Kafe-sviaz.ru

Финансовый журнал
12 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Корреляционный анализ в маркетинге

Статистический анализ в маркетинге. Расчет аналитических индексов. Корреляционный и регрессионный анализ.

Анализ данных начинается с перевода «сырых» (полученных) данных в осмысленную информацию и включает их введение в компьютер, проверку на предмет ошибок, кодирование, представление в матричной форме.

Далее проводится статистический анализ. Существуют качественные (Метод Дельфи, сценарного развития, т.е. метод сценариев) и количественные (экстраполяция трендов, корреляционный и регрессионный анализы) методы прогнозирования для проведения статистического анализа.

Корреляционный анализ— это количественный метод определения тесноты и направления взаимосвязи между выборочными переменными (расчет корреляций)

Регрессионный анализ— это количественный метод определения вида математической функции в причинно-следственной зависимости между переменными величинами. (расчет регрессий)

Они используются для установления взаимосвязей между группами переменных, описывающих маркетинговую деятельность.

Задачи:Корреляционный анализпозволяет оценить силу такой связи, а методами регрессионного анализаможно выбрать конкретную математическую модель и оценить ее адекватность.

Парная корреляция изучает взаимосвязи между двумя случайными величинами, множественная – между большим числом величин.

Проблемы применения данных методов.Но действие корреляции и регрессии затруднено в связи с:

— сложностью объекта изучения, нелинейностью маркетинговых процессов, временными лагами;

— сложностью измерения маркетинговых переменных. Трудно измерить реакцию потребителей на определенные стимулы, например, рекламу;

— неустойчивостью маркетинговых взаимосвязей, обусловленной изменениями вкусов, привычек, оценок и др.

— В условиях глубоких и быстрых изменений внешней среды математическая модель не в состоянии предсказать влияние изменения, которое изначально не было в ней учтено. Математическая модель не способна к импровизации и не может приспособиться к изменениям внешней среды.

Последовательность расчета корреляционного анализа (только для ознакомления)

Пусть – выборка объема из n – наблюдений случайной величины, имеющей двумерное нормальное распределение. Изображая элементы выборки точками в декартовой системе координат, получаем диаграмму рассеивания или корреляционное поле. Иногда по виду корреляционного поля можно сделать предположение о наличии и характере связи между случайными величинами.

Корреляционная связь между признаками может быть линейной и нелинейной, положительной и отрицательной.

Для измерения тесноты связи применяется несколько показателей, например, коэффициент корреляции (r)– мера линейной зависимости двух случайных величин.

Выборочным коэффициентом корреляции Пирсона называется число, равное произведению моментов.

· Если между переменными существует сильная положительная связь, то значение r будет близко к +1.

· Если между переменными существует сильная отрицательная связь, то значение r будет близко к –1.

· Когда между переменными нет линейной связи или она очень слабая, значение r будет близко к 0.

Для оценки силы связи в теории корреляции применяется шкала английского статистика Чеддока: слабая — от 0,1 до 0,3; умеренная — от 0,3 до 0,5; заметная — от 0,5 до 0,7; высокая — от 0,7 до 0,9; весьма высокая (сильная) — от 0,9 до 1,0.

Парная корреляция отвечает на такие вопросы, как (практическое применение):

· Насколько сильно связан спрос с расходами на рекламу?

· Связано ли восприятие качества товаров потребителями с их восприятием цены?

· Частная же корреляция — на:

· Если брать зависимость спроса от затрат на рекламу, то существует ли влияние ценового фактора.

· А при изучении влияния качества и цены, существует ли эффект торговой марки.

· Частная корреляция может быть полезна для выявления ложных связей.

Последовательность расчетарегрессионногоанализа(только для ознакомления)

Часто требуется определить, как зависит наблюдаемая случайная величина от одной или нескольких других величин.

Наблюдаются значения двумерной случайной величины. Исследуется зависимость случайной величины от случайной величины.

В общем случае регрессионная модель имеет вид: y=f(x, β0, β1, …,βk)

Параметры бета называются коэффициентами регрессии.

Для оценки этих самых коэффициентов применяют метод наименьших квадратов.В качестве оценок, принимаются такие значения параметров, которые минимизируют сумму квадратов отклонений наблюдаемых значений. (Линия регрессии)

Необходимым условием минимума функции двух переменных и является равенство ее частных производных по и нулю.

