مقاله در مورد ارزش تكنيك هاي چند متغيره در تحليل اطلاعات

 nx دارای 21 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است فایل ورد nx  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد. این پروژه توسط مرکز nx2 آماده و تنظیم شده است توجه : در صورت  مشاهده  بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل ورد مي باشد و در فايل اصلي nx،به هيچ وجه بهم ريختگي وجود ندارد بخشی از متن nx : ارزش تكنیك های چند متغیره در تحلیل اطلاعات در سال های اخیر شاهد پیشرفت های قابل توجهی در سخت افزار كامپوتر بوده ایم.ظرفیت سرعت و ذخیره pcs هر هجده ماه دو برابر می شود و این در حالی است كه هزینه آن كاهش می یابد.بسته های نرم افزاری آماری با ویندوزهای كاربر نقش مهمی را در عصرclik-and-point ایفا می كنند.سالیان متوالی داده ها حاصل بررسی های گوناگون بودند امروزه در انبار داده ها انبوهی از اطلاعات ذخیره شده است به گونه ای كه می توان اطلاعات ارزشمندی راجع به مشتریان و كاركنان كسب نمود.تعدادی از این اطلاعات را می توان به وسیله روش های آماری ساده تجزیه و تحلیل نمود.اما در اكثر مواقع نیازمند تكنیك های پیچیده تری هستیم.امروزه اكثر محققان علاقمند به استفاده از بیش از متغیر ه هستند و بنابراین وجود تكنیك های چند متغیره آماری ضروری میباشد.علاوه براین، تصمیم گیر ندگان تجاری و مصرف كنندگان به منظور اتحاذ تصمیم و انتخاب تمایل دارند از اطلاعات زیادی استفاده كنند.در نتیجه تاثیرات بالقوه بر رفتار مصرف كننده و واكنش های تجاری فراوان می باشد. تكنیك های چند متغیره ناشی از نیاز تجار به توجه نمودن به برخی پیچیدگی ها است. تجزیه جند متغیره چیست؟تجزیه چند متغیره به گروهی از شیوه های آماری اشاره دارد كه مقیاس های چندگانه هر ویژگی با شیء مورد بررسی را به طور همزمان تجزیه و تحلیل می كند.شیوه های آماری چند متغیره كه در این فصل به بحث راجع به آن خواهیم پرداخت شیوه های آماری یك متغیره و دو متغیره گسترده شده هستند كه در فصل پیشین نكاتی راجع به آنها ارائه نمودیم.تحلیل چند متغیره در تحقیقات بازاریابی به دلیل اینكه بیشتر مشكلات تجاری چند بعدی هستند بسیار مهم می باشد.به ندرت شركت ها و مشتریانشان بر اساس یك بعد توصیف می شوند اتخاذ تصمیم در بازدید از یك رستوران اغلب به فاكتورهایی از قبیل كیفییت،تنوع و هزینه غذا؛ محل رستوران و خدمات بستگی دارد. هنگامی كه شركت ها برای ارائه خدمات بهتر به مشتریان خود پایگاه داده ای راه اندازی می كنند، این پایگاه ها اغلب شامل اطلاعات گسترده ای مانند جمعیت شناسی،شیوه زندگی،كد پستی و شیوه خرید مشتریان می باشد.طبقه بندی شیوه های چند متغیره:چالش موجود در میان محققان بازاریابی تعیین شیوه آماری مناسب برای مشكل مذكور می باشد.چندین شیوه پیشنهاد شده است. طبقه بندی سودمندی از بیشتر تكنیك ها ی آماری چند متغیره در كادر 1-18 ارائه شده است. كادر 1-18 طبقه بندی شیوه های چند متغیرهشیوه های وابسته یا بر همبستگی؟اگر برای توضیح متغیر وابسته بر اساس دو یا چند متغیر مستقل از تكنیك چند متغیره استفاده كنیم به تجزیه و تحلیل و درك وابستگی مبارات نموده ایم.