第十四章多變量數(shù)據(jù)分析（2）《市場調(diào)查理論與方法》主編：徐映梅學(xué)習(xí)目的掌握因子分析的意義和主要步驟12《市場調(diào)查理論與方法》主編：徐映梅掌握聚類分析的意義和操作方法了解對應(yīng)分析的概念和基本思想，掌握對應(yīng)分析的實(shí)現(xiàn)過程了解多維標(biāo)度分析的基本理論掌握聯(lián)合分析的基本理論和方法2345了解綜合評(píng)價(jià)中指標(biāo)體系的構(gòu)建方法6第六節(jié)多變量綜合評(píng)價(jià)第五節(jié)聯(lián)合分析第四節(jié)多維標(biāo)度分析第三節(jié)對應(yīng)分析第二節(jié)聚類分析第一節(jié)因子分析目錄CONTENTS3《市場調(diào)查理論與方法》主編：徐映梅第一節(jié)因子分析一因子分析基本原理二因子分析注意事項(xiàng)4《市場調(diào)查理論與方法》主編：徐映梅一、因子分析基本原理定義5CH14-1因子分析因子分析（FactorAnalysis）是一種降維、數(shù)據(jù)簡化技術(shù)，把具有錯(cuò)綜復(fù)雜關(guān)系的變量綜合為數(shù)量較少的幾個(gè)因子，以再現(xiàn)原始變量與因子之間的相互關(guān)系?；舅枷胪ㄟ^研究眾多變量之間的內(nèi)部依賴關(guān)系，探求觀測數(shù)據(jù)中的基本結(jié)構(gòu)，并將其用少數(shù)幾個(gè)抽象的變量來表示。這幾個(gè)抽象的變量被稱作公共因子，能反映原來眾多變量的主要信息。原始的變量是可觀測的顯在變量，而因子一般是不可觀測的潛在變量。一、因子分析基本原理假設(shè)前提6CH14-1因子分析觀測變量能夠轉(zhuǎn)換為一系列潛在變量（因子）的線性組合。數(shù)學(xué)模型

一、因子分析基本原理注意7CH14-1因子分析因子分析前，要對數(shù)據(jù)做標(biāo)準(zhǔn)化處理，并檢驗(yàn)數(shù)據(jù)是否適合因子分析。檢驗(yàn)方法常用的檢驗(yàn)方法包括KMO檢驗(yàn)法和巴特萊特球形度檢驗(yàn)法。具體來說，KMO檢驗(yàn)值大于0.5或巴特萊特球形度檢驗(yàn)P值小于0.05即通過檢驗(yàn)，可以進(jìn)行因子分析。基本步驟確定因子個(gè)數(shù)因子載荷求解和旋轉(zhuǎn)計(jì)算因子得分應(yīng)用實(shí)例14-18CH14-1因子分析在應(yīng)用實(shí)例13-2中，基于“BAT移動(dòng)支付用戶的使用意愿調(diào)研”項(xiàng)目，探究了BAT認(rèn)知、感知利益、感知風(fēng)險(xiǎn)和個(gè)人創(chuàng)新等因素對使用意愿的影響。在分析過程中，相關(guān)分析結(jié)果顯示上述因素存在較高的相關(guān)性，多元線性回歸分析中的共線性檢驗(yàn)結(jié)果也說明這些因素之間存在一定的共線性?？梢娺@些影響因素之間存在信息重疊，有必要降維，以提煉潛在因子。問題描述：應(yīng)用實(shí)例14-19CH14-1因子分析該調(diào)研項(xiàng)目中設(shè)計(jì)的影響用戶使用意愿的因素共有七個(gè)，包括BAT認(rèn)知、感知利益、感知風(fēng)險(xiǎn)、個(gè)人創(chuàng)新、方便性、安全性和娛樂性。這七個(gè)因素的取值均為得分，是連續(xù)變量，可以應(yīng)用因子分析方法提煉潛在因子，進(jìn)行降維。分析過程：應(yīng)用實(shí)例14-110CH14-1因子分析打開數(shù)據(jù)集進(jìn)入因子分析過程依次選擇“Analyze（分析）→DataReduction（降維）→FactorAnalysis（因子分析）”,展開“FactorAnalysis（因子分析）”對話框。