دانلود مقاله ارزش تکنیک های چند متغیره در تحلیل اطلاعات

در سال های اخیر شاهد پیشرفت های قابل توجهی در سخت افزار کامپوتر بوده ایم.ظرفیت سرعت و ذخیره pcs هر هجده ماه دو برابر می شود و این در حالی است که هزینه آن کاهش می یابد.

بسته های نرم افزاری آماری با ویندوزهای کاربر نقش مهمی را در عصرclik-and-point ایفا می کنند.سالیان متوالی داده ها حاصل بررسی های گوناگون بودند امروزه در انبار داده ها انبوهی از اطلاعات ذخیره شده است به گونه ای که می توان اطلاعات ارزشمندی راجع به مشتریان و کارکنان کسب نمود.تعدادی از این اطلاعات را می توان به وسیله روش های آماری ساده تجزیه و تحلیل نمود.اما در اکثر مواقع نیازمند تکنیک های پیچیده تری هستیم.امروزه اکثر محققان علاقمند به استفاده از بیش از متغیر ه هستند و بنابراین وجود تکنیک های چند متغیره آماری ضروری میباشد.

علاوه براین، تصمیم گیر ندگان تجاری و مصرف کنندگان به منظور اتحاذ تصمیم و انتخاب تمایل دارند از اطلاعات زیادی استفاده کنند.در نتیجه تاثیرات بالقوه بر رفتار مصرف کننده و واکنش های تجاری فراوان می باشد.

تکنیک های چند متغیره ناشی از نیاز تجار به توجه نمودن به برخی پیچیدگی ها است.

تجزیه چند متغیره چیست؟

تجزیه چند متغیره به گروهی از شیوه های آماری اشاره دارد که مقیاس های چندگانه هر ویژگی با شیء مورد بررسی را به طور همزمان تجزیه و تحلیل می کند.شیوه های آماری چند متغیره که در این فصل به بحث راجع به آن خواهیم پرداخت شیوه های آماری یک متغیره و دو متغیره گسترده شده هستند که در فصل پیشین نکاتی راجع به آنها ارائه نمودیم.تحلیل چند متغیره در تحقیقات بازاریابی به دلیل اینکه بیشتر مشکلات تجاری چند بعدی هستند بسیار مهم می باشد.به ندرت شرکت ها و مشتریانشان بر اساس یک بعد توصیف می شوند اتخاذ تصمیم در بازدید از یک رستوران اغلب به فاکتورهایی از قبیل کیفییت،تنوع و هزینه غذا؛ محل رستوران و خدمات بستگی دارد.

هنگامی که شرکت ها برای ارائه خدمات بهتر به مشتریان خود پایگاه داده ای راه اندازی می کنند، این پایگاه ها اغلب شامل اطلاعات گسترده ای مانند جمعیت شناسی،شیوه زندگی،کد پستی و شیوه خرید مشتریان می باشد.

طبقه بندی شیوه های چند متغیره:
چالش موجود در میان محققان بازاریابی تعیین شیوه آماری مناسب برای مشکل مذکور می باشد.چندین شیوه پیشنهاد شده است.

طبقه بندی سودمندی از بیشتر تکنیک ها ی آماری چند متغیره در کادر 1-18 ارائه شده است.

کادر 1-18 طبقه بندی شیوه های چند متغیره
شیوه های وابسته یا بر همبستگی؟

اگر برای توضیح متغیر وابسته بر اساس دو یا چند متغیر مستقل از تکنیک چند متغیره استفاده کنیم به تجزیه و تحلیل و درک وابستگی مبارات نموده ایم.شیوه وابسته را می توان به عنوان شیوه هی تعریف نمود که در آن یک متغیر به وسیله متغیرهای مستقل دیگر توضیح داده می شود.

تکنیک های وابسته شامل تجزیه رگرسیون چندگانه،تحلیل مبین (ممیز)، manova ، تحلیل همیشه می باشد.کادر 2-18
خلاصه شیوه های چند متغیره گزینش شده:
رگراسیون چندگانه محققان بازاریابی را در پیش بینی یک متغیره متری وابسته از دو یا چند متغیر مستقل که از نظر متری سنجش شده اند را توانمند می سازد.

تحلیل مبین:چندگانه می تواند یک متغیر غیر متری وابسته را از میان دو یا چند متغیر مستقل متری پیش بینی کند.

