Багатомірне шкалювання: визначення, цілі, завдання та приклад
Етапи
Є кілька кроків у проведенні дослідження з допомогою багатовимірного шкалювання:
Формулювання проблеми. Які змінні ви хочете порівняти? Скільки змінних ви хочете порівняти? Для якої мети буде використовуватись дослідження?
Отримання вхідних даних. Респондентам ставлять ряд питань. Для кожної пари продуктів їх просять оцінити схожість (зазвичай по 7-бальною шкалою Лайкерта від дуже схожих до дуже різнорідних). Перше питання може бути, наприклад, для «Кока-Коли» / «Пепсі», наступний для пива, наступний для “Доктора Пеппера” і т. д. Кількість питань залежить від кількості брендів.
Альтернативні підходи
Є два інших підходи. Існує методика під назвою «Дані сприйняття: похідний підхід», в якій продукти розкладаються на атрибути, і оцінка відбувається за семантичної диференційної шкалою. Ще один метод – це підхід до даними про вподобання», при якому респондентам задають питання про уподобання, а не про подібність.
Він складається з наступних етапів:
Запуск статистичної програми MDS. Програмне забезпечення для виконання процедури є в багатьох статистичних програмних пакетах. Часто існує вибір між метричної MDS (яка має справу з даними про відстань або рівні відносини) і неметрической MDS (яка має справу з порядковими даними).
Визначення кількості вимірювань. Дослідник повинен визначити кількість вимірювань, яке він хоче створити на комп’ютері. Чим більше вимірів, тим краще статистичне відповідність, але тим важче інтерпретувати результати.
Відображення результатів і визначення вимірювань – статистична програма (або пов’язаний модуль) відобразить результати. На карті буде відображатися кожен продукт (зазвичай у двомірному просторі). Близькість продуктів один до одного вказує або на їх схожість, або на перевагу в залежності від того, який підхід використовувався. Однак те, як вимірювання насправді відповідають результатам поведінки системи, не завжди очевидно. Тут може бути зроблено суб’єктивне судження про відповідність.
Перевірте результати на надійність і достовірність – обчисліть R-квадрат для визначення частки дисперсії масштабованих даних, яка може бути врахована процедурою MDS. Квадрат R 0,6 вважається мінімально допустимим рівнем. Квадрат R 0,8 вважається хорошим для метричного масштабування, а 0,9 вважається хорошим для неметричного масштабування.
