【正文】 . 9 9 9 . 0 0 9 2 . 0 0 1 1 3 . 3 1 3 1 . 5 7 51 1 . 9 6 9 1 . 9 9 8 . 0 0 1 2 . 0 0 2 1 2 . 3 5 8 1 . 4 4 21 1 . 3 9 1 1 . 9 6 3 . 7 3 6 2 . 0 3 7 7 . 2 6 9 . 6 2 32 2 . 6 1 8 1 . 9 8 9 . 2 4 9 1 . 0 1 1 9 . 3 3 6 1 . 5 7 52 2 . 7 6 0 1 . 9 9 5 . 0 9 4 1 . 0 0 5 1 0 . 5 5 0 1 . 7 6 72 2 . 1 3 1 1 . 7 2 1 2 . 2 8 1 1 . 2 7 9 4 . 1 7 7 . 5 6 32 2 . 5 7 2 1 1 . 0 0 0 . 3 1 9 1 . 0 0 0 1 6 . 9 6 2 2 . 6 3 82 2 . 0 8 0 1 1 . 0 0 0 3 . 0 6 4 1 . 0 0 0 2 8 . 1 3 6 3 . 8 2 3u n g r o u p e d 2 . 3 8 7 1 . 9 6 2 . 7 4 8 1 . 0 3 8 7 . 2 3 0 1 . 2 0 8u n g r o u p e d 1 . 6 4 8 1 . 9 9 1 . 2 0 8 2 . 0 0 9 9 . 5 9 5 1 . 0 2 4u n g r o u p e d 2 . 7 9 9 1 . 9 9 6 . 0 6 5 1 . 0 0 4 1 0 . 8 8 5 1 . 8 1 81 1 . 6 6 3 3 1 . 0 0 0 1 . 5 8 4 2 . 0 0 0 1 8 . 1 8 91 1 . 8 0 0 3 . 9 6 1 1 . 0 0 6 2 . 0 3 9 7 . 3 9 81 1 . 1 7 8 3 1 . 0 0 0 4 . 9 1 0 2 . 0 0 0 3 1 . 8 0 01 1 . 2 4 7 3 . 9 6 4 4 . 1 4 2 2 . 0 3 6 1 0 . 7 2 41 2 ** . 0 0 0 3 . 9 7 4 8 5 . 9 3 4 1 . 0 2 6 9 3 . 1 9 41 1 . 8 6 2 3 . 9 9 6 . 7 4 8 2 . 0 0 4 1 1 . 6 5 51 1 . 6 4 6 3 . 9 4 5 1 . 6 6 0 2 . 0 5 5 7 . 3 6 22 2 . 9 3 4 3 . 9 8 4 . 4 2 8 1 . 0 1 6 8 . 6 9 82 2 . 0 6 2 3 . 9 4 6 7 . 3 2 0 1 . 0 5 4 1 3 . 0 4 22 1 ** . 0 9 1 3 1 . 0 0 0 6 . 4 5 7 2 . 0 0 0 2 1 . 7 9 02 2 . 5 7 4 3 1 . 0 0 0 1 . 9 9 4 1 . 0 0 0 1 7 . 4 2 82 2 . 0 2 7 3 1 . 0 0 0 9 . 2 0 8 1 . 0 0 0 4 5 . 5 3 9C a s e N u m b e r123456789101112131415123456789101112O r i g i n a lC r o s s v a l i d a t e daA c t u a l G r o u pP r e d i c t e dG r o u p p dfP ( D d | G = g )P ( G = g | D = d )S q u a r e dM a h a l a n o b i sD i s t a n c e t oC e n t r o i dH i g h e s t G r o u pG r o u p P ( G = g | D = d )S q u a r e dM a h a l a n o b i sD i s t a n c e t oC e n t r o i dS e c o n d H i g h e s t G r o u pF u n c t i o n 1D i s c r i m i n a n tS c o r e sF o r t h e o r i g i n a l d a t a , s q u a r e d M a h a l a n o b i s d i s t a n c e i s b a s e d o n