شیوه وابسته را می توان به عنوان شیوه هی تعریف نمود كه در آن یك متغیر به وسیله متغیرهای مستقل دیگر توضیح داده می شود. تكنیك های وابسته شامل تجزیه رگ رسیون چندگانه،تحلیل مبین (ممیز)، manova ، تحلیل همیشه می باشد.كادر 2-18 خلاصه شیوه های جند متغیره گزینش شده: رگراسیون چندگانه محققان بازاریابی را در پیش بینی یك متغیره متری وابسته از دو یا چند متغیر مستقل كه از نظر متری سنجش شده اند را توانمند می سازد.تحلیل مبین:چندگانه می تواند یك متغیر غیر متری وابسته را از میان دو یا چند متغیر مستقل متری پیش بینی كند.تحلیل فاكتوری:در خلاصه نمودن اطلاعات موجود شمار گسترده ای ا ز متغیرها زیر مجموعه های كوچكتر یا فاكتور ها استفاده می شود.تحلیل خوشه ای:در طبقه بندی نمودن پاسخ دهندگان یا اشیاء (به عنوان مثال فراورده ها،ذخایر)به گروه هایی كه یكنواخت هستند استفاده می شود.تحلیل همبسته:در بر آورد نمودن ارزش (كارائی) محصولات مختلف و خدمات ار نظر پاسخ دهنده به كار می رود.باز نمایی ادراكی:در سنجش دادن بینش های پاسخ دهنده از محصولات، نشان های تجاری ویژه،شركت ها،و . . . كه به طور بصری می باشد استفاده می گردد.تاثیر مقیاس های سنجش:ماهیت مقیاس های سنجش درست مانند شیوه های دیگر تحلیل،تعیین تكنیك چند متغیره در تحلیل داده می باشد. گزینش شیوه چند متغیره صحیح نیازمند بررسی نوع سنجش های استفاده شده در متغیرهای وابسته و مستقل می باشد.وقتی متغیر وابسته به صورت غیر متری سنجش می شود. شیوه های مناسب تحلیل مبین و همبسته هستند و زمانیكه متغیر وابسته به طور متری اندازه گیری می شود تكنیك های مؤثر رگرسیون چندگانه،MANOVA.ANOVA و همبسته می باشند.تحلیل رگراسیون چندگانه و مبین معمولا نیارمند متغیرهای مستقل متری هستند ،اما می توانند از متغیرهای مصنوعی غیر متری نیز استفاده كنند.تحلیل های MANOVA.ANOVA و همبسته متناسب با متغیر های مستقل غیر متری می باشند. تكنیك های بر همبستگی تحلیل فاكتوری و تحلیل خوشه ای به طور پیوسته با متغیر های متری بكار می روند،اما تطبیقات غیرمتری نیز امكان پذیز است. تكنیك های بر همبستگی:بحث راجع به تكنیك های خاص چند متغیره را با تحلیل شیوه های بر همبستگی آغاز خواهیم نمود.هدف تكنیك هایی از قبیل تحلیل فاكتور و خوشه ای پیش بینی متغیری از یك سری متغیرهای مستقل نیست.بلكه خلاصه نمودن و ارائه دركی روشن از تعداد زیادی متغیر می باشد.تحلیل فاكتور:تكنیك آماری چند متغیری است كه به منظور خلاصه نمودن اطلاعات موجود شمار گسترده ای از متغیر ها در زیر مجموعه های كوچكتر یا فاكتورها استفاده می شود.هدف تحلیل فاكتور ساده نمودن داده ها می باشد با وجود تحلیل فاكتوری تفاوتی بین متغیرهای وابسته و مستقل وجود ندارد. امروزه اكثر مشكلات پیشاروی تجار اغلب در نتیجه تركیب چند چند متغیر می باشد. به عنوان مثال،اگر امتیاز دهنده محلی ام سی دونالد به ارزیابی رضایت مشتری علاقمند باشد،اكثر متغیرهای علاقه را باید بسنجد. متغیرهایی مانند تازه بودن غذا، زمان انتظار، مزه، دمای غذا، تمیزی و رفتار محبت آمیز پرسنل از طریق تعدادی سؤال درجه بندی شده اندازه گیری خواهد شد. اجازه دهید به مثال اولیه از تحلیل فاكتور بپردازیم. داده های پنج مشتری كه رستوران فست فود را در شش ویژگی توصیف نموده اند در كادر3-18 ارائه شده است.