IX.1. Osnove analize podataka...1. Osnove analize podataka 2. Testiranje hipoteza 3. Regresiona i korelaciona analiza Novembar2018 Istraživanje tržišta Ekonomski fakultet, Beograd

16/11/2018

1

UVOD U ANALIZU PODATAKA

• Novembar 2018

Novembar 2018 Istraživanje tržištaEkonomski fakultet, Beograd

2

Oblasti izučavanja

I. Priroda i obuhvat marketinških istraživanjaII. Izvori podataka u marketinškim istraživanjimaIII. Faze istraživačkog procesaIV. Eksploratorna istraživanjaV. Deskriptivna istraživanjaVI. Merenje stavova i dizajniranje upitnikaVII. Uzročna istraživanja: Izvođenje eksperimenataVIII. Izvlačenje uzoraka, vrste uzorakaIX. Analiza podataka (1)X. Analiza podataka (2)...


3

IX. Analiza podataka (1)

1. Osnove analize podataka2. Testiranje hipoteza3. Regresiona i korelaciona analiza


4

IX.1. Osnove analize podataka

• Priprema podataka za analizu• Tabeliranje podataka• Faktori koji utiču na izbor tehnike za analizu podataka• Pregled statističkih tehnika za analizu podataka

16/11/2018

2


5

Priprema podataka za analizu

• Editovanje podataka• Kodiranje podataka• Statističko prilagođavanje podataka


6

Editovanje podataka (1)• Sprovodi anketar ili supervizor na terenu ili

istraživač pre početka analize • Treba identifikovati sledeće probleme:

– Greške anketara (daje loša/pogrešna uputstva)– Nedostajući odgovori– Nejasni odgovori (nečitki ili nejasni)– Međusobna neusklađenost odgovora (npr.

kontradiktorni) – Nedovoljna kooperativnost (npr. bira isti odgovor)– Neodgovarajući ispitanik


7

Editovanje podataka (2)• Pošto se identifikuju, problemi se mogu rešiti

primenom sledećih postupaka:– Ponovno kontaktiranje ispitanika, ako se smatra

značajnim– Odbaciti ceo upitnik ako je neupotrebljiv, ako ispitanik

nije razumeo anketu ili je bio nekooperativan– Odbaciti pojedinačno problematično pitanje– Kodirati nejasne odgovore u kategoriju “ne znam” ili

“nemam mišljenje”


8

Kodiranje• Zatvorena pitanja

– Šta su zatvorena pitanja i kada se koriste? – Prednosti i nedostaci zatvorenih pitanja– Kodiranje zatvorenih pitanja

• Otvorena pitanja– Šta su otvorena pitanja i kada se koriste? – Prednosti i nedostaci otvorenih pitanja– Kodiranje otvorenih pitanja?

16/11/2018

3


9

Statističko prilagođavanje podataka

• Ponderisanje;

• Respecifikacija varijabli;

• Veštačke varijable; i

• Transformacija skale.

Ponderisanje• Procedura po kojoj se svakom odgovoru iz baze

podataka, dodeljuje određeni broj (ponder) u skladu sa prethodno utvrđenim pravilom

• Koristi se da se postigne reprezentativnost uzorka – reprezentativnost u odnosu na ono što se želi izmeriti

• Ili da se bolje izmeri određena karakteristika – npr. ponderisanje tržišnim učešćem


10

Respecifikacija varijabli

• Procedura po kojoj se postojeći podaci modifikuju kako bi se formirale nove varijable da bi se bolje realizovali ciljevi istraživanja, npr. – veliki broj varijabli se pregrupiše u manji broj– računanje odnosa dve varijable da bi se formulisala

nova varijabla,– izvlačenje kvadratnog korena i logaritamske

transformacije, – korišćenje veštačkih varijabli.


11

Veštačke varijable• Nazivaju se još i instrumentalnim i kvalitativnim

varijablama• Respecifikacija kategorijske varijable• Ako postoji m nivoa kvalitativne varijable, koristi

se (m – 1) veštačka varijabla da se oni specifikuju – M-ta varijabla je definisana sa prethodnih m-1– Najlakše objasniti na dihotomnim (binarnim)

varijablama koje imaju samo dva nivoa.


12

16/11/2018

4

Transformacija skale• Manipulacija sa vrednostima merne skale • Da se obezbedi uporedivost, npr.

