析→比較平均數法→單因子變異數分析– 設定依變數與因子– 設定輸出敘述統計表– 設定輸出其他檢定116範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
  117. 117. One-way ANOVA-報表 I• ANOVA檢定的顯著性<0.05– 不同職務之間的平均肝指數,從整體來看有顯著差異,似乎以開發人員的數值最高– 個別之間的比較需透過其他統計方法,避免膨脹型一誤差117範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
  118. 118. 多重比較• ANOVA分析後,若整體有顯著差異,可進一步比對是那些組別間有兩兩差異– 常用的:LSD、Bonferroni、Scheffe118範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
  119. 119. One-way ANOVA-報表 II• 以LSD法進行事後比較– 操作員的平均肝指數顯著低於其他兩種職務的人員;開發人員的平均肝指數顯著高於其他兩種職務的人員;管理人員居中119範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
  120. 120. Two-way ANOVA• 檢定多組之間的平均數值是否有差異– 考量兩個以上的因子– 不同職務(操作員、開發人員、管理人員) ,以及不同年齡層(老、中、青)的高科技產業員工,在肝指數是否有明顯差異?• 操作方式– 分析→一般線性模式→單變量120範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
  121. 121. Two-way ANOVA-報表 I• 多因子的模型要先確認交互作用是否顯著– 不顯著:可直接討論因子的主效果• Ex.不同職位=肝指數有顯著差異• Ex.年齡越高=肝指數越高– 顯著:因子的主效果會被混淆• Ex.不同職位下,年齡越高不代表肝指數越高121範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
  122. 122. 平均數圖122
  123. 123. Two-way ANOVA-報表 II• 若交互作用不顯著→考慮主效用模型– 可再針對顯著的因子進行事後的多重比較123範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
  124. 124. Two-way ANOVA-報表 III• 若交互作用顯著→先控制其中一個因子– 1.分割變數,先控制工作職務這項因子– 2.單因子變異數分析,討論不同世代別的平均肝指數差異。在管理人員中,不同世代的平均肝指數有顯著差異,其餘則否124範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
  125. 125. ANCOVA• 檢定多組之間的平均數值是否有差異,模型除了考量類別型的因子外,還加入連續變數的調整– 不同職務(操作員、開發人員、管理人員),以及不同年資的高科技產業員工,在肝指數是否有明顯差異?• 操作方式– 分析→一般線性模式→單變量125範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
  126. 126. ANCOVA-報表• 對模型估計結果進行調整– 年資對肝指數沒有顯著的差異– 模型是否考慮年資對估計結果沒有太大影響126範例檔案-學員版 3.比較平均數 4.ANOVA類.sav
  127. 127. 七、資料分析-變數關聯性 卡方分析 相關分析127