從對話框左側(cè)的變量列表中選擇“bat（BAT認(rèn)知）”、“pbe（感知利益）”、“prs（感知風(fēng)險(xiǎn)）”、“inn（個(gè)人創(chuàng)新）”、“con（方便性）”、“sec（安全性）”和“ent（娛樂性）”七個(gè)變量進(jìn)入“Variables（變量）”框。選擇檢驗(yàn)方法，設(shè)置相應(yīng)參數(shù)單擊“Descriptive（描述）”按鈕，選中“KMOandBartlett’stestofsphericity（KMO和Bartlett的球形度檢驗(yàn)）”復(fù)選框；返回主對話框后，單擊“Exraction（抽?。卑粹o，選中“ScreePlot（碎石圖）”復(fù)選框；返回主對話框后，單擊“Rotation（旋轉(zhuǎn)）”按鈕，選中“Varimax（最大方差法）”；返回主對話框后，單擊“Scores（得分）”按鈕，選中“Saveasvariables（保存為變量）”和“Displayfactorscorecoefficientmatrix（顯示因子得分系數(shù)矩陣）”復(fù)選框，再返回主對話框。單擊“OK（確定）”按鈕，即可得到因子分析結(jié)果操作步驟：應(yīng)用實(shí)例14-111CH14-1因子分析輸出結(jié)果：（一）KMO和Bartlett的球形度檢驗(yàn)（二）“公因子方差”及“解釋的總方差”應(yīng)用實(shí)例14-112CH14-1因子分析輸出結(jié)果：（三）碎石圖應(yīng)用實(shí)例14-113CH14-1因子分析當(dāng)提取的公因子對應(yīng)的累積方差貢獻(xiàn)率較低，或?qū)嶋H含義不便解釋時(shí)，可自行設(shè)定因子個(gè)數(shù)。操作步驟：在上述SPSS操作步驟中，單擊“Exraction（抽?。卑粹o時(shí)，選中“Numberoffactors（因子數(shù)量）”復(fù)選框，并設(shè)置固定因子個(gè)數(shù)為2，繼續(xù)運(yùn)行因子分析過程。輸出結(jié)果：應(yīng)用實(shí)例14-114CH14-1因子分析進(jìn)一步，可根據(jù)因子分析的結(jié)果，計(jì)算各用戶使用意愿程度的綜合得分。操作步驟：利用“Compute”菜單，以旋轉(zhuǎn)后的公共因子的方差貢獻(xiàn)率為權(quán)數(shù)，以因子得分為變量值，計(jì)算出各用戶的綜合得分。輸出結(jié)果：二、因子分析注意事項(xiàng)15CH14-1因子分析由于因子分析對變量之間的相關(guān)程度很敏感，為保證分析質(zhì)量，需要事先進(jìn)行穩(wěn)健性比較。由于異常值、缺失值和不規(guī)則分布均會(huì)對變量間的相關(guān)性產(chǎn)生影響，進(jìn)行因子分析時(shí)，還需要事先對數(shù)據(jù)進(jìn)行整理，比如剔除異常值、插補(bǔ)缺失值等。由于小樣本數(shù)據(jù)相關(guān)系數(shù)的可靠性較差，因子分析要求觀測數(shù)至少應(yīng)是變量數(shù)的5倍，最好是10倍以上。參與因子分析的變量必須是數(shù)值型變量，即要求數(shù)據(jù)是由定距或者定比測量尺度得到的。對于非數(shù)值型或非測量型變量，一般可以利用虛擬變量先將其轉(zhuǎn)化成數(shù)值型變量，然后再進(jìn)行因子分析。第二節(jié)聚類分析一聚類分析基本原理二聚類分析注意事項(xiàng)16《市場調(diào)查理論與方法》主編：徐映梅一、聚類分析基本原理定義17CH14-2聚類分析聚類分析（ClusterAnalysis）又稱群分析或類分析，它是依據(jù)某種準(zhǔn)則對個(gè)體（樣本或變量）進(jìn)行分類的一種多元統(tǒng)計(jì)分析方法?