��StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
ANALIZA PREFERENCJI KONSUMENT�W Z WYKORZYSTANIEM
PROGRAMU STATISTICA ANALIZA CONJOINT
I SKALOWANIE WIELOWYMIAROWE
Adam Sagan, Uniwersytet Ekonomiczny w Krakowie
Preferencje w zachowaniach konsumenta
Badania preferencji konsument�w stanowi podstawowe pole zainteresowaD badaczy mar-
ketingowych. Stanowi one podstawow kategori badawcz w modelowaniu zachowaD
konsument�w na rynku, uwzgldniajc racjonalno[ procesu podejmowania decyzji.
Gintis wymienia szereg zaBo|eD zwizanych z rol preferencji w procesie racjonalnego
zachowania konsument�w na rynku: preferencje dotycz zar�wno efekt�w procesu
decyzyjnego, np. ilo[ci i jako[ci por�wnywanych ofert rynkowych (outcome-related prefe-
rences), jak r�wnie| dotycz samego procesu odnoszcego si do dystrybucji i komunikacji
ofert (proces-related preferences), zr�dBa preferencji mog odnosi si do wBasnego
systemu warto[ciowaD i zadowolenia z ofert (self-regarding preferences), jak i wchodzi
w interakcje z preferencjami innych konsument�w i ich systemami warto[ci (other-regar-
ding preferences), preferencje mog by traktowane jako autonomiczne, wynikajce
z realizowanych cel�w konsumenta (exogenous preferences) lub s ujmowane jako efekt
modelowania poprzez mod, reklam lub na[ladownictwo (endogenous preferences)1.
W badaniach marketingowych wyr�|nia si dwie podstawowe grupy modelowego ujcia
preferencji konsument�w. Do pierwszej nale| tzw. modele kompensacyjne, wynikajce
z zaBo|eD mikroekonomicznych racjonalnego zachowania konsumenta: neutralizacji
alternatyw wyboru (cancellation), przechodnio[ci (transitivity), dominacji (dominance)
i niezmienniczo[ci ( invariance). Do modeli kompensacyjnych nale| model oczekiwanej
warto[ci oraz model idealnej marki. Druga grupa modeli preferencji tzw. modele niekom-
pensacyjne, s cz[ciej rozwa|ane w ramach nurt�w ewolucyjnych w ekonomii i ekolo-
gicznych w psychologii. Do tych modeli zalicza si model leksykograficzny, model
koniunkcyjny, model dysjunkcyjny oraz model determinacji.
1
Gintis H., The individual in economic theory: a research agenda, Dept. of Economics, University of
Massachusetts, Amherst, 1998.
3
Copyright � StatSoft Polska 2009 www.StatSoft.pl
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Metody pomiaru preferencji
Preferencje konsument�w s najcz[ciej traktowane jako nieobserwowalny bezpo[rednio
konstrukt teoretyczny, wynikajcy z okre[lonej teorii mikroekonomicznej lub modelu
zachowania konsumenta. Ich pomiar dokonywany jest na podstawie okre[lonych deklaracji
wyra|onych na odpowiednich skalach pomiarowych (stated preferences) lub ujawniane s
poprzez obserwacje rzeczywistych rynkowych wybor�w konsument�w (revealed prefe-
rences). Najbardziej popularne ujcie metod pomiaru preferencji wynikaj z teorii danych
zaproponowanej przez C. H. Coombsa, kt�ry zaproponowaB klasyfikacje rodzaju uzyskiwa-
nych danych, jak i metod ich gromadzenia i analizy na podstawie dw�ch kryteri�w: charak-
teru relacji midzy danymi oraz liczby por�wnywanych typ�w obiekt�w. Z punktu
widzenia charakteru relacji dane mog mie charakter relacji podobieDstwa (blisko[ci) lub
dominacji (preferencji), a z punktu widzenia typ�w por�wnywanych obiekt�w por�wnania
mog by dokonywane w obrbie jednego zbioru (jednostka vs obiekt) lub dw�ch zbior�w
obiekt�w (np. par punkt�w A-B vs C-D ). Skrzy|owanie tych kryteri�w daje w kon-
sekwencji cztery podstawowe rodzaje danych: 1/ pojedynczego bodzca, 2/ preferencyjnego
wyboru, 3/ por�wnania bodzc�w i 4/ podobieDstwa midzy bodzcami. Pierwszy rodzaj
danych jest charakterystyczny dla skal ocen (np. Guttmana czy Likerta), drugi typ danych
cechuje wielowymiarowe skalowanie preferencji oparte na teorii rozwijania (unfolding),
trzeci jest wBa[ciwy dla skal por�wnawczych rangowych, por�wnaD preferencyjnych par
obiekt�w, skali V Thurstone a, porzdkowego sortowania i techniki punktu kotwicznego,
a czwarty rodzaj danych obejmuje dane uzyskane na podstawie ocen podobieDstw midzy
parami diad obiekt�w (skala por�wnaD par), sortowania i techniki triad stanowicych pod-
staw wielowymiarowych skal percepcji2. W badaniach preferencji konsument�w typo-
wym rodzajem uzyskiwanych danych s dane oparte na por�wnywaniu bodzc�w (skale
rangowe, por�wnaD par, punktu kotwicznego) oraz dane preferencyjnego wyboru odno-
szcego si do r�|nic midzy obiektem a punktem idealnym (jednostk). S one podstaw
wyboru midzy kompozycyjnymi a dekompozycyjnymi metodami pomiaru preferencji.