مشتریانی كه كمترین امتیاز را به زمان انتظار داده اند،برای تمیزی و پرسنل نیز امتیاز كمی در نظر گرفته اند سه مشخصه دیگر یعنی تازگی، مزه، دما الگوی دیگری پدید آورده اند. در این مورد امتیازات در هر سه متغیر بالا می باشد. بر اساس الگوی داده ها می توان این شش مقیاس را در دو مقیاس مختصر یا فاكتور كمیت خدمات و غذا تركیب نمود.(كادر 4-18) فاكتور متغیرها همان طور كه در مثال بالا توضیح دادیم هدف كلی تحلیل فاكتور خلاصه نمودن اطلاعات می باشد. هدف آماری تحلیل فاكتور تعییین وجود تركیب خطر از متغییرها (به عنوان مثال، زمان، انتظار، تمیزی، پرسنل) است كه بتواند به محقق در خلاصه نمودن داده ها و شناسایی روابط اساسی كمك كند. نقطه آغازین در تفسیر فاكتور تحلیل بارهای فاكتوری است. بار فاكتوری به همبستگی بین هر یك از متغیرها ی اولیه و فاكتورهای توسعه یافته جدید اشاره دارد. بارهای فاكتوری مانند همبستگی ها می توانند از0/1+ تا 0/1- متغیر باشند. اگر متغیر A4 (مزه غذا) ارتباط نزدیكی با فاكتور 2 داشته باشد،همبستگی یا بار فاكتور بالا خواهد بود. تحلیل آماری مرتبط باتحلیل فاكتور می تواند بار فاكتوری بین هر فاكتور و هر یك از متغیر های اولیه ایجاد كند. نتیجه این تحلیل آماری در كادر(5-18) ارائه شده است. مرحله بعدی در تحلیل فاكتور نامگذاری فاكتورهای منتج می باشد. محقق متغیرهایی را كه بار بالایی در هر فاكتور دارند،مورد بررسی قرار می دهد.اغلب انسجام خاصی میان متغیرهای كه بار بالایی در فاكتور مذكور دارند،دیده می شود. ویژگی پایانی تحلیل تحلیل فاكتور به تعداد فاكتورهای حفظ شده مربوط می باشد. تصمیم گیری درباره تعداد فاكتورها فرایند بسیار پیچیده ای است،زیرا در هر مشكل تحلیل فاكتور بیش از یك راه حل احتمالی وجود دارد. مقیاس مهم در تعیین تعداد فاكتورها درصد وروش در داده های اولیه ای است كه به وسیله هر فاكتور توضیح داده شده است. برنامه كامپیوتری تحلیل فاكتور جدولی از اعداد ایجاد خواهد نمود كه بیان كننده درصد وروش توضیح داده شده توسط هر فاكتور می باشند.كاربردهای تحلیل فاكتور در تحقیق بازاریابی:اگر چه مثال فست فود قدرت تحلیل فاكتوری را در ساده نمودن بینش های مشتری نسبت به رستوران فست فود روشن نمود،این كلینیك در تحقیق بازاریابی كاربردهای مهم دیگری نیز دارد.تبلیغات بازرگانی:از تحلیل فاكتور می توان برای درك بهتر خصلت های رسانه ای مشتریان مختلف استفاده نمود. ارزشیابی كردن:تحلیل فاكتور می تواند در شناسایی ویژگی های مشتریان حساس به قیمت و حساس به اعتبار كمك كند.محصول:می توان از تحلیل فاكتور در شناسایی ویژگی های نشان های تجاری ویژه كه بر انتخاب مشتری مؤثر می باشد استفاده نمود.توزیع:تحلیل فاكتور می تواند در درك بهتر معیارگزینش در میان بخش های توزیع به كار گرفته شود.كاربرد SPSS تحلیل فاكتور:اهمیت تحلیل فاكتور در پایگاه داده ای رستوران شرح داده شد. در پایگاه داده یمان شش متغیر داشتیم كه از نظر متری اندازه گیری شده بودند. این متغیرها X1 تا X6 می باشند آیا می توانیم تعداد ابن متغیرها را كاهش دهیم.