_ _ _ _ _ 4 _ _ _
- - - - - -
AKADEMIA EKONOMICZNA W POZNANIU
Statystyka regionalna
Sondaż i integracja baz danych
Materiały z konferencji
Baranowo 25- 27.09.1996 r.
Redaktor naukowy:
Jan Paradysz
Poznań 1997
PROJEKT OKŁADKI
Leszek Siwka
REDAKCJA I KOREKTA
Alicja Tritt, Hanna Cieślińska
SKŁAD I ŁAMANIE
Zespół pod kierunkiem Andrzeja Rozpiątkowskiego
Wydanie opracowania dofinansowane przez Komitet
BadańNaukowych
ISBN 83-907538-0-4
URZĄD STATYSTYCZNY W POZNANIU
WYDZIAŁ
ANALIZ I
INFORMACJI Zam. 71Nakład 250 egz. Ark. druk.l9,75 Form B-l. papier offset. k!III 70g Oddano do druku w marcu 1997 r.
Druk ukończono w kwietniu 1997 r.
- - - - - - - - -
-- - - ' - - - -- - · - - - -
··-··-··--... . ... . -·· ···-... ··-···-. ·-.. ·-.
Spis treści
~~
s
Rozdział l. METODOLOGIA BADAŃ NIEWYCZERPU-
JĄCYCH
Andrzej Balicki ,
MirosławSzreder,
Uzyteczno!ćrejesn·ów
urzędowychjako operarów losowania (Wyniki bada11 firm marketingowych)
IIJanusz
Wywiał,Analiza
riokłarino!ciocen
wartości średnichcech
małychfirm 25 Krzysztof Jajuga, Marek Walesiak, Uwagi o badaniach
niewyczerpującychprzy
zastosowaniu metod statystycznej analizy wielowymiarowej 33
Antoni
Smołuk,O definicji
wartościnwrialnej 42
Kazimierz Latuch, Regionalnie r epreze/llacyjne barlania ankietowe warunków tycia
gospodarstw domowych 49
Rozdział II. STATYSTYKA MAŁYCH OBSZARÓW
Jan Kordos, Wanmki efektywnego wykorzystania
postępów wzakresie statystyki ma(ych
obszarów 77
Czesław Domański,
Krystyna Pruska, Metoda symulacyjna
zwiększaniarozmiaru
próby dla
małegoobszaru 89
Grażyna
Dehnel, Estymacja wskatników rozwoju gospodarczego regionów za
pomocąStatystyki
MałychObszarów 99
Tomasz
Kłimanek,Wykorzystanie Statystyki
MałychObszarów w KompLlterowych Systemach Informacji Przestrzennej- na
przykładzierolnictwa 110
Rozdział
III. ZINTEGROWANE BAZY DANYCH JAKO ŹRÓDŁO ZASILANIA W STATYSTYCE REGIONALNEJ
.Jan Paradysz, lmegracja komputerowych baz danych - stare koncepcje
inowe
perspektywy 123
Zdzisław Dąbrowski,
Urszula
Pużanowska,Zimegrowane bazy danych jako
tródłoinformacji statysTycznych o regionie 136
4
Sp1s treśc1Aleksander Daniels ki, GEO-INFO podstawmva baza Systemuinformacji o Terenie 148 Lidia Danielska, Maci ej
Pietrzyński,Wykorzystanie informacji o terenie dla
zintegrowania zad01l administracjr
rządowej i samorządowej157 Kazimierz Kru szka,
L.ródłainformacji dla statystyki regionalnej -
komec:.nośti
bariery integracji 164
Stanisława
Szwalek, Systemy identyfikacji
terytorialnej-podstawąintegracji
systemów informacyjnych 175
Rozdział
IV. OBECNE ZASILANIA NEJ
I POTENCJALNE ŹRÓDŁA W STATYSTYCE REGIONAL-
Marek
Obrębalski,Statystyka gmin
i miejscowościw Polsce. Stan i
możliwości183 rozwoju
Lucyna
Wojtasiewic:~..,Statystyka lokalna a monitoring gmin 195 Zygmunt Bobowski , Tedeus z Borys, Statystyka obszartftv transgranicmych
209Henryk Mruk,