；舅枷胝J(rèn)為所研究的樣本單位或變量之間存在程度不同的相似性，根據(jù)一批樣本單位的多個(gè)觀測指標(biāo)，具體找出能夠度量樣本或指標(biāo)之間相似程度的統(tǒng)計(jì)量，以此作為劃分類型的依據(jù)，把一些相似程度較大的樣本（或變量）聚合為一類，把另外一些彼此之間相似程度較大的樣本（或變量）聚合為另一類，直到把所有的樣本（或變量）聚合完畢。一、聚類分析基本原理聚類方法18CH14-2聚類分析實(shí)際應(yīng)用中常用的聚類方法有系統(tǒng)聚類法（HierarchicalCluster）和K均值聚類法（K-MeansCluster）。相同之處：都是以距離的遠(yuǎn)近親疏為標(biāo)準(zhǔn)進(jìn)行聚類。不同之處：系統(tǒng)聚類對不同類數(shù)產(chǎn)生一系列聚類結(jié)果，K均值聚類只能產(chǎn)生指定類數(shù)的聚類結(jié)果。系統(tǒng)聚類法K均值聚類法基本思想：距離相近的研究對象先聚成類，距離相遠(yuǎn)的后聚類，過程一直進(jìn)行下去，每個(gè)研究對象總能聚到合適的類中。數(shù)據(jù)變換方法：平移變換、極差變換、標(biāo)準(zhǔn)化變換、對數(shù)變換等。聚類原則：最短距離法、最長距離法、中間距離法、重心法等?；舅枷耄簩⒚恳粋€(gè)樣本分配給最近重心（均值）的類中。其實(shí)質(zhì)是分步聚類，即先選定一批凝聚點(diǎn)，讓研究對象向最近的凝聚點(diǎn)靠攏，形成初步分類；然后再對凝聚點(diǎn)的選點(diǎn)進(jìn)行調(diào)整，重復(fù)前一步驟，直到得到比較合理的結(jié)果為止。適用于大樣本并且均為連續(xù)型變量的情形。應(yīng)用實(shí)例14-219CH14-2聚類分析在應(yīng)用實(shí)例14-1中，對影響用戶使用意愿的七個(gè)因素進(jìn)行了因子分析，提取了兩個(gè)公因子，分別是安全性因子和其他因子。在此基礎(chǔ)上，結(jié)合消費(fèi)水平等級(jí)和BAT支付使用頻率兩個(gè)變量，可以對用戶群體進(jìn)行劃分，以發(fā)現(xiàn)各群體的使用傾向特征。問題描述：應(yīng)用實(shí)例14-220CH14-2聚類分析消費(fèi)水平等級(jí)和BAT支付使用頻率兩個(gè)變量均為定序變量，在本案例中認(rèn)為這兩個(gè)變量對應(yīng)的取值為得分，按照連續(xù)變量進(jìn)行分析。由于四個(gè)變量的取值存在數(shù)量級(jí)的差異，在聚類分析前需要進(jìn)行標(biāo)準(zhǔn)化處理。此外，該數(shù)據(jù)集共有340條觀測，樣本容量較大，可以采用K均值聚類法。分析過程：應(yīng)用實(shí)例14-221CH14-2聚類分析操作步驟：打開數(shù)據(jù)集數(shù)據(jù)標(biāo)準(zhǔn)化利用“descriptives”菜單對變量進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化后的變量分別為“Zconsu（標(biāo)準(zhǔn)化后的消費(fèi)水平等級(jí)）”、“Zfreq（標(biāo)準(zhǔn)化后的使用頻率）”、“ZFAC1_1(標(biāo)準(zhǔn)化后的其他因子得分)”以及“ZFAC2_1（標(biāo)準(zhǔn)化后的安全性因子得分）”。進(jìn)入聚類分析過程依次選擇“Analyze（分析）→Classify（分類）→K-MeansClusterAnalysis（K均值聚類分析）”，展開“K-MeansClusterAnalysis（K均值聚類分析）”對話框。從變量列表中選擇“Zconsu”、“Zfreq”、“ZFAC1_1”以及“ZFAC2_1”變量進(jìn)入“Variables（變量）”框，在“NumberofClusters(聚類數(shù))”文本框輸入需要?jiǎng)澐值慕M數(shù)。