APLIKACE NÁSTROJE PASW SPSS 18.0 BASE V TRŽNÍ

Úvod a záměr práce

APLIKACE NÁSTROJE PASW SPSS 18.0 BASE V TRŽNÍ SEGMENTACI Autor: Mgr. Ing. David Vít Fakulta elektrotechnická ČVUT v Praze, katedra ekonomiky, manažerství a humanitních věd

1. Úvod a záměr práce Cílem této práce je posoudit možnosti prostředků shlukové a faktorové analýzy softwarového nástroje PASW SPSS 18.0 Base v procesu tržní segmentace v návaznosti na závěry diplomové práce Využití shlukové analýzy v marketingu. Diplomová práce se zabývala významem tržní segmentace v marketingovém strategickém plánování, použitím hierarchické shlukové analýzy při identifikaci tržních segmentů a navržení jejích vhodných metod v této problémové oblasti. V rámci práce byl navržen jednoduchý softwarový nástroj v jazyce Java, který umožnil následné otestování chování hierarchického polytetického aglomerativního shlukování AGNES s využitím metod jednoduché vazby, průměrné vazby, úplné vazby a Lance-Williamsovy míry nepodobnosti mezi shluky. Tento nástroj by dále doplněn o algoritmus hierarchického monotetického divizivního shlukování MONA. Pro využití v tržní segmentaci poskytovaly nejlépe interpretovatelné výsledky algoritmus MONA a metoda průměrné vazby u metody AGNES. V rámci pokračování práce byly s pomocí paní RNDr. Vlasty Kašové otestovány možnosti softwarového nástroje PASW SPSS 18.0 Base. Tento softwarový produkt společnosti IBM představuje univerzální statistický analytický nástroj, umožňující provádění mnoha statistických testů a analýz, přesahujících možnosti běžně dostupných prostředků typu Microsoft Excel. V rámci SPSS se jedná o hierarchickou shlukovou analýzu (Hierarchical Cluster), zahrnutou v nabídce Analyze - Classify a faktorovou analýzu (Factor), zahrnutou v nabídce Analyze – Dimension Reduction. Pro otestování těchto prostředků byla použita data z diplomové práce. Získané výsledky získané pomocí nástrojů poskytnutých SPSS budou porovnány s výsledky získanými výše zmíněným analytickým nástrojem vyvinutým jako součást diplomové práce.

2. Hierarchická shluková analýza v SPSS V tržní segmentaci se stanovují shluky dle objektů, čemuž v SPSS odpovídá volba metody dle případů (Cases). K dispozici jsou následující metody stanovení míry nepodobností mezi shluky: metody založené na míře nepodobnosti - between-group linkage, within-group linkage, nearest neighbor, furthest neighbor (metoda úplné vazby), a metody založené na vzdálenosti – centroid clustering, median clustering a Ward’s method. Lze zvolit mezi třemi skupinami měr nepodobnosti – intervalovými (interval data), binárními (binary data) a kategoriálními (counts data). Základním problémem je zde neexistující možnost volby míry nepodobnosti pro smíšená data, která se obecně mohou vyskytovat v marketingových dotaznících.

Aplikace nástroje PASW SPSS 18.0 Base v tržní segmentaci

Stránka 1

Hierarchická shluková analýza v SPSS

Pro přímé použití těchto dat při analýze v SPSS lze zcela vyloučit binární míry, pokud není na datech provedena předchozí transformace na binární proměnné, podobně jako je prováděna v prvním kroku metody MONA. Míry pro intervalová data jsou nepoužitelné pro kategoriální data, neboť vnášejí dodatečnou informaci o uspořádání (nominální data) a vzájemný poměr hodnot (ordinální a nominální data). Pro kategoriální data jsou k dispozici dvě možné míry nepodobnosti – chi-squared (Pearsonova statistika  2 ) a phi-squared. Pearsonova statistika  2 je definována následovně: K k Kl (nrs  M rs ) 2 n .n 2   n. , kde M rs  r   s M rs n r 1 s 1 je četnost očekávaná v případě nezávislosti sledovaných proměnných, nrs jsou Kl

Kk

s 1

r 1

sdružené absolutní četnosti a nr    nrs a n s   nrs jsou marginální četnosti získané z kontingenční tabulky absolutních četností. Míra phi-squared se nazývá koeficient průměrné čtvercové kontingence

2 

2

. n Z výše uvedeného je zřejmé, že obě míry chi-squared i phi-squared jsou z hlediska tvorby shlukového rozkladu rovnocenné, rozdíl je pouze v absolutních hodnotách prvků použité matice nepodobnosti. V případě využití SPSS pro shlukovou analýzu dat marketingových dotazníků je tedy nezbytné provést transformaci všech proměnných na binární s tím, že lze následně využít například binární verze Diceova koeficientu navrhovaného v rámci diplomové práce. To je ovšem spojeno s růstem velikosti úlohy a vznikem velkého počtu binárních proměnných. Druhou možností je kompromisní použití buď míry chisquared s tím, že je ztracena informace nesená v ordinálních a kvantitativních proměnných nebo některé míry pro kvantitativní data, SPSS nabízí pro tento typ dat jako výchozí míru čtvercovou euklidovskou vzdálenost (Squared Euclidan distance): m

