Совершенно недопустимо
включать в анализ факторы, функционально связанные друг с другом, т.е
с коэффициентом корреляции, равным единице.
На основе матрицы парных коэффициентов вычисляется наиболее
общий показатель тесноты связи всех входящих в уравнение регрессии
факторов с результативным признаком - коэффициент множественной
детерминации [12].
Помимо целей прогнозирования множественная регрессия может
использоваться для отбора статистически значимых независимых факто-
ров, которые следует использовать при исследовании результативного
признака. В частности, при поиске критериев сегментации исследователь
может использовать регрессионный анализ для выделения демографи-
ческих факторов, которые оказывают наиболее сильное влияние на ка-
кой-то результирующий показатель, характеризующий поведение поку-
пателей, например выбор товара определенной марки.
Прогнозирование в маркетинговых исследованиях 423
Кроме того, множественная регрессия может использоваться для
определения относительной важности независимых переменных.
Поскольку независимые переменные имеют различные размернос-
ти, проводить их сравнение прямым образом нельзя. Например, нельзя
прямым образом сравнивать коэффициенты Ь для размера семьи и вели-
чины среднего для семьи дохода.
Обычно в данном случае поступают следующим образом. Делят каж-
дую разницу между независимой переменной и ее средней на среднее квад-
ратическое отклонение для этой независимой переменной. Далее возможно
прямое сравнение полученных величин (коэффициентов). Чем больше аб-
солютная величина коэффициентов, тем большей относительной важнос-
тью, влиянием на результирующий прогнозируемый показатель обладают
переменные величины, которые характеризуют данные коэффициенты.
Многие данные маркетинговых исследований представляются для
различных интервалов времени, например на ежегодной, ежемесячной
и другой основе. Такие данные называются временными рядами. Анализ
временных рядов направлен на выявление трех видов закономерностей
изменения данных: трендов, цикличности и сезонности.
Тренд характеризует общую тенденцию в изменениях показателей ряда.
Те или иные качественные свойства развития выражают различные урав-
нения трендов: линейные, параболические, экспоненциальные, логариф-
мические, логистические и др. После теоретического исследования особен-
ностей разных форм тренда необходимо обратиться к фактическому времен-
ному ряду, тем более что далеко не всегда можно надежно установить, какой
должна быть форма тренда из чисто теоретических соображений. По факти-
ческому динамическому ряду тип тренда устанавливают на основе графичес-
кого изображения, путем осреднения показателей динамики, на основе ста-
тистической проверки гипотезы о постоянстве параметра тренда.
В табл. 7.1 приводятся данные объема продаж велосипедов опреде-
ленной компании за 17 лет.
Таблица 7.1
Объем продаж велосипедов
ГодГодовой объем продаж
(в 1000 долларов)
1154й
21221
5505
41501
51350
61253
71561
81435
91114
101259
111453
121690
13Й20
142450
152790
163450
173759
18????
Необходимо определить прогнозную оценку объема продаж на во
семнадцатый год.
Представив в графическом виде данные табл. 7.1, можно с помощи
метода наименьших квадратов подобрать прямую линию, в наибольше
степени соответствующую полученным данным (рис. 7.1) и определи
прогнозную величину объема продаж.
В то же время более внимательное рассмотрение рис. 7.1 позволяс
сделать вывод о том, что не все точки близко расположены к прямов
Особенно эти расхождения велики для последних лет, а верить после!
дним данным, видимо, следует с достаточным основанием. 1
В данном случае можно применить метод экспоненциального сгла|
живания, назначая разные весовые коэффициенты (бульшие для после-
дних лет) данным для разных лет [12], [33]. В последнем случае прогноз-
ная оценка в большей степени соответствует тенденциям последних лет
Циклический характер колебаний статистических показателей характери-
зуется длительным периодом (солнечная активность, урожайность отдельны!
культур, экономическая активность). Такие явления, как правило, не явля-
ются предметом исследования маркетологов, которых обычно интересуя
динамика проблемы на относительно коротком интервале времени.
Сезонные колебания показателей имеют регулярный характер и на
блюдаются в течение каждого года. Они и являются предметом изученш
маркетологов (спрос на газонокосилки, на отдых в курортных местах!
