多元尺度分析与联合分析

多元尺度分析与联合分析第一页，共三十三页，编辑于2023年，星期日120.1多元尺度的意義 多元尺度法(multidimensionalscaling,MDS)，與因素分析類似之處，都是做資料之簡化工作(datareduction)，其主要的目的是希望能發掘一組資料所隱藏之結構。

MDS主要的貢獻在於發展知覺圖，是屬於非以屬性為基礎的方法(nonattribute-basedapproaches)，與因素分析或區別分析等以屬性為基礎的方法(attribute-basedapproaches)不同。2企業研究方法第20章第二页，共三十三页，编辑于2023年，星期日20.2多元尺度的處理資料型態

MDS有計量(metric)MDS和非計量(non-metric)MDS兩種，計量MDS以相對距離實際數值為投入資料，非計量的MDS則是以順序尺度的資料作為資料的投入。

計量MDS是希望在某個維度空間上找到座標點，使其點間距離與給定的距離矩陣相同，而找到完整座標的解必需滿足歐基里德距離(EuclideanDistance)矩陣。非計量的MDS是嘗試在維度空間構面圖中，使點間距離排序與原距離越一致越好，而通常量測配合度的指標我們稱為壓力係數(stress)。3企業研究方法第20章第三页，共三十三页，编辑于2023年，星期日 壓力係數是由Kruskal(1964)所提出，其計算公式如下：S=S： 壓力係數dij： 成對事物在構面中之距離： dij之估計值，通常是以簡單迴歸 (monotoneregression)之方法求得， 壓力係數愈小代表dij與之差異不大， 即代表模式之適合度很高。4企業研究方法第20章第四页，共三十三页，编辑于2023年，星期日20.3多元尺度的模型適合度評估

進行MDS分析時通常以壓力係數(stress)作為衡量標準，根據Kruskal(1964)的解釋，不同的壓力係數水準，有其代表的配適程度。壓力係數配適程度0.200Poor(不好)0.100Fair(還可以)0.050Good(好)0.025Excellent(非常好)0.000Perfect(完全配合)壓力係數之計算，是以在知覺圖中成對事物之距離與其平均距離之差來計算。5企業研究方法第20章第五页，共三十三页，编辑于2023年，星期日

多元尺度適合度評估是計算R2並判定R2是否合適，R2之計算公式如下：

sse：殘差平方和(sumofsquarederror) sst：整體平方和(sumofsquaredtotal)

R2

的意涵是直接解釋最佳尺度資料(optimallyscaleddata)的變異數中，可由多元尺度法解釋的部份。因此多元尺度分析也可以以R2

作為同時參考的標準，當R2愈大時(即越接近1)，表示配合性愈好。6企業研究方法第20章第六页，共三十三页，编辑于2023年，星期日20.4多元尺度法範例本研究以多元尺度分析員工人數對知識創造過程的知覺分析，以5種不同的公司與17個知識創造過程變數，作出知覺圖。在知覺圖中，每一點代表一個特定的構面，點與點間的距離則表示各變數彼此相似的程度，距離愈小表示愈相似，距離愈大表示愈不相似。以本研究為例，為瞭解不同群組公司在不同知識創造過程變數的關係，研究人員分別調查這五種不同公司在知識創造過程之得分如下頁表20-1：7企業研究方法第20章第七页，共三十三页，编辑于2023年，星期日公司別員工人數(人)A群低於1500B群

