
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
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01