/Jadaniajakoścrowew marketingowym
zarządzaniu pr::;edsiębrorstwem227 Iwona Roeske-Siomka, Badania httd;tetów gospodars/\1' domowych w Polsce 238 Danuta Strahl, Mare k
Obrębalski,Nomenklatura jednostek terytorrolnych
w
statystyce krajów Unii Europejskiej i
mot/iwościjej stosowania
wwarunkach
~hl~
l l i
Aleksandra Witkows ka, Marek Witkows ki ,
Przydatnośt istniejących źródełinformacji statystycznej do prowadzenia
badań aktywnościpodmiotów
gospodarczych
11•regionie 255
Rozdział
V. RYNEK PRACY W BADANIACH REGIO- NALNYCH
Elżbieta Gołata,
Statystyka
MałychObszarów a rynek pracy 163
Wiesława Makać,
Wykorzystanie rejestrów bezrobotnych do barlwl sandatowych
rynku pracy 28 1
Aleksander U. Chomra, Badame lokalnych rynków pracy na Ula·ainie 297
Indeks rzeczow y
302Indek s nazwisk
307Uczestnicy konferencji 314
Krzysztof Jajuga, Marek Walesiak
Uwagi o badaniach niewycz erpujących p ny zastoso- wan iu metod statystycznej analizy wielo wymiarowe j
W prowadzenie o statystycznej analizie wielowymiarowej
W ostatnich kilkunastu latach metody statystycznej analizy wielowymiarowej (SA W)
zyskują
na znaczeniu w badaniach statystycznych. Z jednej strony wynika to z faktu,
że
bardzo
duża częśćanalizowanych zjawisk empirycznych ma charakter
złożony,tzn.
opisywane
sąone za
pomocą więcej niżjedna zmiennej - mamy do czynienia z obser- wacjami wielowymiarowymi . Z drugiej strony, burzliwy rozwój technologii kompute- rowej
spowodował, żeskomplikowane metody SA W, dawniej bardzo
czasochłonne, mogą byćobecnie stosunkowo szybko zastosowane w badaniach empirycznych.
W tym referacie przedstawimy
rozważania dotyczące badań niewyczerpującychprzy zastosowaniu metod SA W. Przedstawimy pewne sugestie
dotyczące niezbędnej liczebnościpróby przy stosowaniu metod SA W.
Rozważaniate poprzedzimy uwa- gami
porządkującymii systematyzacyjnymi.
W
każdymbadaniu statystycznym, w tym
równieżw
niewyczerpującymbadaniu wielowymiarowym
można przyjąćjedno z dwóch
podejść. Sąto:
podejście
stochastyczne (stochastic approach);
podejście
opisowe (data-analytic approach, distribution-free approach}.
W
podejściustochastycznym
zakłada się, żezbiór obserwacji stanowi
próbęlo-
sową pochodzącą
z
większegozbioru, zwanego
populacją.Przy tym populacja
może byćzbiorem
nieskończonymlub
skończonym(z
regułyo
dużej liczebności).W po-
dejściu
stochastycznym rozpatrywane zmienne
sąlosowe.
Podejściestochastyczne wolno
przyjąćprzede wszystkim w przypadku
badańeksperymentalnych, tzn. gdy istnieje
możliwośćpowtórzenia badania w takich samych warunkach. Wtedy zbiór obserwacji
może byćtraktowany jako próba losowa.
W
podejściuopisowym zmienne nie
sąlosowe, lecz
sązmiennymi w
zwykłymsensie. Badaniu nie
podlegająwtedy
właściwościstochastyczne zbioru obserwacji. Po-
dejście
opisowe przyjmuje
sięz
reguływtedy, gdy dane
pochodząze
sprawozdawczościstatystycznej.
