《市场研究定量分析(第二版)例题第七章》由会员分享，可在线阅读，更多相关《市场研究定量分析(第二版)例题第七章（16页珍藏版）》请在金锄头文库上搜索。
1、第七章 例题 7.4 1、聚类分析 分析目的：分析具有不同薪金水平的职工类型。 变量选择：选择性别、教育水平、雇佣类别、当前薪金、经验进行聚类分析。 分析过程： （1）点选“分析”“分类”“K-均值聚类” ，如图 7-1 所示。 图 7- 1 聚类分析 1 （2）将以上 5 种变量选入“变量”当中，在“聚类数”中输入 4，如图 7-2 所示。 图 7- 2 聚类分析 2 （3）点击“选项” ，探出选择框。在“统计量”中点选“初始聚类中心” ， “ANOVA 表” ， “每个个案的聚类信息” ，在“缺失值”中点选“按对排除个案” ，如图 7-3 所示。 图 7- 3 聚类分析 3 （4）回到主页
2、面后，点击“确定” ，如图 7-4 所示。 图 7- 4 聚类分析 4 （）得到最终的集类中心点如表-1 所示。 表 7- 1 （表中 sex 表示性别，1 为男性，0 为女性；雇佣类别 1 表示职员、2 表示保管员、3表示经理。 ） 从表 7-1 可知，第一类职工当前的平均薪金最高（$101，000）,性别主要为男性（1） ，教育水平（18）和雇佣类别（3-经理）最高、经验（100）相对较高；第二类职工当前的平均薪金较高（$67,382）,性别主要为男性（1） ，教育水平（18）和雇佣类别（3-经理）最高，经验（69）相对较低；第三类职工当前的平均薪金最低（$26,160） ，性别主要为女性
3、（0） ，教育水平（12）最低，雇佣类别（1-职员）较低，经验（105）最高，第四类职工当前的平均薪金较低（$43,648）,性别主要为男性（1） ，教育水平（16）较高，雇佣类别为 2（保管员） 。 综合来看，第一类职工可定义为高级经理，第二类职工可定义为经理，第三类职工可以定义为职员，第四类职工可定义为保管员。 最终聚类中心间的距离如表 7-2 所示。 表 7- 2 从表 7-2 可以了解到第 1 类和第 3 类的中心位置相距最远 （74840） ， 说明高级经理和职员的特点最不相似；相反，第 3 类和第 4 类的中心位置相距最近（17488） ，说明职员和保管员的特点最相似。 教育水平、
4、当前薪金、性别和雇佣类别经过检定后，P 值均为 0.000，小于 0.05。经验的显著性为 0.009,远小于 0.05， 这意味着利用这 5 个变量来分类是有效的， 如表 7-3 所示。 表 7- 3 4 类中人数最多的是第 3 类（344 人） ，随后依次为第 4 类（75 人） 、第 2 类（45人） 、第 1 类（10 人） ，如表 7-4 所示。 表 7- 4 2、判别分析 分析思路：对性别、教育水平、雇佣类别、经验以及薪金水平（高或低）建立判别函数。 分析过程： （1）对薪金水平的高低进行分组，操作为“转换”“重新编码为不同变量” ，如图 7-5所示。 图 7- 5 判别分析 1
5、（2）将“当前薪金”选入变量框中，在“输出变量”中填写“薪金水平” ，点击“ 变化量”确定，如图 7-6 所示。 图 7- 6 判别分析 2 （3）点击“旧值和新值” ，在“旧值”选择“范围，从最低到值”输入“50000” ，在“新值”中输入“0” ，点击添加，如图 7-7 所示。 图 7- 7 判别分析 3 在“旧值”中选择“所有其他值” ，新值中输入“1” ，点击“添加” ，如图 7-8 所示。 图 7- 8 判别分析 4 点击“继续” ，生成新变量“薪金水平” （4）选择判别分析，进入判别分析主窗口，操作为： “分析”“分类”“判别式” ，如图 7-9 所示。 图 7- 9 判别分析 5
6、 （5）在判别分析窗口中完成设置，如图 7-10 所示。将薪金水平选入“分组变量”中，点击“定义范围” ，在“最小值”中输入 0，在“最大”中输入 1，输入完成后点击“确定”回到主窗口，如图 7-11 所示。将这 4 个变量选入“自变量”框内。 图 7- 10 判别分析 6 图 7- 11 判别分析 7 选择“使用步进法” ，点击“统计量”按钮，出现如 7-12 所示小窗口。在“描述”中，选择“平均值” 、 “单变量 ANOVA” 、 “博克斯” ，在“函数系数”中，选择“费希尔”和“未标准化” 。设置完成后，点击“继续”回到主窗口。 图 7- 12 判别分析 （6）结束分析结果。结果如表 7
7、-5 至表 7-6 所示。 一共有 474 个个案可供分析， 表 7- 5 表 7- 6 整体在各变量上的得分的平均数分别是 13.49,95.86,0.54 和 1.41。由此可见，4 个变量中 ，高薪金组和低薪金组的差异最多是在教育水平上，而且低薪金组的职员偏向于低教育水平 （得分=12.7913.49） ， 但是高薪金组的职员偏向于高教育水平 （得分=17.46 13.49） ，可以想象，高薪金组的职员的教育水平要比低薪金组的高很多。 此外，高薪金组的经验（73.99）要低于低薪金组的经验（99.71） ，可以想象，经验并不是薪水高低的决定性因素。 以上仅仅是对平均数的初步解释 ，还需要
8、进行下一步的检测来得知那些因素在不同薪水分组当中有显著的差异，如表 7-7 所示。 表 7- 7 从分析结果中可以了解，教育水平、性别、雇佣类别在高薪水组以及低薪水组中都表现为有显著差异，其 P 值均小于 0.05。所以，但我们用职员特征预测职员属于高薪水组还是低薪水组时，需要考虑到这三种因素。 表7-8和表7-9显示的结果是系统用来判别每一个个案应该属于哪一收入组的判别函数，表 7-9 是经过标准化处理的判别函数系数。 表 7- 8 表 7- 9 从表 7-10 可知，根据判别载荷判断一个客户究竟属于高薪水组还是低薪水组，最主要的因素是雇佣类别，其次依次是教育水平、性别和经验。 表 7- 1
9、0 （7）检视模型预测结果，如表 7-11 所示。 表 7- 11 从“原始”的报表结果可知，在 403 名低薪水组职员中，19 名职员被误判为高薪水组，误判率为 4.7%；在 71 名高薪水组职员中，6 名职员被误判为低薪水中，误判率为 8.5%。整体的正确判断率为 94.7%，若以交叉论证的方法来检验此模型，其正确判断率为 94.7%。 3、决策树分析 以职工的性别、教育水平、雇佣类别、当前薪金、经验进行聚类分析。 分析步骤： （1）进入决策树。点击“分析”“分类”“决策树” ，弹出窗口，如图 7-13 所示。 图 7- 13 CHAID 分析 1 将当前薪金选入 “因变量” ， “教育水平” 、 “雇佣类别” 、 “经验” 、 “性别” 选入 “自变量”作为分类的自变量，如图-14 所示。 图 7- 14 CHAID 分析 2 点击“确定” ，得出分析结果，如图 7-15 所示。 图 7- 15 CHAID 分析 3 分析结果显示，由于雇佣类别、教育水平、性别之间并非高度相关，所以自变量之间无排挤效果存在。在自变量中删除了经验，使得按雇佣类别、教育水平、性别这 3 个自变量分类结果出现在图中，将原始数据 474 名职员切割成 4 个小组。
