<<
>>

КЛАССИФИКАЦИЯ СТАТИСТИЧЕСКИХ МЕТОДОВ

Статистические методы делятся на одно- и многомерные. Одномерные методы (univariate techniques) используются тогда, когда все элементы выборки оцениваются единым измерите­лем, либо если этих измерителей несколько для каждого элемента, но каждая переменная ана­лизируется при этом отдельно ото всех остальных.
Одномерные методы (univariate techniques) Методы статистического анализа, применяемые для анализа данных в случаях, если сущест- : единый измеритель для оценки каждого элемента выборки, либо если этих измерите­лей несколько, но каждая переменная анализируется отдельно ото всех остальных. Многомерные методы (multivariate techniques) прекрасно подходят для анализа данных, если для оценки каждого элемента выборки используется два или больше измерителей, а эти пере­менные анализируются одновременно. Такие методы применяются для определения одновре­менных взаимосвязей между двумя или больше Многомерные методы (multivariate techniques) Методы статистического анализа, применяемые для анализа данных, если для оценки каж­дого элемента выборки используется два или больше измерителя и эти переменные анали­зируются одновременно. Данные методы применяются для определения одновременных взаимосеязей между двумя или больше явлениями. Многомерные методы отличаются от одномерных прежде всего тем, что при их использова­нии центр внимания смещается с уровней (средних показателей) и распределений (дисперсий) явлений и сосредотачивается на степени взаимосвязи (корреляции или ковариации) между этими явлениями [15]. Оба этих вида статистических методов анализа подробно описаны в по- главах, но сейчас мы покажем, как разные методы взаимосвязаны в общей схеме классификации. Одномерные методы можно классифицировать на основе того, какие данные анализируют­ся: метрические или неметрические. Метрические данные (metric data) измеряются по интер­вальной шкале или относительной шкале. Метрические данные (metric data) Данные, которые по своей природе интервальные или относительные. Неметрические данные (nonriietnc data) оцениваются по номинальной или порядковой шкале (см. главу 8). Неметрические данные (nonmetric data) Данные, полученные на основе измерений по номинальной или порядковой шкале. Затем эти методы делят на классы на основе того, сколько выборок — одна, две или более — анализируется в ходе исследований. Заметим, что число выборок определяется тем, как ведется работа с данными для конкретного анализа, а не тем, каким способом собирались данные. На­пример, данные по лицам мужского и женского пола можно получить в пределах одной выбор­ки, но если их анализ нацелен на выявление разницы в восприятии, основанной на разнице полов, исследователю придется воспользоваться двумя разными методами выборки. Выборки считаются независимыми, если они выделены из разных генеральных совокупностей произ­вольно. Для анализа данные, относящиеся к разным группам респондентов, например собран­ные от лиц женского и мужского пола, обычно обрабатываются как независимые выборки. С другой стороны, если данные по двум выборкам относятся к одной и той же группе респон­дентов. выборки считаются /фг/Ьис:иини в пары. Что касается метрических данных, то если существует только одна выборка, может использо­ваться z- и /-критерий.
Если же независимых выборок две или больше, в первом случае можно воспользоваться и /-критерием для двух выборок, в во втором — методом однофакторнор ■ дис­персионного анализа. Для двух связанных выборок используется парный /-критерии. Если речь идет о неметрических данных по одной выборке, исследователь может воспользоваться критерия­ми частотного распределения, критерием крите­рием серий и биномиальным критерием. Для двух независимых выборок с неметрическими данными можно прибегнуть к следующим методам анализа: хи-квадрт, Машна—Ум тип, ме­дианы, К -С, однофакторным дисперсионным анализом Круск.ала—Уоллиса (ДА К-У). В от­личие от этого, если существует две или больше взаимосвязанных выборок, следует воспользо­ваться критериями знаков, Мак-Немара и Уплкоксона (рис. 14.6).
• Критерии хи-квадрат ■ Критерии знаков • Критерий Мзнна-Уитни • Критерий Вилкоксона • Медианы ■ Критерий МакНемара • Критерий Колмогорова- ■ Критерий и квадрат Смирнова • Критерий Крускала- Уоллиса и ANOVA

аполш

Рис. 14.6. Кшссификищч одномерных статистических методов

540

Многомерные статистические методы можно разделить на методы зависимости и методы взаимозависимости (рис. 14.7).