Należy wyraźnie zaznaczyć, żezmienne
można traktowaćjako losowe wtedy, gdy badane obserwacje
stanowią próbę losową.Tymczasem w badaniach em- pirycznych zdarza
się, żezbiór obserwacji odpowiada populacji. Wtedy badanie jest
wyczerpujące i
nie jest zasadne
przyjęcie podejściastochastycznego.
34
Krzysztof Jajuga, Marek WalesiakO system atyzacji metod statystycznej analizy wielowymiarowej
Metod SA W jest bardzo wiele i
sąone bardzo
różnorodne, gdyż powstaływ wyniku potrzeb
różnychnauk stosowanych. Systematyzacja metod SA W nie jest prostym zadaniem. W
światowejliteraturze z zakresu statystycznej analizy wielowymiarowej nie podejmowano wielu prób tej systematyzacji. Klasyfikacje metod statystycznej analizy wielowymiarowej zaproponowali m.in.: Green, Tull i Albaurn (1988], Hair, Anderson, Talbam i Black [1995], Jajuga [1987, 1993], Kendall [1975] oraz Kinnear i Taylor [1991]. Najbardziej ogólnym kryterium systematyzacji metod SA W jest kryterium
wynikającez
podejścia,na jakim opiera
sięmetoda.
Wyróżnia sięzatem:
metody oparte na
podejściustochastycznym;
metody oparte na
podejściuopisowym.
Stosowanie konkretnej metody
zależy więcod tego, jakie
podejście zostałoprzy-
jęte
w badaniu statystycznym. Metody oparte na
podejściustochastycznym nie po- winny
byćstosowane wtedy, gdy w badaniu
przyjęto podejścieopisowe. Z kolei metody oparte na
podejściuopisowym w zasadzie
można stosowaćw dowolnej sytuacji.
Inna klasyfikacja metod SA W wynika z kryterium istnienia hipotez badawczych
dotyczących
rozpatrywanego zbioru obserwacji. Ze
względuna to kryterium metody SA W dzieli
sięna:
metody
weryfikujące (potwierdzające)hipotezy (confirmatory data analysis);
metody
odkrywające właściwości(exploratory data analysis).
W przypadku metod
weryfikującychhipotezy badacz
zakładapewien model , który opisuje
kształtowanie się wartościzmiennych. Model ten jest uproszczeniem danych empirycznych,
możnaprzeto
zapisać:dane
=model + reszty
Metody
weryfikującehipotezy
sązwykle stosowane wtedy, gdy w badaniu przyj- muje
się podejściestochastyczne. Wtedy
sformułowaniemodelu oznacza
przyjęciepewnych
założeń,np.
założe6 dotyczącychpostaci
rozkładu(np. wielowymiarowy
rozkład
normalny).
W metodach
odkrywających właściwościnie ma u podstaw
żadnegomodelu i hipotez. Zadaniem tych metod jest
"wgląd"w zbiór analizowanych wielowymia- rowych obserwacji, tak aby mogla
nastąpićsyntetyzacja informacji o tym zbiorze obserwacji ewentualnie próba
sformułowaniahipotez badawczych
prowadzącychdo pewnego modelu.
Częstometody te stosuje
sięwe
wstępnejanalizie danych. Metody te nie
korzystająz wielu
krępujących założe!l,np. tych
dotyczącychpostaci
rozkładuwielowymiarowego a zatem z
regułystosuje
sięw badaniach, w których
przyjęto podejścieopisowe.
Uwagi o badaniach niewyczerpujących przy zastosowaniu metod statystycznej ...
