Общие черты нарушения этики в ходе проведения марктеинговых исследований
Рассмотрим методику исследования, в ходе которого выяснялось отношение маркетологов к нарушению этики в различных странах. Выборка маркетологов объединила специалистов из Австралии, Канады, Великобритании и Соединенных Штатов Америки.
Оценки респондентов проанализированы компьютерными программами для MANOVA и ANOVA. При анализе страна, где живет респондент, являлась независимой переменной, а 15 оценок— зависимыми переменными. Значения /"-статистики при выполнении дисперсионного анализа указывали на то, что только две из 15 оценок были значимыми (р < 0,05 или лучше). Значение /'-статистики при выполнении многомерного дисперсионного анализа оказалось статистически незначимым, что указывало на отсутствие различий в оценках среди респондентов четырех стран. Поэтому был сделан вывод, что маркетологи из четырех стран одинаково относятся к неэтичной исследовательской практике [25].
Врезка 16.2. Практика маркетинговых исследований
MANOVA демонстрирует, что мнение мужчины отличается от мнения женщины
Для исследования различия в оценках этики мужчинами и женщинами использовали статистические методы MANOVA и ANOVA. Респондентов просили указать их степень одобрения серии сценариев, включающих решения этического характера. Эти оценки служили зависимыми переменными при анализе, а пол респондентов — независимой переменной. MANOVA использовали для выполнения многомерного анализа, в результате которого оказалось, что значение У7 является значимым с уровнем значимости р < 0,001. Это означает, что отношение мужчин и женщин к этике исследования полностью отличаются. Выполнен одномерный дисперсионный анализ, и /"-значения указали, что три пункта внесли наибольший вклад в различие оценок, даваемых мужчинами и женщинами этике исследования: использование ультрафиолетовых чернил для предварительного кодирования почтового вопросника; использование рекламы, которая способствовала неправильному использованию потребителями товара, и нежелание исследователя предоставить данные, которые помогли бы городской группе консультантов [27].
ИСПОЛЬЗОВАНИЕ INTERNET И КОМПЬЮТЕРА
Все три компьютерных пакета (SPSS, SAS, BMDP) имеют возможности для проведения дисперсионного и ковариационного анализа. Дополнительно к основному анализу, эти программы могут выполнять более сложный анализ. Minitab и Excel также предлагают некоторые программы для этой цели. Приведем описание соответствующих программ. Для детального ознакомления обратитесь к соответствующим руководствам [26].
Компьютерные программы для ANOVA и ANCOVA
SPSS
Можно эффективно выполнить однофакторный ANOVA, используя программ ONEWAY. Эта программа также позволяет проверить априорные и апостериорные контра сты. Для выполнения многофакторного дисперсионного анализа используем ANOVA. Хот: с помощью программы ANOVA можно определить ковариаты, она не позволяет выполнит полный ковариационный анализ. Для полного дисперсионного или ковариационного ана лиза, включая повторные измерения или множественные зависимые измерения, рекомен дуется процедура MANOVA. Для неметрического дисперсионного анализа, включая меди анный тест А:-выборок и однофакторный дисперсионный анализ Краскела—Уоллес (Kruskal—Wallis), следует использовать программу NPAR TESTS.
SAS
Основная программа для выполнения дисперсионного анализа в случае сбалансированнол плана — ANOVA. Она обрабатывает данные из широкого диапазона экспериментальных пла нов, включая многомерный дисперсионный анализ и повторные измерения. Можно прове рить как априорные, так и апостериорные контрасты. Для несбалансированных планов ис пользуется более общая GLM-процедура. Эта программа выполняет следующий анализ: дис персионный, ковариационный, дисперсионный с повторными измерениями и множествен ный дисперсионный, а также проверяет априорные и апостериорные контрасты. Хотя про грамма GLM используется и для анализа сбалансированных планов, она не настолько эффек тивна для таких моделей, как программа ANOVA. Процедура VARCOMP вычисляет компо ненты дисперсии. Для неметрического дисперсионного анализа используем NPAR1WAY.