本例經(jīng)過不斷嘗試，最終選擇的合適組數(shù)為3組。應(yīng)用實(shí)例14-222CH14-2聚類分析操作步驟：設(shè)置所需保存的結(jié)果單擊“Save(保存)”按鈕，彈出“K-MeansClusterAnalysis:SaveNewVariable(K均值聚類：保存新變量)”對話框，選中“ClusterMembership(聚類成員)”以及“Distancefromclustercenter(與聚類中心的距離)”復(fù)選框，在原始數(shù)據(jù)文件中逐一顯示分類結(jié)果以及觀測與所屬類中心的距離，單擊“Continue(繼續(xù))”按鈕，返回“K-MeansClusterAnalysis(K均值聚類分析)”對話框。選擇相應(yīng)統(tǒng)計(jì)量繼續(xù)單擊“Options(選項(xiàng))”按鈕彈出“K-MeansClusterAnalysis:Options(K均值聚類：選項(xiàng))”對話框，在“Statistics(統(tǒng)計(jì)量)”選項(xiàng)組中選中“ANOVAtable(ANOVA表)”復(fù)選框，對聚類結(jié)果進(jìn)行方差分析，單擊“Continue(繼續(xù))”按鈕返回“K-MeansClusterAnalysis(K均值聚類分析)”對話框。單擊“OK(確定)”按鈕，即可得到K均值聚類分析結(jié)果應(yīng)用實(shí)例14-223CH14-2聚類分析輸出結(jié)果：（一）K均值聚類分析輸出結(jié)果應(yīng)用實(shí)例14-224CH14-2聚類分析輸出結(jié)果：（二）K均值聚類分析原數(shù)據(jù)集顯示結(jié)果二、聚類分析注意事項(xiàng)25CH14-2聚類分析如果聚類變量的計(jì)量單位不同，應(yīng)事先對其標(biāo)準(zhǔn)化后再進(jìn)行聚類分析。選擇不同的變量組合、聚類方法、測度方法及標(biāo)準(zhǔn)化方法，所得出的聚類過程及結(jié)果可能會(huì)有所不同。其中，變量組合的差異對聚類過程及結(jié)果的可能性影響最大。對大樣本進(jìn)行聚類分析，當(dāng)要聚成的類數(shù)確定時(shí)，可使用快速聚類方法，其特點(diǎn)是處理速度快。但快速聚類只適用于連續(xù)變量，并且采用歐式距離平方法進(jìn)行聚類；如果聚類變量是離散變量，或采用其他距離測度方法進(jìn)行聚類，則需要使用系統(tǒng)聚類方法（HierarchicalCluster）。第三節(jié)對應(yīng)分析一對應(yīng)分析基本原理二對應(yīng)分析注意事項(xiàng)26《市場調(diào)查理論與方法》主編：徐映梅一、對應(yīng)分析基本原理定義27CH14-3對應(yīng)分析對應(yīng)分析（CorrespondenceAnalysis）又稱相應(yīng)分析，是利用加權(quán)主成分分析法來描述兩個(gè)或多個(gè)分類變量各水平間相關(guān)性的分析方法。基本思想將一個(gè)列聯(lián)表的行和列各元素的比例結(jié)構(gòu)以點(diǎn)的形式在較低維的空間中表示出來，其特點(diǎn)是能把眾多的樣品和眾多的變量同時(shí)作在同一張圖上，將樣品的大類及其屬性在圖上直觀展現(xiàn)出來。一、對應(yīng)分析基本原理對應(yīng)分析圖28CH14-3對應(yīng)分析在對應(yīng)分析圖中，每一個(gè)散點(diǎn)代表某個(gè)變量的一個(gè)類別，該類別所包含的信息由兩個(gè)維度(dim1，dim2)坐標(biāo)值反映。在以“dim1”和“dim2”分別作為橫軸和縱軸的直角坐標(biāo)系內(nèi)，每個(gè)變量的一個(gè)類別就是一個(gè)點(diǎn)，各變量間的相關(guān)距離越近，表示相關(guān)性越大；相關(guān)距離越遠(yuǎn)，表示相關(guān)性越小。