1501–3000C群3001–5000D群5001–10000E群10001以上表20-1

不同員工人數的公司別與十七個知識創造變數變項問項備註Kcp1利用類比、象徵來使知識具體化七點量表Kcp2利用專家取得及移轉知識七點量表Kcp3人工智慧系統七點量表Kcp4教育訓練七點量表Kcp5利用網路聊天室、討論群組七點量表Kcp6建立操作手冊七點量表Kcp7公司內/外部網際網路網頁七點量表Kcp8建立專家資料庫七點量表Kcp9利用師徒制來傳承知識七點量表Kcp10利用腦力激盪七點量表Kcp11利用跨部門的工作輪調七點量表Kcp12利用跨部門的合作計畫案七點量表Kcp13實地考察七點量表Kcp14由操作中學習七點量表Kcp15利用在職訓練七點量表Kcp16透過觀察來進行學習七點量表Kcp17透過面對面會議七點量表8企業研究方法第20章第八页，共三十三页，编辑于2023年，星期日說明：本案共有251位受測者，透過電腦處理首先將五種公司之受測者對上述kcp1、kcp2、kcp3、kcp4、kcp5、kcp6、kcp7、kcp8、kcp9、kcpf10、kcp11、kcp12、kcp13、kcp14、kcp15、kcp16、kcp17等十七個知識創造活動變數之平均值求出如下頁表20—2所示9企業研究方法第20章第九页，共三十三页，编辑于2023年，星期日表20-2受測者對各種構面之平均評分群組變數名稱公司群A公司群B公司群C公司群D公司群EKcp13.87703.47373.72004.36364.3267Kcp24.63934.52634.72004.69704.8147Kcp33.64753.84214.04003.81824.0540Kcp45.09025.00005.20005.39395.3462Kcp53.35253.68422.88003.27273.1731Kcp64.36894.42114.40004.36364.1154Kcp74.87705.21055.92005.42425.4231Kcp85.00005.36845.44005.39395.4808Kcp93.81154.26324.72004.66674.5385Kcp104.80335.00004.92004.51525.2843Kcp114.72954.68424.76004.84854.6346Kcp123.59843.94744.08004.15153.5769Kcp134.00824.68424.40004.51524.0769Kcp145.19676.10535.80005.60615.5000Kcp155.05885.15795.20005.54555.1731Kcp164.70494.73684.84005.06064.8462Kcp175.26235.15795.28005.69705.096210企業研究方法第20章第十页，共三十三页，编辑于2023年，星期日說明：茲利用此一平均值矩陣，將資料輸入電腦中，執行SPSS-多元尺度分析軟體，即可計算Kcp1~Kcp17各個知識創造項目在X軸與Y軸二元空間之座標如表20—3所示。此座標位置可以在X軸與Y軸之空間中，點上座標位置點，並由位置點再將X軸與Y軸之原點與各變數之座標位置點相連結即得到各變數在二元空間之向量，請參看圖20—1所示。11企業研究方法第20章第十一页，共三十三页，编辑于2023年，星期日表20-3

十七項研究變數在知覺屬性空間之座標變數名稱XYKcp11.6723-0.0252Kcp2-0.13570.0221Kcp3-1.5715-0.2112Kcp41.70590.0113Kcp5-1.1998-0.1159Kcp61.5335-0.6386Kcp7-1.3602-0.2410Kcp80.5398-0.4556Kcp9-0.0294-0.1128Kcp10-1.44080.0382Kcp11-1.1535-0.2079Kcp12-0.52230.5311Kcp130.70170.3772Kcp142.99750.4199Kcp15-2.08950.4982Kcp160.71730.2231Kcp17-0.3652-0.112912企業研究方法第20章第十二页，共三十三页，编辑于2023年，星期日此外，以五個公司群A~E為計算單元，也一樣可以得到公司群A~E在X軸與Y軸二元空間之相對位置（見下頁表20-4）。這些相對位置若能與變數之相對位置比較，即可以看出每個公司群是比較重視哪些變數，而較不重視哪些其他變數。13企業研究方法第20章第十三页，共三十三页，编辑于2023年，星期日表20-4不同公司群組在知覺屬性空間之座標變數名稱X軸Y軸公司群A1.7396-0.3008公司群B0.39651.4638公司群C-1.1089-0.5847公司群D-1.1556-0.6161公司群E0.1283-1.131614企業研究方法第20章第十四页，共三十三页，编辑于2023年，星期日圖20-1不同公司群組在不同構面之知覺空間圖15企業研究方法第20章第十五页，共三十三页，编辑于2023年，星期日表20-5不同公司群組知識創造過程變數名稱公司群A公司群B公司群C公司群D公司群E

Kcp1知識具體化◎Kcp2專家移轉◎Kcp3人工智慧◎Kcp4教育訓練◎Kcp5網路討論◎Kcp6操作手冊◎◎Kcp7內外網路◎Kcp8專家資料◎◎Kcp9師徒制◎Kcp10腦力激盪◎◎Kcp11工作輪調◎Kcp12合作計畫◎Kcp13實地考察◎Kcp14操作中學◎Kcp15在職訓練◎Kcp16觀察學習◎

Kcp17面對面談◎16企業研究方法第20章第十六页，共三十三页，编辑于2023年，星期日由圖20-1之知覺圖與表20-5之示意圖，可知：公司群A：最重視知識具體化、教育訓練、操作手冊與專家資料；公司群B：最重視實地考察、操作中學習與觀察學習；公司群C：最重視專家移轉、腦力激盪、合作計劃與在職訓練；公司群D：最重視人工智慧、網路討論、內外網路、腦力激盪與工作輪調；公司群E：最重視操作手冊、專家資料與師徒制。17企業研究方法第20章第十七页，共三十三页，编辑于2023年，星期日綜前所述，MDS是提供經理人員在管理上瞭解競爭者及競爭優勢之最重要途徑，MDS也提供經理人員在公司及產品重新定位方面，提供相當方便且實用之空間知覺圖。18企業研究方法第20章第十八页，共三十三页，编辑于2023年，星期日20.6聯合分析的概念 聯合分析(conjointanalysis)則可以表達出消費者實際權衡產品/服務的各種屬性的決策過程，同時也解釋消費者如何建立對某項產品/服務的偏好。它是假設消費者將其對於各個屬性在各個不同水準下所提供的價值或效用加總，以衡量某項產品/服務的價值。