Практического использования линейного регрессионного анализа.
Руководитель маркетинговой службы применил его для построения математической модели рынка определенного товара. Требуется выявить факторы (показатели), оказывающие наибольшее влияние на объем продаж подъемников, найти зависимость объема продаж от этих факторов и использовать эту зависимость для прогнозирования объема продаж.

Дата добавления: 2018-04-15 ; просмотров: 248 ;

Корреляционно-регрессионный анализ в системе маркетинговых исследований

Корреляция и регрессия как методы входящие в группу экономико-математических методов, используемые при проведении маркетинговых исследований. Примеры применения на практике регрессивного анализа и корреляции.

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Женский Институт ЭНВИЛА

по курсу «Маркетинговые исследования»

на тему «Корреляционно-регрессионный анализ в системе маркетинговых исследований»

1. Общие положения

2. Корреляция (понятия, методика, экономический смысл)

3. Регрессия (понятия, методика, экономический смысл)

Корреляция и регрессия — это методы входящие в группу экономико-математических методов, используемых при проведении маркетинговых исследований. Они используются для установления взаимосвязей между группами переменных, описывающих маркетинговую деятельность.

Но действие корреляции и регрессии затруднено в связи с:

— сложностью объекта изучения, нелинейностью маркетинговых процессов, временными лагами;

— сложностью измерения маркетинговых переменных. Трудно измерить реакцию потребителей на определенные стимулы, например рекламу;

— неустойчивостью маркетинговых взаимосвязей, обусловленной изменениями вкусов, привычек, оценок и др.

В условиях глубоких и быстрых изменений внешней среды математическая модель не в состоянии предсказать влияние изменения, которое изначально не было в ней учтено. Математическая модель не способна к импровизации и не может приспособиться к изменениям внешней среды.

Расчет корреляций и расчет регрессий — это два последовательных этапа одного и того же анализа данных, который в маркетинге принято называть корреляционно-регрессионным анализом. Они выполняются в аналитическом режиме, который предназначен, в первую очередь, для обеспечения последовательного режима правильной постановкой задачи и наиболее подходящей выборкой из имеющихся данных. Исследователь, применяющий корреляционно-регрессионный анализ, отбирает наиболее адекватные и представительные территории, периоды времени, объекты исследования, виды факторов и т.д. Аналитический режим имеет заданный «вход» — исходную постановку задачи и выборку из данных — и «выход» — фильтрованную постановку задачи и выборку. В остальном он не ограничивает методику анализа.

Читать еще:  Анализ текучести кадров на предприятии

1.Корреляция используется для качественного анализа: отбора (скрининга) взаимосвязанных факторов, и выделения той части выборки, на которой теснота связи максимальна. Затем для отобранных факторов и подвыборки проводится количественный анализ: строятся регрессионные функции взаимосвязи. Они могут использоваться в информационном конвейере. Информационный конвейер образует последовательность программных блоков: качество — аналог — количество — риск — цена — спрос. Каждый блок рассчитывает соответствующую группу характеристик на основе информации, получаемой с предыдущего этапа расчета или из баз данных. Результат передается следующему блоку, или же тот подключается напрямую к базе данных.

Область применимости полученных регрессионных функций устанавливается с помощью кластерного анализа или с применением генетических алгоритмов определения области экстраполяции.

Кластерный анализ — разбиение выборки на группы (кластеры). Кластеры должны быть компактными, иначе говоря, расстояние между разными кластерами должно быть больше, чем среднее расстояние между точками внутри одного и того же кластера.

Генетические алгоритмы осуществляют поиск оптимума сразу несколькими вариантами комбинаций параметров. Процесс поиска включает три основных этапа, повторяемых в цикле:

-эволюция — сдвиг варианта в направлении ожидаемого оптимума с использованием, вообще говоря, как производных критерия по параметрам, так и стохастических «скачков»;

-отсеивание «неудачливых» вариантов;

-скрещивание «удачливых» вариантов: порождение вариантов — «потомков», сочетающих удачные значения параметров «родителей».

Название «генетические алгоритмы» связано с тем, что они воспроизводят современные представления о естественном отборе: скрещивание генотипов — определение удачности порожденных фенотипов — отсев неудачников из набора партнеров для следующего скрещивания.