應(yīng)用實(shí)例14-329CH14-3對應(yīng)分析在“BAT移動(dòng)支付用戶的使用意愿調(diào)研”項(xiàng)目中，除了應(yīng)用相關(guān)分析和多元線性回歸模型探究一些因素對使用意愿的影響，還可以采用對應(yīng)分析方法將其中某個(gè)重點(diǎn)關(guān)注的因素和使用意愿變量放在一起進(jìn)行分類、作圖，以比較不同群體的BAT支付使用意愿是否存在差異。本例中以消費(fèi)水平等級(jí)因素為例，分析不同消費(fèi)水平群體的使用意愿有何差異。問題描述：應(yīng)用實(shí)例14-330CH14-3對應(yīng)分析在本例中，只關(guān)注不同群體使用意愿的等級(jí)，將原始數(shù)據(jù)集中的使用意愿得分劃分為三組，分別是低使用意愿（“5分以下（含5分）”）、中等使用意愿（“6-8分”）和高使用意愿（“9-10分”），分組后的變量為“G_will(使用意愿等級(jí))”。將消費(fèi)水平等級(jí)變量和分組后的使用意愿等級(jí)變量看作定類變量，采用對應(yīng)分析方法探究不同消費(fèi)水平群體的使用意愿有何差異。分析過程：應(yīng)用實(shí)例14-331CH14-3對應(yīng)分析操作步驟：打開數(shù)據(jù)集進(jìn)入對應(yīng)分析過程依次選擇“Analyze（分析）→DataReduction（降維）→CorrespondenceAnalysis（對應(yīng)分析）”，展開“CorrespondenceAnalysis（對應(yīng)分析）”對話框，然后將“（consu）消費(fèi)水平等級(jí)”選入“Row（行）”，再點(diǎn)擊“DefineRange（定義范圍）”來定義范圍1（最小值）到5（最大值）；將“（G_will）使用意愿等級(jí)”選入“Column（列）”，并定義其范圍1到3。設(shè)置模型參數(shù)繼續(xù)單擊“Model（模型）”按鈕，在出現(xiàn)的對話框中選擇數(shù)據(jù)標(biāo)準(zhǔn)化方法，由于本例中的兩個(gè)變量均為分類變量，因此“距離度量”點(diǎn)選“Chisquare（卡方）”單選按鈕，下面“StandardizationMethod（標(biāo)準(zhǔn)化方法）”選項(xiàng)被激活，本例選擇默認(rèn)的“Rowandcolumnmeansareremoved（刪除行列均值）”，點(diǎn)擊“Continue（繼續(xù)）”按鈕返回主對話框。點(diǎn)擊“OK（確定）”按鈕，運(yùn)行后即可得到對應(yīng)分析結(jié)果應(yīng)用實(shí)例14-332CH14-3對應(yīng)分析輸出結(jié)果：（一）對應(yīng)分析表（二）模型概況應(yīng)用實(shí)例14-333CH14-3對應(yīng)分析輸出結(jié)果：（三）行變量信息（四）列變量信息應(yīng)用實(shí)例14-334CH14-3對應(yīng)分析輸出結(jié)果：（五）對應(yīng)分析圖二、對應(yīng)分析注意事項(xiàng)35CH14-3對應(yīng)分析由于對應(yīng)分析只是一種描述性的統(tǒng)計(jì)分析方法，它雖然可以揭示變量間的對應(yīng)關(guān)系，但不能用于相關(guān)關(guān)系的假設(shè)檢驗(yàn)。對應(yīng)分析是一種減少維度的方法，在分析過程中，最終用幾維進(jìn)行分析需要由研究者自己決定。對應(yīng)分析對極端值比較敏感，極端值的存在會(huì)對分析結(jié)果造成較大影響。因此進(jìn)行對應(yīng)分析時(shí)，需要事先對數(shù)據(jù)進(jìn)行整理，比如剔除異常值、插補(bǔ)缺失值等。