– Standardizacija se može primeniti samo na podacima koji su dati na intervalnoj ili skali odnosa

– Od svake realizovane vrednosti se oduzme srednja vrednost i podeli sa standardnom devijacijom


13

( ) xii sXXz -=


14

Tabeliranje podataka

• Raspored frekvencija• Deskriptivni statistički pokazatelji• Unakrsno tabeliranje


15

Tabeliranje podataka

• Koristi se za:

– “Čišćenje” podataka

– Određivanje empirijske raspodele (raspodele

frekvencija)

– Izračunavanje deskriptivnih statističkih pokazatelja

(srednje vrednosti i procentualno učešće)

• Zatim se podaci unakrsno tabeliraju kako bi se

videlo da li postoji povezanost između dve

tipično nominalne varijable.

Primer: Koliko često kupujete Politiku

Pol:

Svaki dan Najmanje jednom

nedeljno

Najmanje jednom

mesečno

Ni jednom

mesečno

Muški 80 70 30 20

Ženski 40 60 50 50


16

16/11/2018

5


17

Raspored frekvencija• Na kojoj skali moraju biti varijable?• Predstavlja broj dobijenih odgovora za svako

postavljeno pitanje• Može biti organizovano po klasama ili grupama

odgovora• Može se prikazati štapićastim dijagramom• Mogu se prekombinovati grupe/kategorije

pitanja, kako u zavisnosti od cilja istraživanja/vrste odgovora tako i frekvencije odgovora u pojedinim kateogrijama

Primer: Koliko često kupujete Politiku

Pol:

Svaki dan

Najmanje jednom

nedeljno

Najmanje jednom

mesečno

Ni jednom

mesečno

Uk.

Muški 80 70 30 20 200

Ženski 40 60 50 50 200

Uk. 120 130 80 70


18

Koliko često kupujete Politiku?


190 50 100

Svaki dan

Najmanje jednomnedeljno

Najmanje jednommesečno

Ni jednom mesečno

ŽenaMuškarac


20

Deskriptivni statistički pokazatelji

• Predstavljaju sumarnu informaciju dobijenu na osnovnu rasporeda frekvencija. Mogu biti:– Mere centralne tendencije (srednja vrednost,

medijana, modus),– Mere disperzije (interval varijacije, standardna

devijacija, koeficijent varijacije),– Mere oblika rasporeda (simetričnost i spljoštenost);

• Naravno, kod upotrebe nominalnih mernih skala može se koristiti samo raspored frekvencija.

16/11/2018

6


21

Čebiševljeva teorema• Određuje gde se vrednosti raspodele frekvencija nekog

pokazatelja nalaze u odnosu na njegovu srednju vrednost;• Bez obzira na raspored:

– Najmanje 75% vrednosti će biti unutar intervala ± 2 stand. devijacije,– Najmanje 89% vrednosti će biti u okviru ± 3 stand. devijacije,

u odnosu na srednju vrednost posmatranog parametra;• Ako je raspored simetrična kriva u obliku zvona, onda:

– Oko 68% vrednosti u populaciji će biti u okviru ± 1 standardna devijacija,– Oko 95% vrednosti će biti u okviru ± 2 standardne devijacije,– Oko 99% vrednosti će se nalaziti u okviru ± 3 standardne devijacije

u odnosu na srednju vrednost posmatranog parametra.


22

Unakrsno tabeliranje• Tehnika koja služi za posmatranje odnosa između dve i

više nominalnih varijabli;• Kada se obračun vrši po redovima ili kolonama, tabele

sa unakrsnim tabeliranjem se nazivaju tabele kontingencije, budući da su procenti suštinski uslovljeni ukupnim sumama po redovima ili kolonama;

• Najveći broj marketinških istraživanja ne ide dalje od unakrsnog tabeliranja, a čak i ona istraživanja koja koriste sofisticiranije analitičke metode još uvek koriste unakrsno tabeliranje kao važnu komponentu.

Primer: Koliko često kupujete Politiku?

Pol:

Svaki dan Najmanje

jednom

nedeljno

Najmanje

jednom

mesečno

Ni

jednom

mesečno

Muškarac 80 70 30 20

Žena 40 60 50 50

Novembar 2018 Istraživanje tržišta

Ekonomski fakultet, Beograd

23

Primer: Koliko često kupujete Politiku?

Pol:

Svaki dan

Najmanje jednom

nedeljno

Najmanje jednom

mesečno

Ni jednom

mesečno

Uk.

