В данном примере, как уже отмечалось, число экспериментальных данных превышает необходимое число их для выполнения простейших расчётов. Но это не означает, что часть данных является совсем уж излишней и напрасно были затрачены труд и время на их получение. Избыточные данные можно (и нужно) с успехом использовать для повышения точности расчётов, для выбора наиболее подходящей ценовой модели.
72
3.3. ОБРАБОТКА ДАННЫХ МАРКЕТИНГОВОГО ЭКСПЕРИМЕНТА В РАМКАХ ЛИНЕЙНОГО РЕГРЕССИОННО-КОРРЕЛЯЦИОННОГО АНАЛИЗА
Рассмотрим здесь в общем виде стандартную практическую процедуру обработки экспериментальных данных, использующую методику линейного регрессионного анализа и элементарную оценку уровня корреляции.
Будем считать, что некоторая фирма провела экспериментальное маркетинговое исследование, изучая, как влияет изменение некоторой рыночной величины г на изменение другой рыночной величины М . При этом реальный смысл величин г и М для нас в этом пункте не имеет никакого значения. Просто полагаем, что экспериментальным путём проводится изучение зависимости М от г .
В ходе эксперимента фирма своей волей, руководствуясь собственными соображениями, задаёт некоторое определённое значение величине г и регистрирует теперь уже не зависящий от её воли отклик рынка на данное значение г появлением соответствующего значения некоторой величины М. И такое повторяется п раз при различных значениях величины г . Представим результаты эксперимента в виде набора п пар чисел:
г,, М! ; г2 , М2 ;
'Т. к"
Таким образом, в нашем распоряжении имеется два вариационных ряда,
г, ^ гп и М1 ^ Мп ,
между которыми, по нашему разумению, имеется некоторая связь (корреляция), позволяющая судить о существовании вполне определённой зависимости М(г), отражающей некоторую сущность данного рынка.
Предположим, что истинная зависимость М от г в интересующем нас диапазоне значений аргумента может быть довольно хорошо представлена линейной функцией:
М(г) = а + Ьг . (3.14)
73
Конечно, это - лишь предположение (в данном случае модель связи между М и г ). Но оно является разумным, если учесть, что любая непрерывная (вместе со своей производной) функция М(г) в некоторой области изменения аргумента может с заданной точностью быть представлена линейной функцией. Пределы нашего рассмотрения могут быть существенно расширены, если мы будем работать также и с нелинейными функциональными зависимостями, которые после соответствующих операций могут быть представлены как формально линейные соотношения (см. ниже).
Будем называть уравнение (3.14) уравнением линейной регрессии.
Наша задача - опираясь на представленные выше экспериментальные пары чисел, построить наилучшим образом функциональную связь вида (3.14), то есть наилучшим образом найти для рассматриваемого случая числа а и Ь (они называются регрессионными коэффициентами). Экспериментальные данные в виде точек и регрессионная линия (3.14) показаны в виде примера на рис. 3.3. Наилучшим выбором мы считаем такой выбор регрессионных коэффициентов, который обеспечивает минимальность суммы квадратов отклонений экспериментальных точек от линии регрессии.
После того, как числа а и Ь найдены (ниже будет показано, как это сделать), нам надлежит убедиться, что линейная зависимость (3.14) действительно приближённо выполняется и выяснить, насколько хорошим является это приближение.
» следующая страница »
1 ... 28 29 30 31 32 3334 35 36 37 38 ... 113