35
Z praktycznego punktu widzenia najbardziej istotnym
podziałemmetod SA W jest
podziałoparty na kryterium istnienia w zbiorze badanych zmiennych zmiennej
zależnej
(zmiennych
zależnych)od innych zmiennych. Z tego
względu wyróżnia sięmetody badania
zależności(dependence methods), inaczej zwane metodami ba- dania
zewnętrznych zależnościoraz metody badania
współwystępowania(interde- pendence methods), inaczej zwane metodami badania
wewnętrznych zależności.W metodach badania
zależności jednąlub
więcejzmiennych
określa sięjako
zmienną(zmienne)
zależnąod zbioru
pozostałychzmiennych (zwanych
niezależnymi).W me- todach badania
współwystępowanianie dzieli
sięzmiennych na
zależnei
niezależne.Za
pomocątych metod analizuje
się określone wewnętrznerelacje
międzyzmiennymi w zbiorze zmiennych
Ueśliprzedmiotem badania jest zmienna) lub relacje zacho-
dzące pomiędzy
obiektami opisanymi tymi zmiennymi (gdy przedmiotem badania jest obiekt). Za
pomocątych metod analizuje
sięwzajemne
położenie(usytuowanie) obiektów lub zmiennych w wielowymiarowej przestrzeni. Do
najważniejszychmetod
współwystępowania należy zaliczyć:
metody prezentacji graficznej obserwacji wielowymiarowych;
metody dyskryminacji i klasyfikacji;
metody wnioskowania
odnośniedo parametrów
rozkładuwielowymiarowego;
metody wnioskowania
odnośniedo postaci
rozkładuwielowymiarowego.
Metody prezentacji graficznej obserwacji wielowymiarowych
polegająna przed- stawieniu obserwacji na
płaszczyźniew celu
umożliwieniawzrokowej analizy zbioru obserwacji .
Sąto z
regułymetody zaliczane do grupy metod
odkrywających właściwości
oraz do grupy metod opartych na
podejściuopisowym.
Metody dyskryminacji i klasyfikacji
polegająna
wyodrębnieniuw zbiorze obserwacji pewnych podzbiorów,
charakteryzujących się wyróżniającymije
właściwościami.Metody wnioskowania
odnośniedo parametrów
rozkładuwielowymiarowego sto- sowane
sąw obu
podejściach,stochastycznym i opisowym. W
podejściustochasty- cznym jest to wnioskowanie
odnośniedo parametrów
rozkładuwielowymiarowego, gdy
założy się postaćtego
rozkładu.Z kolei w
podejściuopisowym jest to wnio- skowanie
odnośniedo charakterystyk
rozkładuwielowymiarowego, takich jak wektor
położenia
czy macierz rozrzutu.
Metody wnioskowania
odnośniedo postaci
rozkładuwielowymiarowego stoso- wane
sąjedynie w przypadku
przyjęcia podejściastochastycznego i
polegająna
określeniu gęstości rozkładu
wielowymiarowego.
Z kolei przejdziemy do systematyzacji metod badania
zależności.Warto je skla-
syfikować biorąc
pod
uwagędwa
następującekryteria:
liczba zmiennych
zależnych;skale pomiaru zmiennych (skale pomiaru zmiennej lub zmiennych
zależnychi skale pomiaru zmiennych
niezależnych).36
Krzysztof Jajuga, Marek WalesiakEfekt tej systematyzacji przedstawia rysunek l .
Rys. l. Klasyfikacja metod statystycznej analizy
wiełowymiarowejŹródło:
Opracowanie
własnena podstawie prac: Hair, Anderson, Tatham i
Błack[1995,
s. 18- 19] ; Green, Tuli i Albaurn [1988, s. 426]; Kinnear i Taylor [1991 , s. 625]; Walesiak
[1996] .
Uwagi o badaniach niewyczerpujących przy zastosowaniu metod statystycznej. ..
37
Sugestie w zakresie niezbędnej liczebności próby 1
W
każdymbadaniu za
pomocąmetod statystycznej analizy wielowymiarowej
należy zwracać uwagęna
liczebnośćpróby,
ponieważzbyt
małapróba powoduje,
że:a) za
pomocątestów trudno jest
zidentyfikowaćrezultaty statystycznie istotne (ze wzgl~du na małą moc testów
2);b) stosunkowo
łatwo można otrzymaćrezultaty, które
sązbyt dobrze (w sposób sztuczny) dopasowane do danych z próby. W tej sytuacji nie
można uogólniaćotrzymanych wyników.