Muškarac

80 70 30 20 200

Žena 40 60 50 50 200

Uk. 120 130 80 70


24

16/11/2018

7

Koliko često kupujete Politiku?- Štapićasti dijagram -


250 50 100

Svaki dan

Najmanje jednomnedeljno

Najmanje jednommesečno

Ni jednom mesečno

ŽenaMuškarac


26

Faktori koji utiču na izbor tehnike za analizu podataka

• Vrsta podataka• Dizajn istraživanja• Pretpostavke na kojima se bazira

testiranje statističkih pokazatelja


27

Vrsta podataka• Podaci na nominalnoj skali (nemetrički):

– Frekvencije, jedina mera centralne tendencije je modus, hi-kvadrat test

• Podaci dati na ordinalnoj skali (nemetrički): – Percentili, kao i najveći broj neparametarskih testova (neki

put pogrešna primena parametarskih metoda)• Podaci dati na intervalnoj i na skali odnosa (metrički):

– Srednja vrednost (aritmetička sredina), mere disperzije, mere oblika raspodele, i širok izbor parametarskih i neparametarskih testova


28

Dizajn istraživanja (1)• Nezavisnost uzoraka, npr.:

X O1 ako se ne mere na istom skupu, koristi se O2 t-test za razliku dve srednje vrednosti; ALI

O1 X O2 ako su oba merenja na istom skupu onda se koristi t-test uparenih razlika.

• Broj grupa, npr.:X1 O1 postoje tri grupe i tri srednje vrednosti zaX2 O2 poređenje, ne može t-test za razliku srednjih

O3 vrednosti, već analiza varijanse

16/11/2018

8


29

Dizajn istraživanja (2)• Broj varijabli, npr.:

X O1 gde su ovo dva merenja različitih varijabli i O2, više se ne mogu koristiti univarijacione tehn.

• Kontrola nad uticajem varijabli


30

Pretpostavke na kojima se bazira testiranje statističkih pokazatelja

• Neophodno odlično poznavanje pretpostavki na kojima se pojedini testovi baziraju. Npr.:– Pretpostavke t-testa, na osnovu dva uzorka sa

istom s, su:1. Uzorci su nezavisni;2. Karakteristike koje nas zanimaju za svaku populaciju

imaju normalan raspored;3. Dve populacije imaju jednake varijanse.

t-test nije osetljiv na povredu pretpostavke o normalnom rasporedu, ali jeste na pretpostavku o jednakim varijansama.


31

Pregled statističkih tehnika za analizu podataka

• Univarijacione i multivarijacione tehnike• Parametarske i neparametarske tehnike• Tehnike zavisnosti i međuzavisnosti


32

Tehnike za analizu podataka

Univarijacione tehnike

Multivarijacione tehnike

Posmatra se samo jedna promenljiva

Posmatra se više promenljivih istovremeno

16/11/2018

9


33

Univarijacione tehnike za analizu podataka

Neparametarske statističke tehnike

Parametarske statističke tehnike

Podaci su nemetrički (nominalna i ordinalna skala)

Podaci su metrički (intervalna i skala odnosa)


34

Neparametarske tehnike analize podataka

- Hi-kvadrat- Kolmogorov-

Smirnov- RUNS

Postoji samo jedan uzorak

Postoje dva ili više uzoraka

Nezavisni uzorci

Zavisni uzorci

- Hi-kvadrat- Suma rangova- Kolmogorov –

Smirnov- KW ANOVA

- Test znakova- Vilkoksov test- Meknimarov

test- Kokranov Q-

test


35

Parametarske statističke tehnike

- t-test- z-test

Postoji samo jedan uzorak

Postoje dva ili više uzoraka

Nezavisni uzorci

Zavisni uzorci

- t-test- z-test- ANOVA

- Upareni t-test


36

Tehnike za analizu podataka

Univarijacione tehnike


Posmatra se samo jedna promenljiva

Posmatra se više promenljivih istovremeno

16/11/2018

10


37


Tehnike zavisnosti

Fokus na vari-jablama

Fokus na predmetima posmatranja

- Faktorska analiza

- Analiza skupina

- Višedimen-zionalno skaliranje

Jedna zavisna varijabla

Više zavisnih varijabli

- ANOVA i ANCOVA- Višestruka regresija- Diskriminaciona anal.- Analiza združenih

efekata

- MANOVA i MANCOVA

- Kanonička korelacija

Tehnike međuzavisnosti

Documents

IX.1. Osnove analize podataka...1. Osnove analize podataka 2. Testiranje hipoteza 3. Regresiona i korelaciona analiza Novembar2018 Istraživanje tržišta Ekonomski fakultet, Beograd