SPSS教育訓練-聯合分析-三星統計夏恩顧問-20130824
Upcoming SlideShare
Loading in...5
×
 

SPSS教育訓練-聯合分析-三星統計夏恩顧問-20130824

on

  • 1,400 views

 

Statistics

Views

Total Views
1,400
Views on SlideShare
1,144
Embed Views
256

Actions

Likes
0
Downloads
40
Comments
0

2 Embeds 256

http://www.tutortristar.com 255
http://tutortristar.com 1

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

SPSS教育訓練-聯合分析-三星統計夏恩顧問-20130824 SPSS教育訓練-聯合分析-三星統計夏恩顧問-20130824 Presentation Transcript

  • SPSS教育訓練 SPSS聯合分析實作 三星統計 夏恩顧問 www.tutortristar.com
  • Agenda 一、SPSS軟體基本介紹 • 基本介紹 • 資料存取 二、基本的資料處理功能 • 資料篩選、重新編碼 • 排序、分割 • 合併資料(串檔) • 敘述統計 三、集群分析 四、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 2
  • 一、SPSS軟體基本介紹  基本介紹  資料存取 3
  • SPSS基本介紹 I 4 資料視窗 語法視窗 輸出視窗
  • SPSS基本介紹 II 5 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 … 範例檔案英語學習調查問卷-RawData(整理後).sav
  • 常用操作功能 • 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Format 6 叫回最近使用的對話 數值標記
  • 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…) 7
  • 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 8 範例檔案英語學習調查問卷-RawData(整理後).csv
  • 9 1.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
  • 二、基本的資料處理功能  資料篩選、重新編碼  排序、分割  合併資料(串檔)  敘述統計
  • 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 11 常用 篩選出資料檔中,性別為「男生」的資料 範例檔案英語學習調查問卷-RawData(整理後).sav
  • 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 12 範例檔案英語學習調查問卷-RawData(整理後).sav
  • 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 13 範例檔案英語學習調查問卷-RawData(整理後).sav
  • 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 14 範例檔案英語學習調查問卷-RawData(整理後).sav
  • 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 15 1 2 3 54 5 4 3 12 ↓ ↓ ↓ ↓↓ 進入分析前必須要先將方向統一
  • 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 16 常用
  • 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 17 範例檔案變數轉換_demo_raw.sav
  • 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 18 範例檔案變數轉換_demo_raw.sav
  • 資料合併功能-新增觀察值 • 垂直合併 – 變數屬性須完全相同 19 + = Part1 Part2 範例檔案變數轉換_demo_上半年度.sav 範例檔案變數轉換_demo_下半年度.sav
  • 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 20 + = Part1 Part2 範例檔案變數轉換_demo_raw.sav 範例檔案變數轉換_demo_birthday.sav
  • 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 21 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
  • 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 22 資料集A (作用中) 資料集B 範例檔案變數轉換_demo_新增變數1.sav 範例檔案變數轉換_demo_新增變數2.sav
  • 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 23 資料集A (作用中) 資料集B 範例檔案變數轉換_demo_新增變數1.sav 範例檔案變數轉換_demo_新增變數2.sav
  • 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 24 資料集A (作用中) 資料集B 範例檔案變數轉換_demo_新增變數1.sav 範例檔案變數轉換_demo_新增變數2.sav
  • 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 25
  • 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 26
  • 連續變數 vs.類別變數 I • 分析不同月份的收入 27 OLAP多維度報表 範例檔案變數轉換_demo_raw.sav
  • 連續變數 vs.類別變數 II • 分析不同月份的收入 28 觀察值摘要 範例檔案變數轉換_demo_raw.sav
  • 連續變數 vs.類別變數 III • 分析不同月份的收入 29 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 範例檔案變數轉換_demo_raw.sav
  • 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 30 OLAP多維度報表 觀察值摘要 範例檔案變數轉換_demo_raw.sav
  • 三、集群分析 31
  • 集群分析 (Cluster) I • 集群分析的目的 – 主要是將相似特性的分析對象歸為同一集群,使得 同一集群內具有高度同質性(群內變異小),而不同 集群內具有高度異質性(群間變異大) • 集群分析的應用 – 區分消費習性:追求物慾、精打細算、一毛不拔 – 區分行為模式:夜貓族、白天型、下班時段 – 重點在集群的命名
