CHAID决策树方法介绍

1、2021/8/61市场细分技术培训介绍2021/8/62主要内容 市场细分的统计方法简介 市场细分的基本原理 聚类分析 因子分析+主成份分析 判别分析+logistic回归 分类树CHAID与Conjoint2021/8/63关于Conjoint Analysis 培训介绍的仍然是传统的Conjoint分析-全轮廓(Full Profile)法 介绍了SPSS正交设计产生的方法 SPSS中Conjoint语法 SPSS中Conjoint结果解释 Conjoint市场占有模拟2021/8/64可供市场细分的变量地理变量地理变量人口变量人口变量年龄，性别，年龄，性别， 家庭规模，生命周期家庭规模，

2、生命周期, 收入收入 社会心理社会心理社会阶层，生活方式社会阶层，生活方式 性格性格行为变量行为变量场合，利益，场合，利益， 使用量使用量地区、城市地区、城市2021/8/65CHAID的应用背景 对于判别分析与Logistical回归中的自变量，通常要求是定距变量（Interval Scaled) 但是在调查中，人口统计变量通常是类型变量（Category)或离散变量,而且通常是多个类型的变量。 CHAID提供了一种在多个自变量中自动搜索能产生最大差异的变量方案2021/8/66案例在碳酸饮料市场细分研究中，我们探索是否可以根据对碳酸饮料的消费行为差异来细分市场。我们调查了消费者的每周消费量

3、以及与消费者相关的背景资料（地区、年龄、性别、收入类型、教育、婚姻，家庭规模等）在传统方法上，我们可以通过检查背景资料交叉表，看不同类型消费者的消费量是否存在差异。但是，这种检查非常费时，而且容易造成遗漏。通过决策树模型，可以迅速地检查按照每个预测（背景）变量分类可能产生的结果，并可以对分类自动归并，选择最佳分类方式，从而达到每个细分市场差异最大化的目的。2021/8/67CHAID方法CHAID(卡方自动交互检测Chi-Square Automatic Interaction Detection)是一种基于目标变量自我分层的方法。在形式上，CHAID非常直观，它输出的是一个树状的图形。它以因

4、变量为根结点，对每个自变量进行分类，计算分类的卡方值。如果几个变量的分类均显著，则比较这些分类的显著程度（P值的大小），然后选择最显著的分类法作为子节点。CHIAD可以自动归并自变量中类别，使之显著性达到最大。最后的每个叶结点就是一个细分市场2021/8/68CHAID的适用范围 当预测变量是分类变量时，CHAID方法最适宜。对于连续型变量，CHAID在缺省状态下将连续变量自动分为10段处理，但是可能有遗漏。 当预测变量是人口统计变量时，研究者可以很快找出不同细分市场特征，免去对交叉分析表归并与检查之苦。2021/8/69CHAID的分析步骤 确定因（目标）变量：因变量在市场研究中通常是消费者

5、对产品的购买/使用行为，比如是否某产品的购买者等。 确定自变量（预测变量）：自变量的确定相对简单，可以选择较多的变量让计算机自动挑选：地理变量、人口统计变量、生活方式等心理变量。 分析GAIN TABLE，解释分类结果。2021/8/610SPSS Answer TreeSPSS Answer Tree 3.0集成了CHAID, CART,QUEST等决策树方法。SPSS Answer Tree操作方便，可以很容易地就能比较群体轮廓和细分市场。4个模块都是通过检查数据库中所有可供分类的变量，来将自变量划分为最佳的小类。CHAID快速高效多树型分析法，速度快；完全CHAID完全多树型分析法，每步

6、分为最显著的2类，相对较慢；但分类结果可能更加全面。CART(分类和回归树)一种完全两分类树型分析法则，用来分割数据和产生精确的同质性子集；QUEST只能在目标变量是类型变量的时候采用。 2021/8/611CHAID界面1模型选择2021/8/612CHAID 界面2目标变量预测变量频率变量（加权）定义变量类型2021/8/613CHAID界面3不校验树图2021/8/614CHAID界面4高级选项中有一些关于模型的重要选项2021/8/615CHAID输出结果图Node 0MeanStd. Dev.n%Predicted4012501004.1184.7637.00.1184Node 2M

7、eanStd. Dev.n%Predicted40751604.2064.7220.08.2064Node 6MeanStd. Dev.n%Predicted40484384.1136.6251.72.1136Node 5MeanStd. Dev.n%Predicted40267214.3745.8464.36.3745Node 8MeanStd. Dev.n%Predicted40192154.2656.7974.36.2656Node 7MeanStd. Dev.n%Predicted407564.6533.9078.00.6533Node 1MeanStd. Dev.n%Predicte

8、d30499393.9860.8052.92.9860Node 4MeanStd. Dev.n%Predicted309973.7374.6482.92.7374Node 3MeanStd. Dev.n%Predicted40400324.0475.8288.00.0475Q3B_3性别Adj. P-value=0.0000, F=25.4625, df=1,1248女性7类Adj. P-value=0.0001, F=23.1288, df=1,7494;7;5;6;31;2教育Adj. P-value=0.0042, F=11.7757, df=1,265初中3250=3250,一级变量二级变量二级变量三级变量检验统计量2021/8/616Gain Table细分市场的利润指数最终的5个节点（细分市场）2021/8/617演示：9901.sav2021/8/618关于其它决策树方法 除了