BMDP
Для однофакторного дисперсионного анализа используем программу P1V. Она выполняе-ковариационный анализ, а также проверяют конкретные контрасты групповых средних. Одна ко более общей моделью является программа P2V, которая выполняет дисперсионный и кова риационный анализ для множества моделей эксперимента с фиксированными уровнями фак торов. Она также может обрабатывать повторные измерения, сбалансированные и несбаланси рованные планы. P4V, являясь более совершенной программой, может выполнят] многомерный дисперсионный и ковариационный анализы, в том числе и анализ комплекс ных экспериментальных планов. Другой специализированной программой является P3V, ко торая использует метод максимального правдоподобия для анализа моделей с фиксированны ми и случайными коэффициентами. Она подходит как для сбалансированных, так и несбалан сированных планов. P8V является общей моделью, которая выполняет дисперсионный анали: для любого полного плана с ячейками одинакового размера. Непараметрический дисперсионный анализ можно выполнить с помощью программы P3S. И наконец, программа P7D, кром< создания гистограмм, может выполнять однофакторный дисперсионный анализ.
Minitab
Дисперсионный и ковариационный анализ можно выполнить с помощью функции Stats>ANOVA. Она выполняет однофакторный ANOVA, однофакторный невложенные (unstacked) ANOVA, двухфакторный ANOVA, анализ средних, сбалансированный ANOVA ковариационный анализ, общую линейную модель, построение графика главных эффектов графика взаимодействия и графиков остатков. Для вычисления среднего и стандартного отклонений применима функция кросстабулирования. Для получения F и р значений используйте сбалансированный ANOVA.
Excel
С помощью функции Tools>Data Analysis можно выполнить как однофакторный, так я двухфакторный ANOVA. Двухфакторный ANOVA имеет возможности двухфакторного ана-
| лиза с повторением и без повторения. Двухфакторный анализ с повторением содержит не- | ||
| сколько выборок для каждой группы данных. | ANOVA3 | |
| J Иерархический метод | ||
| В центре внимания Burke | I Сумма Степени Средний F Значимое квадратов свободы (df) квадрат | |
| Часто задачи, для которых можно использовать ANOVA, имеют независимые перемен- | PI Главные эффекты (Совместный) 32,542 6 5,424 11,418 0,009 | |
| ные (предикторы), которые являются взаимосвязанными. Такая ситуация требует особого | Рейтинг 29,417 5 5,883 12,386 0,008 | |
| внимания. Проанализируем исследование, выполненное Burke, в котором коррелируют две | категориальные независимые переменные. Здесь приводится небольшой набор данных | Пол 3,125 1 3,125 6,579 0,050 | |
| \ (реальные данные являются собственностью компании). | Модель 32,542 6 5,424 11,418 0,009 | |
| Остаток ? ятя ц n /i7c | ||
| Намерение купить товар (PI) Рейтинг эффективности Пол | £,О г J j U4/J | |
| Итого 34,917 11 3,174 | ||
| 2,00 1,00 0,00 | ||
| 4,00 2,00 1,00 | a) PI по рейтингу, полу | |
| 6,00 3,00 1,00 | ANOVA3 | |
| 4,00 4,00 0,00 | ||
| 5,00 5,00 0,00 | I И Иерархический метод | |
| 6,00 6,00 1,00 | Сумма Степени Средний F Значимост | |
| 2,00 1,00 0,00 | квадратов свободы (df) квадрат | |
| 3,00 2,00 0,00 | j Главные (Совместный) 32,542 6 5,424 11,418 0009 | |
| 4,00 3,00 0,00 | эффекты Рейтинг 18,750 1 18,750 39,474 0,002 | |
| 5,00 4,00 1,00 | Пол 1 3,792 5 2,758 5,807 0,038 | |
| 6,00 5,00 1,00 8,00 6,00 1,00 | Модель 32,542 6 5,424 11,418 0,009 | |
| Остаток 2,375 5 0,475 | ||
| Поскольку два предиктора в некоторой степени коррелируют (г2 = 0,24), важно опреде- | Итог 34,917 11 3,174 | |
| лить вклад каждого. | ||
| Первая таблица ANOVA показывает сумму квадратов рабочей модели при допущении, | 1 a) PI по полу, рейтингу. | |
| что суммы квадратов для каждого предиктора скорректированы на наличие другого предик- | ||
| тора (т.е. как будто каждый предиктор был введен вторым). | 1 Обобщение результатов | |
| Вторая таблица ANOVA показывает результирующее действие иерархического моделиро-| вания, когда предиктор "Рейтинг" был "введен" первым. | Сумма квадратов Регрессия Первый фактор - рейтинг Первый фактор - пол | |
| Третья таблица ANOVA показывает результирующее действие иерархического моделиро- | Рейтинг 13,792 ,29,417 18,750 | |