  128. 128. 卡方獨立性檢定 I128• 檢定兩個類別變項之間是否有相關– 不同店家與顧客整體滿意度是否有關連顯示不同店家與顧客整體滿意度無關:客戶對店家的整體滿意度沒有太大的差別範例檔案-學員版 4.相關分析&迴歸分析 1.CrossTab.sav
  129. 129. 卡方獨立性檢定 II• 檢定兩個類別變項之間是否有相關– 不同來店間隔與顧客整體滿意度是否有關連129不同來店間隔與顧客整體滿意度有關:滿意度高→常來店消費(反之亦然)範例檔案-學員版 4.相關分析&迴歸分析 1.CrossTab.sav
  130. 130. 補充:適合度檢定• 可檢定資料是否符合特定分配• 無母數方法:K-S檢定– 分析→無母數檢定→單一樣本• 可設定要檢定的分配型態– 常態分配– 均勻分配– Poisson分配– 指數分配– 可自訂用樣本參數代替母體參數130
  131. 131. 補充:適合度檢定-報表• 以Normal(0,1)分配的檢定為例1311.2.3.檢定結果顯著→月薪不服從Normal(0,1)分配
  132. 132. 相關分析• 分析兩連續變數之間的線性相關程度– 高科技產業的員工,薪水與肝指數的關聯性• 薪水 ↑ and 肝指數 ↑ ?• 薪水 ↓ and 肝指數 ↑ ?• 操作方式– 分析→相關→雙變數– 選擇係數的計算方式132範例檔案-學員版 4.相關分析&迴歸分析 2.Corr&Reg.sav
  133. 133. 相關分析-報表• 先確認相關係數檢定結果是否顯著• 再確認關聯性的方向與強度– 月薪與肝指數的相關性不顯著– 月薪與負責專案件數的相關性顯著,為線性正相關,但強度不高133相關係數絕對值線性關聯程度1 完全相關0.7-0.99 高度相關0.4-0.69 中度相關0.1-0.39 低度相關0.1以下 微弱相關範例檔案-學員版 4.相關分析&迴歸分析 2.Corr&Reg.sav
  134. 134. 八、資料分析-因果關係 迴歸分析 Logistic迴歸分析134
  135. 135. 迴歸分析• 討論變數之間的因果關係– 簡單迴歸:以單一自變項去解釋(預測)依變項的迴歸分析– 多元迴歸:同時以多個自變項去解釋(預測)依變項的迴歸分析– 在高科技產業的員工中,負責專案件數、每月加班時數、肝指數、是否能預測其薪水?• 方程式:– 簡單迴歸: i = 1, ..., n,n為樣本數– 多元迴歸:• 操作方式– 分析→迴歸→線性1350 1 1 2 2i i i k ki iY x x x         iiiY   10
  136. 136. 迴歸分析-模型解釋• β係數– 未標準化的迴歸係數,代表自變項(X)變動1單位時,依變項(Y)的改變量。適用於預測值計算,偏向實務用途• 標準化β係數– 去除單位的影響,數值介於(-1,1)。便於呈現自變項預測能力的強度以及解釋力的比較,偏向學術用途• R2(R square)係數– 又稱為判定係數(coefficient of determination),表示使用自變項(X)去預測依變項(Y)的解釋能力。其反映線性迴歸模式的適合度(goodness of fit),或稱配適度• Adj- R2(adjusted R2)係數– 自變項 ↑ = R2 ↑– 當自變項個數愈多時,應採用校正後的R2136
  137. 137. 迴歸分析-簡單迴歸• 在高科技產業的員工中,負責專案件數是否能預測其薪水?– 可輸出標準化殘差圖與儲存標準化殘差,以進行初步的殘差分析137範例檔案-學員版 4.相關分析&迴歸分析 2.Corr&Reg.sav
  138. 138. 迴歸分析-簡單迴歸-報表 I• 此迴歸模式顯著,但解釋力不佳• β係數顯著,當負責專案增加1件時,平均月薪預估會增加37,546元138範例檔案-學員版 4.相關分析&迴歸分析 2.Corr&Reg.sav