В качестве коррелируемых факторов выбираются данные в координатных интервалах одного или двух блоков. Для каждой пары факторов рассчитывается обычный коэффициент корреляции. При этом суммирование производится по переменным развертки. Переменная развертки переменная, играющая роль оси, вдоль которой развертываются данные, например, абсцисса на графике. Одновременно играет роль генератора статистики: в ней производится суммирование данных при вычислении статистических показателей: коэффициента корреляции, коэффициентов регрессии и др. Обычно это пространство и/или время. Таким образом, корреляция отражает пространственно-временную синхронность между, скажем, повышением конкурентоспособности и качества продукции и повышением спроса на него.

Если маркетолога интересует связь между двумя метрическими переменными, то используется парная корреляция. Данная корреляция характеризуется коэффициентом корреляции Пирсона. Частный коэффициент корреляции — мера зависимости между двумя переменными после корректировки эффектов переменных. Коэффициент корреляции изменяется от -1 до +1. Абсолютная величина коэффициента характеризует тесноту связи, а знак указывает на ее направление.

Парная корреляция отвечает на такие вопросы, как, например:

— Насколько сильно связан спрос с расходами на рекламу?

— Связано ли восприятие качества товаров потребителями с их восприятием цены?

Частная же корреляция — на:

— Если брать зависимость спроса от затрат на рекламу, то существует ли влияние ценового фактора.

— А при изучении влияния качества и цены, существует ли эффект торговой марки.

Частная корреляция может быть полезна для выявления ложных связей.

Ни с одним из этих видов корреляции не возникает проблем, если данные измерены с помощью интервальной или относительной шкал. Но есть и неметрические переменные, которые нельзя измерить с помощью интервальной или относительной шкалы и они не подчиняются закону нормального распределения. В этих случаях используются коэффициенты Спирмена и ранговая корреляция Кендала, а сама корреляция называется неметрической. Различие этих коэффициентов в том, что коэффициент ранговой корреляции Кендала используется, когда большая часть наблюдений попадает в относительно немногочисленные категории, а коэффициент ранговой корреляции Спирмена наоборот, — когда существует множество категорий.

Пример использования корреляционного анализа на практике:

Маркетологи, занимающиеся изучением отношения потребителей к торговым маркам, обнаружили, что для таких товаров, которые продаются с минимальным участием продавцов, отношение покупателя к рекламе служит промежуточным звеном между распознаванием брэнда и отношением к нему. Они сделали попытку узнать, что будет с этой промежуточной переменной, если товары покупаются через компьютерную сеть. Одна из компаний в Венгрии исследовала воздействие на покупки непосредственно рекламы. Маркетологи провели опрос, в ходе которого измерялись различные показатели. После этого необходимо было вычислить частный коэффициент корреляции между отношением к брэнду и доверием к нему с одновременным исключением влияния отношения к рекламе. Данный корреляционный анализ показал, что отношение к рекламе действительно высокозначимое и влияет на покупки потребителей, т.к. частный коэффициент корреляции был значительно меньше, чем парный коэффициент между доверием к брэнду и отношением к нему.

2. Регрессионный анализ — это метод установления формы и изучения связей между метрической зависимой переменной и одной или несколькими независимыми переменными.

Регрессионный анализ используют в тех случаях, когда:

— необходимо установить, реально ли есть взаимосвязь между переменными;

— необходимо установит тесноту связи зависимых и независимых переменных;

— нужно определить форму связи;

— нужно предсказать значение зависимой переменной;

— необходимо осуществлять контроль над независимыми переменными при определении вкладов конкретной переменной.

Для проведения регрессионного анализа необходимо следующее:

-Выбор одного блока, из которого берется координатный интервал, чьи данные дают зависимую переменную регрессии.

-Выбор одного или нескольких блоков, из которых аналогично берутся факторы в качестве независимых переменных регрессии. При этом необходимо, чтобы блок, дающий зависимую переменную, и все блоки, дающие независимые переменные, имели какие-либо общие координаты (обычно пространство и время), которые служат переменными развертки и дают точки, по которым проводится регрессионная кривая или поверхность.

-Выбор типа и «степени» функций от независимых переменных, которые включаются в регрессию.

-Задание координатных интервалов переменных сравнения, внутри которых регрессионная функция не должна значимо изменяться.

-Определяется точность предсказания. Для этого находится стандартная ошибка оценки регрессии.

Регрессия проводится последовательно с увеличением числа независимых переменных и степени регрессионной функции. При этом общесистемным оптимизатором находится минимум среднеквадратичного отклонения точек данных от регрессионной кривой.