Zwiększanie liczebności
próby powoduje powstawanie coraz mniej rezultatów nieistotnych statystycznie. Przy zbyt
dużej liczebnościpróby prawie wszystkie re- zultaty
będąstatystycznie istotne.
Równieżi w tym przypadku nie
będzie można uogólniaćotrzymanych wyników .
Badania z wykorzystaniem niektórych metod statystycznej analizy wielowymia- rowej (skalowanie wielowymiarowe, metody klasyfikacji, eonjoint measurement) nie
bazują
na
pojęciupróby w sensie statystycznym. Jednak i w przypadku stosowania tych metod zachodzi potrzeba ustalenia
niezbędnej liczebnościzbioru obserwacji.
Największe
wymagania co do
dużej liczebnościzbioru obserwacji
występująw przypadku metod wnioskowania
odnośniedo parametrów
rozkładuwielowymia- rowego. Wynika to z faktu [por. Jajuga, 1993],
żewiele
rozkładówstatystyk
sąto
rozkłady
graniczne.
Poniżejprzedstawimy pewne sugestie co do
liczebnościpróby w przypadku innych metod SA W.
Analiza regresji wielorakiej
W analizie regresji wielorakiej liczba obserwacji
przypadającychna
jedną zmienną niezależnąnie
może byćmniejsza od 5.
Pożądanympoziomem jest 15 do 20 ob- serwacji dla
każdejzmiennej
niezależnej.W tej sytuacji rezultaty analizy regresji
mogą być
uogólnione na
całą populację,pod warunkiem,
żepróba jest reprezenta-
1 Punkt ten opracowano w znacznej mierze na pracy Hair, Andersona, Tathama i Btacka
[1995].
2 Mocą testu statystycznego dla pewnej hipotezy nazywa się prawdopodobieństwo
odrzucenia hipotezy alternatywnej. gdy jest ona fałszywa [por. Kendall i Buckland, 1986, s. 1 O 1]. Moc testu wyraża się wzorem 1-
p
(błąd 11 rodzaju). Przy danym poziomie istotnościmoc testu wzrasta, gdy zwiększa się liczebność próby, [por. Hair, Andersen, Tatham i Black, 1995, s. 11].
38
Krzysztof Jajuga, Marek Walesiaktywna.
Jeślistosowana jest regresja krokowa
pożądanypoziom wynosi 50 obserwacji na
każdą zmienną niezależną.Tablica l pokazuje
wpływ liczebnościpróby statystycznej na
minimalną wartośćwspółczynnika determinacji R
2,która jest istotna statystycznie, przy mocy testu równej 0,80, danym poziomie
istotnościi danej liczbie zmiennych
niezależnych.Tablica l. Minimalna warto~ć
Ji2
istotna statystycznie przy mocy testu 80%oraz danej liczbie zmiennych niezale1nych l wielko~ci próby
Liczba zmiennych niezależnych Liczba zm1ennych niezależnych Liczebność próby (poziom istotności
a-
0,0 l) (poziom istotnościa-
0,05)2 5 10 2 5 10
20 0,45 0,56 0,71 0,39 0,48 0,64
50 0,23 0,29 0,36 0,19 0,23 0,29
100 0,13 0,16 0,20 0,10 0,12 0,15
250 0,05 O,Q7 0,08 0,04 0,05 0,06
500 O,Q3 O,Q3 0,04 0,03 0,04 0,05
1000 0,01 O,Q2 0,02 0,01 0,01 0,02
Źródło: Hair, Anderson, Tatham i B la ck [ 1995, s. l 04).
Analiza dyskryminacyjna
W analizie dyskryminacyjnej na
jedną zmienną niezależnąpowinno
przypadaćod 15 do 20 obserwacji. W tej metodzie
należy również ustalić liczbęobserwacji dla
każdej
grupy. Najmniej liczna grupa powinna
zawierać więcejobserwacji
niżwynosi liczba zmiennych
niezależnych.W praktyce sugeruje
się,aby w
każdejgrupie
było więcej niż20 obserwacji. Trzeba
miećna
względzie równieżto,
żenie
mogąwy-
stępować
zbyt
duże różnicew
liczebnościobserwacji
międzygrupami.
