运筹帷幄--市场营销研究与预测- 第10部分

　　　　这五个答案等级就可用在编号分类中。但如果问题是“请您指出您在今后两
年中的月收入大小”，其回答是具体数值，如140　元，就有必要依据回答的规律
进行分类。

　　　　像上面讨论的那样，对涉及到数量资料的问题（收入、销售量、使用频率、
旅行距离、年龄等），编号就是把数据放在某个间隔里。下面是一些常用的原则
：①应知道将要进行哪些类型的统计分析，进行的分类也要以研究的目的和假设
为依据。

　　　　②使用的间隔要使最常出现的答案（数）在中间。比如，如果有许多人回答
他们的收入在80元左右，而另一些人回答他们的收入在120　元左右，分类间隔就
应该是70～100　元，101　～13O　元等。而使用80～100　元，101　～120　元等则是
不合适的。

　　　　③分类间隔应是相互排斥的，如70～100　元，101　～150　元，＞150　元等。

　　　　而70～100　元，100　～150　元，≥150　元则会使应答者困惑。

　　　　④分类间隔多比分类间隔少好。如果分类多还可综合成较少的类别，而在一
开始就使用很少几类，则可能影响分析。比如把收入分为两类：≤100　元；＞100
元就太粗略，难以说明问题。

　　　　⑤使用多重分类。在不知道要进行什么统计分析或想要做何种分析时，就有
必要进行两种以上的分类。比如可以记下某个应答者的工资为85元，工资额也可
放在下面的间隔里，如50～70元；71～90元；91～110　元　。（2　）对定性资料进
行分类编号。在涉及到定性资料（职业、产品品牌等）时，应该注意下面几点：
①在分类与编号之前，要看是否有一定量的回答存在；②使用的分类与其它的资
料相适应以利于比较；③分类是简洁和互斥的，每个回答只能放在一个间隔里；
④包容所有可能的回答。这并不是指每个答案都应有一个数字编号，但每个回答
都应当能放在某个类别里。通常使用“其它”来包括所有没有指出

　　　　的答案选择；⑤在给一般消费者的邮寄调查中，常用开口问题来让回答者指
出他的职业“请谈谈您的职业”，而不是要他们在所规定的答案中作选择，因为
很多人不知道他们的工作应属什么职业。分类工作应该由研究者自己来审定；⑥
生活方式的分类可以把回答者的年龄、性别、家庭等都包括在一起。

　　　　但这并不能代替其它人文学上的问题。

　　　　（3　）数字尺度的类型。给每个问题的答案进行编号的目的是为对每个问题
进行表格化和统计分析作准备。在编号过程中要根据资料的类型和含义判断每个
问题的编号属什么类型的数字尺度。

　　　　例如，对某路汽车服务进行调查，共提出25个问题，有7　个被调查者，每个
问题有4　种答案。应答结果可列表如下：表5。1　某路汽车服务调查问卷答案编号

　　　　答问　1　2　3　4　5　6　7　8　9　10　11　12　13　14　…　24　25案题应答者

　　　　1　1　2　2　3　2　4　1　1　3　2　4　1　2　1　1　3

　　　　2　3　2　4　1　1　3　3　2　1　2　3　1　3　2　4　2

　　　　3　2　1　4　2　3　3　2　2　2　1　1　2　2　3　1　3

　　　　4　2　1　2　4　2　4　2　4　4　3　3　1　2　1　2　4

　　　　5　1　4　5　1　1　1　1　3　2　4　2　1　3　1　4　1

　　　　6　1　1　3　3　1　2　4　2　2　1　1　2　1　3　3　1

　　　　7　3　3　1　2　2　4　3　1　1　2　3　1　2　1　1　4

　　　　…

　　　　□表格化这一步工作是把收集到的资料组合起来并且表格化，可以由人工或
计算机完成。表格化就是使答案以某种报告的形式出现。

　　　　1。每个问题的表格化分析工作数据分析的第一步通常是对每个问题进行单独
分析，常用的方法是频率分布分析和平均值分析。

　　　　（1　）频率分布分析。频率分布分析是指出每个问题中各备选答案被选择的
数量，如表5。2　和表5。3　中应答者家庭中有无录像机的数目和月收入范围数目及
其分布百分比，从而反映出被调查者家庭录像机的拥有比例以及收入范围分布。
由表中可以看出百分比在对数据进行解释、判断时比回答的绝对数量更直观、容
易。

