10统计分析方法 管理研究方法论 教学课件 流管理专业.pptVIP

第七章 统计分析方法 一、统计分析概述 可以为管理研究提供一种清晰精确的形式化语言； 是进行科学预测、探索未来的重要方法； 是处理调查研究资料的必要工具; 有两个基本功能：描述与推论; 有成熟的分析软件,如SPSS，SAS。 二、描述性统计 1、描述统计用数学语言表述单一变量一组样本的特征。 2、集中趋势分析：用一个数值代表一组数据的一般水平（平均数、中位数和众数）。 3、离散趋势分析：反映测量数据的分散程度（极差与标准差）。 4、频数与频率分析：频数分布描述测量值中各属性值出现的次数（可转化为长条图、直方图），频率分布则是用比率的形式来表示，各属性值除以样本总数即可得到该属性值的频率（可转化为饼图） 。 三、推论性统计 1、分析多个变量之间的关系。两大功能是：从随机样本中推断总体参数特征（关系）、以统计为基础验证假设。 2、双变量的回归分析与相关分析 ：一元线性回归方程为：Y=a+bX 注意（1）b是回归系数而不是相关系数λ，只表示因变量随自变量变化而产生的关联变化量 ；（2）相关系数是从回归方程因变量的偏差分析中导出的其公式无需记忆；（3）相关性偏高（如0.75以上），就要怀疑此高度相关的变量是否是两个有差异、不同的变量 。如“企业创新实力”与“研发投入”. 3、多变量的偏相关分析与回归分析 多元回归分析一般表达式为：Y=b1X1+b2X2+…+bnXn+a 注意：（1）多元回归方程并不能反映各个自变量的相对重要性，bi大于bj并不表示Xi和Y的关联较Xj和Y的关联更强，可能是由于Xi采用了较小的尺度单位。 （2）为了评判各自变量的相对重要性，回归方程系数bi可以转换为标准化的回归系数βi，它可以反映出各自变量在因变量变化中的相对重要性。 （3）多元回归方程对因变量的总偏差的解释可用复相关系数R和决定系数R2来表示。R2=1表示Y的全部偏差都可由回归方程中各自变量来解释，R2越大，Y与X1，…，Xn的线性关联就越强。如R2=0.77，那么R =0.877，表示Y的总偏差中有77%可由这几个自变量的变化来解释。 （4）如果Y有多个，则用典型相关分析。 4、假设检验 假设检验是先对总体参数作出假设，然后从样本统计值去检验它是否与假设参数值一致。 在假设检验中存在两类错误： 随机抽取的样本没有反映典型特征，当我们错误地将偶然发生的事件当作非偶然发生的，进而错误地将虚无假设否定，则就犯了第一类错误（α错误）； 如果将原本错误的事件认为是正确的，没有否定本该否定的虚无假设，则就犯了第二类错误（β错误）。 降低显著性水平可以减少第一类错误，然而，在这一过程，却增加了犯第二类错误的可能性；反之，若为了降低第二类错误，可以提高显著性水平，如此却又增加了犯第一类错误的可能性。显然，这两类错误是相对的。 降低一二类错误的一些措施：使用尽可能大的样本规模、选择有效而可靠的测量方法。 t检验（t-test）：检验定距或定类变量的显著差异。例如，有MBA资格的人员是否比企业管理专业的本科毕业生表现要好？男性与女性对激励的反映是否相同？ 方差分析（ANOVA）：检验因变量是定距或定比尺度时，两个以上群体之间的平均的显著差异。例如，4组促销人员之间是否存在显著差异：一组被送到学校系统学习营销课程，一组通过实地考察在职训练，一组由经验丰富的销售经理进行指导，一组没有接受上述训练。利用方差分析来确定不同群体之间是否有显著差异，即按F来检验。注意：当F检验为显著的情况下，只能说明几组平均值之间至少有一对有显著差异，但是并不明白彼此之间的相互差异状况。当组数增加时，情况就更加复杂，为此还要进行多重比较 。 X2检验（chi-square test）：检验两个定类变量发生频次之间是否存在差异，例如，在超市随机选择90位顾客征求他们对三种饮料的偏好，如果40位选择甲，30位选择乙，20位选择丙，即观测频次为（40，30，20），如果虚无假设（三种饮料的顾客偏好不存在差异）成立，其期望频次应为（30，30，30），X2检验就是要判断观测频次（40，30，20）与期望频次（30，30，30）之间的差异是否显著。 四、统计分析常见错误 1、把样本平均值当作总体平均值对待，不做显著性检验 。 如在营销研究中针对某产品设计了两种邮购广告，分别用随机抽样的方法对居民邮寄广告，甲广告寄出200份，有44位居民订购了相应的产品，乙广告寄出400份，有100位居民订购了该产品。此时很容易算出，甲广告的订购率为22％，乙广告的订购率是25％。我们是否可以依此就得出结论：乙广告设计比甲的好(乙广告的订购率高于甲广告)？ 事实上，乙广告未必优于甲广告，因为两个比例值是分别基于200个样本和400个样本得出的。如果继续扩大样本容量，甲乙两个广告的订购率就