Wielowymiarowa analiza wariancji
Minimalnym progiem w wielowymiarowej analizie wariancji MANOV A dla
każdejgrupy jest liczba obserwacji
większaod liczby zmiennych
zależnych.Tablica 2
pokazuje
wymaganą liczbęobserwacji w wielowymiarowej analizie wariancji przy
mocy testu równej 80%, danej liczbie grup, zmiennych
zależnychi efekcie skali.
Uwagi o badaniach niewyczerpujących przy zastosowaniu metod statystycznej ...
Tablica 2. Wymagana liczba obserwacji w grupie przy mocy testu równej 80%
w
wielowymiarowej analizie wariancji
Liczbagrup
3 4
Efekt skali*
39
s
Liczba zmiennych zależnych Liczba zmiennych zależnych Liczba zmiennych zależnych
2 4 6 8 2 4 6 8 2 4 6 8
Bardzo duży . .
13 16
l& 2114
18 21 23 16 21 24 27Duży . . . 26 33 38
42
29 37 44 48 34 44 5258
Średni . . . 44 56 66 72 50 64 74 84 60 76 90
100
Mały . . .
...
98 125 145 160 115 145165
185 135 170 200 230* Jest to
oszacowany stopiel'iw jakim badane
zjawisko (różnica między średnimigrupo-
wymipodzielonymi przez ich
odchylenia standardowe) występujew populacji.
Źródło:
Hair, Anderson, Tatham
iBlack [1995,
s.279]
.Na podstawie wyników tablicy 2
można wyciągnąć następującewnioski:
zwiększenie
liczby zmiennych
zależnychpowoduje
zwiększenie liczebnościpróby dla zachowania mocy testu,
im oczekiwany efekt skali
będzie słabszytym coraz liczniejsza próba jest wymagana dla zachowania mocy testu.
Modele
równańjednoczesnych
Za
optymalnąuznaje
siętu
próbę pomiędzy100 a 200 obserwacji. W sytuacji, gdy próba
osiągaod 400 do 500 obserwacji
występujesytuacja taka,
żeprawie wszystkie rezultaty
sąstatystycznie istotne. W tym przypadku nie
będzie można uogólniaćotrzy- manych wyników.
Należy pamiętać, żeza
minimalnąprzyjmuje
się liczbę5 obserwacji
przypadającą
na
każdyszacowany parametr w modelu
równańjednoczesnych.
Analiza korelacji kanonicznej
W analizie korelacji kanonicznej
pożądanympoziomem jest co najmniej l O obser- wacji
przypadającychna
jedną zmienną niezależną.Metoda detekcji interakcji
Głównym
celem metody detekcji interakcji (automatic interaction detection) jest
podział
badanej próby statystycznej na mniejsze relatywnie jednorodne grupy
mająceistotnie
mniejszą zmienność niż całkowitapróba statystyczna. Wymaga ona dyspo- nowania bardzo
dużą próbą statystyczną obejmującąco najmniej 1000 obserwacji,
ponieważ
minimalnym progiem dla
każdejotrzymanej klasy jest 30 obserwacji [Aa-
ker i Day, 1980, s. 466].
40
Krzysztof Jajuga, Marek WalesiakPomiar
łącznego oddziaływaniazmiennych ( eonjoint measurement)
Według
szacunków WiUinka i Cattina [1982] próba powinna
obejmowaćod 100 do 10000 respondentów, przy czym za
typową należy uznać próbęod 300 do 550. Na podstawie komercyjnych zastosowaó tej metody na rynku amerykaóskim i zacho- dnioeuropejskim Wittink i Cattin [1989) ustalili,
żemediana
wielkościpróby wy-
nosiła
300 elementów. O ile
wielkość tę można uznaćza
zasadnądla rynku dóbr i
usługkonsumpcyjnych, o tyle dla rynku dóbr i
usługprodukcyjnych dopuszczalne
będą
próby mniejsze od l 00 elementów.