　　　　表5。2　家庭有无录像机频率分布

　　　　录像机回答者数量（个）百分比（％　）

　　　　有　185　37　无　315　63　总和　500　100

　　　　EMBED　Word。Document。6　s（2　）平均值分析。对有些问题特别是有关被调
查者态度的问题的回答常需用某个简单数据，如样本平均值来进行描述。表5。4　
中描述了人们对与录像机有关问题的看法的平均情况。问题中使用了赖克梯量度
（完全同意7　——完全不同意1　）。第一栏数据给出了500　位被调查者回答的总
平均值。

　　　　结果表明，总的来说被调查者认为家庭需要录像机；录像机目前的价格太贵
；对国产录像机的质量稍有不信任感。而按家庭是否有录像机来分，被调查者的
回答又有一定差别（见表中其它几栏数据）。与家庭没有录像机的被调查者相比，
有录像机的被调查者偏向于认为录像机是必需品，不那么认为录像机价格太贵。
对国产录像机的评价也较高。

　　　　平均值总平均差别陈述有录像机无录像机1。录像机是必需品　4。6　5。6　4。0　1。6　
2。目前录像机价格太贵　5。3　4。1　6。0　…1。9　3。国产录像机质量尚可　3。9　4。2　3。7　
0。5　样本大小　500　185　315

　　　　在对每个问题进行分析时是使用频率分布分析还是平均值分析，视具体情形
而定。一般来讲频率分布分析能提供较多的信息，而平均值分析只能以一个数据
表达总的综合情况而反映不了某些回答的极端情况。因此在计算平均值时也常要
求计算出标准差。频率分布分析在对潜在的顾客进行分类或市场分片时很有用。
另外对使用类别尺度的问题也只能使用频率分布分析。而平均值分析则多用于对
态度测量问题的分析。

　　　　2。多问题和多因素的综合分析——横列表法资料分析的第二步是对每个单个
问题针对不同的被调查者类型（或其它不同因素进行分解分析，因为在比较的情
况下会使对结果的分析更有意义。

　　　　对被调查者的分类有各种方法，如按产品的使用者与非使用者，高等收入、
中等收入与低等收入，不同教育程度，乡下与城市等对顾客进行分类。

　　　　如果最初的分析涉及到频率分布分析，则进一步的分析应使用横列表法。下
面对横列表法进行介绍。

　　　　横列表法的开始就是形成一维的数据，然后把这些数据分成两个或多个类目。
所使用的类目必须基于研究的目的。当然有些类目也可能是出于研究者直觉上的
考虑以便寻求某些可能的联系。下面是一个描述横列表法应用的例子。

　　　　（1　）横列表法的应用举例。某保险公司对影响保险户开车事故率的因素进
行调查，并对各种因素进行了横列表分析。从初始表（表5。5　）中可以

　　　　看出有61％的保险户在开车过程中队未出现过事故。

　　　　表5。5　驾车者的事故率

　　　　百分比（％　）

　　　　开车时无事故　61　开车时至少经历一次事故　39　样本数量（人）　17800

　　　　然后在性别基础上分解这个信息，判断是否在男女驾车者之间有差别。这样
就出现了下面这种二维的表（表5。）。6　表5。6　男女驾车者的事故率男（％　）女
％　开车时无事故　56　66开车时至少有一次事故　44　34样本数量（人）　9320　8480

　　　　这个表的结果令男士懊恼，因为他们的事故率要高，也表明女士驾驶车时涉
及事故的人数较男的要少。但人们会提这样的疑问而否定上述判断的正确性，即
男的事故多，是否因为他们驾驶的路程较长。这样就引入第三个因素“驾驶距离”
（表5。7　）。

　　　　表5。7　不同驾驶距离下的事故率男（％　）女（％　）

　　　　驾驶距离＞1　万公里＜1　万公里＞1　万公里＜1　万公里开车时无事故51　73　
50　73　开车时至少49　27　50　27　有一次事故样本数量（人）　7170　2150　2450　6050

　　　　表5。7　的结果表明，男驾驶者的高事故率是由于他们的驾驶距离比女的长，
并没有证明男的或者是女的驾驶得更好或更仔细。结果仅证明事故率只跟驾驶的
距离成正比而与驾驶者的性别无关。