第四節(jié)多維標(biāo)度分析一多維標(biāo)度分析基本原理二多維標(biāo)度分析注意事項(xiàng)36《市場調(diào)查理論與方法》主編：徐映梅一、多維標(biāo)度分析基本原理定義37CH14-4多維標(biāo)度分析多維標(biāo)度分析是一種將多維空間的研究對象（樣本或變量）簡化到低維空間進(jìn)行定位、分析和歸類，同時(shí)又保留對象間原始關(guān)系的數(shù)據(jù)分析方法。基本思想在一個(gè)確定維數(shù)的空間中估計(jì)一組樣品的坐標(biāo)，基本數(shù)據(jù)是配對樣品間的距離。多維標(biāo)度模型包括兩因子和三因子的度量以及非度量模型，可以用來計(jì)算距離，并且使距離與實(shí)際數(shù)據(jù)相關(guān)聯(lián)。應(yīng)用實(shí)例14-438CH14-4多維標(biāo)度分析在一次調(diào)查中，收集了多位消費(fèi)者對10種不同飲料（A-J）的差異性評(píng)分?jǐn)?shù)據(jù)，1分表示差異較小，9分表示差異較大，從1分到9分的差異程度逐漸增加。基于某位消費(fèi)者對10種不同飲料的差異性評(píng)分?jǐn)?shù)據(jù)，采用多維標(biāo)度法分析消費(fèi)者在10種不同飲料感知上的相似程度。問題描述：應(yīng)用實(shí)例14-439CH14-4多維標(biāo)度分析打開數(shù)據(jù)集進(jìn)入多維標(biāo)度分析過程依次選擇“Analyze（分析）→Scale（度量）→MultidimensionalScaling（ALSCAL）（多維尺度）”，展開“MultidimensionalScaling（多維尺度）”對話框。將A-J共10個(gè)變量選入“Variables（變量）”框。設(shè)置模型參數(shù)繼續(xù)單擊“Model(模型)”按鈕，彈出“MultidimensionalScaling:Model(多維尺度：模型)”對話框，在“LevelofMeasurement(度量水平)”選項(xiàng)組中選中“Ordinal(序數(shù))”單選按鈕,并選中下面“Untietiedobservations(打開結(jié)觀察值)”復(fù)選框，返回主對話框。繼續(xù)單擊“Options(選項(xiàng))”按鈕，彈出“MultidimensionalScaling:Options(多維尺度：選項(xiàng))”對話框,在“Display(輸出)”選項(xiàng)組中選中“Groupplots(組圖)”復(fù)選框，再返回主對話框。操作步驟：單擊“OK(確定)”按鈕，即可得到多維標(biāo)度分析結(jié)果應(yīng)用實(shí)例14-440CH14-4多維標(biāo)度分析輸出結(jié)果：（一）壓力指標(biāo)檢驗(yàn)結(jié)果（二）擬合點(diǎn)在二維標(biāo)度中的坐標(biāo)結(jié)果應(yīng)用實(shí)例14-441CH14-4多維標(biāo)度分析輸出結(jié)果：（三）坐標(biāo)感知圖（四）擬合散點(diǎn)圖二、多維標(biāo)度分析注意事項(xiàng)42CH14-4多維標(biāo)度分析多維標(biāo)度分析得到的坐標(biāo)感知圖，顯示了每兩個(gè)對象間的距離和排序,其所蘊(yùn)含的實(shí)際意義，取決于兩個(gè)坐標(biāo)軸所代表的含義，即需要給坐標(biāo)軸命名。而標(biāo)識(shí)坐標(biāo)軸具有主觀性，需要沿著每一個(gè)維度檢查研究對象的相對位置，并且根據(jù)對研究對象先前的認(rèn)識(shí)，推斷這些維度最可能說明了什么。當(dāng)坐標(biāo)感知圖對應(yīng)不同的受測者時(shí)，可能無法通過多維標(biāo)度分析的結(jié)果得到一個(gè)普適性的推論，尤其是當(dāng)各自的維數(shù)也不相同時(shí)。