توالی كیلیك SPSS ANALYZEDATAREDUCTIONFACTOR است كه به كادر دیالوگ كه می توانند متغیرهایX1-X6 را انتخاب كنید منتهی می شود.بعد از اینكه این متغیر ها قرار دادید به گزینه های تحلیل داده نگاه كنید. اول برروی كادر Descriptive كیلیك نمایید. سپس برروی كادر uninvariate Descriptiven كیلیك كنید.این كار را ادامه دهید تا به كادر قبلی دیالوگ برسید.سپس به كادر Extraction بروید.در این مرحله به نبود اجزاء اصلی توجه نكنید،Unrotated factor solution را از حالت كیلیك خارج نمایید. حال بر روی كادر Continue كیلیك كنید.بعد به كادر Rotation بروید.در اینجا كمبودی وجود ندارد ما می خواهیم به نوبت این كارها را انجام دهیم. بنابراین برروی varimax كیلیك كنید و ادامه دهید در پایان نیز به كادر options بروید و برروی Stored by size كیلیك كنید و سپس مقادیر مطلق را از 10 تا 30 تغییر دهید.انتخاب های پایانی اطلاعات غیر ضروری را حذف كنید و بنابراین نسخه های چاپی راه حل های آسانتر خوانده می شوند. در اینجا نیازی به امتیاز نداریم بنابراین می توانیم برای اجرا نمودن تحلیل فاكتوربر روی ok در قسمت بالای كادر دیالوگ كیلیك كنیم.اولین جدولی كه در بدون دادخواهید دید آواز توصیفی می باشد. استفاده از تحلیل فاكتوری با رگرسیون چندگانه:ممكن است گاهی بخواهیم نتیجه تحلیل فاكتوری را با تكنیك چند متغیره دیگری مانند رگرسیون چندگانه استفاده نماییم. این روند هنگام بكارگیری تحلیل فاكتوری در تركیب تعداد بسیاری از متغیرها به منظور دست یافتن به منظوردست یافتن به مجموعه های كوچكتری كارا می باشد.می توانیم این موضوع را با مثال پیشین در كه شش بینش در دو فاكتور عملكرد ها و غذا گنجانده شد شرح دهیم. بدون تحلیل فاكتور دیدگاه های مشتری را باید در شش ویژگی جداگانه بررسی كنیم. اما اگر از نتیجه تحلیل فاكتور استفاده كنیم فقط باید دو ویژگی با فاكتور را بررسی نماییم.برای استفاده از دو فاكتور در رگرسیون چندگانه باید ابتدا امتیازات فاكتور را محاسبه كنیم. امتیازات فاكتور متشكل از امتیازات بر آورده شده برای هر پاسخ در هر یك از فاكتورهای مشتق شده می باشد. به كادر دیالوگ Spss بر گردید در قسمت پایین این كادر، امتیازات را كه قبلا ا ستفاده نكرده اید مشاهده خواهید نمود. برروی این كادر كیلیك وسپس بر روی Save as varibhes كیلیك كنید.با انجام این كار گزینه های بیشتری را مشاهده خواهید نمود. اما فقط از Regression. Defomt استفاده نمایید. حال بر Continue وسپس Ok كیلیك كنید بدین صورت خواهید توانست امتیازات فاكتورها را محاسبه كنید. نتیجه امتیاز دو فاكتور برای هر 50 پاسخ دهنده خواهد بود.