Для регрессионной кривой вычисляются характеристики неопределенности — показатели тесноты регрессии: кривые доверительного интервала и коэффициент детерминации. Последний может вычисляться сразу для всех комбинаций «зависимая переменная — независимая переменная».

Читать еще:  Кластерный анализ в statistica

Как и корреляция, регрессия рассчитывается для фиксированных координатных интервалов каждой переменной сравнения. Проверяется устойчивость регрессии к смене координатного интервала на том же уровне иерархии.

Так же как и корреляционный анализ, регрессионный имеет свои особенности и направленности.

Для установления математической зависимости между двумя метрическими переменными — зависимой и независимой используется парная регрессия. Множественная регрессия используется для определения математической зависимости между двумя или больше независимыми переменными и зависимой переменной, выраженной с помощью интервальной или относительной шкал. Силу тесноты связи в данном случае измеряют с помощью коэффициента множественной детерминации (аналогично, как и при корреляции). При пошаговой регрессии независимые переменные вводят и выводят из уравнения регрессии один за другим, чтобы выбрать меньшее их количество, которое объясняет большую часть вариации.

Парная регрессия отвечает на такие вопросы как:

— Какова зависимость между зависимыми переменными и независимыми?

— Зависит ли вариация объемов рынка от численности торгового персонала?

Множественная регрессия дает ответы на вопросы:

— Объясняется ли спрос на продукт с точки зрения цен, количества конкурентов и посредников на рынке?

— Зависит ли доля рынка от расходов на PR-акции, рекламу и бюджета на промоакции?

— Зависит ли спрос от проведения бенчмаркинга, ценовой политики конкурентов и т.д.

Пример регрессионного анализа:

Ошеломительным примером такого анализа является пример компании Sun Microsystems, которая обошла по продажам компанию IBM. Взяв за основу регрессионный анализ конкурентных преимуществ, компания стала лидером на рынке технологий. Регрессионный анализ проводился следующим образом: было взято три набора независимых переменных: численность специалистов в компании конкурента, расходы на рекламу и расходы на разработки. И все они использовались только благодаря проведенному ранее бенмаркингу. Зависимой переменной являлся объем сбыта. Проведение данного анализа показало, что именно из-за численности персонала страдала компания Sun Microsystems и была в лидерах IBM. Из-за большей численности персонала в компании Sun Microsystems возникала разобщенность на профессиональном уровне, и зачастую не было единого мнения по внедрению того или иного продукта, деньги на разработки выделялись, но большинство из разработок так и оставались разработками и не внедрялись. Напротив, в IBM менее крупной по численности компании разработки быстро уходили на рынок и скупались практически сразу. По итогам анализа, Sun Microsystems не решилась сокращать персонал, боясь утечки информации, а разделилась на филиалы и тем самым увеличила свои продажи, и 3 года находилась на пике в лидерах.

1. Голубков Е. П. Маркетинговые исследования: теория, методология и практика: Учебник. — 3-е изд., перераб. и доп. — М.: Издательство «Финпресс», 2003. — 496 с.

2. Малхотра, Нэреш К. Маркетинговые исследования. Практическое руководство, 4-е изд.: Пер. с англ. — М.: ООО «И.Д. Вильямс», 2007. — 1200 с.

Популярные группы

Корреляция данных

Согласно ежегодному глобальному исследованию Experian, основные вызовы, с которыми сталкивается цифровой маркетинг, — это связывание данных, технологии и организационная структура компании

Компания Experian опубликовала отчет по результатам исследования Global Marketer Report 2015. В рамках исследования было опрошено свыше 1 000 маркетологов из разных стран мира с целью выявления факторов, которые представляют собой наиболее благоприятные возможности и наиболее сложные проблемы в сфере маркетинга. Основным препятствием для успешного межканального маркетинга была названа корреляция данных – этот фактор по важности переместился с четвертого места в 2014 г. на первое в 2015 г.

Как отмечают 89% маркетологов, им трудно обеспечить целостное видение клиента, а треть опрошенных (32%) считают основным препятствием для создания по-настоящему межканальной маркетинговой стратегии недостаточно эффективный процесс корреляции данных.

По мнению маркетологов, самая большая сложность для достижения целостного видения клиента:

плохое качество данных (отмечено 43% маркетологов) разрозненность соответствующих подразделений (39%) неспособность связать воедино различные технологии (37%)

Исследование установило, что 91% компаний используют данные для максимального повышения удовлетворенности клиента качеством обслуживания. Однако лишь 28% создают на основании своих данных управляемые сообщения в режиме реального времени, передаваемые по нескольким каналам.