течение года, на телефонные услуги в течение суток и т.д.). Поскольк]
выявленные закономерности носят регулярный характер, то их вполж
обоснованно можно использовать в прогнозных целях.
В отличие от прогноза на основе регрессионного уравнения прогноз ш
тренду учитывает факторы развития только в неявном виде, и это не по-
зволяет <проигрывать> разные варианты прогнозов при разных возможны;
значениях факторов, влияющих на изучаемый признак. Зато прогноз т
тренду охватывает все факторы, в то время как в регрессионную модель 1
лучшем случае невозможно включить в явном виде более 10-20 факторов
Временные ряды помимо простой экстраполяции могут использо
ваться также в целях более глубокого прогнозного анализа, наприме;
объема продаж. Целью анализа в данном случае являются разложен>
временного ряда продаж на главные компоненты, измерение эволющп
каждой составляющей в прошлом и ее экстраполяция на будущее. В ос
нове метода лежит идея стабильности причинно-следственных связей >
регулярности эволюции факторов внешней среды, что делает возмож
ным использование экстраполяции. Метод состоит в разложении вре-
менного ряда на пять компонент:
- структурная компонента, или долгосрочный тренд, обычно свя
занный с жизненным циклом товара на исследуемом рынке;
- циклическая компонента, соответствующая колебаниям относи
тельно долгосрочного тренда под воздействием среднесрочных флуктуа
ций экономической активности;
- сезонная компонента, или краткосрочные периодические флук-
туации, обусловленные различными причинами (климат, социально-
психологические факторы, структура нерабочих дней и т.д.);
- маркетинговая компонента, связанная с действиями по продви
жению товара, временными снижениями цен и т.п.;
1 2 3 4 5 6 7 7 8 9 10 11 13 15 15 16 17 18
Годы
Рис. 7.1 Прогнозирование объема продаж велосипедов
сглаживания
реальные продажи
>й трека
426 глава 7
- случайная компонента, отражающая совокупное действие плоя
изученных процессов, непредставимых в количественной форме.
Для каждой компоненты рассчитывается параметр, основанный и
наблюдавшихся закономерностях:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168
включать в анализ факторы, функционально связанные друг с другом, т.е
с коэффициентом корреляции, равным единице.
На основе матрицы парных коэффициентов вычисляется наиболее
общий показатель тесноты связи всех входящих в уравнение регрессии
факторов с результативным признаком - коэффициент множественной
детерминации [12].
Помимо целей прогнозирования множественная регрессия может
использоваться для отбора статистически значимых независимых факто-
ров, которые следует использовать при исследовании результативного
признака. В частности, при поиске критериев сегментации исследователь
может использовать регрессионный анализ для выделения демографи-
ческих факторов, которые оказывают наиболее сильное влияние на ка-
кой-то результирующий показатель, характеризующий поведение поку-
пателей, например выбор товара определенной марки.
Прогнозирование в маркетинговых исследованиях 423
Кроме того, множественная регрессия может использоваться для
определения относительной важности независимых переменных.
Поскольку независимые переменные имеют различные размернос-
ти, проводить их сравнение прямым образом нельзя. Например, нельзя
прямым образом сравнивать коэффициенты Ь для размера семьи и вели-
чины среднего для семьи дохода.
Обычно в данном случае поступают следующим образом. Делят каж-
дую разницу между независимой переменной и ее средней на среднее квад-
ратическое отклонение для этой независимой переменной. Далее возможно
прямое сравнение полученных величин (коэффициентов). Чем больше аб-
солютная величина коэффициентов, тем большей относительной важнос-
тью, влиянием на результирующий прогнозируемый показатель обладают
переменные величины, которые характеризуют данные коэффициенты.
Многие данные маркетинговых исследований представляются для
различных интервалов времени, например на ежегодной, ежемесячной
и другой основе. Такие данные называются временными рядами. Анализ
временных рядов направлен на выявление трех видов закономерностей
изменения данных: трендов, цикличности и сезонности.
Тренд характеризует общую тенденцию в изменениях показателей ряда.