在實(shí)際應(yīng)用中，可以通過把聚類分析方法和多維標(biāo)度分析相結(jié)合，嘗試對坐標(biāo)感知圖形高度相似的受測者進(jìn)行聚類。第五節(jié)聯(lián)合分析一聯(lián)合分析基本原理二聯(lián)合分析注意事項(xiàng)43《市場調(diào)查理論與方法》主編：徐映梅一、聯(lián)合分析基本原理定義44CH14-5聯(lián)合分析聯(lián)合分析（ConjointAnalysis）是在已知受測者對某一受測對象整體評(píng)估結(jié)果的情形下,通過分解受測者的整體反應(yīng)，來估計(jì)其偏好結(jié)構(gòu)的一種分析方法?；静襟E確定產(chǎn)品特征及水平產(chǎn)品模擬數(shù)據(jù)收集計(jì)算特征效用市場預(yù)測一、聯(lián)合分析基本原理聯(lián)合分析的優(yōu)點(diǎn)45CH14-5聯(lián)合分析聯(lián)合分析既可以分析度量屬性（如價(jià)格）的重要性，又可以分析非度量屬性（如品牌名稱）的重要程度；收集資料的程序簡單易行，受測者只需要對受測對象進(jìn)行排序或者評(píng)分；聯(lián)合分析要求受測者考慮各個(gè)屬性之間的兌換，比直接詢問受測者其理想點(diǎn)的屬性水平及屬性重要性更切合實(shí)際；聯(lián)合分析所求出的成分效用值可用于直接比較不同尺度的屬性或是更基本的非度量屬性，而這些比較因素正是人們選購決策所面臨的真實(shí)問題。應(yīng)用實(shí)例14-546CH14-5聯(lián)合分析為分析消費(fèi)者對餐廳就餐的偏好結(jié)構(gòu)，某調(diào)研公司開展了一項(xiàng)餐廳就餐調(diào)查研究，選擇6個(gè)屬性，每個(gè)屬性有3種水平，如下表所示。應(yīng)用聯(lián)合分析方法探究消費(fèi)者對餐廳就餐的偏好結(jié)構(gòu)。問題描述：應(yīng)用實(shí)例14-547CH14-5聯(lián)合分析正交設(shè)計(jì)生成方案①在SPSS中選擇“Data（數(shù)據(jù)）”→“OrthogonalDesign（正交設(shè)計(jì)）”→“Generate（生成）”，展開“GenerateOrthogonalDesign（生成正交設(shè)計(jì)）”對話框。在“FactorName（因子名稱）”和“FactorLabel（因子標(biāo)簽）”框中分別輸入對應(yīng)因子變量和標(biāo)簽。②單擊“DefineValues(定義水平值)”按鈕彈出“GenerateDesign：DefineValues(生成設(shè)計(jì)：定義水平值)”對話框，在“Value（值）”和“Label（標(biāo)簽）”框中輸入對應(yīng)的水平值及標(biāo)簽，返回主對話框，B-F因子設(shè)計(jì)過程與A相同。③繼續(xù)單擊“Options(選項(xiàng))”按鈕，在“Minimumnumberofcasestogenerate（生成的最小個(gè)案數(shù)）”框中輸入18，再返回主對話框。④最后，單擊“OK(確定)”按鈕，即可得出一種正交設(shè)計(jì)方案。根據(jù)調(diào)查結(jié)果生成評(píng)分卡數(shù)據(jù)文件操作步驟：應(yīng)用實(shí)例14-548CH14-5聯(lián)合分析進(jìn)行聯(lián)合分析在SPSS中選擇“File（文件）”→“New（新建）”→“Syntax（語法）”,展開“SPSSSyntaxEditor（SPSS語法編輯器）”對話框，輸入以下程序，后點(diǎn)擊“RunCurrent（運(yùn)行）”按鈕，即可得到聯(lián)合分析結(jié)果。