  • 集群分析 (Cluster) II • SPSS預設會先對連續變數做標準化 • Two-step集群 – 根據BIC準則決定最適分群數,取BIC值最小的 分群數 – 輸出分群解果與集群組員欄位 • K-means集群 – 須自行設定分群數 – 輸出分群解果與集群組員欄位 • 建議 – 不確定資料結構時:使用Two-step集群 – 確定需要分為幾群時:使用K-means集群
  • 集群分析 (Cluster)-Demo • 依據受訪者在不同構面的得分,進行分群 34 範例檔案Demo-集群分析-消費傾向.sav
  • 集群分析 (Cluster)-Demo 35
  • 集群分析 (Cluster)-Demo • 分析結果 – 分群個數 – 各集群在各個構面 的平均得分 36
  • 集群分析 (Cluster)-Demo • 集群命名 – 解讀各個集群的特色,進行合理的命名 37 愛慕虛榮型 理性保守型 衝動消費型 Combined 流行崇洋導向 Mean .6432 -.8125 -.3189 .0000 新新人類導向 Mean .0191 .1273 -.1609 .0000 精打細算導向 Mean -.0628 .6354 -.5249 .0000 效率購買導向 Mean .0214 -.1516 .1139 .0000 衝動消費導向 Mean .0396 -.5858 .5162 .0000 廣告導引導向 Mean .4452 .1582 -.9414 .0000 圖求方便導向 Mean -.0350 -.0523 .1138 .0000 Centroids Cluster
  • 四、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 38
  • 39 mcdonalds.com.tw 常見的人事物,都可 視作一種產品的組合
  • 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) 40
  • 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-off 41 Josh 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
  • 42 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
  • 43 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
  • 44 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
  • 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 45 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
  • 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 46 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
  • 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 47 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) 設定亂數種子:2000000
  • 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 48 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
  • 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 49 Rank:資料代表組合的排序 受訪者 組合1 組合2 組合3 1 2 3 Sequence: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3 2 組合3 組合1 組合2 3 組合1 組合3 組合2 Score:資料代表組合的得分 受訪者 組合1 組合2 組合3 1 85 70 60 2 80 75 90 3 80 50 65
  • 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 50
  • 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: 51 1.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
  • 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 52 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.聯合分析Conjoint_pref.sav 範例檔案.聯合分析Conjoint_plan.sav
  • 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 53 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 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.聯合分析Conjoint_pref.sav 範例檔案.聯合分析Conjoint_plan.sav 建議使用時,若針對屬性水準的格 式沒有特別設定,就手動把它調整 為「離散」
  • 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 54 範例檔案聯合分析Conjoint_pref.sav 範例檔案聯合分析Conjoint_plan.sav
  • 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 55 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 -1.108 90-110 -2.217 110-130 -3.325 截距項 12.258 A套餐(70-90元): 雙層牛肉堡+薯條、附贈玩具 →效用值加總:15.009 B套餐(110-130元): 三層豬肉堡+沙拉 →效用值加總:4.725 範例檔案.聯合分析Conjoint_pref.sav 範例檔案.聯合分析Conjoint_plan.sav
  • 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 56 35.635 29.410 14.911 11.172 8.872 產品各屬性的重要性 漢堡樣式 價格 漢堡肉 附餐 玩具 100 1 ×             = ∑= n k k k k Range Range IMP 《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 範例檔案聯合分析Conjoint_pref.sav 範例檔案聯合分析Conjoint_plan.sav
  • 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? 57 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。 範例檔案聯合分析Conjoint_pref.sav 範例檔案聯合分析Conjoint_plan.sav