c a n o n i c a l f u n c t i o n s .F o r t h e c r o s s v a l i d a t e d d a t a , s q u a r e d M a h a l a n o b i s d i s t a n c e i s b a s e d o n o b s e r v a t i o n s .M i s c l a s s i f i e d c a s e* * . C r o s s v a l i d a t i o n i s d o n e o n l y f o r t h o s e c a s e s i n t h e a n a l y s i s . I n c r o s s v a l i d a t i o n , e a c h c a s e i s c l a s s i f i e d b y t h e f u n c t i o n s d e r i v e d f r o m a l l c a s e s o t h e r t h a n t h a tc a s e .a . 表中最大概率組一欄是判別分析得出的組別。 第三節(jié) 聚 類 分 析 一、聚類分析的基本思想 聚類分析 (又稱數(shù)字分類學(xué) )是新近發(fā)展起來的一種研究分類問題的多元統(tǒng)計(jì)分析方法。在聚類分析中，根據(jù)分類對(duì)象的不同可分為樣品聚類 (Q型聚類 )和變量聚類（ R型聚類）兩種。變量聚類則是當(dāng)反映事物特點(diǎn)的變量很多時(shí)，根據(jù)所研究的問題選擇部分變量對(duì)事物的某一方面進(jìn)行研究的聚類方法。 五、實(shí)例分析 某家具公司為了對(duì)市場(chǎng)進(jìn)行的細(xì)分，對(duì)購買家具的顧客進(jìn)行了一次市場(chǎng)調(diào)查。調(diào)查樣本為 30人。它通過研究眾多變量之間的內(nèi)部依賴關(guān)系，探求觀測(cè)數(shù)據(jù)中的基本結(jié)構(gòu)，并用少數(shù)幾個(gè)假想變量來表示基本的數(shù)據(jù)結(jié)果。它們反映了原來眾多的觀測(cè)變量所代表的主要信息，并能解釋這些觀測(cè)變量之間的相互依存關(guān)系。請(qǐng) 10位消費(fèi)者對(duì)這五種肉類進(jìn)行評(píng)分。調(diào)查結(jié)果列于下表。 R o t a t e d C o m p o n e n t M a t r i xa. 7 9 1 . 7 3 6 . 3 9 3 . 6 4 9 . 2 1 1 . 1 8 4 . 7 6 1. 1 2 7 . 7 1 5雞魚牛肉豬肉羊肉1 2C o m p o n e n tE x t r a c t i o n M e t h o d : P r i n c i p a l C o m p o n e n t A n a l y s i s . R o t a t i o n M e t h o d : V a r i m a x w i t h K a i s e r N o r m a l i z a t i o n .R o t a t i o n c o n v e r g e d i n 3 i t e r a t i o n s .a . 上表是 。從表中的數(shù)據(jù)來看，雞、魚、牛肉在第一公共因子的因子載荷值較高，而在第二公共因子的因子載荷值較低，故第一公共因子反映雞、魚、牛肉的公共特性。而羊肉、豬肉在第二公共因子的因子載荷值較高，在第一公共因子的因子載荷值較低，這說明第二公共因子反映羊肉、豬肉的公共特性，第二公共因子可能代表價(jià)格。 第五節(jié) 對(duì) 應(yīng) 分 析 一、對(duì)應(yīng)分析的基本思想 對(duì)應(yīng)分析，又稱為相應(yīng)分析，是在 R型和 Q型因子分析基礎(chǔ)上發(fā)展起來的一種多元相依的變量統(tǒng)計(jì)分析技術(shù)。當(dāng)以變量的一系列類別以及這些類別的分布圖來描述變量之間的聯(lián)系時(shí)，使用這一分析技術(shù)可以揭示同一變量的各個(gè)類別之間的差異以及不同變量各個(gè)類別之間的對(duì)應(yīng)關(guān)系。