Di , j   ( xi ,k  x j ,k ) 2 . k 1

V případě použití míry pro kvantitativní data je však mezi nominální proměnné zanášena dodatečná informace v podobě uspořádání a vzájemného vztahu hodnot a mezi ordinální proměnné informace o vzájemném vztahu hodnot. Vzhledem k tomu, že převažující charakter proměnných v marketingových dotaznících jsou nominální a ordinální typy, je vhodnější v tomto případě preferovat kategoriální míru chi-squared. V rámci této práce budou vytvořeny shlukové rozklady s využitím metody úplné vazby pro míry chi-squared a squared euclidean distance. Pokud se označí míra nepodobnosti mezi dvěma shluky i a j jako d i , j , je míra úplné vazby mezi shluky (Sorensen) mezi shlukem k a shlukem (ij), který vzniknul sloučením původních shluků i a j definována následovně: 1 1 1 d k ,(ij )  .d k ,i  .d k , j  . d k ,i  d k , j . 2 2 2 Tato míra má tendenci vytvářet velké sférické shluky, v nichž jsou míry nepodobnosti nejvíce nepodobných objektů zhruba stejně velké, tedy vytvořené


Stránka 2

Hierarchická shluková analýza s Gowerovým koeficientem

sférické shluky mají podobný poloměr. Tato míra podle závěrů diplomové práce poskytnula nejlépe interpretovatelné výsledky. Při porovnání s mírou nepodobnosti implementovanou ve vlastním analytickém nástroji v metodě AGNES, tedy Gowerovým koeficient nesouhlasu, nenabízí s výjimkou předchozí transformace na binární proměnné SPSS možnost přirozené míry pro smíšená data.

3. Hierarchická shluková analýza s Gowerovým koeficientem Pokud se v datovém souboru vyskytují smíšená data, lze zvolit podobně jako v diplomové práci, vhodnou konstrukci míry nepodobnosti, která dokáže nezkreslit použitá data. Nejznámějším přístupem konstrukce míry nepodobnosti pro proměnné smíšeného typu obsahujícího jak kvantitativní tak i ostatní typy proměnných je Gowerův koeficient nesouhlasu, který je definován následovně: m

Di , j 

 k 1

k

wi , j .k di , j

,

m

 k 1

k

wi , j

  kde k di , j je míra nepodobnosti mezi objekty xi a x j na základě proměnné k, hodnota k

wi , j je rovna 0 pro případ, kdy proměnná k je asymetrická binární a alespoň jedna

z hodnot xi , k nebo x j , k je rovna nule nebo chybí. V opačném případě je hodnota k wi , j rovna 1. Smyslem této podmínky je vyloučení shody pro negativní výsledek v případě asymetrických binárních proměnných, kdy je zajímavá shoda pouze pro pozitivní   výsledky. Míra nepodobnosti k di , j mezi objekty xi a x j na základě proměnné k závisí na typu této proměnné: 

pro kvantitativní proměnné v intervalové stupnici je definována jako podíl absolutního rozdílu hodnot proměnných u obou objektů a maximálnímu rozdílu hodnot proměnných pro tuto proměnnou k

di , j 

xi , k  x j , k max x p  min x p

p 1, 2 ,...,n



pro binární a nominální proměnné je definována k



p 1, 2 ,...,n

di , j  [ xi , k  x j , k ] , tj. k di , j  1 , pokud xi , k  x j , k , a k di , j  0 , pokud xi , k  x j , k .

pro ordinální proměnné a kvantitativní proměnné měřené v poměrové stupnici jsou pro všechny objekty datového souboru hodnoty xi , k transformovány na

hodnoty ri , k , které představují pořadí této hodnoty ri , k  1,2,..., mk , kde mk je


Stránka 3

Hierarchická analýza testovacího souboru

maximální pořadí pro hodnotu k-té proměnné. Toto pořadí je následně normalizováno na hodnotu xi , k 

ri , k  1 , mk  1

která je následně použita s mírou nepodobnosti určenou pro kvantitativní data měřená v intervalové stupnici. Tato transformace pro použití míry nepodobnosti k di , j podle k-té proměnné by měla být vždy použita pro ordinální data. Jde tedy fakticky o normalizaci celočíselných hodnot do intervalu <0;1>. Vzhledem k potenciálnímu rozsahu kvantitativních dat měřených v poměrové stupnici je ovšem rozhodně vhodnější použít výše zmíněnou logaritmickou transformaci hodnot tohoto typu proměnných na kvantitativní proměnnou měřenou v intervalové stupnici a její následnou normalizaci. Tato míra nepodobnosti je implementována spolu s metodou úplné vazby v analytickém nástroji. S výsledky této metody budou srovnány výstupy testovaných metod v PASW SPSS 18 Base.

4. Hierarchická analýza testovacího souboru V rámci diplomové práce bylo provedeno vlastní marketingové dotazování mezi studenty předmětu Marketingový výzkum (Y16MVY) přednášeného doc. Ing. Věrou Vávrovou, CSc. Jako předmět testování bylo zvoleno zhodnocení potřeb, požadavků a motivů na využití osobních počítačů a notebooků mezi studenty FEL ČVUT v Praze studijního oboru softwarové technologie a management a jeho cílem bylo zjistit závislosti mezi potřebami, požadavky a motivy koupě na jedné straně a technickými parametry a demografickými, geografickými, sociálně ekonomickými hledisky na straně druhé. Ačkoliv počet vrácených anketních lístků nebyl příliš velký, vzniklý výsledný datový soubor postačoval na demonstraci implementovaných metod shlukové analýzy a následnou diskuzi výsledků. Odpovědi účastníků ankety tvoří přílohu 1 této práce. Jednotlivá kritéria marketingového dotazníku jsou označena písmeny:      

možnosti využití počítače jsou označeny písmeny A1 až A6, požadavky na počítač písmeny B1 až B5, technické parametry počítače písmeny C1 až C8, pořizovací hodnota počítače je označena písmenem D1, existující funkce počítače jsou označeny písmeny E1 až E8 a demografické a sociálně-ekonomické údaje písmeny F1 až F6.