Те или иные качественные свойства развития выражают различные урав-
нения трендов: линейные, параболические, экспоненциальные, логариф-
мические, логистические и др. После теоретического исследования особен-
ностей разных форм тренда необходимо обратиться к фактическому времен-
ному ряду, тем более что далеко не всегда можно надежно установить, какой
должна быть форма тренда из чисто теоретических соображений. По факти-
ческому динамическому ряду тип тренда устанавливают на основе графичес-
кого изображения, путем осреднения показателей динамики, на основе ста-
тистической проверки гипотезы о постоянстве параметра тренда.
В табл. 7.1 приводятся данные объема продаж велосипедов опреде-
ленной компании за 17 лет.
Таблица 7.1
Объем продаж велосипедов
ГодГодовой объем продаж
(в 1000 долларов)
1154й
21221
5505
41501
51350
61253
71561
81435
91114
101259
111453
121690
13Й20
142450
152790
163450
173759
18????
Необходимо определить прогнозную оценку объема продаж на во
семнадцатый год.
Представив в графическом виде данные табл. 7.1, можно с помощи
метода наименьших квадратов подобрать прямую линию, в наибольше
степени соответствующую полученным данным (рис. 7.1) и определи
прогнозную величину объема продаж.
В то же время более внимательное рассмотрение рис. 7.1 позволяс
сделать вывод о том, что не все точки близко расположены к прямов
Особенно эти расхождения велики для последних лет, а верить после!
дним данным, видимо, следует с достаточным основанием. 1
В данном случае можно применить метод экспоненциального сгла|
живания, назначая разные весовые коэффициенты (бульшие для после-
дних лет) данным для разных лет [12], [33]. В последнем случае прогноз-
ная оценка в большей степени соответствует тенденциям последних лет
Циклический характер колебаний статистических показателей характери-
зуется длительным периодом (солнечная активность, урожайность отдельны!
культур, экономическая активность). Такие явления, как правило, не явля-
ются предметом исследования маркетологов, которых обычно интересуя
динамика проблемы на относительно коротком интервале времени.
Сезонные колебания показателей имеют регулярный характер и на
блюдаются в течение каждого года. Они и являются предметом изученш
маркетологов (спрос на газонокосилки, на отдых в курортных местах!
течение года, на телефонные услуги в течение суток и т.д.). Поскольк]
выявленные закономерности носят регулярный характер, то их вполж
обоснованно можно использовать в прогнозных целях.
В отличие от прогноза на основе регрессионного уравнения прогноз ш
тренду учитывает факторы развития только в неявном виде, и это не по-
зволяет <проигрывать> разные варианты прогнозов при разных возможны;
значениях факторов, влияющих на изучаемый признак. Зато прогноз т
тренду охватывает все факторы, в то время как в регрессионную модель 1
лучшем случае невозможно включить в явном виде более 10-20 факторов
Временные ряды помимо простой экстраполяции могут использо
ваться также в целях более глубокого прогнозного анализа, наприме;
объема продаж. Целью анализа в данном случае являются разложен>
временного ряда продаж на главные компоненты, измерение эволющп
каждой составляющей в прошлом и ее экстраполяция на будущее. В ос
нове метода лежит идея стабильности причинно-следственных связей >
регулярности эволюции факторов внешней среды, что делает возмож
ным использование экстраполяции. Метод состоит в разложении вре-
менного ряда на пять компонент:
- структурная компонента, или долгосрочный тренд, обычно свя
занный с жизненным циклом товара на исследуемом рынке;
- циклическая компонента, соответствующая колебаниям относи
тельно долгосрочного тренда под воздействием среднесрочных флуктуа
ций экономической активности;
- сезонная компонента, или краткосрочные периодические флук-
туации, обусловленные различными причинами (климат, социально-
психологические факторы, структура нерабочих дней и т.д.);
- маркетинговая компонента, связанная с действиями по продви
жению товара, временными снижениями цен и т.п.;
1 2 3 4 5 6 7 7 8 9 10 11 13 15 15 16 17 18
Годы
Рис. 7.1 Прогнозирование объема продаж велосипедов
сглаживания
реальные продажи
>й трека
426 глава 7
- случайная компонента, отражающая совокупное действие плоя
изученных процессов, непредставимых в количественной форме.
Для каждой компоненты рассчитывается параметр, основанный и
наблюдавшихся закономерностях:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168