它能清楚地表示兩個(gè)定性變量之間的相互關(guān)系。 如有： 轎車大小 （ 大 、 中 、 小 ） 、轎車類型 （ 家用型 、 跑車 、 商用車 ） 、 收入 (一份收入、 雙份收入 )、 狀態(tài) （ 已婚 、 已婚有孩子 、 未婚 、 未婚有孩子 ） 、 房子 （ 租房 、 買房 ） 等數(shù)據(jù) 。 Dimension 1Dimension 2.5NHOMENMARITNINCOMENTYPENSIZE租房買房未婚有孩子未婚已婚有孩子已婚雙份收入一份收入商用車跑車家用車大型中型小型 從對(duì)應(yīng)圖可以推斷出下面一些結(jié)論： （ 1）已婚有孩子、家用車和中型車相關(guān)性較大。 （ 3）未婚、一份收入和租房之間關(guān)系緊密。 根據(jù)上面的結(jié)論，我們?cè)谶M(jìn)行市場(chǎng)細(xì)分、制定營(yíng)銷戰(zhàn)略方面可以充分利用這些信息。而那些未婚、一份收入、租房的消費(fèi)者，因其經(jīng)濟(jì)條件方面的原因，他們難以成為轎車消費(fèi)的目標(biāo)顧客群。 第六節(jié) 多維偏好分析 一、主成分分析法簡(jiǎn)介 （一）主成分分析的基本思想 主成分分析法就是將原來眾多具有一定相關(guān)性的指標(biāo)（如 p個(gè)指標(biāo)），重新組合成一組新的相互無關(guān)的綜合指標(biāo)來代替原來的指標(biāo)。他們挑選 10種心理學(xué)刊物，請(qǐng) 39個(gè)專業(yè)心理學(xué)家根據(jù)他們對(duì)這些刊物的偏好按 1～ 10的量表評(píng)分，其中 “ 1” 代表低評(píng)價(jià)， “ 10” 代表高評(píng)價(jià)。 （ 2） 一個(gè) “ 發(fā)展 ” 組，包括 JEDP， HUDE。如圖形左上方的 “ D” 組的發(fā)展和教育心理學(xué)家偏好教育心理學(xué)雜志和人類發(fā)展兩種期刊。 雙圖： 模型總結(jié)： 最后結(jié)果說明，總的擬合情況好：二維順序方案占總方差的大約82%。 品牌的點(diǎn)間距離的次序完全反映原始輸入的相似次序 （ 兩種品牌間的距離越短 ， 則越相似 ） 。 （ 2） 初步圖形結(jié)構(gòu)的修改 。 三 、 分析的基本步驟 四 、 實(shí)例分析 在某次市場(chǎng)研究中 ， 研究者調(diào)查了 10位消費(fèi)者 ，要求他們對(duì) A、 B、 C、 D、 E等五種品牌的相似性進(jìn)行評(píng)分 。 其中一位消費(fèi)者的評(píng)分結(jié)果為： AB=2， AC=1，AD=4 ， AE=5 ， BC=6 ， BD=8 ， BE=6 ， CD=3 ，CE=7, DE=5， 從而可以得到一個(gè)相似性比較矩陣 。 將表的相似矩陣輸入，利用 ，可得到如下的概念空間圖： Derived Stimulus Confi gurationEuclidea n distance mod elDimension 1321012Dimension 2.5edcba 從該空間圖可以看出， D和 E相對(duì)接近。 第八節(jié) 聯(lián) 合 分 析 一、聯(lián)合分析的基本概念與功能 聯(lián)合分析方法的基本思想是 ， 通過提供給消費(fèi)者以不同的屬性組合形成的產(chǎn)品 ， 請(qǐng)消費(fèi)者做出心理判斷 ，按其意愿程度給產(chǎn)品組合打分 、 排序 ， 然后采用數(shù)理分析方法對(duì)每個(gè)屬性水平賦值 ， 使評(píng)價(jià)結(jié)果與消費(fèi)者的給分盡量保持一致 ， 來分析研究消費(fèi)的選擇行為 。 研究中共考慮了擔(dān)保、 座位 、 價(jià)格和車速等四個(gè)屬性 。 請(qǐng)用聯(lián)合分析法對(duì)之進(jìn)行分析 。因此，消費(fèi)者在購車時(shí)主要考慮擔(dān)保情況、座位數(shù)和價(jià)格，而不太考慮車速。 給出了三個(gè)占有率模型的模擬結(jié)果，其結(jié)果相互有所差異。以最大效用模型為例， 12號(hào)卡片的市場(chǎng)占有率最高，其特征為： 5年擔(dān)保、 4座、 7 000元、時(shí)速 70。而其他屬性的組合則