تحلیل فاکتوری:در خلاصه نمودن اطلاعات موجود شمار گسترده ای از متغیرها زیر مجموعه های کوچکتر یا فاکتور ها استفاده می شود.

تحلیل خوشه ای:در طبقه بندی نمودن پاسخ دهندگان یا اشیاء (به عنوان مثال فراورده ها،ذخایر)به گروه هایی که یکنواخت هستند استفاده می شود.

تحلیل همبسته:در بر آورد نمودن ارزش (کارائی) محصولات مختلف و خدمات ار نظر پاسخ دهنده به کار می رود.

باز نمایی ادراکی:در سنجش دادن بینش های پاسخ دهنده از محصولات، نشان های تجاری ویژه،شرکت ها،و .

.

که به طور بصری می باشد استفاده می گردد.

تاثیر مقیاس های سنجش:ماهیت مقیاس های سنجش درست مانند شیوه های دیگر تحلیل،تعیین تکنیک چند متغیره در تحلیل داده می باشد.

گزینش شیوه چند متغیره صحیح نیازمند بررسی نوع سنجش های استفاده شده در متغیرهای وابسته و مستقل می باشد.وقتی متغیر وابسته به صورت غیر متری سنجش می شود.

شیوه های مناسب تحلیل مبین و همبسته هستند و زمانیکه متغیر وابسته به طور متری اندازه گیری می شود تکنیک های مؤثر رگرسیون چندگانه،MANOVA.ANOVA و همبسته می باشند.تحلیل رگراسیون چندگانه و مبین معمولا نیارمند متغیرهای مستقل متری هستند ،اما می توانند از متغیرهای مصنوعی غیر متری نیز استفاده کنند.تحلیل های MANOVA.ANOVA و همبسته متناسب با متغیر های مستقل غیر متری می باشند.

تکنیک های بر همبستگی تحلیل فاکتوری و تحلیل خوشه ای به طور پیوسته با متغیر های متری بکار می روند،اما تطبیقات غیرمتری نیز امکان پذیز است.

تکنیک های بر همبستگی:بحث راجع به تکنیک های خاص چند متغیره را با تحلیل شیوه های بر همبستگی آغاز خواهیم نمود.هدف تکنیک هایی از قبیل تحلیل فاکتور و خوشه ای پیش بینی متغیری از یک سری متغیرهای مستقل نیست.بلکه خلاصه نمودن و ارائه درکی روشن از تعداد زیادی متغیر می باشد.

تحلیل فاکتور:تکنیک آماری چند متغیری است که به منظور خلاصه نمودن اطلاعات موجود شمار گسترده ای از متغیر ها در زیر مجموعه های کوچکتر یا فاکتورها استفاده می شود.هدف تحلیل فاکتور ساده نمودن داده ها می باشد با وجود تحلیل فاکتوری تفاوتی بین متغیرهای وابسته و مستقل وجود ندارد.

امروزه اکثر مشکلات پیشاروی تجار اغلب در نتیجه ترکیب چند چند متغیر می باشد.

به عنوان مثال،اگر امتیاز دهنده محلی ام سی دونالد به ارزیابی رضایت مشتری علاقمند باشد،اکثر متغیرهای علاقه را باید بسنجد.

متغیرهایی مانند تازه بودن غذا، زمان انتظار، مزه، دمای غذا، تمیزی و رفتار محبت آمیز پرسنل از طریق تعدادی سؤال درجه بندی شده اندازه گیری خواهد شد.

اجازه دهید به مثال اولیه از تحلیل فاکتور بپردازیم.

داده های پنج مشتری که رستوران فست فود را در شش ویژگی توصیف نموده اند در کادر3-18 ارائه شده است.

مشتریانی که کمترین امتیاز را به زمان انتظار داده اند،برای تمیزی و پرسنل نیز امتیاز کمی در نظر گرفته اند سه مشخصه دیگر یعنی تازگی، مزه، دما الگوی دیگری پدید آورده اند.

در این مورد امتیازات در هر سه متغیر بالا می باشد.

بر اساس الگوی داده ها می توان این شش مقیاس را در دو مقیاس مختصر یا فاکتور کمیت خدمات و غذا ترکیب نمود.(کادر 4-18)

فاکتور متغیرها همان طور که در مثال بالا توضیح دادیم هدف کلی تحلیل فاکتور خلاصه نمودن اطلاعات می باشد.