  139. 139. 迴歸分析-簡單迴歸-報表 II• 觀察標準化殘差的直方圖與常態機率圖– 似乎符合常態分配• 可搭配無母數的K-S檢定– 確實不違反常態的假設139範例檔案-學員版 4.相關分析&迴歸分析 2.Corr&Reg.sav
  140. 140. 迴歸分析-多元迴歸• 在高科技產業的員工中,負責專案件數、每月加班時數、肝指數、是否能預測其薪水?– 可設定選模方式,以進行自變項的篩選– 可進行共線性診斷140範例檔案-學員版 4.相關分析&迴歸分析 2.Corr&Reg.sav
  141. 141. 迴歸分析-多元迴歸-報表 I• 模式篩選至Step 3即停止– 保留的自變項:每月加班時數、負責專案件數、肝指數– 迴歸模式顯著,解釋力較簡單迴歸有所改善141範例檔案-學員版 4.相關分析&迴歸分析 2.Corr&Reg.sav
  142. 142. 迴歸分析-多元迴歸-報表 II• 各β係數皆顯著,在固定其他自變項下:– 每月加班時數增加1小時,平均月薪預估會減少2,666元– 當負責專案增加1件時,平均月薪預估會增加45,223元– 肝指數增加1單位時,平均月薪預估會增加814元• 由指標來看,此模式沒有嚴重的共線性問題142範例檔案-學員版 4.相關分析&迴歸分析 2.Corr&Reg.sav
  143. 143. 多元迴歸分析的共線性診斷• 容忍值 (tolerance,SPSS翻譯做允差)– 值介於0~1之間,愈小愈有共線性的問題。• 變異膨脹係數 (Variance Inflation Factor, VIF)– VIF愈大共線性問題愈嚴重,嚴格標準為5,寛鬆的標準為10以上。• 條件指標 (Condition Index, CI)– CI愈大,共線性問題愈嚴重,實務上15以上就要考慮共線性問題了。
  144. 144. 多元迴歸的變項選擇程序• 輸入法– 對任何自變數皆不予以篩選,全部納入迴歸模型• 移除法– 按照篩選標準將同一個集區內的變數一次全部去除,是一種將變數只出不進的選入方法• 向前法(forward)– 預測變項的取用順序,以具有最大預測力且達統計顯著水準的獨變項首先被選用,然後依序納入方程式中,直到所有達顯著的預測變項均被納入迴歸方程式• 向後法(backword)– 與向前進入法相反的程序,所有的預測變項先以同時分析法的方式納入迴歸方程式的運算當中,然後逐步的將未達統計顯著水準的預測變項,以最弱、次弱的順序自方程式中予以排除。直到所有未達顯著的預測變項均被淘汰完畢為止• 逐步迴歸分析法(stepwise)– 綜合向前法與向後法
  145. 145. 二元Logistic迴歸• 迴歸模型中,當依變項為二元變數時– 關心的事件:員工是否爆肝– 依變項為二元:1→爆肝;0→未爆肝– 估計勝算比(odds)或稱相對風險(relative risk)– 也可導出事件發生的估計機率– 高科技產業的員工中,透過:負責專案件數、每月加班時數、每月運動天數、每月熬夜天數…等預測其爆肝的機率?145𝒍𝒐𝒈(𝒑𝟏−𝒑)=𝜶 𝟎 + 𝜷 𝟏 𝒙 𝟏𝒊 + 𝜷 𝟐 𝒙 𝟐𝒊+…+𝜷 𝒌 𝒙 𝒌𝒊+𝜺𝒊→𝒑𝟏−𝒑=𝒆 𝜶 𝟎+𝜷 𝟏 𝒙 𝟏𝒊+𝜷 𝟐 𝒙 𝟐𝒊+…+ 𝜷 𝒌 𝒙 𝒌𝒊+ 𝜺 𝒊→ 𝒑=𝟏𝟏+𝒆−(𝜶 𝟎+𝜷 𝟏 𝒙 𝟏𝒊+𝜷 𝟐 𝒙 𝟐𝒊+…+ 𝜷 𝒌 𝒙 𝒌𝒊+ 𝜺 𝒊)勝算比(相對風險)事件發生機率
  146. 146. 二元Logistic迴歸-設定• 操作方式– 分析→迴歸→二元Logistic迴歸– 若有類別型的自變數,可設定由SPSS處理,無須自行改為Dummy Variable146範例檔案-學員版 4.相關分析&迴歸分析 3.Binary Logistic.sav