آنها در انتهای سمت راست پایگاه داده ای ظاهر خواهند شد و عنوانی Fac2-1. Fac1-1 خواهند داشت. حال می خواهیم بدانیم آیا تعبیرات رستوران كه به وسیله فاكتورها اندازه گیری شده اند با رضایت ارتباطی دارند. در این مورد متغیر متری وابسته رضایت (X9-satis faction )X 9 است و متغیرهای مستقل امتیازات فاكتورها می باشند. توالی كیلیك SpssANALYZEREGRESSIONLINEARاست كه به كادر دیالوگ كه می توانید متغیرها را انتخاب كنید منتهی می شود. باید X9 را بعنوان وابسته و fac2-1 . fac1-1 را بعنوان مستقل انتخاب كنید. چندین نوع تحلیل نیز وجود دارد كه می توانید آنها را قسمت پایین كادر دیالوگ انتخاب نمایید. ولی در اینجا از برنامه defawt استفاده می كنیم. وقتی بر روی OK كه در قسمت بالای سمت راست كادر دیالوگ است ، كیلیك می كنید،regression (رگرسیون) را اجرا خواهید نمود. با نگاه كردن به برون داد از جدول متغیرهای وارد شده /خارج شده در می یابید هر دو امتیاز فاكتوری بعنوان متغیرهای مستقل و سطح رضایت به عنوان متغیر وابسته شده اند جدول خلاصه نشان میدهد كه مجذور0/549 R- است جدول ANOVA حاكی از آن است كه آن از نظر آماری در سطح ooo می باشد. برای تعیین اینكه آیا یك یا هر دو متغیر امتیاز پیشگویی كننده مهمی از رضایت هستند باید جدول همبستگی را بررسی نماییم. ستون ضریب همبستگی بتا حاكی از آن است كه فاكتور 1عملكرد 530/0 و فاكتور 2 غذا 518/0 می باشد و سطوح اهمیت آماری آن به ترتیب ooo . ooo است. بنابراین ، از این تحلیل رگرسیون دریافتیم كه تعبیر عملكردها و غذا پیش گویی كننده قوی از رضایت هستند. در این فصل چگونگی استفاده از تكنیك چند متغیره تحلیل فاكتور را با تكنیك دیگر-رگرسیون شرح دادیم استفاده از تكنیك های چند متغیره دیگر درتركیب امكان پذیر است.تحلیل خوشه ای:تحلیل خوشه ای شیوه برهمبستگی چند متغیره دیگری است همان طور كه از نام آن برمی آید هدف اصلی تحلیل خوشه ای، طبقه بندی یا تقسیم كردن اشیاء 0به عنوان مثال مشتریان، محصولات ، حوزه های بازار)در گروههایی است كه اشیاء آن با توجه انواع گوناگون متغیرها مشابه هستند. در تحلیل خوشه ای هدف بدآن است كه اشیاء یك گروه مشابه ولی نسبت به گروه دیگر تا آنجا كه امكان دارد متفاوت باشد. بنابراین، در این روش سعی شده گروههای طبیعی میان متغیر های بیشمار بدون درنظر گرفتن هر یك از متغیرها به عنوان متغیر وابسته شناسایی شوند. بحث راجع به تحلیل خوشه ای را با این مثال درون یافتی آغاز می كنیم. رستوران فست فود ما در نظر دارد رستورانی جدید در شهركی درحال پیشرفت افتتاح كند.محققان بازاریابی ، این منطقه را به دقت بررسی نمودند. و اطلاعاتی از جمله جمعیت شناسی ،شیوه زندگی و هزینه صرف غذا دررستوران را گرد آوری نمودند. زنجیره فست فود در جستجوی بخش های خانگی بود كه تمایل داشتند رستوران جدید را بازدید كنند. با هدایت نمودن تحلیل خوشه ای داده های جمع آوری شده می توان بخش هدفی برای شركت شناسایی نمود. نتیجه تحلیل خوشه ای شناسایی بخش هایی خواهد بود كه هر یك از آنها شامل خانوارهایی با ویژگیهایی مشابه باشند در كادر 7-18 چهار خوشه یا بخش برای این رستوران ارائه شده است. همان طور كه در این مثال توضیح داده شد این رستوران شامل خانوارهایی است كه به ندرت از رستوران بازدید می كنند.