Wyr�|nia si trzy podstawowe grupy metod pomiaru preferencji. Pierwsz grup metod
stanowi tzw. metody dekompozycyjne, drug grup metody kompozycyjne pomiaru pre-
ferencji, a trzeci metody mieszane. Metody dekompozycyjne s gB�wnie zwizane
z danymi uzyskiwanymi na podstawie por�wnywania obiekt�w midzy sob. Podstaw
pomiaru preferencji jest r�wnoczesna ocena, szeregowanie (lub wyb�r) por�wnywanego
zbioru marek lub kategorii produkt�w opisanych za pomoc charakteryzujcego je zbioru
atrybut�w o okre[lonych poziomach lub wBasno[ciach (realizacjach). Respondenci ocenia-
j, ranguj lub dokonuj wybor�w profili produkt�w i na tej podstawie szacowane s caB-
kowite ich u|yteczno[ci. W kolejnym etapie analizy u|yteczno[ci caBkowite s dekompo-
nowane (std nazwa podej[cia) na u|yteczno[ci czstkowe poszczeg�lnych poziom�w lub
wBasno[ci atrybut�w. Do podstawowych metod analizy struktury preferencji w tym nurcie
2
C.H. Coombs, R.M. Dawes, A. Tversky, Wprowadzenie do psychologii matematycznej, PWN Warszawa
1977, s. 62.
4
www.StatSoft.pl Copyright � StatSoft Polska 2009
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
nale|y analiza conjoint (zwana tak|e analiz Bcznego wsp�Bwystpowania zmiennych i po-
miarem wieloczynnikowym).
Metody kompozycyjne polegaj na niezale|nych wa|onych ocenach lub por�wnaniach
poszczeg�lnych cech produkt�w dokonywanych na podstawie skal ocen lub rangowych
wraz z og�ln ocen preferencji tych produkt�w. WpByw oceny danego poziomu cechy na
inny nie jest w tym podej[ciu identyfikowany S one silniej zwizane z danymi dotycz-
cymi wybor�w preferencyjnych. Na podstawie dokonanych ewaluacji poszczeg�lnych cech
uzyskiwana jest og�lna struktura preferencji danego zbioru produkt�w (std nazwa podej-
[cia). Podstawow metod analizy preferencji w tym nurcie jest wielowymiarowe skalowa-
nie preferencji wyra|one w postaci map graficznych zbudowanych w zredukowanej przes-
trzeni wielowymiarowej.
Metody mieszane stanowi poBczenie poprzednich podej[. Do najbardziej znanych metod
mieszanych nale| hybrydowe i adaptacyjne metody analizy conjoint3.
W opracowaniu zostan przedstawione zastosowania programu STATISTICA w trzech
typach analiz zwizanych z badaniami preferencji konsument�w: 1/ analizy conjoint,
2/ budowy skali V ocen por�wnawczych Thurstone a i 3/ analizy dopasowania wBasno[ci
(property fitting PROFIT) z wykorzystaniem poBczonych metod wielowymiarowego
skalowania percepcji i analizy regresji.
Analiza conjoint
Analiza conjoint jest zestawem procedur pomiarowo-analitycznych opartych na zasadzie
(teorii) pomiaru psychometrycznego, zwanej zasad r�wnoczesnego addytywnego pomiaru
Bcznego. Zgodnie z ni pomiar danej cechy wyra|onej poprzez warto[ci zmiennej (zale|-
nej) jest mo|liwy z wykorzystaniem przyczynowo zwizanych zmiennych niezale|nych
oddziaBywajcych na mierzon cech w spos�b jednoczesny i addytywny. Podstawowe
kroki w analizie conjoint s nastpujce4:
1. Okre[lenie przedmiotu analizy: specyfikacja skali pomiaru preferencji (ocena, ranking
lub wyb�r profilu), wyb�r badanych produkt�w, ich cech oraz poziom�w. Na tym
etapie nale|y okre[li tak|e liczb profili powstaBych na podstawie kombinacji cech
i ich poziom�w. Liczba ta zale|y od mo|liwo[ci percepcji respondent�w, metody
estymacji modelu i liczebno[ci pr�by. Dla popularnych w analizie conjoint metod
regresyjnych minimalna liczba profili jest r�wna Bcznej liczbie poziom�w cech minus
liczba atrybut�w plus jeden.
3
Zob. Analiza danych marketingowych. Problemy, metody, przykBady, red. A. Stanimir, AE WrocBaw 2006,
s. 162.
4
Na temat analizy conjoint zob.: M. Walesiak, A. Bk, Conjoint analysis w badaniach marketingowych, AE
WrocBaw 2000, A. Bk, Analiza conjoint, w:, M. Walesiak, E. Gatnar, Statystyczna analiza danych z wyko-
rzystaniem programu R, PWN Warszawa 2009, s. 283-317.
5
Copyright � StatSoft Polska 2009 www.StatSoft.pl
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
2. Okre[lenie postaci modelu: zale|no[ci midzy zmiennymi niezale|nymi (modele bez
interakcji i z interakcjami midzy poziomami cech) i przyjmowany model preferencji.
Najcz[ciej jest to model kompensacyjny oczekiwanej warto[ci liniowy (wektorowy),
idealnej marki kwadratowy lub dyskretny model odrbnych u|yteczno[ci czstkowych.