  147. 147. 二元Logistic迴歸-報表 I• 透過「-2對數概似(-2 Log Likelihood)」進行模型比較,值越小代表模型的配適結果相對較好• 模型係數解釋(固定其他變數下)– 增加一件負責專案,爆肝的odds會是原本的1.689倍– 每月加班多1小時,爆肝的odds會是原本的1.015倍– 每月多運動1小時,爆肝的odds會是原本的0.791倍– 每月多熬夜一天,爆肝的odds會是原本的1.085倍147範例檔案-學員版 4.相關分析&迴歸分析 3.Binary Logistic.sav
  148. 148. 二元Logistic迴歸-報表 II• 可設定由系統直接計算每人的預測機率,與歸類後的預測結果• 模型可套用在新調查對象的預測上– 與建模資料放在同一個資料檔內跑模型148建模用的資料新調查的對象實際的觀測結果模型配適的預測結果範例檔案-學員版 4.相關分析&迴歸分析 3.Binary Logistic.sav
  149. 149. 九、探討最適組合:聯合分析 聯合分析基本概念說明 聯合分析流程說明 聯合分析實例操作149
  150. 150. 150mcdonalds.com.tw常見的人事物,都可視作一種產品的組合
  151. 151. 聯合分析基本概念 I• 最佳組合:讓消費者的效用最大化– 效用:消費者透過消費行為所獲得的滿足程度– 假設:所討論的都是理性的消費行為• 消費者如何決策?– 產品背後隱含了多種屬性與特色的組合– 消費者需要做權衡與折衷(trade-off)151
  152. 152. 聯合分析基本概念 II• 好打者,不簽嗎?– 洛杉磯天使隊經理的trade-off152Josh Hamilton Torii Hunter打擊能力守備能力年齡 傷病史明星魅力話題性 新合約Josh Hamilton 左打 ※※ ※ 31 有 ※※ ※※※125M/5年Torii Hunter 右打 ※ ※※ 37 有 ※ ※ 26M/2年
  153. 153. 153聯合分析基本概念 III• 消費者對產品的偏好以及選擇屬於心理層面• 1964年由心理學家Luce與統計學家Tukey首先提出,1970年代由Green及Sirnivasan等人引入市場研究領域,成為研究消費者在產品屬性選擇中,其偏好結構的重要方法– 量化消費者的心理判斷– 設計更吸引消費者的商品組合– 了解產品的關鍵屬性– 簡易的數據,便於使用與解讀
  154. 154. 154聯合分析基本概念 IV• 研究人員詢問受測者對不同產品組合的整體偏好。• 受測者不必告訴研究人員:那一項產品屬性他認為很重要、某產品的某屬性水準他覺得很好• 受試者對不同受測體集合(stimuli)進行評估,研究人員可分解其偏好結構,以效用值(utility)將消費者對產品屬性的偏好量化
  155. 155. 155產品的屬性 屬性的水準漢堡樣式漢堡肉價格附餐玩具Others…三層 雙層 單層牛肉 豬肉 雞肉70-90 90-110 110-130沙拉 薯條無 有M速食套餐的研究
  156. 156. 調查偏好的方式 I• 如何詢問受訪者對產品的偏好?– 兩因素法 Two-factor-at-a-time Tradeoff Method• 在每次判斷中,僅就一對屬性中之各水準的不同組合加以評估,排列出偏好順序,然後再評估另一對屬性– 整體輪廓法 Full-Concept Method• 受訪者必須同時考慮所有產品屬性某一水準組合而成的行銷組合156樣式附餐三層漢堡 雙層漢堡 單層漢堡沙拉 3 4 6薯條 1 2 5