В ходе опроса маркетологи выделили несколько существенных препятствий для внедрения полностью интегрированного межканального маркетинга:

отсутствие целостного видения клиента (32%) технологии, существующие в компаниях на данный момент (31%) организационная структура бизнеса (31%)

Основные трудности для маркетологов по всему миру во многом схожи, однако приоритеты и препятствия несколько различаются по регионам.

Великобритания. Основными проблемами признаны целостное видение клиента и корреляция данных: почти две пятых (37%) британских респондентов заявили, что это их основные проблемы, более значимые, чем организационная структура (33%) и существующие технологии компании (32%). Британские маркетологи более склонны считать, что понимают поведение клиента и имеют четкую «дорожную карту» для внедрения успешной межканальной коммуникации (только 21% и 20%, соответственно, рассматривают указанные выше моменты как проблемные) по сравнению со среднемировой оценкой каждого из них на уровне 25%.

Европа. Здесь ситуация очень отличается от британской. В Испании только 17% респондентов отметили корреляцию данных как важную проблему. Вместо этого основным препятствием были признаны существующие технологии компании. Значительная часть (42%) опрошенных согласились с тем, что технологии сдерживают их развитие. С испанцами согласны французские маркетологи, которые также более уверенно себя чувствуют в области связывания данных – это является препятствием лишь для 24% опрошенных. Для французских респондентов наиболее актуальной проблемой являются технологии (38%).

Северная Америка. В Северной Америке основной проблемой, согласно опросу, является организационная структура: ее отметили как приоритетную 38% респондентов. Кроме того, опрашиваемые чаще, чем в среднем по всему миру, заявляли об отсутствии у них дорожной карты для достижения успеха (26%).

Азия. В Японии маркетологи более уверены в своих технологиях: всего 9% отметили это как проблему. И наоборот, 44% испытывают трудности со

связыванием данных для обеспечения целостного видения клиента. Респонденты из Австралии и Новой Зеландии указывают, что технологии являются единственной серьезной проблемой для их стратегии межканальной коммуникации (35%).

Читать еще:  Факторный анализ эффективности использования основных фондов

«Обеспечение целостного видения клиента – это ключевой шаг в нужном направлении, однако полностью оптимизированное и последовательное межканальное взаимодействие по-прежнему остается «Священным Граалем» – заветной труднодостижимой целью для маркетологов по всему миру. Углубленный процесс, необходимый для создания стратегии, содержит ряд препятствий и требует решения некоторых дополнительных проблем, – говорит Наталия Фролова, директор по маркетингу Experian, Россия и СНГ. – Необходимы совместные усилия всех подразделений в масштабе компании для более глубокого понимания клиентов, которое позволило бы планировать стратегию взаимоотношений, уникально созвучную каждому клиенту в каждой точке взаимодействия».

Обработка данных маркетингового исследования с помощью корреляционного анализа

Понятие корреляционного анализа и его место в обработке данных маркетингового исследования

Корреляция – это мера зависимости переменных.

Корреляционный анализ – это метод обработки статистических данных, позволяющий обнаружить зависимость между несколькими случайными переменными.

Иначе говоря, корреляционный анализ может быть определен качестве количественного метода определения направления и тесноты взаимосвязи между выборочными переменными величинами. Практическим результатом его проведения выступает определение корреляции. Корреляция, в свою очередь, характеризуется тремя направлениями. В общем виде они представлены на рисунке 1.

Рисунок 1. Характер связи между переменными. Автор24 — интернет-биржа студенческих работ

Как видно из рисунка 1, корреляция по форме своей может быть линейной и нелинейной. В зависимости от правления выделяют прямую и обратную корреляцию. Наконец, сила корреляции измеряется в пределах от –1 до +1. Фактическая корреляция определяется при помощи соответствующего коэффициента. Его расчет и оценка как раз-таки и представляют собой корреляционный анализ.

Попробуй обратиться за помощью к преподавателям

Корреляционный анализ, хоть и относится к методам математической статистики, но все же находит свое применение в различных отраслях наук. Не является исключением и маркетинг. Часто методика корреляционного анализа применяется при обработке результатов маркетинговых исследований. По сути, корреляционный анализ является одним из логических этапов обработки данных практически любого маркетингового исследования. В то же время корреляционный анализ используется наряду с факторным и дисперсионным анализом для проверки выдвинутых исследовательских гипотез.