3. Spos�b gromadzenia danych i generowania profili: wyb�r midzy metod peBnych pro-
fili, por�wnywania profili parami, por�wnywania atrybut�w parami lub wyboru profilu.
Profile te mog by generowane za pomoc plan�w czynnikowych lub metod losow.
4. Wyb�r skali pomiaru preferencji: ma wpByw na metod estymacji parametr�w modelu,
uwzgldnienie interakcji midzy poziomami zmiennych niezale|nych, spos�b reagowa-
nia respondenta na przedstawiane profile. Do najcz[ciej wykorzystywanych skal pomia-
ru preferencji nale| skale: rangowe, szacunkowe skale ocen i skale por�wnaD parami.
5. Metoda estymacji modelu: metody niemetryczne (np. monotoniczna analiza wariancji
MONANOVA), metody metryczne (metoda najmniejszych kwadrat�w) i metody proba-
bilistyczne (regresja logistyczna i probitowa). Wyb�r metody estymacji zale|y przede
wszystkim od skali pomiaru zmiennej zale|nej. Dla skal metrycznych (skal ocen, stop-
niowalnych skal por�wnaD parami) stosowana jest metoda najmniejszych kwadrat�w, dla
skal porzdkowych (rangowych, por�wnaD par) wykorzystywana jest monotoniczna ana-
liza wariancji, a dla podej[ opartych na dyskretnych wyborach modele logitowe
i probitowe.
6. Interpretacja i wykorzystanie wynik�w: ocena u|yteczno[ci caBkowitych i czstkowych,
interpretacja profili u|yteczno[ci, ranking wa|no[ci atrybut�w, analiza kompromis�w
(trade-off). Wyniki analizy mog by wykorzystywane do symulacji udziaB�w rynko-
wych (na podstawie modeli u|yteczno[ci maksymalnej, probabilistycznego modelu
Bradleya-Terryego-Luce a lub modelu logitowego), analiz optymalizacyjnych nowego
produktu i badaD segmentacyjnych konsument�w na podstawie warto[ci u|yteczno[ci
czstkowych w segmentacji post-hoc.
Analiza conjoint w programie STATISTICA
Program STATISTICA umo|liwia przeprowadzenie analizy conjoint z wykorzystaniem
metody najmniejszych kwadrat�w. Oznacza to, |e do analizy przyjmowane s zmienne
zale|ne mierzone na skali co najmniej przedziaBowej, zale|no[ midzy poziomami cech
produktu a ujawnionymi preferencjami jest liniowa i identyfikowane s jedynie efekty
gB�wne bez interakcji. Program analizy conjoint znajduje si w dodatkowym programie,
zwanym STATISTICA dla badaD marketingowych i rynkowych, kt�ry umo|liwia wyko-
nanie wielu dodatkowych analiz nie znajdujcych si w podstawowym pakiecie programu.
Analiza conjoint jest dostpna w grupie Analizy (zob. rys. 1).
6
www.StatSoft.pl Copyright � StatSoft Polska 2009
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Rys. 1. Program STATISTICA dla badaD marketingowych i rynkowych.
W celu wykonania analizy conjoint zmienne niezale|ne stanowice poziomy cech
produkt�w musz by wyra|one w postaci tzw. zmiennych sztucznych. Dodatkowy
program pozwala na automatyczne przekodowanie zmiennych kategorialnych w zmienne
sztuczne, wykorzystujc zero-jedynkowe kodowanie regresyjne (tzw. reference coding,
dummy coding), kodowanie eksperymentalne z sigma ograniczeniami (tzw. ANOVA
coding, effect coding, deviation coding) i kodowanie ortogonalne.
Rys. 2. ModuB kodowania zmiennych sztucznych w STATISTICA dla badaD
marketingowych i rynkowych.
W programie analizy conjoint automatycznie mo|na wykona kodowanie zero-jedynkowe
lub eksperymentalne.
Rys. 3. Analiza conjoint w STATISTICA dla badaD marketingowych i rynkowych.
7
Copyright � StatSoft Polska 2009 www.StatSoft.pl
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Po przeprowadzeniu automatycznego rekodowania zmiennych niezale|nych zbudowany
zostanie plik wej[ciowy do analizy.
Rys. 4. Plik wej[ciowy do analizy conjoint.
Plik wej[ciowy skBada si ze zmiennej identyfikujcej prezentowane w badaniach profile
produkt�w (zmienna Profil), zmiennych sztucznych okre[lajcych poziomy cech produktu
(Cena, Smak, Marka), zmiennej zale|nej dotyczcej pomiaru preferencji (Ocena) i zmien-
nej reprezentujcej kod respondenta (Respondent). W przykBadzie wykonano kodowanie
quasi-eksperymentalne.
Po wyborze odpowiednich zmiennych do analizy program wykonuje analiz conjoint
i przedstawia oszacowane parametry regresji, stanowice czstkowe u|yteczno[ci poszcze-
g�lnych poziom�w cech. Macierz u|yteczno[ci czstkowych dla pierwszych czterech
respondent�w jest podana poni|ej.
Rys. 5. Macierz u|yteczno[ci czstkowych.
Tabela przedstawia warto[ci czstkowych u|yteczno[ci poziom�w zmiennych dla poszcze-
g�lnych badanych. Nale|y zauwa|y, |e warto[ u|yteczno[ci dla referencyjnego poziomu
danej zmiennej dla kodowania eksperymentalnego wynosi 1- suma pozostaBych u|ytecz-
no[ci (w przypadku kodowania regresyjnego zawsze wynosi zero).