  157. 157. 調查偏好的方式 II• 實務上較常使用整體輪廓法– 讓受試者可以做更實際的評估,但要小心圖示與說明的精確性,避免誤導– 會有受測項目過多的問題,可透過討論或使用正交設計減少需要的組合數157三層豬肉漢堡+薯條90-110元A套餐 B套餐雙層牛肉漢堡+薯條+玩具70-90元共3x3x3x2x2=108種
  158. 158. SPSS-產生正交設計• 資料→Orthogonal設計→產生(須搭配SPSS Conjoint模組)• 假設各屬性間沒有交互作用158設定要探討的產品屬性(變數名稱可以是中文)設定屬性水準可設定最小組合數&保留組合(測試模型用)
  159. 159. 衡量偏好的方式 I• 以Sequence的調查方式為例– 請將以下各產品組合,從最喜歡到最不喜歡依序排列159組合3屬性A:水準a1屬性B:水準b1屬性C:水準c1…組合2屬性A:水準a1屬性B:水準b1屬性C:水準c1…組合1屬性A:水準a1屬性B:水準b1屬性C:水準c1…• 以Score的調查方式為例– 請針對以下組合回答購買的意願組合1屬性A:水準a1屬性B:水準b1屬性C:水準c1…低意願 1 | 2 | 3 | 4 | 5 | 6 | 7 高意願
  160. 160. 衡量偏好的方式 II• 決定偏好衡量的方式– Rank與Sequence類似,直接呈現各組合間的偏好順序,但是當組合數較多時會造成受訪者的負擔– Score的評估方式對受訪者較簡單,但有時候會有差異不明顯的狀況160Rank:資料代表組合的排序受訪者 組合1 組合2 組合3123Sequence:資料代表組合的編號受訪者 最喜歡 第二喜歡 第三喜歡1 組合1 組合2 組合32 組合3 組合1 組合23 組合1 組合3 組合2Score:資料代表組合的得分受訪者 組合1 組合2 組合31 85 70 602 80 75 903 80 50 65
  161. 161. 問卷調查• 紙本• 電子問卷– mySurvey較適合使用Score的調查方式• 盡量減少調查過程中可能產生的誤差– 決定適當的組合數– 附加說明應清楚明白– 產品組合的附圖不要讓人產生混淆161
  162. 162. 建立聯合分析模型 I• 透過OLS最小平方法迴歸,預測偏好結構• 需要具備:1621.聯合分析的正交設計檔案 2.聯合分析的偏好調查結果檔案3.SPSS Syntax語法
  163. 163. 建立聯合分析模型 II• 過去須自行撰寫語法,透過新版的自訂對話方塊功能,可建立自己的拖拉點選介面163讀取正交計畫檔案由偏好調查結果檔案進行操作選定偏好的衡量方式可設定不同的受訪者組別後續是否輸出各組別的效用值估計結果範例檔案-學員版 5.聯合分析 Conjoint_pref.sav正交計畫檔: Conjoint_plan.sav
  164. 164. 建立聯合分析模型 II• 設定屬性變數(手動輸入)– 可視需要設定屬性水準的模式164手動輸入正交計畫檔中,各個屬性的變數名稱,SPSS限制一次分析最多不得超過10個屬性屬性水準的模式敘述離散(Discrete)屬性水準為類別型(預設值)線性(Linear)假設屬性水準與效用值之間有線性關係理想點(Ideal)假設屬性水準與效用值之關係為二次式,即有一水準具有最高效用值,其餘方向為遞減反理想點(Antiideal)假設屬性水準與效用值之關係為二次式,即有一水準具有最低效用值,其餘方向為遞增 可進一步假設屬性水準的效用值是屬於遞增或遞減的趨勢,但不影響模型的估計結果,僅會增加方向的檢驗做為參考範例檔案-學員版 5.聯合分析 Conjoint_pref.sav正交計畫檔: Conjoint_plan.sav雖然預設的格式是「離散」,但在有無設定的情況下可能會出現不同的效用值估計結果。建議使用時,若針對屬性水準的格式沒有特別設定,還是手動把它調整為「離散」!