　　　　（2　）横列表中使用因素的选择。上面的例子说明横列表使用的成功，取决
于研究者选择关键因素以及根据这些因素组成横列表的能力。使用的因素的类型
和数量随着研究的性质而变化。在简单的事实收集研究中，要考虑的因素是已知
的，研究者只不过是把资料按需要的形式组合。如研究武汉市拥有彩电的家庭，
要使用的因素比较明确，即彩电的拥有与家庭人员的年龄、收入、职业的关系。

　　　　在描述性的研究中，研究者有较大的范围来选择这些因素。例如某大公司想
判断有哪些关键因素影响着它的销售人员的能力。这些因素可能包括销售员的年
龄、经历，或许还有在学校里学的课程、参加社交活动的次数等等。

　　　　在这种情况下，横列表中要用的因素取决于研究委托人的要求和研究者直观
的探索。

　　　　在探索性的研究中，研究者可凭直觉选择所有的用于横列表的因素。例如在
研究消费者时，研究者自由选择那些可能会景响购买偏好的因素（年龄、性别、
生活方式、收入、教育等）。

　　　　但不管研究者有多大的自主权来选择用于横列表中的因素，这些因素的选择
都应当在资料收集之前就已决定。这并不是说其它因素不可增加进去，只是因为
横列表分析只能基于有数据基础的因素上进行。

　　　　（3　）从横列表里发现含义。使用横列表的目的是发现可能存在于某些因素
之间的联系。下面再举例说明。

　　　　假设一研究课题为调查某小镇居民看电影的习惯而选择了1000个居民样本
（年龄大于12岁）作为调查对象。研究结果表明26。7％的人是有规律的看电影者
——每月两次以上（见表5。8　）。

　　　　表5。8　居民看电影的习惯百分比（％　）样本量（人）％　常看　26。7　267　不常
看　73。3　733　总和　100　1000

　　　　已假设大学生与非大学生居民相比是常看电影者。因此这些资料可以分解为
下面的表格（表5。9　）。表5。9　大学生与非大学生居民看电影的习惯大学生非大
学生常看　37％　21％不常看　63％　79％样本量（人）　350　650

　　　　表5。9　表明大学生看电影和习惯与非大学生居民不同。但在我门接受这个结
论之前，还要问“年龄对看电影的习惯是否有影响？”表5。10列出了年龄对看电
影习惯的影响。

　　　　表5。10年龄对看电影习惯的影响≤23岁＞23岁常看　35％　20％不常看　65％　80％
样本量（人）　450　550

　　　　当引入年龄这个因素时，就很明显地发现年龄是影响看电影习惯的关键因素，
即常看电影的多是年轻人。这义涉及到下面的问题“大学生是因为年轻而多看电
影还是由于年轻人进大学才多看电影？”（见表5。）。11

　　　　≤23岁＞23岁样本量（人）

　　　　大学生非大学生大学生非大学生常看　36％　34％　22％　20％　267不常看　64％　66％　
78％　80％　733　样本量（人）　270　180　77　473　1000

　　　　上表表明大学生常看电影是因为大学生年龄多在23岁以下。而进大学与年龄
相比是影响看电影频率的第二位因素，年龄是决定看电影习惯的关键因素。

　　　　（4　）同步分析与顺序分析。表5。9　和表5。10中提出的资料是顺序分析的例
子，即一次解释一个因素的影响。而表3。11则提供了同步分析的例子，即同时分
析两个以上的因素。顺序分析常会引起令人误解的结果而同步分析则可辨别上述
这些误解。

　　　　下面要谈谈相关性问题。当一个因素自然地影响到另个因素时，相关性就存
在。例如企业研究职工婚姻状况与旷工次数的关系。第一个横列表分析可能会发
现结婚的妇女比单身女工更容易旷工，第二个分析则可能表明另一关键影响因素
是妇女的家务事即孩子、家务活等。所有这三个因素可以放在一起，即结婚的妇
女比单身的妇女有更多的家务责任，并且有较多家务责任的妇女有较高旷工率。
用符号表示就是F1（婚姻）→F2（家务事）→F3（较大旷工率）。这种转变关系
是真正的相关关系，但这个过程不能倒过来，即较高的旷工率并不导致较多的家
务责任。

　　　　而在前面讨论的学历、年龄与看电影频率的例子中，这种过程就不存在，因
为上大学并不能导致年龄。而年龄是决定