Wygodnym sposobem przedstawiania zagregowanych poziom�w u|yteczno[ci dla posz-
czeg�lnych atrybut�w s wykresy interakcji.
8
www.StatSoft.pl Copyright � StatSoft Polska 2009
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Cena
0,4
0,3
0,2
0,1
0,0
-0,1
-0,2
-0,3
-0,4
-0,5
cena 1.5 cena 2.0 cena 2.5 cena 3.0
Rys. 6. Wykres u|yteczno[ci czstkowych dla ceny.
Wykres 6 przedstawia struktur preferencji dla poszczeg�lnych poziom�w ceny. Wynika
z niego, |e u|yteczno[ ceny dosy dobrze opisuje model wektorowy im wy|szy poziom
ceny ciastek, tym ni|sza warto[ funkcji u|yteczno[ci.
Smak
0,10
0,08
0,06
0,04
0,02
0,00
-0,02
-0,04
-0,06
-0,08
-0,10
-0,12
neutralny rodzy nki ananas orzech
Rys. 7. Wykres u|yteczno[ci czstkowych dla smaku.
9
Copyright � StatSoft Polska 2009 www.StatSoft.pl
U|yteczno[ czstkowa
U|yteczno[ czstkowa
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Dla poszczeg�lnych kategorii smaku ciasta zdecydowanie najsilniej preferowanym jest
smak neutralny (bez dodatk�w smakowych), w nastpnej kolejno[ci smak rodzynkowy,
ananasowy i orzechowy.
Marka
0,4
0,3
0,2
0,1
0,0
-0,1
-0,2
-0,3
mieszana producenta dy stry butora
Rys. 8. Wykres u|yteczno[ci czstkowych dla marki.
Ostatni analizowan cech jest charakter marki. Najbardziej preferowane s marki produ-
centa, w nastpnej kolejno[ci marki dystrybutora i mieszane.
Na podstawie informacji o strukturze czstkowych u|yteczno[ci mo|na obliczy u|ytecz-
no[ci caBkowite dla ka|dej kombinacji cech produktu i ka|dego respondenta.
Rys. 9. U|yteczno[ci caBkowite.
Wygodnym sposobem interpretacji atrybut�w jest prezentacja wzgldnej ich wa|no[ci dla
ka|dego respondenta.
10
www.StatSoft.pl Copyright � StatSoft Polska 2009
U|yteczno[ czstkowa
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Rys. 10. Tabela wzgldnej wa|no[ci czynnik�w.
Z tabeli wynika, |e dla respondenta nr 1 najwa|niejszym atrybutem jest cena, nastpnie
smak i marka, a np. dla respondenta nr 3 najwa|niejsz cech okazaBa si marka, w dalszej
kolejno[ci smak i cena.
Sumaryczne zestawienie wzgldniej wa|no[ci atrybut�w w przekroju wszystkich badanych
jest uwidocznione na rys. 11.
Wa|no[ zmiennych
40.0%
35.0%
30.0%
25.0%
20.0%
15.0%
10.0%
5.0%
0.0%
Cena Marka Smak
Czynnik
Rys. 11. Wykres wzgldnej wa|no[ci czynnik�w.
Z rysunku wynika, |e najwa|niejszym czynnikiem przy wyborze badanych ciastek jest
smak, a kolejne miejsca zajmuj marka i cena.
Uszeregowanie wszystkich kombinacji atrybut�w wraz z caBkowitymi u|yteczno[ciami dla
danego profilu jest przedstawione w tabeli.
11
Copyright � StatSoft Polska 2009 www.StatSoft.pl
Wa|no[ czynnika (w %)
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Rys. 12. Struktura u|yteczno[ci profili marek.
Najwy|szymi preferencjami charakteryzuj si ciastka o marce producenta, cenie na
poziomie 1.5 i smakiem neutralnym, nastpnie inne produkty o tej samej cenie i marce
o innych smakach.
Metoda ocen por�wnawczych Thurstone a
Metoda ocen por�wnawczych Thurstone a umo|liwia zbudowanie jednowymiarowej me-
trycznej skali preferencji na podstawie danych o preferencjach uzyskanych z wykorzysta-
niem skali por�wnaD parami. Metoda ta nosi te| nazw modelu V ocen por�wnawczych
Thurstone a, kt�ry wraz z modelem III Thurstone a i modelem Takane-Thurstone a jest
najcz[ciej stosowanym podej[ciem w pomiarze preferencji traktowanych jako cigBa
metryczna zmienna ukryta. Taki spos�b ujcia preferencji wymaga speBnienia pewnych
zaBo|eD5:
preferencje ujawnione na podstawie wybor�w z par por�wnywanych marek produkt�w
maj charakter cigBy (cigBy proces dyskryminacyjny),
w ramach danej pary obiekt�w wyb�r danego obiektu jest dokonany na zasadzie
maksymalizacji cigBych preferencji dotyczcych por�wnywanych marek,
rozkBad ukrytych i cigBych preferencji w populacji jest normalny,
preferencje s niezale|ne od siebie i maj wsp�lne zr�dBo wariancji,
prawdopodobieDstwo nieprzechodnich preferencji jest r�|ne od zera,
rozkBad bBd�w pomiaru jest normalny i s one nieskorelowane.