  • 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 58 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 範例檔案聯合分析Conjoint_pref.sav 範例檔案聯合分析Conjoint_plan_simulation.sav
  • 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 59 範例檔案聯合分析Conjoint_pref.sav 範例檔案聯合分析Conjoint_plan_simulation.sav
  • 聯合分析流程彙整 60 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
  • 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 61 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.html http://www.fetnet.net/Home/index.html
  • 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 62
  • 實例練習:產生正交設計 • 產生正交設計 63 縮減至16種續約方案組合
  • 實例練習:網路問卷範例 • 使用Score方式評估受訪者的偏好 64
  • 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-in 65
  • 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 66 71 民國前/通 用格式 民國前/通 用格式 民國前/通 用格式 民國前/通 用格式 民國前/通 用格式 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 範例檔案聯合分析實例操作_pref_16.sav
  • 實例練習:對話方塊設定 67 範例檔案聯合分析實例操作_pref_16.sav 範例檔案聯合分析實例操作_plan_16.sav
  • 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 68 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 -0.194 300-600元 -0.387 600-1000元 -0.581 1000元以上 -0.775 截距項 6.049 範例檔案聯合分析實例操作_pref_16.sav 範例檔案聯合分析實例操作_plan_16.sav
  • 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 69 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 -0.214 300-600元 -0.35 -0.427 600-1000元 -0.525 -0.641 1000元以上 -0.7 -0.854 截距項 5.743 6.37 範例檔案聯合分析實例操作_pref_16.sav 範例檔案聯合分析實例操作_plan_16.sav
  • 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 70 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 0.147 300-600元 -0.314 -1.086 0.294 600-1000元 -0.471 -1.629 0.441 1000元以上 -0.628 -2.172 0.588 截距項 5.584 7.52 4.877 範例檔案聯合分析實例操作_pref_16.sav 範例檔案聯合分析實例操作_plan_16.sav
  • 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 71 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 0.265 300-600元 -0.335 -0.294 -0.883 -1.296 0.022 0.53 600-1000元 -0.503 -0.441 -1.325 -1.943 0.033 0.796 1000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 範例檔案聯合分析實例操作_pref_16.sav 範例檔案聯合分析實例操作_plan_16.sav
  • 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 72 範例檔案聯合分析實例操作_pref_16.sav 範例檔案聯合分析實例操作_plan_16.sav
  • 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 73 範例檔案聯合分析實例操作_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
  • 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 • 應用觀察值摘要,可 看出兩集群的偏好結 構不同 – 可針對不同族群做更 精準的設計 74 TwoStep 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 範例檔案聯合分析實例操作_個別效用值輸出_by_id.sav
  • 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 75 範例檔案聯合分析實例操作_個別效用值輸出_by_id.sav
  • 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 76 範例檔案聯合分析實例操作_pref_16.sav (作用中資料集) 範例檔案聯合分析實例操作_個別效用值輸出_by_id.sav
  • 77 個數 1 2 青少年男性 44 27 71 老年女性 90 2 92 老年男性 79 1 80 中生代女性 7 83 90 中生代男性 3 90 93 青少年女性 13 61 74 236 264 500 TwoStep_考慮截距項 * 族群(性別*世代別) 交叉表 TwoStep_考慮 截距項 總和 族群(性別*世代別) 總和 平均數 1 2 總和 有搭配手機 .4425 -.4181 -.0119 沒有搭配手機 -.4425 .4181 .0119 有搭配行動上網 -.3371 .5459 .1291 沒有搭配行動上網 .3371 -.5459 -.1291 有搭配贈品 .1104 -.0781 .0109 沒有搭配贈品 -.1104 .0781 -.0109 購機優惠價 -.0286 -.1761 -.1065 贈送加值服務 -.4354 .1572 -.1225 通話費優惠 .4640 .0189 .2290 新合約月租費 .0880 -.4456 -.1938 觀察值摘要 TwoStep_考慮截距項
  • 78