  165. 165. 建立聯合分析模型 III• 設定輸出結果– 整體結果:不區分受試者組別– 按受試者組別分類:可個別檢視不同組別的偏好狀況,進行比較與評估165範例檔案-學員版 5.聯合分析 Conjoint_pref.sav正交計畫檔: Conjoint_plan.sav
  166. 166. 量化消費者的效用 I• 計算屬性水準之效用值,以加總方式呈現消費者可能最喜愛的產品組合166產品屬性屬性水準效用值估計漢堡樣式(Burger_style)三層 -2.233雙層 1.867單層 0.367漢堡肉(meat)牛肉 0.367豬肉 -0.35雞肉 -0.017附餐(side_dish)沙拉 -1薯條 1玩具(present)無 -0.625有 0.625價格(price)70-90 -1.10890-110 -2.217110-130 -3.325截距項 12.258A套餐(70-90元):雙層牛肉堡+薯條、附贈玩具→效用值加總:15.009B套餐(110-130元):三層豬肉堡+沙拉→效用值加總:4.725範例檔案-學員版 5.聯合分析 Conjoint_pref.sav正交計畫檔: Conjoint_plan.sav
  167. 167. 量化消費者的效用 II• 哪些屬性最需要重視?– 重要性越高:在該產品屬性下,不同水準間會有越大的效用值差異16735.63529.41014.91111.1728.872產品各屬性的重要性漢堡樣式 價格 漢堡肉 附餐 玩具1001nkkkkRangeRangeIMP《補充》 Range:該屬性中,最高與最低效用值的差距 在SPSS Conjoint中,若有設定「受試者組別」(Subject)的變項,則會呈現取各組平均的結果範例檔案-學員版 5.聯合分析 Conjoint_pref.sav正交計畫檔: Conjoint_plan.sav
  168. 168. 聯合分析結果• 分析數據– 效用值(Utility)– 重要性(Importance)– 相關性(correlations)• Pearson’s R• Kendall’s Tau• 其他分析結果的應用?168代表屬性與效用值之間的關聯性,跟相關分析的概念類似,先看顯著與否,再看強度。可用來做為模型好壞的參考。範例檔案-學員版 5.聯合分析 Conjoint_pref.sav正交計畫檔: Conjoint_plan.sav
  169. 169. 其他應用• 新產品的推出,消費者的反應會如何?– 在正交計畫檔中加入模擬組合– 直接比較效用值加總的順序169單層豬肉漢堡+薯條110-130元新組合1雙層牛肉漢堡+沙拉+玩具110-130元新組合2三層雞肉漢堡+薯條+玩具90-110元新組合3範例檔案-學員版 5.聯合分析 Conjoint_pref.sav正交計畫檔: Conjoint_plan_simulation.sav
  170. 170. 其他應用• 新產品的推出,消費者的反應會如何?– 透過不同的指標評估可能的選擇機率• 最大效用:該組合為受試者最高偏好的比例• BTL指標:該組合的效用值佔模擬組合加總的比例• Logit指標:該組合的效用值取指數,佔模擬組合加總取指數的比例170範例檔案-學員版 5.聯合分析 Conjoint_pref.sav正交計畫檔: Conjoint_plan_simulation.sav
  171. 171. 聯合分析流程彙整171使用正交設計減少調查組合數設計問卷進行調查回收結果整理資料確認研究方向決定重要的產品屬性與屬性水準選擇衡量偏好的方式(Sequnce、Rank、Score…)選擇調查偏好的方式1.前測調查2.專家討論兩因素法(不討論)整體輪廓法(實務常用) 建立聯合分析模型確認組合數 討論受訪者對各屬性水準的偏好討論各屬性的重要性權數評估消費者最喜愛的產品組合模擬產品可能的佔有率(透過加總分數或指標)利用集群分析區分不同偏好族群
  172. 172. 實例練習:電信續約方案研究• 研究主題:如何推出吸引人的續約方案172電信市場已經幾近飽和,開發新用戶成本高於保留住舊用戶的數倍http://www.taiwanmobile.com/index.htmlhttp://www.fetnet.net/Home/index.html