5
Zob. C.H. Coombs, R.M. Dawes, A. Tversky, Wprowadzenie do psychologii matematycznej, PWN Warszawa
1977, s. 71-83.
12
www.StatSoft.pl Copyright � StatSoft Polska 2009
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Skala por�wnaD parami obok prostej skali rangowej jest najcz[ciej wykorzystywan skal
sBu|c do gromadzenia danych o preferencjach. W odr�|nieniu od absolutnych i mona-
dycznych skal ocen maj one charakter skal wzgldnych i por�wnawczych, okre[lajcych
miejsce danej cechy lub marki ze wzgldu na inn analizowan cech lub mark. Skale
rangowe ze wzgldu na swoj konstrukcj uwzgldniaj jedynie preferencje przechodnie
i nie pozwalaj na uwzgldnienie nieprzechodnich preferencji (je|eli A jest preferowane
nad B i B nad C, to zawsze A jest preferowane nad C, co jest uwzgldniane w uporzdko-
waniu rangowym A 1, B 2, C 3). Skala por�wnaD parami umo|liwia r�wnie| identy-
fikacj preferencji nieprzechodnich, bowiem ka|da para marek jest por�wnywana
niezale|nie, co pozwala na ocen sytuacji, w kt�rej A jest preferowane nad B, B jest prefe-
rowane nad C, a C jest preferowane nad A. W skali por�wnaD parami dla n por�wnywa-
nych marek wszystkich por�wnaD jest n(n-1)/2, a liczba par nieprzechodnich wynosi n!.
Podstawowe etapy w metodzie ocen por�wnawczych s nastpujce6:
1. Wyb�r zbioru por�wnywanych marek.
2. Okre[lenie sposobu prezentacji: skala rangowa, porzdkowanie marek, skala por�wnaD
parami. Ostatnia skala jest najbardziej uniwersalnym sposobem identyfikacji preferencji,
poniewa| wyniki skali rangowej lub porzdkowania zawsze mo|na przedstawi w pos-
taci por�wnania parami, natomiast odwrotna procedura jest mo|liwa jedynie w przy-
padku par przechodnich.
3. Zestawienie ocen por�wnaD: proporcje odpowiedzi wskazujcych na preferowane mar-
ki w danej kolumnie nad mark w wierszu. Macierz quasi-symetryczna ze wskazni-
kami powy|ej i poni|ej przektnej dopeBniajcymi si do jedno[ci.
4. Stworzenie tablicy rozkBadu zmiennej standaryzowanej Z odczytanych z tablicy rozkBa-
du normalnego z warto[ciami dodatnimi dla marek dominujcych i ujemnymi dla ich
dominowanych odpowiednik�w poni|ej przektnej.
5. Obliczenie [redniej warto[ci Z dla ka|dej kolumny.
6. Centrowanie warto[ci Z - przyjcie za ukBad odniesienia marki (kolumny) o najni|szej
[redniej.
7. Przedstawienie jednowymiarowej skali na osi graficznej.
Budowa skali ocen por�wnawczych w programie STATISTICA
W programie STATISTICA skala ocen por�wnawczych Thurstone a mo|e by zbudowana
na podstawie prostej skali rangowej lub skali por�wnaD parami. Znajduje si ona w progra-
mie STATISTICA dla badaD marketingowych i rynkowych w grupie Analizy (zob. rys. 1).
6
J. Bazarnik, T. GrabiDski, E. Kciak, S. Mynarski, A. Sagan, Badania marketingowe. Metody i oprogramowa-
nie komputerowe, Fogra Krak�w 1991, s. 82-83.
13
Copyright � StatSoft Polska 2009 www.StatSoft.pl
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Rys. 13. Model ocen por�wnawczych.
W przykBadzie zastosowano skal rangow napoj�w chBodzcych, w kt�rej respondeci
szeregowali 7 typ�w napoj�w chBodzcych na skali rangowej, gdzie ocena 1 oznaczaBa
najmniej preferowany nap�j, a 7 najbardziej preferowany.
Rys. 14. Dane wej[ciowe ranking napoj�w.
Dane w postaci skali rangowej s nastpnie przetwarzane na wyniki por�wnaD parami
poszczeg�lnych obiekt�w.
Rys. 15. Tabela por�wnaD parami.
14
www.StatSoft.pl Copyright � StatSoft Polska 2009
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Rysunek przedstawia wyniki por�wnaD. Dla przykBadu: respondent nr 1 w parze herbata
kompot preferuje herbat mro|on jako odpowiedni nap�j chBodzcy (herbata ma rang 7,
a kompot otrzymaB rang 3). Dla badanego nr 3 lepszym napojem chBodzcym jest kompot
(ranga 3) w por�wnaniu do herbaty (ranga 2)7.
Na podstawie ocen por�wnawczych tworzona jest tabela proporcji, w jakiej dany nap�j
(w kolumnie) jest preferowany nad inny (w wierszu).
Rys. 16. Tabela proporcji.
Na rysunku przedstawione s wyniki por�wnaD, w kt�rych np. 50% badanych preferuje
kompot nad soki, a 90% respondent�w uznaje, |e lepszym napojem chBodzcym jest woda
niegazowana ni| napoje gazowane. Na podstawie wynik�w sumarycznych obliczane s
warto[ci Z rozkBadu normalnego, kt�re s nastpnie u[redniane i centrowane.
Rys. 17. Warto[ci Z rozkBadu normalnego dla proporcji.