| вания, когда предиктор "Пол" "введен" первым. | Пол 3,125 3,125 13,792 | |
| ANOVA3' b | Общая для предикторов 16,917 32,542 32,542 | |
| Общая объяснимая 32,542 32542 32542 | ||
| Однозначный метод | <->t,(j-Tt. Ot,J4£ | |
| Сумма Степени Средний квадрат F Значимость квадратов свободы (df) PI Главные эффекты (Совместный) 32,542 6 5,424 11,418 0,009 | Теперь, когда вопрос ясен, необходимо определить, за какую долю в сумме квадратов от-ечает каждая независимая переменная? Так как предикторы взаимосвязаны, иерархический метод показывает сумму квадратов для предикторов, введенных в заданном порядке, днозначное решение показывает объяснимую сумму квадратов для каждого предиктора, | |
| Рейтинг | будто он был введен вторым (вот почему ее не прибавляют к собственной сумме ... оба | |
| Пол 13,792 5 2,758 5,807 0,038 3,125 1 3,125 6,579 0,050 Модель 32,542 6 3,424 11,418 0,009 | ктора нельзя ввести вторыми). Три решения дают полную картину вклада каждого предиктора, если бы он был единственной независимой переменной и его предельный вклад был бы как у второго предиктора. | |
| Остаток 2,375 5 0,475 | ||
| Итого 34,917 11 3,174 | РЕЗЮМЕ | |
| a) PI по рейтингу, полу; в Все эффекты введены одновременно. | В дисперсионном (ANOVA) и ковариационном (ANCOVA) анализе заг |
Метрическая, а все независимые переменные категориальные или представляют собой комби
нации категориальных и метрических переменных. Однофакторный дисперсионный анализ включает единственную независимую категориальную переменную. Суть метода заключается в проверке нулевой гипотезы о равенстве средних в совокупности. Полная вариация в зависимой переменной раскладывается на два компонента: вариация, связанная с независимой переменной, и вариация, связанная с ошибкой. Вариацию выражают как сумму квадратов, скорректированную на среднее значение (SS). Средний квадрат получают делением суммы квадратов (SS) на соответствующее число степеней свободы (df). Нулевую гипотезу о равенстве средних проверяют с помощью f-статистики, которая представляет собой отношение среднего квадрата независимой переменной к среднему квадрату ошибки.
Многофакторный дисперсионный анализ включает одновременное исследование двух или больше категориальных независимых переменных. Главное преимущество этого анализа в том, что он позволяет изучить взаимодействия между независимыми переменными. Значимость общего эффекта, эффекты взаимодействия и главные эффекты отдельных факторов изучают с помощью соответствующих /"-критериев. Имеет смысл проверять значимость главных эффектов отдельных факторов, только если соответствующие эффекты взаимодействия незначимы.
Ковариационный анализ включает, по крайней мере, одну категориальную независимую переменную и одну интервальную или метрическую независимую переменную. Метрическую независимую переменную или ковариату обычно используют для удаления посторонних вариаций из независимой переменной.
Если дисперсионный анализ выполняют для двух или больше факторов, то могут возникнуть проблемы их взаимодействия. Взаимодействие имеет место, если эффект независимой переменной на зависимую различен для разных уровней другой независимой переменной. Если взаимодействие статистически значимо, оно может быть упорядоченным или неупорядоченным. Неупорядоченное взаимодействие может быть пересекающегося или непересекающегося типа. В сбалансированных планах относительную важность факторов при объяснении вариации в зависимой переменной измеряют с помощью со2. Для изучения различий между конкретными средними используются множественные сравнения либо в форме априорных, либо в форме апостериорных контрастов.
В дисперсионном анализе с повторными измерениями наблюдения над каждым участником эксперимента выполняются для каждой комбинации условий эксперимента. Этот план полезен для управления различиями среди участников, которые существуют априори и известны до проведения эксперимента. Неметрический дисперсионный анализ включает изучение различий в средних значениях двух или больше групп, когда зависимая переменная измерена порядковой шкалой. Многомерный дисперсионный анализ (MANOVA) включает две или больше метрических зависимых переменных.