هدف آماری تحلیل فاکتور تعییین وجود ترکیب خطر از متغییرها (به عنوان مثال، زمان، انتظار، تمیزی، پرسنل) است که بتواند به محقق در خلاصه نمودن داده ها و شناسایی روابط اساسی کمک کند.

نقطه آغازین در تفسیر فاکتور تحلیل بارهای فاکتوری است.

بار فاکتوری به همبستگی بین هر یک از متغیرها ی اولیه و فاکتورهای توسعه یافته جدید اشاره دارد.

بارهای فاکتوری مانند همبستگی ها می توانند از0/1+ تا 0/1- متغیر باشند.

اگر متغیر A4 (مزه غذا) ارتباط نزدیکی با فاکتور 2 داشته باشد،همبستگی یا بار فاکتور بالا خواهد بود.

تحلیل آماری مرتبط باتحلیل فاکتور می تواند بار فاکتوری بین هر فاکتور و هر یک از متغیر های اولیه ایجاد کند.

نتیجه این تحلیل آماری در کادر(5-18) ارائه شده است.

مرحله بعدی در تحلیل فاکتور نامگذاری فاکتورهای منتج می باشد.

محقق متغیرهایی را که بار بالایی در هر فاکتور دارند،مورد بررسی قرار می دهد.

اغلب انسجام خاصی میان متغیرهای که بار بالایی در فاکتور مذکور دارند،دیده می شود.

ویژگی پایانی تحلیل تحلیل فاکتور به تعداد فاکتورهای حفظ شده مربوط می باشد.

تصمیم گیری درباره تعداد فاکتورها فرایند بسیار پیچیده ای است،زیرا در هر مشکل تحلیل فاکتور بیش از یک راه حل احتمالی وجود دارد.

مقیاس مهم در تعیین تعداد فاکتورها درصد وروش در داده های اولیه ای است که به وسیله هر فاکتور توضیح داده شده است.

برنامه کامپیوتری تحلیل فاکتور جدولی از اعداد ایجاد خواهد نمود که بیان کننده درصد وروش توضیح داده شده توسط هر فاکتور می باشند.

کاربردهای تحلیل فاکتور در تحقیق بازاریابی:اگر چه مثال فست فود قدرت تحلیل فاکتوری را در ساده نمودن بینش های مشتری نسبت به رستوران فست فود روشن نمود،این کلینیک در تحقیق بازاریابی کاربردهای مهم دیگری نیز دارد.

تبلیغات بازرگانی:از تحلیل فاکتور می توان برای درک بهتر خصلت های رسانه ای مشتریان مختلف استفاده نمود.

ارزشیابی کردن:تحلیل فاکتور می تواند در شناسایی ویژگی های مشتریان حساس به قیمت و حساس به اعتبار کمک کند.

محصول:می توان از تحلیل فاکتور در شناسایی ویژگی های نشان های تجاری ویژه که بر انتخاب مشتری مؤثر می باشد استفاده نمود.

توزیع:تحلیل فاکتور می تواند در درک بهتر معیارگزینش در میان بخش های توزیع به کار گرفته شود.کاربرد SPSS تحلیل فاکتور:اهمیت تحلیل فاکتور در پایگاه داده ای رستوران شرح داده شد.

در پایگاه داده یمان شش متغیر داشتیم که از نظر متری اندازه گیری شده بودند.

این متغیرها X1 تا X6 می باشند آیا می توانیم تعداد ابن متغیرها را کاهش دهیم.توالی کیلیک SPSS ANALYZEDATAREDUCTIONFACTOR است که به کادر دیالوگ که می توانند متغیرهایX1-X6 را انتخاب کنید منتهی می شود.بعد از اینکه این متغیر ها قرار دادید به گزینه های تحلیل داده نگاه کنید.

اول برروی کادر Descriptive کیلیک نمایید.

سپس برروی کادر uninvariate Descriptiven کیلیک کنید.این کار را ادامه دهید تا به کادر قبلی دیالوگ برسید.سپس به کادر Extraction بروید.در این مرحله به نبود اجزاء اصلی توجه نکنید،Unrotated factor solution را از حالت کیلیک خارج نمایید.

حال بر روی کادر Continue کیلیک کنید.بعد به کادر Rotation بروید.در اینجا کمبودی وجود ندارد ما می خواهیم به نوبت این کارها را انجام دهیم.