Pro zpracování pomocí analytického nástroje vytvořeného v rámci této práce byla tabulka transformována podle požadavků vstupního souboru analytického nástroje do číselné podoby. Získaná kritéria můžeme logicky rozdělit do tří různých skupiny kritérií:


Stránka 4




behaviorálních kritérií (A1 až A6, B1 až B5), přičemž veškerá behaviorální kritéria (A1 až A6, B1 až B5) jsou ordinálního charakteru,



demografických kritérií (F1 až F6), kdy kritéria F1 a F5 chápeme jako asymetrická binární, F2 jako ordinální, F4 a F6 jako nominální a F3 jako kvantitativní kritérium, a



funkcí počítače (C2 až C8 bez počtu počítačů a E1 až E8), v jejichž případě za ordinální kritéria považujeme C3, C5, C7 a C8, nominální kritéria jsou C2 a C4 a kritérium C6 je kvantitativní, kritéria E1 až E8 chápeme jako asymetrická binární, neboť nás zajímá pozitivní shoda znaku.

Bohužel jak je patrné, tvoří všechny tři skupiny kritérií proměnné rozdílné struktury typů. Zejména v případě behaviorálních kritérií máme k dispozici pouze ordinální kritéria, zatímco u ostatních dvou skupin je struktura typů smíšená, vyskytují se i kvantitativní kritéria a nominální kritéria. Pokud bychom kritéria behaviorální skupiny chápali i jen částečně jako nominální, ztratili bychom část dostupné informace, kterou nám poskytuje vyjádření preferencí a postoje respondentů marketingového dotazování. Vzhledem k tomu, že máme velmi malý datový soubor, ve výsledku nebudeme uvažovat shluky menší než 10 % rozsahu vstupního datového souboru, tedy nás budou zajímat pouze takové rozklady, kde budou větší shluky než 3 objekty. Menší shluky budeme považovat za odlehlé objekty a z rozkladu je vyloučíme. V rámci posouzení výsledků vlastního analytického nástroje pomocí polytetické aglomerativní metody AGNES s metodou úplné vazby a SPSS budeme vytvářet shlukové rozklady podle skupiny behaviorálních kritérií, která jsou všechna ordinální.

4.1 Rozklad metodou AGNES s Gowerovým koeficientem Při testech provedených na behaviorálních kritériích s pomocí vlastního analytického nástroje byly získány hierarchické shlukové rozklady uvedené v příloze 2. Jim odpovídající dendrogram je uveden v příloze 3. Z dendrogramů jsou patrné jednotlivé hloubky sloučení shluků. Takovýto dendrogram představuje vynikající pomůcku pro intuitivní stanovení dostatečně velkého segmentu. Na základě rozboru jeho struktury je možno stanovit hloubku slučování, v níž se provede příslušný řez. Například u zvoleného rozkladu můžeme zvolit hranici řezu ve hloubce 6. V důsledku toho získáme celkem 6 shluků, z nichž poslední dva jsou příliš malé a můžeme je chápat jako odlehlé objekty: G1 = { 2, 3, 5, 8, 9, 10, 13, 18, 19, 26, 28, 29, 30, 32, 33, 35 }, G2 = { 1, 11, 12, 14, 17, 20, 22 }, G3 = { 6, 21, 25, 27 }, G4 = { 15, 16, 23, 31 }, G5 = { 7, 24 }, G6 = { 34 }.


Stránka 5


Takto získaný shlukový rozklad můžeme nyní porovnat s rozkladem provedeným pomocí SPSS.

4.2 Rozklad pomocí SPSS se čtvercovou euklidovskou vzdáleností Data původního souboru byla nejprve naimportována do vstupní databáze SPSS a následně v ní byly nastaveny typy proměnných podle požadované implementace. SPSS umožňuje nastavení ordinálního, nominálního a numerického typu s možností filtrování vypouštěných hodnot. U binárních proměnných není možno rozlišit interpretaci symetrických a asymetrických případů, proto byly tyto definovány jako ordinální typ. Byla použita metoda Further neighbor (úplná vazba) s mírou nepodobnosti Chi-squared measure. Příloha 4 obsahuje postup hierarchického slučování pro tuto metodu, v příloze 6 je pak graficky znázorněn postup slučování, jak jej vygeneroval SPSS. Nejzajímavější údaje pak přináší příloha 8 – zde je znázorněn dendrogram dle čtvercové euklidovské vzdálenosti. V dendrogramu byl zvolen řez ve hloubce 7, který poskytne celkem 6 shluků: E1 = { 3, 6, 9, 10, 15, 16, 22, 23, 30, 31, 35 }, E2 = { 1, 7, 11, 12, 14, 21, 25, 27 }, E3 = { 2, 5, 18, 19, 28, 29, 34 }, E4 = { 8, 24, 26, 32 }, E5 = { 13, 33 }, E6 = { 17, 20 }. Shluky E5 a E6 můžeme vzhledem k jejich velikosti považovat za odlehlé.