(خوشه اول) خانوارهایی كه تمایل دارند در آنجا در رستوران واقع در شهرك مكرر غذا بخورند (شاخه دوم)، خانوارهایی كه تمایل دارند منحصرا به رستوران فست فود بروند (خوشه سوم) و خانوارهایی كه مكررا در آن رستوران و رستوران فست فود غذا می خوردند. مدیریت با بررسی ویژگیهای مرتبط با هر یك از خوشه ها می تواند خوشه ای متناسب با هدف در نظر بگیرید. شیوه های آماری در تحلیل خوشه ای:چندین شیوه آماری موجود است كه هر كدام بر پایه مجموعه متفاوتی از برنامه های پیچیده كامپیوتری قرار دارند. با این وجود، روند كلی در هر شیوه یكسان می باشد شامل سنجش شباهت های بین اشیاء است. میزان(درجه) شباهت بین اشیاء اغلب از طریق سنجش فاصله تعیین می گردد. به عنوان مثال میزان (تعداد دفعات) خوردن غذا در یك رستوران عالی =71 میزان خوردن غذا در رستوران فست فود =V2 . داده های V2,V1 در یك نقشه دو بعدی كه در كادر 7-18 رائه شده نشان داده شده است. هر یك از حروف بیان كننده موقعیت یك مشتری می باشند. فاصله بین هر دو حروف ارتباط مثبتی با شباهت های موجود در بین آنها دارد بنابراین فرد A شباهت بیشتری با فرد B دارد. نمودارهای خوشه ای اغلب نمودارهای پراكنده به دست می آیند. این فرایند پیچیده آزمایش و خطا است. خوشبختانه الگوریتم های كامپیوتری موجود است كه اگر خوشه ای نمودن با شیوه ای سیستماتیك و كارا همراه می باشد باید از آن استفاده نمود.كاربردهای تحلیل خوشه ای در تحقیق بازاریابی:با وجود آنكه مثال فست فودها توضیح داد چگونه تحلیل خوشه ای گروه های خانوار را تقسیم می كند. كاربردهای مهم دیگری نیز در تحقیق بازاریابی دارد. انجام پژوهش ها درباره محصولات جدید: نشان های تجاری دسته بندی شده می توانند به شركت در بررسی محصولات رقابتی اشان كمك كنند. نشان های تجاری موجود در یك دسته خوشه نسبت به نشان های موجود در دسته های دیگر رقابت شدید تری را نشان می دهند. آزمایش بازاریابی: گروه های تحلیل خوشه ای، شهرهای واقع در خوشه یكسان را به منظور آزمودن اهداف بازاریابی مورد آزمایش قرار می دهند. رفتار خریدار: تحلیل خوشه ای می تواند در شناسایی گروه های مشابه خریداران كه معیارهای انتخاب یكسانی دارند به كار گرفته شود. بخش بخش سازی بازار: تحلیل خوشه ای می تواند بخش های مختلف بازار را بر اساس متغیرهای جغرافیایی، جمعیت شناسی، روان نمودار و رفتارگرایی توسعه دهد. كاربرد Spss- تحلیل خوشه ای: ارزش تحلیل خوشه ای رامی توان به آسانی به وسیله پایگاه داده ای رستوران شرح داد. در پایگاه داده ای شش متغیر داریم كه از نظر متری سنجش شده اند. اینها متغیرهای x1تا xGهستند كه تعبیرات مشتریان رستوران می باشند. آیا زیر مجموعه ها یا خوشه هایی از 50 پاسخ دهنده وجود دارد كه متفاوت باشند. در گزینش متغییر ها باید متغیرهایی انتخاب شوند ك ه از نظر متری اندازه گیری شده اند و ارتباط منطقی ای با یكدیگر دارند از این شش متغیر دو متغیر غذا (كیفیت و تنوع) همانند دو متغیر پرسنل و تبحر و خوش اخلاقی به یكدیگر مرتبط اند. اجازه دهید با متغیر پرسنل X1وX3 كار كنیم وظیفه بعدی این است كه تعیین كنیم آیا دسته هایی از پاسخ دهندگان وجود دارد كه برداشت های كاملا متفاوتی از پرسنل داشته باشند توالی كیلیك spss ادامه خواندن مقاله در مورد ارزش تكنيك هاي چند متغيره در تحليل اطلاعات

نوشته مقاله در مورد ارزش تكنيك هاي چند متغيره در تحليل اطلاعات اولین بار در دانلود رایگان پدیدار شد.