市场调查多变量分析研究
大多数由市场上所收集到的资料都是多元的。原因很简单：千辛万苦安排的可以收集数据的客观环境，作为调研公司当然会尽量多获取一些不同类型的有效测量数据。因此，多变量的问题自然存在。
××顾问自98年开始探索这些多变量分析技术，通过大量的项目积累获得了丰富的研究经验。下面这些多变量分析技术是我们在市场研究分析中常用的方法与模型。
1、多元回归分析(RegressionAnalysis)
在对市场数据的分析中往往会看到变量与变量之间存在一定的相关关系，例如：某产品的价格和社会需求之间，服务满意度与服务之间都有密切的关系，研究变量之间相互关系密切程度的分析为相关分析。如果在研究变量的相关分析时，把其中的一些因素作为所控制的变量，而另一些随机变量作为它们的因变量，确定这种关系的数理方法就称为回归分析。它常应用于满意度研究、消费者研究、市场预测以及一些专业技术研究等方面。
2、因子分析(FactorAnalysis)
因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。常与其它技术联合使用，应用于满意度研究，市场细分研究中。
3、主成份分析(PrincipalComponentAnalysis)
主成份分析的目的是要对多变量数据表进行最佳综合简化。使用的方法是寻找这些变量的线性组合─称之为主成份，使这些主成份间不相关。为了能用尽量少的主成份个数去反映原始变量间提供的变异信息，要求各主成分的方差从大到小排列。第一主成份最能反映数据间的差异。
4、聚类分析(ClusterAnalysis)与判别分析(DiscriminantAnalysis)
聚类分析的目的在于辨别在某些特性上相似的事物，并按这些特性将样本划分成若干类（群），使在同一类内的事物具有高度的同质性，而不同类的事物则有高度的异质性。在市场研究中，聚类分析主要用于：
☆对消费者群进行市场细分
☆对产品进行分类
☆选择试验市场
☆确定分层抽样的层次
☆分析消费者的性格特征和行为形态等方面
判别分析（DiscriminantAnalysis）能够依据样本的某些特性，以判别样本所属类型。与聚类分析不同的是，判别分析是在已知研究对象可用某种方法分成若干类的前提下，建立判别函数，用以判定未知对象属于已知分类中的哪一类。在市场研究中，判别分析主要用于对一个企业进行市场细分，以选择目标市场，有针对性地进行广告、促销等活动。
5、联合分析（ConjointAnalysis）
通过联合分析可以模拟真实购买情况下，消费者的权衡之后的选择，消费者的回答在是综合各种条件包括自身经济条件做出的，反映了其潜在的权衡标准，而不会像传统测试方法中得出的价格最低，性能最优的非现实可操作的结论，也不会得到所有因素都非常重要或人们通常可以预料到的非实际反映的似是而非的结论。联合分析还可以预测并未实际测试过的产品组合的消费者认同程度和市场份额。
6、对应分析（CorrespondenceAnalysis）
对应分析通过分析有定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。常应用于品牌形象研究，市场细分和市场定位研究。
7、决策树（DecisionTree）
决策树将资料依据不同的变量循序产生分析结果，得到这一研究结果之后，甚至不需要拥有任何统计分析之知识，即可由决策树分析方式来判明消费者之特点与异同点。
8、多维偏好分析
多维偏好分析常用于分析消费者对产品与服务的偏好倾向，在市场研究中能具体解决如下问题：
☆圈定目标消费群体
☆市场上哪些品牌的竞争激烈
☆探索市场的空白区域
☆消费群体的分类
☆品牌评价
9、多维尺度分析
探索多个研究事物间的相似（不相似）程度，通过适当的降维方法，将这种相似（不相似）程度在低维度空间中点与点之间的距离表示出来，并有可能帮助识别那些影响事物间相似性的潜在因素，在市场研究中能具体
10、认知图
利用聚类分析，对应分析，可以生成结果更为直观的认知图。
举例说明：下图为手机市场的认知图。可得出的结论是：白领人士更偏好某品牌A；学生群体对于某品牌B的兴趣度较高；而私营业主对于某品牌C会更加青睐一些。
《市场调查多变量分析研究》相关文章>>>