4.3 Rozklad pomocí SPSS s Pearsonovou statistikou V rámci nastavení shlukovací metody byla provedena transformace hodnot dle proměnných na defaultní Z scores, aby byly použity normalizované hodnoty všech proměnných. Byla použita metoda Further neighbor (úplná vazba) s mírou nepodobnosti Squared euclidean distance. Příloha 5 obsahuje postup hierarchického slučování pro tuto metodu, příloha 7 pak graficky znázorňuje průběh tohoto rozkladu. Je zřejmé, že při změně shlukovací metody z kvantitativní na kategoriální došlo k zásadnímu rozdílu v průběhu. Dle vzniklého dendrogramu uvedenému v příloze 9 je výsledný shlukový rozklad zcela odlišný. V dendrogramu provedeme řez v hloubce 12, abychom získali 6 shluků jako v předchozích metodách:


Stránka 6

Porovnání výsledků rozkladů SPSS a vlastního nástroje

P1 = { 1, 3, 6, 7, 9, 10, 12, 14, 16, 22, 23, 25, 27, 30, 34, 35 }, P2 = { 5, 8, 18, 19, 26, 28, 29 }, P3 = { 2, 11, 13, 33 }, P4 = { 15, 20, 21, 31 }, P5 = { 24, 32 }, P6 = { 17 }. Shluky P5 a P6 budeme opět vzhledem k male mohutnosti považovat za odlehlé.

5. Porovnání výsledků rozkladů SPSS a vlastního nástroje V tabulce v příloze 10 jsou zvýrazněny příslušnosti objektů do 6 shluků na základě shlukových rozkladů dle 3 porovnávaných metod. Barvy jsou použity pro zvýraznění překrývání shluků dle jednotlivých metod. Z tabulky je patrné, že se všechny použité metody výrazně rozcházejí, provedeme proto testy závislosti v kontingenční tabulce. Na základě výsledků obou metod pro rozklad na 6 shluků vytvoříme 3 kombinační tabulku, kde v řádcích budou uvedeny shluky dle jedné metody a ve sloupcích uvedeny shluky dle druhé. V polích kombinační tabulky pak budou uvedeny počty účastníků ankety, kteří byli přiřazeni do dané kombinace shluků dle obou algoritmů odpovídající danému poli tabulky. Nezávislost v kombinační tabulce bude otestována pomocí  2 - testu nezávislosti v kombinační tabulce. Nulovou hypotézu o nezávislosti v kombinační tabulce dle tohoto testu zamítneme, pokud pro hodnotu testového kritéria s r n  n.r .r 2 i j  2   ij n.ri .rj i 1 j 1 platí, že je větší než kritická hodnota veličiny  2 pro stupeň volnosti f  (r  1).(s  1) , kde r je počet kategorií u řádkové proměnné a s je počet kategorií u sloupcové proměnné. Hodnota n značí počet objektů ve statistickém souboru, hodnota nij označuje počet dotazovaných dle i-té řádkové a j-té sloupcové kategorie, tedy zařazených do i-tého shluku dle první metody a do j-tého shluku dle druhé metody, n ri  i je relativní četnost výskytu i-té řádkové kategorie a rj  n j je relativní četnost n n výskytu j-té sloupcové kategorie. Testové kritérium ověříme na vhodných hladinách významnosti. Test je prováděn po 25 stupňů volnosti na velmi malém datovém souboru. Pro test nezávislosti shlukových rozkladů dle metody AGNES s Gowerovým koeficientem nesouhlasu a SPSS hierarchické metody s euklidovskou vzdáleností na hladině významnosti 1 % získáváme hodnotu testového kritéria ttest = 44,5905, tato hodnota je vyšší, než kritická hladina tkrit   2 (25)  44,3141 . Na hladině významnosti 1 % tedy vyvracíme nulovou hypotézu a tím prokazujeme závislost shlukového rozkladu pomocí obou metod.


Stránka 7

Porovnání výsledků rozkladů SPSS a vlastního nástroje

Pro test nezávislosti shlukových rozkladů dle metody AGNES s Gowerovým koeficientem nesouhlasu a SPSS hierarchické metody s Pearsonovou mírou na hladině významnosti 10 % získáváme hodnotu testového kritéria ttest = 31,4007, tato hodnota je nižší, než kritická hladina t krit   2 (25)  34,3816 . Na hladině významnosti 10 % tedy nemůžeme vyvrátit nulovou hypotézu o nezávislosti shlukového rozkladu pomocí obou metod. Pro test nezávislosti shlukových rozkladů dle hierarchických metod SPSS s euklidovskou vzdáleností a Pearsonovým koeficientem na hladině významnosti 1 % získáváme hodnotu testového kritéria ttest = 75,3981, tato hodnota je vyšší, než kritická hladina tkrit   2 (25)  44,3141 . Na hladině významnosti 1 % tedy vyvracíme nulovou hypotézu a tím prokazujeme závislost shlukového rozkladu pomocí obou metod.

5.1 Zhodnocení závěrů Jak již bylo uvedeno v úvodu, byly porovnávány shlukové rozklady souboru, který představuje do značné míry homogenní tržní mikrosegment. Vzhledem k tomu, že typ použitých proměnných byl ordinální, byla z hlediska metod nabízených v SPSS vhodnější euklidovská vzdálenost. Z toho vyplývá i vyvrácení nulové hypotézy o nezávislosti shlukových rozkladů dle metody AGNES s Gowerovým koeficientem nesouhlasu a SPSS hierarchické metody squared euclidean distance. Vzhledem k transformaci ordinálních proměnných na normalizované pořadí odpovídá výpočet v případě čistě kvantitativních proměnných použití normalizované m

