классификация статистических методов

Статистические методы делятся на одно- и многомерные. Одномерные методы ( univariate techniques ) используются тогда, когда все элементы выборки оцениваются единым измерителем, либо если этих измерителей несколько для каждого элемента, но каждая переменная анализируется при этом отдельно ото всех остальных.

Многомерные методы (multivariate techniques) прекрасно подходят для анализа данных, если для оценки каждого элемента выборки используется два или больше измерителей, а эти переменные анализируются одновременно. Такие методы применяются для определения одновременных взаимосвязей между двумя или больше явлениями.

Многомерные методы отличаются от одномерных прежде всего тем, что при их использовании центр внимания смещается с уровней (средних показателей) и распределений (дисперсий) явлений и сосредотачивается на степени взаимосвязи (корреляции или ковариации) между этими явлениями. Оба этих вида статистических методов анализа подробно описаны в последующих главах, но сейчас мы покажем, как разные методы взаимосвязаны в общей схеме классификации.

Одномерные методы можно классифицировать на основе того, какие данные анализируются: метрические или неметрические. Метрические данные (metric data) измеряются по интервальной шкале или относительной шкале.

Неметрические данные (nonmetric data) оцениваются по номинальной или порядковой шкале

Затем эти методы делят на классы на основе того, сколько выборок — одна, две или более — анализируется в ходе исследований. Заметим, что число выборок определяется тем, как ведется работа с данными для конкретного анализа, а не тем, каким способом собирались данные. Например, данные по лицам мужского и женского пола можно получить в пределах одной ныбор-ки, но если их анализ нацелен на выявление разницы в восприятии, основанной на разнице полов, исследователю придется воспользоваться двумя разными методами выборки. Выборки считаются независимыми, если они выделены из разных генеральных совокупностей произвольно. Для анализа данные, относящиеся к разным группам респондентов, например собранные от лиц женского и мужского пола, обычно обрабатываются как независимые выборки.

С другой стороны, если данные по двум выборкам относятся к одной и той же группе респондентов, выборки считаются объединенными в пары.

Что касается метрических данных, то если существует только одна выборка, может использоваться z- и ^-критерий. Если же независимых выборок две или больше, в первом случае можно> воспользоваться z- и /-критерием для двух выборок, в во втором — методом однофакторного дисперсионного анализа. Для двух связанных выборок используется парный /-критерий. Если речь идет о неметрических данных по одной выборке, исследователь может воспользоваться критериями частотного распределения, хи-квадратом, критерием Колмогорова—Смирнова (K~S), критерием серий и биномиальным критерием. Для двух независимых выборок с неметрическими данными можно прибегнуть к следующим методам анализа: хи-квадрат, Манна—Уитни, медианы, К—С, однофакторным дисперсионным анализом Крускала—Уоллиса (ДА К—У). В отличие от этого, если существует две или больше взаимосвязанных выборок, следует воспользоваться критериями знаков, Мак-Немара и Уилкоксона (рис. 14.6).

Многомерные статистические методы можно разделить на методы зависимости и методы взаимозависимости (рис. 14.7).

Методы зависимости (dependence techniques) применяются в случаях, когда одна или больше переменных идентифицированы как зависимые, а остальные — как независимые.

Если есть только одна зависимая переменная, используются такие методы анализа, как кросс-табуляция, дисперсионный и ковариационный анализ, регрессионный анализ, двух-групповой. дискриминантный анализ и совместный анализ. Однако, если имеется больше одной зависимой переменной, следует воспользоваться многомерными методами анализа: дисперсионным и ковариационным, методом канонической корреляции и множественным дискриминантный анализом. При применении методов взаимозависимости (interdependent techniques) переменные не подразделяются на зависимые и независимые; напротив, исследуется весь набор взаимозависимых взаимосвязей.

Методы данного типа нацелены прежде всего на выявление взаимозависимости переменных либо межобъектного сходства. При исследовании взаимозависимости переменных чаще всего применяется факторный анализ. Анализ межобъектного сходства можно вести, используя методы кластерного анализа и многомерного шкалирования.

МЕЖДУНАРОДНЫЕ МАРКЕТИНГОВЫЕ ИССЛЕДОВАНИЯ

Прежде чем приступить к анализу данных, исследователь должен обеспечить сравнимость единиц измерения, используемых в разных странах или отдельных культурных образованиях. Возможно, ему придется откорректировать имеющиеся данные с тем, чтобы создать эквиваленты валют либо метрических мер. Кроме того, для проведения значимых сравнений и получения достоверных и состоятельных результатов нередко необходимо провести стандартизацию или нормализацию данных.

Анализ данных может выполняться на трех уровнях: индивидуальном; в пределах страны или культурного образования; в разных странах или культурных образованиях. Для анализа на индивидуальном уровне необходимо, чтобы данные по каждому респонденту анализировались отдельно. Так, например, можно вычислить коэффициент корреляции либо проанализировать каждого респондента с применением регрессионного анализа. Это означает, что для анализа на этом уровне необходимо получить от каждого респондента достаточное количество данных, что не всегда экономически целесообразно. Тут можно возразить, что при проведении международных маркетинговых исследований или исследований в разных культурных средах исследователь в любом случае должен обладать полноценными знаниями о потребителях, относящихся ко всем элементам разных культур. Этого лучше всего можно добиться, применяя анализ на и ндивидуалъном уровне.

