市场调研数据分析课件.ppt

《市场调研数据分析课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、市场调研数据分析MarketingResearch**学院****二零零八·一*****本科课程本讲内容了解数据准备的含义；掌握数据准备的步骤和操作方法；了解常见的数据分析技术分类方法；掌握数据描述主要指标含义和方法；掌握列联表、方差分析的应用；理解因子分析、聚类分析和判别分析的联系和分析方法。第8讲数据分析学习导航数据准备列联表分析方差分析分析技术分类与数据描述数据分析技术数据准备的步骤聚类分析判别分析分析技术分类数据描述因子分析数据准备★物理检查★数据编码★数据录入★数据清理★数据转换★数据保存★集中

2、趋势分析★频数分析★离散趋势分析★数据分布★定义问题★构造相关矩阵★提取因子★因子命名★判断模型拟合情况★拟定分析方案★选择距离指标★确定族群数目★族群解释和命名★定义问题★选择判别方法★估计判别函数系数及其显著性★运用判别函数进行判别★估算判别的有效性第8讲数据分析数据准备的含义数据分析包含两个基本工作步骤：数据准备和数据分析。数据准备：是对收集来的原始数据进行一列处理，形成数据分析所需的标准数据表的过程。数据分析：是运用一定的分析方法对数据进行处理，使其显示出解决管理决策问题和营销研究问题所需信息的过

3、程。数据准备一般包括问卷的物理检查、编码、录入、清理、转换、保存等步骤。第8讲数据分析数据准备的步骤物理检查数据编码数据录入数据清理数据转换数据保存第8讲数据分析物理检查检查的内容包括：①问卷是否填写完整；②是否存在规律性回答③是否存在没有按要求回答，并尽可能了解其中的原因。问卷不完整的处理方法：①数据缺失较少，直接保留记录，按记录的实际情况进入分析，所缺数据按缺失值处理；②当样本量较小时，缺失值又十分重要，根据问卷作业证明记载信息进行回访，尽可能补上缺失值；③当样本量较大时，问卷的缺失值较多，采用直接丢

4、弃整份问卷或部分数据。第8讲数据分析数据编码矩阵式原则：是针对整体数据编排格式而言的，即最终数据表必须是一张由若干行和若干列组成的矩阵式数据表格。排他性原则：在一定范围内，一个编码只能对应一个变量或答案，每个答案（包括没有作答、无法作答等情况）都有一个代码与之对应，不能存在相互交叉。需要强调的是，当一个变量的答案是多选时，对于每一种答案应采用一个代码进行列示，对受访者没有选中（注意：应区别没有回答的代码）的答案分配一个统一的代码。【例】您的性别是：□男□女这一问题的编码应包括：变量：性别，或gend＝性别

5、答案：0＝女；1＝男；2＝没有回答第8讲数据分析编码的另外两种情况一是多维编码，或称复合编码，即一个编码包含的信息是多维的，如同身份证号码包含省份、城市、生日、性别等信息一样。多维编码一般仅仅用于标识定类变量，不利于统计分析，应谨慎使用；二是定性资料编码。定性资料的编码绝非轻而易举，研究人员除了解编码原则以外，还必须对手头资料的研究目的有一定理解，更重要的是对文字信息的洞察力。研究者应首先建立起一套编码单位，对文本（最好是电子文本）进行手工编码，再进行计算机分析。第8讲数据分析数据录入如果通过电脑辅助电话

6、访谈（CATI）或电脑辅助人员访谈（CAPI）收集数据，研究者可以直接得到电子版数据表。对于非电脑辅助调查，研究者需要通过一定的手段将数据转录为电子表格。手工键盘录入应采用二次录入，通过两次录入的结果对比检查有无差异，或者抽取部分问卷录入结果进行核查，核查比例一般不低于25%。第8讲数据分析数据清理数据清理的任务包括检查数据的一致性和处理缺失值。一致性检查包括三项基本工作：第一，检查有无超出编码定义范围的数据存在；第二，检查有无答案的逻辑矛盾；第三，检查有无两行或多行数据完全一致或绝大部分一致。缺失值处理

7、方法一般有：①用均值代替；②用估计值代替；③整例删除；④结对删除。第8讲数据分析数据转换重新编码：出于受访者便利或事先无法预计等原因，问卷设计中的某些数据可能需要进行反向编码、重新分组编码等操作。反向编码就是将原有编码进行反向替代。数据编辑单变量重新标度。如指数形式或对数形式等；变量组合运算。可能需对多个变量进行四则运算等；量纲转换。对不同变量的定量值进行可比性处理；赋权。在必要时可能对不同的问卷进行赋权，增加特定目标受访者对最终结果的影响力。第8讲数据分析数据转换数据保存应注意以下几点：第一，多份实时备

8、份，手工输入数据文件被破坏带来的物质和精神损失是巨大的；第二，保存格式通用，因为数据表可能供分析员在不同的软件上使用，保存格式通用可以省去很多麻烦，节约大量的时间；第三，数据表需编号，数据表编号最好采用文字加数字的方法，便于识别数据内容和状态，这一点对于大规模数据分析十分重要。第8讲数据分析数据分析技术分类依据测量尺度不同，数据分析技术被分为非测量型数据技术（nonmetric）和测量型数据技术（metric），非测量型数据包