В рамках обработки данных маркетингового исследования корреляционный анализ призван решать следующие задачи:

  • определение формы связи между показателями маркетингового исследования.
  • измерение тесноты связи между показателями маркетингового исследования.

Решение первой задачи предполагает необходимость установления математической формы связи, в которой она может быть выражена. Правильный выбор формы связи оказывает прямое влияние на конечный результат изучения взаимосвязи между признаками. Вторая задача связана с необходимостью определения меры связи между признаками в целях установления степени влияния фактора на конечный результат. Решение данной задачи обеспечивается за счет математического определения параметров корреляционного уравнения, после чего при помощи специальных показателей производится оценка и анализ полученных результатов, а также проводится проверка существенности связи между изучаемыми признаками.

Задай вопрос специалистам и получи
ответ уже через 15 минут!

В целом справедливо говорить о том, что проведение корреляционного анализа позволяет произвести количественную оценку степени согласованности различных переменных. Наличие корреляции между двумя показателями означает, что при изменении одного результата второй также изменится (в большую или меньшую сторону).

Основы обработки данных маркетингового исследования с использованием корреляционного анализа

Корреляционный анализ, проводимый в рамках обработки результатов маркетингового исследования, предполагает необходимость расчета коэффициента корреляции. С его помощью определяется степень тесноты линейной связи между двумя переменными. Рассчитывается данный показатель как отношение ковариации этих переменных к произведению их средних квадратических отклонений.

Коэффициент корреляции отражает корреляцию, т.е. связь между данными маркетингового исследования. Эта связь является линейной и по своему характеру условно подразделяется на два основных вида:

  • положительная линейная корреляция;
  • обратная линейная корреляция.

Прямая связь между показателями предполагает, что обе переменные изменяются (возрастают или убывают) пропорционально друг другу. Обратная же связь означает, что возрастание одного показателя сопровождается убыванием другого показателя и наоборот. В том случае, если связи между показателями нет, то нет и коэффициента корреляции.

Таким образом, значение коэффициента корреляции может изменяться в пределах от +1 до –1, то есть он может иметь положительный или отрицательный знак. Также коэффициент корреляции может быть равен 0. Рассмотрим, что же означают те или иные его значения более подробно.

В том случае, если значение коэффициента корреляции меньше 0, справедливо говорить о том, что переменные характеризуются строгой отрицательной зависимостью. Соответственно, чем выше значение одного показателя, тем ниже значение другого. Если же переменные характеризуются строгой положительной зависимостью (чем выше значение одного показателя, тем выше значение другого показателя), то значение коэффициента корреляции будет принимать положительную величину. В том же случае, когда значение коэффициента корреляции достигнет нулевой отметки, справедливо говорить об отсутствии связи между переменными.

Также при обработке данных маркетингового исследования посредством проведения корреляционного анализа определяется вид связи между переменными. По своему виду эта связь может быть:

  • прямой причинно-следственной, когда переменная Х определяет значение переменной У;
  • обратной причинно-следственной, когда переменная У определяет значение переменной Х;
  • вызванной третьей (скрытой) переменной;
  • вызванной несколькими скрытыми переменными;
  • случайностью наблюдаемой зависимости, когда связь фактически отсутствует.

Таким образом, связь между данными маркетингового исследования, если таковая вообще есть, может быть простой или множественной (рисунок 2).

Рисунок 2. Пример простой и множественной взаимосвязи переменных при корреляционном анализе. Автор24 — интернет-биржа студенческих работ

Сегодня для проведения корреляционного анализа в рамках обработки данных маркетингового исследования достаточно средств Microsoft Excel. Обычно для этого используются специальные график рассеяния. Дополняется корреляционный анализ проведением регрессионного анализа.

Корреляционно-регрессионный анализ проводится в несколько этапов. Сначала производится сбор данных. Далее рассчитывается и анализируется коэффициент корреляции. Затем производится расчет параметров, и строятся регрессионные модели, т.е. определяется статистическая значимость. Если полученная модель является статистически значимой, она может быть использована для дальнейшего прогнозирования, управления и/или объяснения.

Так и не нашли ответ
на свой вопрос?

Просто напиши с чем тебе
нужна помощь

Ссылка на основную публикацию
Adblock
detector