聯合分析在新產品開發的行銷領域上，常被運用在評估某項產品屬性組合的顧客接受度高低，因為它可以衡量該項產品在不同特性組合下，對消費者所可能造成的反應與偏好。19企業研究方法第20章第十九页，共三十三页，编辑于2023年，星期日20.7聯合分析與其他多變量分析方法的比較 聯合分析與其他的多變量分析方法之主要差異在分解(decompose)的模型中，由整體評估推估個別變數之評估。指定自變數。每位填答者都有各自的模型。20企業研究方法第20章第二十页，共三十三页，编辑于2023年，星期日20.8權衡分析法與全輪廓分析法

權衡分析法(trade-offapproach)是列出兩種產品屬性其不同水準下的所有組合方法，填答者只需依據自身的偏好，從最喜歡的到最不喜歡的組合加以排序。表20-6

權衡分析法等候時間五分鐘以內五至十分鐘十分鐘以上產品價格NT50137NT60248NT7056921企業研究方法第20章第二十一页，共三十三页，编辑于2023年，星期日

全輪廓分析法(full-profileapproach)中，研究人員提供填答者卡片來完整地描述整個產品/服務。每張卡片將完整的描述該產品在各個屬性上的水準表現

圖20-2全輪廓分析法卡片1店家：麥當勞等候時間：五分鐘價格：NT70得來速服務：有外送服務：無卡片2店家：麥當勞等候時間：十分鐘價格：NT50得來速服務：無外送服務：有22企業研究方法第20章第二十二页，共三十三页，编辑于2023年，星期日20.9成分效用值的計算成分效用值(part-worth)是指用來衡量某項產品/服務的各個產品屬性、屬性水準或是整體表現的數值。下頁表20-7為產品屬性組合及填答者排序結果，其中在排序方面，1代表最喜歡，9代表最不喜歡。23企業研究方法第20章第二十三页，共三十三页，编辑于2023年，星期日表20-7產品特性組合及填答者排序結果產品特性組合填答者偏好排序產品品牌外送得來速1號填答者2號填答者1麥當勞有有112麥當勞有無223麥當勞無有534麥當勞無無645肯德基有有376肯德基有無457肯德基無有788肯德基無無8624企業研究方法第20章第二十四页，共三十三页，编辑于2023年，星期日首先我們必須求得”提供外送服務”的排序加總平均數（1+2+3+4）/4＝2.5，並算出該屬性水準的排序平均數與整體排序平均數（1+2+3+4+5+6+7+8）/8＝4.5的差額-2(2.5-4.5)，同此，求出這六項產品特性水準的排序平均數與整體排序平均數的差額，如表20–8所示。25企業研究方法第20章第二十五页，共三十三页，编辑于2023年，星期日表20-81號填答者的平均排序及其與整體排序差額因素水準排序平均排序與整體排序差額品牌麥當勞1,2,5,63.5-1.0肯德基3,4,7,85.5+1.0外送有1,2,3,42.5-2.0無5,6,7,86.5+2.0得來速有1,3,5,74.0-0.5無2,4,6,85.0+0.526企業研究方法第20章第二十六页，共三十三页，编辑于2023年，星期日在這個案例當中，愈小的數字代表愈高的排序，當評比的分數與喜好程度相反時，我們將正負符號反轉，讓偏好程度愈高之屬性水準其與整體排序差額為正，反之，偏好程度愈低的屬性水準其與整體排序差額為負；將反轉後之差額平方加總，求得10.5，以此數額做為除數，並將產品特性水準數6(3×2)除以10.5求得0.571；將差額平方乘以0.571的所得數額再開平方根，即可求得估計成分效用值。27企業研究方法第20章第二十七页，共三十三页，编辑于2023年，星期日以品牌特性為例，我們可再利用同一屬性不同水準(麥當勞、肯德基)之成分效用值的全距(1.512)除以每個成分效用值全距總數(5.290)後，可算出該屬性的重要性佔28.6%(見下頁表20—9)。利用相同的計算方法，我們也可以算出外送有無之重要性佔57.1%，有無得來速的服務佔14.3%。28企業研究方法第20章第二十八页，共三十三页，编辑于2023年，星期日表20-9以1號填答者的答題分數求得成分效用值及特性重要性特性水準反轉後差額差額平方標準後差額估計成分效用值效用值全距特性重要性品牌麥當勞+1.01+0.571+0.