  173. 173. 實例練習:設定屬性與水準• A. 是否搭配手機(mobile)– 是、否• B. 是否搭配行動上網(gprs)– 是、否• C. 搭配贈品(present)– 是、否• D. 續約優惠(discount)– 購機優惠價、贈送加值服務、通話費優惠• E. 新合約月租費(rent)– 300元以下、300-600元、600-1000元、1000元以上173
  174. 174. 實例練習:產生正交設計• 產生正交設計174縮減至16種續約方案組合
  175. 175. 實例練習:網路問卷範例• 使用Score方式評估受訪者的偏好175
  176. 176. 實例練習:調查對象• 調查總數:500人• 性別:男、女• 將年齡再區分為不同世代– 青少年、中生代、老年17671 7493 908092性別x世代別(人數)青少年男性 青少年女性 中生代男性中生代女性 老年男性 老年女性範例檔案-學員版 5.聯合分析實例操作_pref_16.sav
  177. 177. 實例練習:對話方塊設定177範例檔案-學員版 5.聯合分析實例操作_pref_16.sav正交計畫檔:實例操作_plan_16.sav
  178. 178. 實例練習:分析結果(整體)• 了解整體受訪者的偏好結構– 找出可能的最適組合– 不同的續約優惠會造成較大的偏好差異178整體受訪者 效用值估計搭配手機(mobile)有搭配手機 -0.012沒有搭配手機 0.012搭配行動上網(gprs)有搭配行動上網 0.129沒有搭配行動上網 -0.129搭配贈品(present)有搭配贈品 0.011沒有搭配贈品 -0.011續約優惠(discount)購機優惠價 -0.107贈送加值服務 -0.123通話費優惠 0.229新合約月租費(rent)300元以下 -0.194300-600元 -0.387600-1000元 -0.5811000元以上 -0.775截距項 6.049範例檔案-學員版 5.聯合分析實例操作_pref_16.sav正交計畫檔:實例操作_plan_16.sav
  179. 179. 實例練習:分析結果(個別) I• 男女的偏好在是否搭配手機與贈品的部分有所不同• 以重要性來看,女性較男性重視是否搭配行動上網;反之,男性較重視續約優惠的種類179性別效用值估計女性 男性搭配手機(mobile)有搭配手機 -0.071 0.05沒有搭配手機 0.071 -0.05搭配行動上網(gprs)有搭配行動上網 0.208 0.047沒有搭配行動上網 -0.208 -0.047搭配贈品(present)有搭配贈品 0.122 -0.106沒有搭配贈品 -0.122 0.106續約優惠(discount)購機優惠價 -0.134 -0.078贈送加值服務 0.038 -0.29通話費優惠 0.096 0.368新合約月租費(rent)300元以下 -0.175 -0.214300-600元 -0.35 -0.427600-1000元 -0.525 -0.6411000元以上 -0.7 -0.854截距項 5.743 6.37範例檔案-學員版 5.聯合分析實例操作_pref_16.sav正交計畫檔:實例操作_plan_16.sav
  180. 180. 實例練習:分析結果(個別) II• 老年世代在偏好結構上與青少年、中生代有較大的差異,尤其對月租費反而呈現正向偏好的關係• 青少年世代在重要性權重的表現較平均,中生代較重視新合約月租費,老年世代較重視是否搭配手機180世代別效用值估計青少年 中生代 老年搭配手機(mobile)有搭配手機 -0.331 -0.359 0.627沒有搭配手機 0.331 0.359 -0.627搭配行動上網(gprs)有搭配行動上網 0.23 0.565 -0.419沒有搭配行動上網 -0.23 -0.565 0.419搭配贈品(present)有搭配贈品 0.262 -0.279 0.108沒有搭配贈品 -0.262 0.279 -0.108續約優惠(discount)購機優惠價 -0.129 -0.072 -0.124贈送加值服務 -0.095 0.105 -0.388通話費優惠 0.224 -0.033 0.512新合約月租費(rent)300元以下 -0.157 -0.543 0.147300-600元 -0.314 -1.086 0.294600-1000元 -0.471 -1.629 0.4411000元以上 -0.628 -2.172 0.588截距項 5.584 7.52 4.877範例檔案-學員版 5.聯合分析實例操作_pref_16.sav正交計畫檔:實例操作_plan_16.sav
