市場調(diào)查活動與預(yù)測復(fù)習(xí)大綱-資料下載頁
2025-04-27 12:36本頁面
【正文】 立時，處理所造成的各級間均值的差異應(yīng)為0，即：? μ1=μ2=………..=μk? 于是，組間變異將主要由隨機(jī)誤差構(gòu)成，即組間變異的值應(yīng)當(dāng)接近組內(nèi)變異。于是，組間變異將主要由隨機(jī)誤差構(gòu)成，即組間變異的值應(yīng)當(dāng)接近組內(nèi)變異。于是檢驗(yàn)統(tǒng)計(jì)量F應(yīng)當(dāng)不會太大，且接近1，否則F值將會偏離1，并且各組間的不一致程度越強(qiáng)，F(xiàn)值越大。5. 方差分析的應(yīng)用條件（掌握）? 觀察對象是來自所研究因素的各個水平之下的獨(dú)立隨機(jī)抽樣? 每個水平下的因變量應(yīng)當(dāng)服從正態(tài)分布? 各個水平下的總體具有相同的方差? 其實(shí)，與t檢驗(yàn)的應(yīng)用條件大同小異，概括起來就是獨(dú)立性、正態(tài)性和方差齊性6. 單因子方差分析步驟（掌握）第17章相關(guān)分析和回歸分析1. 相關(guān)的一些概念1（掌握）? 相關(guān)分析有一個顯著的特點(diǎn)是變量不分主次，被置于同等的地位。? 直線相關(guān)：這是最簡單的一種情況，兩變量呈線性共同增大，或者呈線性一增一減的情況。? 曲線相關(guān)：兩變量存在相關(guān)趨勢，但并非線性，而是呈各種可能的曲線趨勢。此時如果直接進(jìn)行直線相關(guān)分析，有可能得出無相關(guān)性的結(jié)論。（掌握）? 正相關(guān)與負(fù)相關(guān)：如果A變量增加時B變量也增加，則稱為正相關(guān)，如果A變量增加時B變量減少，則為負(fù)相關(guān)? 完全相關(guān)：兩變量的相關(guān)程度達(dá)到了親密無間的程度，當(dāng)?shù)弥狝變量的取值時，就可以準(zhǔn)確推算出B變量的取值。? 當(dāng)數(shù)據(jù)為有序變量或名義變量時，一般不考慮直線、曲線相關(guān)的問題，但正負(fù)相關(guān)和完全相關(guān)仍然適用 3. 簡單回歸分析（掌握）二元回歸的定義：二元回歸，也叫簡單回歸，是在一個定量因變量與一個定量自變量之間建立數(shù)學(xué)關(guān)系等式的方法。? 簡單回歸分析就是尋找因變量數(shù)值隨自變量變化而變化的直線趨勢，并在散點(diǎn)圖上找到這樣一條直線，相應(yīng)的方程也就被稱為直線回歸方程? 通過回歸方程解釋兩變量之間的關(guān)系會顯得更為精確，例如可以計(jì)算出大白鼠每進(jìn)食一個單位代乳粉體重平均增加的單位數(shù)量，這是相關(guān)分析無法做到的（掌握）? Regression analysis是分析定量因變量與一個或多個自變量之間相關(guān)關(guān)系的有效且易用的方法，適用于：? 確定自變量是否能夠解釋因變量的重要變差，即二者之間是否存在關(guān)系? 確定因變量中有多大比例的變異可以由自變量來解釋，即關(guān)系的強(qiáng)度有多大? 確定二者關(guān)系的形式，即自變量和因變量有關(guān)的數(shù)學(xué)方程式? 預(yù)測因變量的值? 在評估特定變量貢獻(xiàn)時，控制其他自變量的作用5. 簡單回歸的適用性（掌握）? 線性趨勢：自變量與因變量的關(guān)系是線性的，如果不是，則不能采用線性回歸來分析。