Manhattanské vzdálenosti Di , j   xi ,k  x j ,k . Z toho důvodu vyplývá závislost k 1

výsledků obou metod. V případě Pearsonovy míry užité v SPSS dochází ke ztrátě informace uspořádání hodnot jednotlivých ordinálních proměnných a proto jsou výsledky předvídatelné, tedy nelze vyvrátit hypotézu nezávislosti shlukového rozkladu dle AGNES s Gowerovým koeficientem a SPSS hierarchickou metodou s Pearsonovou mírou. Tato míra není vhodná pro zpracování datového souboru s kvantitativními a ordinálními proměnnými. Zamítnutí nezávislosti shlukových rozkladů dle Pearsonovy míry a kvadratické euklidovské vzdálenosti je jistým překvapivým výsledkem vzhledem k nezamítnutí nezávislosti tohoto rozkladu s rozkladem dle metody AGNES s Gowerovým koeficientem. Pravděpodobně tato vlastnost vyplývá z rozdílů vlastností normalizované Manhattanské vzdálenosti a kvadratické euklidovské vzdálenosti. Vzhledem k vysoké homogenitě preferencí respondentů ankety pravděpodobně ztráta informace uspořádání hodnot ordinálních proměnných není tak kritická u kvadratické euklidovské vzdálenosti jako u vzdálenosti Manhattanské. Toto chování by bylo vhodné ověřit v budoucnu na větším datovém souboru případně porovnat chování Manhattanské a kvadratické euklidovské vzdálenosti i na smíšených datech. Nicméně ověření těchto hypotéz považuji za slepou cestu vzhledem k tomu, že pro smíšená data jsou


Stránka 8

Využití faktorové analýzy v segmentaci trhu

doporučovány speciální metriky typu Gowerovy míry nepodobnosti či optimalizační metody typu metody k-prototypů. Závěry získané z testování hierarchických metod poskytovaných produktem PASW SPSS 18.0 Base jsou velmi užitečné, neboť z hlediska interpretace získaných výsledků potvrzují předchozí závěry, které se týkají větší vhodnosti použití monotetických hierarchických shlukovacích metod pro segmentaci trhu. Pomineme-li skutečnost, že se výsledky různých polytetických metod značně rozcházejí, je velmi obtížné definovat vhodnou míru nepodobnosti pro smíšená data, a tyto metody vykazují vysokou citlivost na míru nepodobnosti použitou k sestavení matice nepodobnosti, interpretace shlukových rozkladů vytvořených libovolnou polytetickou shlukovací metodou je velmi problematická. Vzhledem k charakteru monotetického shlukování je interpretace nalezených shluků jako marketingových segmentů výrazně jednodušší.

6. Využití faktorové analýzy v segmentaci trhu V rámci testování vzorových dat s produktem PASW SPSS 18.0 Base byla posouzena i možnost aplikace faktorové analýzy při stanovování tržních segmentů. Hlavním cílem faktorové analýzy je hledání skrytých faktorů, které ovlivňují sledované proměnné datového souboru. Výsledkem je jednak zmenšení rozměru úlohy pro shlukovou analýzu a dále pak nahrazení velkého počtu potenciálně skrytě korelovaných proměnných několika novými vzájemně buď vůbec nekorelovanými, případně málo korelovanými proměnnými – faktory. V případě, že v datovém souboru jsou nalezeny vhodně interpretované nekorelované faktory, je možno tyto využít pro snazší popis nalezených shluků, tedy tržních segmentů. Velké množství behaviorálních preferenčních kritérií může být nahrazeno generickými kritérii, která danou množinu vzájemně korelovaných proměnných původního statistického souboru vzniklého na základě marketingového dotazníku lépe vystihují. Faktorová analýza vznikla v psychologii zejména na základě prací Ch. Spearmana či Raymonda B. Cattella a jejím primárním využitím byla definice osobnostních faktorů. Pro využití v marketingu při stanovení tržních segmentů může být faktorová analýza užitečná pro stanovení popisu nalezených shluků. Otázkou je, zda je vhodnější provést nejprve faktorovou analýzu datového souboru a zmenšit tak počet sledovaných proměnných a pracovat s transformovanými hodnotami nových proměnných, nebo provést shlukovou analýzu na původních skrytě korelovaných proměnných a získané shluky pak popsat pomocí hodnot faktorů jednotlivých objektů. Vzhledem k tomu, že pro optimální výsledky shlukové analýzy je nejvhodnější použít co nejmenší počet vzájemně nekorelovaných proměnných, ukazuje se jako jednoznačné východisko provést nejprve faktorovou analýzu původního souboru pocházejícího z marketingového dotazníku, tím zmenšit velikost úlohy na několik podstatných nekorelovaných proměnných, které bude následně možno použít pro popis nalezených shluků – modelů tržních segmentů.


Stránka 9


Mezi hlavní zmiňované nedostatky faktorové analýzy patří nejednoznačnost řešení, kdy interpretace faktorů záleží na normování hodnot proměnných a volbě korelační či kovarianční matice. Korelační matice se používá v případě proměnných, které mají různá měřítka. Postup faktorové analýzy lze shrnout do následujících postupných kroků: 1. Výpočet korelační matice mezi jednotlivými proměnnými, předpokládají se normalizované proměnné se střední hodnotou 0 a rozptylem 1. 2. Nalezení faktorů – tato operace je založena na opakované regresní analýze, kdy jsou postupně nalezeny nezávislé proměnné, které nejvíce reprezentují rozdílnost hodnot původních proměnných, v dalším kroku se vždy hledá další dodatečná skrytá proměnná, která opět nejvíce charakterizuje zbývající rozdílnost hodnot. V SPSS je stanovena standardně stanovena hodnota komunality proměnné (podíl rozptylu vysvětleného společnými faktory a rozptylu této proměnné) ve výši 1,0. Pro každý nalezený faktor je vypočteno vlastní číslo (eigenvalue). První nalezený faktor má vždy vlastní číslo větší než 1,0 a hodnota vlastního čísla pro další nalezené faktory klesá, přičemž pouze faktory s vlastními čísly většímu než 1,0 jsou zajímavé. Pokud má nalezený faktor vlastní číslo menší než 1,0, tedy menší než komunalita původní proměnné, tak vysvětluje rozdíl hodnot méně než původní proměnná. SPSS vypočte tolik faktorů, kolik je počet původních proměnných, nicméně pouze faktory s vlastními čísly většími než 1,0 jsou důležité. 3. Nalezení vhodné rotace faktorů – cílem je nalezení optimálního faktorového řešení, které není jednoznačné. Každá korelace dvou proměnných by měla být popsána co nejmenším počtem faktorů. Zde existuje velké množství algoritmů, které se snaží minimalizovat faktorové zátěže, ideálním stavem je nalezení tzv. jednoduché struktury, kdy největší zátěž je na jediném faktoru a ostatní malé zátěže jsou na faktorech zbývajících. Faktory se standardně rotují pomocí ortonormálních rotací, které zajišťují zachování jejich nekorelovanosti. Jednoduchá struktura faktorů by měla umožnit snadnou interpretaci. V některých případech je struktura faktorů taková, že je vhodnější v zájmu popisu povolit neortonormální rotaci, tedy připustit určitou míru korelace mezi faktory. V případě behaviorálních znaků může tato korelace mít i reálné odůvodnění. SPSS umožnuje nastavení možných parametrů odchylek od ortonormální rotace, pokud lze takto dosáhnout jednodušší struktury výsledných faktorů. V ideálním případě by měla každá z proměnných mít faktorovou zátěž u jediného faktoru větší než 0,5 a u ostatních menší než 0,2. Tohoto stavu se u reálných dat prakticky nikdy nedá dosáhnout.