W koDcowym etapie analizy, na podstawie u[rednionych i centrowanych warto[ci Z,
tworzona jest graficzna przedziaBowa jednowymiarowa skala ocen por�wnawczych.
7
Skala rangowa umo|liwia identyfikacje jedynie relacji przechodnich w strukturze preferencji. Skala por�wnaD
parami pozwala na uzyskanie informacji zar�wno o preferencjach przechodnich jak i nieprzechodnich. Kodo-
wanie zero-jedynkowe skali por�wnaD parami jest wygodnym sposobem kodowania danych rangowych. Ten
rodzaj danych wej[ciowych jest podstaw wielu analiz wielowymiarowych takich jak analiza czynnikowa
i modelowanie strukturalne danych rangowych. Zob. A. Sagan, Modelowanie strukturalne w testowaniu
nowego produktu analiza ocen por�wnawczych Thurstone a, w: red. S. Kaczmarczyk, M. Schultz, Zastoso-
wania badaD marketingowych w procesie tworzenia nowych produkt�w, Dom Organizatora ToruD 2008.
15
Copyright � StatSoft Polska 2009 www.StatSoft.pl
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Rys. 18. PrzedziaBowa jednowymiarowa skala ocen por�wnawczych.
Na podstawie uzyskanej skali mo|na nie tylko szeregowa preferencje respondent�w, ale
r�wnie| okre[la odlegBo[ci midzy szeregowanymi napojami. Z rysunku wynika, |e
w strukturze napoj�w chBodzcych mo|na wyodrbni 3 grupy preferowanych napoj�w.
Do pierwszej nale|y kefir i herbata mro|ona (najbardziej preferowane), do drugiej
o podobnych preferencjach zaliczy mo|na: soki, kompot, napoje typu cola i wod,
a zdecydowanie najsBabiej preferowanym typem napoj�w s napoje gazowane. Relacje
powy|sze mo|na przedstawi w macierzy odlegBo[ci midzy napojami.
Rys. 19. Macierz odlegBo[ci.
Obliczona macierz odlegBo[ci pozwala na reprezentacj ukBad�w preferencji za pomoc
skalowania wielowymiarowego.
Analiza PROFIT
Analiza PROFIT (PROperty FITting) jest rodzajem zewntrznej mapy preferencji,
w kt�rej na podstawie mapy percepcji uzyskanej za pomoc klasycznego niemetrycznego
16
www.StatSoft.pl Copyright � StatSoft Polska 2009
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
skalowania wielowymiarowego (MDS) i informacji o pozycji marek na stworzonej mapie,
wprowadzone s z zewntrz dane o preferencjach analizowanych marek z punktu widze-
nia charakteryzujcych je cech. Metoda zostaBa opracowania przez J. D. Carroll
i J. J. Changa. Aczy ona wyniki skalowania wielowymiarowego percepcji i analizy reg-
resji wielorakiej8.
W pierwszym etapie analizy PROFIT wykorzystywane jest skalowanie wielowymiarowe
sBu|ce do budowy map percepcyjnych. Podstaw budowy takiej mapy jest macierz
reprezentujca relacje podobieDstwa /blisko[ci midzy analizowanymi markami pro-
dukt�w. Najcz[ciej spotyka si dwa typy macierzy danych: 1/ odlegBo[ci euklidesowych,
Manhattan lub innych, zbudowane na podstawie ocen por�wnywanych marek z punktu
widzenia przyjtych atrybut�w, dajcych syntetyczn ocen niepodobieDstw (odmienno[ci)
midzy markami; 2/ por�wnaD parami ka|dej kombinacji pary marek z ka|d bez wyr�|-
niania ich cech, dajc og�lny obraz podobieDstw midzy markami wyra|ony w macierzy
rang (para najbardziej podobna ma najni|sz rang, a para najmniej podobna najwy|sz).
W pierwszym podej[ciu stosowane s procedury metrycznego skalowania wielowymiaro-
wego (dane wej[ciowe s metryczne i dane wyj[ciowe z analizy s metryczne), a w drugim
stosuje si niemetryczne skalowanie wielowymiarowe (dane wej[ciowe s niemetryczne,
a dane wyj[ciowe s metryczne). W metodzie PROFIT stosuje si najcz[ciej niemetryczne
skalowanie wielowymiarowe na podstawie skal por�wnaD parami lub por�wnania w tria-
dach (bez uwzgldnienia cech), chocia| stosowa mo|na tak|e skalowanie metryczne.
Kolejnym etapem analizy jest okre[lenie liczby wymiar�w, kt�ra ze wzgld�w praktycz-
nych wynosi od 2 do 3. Algorytm skalowania wielowymiarowego na podstawie pocztko-
wej konfiguracji marek w przestrzeni 2- lub 3-wymiarowej, wyznaczonej na podstawie
odlegBo[ci lub szeregu rangowego w macierzy wej[ciowej, poszukuje takich wsp�Brzd-
nych marek w tej przestrzeni, kt�re w spos�b optymalny odtwarzaj odlegBo[ci zamiesz-
czone w macierzy danych wej[ciowych. Jako[ dopasowania mierzy si za pomoc wsp�B-
czynnika STRESS (standaryzowanej sumy kwadrat�w reszt midzy odlegBo[ciami wej[cio-
wymi a odtworzonymi przez algorytm skalowania wielowymiarowego). Efektem finalnym
analizy s wsp�Brzdne marek w 2- lub 3-wymiarowym ukBadzie wsp�Brzdnych.