這可以通過散點(diǎn)圖來判斷? 獨(dú)立性：自變量與因變量Y的取值相互獨(dú)立，之間沒有聯(lián)系。? 正態(tài)性：就自變量的任何一個線性組合，因變量Y均服從正態(tài)分布，反映到模型中，實(shí)際上就是要求殘差服從正態(tài)性? 方差齊性：就自變量的任何一個線性組合，因變量的Y的方差均相同。（掌握）.7. 多元回歸（掌握）多元回歸分析是研究因變量如何依賴兩個或兩個以上自變量的問題8. 多重共線性（掌握）? 多重共線性是指自變量間存在線性相關(guān)關(guān)系（高度相關(guān)），即一個自變量可以用其他一個或幾個自變量的線性表達(dá)式進(jìn)行表示。產(chǎn)生的問題是：? 偏回歸系數(shù)可能估計(jì)不準(zhǔn)備，標(biāo)準(zhǔn)誤很大? 偏回歸系數(shù)的大小和符號隨不同的樣本而有差異? 難以評估各個自變量在解釋因變量變異中的相對重要性?第18章判別分析1. 判別分析的基本概念（掌握）? 判別分析是一種數(shù)據(jù)分析技術(shù)，適用于標(biāo)準(zhǔn)變量或因變量為定類數(shù)據(jù)，預(yù)測變量或自變量為定距數(shù)據(jù)的情況1. 建立判別函數(shù)2. 考察組間差異是否顯著3. 判斷哪些預(yù)測變量對組間差異貢獻(xiàn)較大4. 預(yù)測變量的值將樣本分類5. 評估分類的準(zhǔn)確程度2 判別分析回歸分析方差分析的關(guān)系（掌握）（其他的了解）回歸分析確定最佳模型考慮的方面? 最佳多元回歸方程應(yīng)具有全面顯著性? 最佳多元回歸方程式與其他回歸式相比，包含較少的自變量? 在自變量個數(shù)不變的條件下，判定系數(shù)R2值為最大? 多加入其他自變量于回歸式中，不會增加R2值。? 每一個斜率系數(shù)均顯著或幾乎顯著第19章因子分析1. 主成分分析（掌握）? 主成分分析是考察多個變量間相關(guān)性的一種多元統(tǒng)計(jì)方法。它是研究如何通過少數(shù)幾個主分量來解釋多個變量間的內(nèi)部結(jié)構(gòu)。? 也就是說，從原始變量中導(dǎo)出少數(shù)幾個主分量，使它們盡可能多地保留原始變量的信息，且彼此間互不相關(guān)。（掌握）? Factor analysis是一組主要用于數(shù)據(jù)提煉的分析方法的統(tǒng)稱。? 是由Charles Spearman在1904年首次提出來的，并在其后半生一直致力于發(fā)展此理論，它被稱為因子分析之父因子分析常用于下列情況 （了解）（1） 識別解釋一組變量之間潛在維度或因子。例如，可以用一組有關(guān)生活方式的陳述句測量消費(fèi)者的心理特征，然后對這些陳述句進(jìn)行因子分析，找出主要心理測量因子。（2） 用一組數(shù)目較少的、相互獨(dú)立的因子替代原始變量，用于進(jìn)一步的多元分析(回歸或判別)。例如可以將心理測量因子作為自變量，解釋忠誠顧客與非忠誠顧客之間的差別。（3.）從一大組變量中找出數(shù)量較少的一組主要變量，用于進(jìn)一步的多元分析。例如可以選擇一組與已知因子高度相關(guān)的生活方式原始陳述句作為自變量，解釋忠誠顧客與非忠誠顧客之間的差別。3. 因子分析的用途(掌握)? 市場細(xì)分? 產(chǎn)口研究? 廣告研究? 價格研究4. 進(jìn)行因子分析的步驟（掌握）
教學(xué)教案相關(guān)推薦
鄂ICP備17016276號-1