京公网安备 11010802034615号
经营许可证编号:京B2-20210330
如何用SPSS做联合分析
如果产品的描述是由几个属性特征决定的,比如说mp3的音质、外形、容量、价格等等,商家为了确定哪个属性对消费者的影响最大,以及预测什么样的属性组合最受消费者的欢迎,选择的办法应该就是联合分析了。事实上从抽样调查的角度来看,高质量和低价格的组合是消费者的最爱,但是这对商家而言,这没有任何意义。
在SPSS中分成三个阶段,转载一个例子,帮助自己学习。
(1)ORTHOPLAN(正交设计),属性特征的所有组合产品是非常多的,所以应该通过正交设计进行筛选。以下是使用SPSS进行正交设计的程序及得出的一个正交设计方案:
*正交设计.
ORTHOPLAN
/FACTORS=price '价格'( 1 '1000元' 2 '1500元' 3 '2000元') capacity '容量' ( 1 '64M' 2 '128M' 3 '256M') tonality '音质' ( 1 '差' 2 '一般' 3 '好') fashion '外形' ( 1 '守旧' 2 '一般' 3 '时尚')
/OUTFILE='D:tempmp3plan.sav'.
以上程序在SPSS中也可通过窗口实现,执行该SPSS程序,
data->orthogonal design->generate
得出正交设计的结果,如下表:
MP3产品 价格 容量 音质 外形
A 2000 128M 好 守旧
B 2000 256M 差 一般
C 1500 64M 好 一般
D 1500 256M 一般 守旧
E 1500 128M 差 时尚
F 1000 256M 好 时尚
G 1000 64M 差 守旧
H 2000 64M 一般 时尚
I 1000 128M 一般 一般
(2)PLANCARD(生成模拟产品的卡片)
对于上面正交设计产生的9个种模拟产品,被调查者需要对每一个模拟产品的偏好进行评价,在实际调查过程中是将每个模拟产品的属性特征打印在一张卡片上,使用SPSS 语句可以一次性生成所有模拟产品的卡片,提高了制作卡片的效率。下面是生成模拟产品卡片的SPSS程序。
*生成模拟产品的卡片.
GET FILE='D:tempmp3plan.sav'.
PLANCARDS
/FACTOR=price capacity tonality fashion
/FORMAT card
/PAGINATE
/OUTFILE='d:tempcards.txt'.
执行上述程序输出所有模拟产品的卡片,
design->disdata->orthogonal play
以下只例出模拟产品ABCD的卡片输出结果
模拟产品A 模拟产品B 模拟产品C 模拟产品D
价格 2000元
容量 128M
音质 好
外形 守旧 价格 2000元
容量 256M
音质 差
外形 一般 价格 1500元
容量 64M
音质 好
外形 一般 价格 1500元
容量 256M
音质 一般
外形 守旧
在调查问卷中可设置相关的问题进行数据收集,下面是一个问题的例子。
〖出示模拟产品A的卡片〗请问您有多大可能会购买具有以下产品特征的MP3?(请以1-9为评分标准:"一定会"9分; "一定不会"1分) 【单选】
一定不会 一定会
购买可能性 1 2 3 4 5 6 7 8 9
假定通过调查得到某个消费者对9种模拟产品的评价,数据如下:
模拟产品的编号 A B C D E F G H I
购买的可能性 5 1 3 4 3 9 1 4 8
(3)CONJOINT
CONJOINT阶段只能自己编程序实现,似乎没有菜单操作可用。
conjoint plan=设计数据文件名[即(1)步产生的]。
/data=结果数据文件名[即(2)步产生,排序后得到的]。
/属性变量测试方式=相应变量列表
/subject=个体ID号
/factors=需要分析的属性变量列表
/print=需要输出的结果列表
/utility=存储数据文件名
/plot=需要绘制的图
采用SPSS中的Conjoint过程进行分析,其分析程序如下:
*输入收集的数据.
DATA LIST FREE / ID score1 to score9.
BEGIN DATA
1 5 1 3 4 3 9 1 4 8
END DATA.
SAVE OUTFILE='d:tempmp3data.sav'.
*进行结合分析.
CONJOINT
PLAN='d:tempmp3plan.sav'
/DATA='d:tempmp3data.sav'
/FACTORS=price capacity tonality fashion
/SUBJECT=id
/SCORE=score1 to score9
/PLOT=all
/UTIL='d:tempmp3result.sav'.
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20