  181. 181. 實例練習:分析結果(個別) III• 個別分析六個族群的偏好結構與重要性權重• 針對各個不同背景變項的組合都進行分析與制定組合策略?– 建議使用集群分析,依照每一個受訪者「個體」所呈現的偏好進行分類分群181族群(性別*世代別)效用值估計青少年男性青少年女性中生代男性中生代女性老年男性老年女性搭配手機(mobile)有搭配手機 -0.162 -0.494 -0.417 -0.299 0.782 0.492沒有搭配手機 0.162 0.494 0.417 0.299 -0.782 -0.492搭配行動上網(gprs)有搭配行動上網 0.113 0.342 0.589 0.539 -0.643 -0.224沒有搭配行動上網 -0.113 -0.342 -0.589 -0.539 0.643 0.224搭配贈品(present)有搭配贈品 0.141 0.378 -0.236 -0.324 -0.173 0.352沒有搭配贈品 -0.141 -0.378 0.236 0.324 0.173 -0.352續約優惠(discount)購機優惠價 0.197 -0.443 -0.644 0.519 0.336 -0.524贈送加值服務 -0.574 0.365 0.133 0.077 -0.531 -0.264通話費優惠 0.377 0.078 0.512 -0.595 0.194 0.788新合約月租費(rent)300元以下 -0.168 -0.147 -0.442 -0.648 0.011 0.265300-600元 -0.335 -0.294 -0.883 -1.296 0.022 0.53600-1000元 -0.503 -0.441 -1.325 -1.943 0.033 0.7961000元以上 -0.67 -0.588 -1.767 -2.591 0.044 1.061截距項 5.729 5.445 8.012 7.012 5.032 4.742範例檔案-學員版 5.聯合分析實例操作_pref_16.sav正交計畫檔:實例操作_plan_16.sav
  182. 182. 實例練習:分析結果─集群分析 I• 輸出個別受訪者的效用值檔案182範例檔案-學員版 5.聯合分析實例操作_pref_16.sav正交計畫檔:實例操作_plan_16.sav
  183. 183. 實例練習:分析結果─集群分析 II• 集群分析設定(分析→分類→TwoStep集群)– 可自動決定最適組別數183範例檔案-學員版 5.聯合分析實例操作_個別效用值輸出_by_id.sav分類變數:截距項(變數名稱:Constant)+各屬性水準的效用值變數
  184. 184. 實例練習:分析結果─集群分析 III• 集群分析結果:2種不同偏好結構的群組– 橫跨不同背景變項– 可針對不同族群做更精準的設計184TwoStep不考慮截距項集群1 集群2有搭配手機 0.4425 -0.4181沒有搭配手機 -0.4425 0.4181有搭配行動上網 -0.3371 0.5459沒有搭配行動上網 0.3371 -0.5459有搭配贈品 0.1104 -0.0781沒有搭配贈品 -0.1104 0.0781購機優惠價 -0.0286 -0.1761贈送加值服務 -0.4354 0.1572通話費優惠 0.4640 0.0189新合約月租費 0.0880 -0.4456範例檔案-學員版 5.聯合分析實例操作_個別效用值輸出_by_id.sav
  185. 185. 觀察不同集群的偏好結構差異• 應用觀察值摘要,可看出兩集群的偏好結構不同185範例檔案-學員版 5.聯合分析實例操作_個別效用值輸出_by_id.sav
  186. 186. 觀察不同集群的背景變項• 須將集群變數串回原本的資料,應用合併檔案→新增變數的功能,後續可用交叉分析觀察各集群的背景變項分布186範例檔案-學員版 5.聯合分析實例操作_pref_16.sav (作用中資料集)範例檔案-學員版 5.聯合分析實例操作_個別效用值輸出_by_id.sav
  187. 187. 187關鍵字請搜尋 : 三星課程網

×