بنابراین برروی varimax کیلیک کنید و ادامه دهید در پایان نیز به کادر options بروید و برروی Stored by size کیلیک کنید و سپس مقادیر مطلق را از 10 تا 30 تغییر دهید.انتخاب های پایانی اطلاعات غیر ضروری را حذف کنید و بنابراین نسخه های چاپی راه حل های آسانتر خوانده می شوند.

در اینجا نیازی به امتیاز نداریم بنابراین می توانیم برای اجرا نمودن تحلیل فاکتوربر روی ok در قسمت بالای کادر دیالوگ کیلیک کنیم.اولین جدولی که در بدون دادخواهید دید آواز توصیفی می باشد.

استفاده از تحلیل فاکتوری با رگرسیون چندگانه: ممکن است گاهی بخواهیم نتیجه تحلیل فاکتوری را با تکنیک چند متغیره دیگری مانند رگرسیون چندگانه استفاده نماییم.

این روند هنگام بکارگیری تحلیل فاکتوری در ترکیب تعداد بسیاری از متغیرها به منظور دست یافتن به منظوردست یافتن به مجموعه های کوچکتری کارا می باشد.می توانیم این موضوع را با مثال پیشین در که شش بینش در دو فاکتور عملکرد ها و غذا گنجانده شد شرح دهیم.

بدون تحلیل فاکتور دیدگاه های مشتری را باید در شش ویژگی جداگانه بررسی کنیم.

اما اگر از نتیجه تحلیل فاکتور استفاده کنیم فقط باید دو ویژگی با فاکتور را بررسی نماییم.برای استفاده از دو فاکتور در رگرسیون چندگانه باید ابتدا امتیازات فاکتور را محاسبه کنیم.

امتیازات فاکتور متشکل از امتیازات بر آورده شده برای هر پاسخ در هر یک از فاکتورهای مشتق شده می باشد.

به کادر دیالوگ Spss بر گردید در قسمت پایین این کادر، امتیازات را که قبلا استفاده نکرده اید مشاهده خواهید نمود.

برروی این کادر کیلیک وسپس بر روی Save as varibhes کیلیک کنید.با انجام این کار گزینه های بیشتری را مشاهده خواهید نمود.

اما فقط از Regression.

Defomt استفاده نمایید.

حال بر Continue وسپس Ok کیلیک کنید بدین صورت خواهید توانست امتیازات فاکتورها را محاسبه کنید.

نتیجه امتیاز دو فاکتور برای هر 50 پاسخ دهنده خواهد بود.آنها در انتهای سمت راست پایگاه داده ای ظاهر خواهند شد و عنوانی Fac2-1.

Fac1-1 خواهند داشت.

حال می خواهیم بدانیم آیا تعبیرات رستوران که به وسیله فاکتورها اندازه گیری شده اند با رضایت ارتباطی دارند.

در این مورد متغیر متری وابسته رضایت (X9-satis faction )X 9 است و متغیرهای مستقل امتیازات فاکتورها می باشند.

توالی کیلیک Spss ANALYZEREGRESSIONLINEAR است که به کادر دیالوگ که می توانید متغیرها را انتخاب کنید منتهی می شود.

باید X9 را بعنوان وابسته و fac2-1 .

fac1-1 را بعنوان مستقل انتخاب کنید.

چندین نوع تحلیل نیز وجود دارد که می توانید آنها را قسمت پایین کادر دیالوگ انتخاب نمایید.

ولی در اینجا از برنامه defawt استفاده می کنیم.

وقتی بر روی OK که در قسمت بالای سمت راست کادر دیالوگ است ، کیلیک می کنید،regression (رگرسیون) را اجرا خواهید نمود.

با نگاه کردن به برون داد از جدول متغیرهای وارد شده /خارج شده در می یابید هر دو امتیاز فاکتوری بعنوان متغیرهای مستقل و سطح رضایت به عنوان متغیر وابسته شده اند جدول خلاصه نشان میدهد که مجذور0/549 R- است جدول ANOVA حاکی از آن است که آن از نظر آماری در سطح ooo می باشد.

برای تعیین اینکه آیا یک یا هر دو متغیر امتیاز پیشگویی کننده مهمی از رضایت هستند باید جدول همبستگی را بررسی نماییم.

ستون ضریب همبستگی بتا حاکی از آن است