При анализе в пределах одной страны или одного культурного образования данные по каждой стране или культурной единице анализируются отдельно. Такой анализ также называют интракультурным (intracultural analysis).

Данный уровень анализа очень напоминает анализ, который проводится при внутренних маркетинговых исследованиях. Цель его — определить взаимоотношения и структурные связи, существующие в каждой стране или культурной единице. При анализе результатов опроса в разных странах собранные данные анализируются одновременно. При использовании этого метода возможны два подхода. Первый заключается в том, что данные по всем респондентам, представляющим все исследуемые страны, объединяются и анализируются. Такой подход называют панкультуркым анализом (pan-cultural analysis).

Второй подход состоит в том, что данные группируются по каждой стране, и затем эти уже объединенные статистические данные анализируются. Так, например, можно рассчитать средние по переменным для каждой страны, а затем вычислить корреляции этих средних. Это называется межкультурным анализом (cross-cultural analysis).

Цель данного типа анализа заключается в оценке сравнимости выводов по разным странам. В данном случае нужно исследовать как сходства, так и различия между странами. При исследовании различий необходимо оценивать не только различия в средних показателях, но и различия в дисперсии и распределении. Все статистические методы, обсуждаемые в этой книге, могут применяться для анализа в пределах одной страны и для анализа, охватывающего несколько стран, а также, если можно получить необходимый объем данных, и для анализа на индивидуальном уровне.

ЭТИКА МАРКЕТИНГОВЫХ ИССЛЕДОВАНИЙ

Этические вопросы, возникающие на этапе подготовки данных к анализу и в процессе самого анализа в ходе проведения маркетинговых исследований, в первую очередь касаются исследователя. Проводя проверку, редактирование, кодирование, преобразование и очищение данных, исследователи должны составить представление по поводу качества данных. Следует попытаться выявить респондентов, которые предоставили данные сомнительного качества. Рассмотрим, например, следующий случай: респондент помечает вариант "7" по всем 20 пунктам, предложенным при исследовании отношения людей к зрелищным видам спорта, по семибалльной шкале Лайкерта. Очевидно, что данный респондент не осознавал, что некоторые его утверждения были при этом позитивными, а некоторые — негативными. Таким образом, он указывает на свое весьма положительное отношение к зрелищным видам спорта по всем позитивным элементам и на резко отрицательное — по всем противоположным утверждениям. В данном случае решение отбраковать ответы данного респондента, т.е. не включать их в анализ, может быть связано с определенными морально-этическими проблемами. Для подобных ситуаций существует весьма полезное эмпирическое правило: принимать такие решения следует на этапе подготовки данных, еше до перехода на стадию анализа.

Представим противоположную ситуацию: предположим, что исследователь провел анализ данного рода, не попытавшись сначала выявить всех респондентов, предоставивших ответы неудовлетворительного качества. Данный анализ, однако, не выявил ожидаемых взаимосвязей, т.е. он не показал, что отношение к зрелищным видам спорта влияет на посещаемость спортзалов и стадионов зрителями. После этого исследователь принимает решение исследовать качество полученных данных. При проверке анкет выявлено несколько респондентов, ответы которых неудовлетворительного качества. Кроме упомянутого выше типа неудовлетворительных ответов были также другие сомнительные варианты. Например, некоторые респонденты пометили все ответы по всем 20 элементам оценки зрелищных видов спорта как "4", т.е. выбрали вариант "не согласен, но и не против". После отсеивания ответов всех таких респондентов из анализа оставшийся набор данных анализировали и получили ожидаемый результат, свидетельствующий о том, что положительное отношение к зрелищным видам спорта увеличивает посещаемость соответствующих заведений.

Отбраковка респондентов после анализа данных связана с определенными этическими проблемами, особенно если в отчете нет явного свидетельства о том, что первоначальный анализ неокончателен. Более того, необходимо дать точное определение процедуры, использованной для выявления неудовлетворительных респондентов, и точно указать количество отбракованных респондентов, как это описано в приведенном ниже примере.

В ходе анализа данных исследователю также нередко приходится сталкиваться с вопросами этического характера. Предположения, лежащие в основе статистических методов, используемых для анализа данных, должны удовлетворять одному условию: быть достаточными для получения значимых результатов. Любое отклонение от этих предположений необходимо всесторонне исследовать и определить, насколько подходит выбранный метод для анализа имеющихся данных. На маркетологе лежит определенная ответственность: он должен уметь объяснить, почему для анализа использовал тот или иной метод. Если это не делается, могут возникнуть вопросы этического характера. Кроме того, недопустимы какие-либо преднамеренные либо умышленные искажения методов или результатов исследования. Этические проблемы могут возникнуть и в ходе интерпретации результатов, составления заключений, рекомендаций и в процессе реализации выводов. Несомненно, интерпретация, заключения, рекомендации и реализация выводов обязательно подразумевают определенную степень субъективности, однако любая оценка должна быть честной, свободной от какой-либо личной необъективности и предвзятости исследователя или клиента.