Факторный анализ

Кластерный анализ Многомерное шкалирование

Многомерный дисперсионный и ковариационный анализ ■ Анализ канонической корреляции Множественный дискриминантный анализ

• Кросс-табуляция (более двух переменных) • Дисперсионный и ковариационный анализ • Множественная регрессия •Двухгрупповой дискриминантный анализ • Совместный анализ

Рис. 14.7. Классификация многомерных статистических методов Методы зависимости (dependence techniques) применяются в случаях, когда одна или боль­ше переменных идентифицированы как зависимые, а остальные — как независимые. Методы зависимости (dependence techniques) Методы, применяемые в случаях, когда одна или больше переменных идентифицированы как чависимые, а остальные - как независимые. Если есть только одна зависимая переменная, используются такие методы анализа, как кросс-табуляции, дисперсионный и ковариационный анализ, регрессионный анализ, двух- групповом дискриминантный анализ и совместный анализ. Однако, если имеется больше од­ной зависимой переменной, следует воспользоваться многомерными методами анализа: дис­персионным и ковариационным, методом канонической корреляции и множественным дис- криминантным анализом. При применении методов взаимозависимости (interdependent techniques) переменные не подразделяются на зависимые и независимые; напротив, исследует­ся весь набор взаимозависимых взаимосвязей. Методы (interdependent techniques) Многомерные статистические методы, цель которых - сгруппировать данные по лежащему в

541

основе сходству, что позволяет интерпретировать разные структуры данных. При этом пере­менные не подразделяют я на зависимые и независимые. Методы данного типа нацелены прежде всего на выявление взаимозависимости перемен­ных либо межобъектного сходства. При исследовании взаимозависимости переменных чаще всего применяется факторный анализ. Анализ межобъектного сходства можно вести, используя методы кластерного анализа и многомерного шкалирования [17].

<< | >>
Источник: Нэреш К. Малхотра. Маркетинговые исследования. Практическое руководство. 3-е изд., пер. с англ. - М.: — 960 с.. 2002

Еще по теме КЛАССИФИКАЦИЯ СТАТИСТИЧЕСКИХ МЕТОДОВ:

  1. § 5. Особенности статистической методологии. Статистический метод
  2. 5.5. Статистические методы управления качеством, их информационное обеспечение и компьютерное моделирование 5.5.1. Состав и общая характеристика статистических методов управления качеством
  3. 4.4. Метод Монте-Карло (статистических испытаний) СУЩНОСТЬ МЕТОДА
  4. 6.3. Статистические методы 6.3.1. Основные положения
  5. 3.1 Выбор статистического метода (методов) для решения проблемы
  6. Статистический метод
  7. 10.4. Статистические методы контроля качества
  8. 7.1.СТАТИСТИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ
  9. 4.3. СТАТИСТИЧЕСКИЕ МЕТОДЫ УПРАВЛЕНИЯ КАЧЕСТВОМ
  10. 4.1. Экономико-статистические методы
  11. 4.4.3. Статистические методы контроля качества
  12. СТАТИСТИЧЕСКИЕ МЕТОДЫ ОПРЕДЕЛЕНИЯ ОБЪЕМА ВЫБОРКИ
  13. 11.4. Вероятностно-статистический метод
  14. § 3. Статистические методы в криминологических исследованиях
  15. 44. Статистические методы
  16. 3. Анализ (обобщение статистического материала на основе средних, индексных, выборочных методов; метода рядов динамики; кор-реляционного анализа и корреляционно-регрессионного анализа)
  17. 11.3. Статистический метод — биномиальная схема
  18. 3.1. Методы статистического измерения в управлении качеством
  19. Суть статистического метода