操作步驟：程序：conjointplan='C:\Users\Administrator\Desktop\10_3.sav'/data='C:\Users\Administrator\Desktop\dafen.sav'/score=x1tox18/plot=summary.Plan子句用于指定設(shè)計(jì)文件，由orthoplan過程產(chǎn)生。data子句用于指定訪談結(jié)果數(shù)據(jù)文件，包含了消費(fèi)者對所列產(chǎn)品的偏好結(jié)果。應(yīng)用實(shí)例14-549CH14-5聯(lián)合分析輸出結(jié)果：（三）相關(guān)關(guān)系（一）各屬性各水平的效用值（二）重要性值應(yīng)用實(shí)例14-550CH14-5聯(lián)合分析輸出結(jié)果：（四）聯(lián)合分析結(jié)果—“重要性總結(jié)”條形圖二、聯(lián)合分析注意事項(xiàng)51CH14-5聯(lián)合分析與許多其他調(diào)研技術(shù)一樣，聯(lián)合分析在一定程度上也受到人為因素的影響。受訪者在調(diào)研過程中可能比在真實(shí)情境下更深思熟慮，也可能在調(diào)研中比在實(shí)際市場環(huán)境中獲得更多的產(chǎn)品信息。任何新產(chǎn)品或服務(wù)的廣告和促銷都能夠?qū)е孪M(fèi)者感覺的形成，這種感覺與通過用于調(diào)研的產(chǎn)品描述所產(chǎn)生的感覺是不同的。第六節(jié)多變量綜合評(píng)價(jià)一多變量綜合評(píng)價(jià)基本原理二多變量綜合評(píng)價(jià)注意事項(xiàng)52《市場調(diào)查理論與方法》主編：徐映梅一、多變量綜合評(píng)價(jià)基本原理定義53CH14-6多變量綜合評(píng)價(jià)多變量綜合評(píng)價(jià)是根據(jù)研究的目的，首先建立綜合評(píng)價(jià)指標(biāo)體系，然后基于評(píng)價(jià)指標(biāo)體系，對現(xiàn)象的各個(gè)方面進(jìn)行定量分析，得出一個(gè)整體性的評(píng)價(jià)結(jié)果?；静襟E（一）選擇并構(gòu)建綜合評(píng)價(jià)指標(biāo)體系

應(yīng)遵循的原則：客觀性全面性相互獨(dú)立性可比性可操作性一、多變量綜合評(píng)價(jià)基本原理54CH14-6多變量綜合評(píng)價(jià)基本步驟（二）確定觀測指標(biāo)的量綱方法

1.有量綱指標(biāo)評(píng)價(jià)方法

主要是總分評(píng)定法，其基本步驟如下：①根據(jù)評(píng)價(jià)的目的和評(píng)價(jià)對象的特點(diǎn)，選擇若干個(gè)評(píng)價(jià)項(xiàng)目或評(píng)價(jià)指標(biāo)，構(gòu)成評(píng)價(jià)指標(biāo)體系；②確定各項(xiàng)目或各指標(biāo)的評(píng)價(jià)標(biāo)準(zhǔn)和計(jì)分方法，常用的評(píng)分法有等級(jí)量化處理；③綜合評(píng)判結(jié)果，把各指標(biāo)（或各項(xiàng)目）的得分相加，即得該評(píng)價(jià)對象的總分。一、多變量綜合評(píng)價(jià)基本原理55CH14-6多變量綜合評(píng)價(jià)基本步驟（二）確定觀測指標(biāo)的量綱方法2.無量綱指標(biāo)評(píng)價(jià)方法評(píng)價(jià)指標(biāo)的無量綱化是通過某種變換方式消除各個(gè)觀測指標(biāo)的計(jì)量單位，使其轉(zhuǎn)化為統(tǒng)一、可比的變換過程，常用的無量綱化的處理方法包括標(biāo)準(zhǔn)化變換方法、歸一化變換方法、功效系數(shù)變換方法以