Stránka 10


4. Nalezení interpretace faktorů – vzhledem k tomu, že faktorová analýza neposkytuje jednoznačné výsledky, je možno v případě problémů s interpretací nalezených společných faktorů zkoušet jiné ortonormální i neortonormální rotace. Interpretace faktorového řešení není snadná a závisí na hluboké znalosti problémové oblasti.

6.1 Faktorová analýza behaviorálních proměnných Na datovém souboru z marketingového dotazování provedeného v rámci diplomové práce byla provedena pomocí SPSS funkce Analyse – Dimension Reduction – Factor faktorová analýza s využitím metody hlavních komponent a výchozí metdou pro rotace VARIMAX. Byly použity proměnné A1, A2, A3, A4, A5, A6, B1, B2, B3, B4 a B5 s tím, že z výstupu byly vynechány pro větší přehlednost hodnoty faktorových zátěží menší než 0,1. Byly nalezeny celkem čtyři faktory s vlastním číslem větším než 1,0. Total Variance Explained Component Total

Initial Eigenvalues % of Cumulative Variance %

Extraction Sums of Squared Loadings % of Cumulative Total Variance %

Rotation Sums of Squared Loadings % of Cumulative Total Variance %

1

3,452

31,385

31,385

3,452

31,385

31,385

2,306

20,966

20,966

2

1,589

14,448

45,833

1,589

14,448

45,833

2,254

20,490

41,455

3

1,352

12,290

58,123

1,352

12,290

58,123

1,433

13,027

54,482

4

1,029

9,358

67,481

1,029

9,358

67,481

1,430

12,999

67,481

5

,833

7,577

75,058

6

,787

7,157

82,215

7

,661

6,012

88,227

8

,405

3,679

91,906

9

,391

3,555

95,462

10

,300

2,727

98,189

11

,199

1,811

100,000

Extraction Method: Principal Component Analysis.

Tyto faktory popisují celkem 67,481% rozdílnosti ve výchozím souboru. Z hlediska interpretace pro tržní segmentaci lze říci, že tyto faktory jsou schopny popsat podstatné rozdíly v datovém souboru a zbývající část nepopsaných rozdílů by bylo možno ignorovat neboť cílem shlukové analýzy použité pro nalezení segmentů v datovém souboru je nalezení homogenních shluků, přičemž nepopsaná část rozdílů mezi objekty datového souboru lze zahrnout do chápání homogenity. Je zřejmé, že původních 11 behaviorálních proměnných se podařilo zredukovat na 4 nezávislé faktory, které popisují podstatnou část rozdílů v datovém souboru. Vliv podílu faktoru na celkovém popisu rozdílnosti lze vidět v tzv. scree plot diagramu, který vhodně vizualizuje klesající význam jednotlivých faktorů v popisu rozdílností.


Stránka 11


Následující tabulka ukazuje, jaký podíl mají jednotlivé faktory na popisu původních proměnných. Component Matrixa Component 1 ,804

2 -,277

3 ,180

4

A4 A6

,787

-,287

,140

-,238

A5

,649

-,116

-,401

A3

,641

-,486

,173

A2

,618

-,516

,204

B2

,516

,447

-,145

B5

,167

,789

,164

,387

A1

,117

,618

-,226

-,544

B1

,497

-,173

,652

B3

,451

,304

,507

B4

,462

,223

-,205

,524

Pomocí metody VARIMAX byla dále v SPSS provedena ortonormální rotace původních faktorů tak, aby bylo dosaženo jednodušší struktury faktorů pro zjednodušení jejich popisu. Z výsledku vyplývá, že tato rotace neposkytnula optimální výsledky, neboť proměnné B2, B4 a A5 výrazněji závisí na 3 rotovaných faktorech. Nalezení smysluplné


Stránka 12


interpretace těchto dat nemusí být snadné. Jako příklad můžeme uvést interpretaci faktoru 4, který významněji ovlivňuje proměnné A1 (hraní PC her) a A5 (telefonování přes internet) a B2 (velký výkon, kvalitní grafika). Naproti tomu faktor 1 výrazněji ovlivňuje proměnné B1 (variabilní mobilní připojení), A4 (brouzdání po webu), A6 (využití pro zaměstnání) a B3 (snadná mobilita). Naopak závislost proměnné A1 (hraní PC her), B4 (komfortní práce) a B2 (velký výkon) není na faktoru tak výrazná. Faktor 1 by tedy bylo možno interpretovat jako požadavek na mobilitu. Rotated Component Matrix a Component 1 ,810

2

B1

3 ,135

4 -,182

A4

,724

,480

A6

,723

,435

-,181

,181

B3

,603

-,137

,342

,246

A3

,113

,839

,882

,201

,575

-,100

A2

,823

B5 B4

,144

,425

A1

-,126

A5

,403

,381

B2

,163

,304

,844 ,533 ,358

,495

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 7 iterations.

