Download as PDF, PPTX
Uploaded byBeckett Hsieh
網路問卷、SPSS分析與聯合分析實作-三星統計夏恩顧問
该文档概述了SPSS教育训练与在线问卷调查系统的基本使用，包括数据处理、统计分析及联合分析的流程和实例。内容涵盖了SPSS软件的基本介绍、常用函数及数据处理功能、描述性统计、问卷调查的资料分析及变量的关系分析等。提供了详细的问卷设计步骤以及数据的读取与存储方法，以帮助用户有效使用SPSS进行数据分析和决策支持。
More Related Content
Similar to 網路問卷、SPSS分析與聯合分析實作-三星統計夏恩顧問
網路問卷、SPSS分析與聯合分析實作-三星統計夏恩顧問
- 1.
- 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. 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 • ANOVA 3
- 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.
- 6.
- 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-in 7
- 8.
- 9. 上網填答 9 1 2 34 1 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.
- 11.
- 12. SPSS基本介紹 I • StatisticalProgram 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 12 Before After
- 13.
- 14.
- 15.
- 16. SPSS基本介紹 IV 16 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. 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 17 Dataset name 資料集1. Dataset name 資料集2.
- 18.
- 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. 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 20 1.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.
- 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. 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. 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Format 24 叫回最近使用的對話 數值標記
- 25.
- 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.
- 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.
- 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. 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.
- 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 < 30 33 重點
- 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 • $CASENUM – 資料流水號 – ID=$CASENUM 34
- 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. 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. 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.
- 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 39 INDEX = 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. 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. 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. 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. 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. 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. 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. 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 46 1 2 3 54 5 4 3 12 ↓ ↓ ↓ ↓↓ 進入分析前必須要先將方向統一
- 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. 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.
- 50.
- 51.
- 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. 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 + = Part1 Part2 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. 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. 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. 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. 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. 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. • 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 I 59 1.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.
- 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. 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.
- 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.
- 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. 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. 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. 連續變數 vs.類別變數 I •分析不同月份的收入 69 OLAP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. 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. 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. 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 72 OLAP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. 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.
- 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.
- 77.
- 78.
- 79.
- 80.
- 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. 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. 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.
- 85.
- 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. 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. 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. 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. 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. 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.
- 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. 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Cronbach𝜶 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. 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. 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. 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. 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. 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. 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 100 KMO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. 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. 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. 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. 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. 補充：Two-step 集群分析 • 透過因素分數(factorscores)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. 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.
- 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 • ANCOVA 108
- 109.
- 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. 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. 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. 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. 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. 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19 115 範例檔案-學員版 3.比較平均數 3.Independent T.sav
- 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. 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.
- 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. 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. 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.
- 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. 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. 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. 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.
- 128. 卡方獨立性檢定 I 128 • 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. 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. 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.
- 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. 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.
- 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 135 0 1 1 2 2i i i k ki iY x x x iiiY 10
- 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R2 136
- 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. 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. 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. 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. 迴歸分析-多元迴歸-報表 I • 模式篩選至Step3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. 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. 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. 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. 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？ 145 𝒍𝒐𝒈( 𝒑 𝟏−𝒑 )=𝜶 𝟎 + 𝜷 𝟏 𝒙 𝟏𝒊 + 𝜷 𝟐 𝒙 𝟐𝒊+…+𝜷 𝒌 𝒙 𝒌𝒊+𝜺𝒊 → 𝒑 𝟏−𝒑 =𝒆 𝜶 𝟎+𝜷 𝟏 𝒙 𝟏𝒊+𝜷 𝟐 𝒙 𝟐𝒊+…+ 𝜷 𝒌 𝒙 𝒌𝒊+ 𝜺 𝒊 → 𝒑= 𝟏 𝟏+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. 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 Variable 146 範例檔案-學員版 4.相關分析&迴歸分析 3.Binary Logistic.sav
- 147. 二元Logistic迴歸-報表 I • 透過「-2對數概似(-2Log 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. 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. 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.
- 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. 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 152 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
- 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 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 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. 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. 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. 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. 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. 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 160 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
- 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. 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： 162 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
- 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. 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. 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. 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 -1.108 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-學員版 5.聯合分析 Conjoint_pref.sav 正交計畫檔： Conjoint_plan.sav
- 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 167 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-學員版 5.聯合分析 Conjoint_pref.sav 正交計畫檔： Conjoint_plan.sav
- 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. 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. 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.
- 172.
- 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.
- 175.
- 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 176 71 74 93 90 80 92 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.
- 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 -0.194 300-600元 -0.387 600-1000元 -0.581 1000元以上 -0.775 截距項 6.049 範例檔案-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. 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 -0.214 300-600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-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. 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 0.147 300-600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-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. 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 0.265 300-600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-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. 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. 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. 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 184 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-學員版 5.聯合分析實例操作_個別效用值輸出_by_id.sav
- 185.
- 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.