第五章 SPSS在市场研究中的应用
在市场研究的分析中，通常需要细分市场、品牌定位和品牌形象研究，探讨因变量和自变量之间的关系以及对两个或多个均值进行比较。
第一节 因子分析和对应分析
一、因子分析
（一）因子分析的作用
因子分析是市场研究中一种非常重要的统计技术，它是一种把多个变量化为少数几个综合变量的多元分析方法，是一种因子缩减的方法。目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。首先可以识别内在因子，用这些内在因子来表示一些列因子之间的相互关系；其次，以少数几个互不相关的新变量来取代原有的一系列存在相互关系的变量，供后续的多元变量分析使用。第三，可以识别重要的变量，与因子相关度越高的变量就越重要。
在市场研究中，因子分析往往可以用于人群细分，影响因素研究等，特别是当影响因素结构不清楚时，可以通过因子分析探索性的研究可能存在的影响因子。
（二）利用因子分析进行人群细分事例
利用因子分析对消费群体进行分类，通常在问卷设计的时候要考虑n条描写对某产品或品牌的态度语句，用五分制的里克特量表进行测量，这些态度语句彼此应该是有交互的，然后，通过因子分析压缩成几个因子，如果觉得因子还是过多，人群分类不够明显，还可以用聚类分析进一步进行归类。如下图。
态度语句1 态度语句2 态度语句3 态度语句4 。。 。
因子1 类型1 因子2 因子分析 因子3 因子4 因子5 类型3
聚类分析 类型2 态度语句n 图5.1 人群细分的过程
下面我们举一个用事后细分法对啤酒消费者进行分类的例子，一共有20条态度语句。 C1 根据您个人的喝酒的情况，请问您是否同意下列各因素？1分表示非常不同意，5分表示非常同意，您可以用1－5分的任意分数表示。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 因素 喝酒是为了交际 只有在社交场合才喝酒 喜欢认准一个品牌 喜欢换牌子喝 喜欢口味淡雅的酒 觉得喝酒很时尚 喝酒是一种享受 喜欢喝酒 周围的朋友都喝酒 喜欢口味烈的酒 只喝我喜欢的牌子 随便什么牌子都喝 大家一起的时候喝 喝酒是一种习惯 每天喜欢喝点小酒 非常不同意 非常同意 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 16 17 18 19 20 热闹的时候喝酒 喝酒可以制造气氛 喜欢一个人的时候喝酒 喝酒可以忘掉伤心事 心烦的时候喝酒 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5 （三）因子分析的步骤
第一步，确定因子分析的目的和样本容量
首先要明确研究目标，必须在前期研究的基础上，选择参加因子分析的变量，这些变量必须是定距数据或定比数据。要保证一定的样本容量，一般样本容量至少是变量个数的4-5倍以上。
问卷中D11到D120是测量被访者对自己的喝酒行为的评价，现在要对要对问卷中的Q D11到D120这组数据进行因子分析，找出喝酒消费者的行为类型，也就是从消费行为上对喝酒的人群进行细分 第二步，检验相关矩阵
因子分析的过程是建立在变量间的相关矩阵基础上的，通过检验相关矩阵，能够获得有价值的信息。如果变量之间的相关系数小，不易采用因子分析。
在检验因子分析的模型是否是否上，有两个指标：一个是Banlet球形检验，一个是Kaise-Meyer-Olkin（KMO）。
Banlet球形检验能够用来检验原假设，若检验统计量的数值大，则意味着拒绝原假设。假如原假设不能被拒绝，那么因子分析的适用性就会受到置疑。
KMO是衡量提供的样本是否恰当的标准。KMO统计量的数值小，说明变量两两之间的相关性不能被其他变量解释，因子分析的技术可能就不适用。
点击“分析”—“降维”—“因子分析”，出现下列对话框：
图3 因子分析对话框
将要进行因子分析的指标（因子）选中到变量对话框。 点击“描述”，出现新的对话框
图4 因子分析描述统计对话框
在“原始分析结果”和“KMO和Banlet球形度检验”前打勾，在输出结果中，就会显示下列表格：
表1 KMO 和 Bartlett 的检验
取样足够度的 Kaiser-Meyer-Olkin 度量。
近似卡方
Bartlett 的球形度检验
df Sig.
.845 13147.110 190 .000
从上表中可以看出，KMO值为0.845，大于0.6，说明因子分析的技术比较适合，Banlet
检验统计量为13147.110，具有显著性，拒绝原假设，因子分析的适用性没有置疑。因此，此数据适合用因子分析的技术。
第三步：选择因子分析的方法和确定因子个数
抽取因子的方法有很多，主要有主成分法、主因子法等。SPSS统计软件中，系统默认的是主成分法，因为主成分法可以在决定因子的最少个数，被确定的因子能够解释在以后的多元分析中所使用的最大方差，因而，称为主成分。
在因子分析中，最后要确定保留的因子个数，通常在选取因子时，只保留特征根大于1的主成分，放弃特征根小于1的主成分。因为，每个变量的方差为1，该准则认为每个保留下来的因子至少应该能够解释一个变量的方差，否则，达不到精简的目的。具体操作见下图。
图5 因子分析：抽取对话框
输出结果如下表： 解释的总方差 成份 合计 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 5.459 2.023 1.940 1.462 1.202 .947 .777 .731 .652 .618 .610 .573 .495 .483 .443 .400 .381 .289 .268 初始特征值 方差的 % 27.294 10.114 9.699 7.309 6.008 4.737 3.884 3.655 3.260 3.088 3.049 2.866 2.475 2.414 2.216 1.998 1.904 1.445 1.342 累积 % 27.294 37.408 47.107 54.415 60.424 65.160 69.044 72.699 75.959 79.046 82.096 84.962 87.437 89.851 92.067 94.065 95.968 97.413 98.755 合计 5.459 2.023 1.940 1.462 1.202 提取平方和载入 方差的 % 27.294 10.114 9.699 7.309 6.008 累积 % 27.294 37.408 47.107 54.415 60.424 合计 3.072 2.614 2.356 2.351 1.692 旋转平方和载入 方差的 % 15.361 13.070 11.779 11.754 8.460 累积 % 15.361 28.431 40.210 51.964 60.424