Ритейл-маркетинг: Практики и исследования - стр. 12
Но из этого основного правила есть исключения. В некоторых случаях, когда я ставлю одну звездочку (*), фактически уровень статистической значимости может находиться где-то между 1 % и 10 %. Иногда я вынужден так делать просто потому, что в оригинальной статье данный показатель не был указан. С этим вы столкнетесь уже в таблице 2.1.
Статистическая значимость также может быть выражена в виде р-уровня. В этом случае используется латинская буква p, что является сокращением слова probability – вероятность. P-уровень, равный 0,01, соответствует статистической значимости в 1 % и означает, что вероятность ошибки – случайного возникновения результата – составляет 1 % и меньше. Это можно записать как p ≤ 0,01. Преимущество такого способа записи по сравнению со звездочками в том, что можно точно указать значение p-уровня, например: p ≤ 0,07. Чем меньше цифра, тем ниже вероятность того, что данный результат появился чисто случайно. Преимущество использования звездочек в том, что они занимают меньше места в таблицах. Вы просто должны знать об обоих способах.
Многие термины говорят сами за себя, например такой, как «сравнение средних значений». Даже неосведомленный человек может примерно понять, о чем идет речь. Сравнение средних значений будет приводиться во многих таблицах. С другой стороны, термин «регрессионный анализ» у многих вызывает страх – причем абсолютно необоснованно, поскольку за ним скрывается довольно простая вещь. Для пользователей статистики главная проблема состоит в понимании, какой метод что делает и что для этого требуется. Понять результаты, как правило, довольно легко.
В этой книге будет представлено несколько таблиц, содержащих результаты регрессионного анализа. Они могут выглядеть, как таблица 1.1. Ее вы увидите снова в главе 7.
Таблица 1.1. Пример результатов регрессионного анализа
Главное, что вы должны знать о регрессионном анализе: он представляет собой метод моделирования измеряемых данных с целью исследования, как некая независимая переменная или несколько переменных (множественная регрессия) влияют на некую зависимую переменную. В таблице 1.1 в качестве последней выступает «активация». Зависимая переменная почти всегда указывается в верхней строке таблицы. Ниже идут независимые (объясняющие) переменные. Их также называют коэффициентами регрессии. В таблице 1.1 мы видим, что «беспорядочность» не статистически значимая величина, поэтому мы ее просто проигнорируем. Остальные факторы являются статистически значимыми. Значение коэффициента показывает, какое влияние на «активацию» оказывает его увеличение на одну единицу. Если степень новизны повышается на одну единицу, активация возрастает на 0,35. Как видите, все просто. Чем выше значение статистически значимого коэффициента регрессии, тем интереснее для нас этот коэффициент.
Коэффициент детерминации (R2) показывает, какая доля вариаций зависимой переменной объясняется моделью. Вероятно, не все поняли эту фразу, поэтому ниже я постараюсь объяснить ее значение.
Чтобы немного упростить, используем следующий пример. Предположим, большое количество покупателей заполняет анкету о степени активации. Ответы даются по шкале от 1 до 7. Также при помощи шкалы они оценивают, в какой степени воспринимаемая ими обстановка в магазине является «новой», «разнообразной» и т. д. (см.