W drugim etapie analizy PROFIT wykorzystywane s informacje o preferencjach analizo-
wanych marek z punktu widzenia przyjtych w badaniach cech. Respondenci oceniaj
preferencje marek ze wzgldu na przyjte cechy i na tej podstawie buduje si u[rednione
oceny preferencji dla poszczeg�lnych marek i cech w przekroju wszystkich badanych lub
poszczeg�lnych podgrup. Po stworzeniu tabeli [rednich ocen buduje si modele regresyjne
(regresji wielorakiej), w kt�rych zmiennymi zale|nymi s oceny marek ze wzgldu na
poszczeg�lne cechy (w analizie wystpuje tyle r�wnaD regresji, ile jest badanych cech pro-
duktu), a zmiennymi obja[niajcymi preferencje marek s ich wsp�Brzdne na mapie
percepcyjnej (dla modelu 2-wymiarowego s wic dwie zmienne niezale|ne, a dla modelu
3-wymiarowego wystpuj trzy takie zmienne). Standaryzowane wsp�Bczynniki regresji
(beta) dla poszczeg�lnych wymiar�w wyznaczaj punkt na mapie percepcji okre[lajcy
wsp�Brzdne danego atrybutu i tym samym preferencje marek ze wzgldu na dan cech.
8
S. P. Borgatti, PROFIT, http://www.analytictech.com/borgatti/profit.htm (12.08.2009).
17
Copyright � StatSoft Polska 2009 www.StatSoft.pl
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Wsp�Bczynniki te s r�wnie| interpretowane w kategoriach kwadrat�w cosinus�w kta
nachylenia wektor�w danych cech wzgldem osi ukBadu wsp�Brzdnych. Pozwalaj na
ocen wkBadu danej osi gB�wnej w wyja[nienie zmienno[ci danej cechy.
Projekcja punkt�w reprezentujcych poszczeg�lne marki na wektory cech pozwala na okre[-
lenie poBo|enia marek ze wzgldu na intensywno[ wystpowania tych cech w danych
markach i tym samym na ustalenie szeregu preferencyjnego.
Informacja o stopniu, w jakim poBo|enie marek na mapie percepcji wyja[nia oceny prefe-
rencyjne z punktu widzenia okre[lonych cech, jest zwizana ze wsp�Bczynnikiem determi-
nacji R2. Im wy|szy wsp�Bczynnik determinacji, w tym wikszym stopniu zestaw zmien-
nych niezale|nych (wsp�Brzdnych na mapie percepcji) wyja[nia oceny marek ze wzgldu
na dan cech (zmienn zale|n).
Analiza PROFIT w programie STATISTICA
Analiza PROFIT znajduje si r�wnie| w programie STATISTICA dla badaD marketingo-
wych i rynkowych. W pierwszym kroku analizy nale|y okre[li charakter danych wej[cio-
wych do skalowania wielowymiarowego (skala por�wnaD parami czy oceny marek
z punktu widzenia cech). Je|eli wybierzemy pierwsze rozwizanie, program na podstawie
wynik�w porzdkowania par zbuduje macierz rang okre[lajcych subiektywne og�lne
podobieDstwa miedzy parami marek (bez uwzgldnienia cech). W przypadku wyboru skali
ocen program wybierze u[rednione dane lub dokona u[rednienia ocen respondent�w
i obliczy wybran macierz odlegBo[ci (np. euklidesowych).
Rys. 20. Okno analizy PROFIT.
Na rysunku przedstawione s u[rednione oceny (mediany) o[rodk�w narciarskich z punktu
widzenia wyr�|nionych charakterystyk.
18
www.StatSoft.pl Copyright � StatSoft Polska 2009
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Rys. 21. Dane wej[ciowe do analizy PROFIT.
Na podstawie danych wej[ciowych dokonywane jest obliczenie miary podobieDstwa mi-
dzy analizowanymi obiektami.
PrzykBadowa macierz odlegBo[ci euklidesowych obliczonych na podstawie u[rednionych
ocen wybranych o[rodk�w narciarskich w Polsce jest przedstawiona na rysunku.
Rys. 22. Macierz odlegBo[ci.
Macierz odlegBo[ci euklidesowych kwadratowych jest wprowadzona nastpnie do progra-
mu skalowania wielowymiarowego, kt�ry okre[la poBo|enie marek w ukBadzie wsp�Brzd-
nych o ustalonej liczbie wymiar�w.
Wyniki analizy w postaci wsp�Brzdnych marek s podstaw obliczenia modeli regresji
wielorakiej. W tym celu u|ytkownik jest proszony o wskazanie listy zmiennych opisuj-
cych marki produktu. Lista ta mo|e pochodzi tego samego zbioru cech, stanowi nowy
zbi�r cech opisujcych obiekty lub ich kombinacj.
19
Copyright � StatSoft Polska 2009 www.StatSoft.pl
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Wykres rozrzutu 2W
Konfiguracja koDcowa, wymiar 1 wzgl. wymiaru 2
1,2
Zakopane
1,0
0,8
Karpacz
0,6
0,4
BiaBka T.
Szczawnica Zieleniec
0,2
0,0 Szklarska
Szczyrk
Korbiel�w
-0,2
-0,4
Piwniczna
Krynica
-0,6
Czarna G.
-0,8
-1,0
-1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8
Wymiar 1
Rys. 23. Wyniki skalowania wielowymiarowego.