Analiza czynnikowa
W analizie czynnikowej za
zasadęprzyjmuje
się, żeliczba obserwacji powinna co najmniej 5-krotnie
przewyższać liczbęanalizowanych zmiennych, przy czym sto- sunek l O do l uznaje
siętutaj za preferowany przez badaczy. Zbyt
dużaliczba obserwacji powoduje z kolei,
żecoraz mniejsze
wartości ładunkówczynnikowych
zostają
uznane za istotne, por. ta b. 3.
Tablica 3. Związek między istotnością ładunków czynnikowych a wymaganą
liczbą obserwacji"
Ładunki czynnikowe
(wartość bezwzględna)
0,30 0,35 0,40 0,45 0,50 0,55 0,60 0,65 0,70 0,75
Wymagana wielko~ć próby
350 250 200 ISO 120 100 85 70 60 50
•obliczenia wykonane przy
założeniupoziomu
istotnościi mocy testu równej 80%.
Źródło:
Hair, Anderson, Tatham i Black [1995, s. 385].
Skalowanie wielowymiarowe
Badania z wykorzystaniem skalowania wielowymiarowego nie
bazująna
pojęciupróby w sensie statystycznym. Jednak i w przypadku stosowania tej metody za-
chodzi potrzeba ustalenia
niezbędnej liczebności zbiorowościobiektów. Liczba
obiektów
uzależnionajest od liczby wymiarów, w których przeprowadza
sięska-
lowanie. W celu otrzymania stabilnych rezultatów
liczbęobiektów wyznacza
sięUwagi o badaniach niewyczerpujących przy zastosowaniu metod statystycznej. ..
41
ze wzoru: n :;::: 2r + l (gdzie: n - liczba obiektów, r - liczba wymiarów skalowania) [por. Hair, Anderson, Tatham i Black, 1995). Z drugiej strony
zwiększanieliczby obie- któw jest
kłopotliwew ich porównywaniu przez respondentów.
Liczbęwszystkich po- równywanych par obiektów wyznacza
sięze wzoru:
n(n+l) 2
Dla 15 obiektów otrzymujemy
więc105 porównywanych par. Przy ustalaniu liczeb-
ności
obiektów musimy
braćpod
uwagę zdolnośćpercepcji potencjalnych respon- dentów.
Metody klasyfikacji
Podobnie jak w przypadku skalowania wielowymiarowego badania z wykorzystaniem metod klasyfikacji nie
bazująna
pojęciupróby w sensie statystycznym.
Częstoba- dania te
obejmująswym zakresem
całą populację. Jeślibadania
wykorzystująceme- tody klasyfikacji oparte
sąna próbie to
należy zwracać uwagę,aby
byłaona reprezentatywna.
Literatura
Aaker D.A., Day G.S. [1980). Marketing research: private and public sector decisions. New York: Wiley.
Cattin P., Wittink D.R. [ 1982],
Commerciałuse o
feonjoint analysis: a survey. "lournal of Marketing" s. 44-53.
Green P.E., Tuli D.S, Albaurn G. [1988], Research for marketing decisions. Englewood Cliffs: Prentice-Hall.
Hair J.F., Anderson R.E., Tatham R.L., Black W.C. [1995], Multivariate data analysis with readings. Englewood Cliffs: Prentice Hall.
Jajuga
K. [1987], Statystykaekonomicznych zjawisk
złożonych -wykrywanie i analiza nie- jednorodnych
rozkładówwielowymiarowych. Prace Naukoo,ve AE we
Wrocławiunr 371.
Seria: Monografie
iopracowania nr 39
.Jajuga K. [1993], Statystyczna analiza wielowymiarowa. Warszawa: PWN.
Kendałl
M.G., Buckland W.R. [1986],
Słownikterminów statystycznych. Warszawa: PWE.
Kendalł