Z tabulek závislosti proměnných na původních a rotovaných faktorech je zřejmý smysl rotace, tedy zjednodušení závislosti proměnných na faktorech. Úloha nalezení takové rotace, která bude jednoduše interpretovatelná v problémové oblasti, je velmi komplikovaná. Následující tabulka popisuje transformační vztahy mezi původními a rotovanými faktory, nové rotované faktory jsou lineární kombinací faktorů původních: Component Transformation Matrix Component 1

1 ,673

2 ,658

3 ,198

4 ,274

2

-,212

-,251

,732

,597

3

,692

-,659

,170

-,240

4

-,151

,263

,630

-,715

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization.

Na obrázku jsou zakresleny jednotlivé proměnné v prostoru vymezeném prvními třemi rotovanými faktory. Aplikace nástroje PASW SPSS 18.0 Base v tržní segmentaci

Stránka 13


6.1 Faktorová analýza proměnných s výjimkou D1 a F3 Pro ilustraci byl obdobný test zopakován pro všechny proměnné s výjimkou D1 a F3 (pořizovací cena počítače a čistý měsíční příjem). Datový soubor je velmi malý, nicméně je zajímavé, kolik skrytých faktorů ovlivňuje původních 32 proměnných. Podle grafu scree plot pro tento případ je zřejmé, že bylo nalezeno 12 skrytých faktorů. Datový soubor obsahoval jak behaviorální, tak popisné proměnné a technické parametry počítačů. Zajímavé tedy bude hlavně zjištění závislosti kritérií jednotlivých skupin na skrytých faktorech po jejich rotaci.


Stránka 14


Z níže uvedené tabulky závislosti původních proměnných na již rotovaných faktorech vyplývá, že na jednotlivých faktorech závisejí různou měrou proměnné z různých skupin kritérií marketingového dotazníku. Těchto 12 skrytých faktorů nahrazuje původních 32 proměnných a vysvětluje celkem 81,724 % rozdílů v datovém souboru. Rotated Component Matrixa Component 1

2

3

B1

,832

A6

,691

,349

A4

,688

,351

E6

,579

,206

,339

C5

,534

,407

,162

E3

,447

-,340

A3

,133

,899

A2

,130

,714

,227

,586

-,149

F5

,329

7

8

9

,134

-,190

,872

,268

-,617

,221

-,198

-,526

E4

,306

-,134

-,133

A5

,119

,307 ,207

C6

,196 ,267

,118

-,141

-,141

,238

,218

,197

,204

,247

-,252 -,186

,116

,411

,155

,252

,148

-,207

-,131

-,339

,392

,177

,132 ,120

,155

,133

,710

,122

,218

,145

,559

,197

-,245

,174

,138

,777

,112

,697

,443

-,192

-,417

,640

-,137

-,109

,809

,208

,791

,189

,657

,868

E8

,241

F2

,163

E2

-,184

E7

,106 ,441

C1

,216

F6

-,160

-,139

-,255

-,211

,144

-,173

-,194

B2

,191

,349

-,331

,165

-,262

,253

B5

,158

-,181

F4

-,267 ,379

B3

,284

F1

,108

-,163 -,151

-,128

-,244 -,123

,158 ,412

,336

,178

-,239

,133

-,139

,104

-,227

,216

-,159

,304

,145

-,115

,113

-,204 -,402

,425

-,159

-,194

-,134 ,178

,246 ,102 -,165

,121 ,340 -,116

,817

,165

,656

-,250

-,172

,831

,155

,168

,242

,617

-,194

,420

,420

,128

,883

,116

C3

,239

-,414

,263

,212

12

,206 ,405

-,255

A1 C4

11

,205

-,119

,326

C7

B4

10

,184

,919 ,176

E5

6

,324

,197

E1

5

,178

C2 C8

4

,241

,159

-,292

-,279

-,182

,201

-,264 -,332 ,146

,157 ,371

,140

-,104

,834

,354

,475

,251

-,314

,802

-,175

,890

Extraction Method: Principal Component Analysis. Rotation Method: Varimax Kaiser Normalization. a. Rotation converged in 33with iterations.

Pro ilustraci se zaměřme na proměnnou F1, která určuje pohlaví. Tato proměnná je popsána faktorem číslo 12 s faktorovou zátěží 0,890. Významnější vliv má tato proměnná na proměnnou A1 (hraní PC her) a B2 (velký výkon a kvalitní grafický výstup). Nebo faktor 7 má velký vliv na proměnnou C1 (počet vlastněných PC) a F6 (nejvyšší dosažené vzdělání). Z tohoto příkladu vyplývá, že takto získané faktory jsou velmi problematické pro další interpretaci a pravděpodobně by byla vhodnější jiná rotace, případně i neortonormální.