Rys. 24. Okno PROFIT wyniki.
Program wykona tyle analiz regresji wielorakiej, ile wskazano zmiennych do analizy.
PrzykBadowo podane s wyniki analizy regresji dla zmiennej zale|nej [nieg . Zmienna ta
jest obja[niana z wykorzystaniem zmiennych obja[niajcych bdcych wsp�Brzdnymi
konfiguracji punkt�w w 2 wymiarach.
Rys. 25. Wyniki regresji.
20
www.StatSoft.pl Copyright � StatSoft Polska 2009
Wymiar 2
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
Po wykonaniu analizy regresji wsp�Brzdne wsp�Bczynnik�w kierunkowych s naBo|one na
zbudowan wcze[niej map percepcji.
Wykres rozrzutu 2W
Konfiguracja koDcowa, wymiar 1 wzgl. wymiaru 2
1,2
Zakopane
1,0
0,8
Karpacz
Infrastruktura
0,6
Ludnosc
0,4
BiaBka T.
Szczawnica Zieleniec
0,2 Dochody
0,0 Szklarska
Szczyrk
Korbiel�w
-0,2
Znieg
Trasy
-0,4
Piwniczna
Krynica
-0,6
Koszty
Czarna G.
-0,8
-1,0
-1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8
Wymiar 1
Rys. 26. Mapa percepcji z osiami opisujcymi wymiary.
Z wykresu wynika, |e najbardziej preferowanym o[rodkiem z punktu widzenia infrastruk-
tury jest Zakopane. Krynica i Szczyrk maj wzgldnie wysokie oceny ze wzgldu na
warunki [niegowe i przygotowanie tras, a Piwniczna, Korbiel�w i Czarna G�ra s dogod-
nym miejscem odno[nie koszt�w pobytu.
Podsumowanie i wnioski
Przedstawione w artykule wybrane kompozycyjne i dekompozycyjne metody analizy s
czsto spotykanymi metodami analizy preferencji konsument�w. Istniejce w programie
STATISTICA narzdzia programowania analiz danych pozwalaj na Batwe wykorzystanie
szerokiej gamy metod, kt�re nie stanowi podstawowego wyposa|enia programu, lecz mo-
g by implementowane z wykorzystaniem standardowych narzdzi analitycznych.
Literatura
1. Analiza danych marketingowych. Problemy, metody, przykBady, red. A. Stanimir, AE
WrocBaw 2006.
2. J. Bazarnik, T. GrabiDski, E. Kciak, S. Mynarski, A. Sagan, Badania marketingowe.
Metody i oprogramowanie komputerowe, Fogra Krak�w 1991, s. 82-83.
21
Copyright � StatSoft Polska 2009 www.StatSoft.pl
Wymiar 2
StatSoft Polska, tel. 12 428 43 00, 601 41 41 51, info@statsoft.pl, www.StatSoft.pl
3. A. Bk, Analiza conjoint, w:, M. Walesiak, E. Gatnar, Statystyczna analiza danych
z wykorzystaniem programu R, PWN Warszawa 2009.
4. S. P. Borgatti, PROFIT, http://www.analytictech.com/borgatti/profit.html.
5. C.H. Coombs, R.M. Dawes, A. Tversky, Wprowadzenie do psychologii matematycznej,
PWN Warszawa 1977, s. 71-83.
6. H. Gintis, The individual in economic theory: a research agenda, Dept. of Economics,
University of Massachusetts, Amherst, 1998.
7. M. Walesiak, A. Bk, Conjoint analysis w badaniach marketingowych, AE WrocBaw 2000.
8. A. Zaborski, Skalowanie wielowymiarowe w badaniach marketingowych, AE WrocBaw
2001.
9. Zastosowania badaD marketingowych w procesie tworzenia nowych produkt�w, red. S.
Kaczmarczyk, M. Schultz, Dom Organizatora ToruD 2008.
22
www.StatSoft.pl Copyright � StatSoft Polska 2009
Wyszukiwarka
Podobne podstrony:
Statystyczna analiza danych z wykorzystaniem programu R Walesiak Marek, Gatnar Eugeniusz PEŁNA WERSJWykrywacz Religijnej Manipulacji – program antywirusowy dla umysłuanaliza techniczna rynkow finansowychStatystyka z programem StatisticaA Poznański Programowanie w języku C dla chętnychInformatyka Europejczyka Informatyka Program nauczania dla szkol ponadgimnazjalnych infopnProgramator PIC16C84 dla portu CentronicsBadania preferencji konsumenckich Projekt JogurtyĆw 21 Pomiar prędkości fali sprężystej w prętach z wykorzystaniem programu komputerowegoAVR i ARM7 Programowanie mikrokontrolerów dla każdego CDProgramowanie w logice dla studentów ZSI na Uniwersytecie WarszawskimProgram testujący dla wyświetlaczy VFD firmy Noritake z interfejsem szeregowymEkonometria Rozwiązywanie problemów z wykorzystaniem programu GRETLProgram socjoterapeutyczny dla młodzieży sprawiającej trudności wychowawczeAnaliza wybranych rynkowMilosna odnowa Program cwiczen dla par milodnPsychologia konsumenta dla menedżera marketinguInformatyka Europejczyka Informatyka Program nauczania dla szkol ponadgimnazjalnych infopnOlewnicki Gunerka Golanski Preferencje konsumentowwięcej podobnych podstron