Stránka 15

Význam faktorové analýzy pro segmentaci trhu

7. Význam faktorové analýzy pro segmentaci trhu Faktorová analýza, jak byla pomocí produktu PASW SPSS 18.0 Base otestována na datech marketingového dotazování, přináší pro exaktní přístup ke shlukové analýze trhu velké možnosti zejména při popisu zjištěných shluků. Předpokládejme, že z marketingového dotazování je získán datový soubor obsahující jak behaviorální, tak i popisná kritéria. V souladu s Kotlerovým pojetím tržní segmentace je provedena shluková analýza podle behaviorálních kritérií, na jejímž základě jsou identifikovány jednoznačné shluky. Pokud je provedena faktorová analýza skrytých faktorů, lze na základě identifikované závislosti jednotlivých proměnných na daných faktorech zkonstruovat projekcí přes faktorové rovnice popis shluků, který využije pouze ty proměnné deskriptivní kategorie, které významně závisí na daných faktorech. Tím se proces interpretace identifikovaných shluků značně zjednoduší. V případě, že je faktorová analýza provedena před vlastní shlukovou analýzou a je nalezena vhodná rotace shluků, která se blíží jednoduché struktuře faktorů, pracuje vlastní shluková analýza s již velmi homogenizovanými daty. Jestliže je navíc pro tyto společné faktory nalezena smysluplná a jednoznačná identifikace, jsou přímo na základě výsledku shlukové analýzy získané shluky přímo jednoduše popsatelné. Pro vlastní návrh využití faktorové analýzy v rámci segmentace trhu jako doplňkové analytické metody ke shlukové analýze je ovšem nezbytné provést dostatečné množství empirických testů na datových souborech marketingového dotazování. Na základě těchto zkušeností bude možno tyto kroky zobecnit. Dosud získané výsledky z hlediska interpretace nabízejí široké možnosti dalšího výzkumu využití této metody v marketingu. Ačkoliv použití prostředků shlukové analýzy implementovaných v produktu SPSS je pro účely segmentace trhu problematické, zejména vzhledem k omezeným možnostem interpretace měr nepodobností pro smíšená data, vzhledem k tomu, že faktorová analýza je založena na rozboru normalizované korelační matice proměnných, je tato analytická metoda tak, jak je implementována v SPSS a zejména k možnostem nastavení parametrů pro výpočet faktorů a hledání rotací faktorů, dále využitelná jako dílčí metoda pro exaktní stanovení tržních segmentů.


Stránka 16

Použitá literatura

Použitá literatura 

TOMEK, G. ,VÁVROVÁ, V. – Marketing od myšlenky k realizaci. Praha: Professional Publishing 2008



KOTLER, P., KELLER, K. L. – Marketing management, 12. vydání. Praha: Grada Publishing 2007



ŘEZANKOVÁ, H., HÚSEK, D., SNÁŠEL, V. – Shluková analýza dat. Praha: Professional Publishing 2007



EVERITT, B.S., LANDAU, S., LEESE , M. – Cluster analysis, 4th edition. London: Arnold, a member of the Hodder Headline Group 2001



HEBÁK, P., HUSTOPECKÝ, J., PECÁKOVÁ, I., PRŮŠA, M., ŘEZANKOVÁ, H., SVOBODOVÁ, A., VLACH, P. – Vícerozměrné statistické metody (3). Praha: Informatorium 2006



Electronic Statistics Textbook [online]. Tulsa: StatSoft 2007. Dostupný z WWW: http://www.statsoft.com/textbook/stathome.html



PALLANT, J. – SPSS Survival Manual, 3rd Edition. Maidenhead: Open University Press 2007



ŘEHÁK, J., BARTÁKOVÁ, I. – Statistika pro výzkum trhu a marketing. Praha: Centrum výuky SC&C 1997



ÜBERLA, K. – Faktorová analýza. Bratislava: Alfa 1974



DARREN, K., MALLERY, P. – SPSS for Windows Step-by-Step: A Simple Guide and Reference, 10.0 Update (3rd Edition). Prentice Hall 2000



VÍT, D. Využití shlukové analýzy v marketingu: master thesis, Prague: CTU FEE 2009



VÍT, D. Vliv marketingového dotazování na identifikaci tržních segmentů. Prague: Marketing & komunikace. 2009, roč. XIX, č. 4, s. 17-19.



VÍT, D. Interpretation of monothetic and polythetic clustering method results for marketing questionaire processing : paper draft for Acta Polytechnica. Prague: CTU FEE 2009. Word Document. Unpublished.


Stránka 17

Seznam příloh

Seznam příloh 

Příloha 1 – přehled odpovědí účastníků dotazování



Příloha 2 – shlukový rozklad AGNES pomocí vlastního nástroje



Příloha 3 – dendrogram AGNES dle vlastního nástroje



Příloha 4 – SPSS se čtvercovou euklidovskou vzdáleností



Příloha 5 – SPSS s Pearsonovou mírou



Příloha 6 – SPSS rozklad dle čtvercové euklidovské vzdálenosti



Příloha 7 – SPSS rozklad dle Pearsonovy míry



Příloha 8 – SPSS dendrogram dle čtvercové euklidovské vzdálenosti



Příloha 9 – SPSS dendrogram dle Pearsonovy míry



Příloha 10 – Tabulka příslušnosti objektů ke shlukovým rozkladům dle jednotlivých metod


Stránka 18

Obsah

Obsah 1.

ÚVOD A ZÁMĚR PRÁCE ...................................................................................... 1

2.

HIERARCHICKÁ SHLUKOVÁ ANALÝZA V SPSS ...................................................... 1

3.

HIERARCHICKÁ SHLUKOVÁ ANALÝZA S GOWEROVÝM KOEFICIENTEM................ 3

4.

HIERARCHICKÁ ANALÝZA TESTOVACÍHO SOUBORU ........................................... 4

5.

4.1

Rozklad metodou AGNES s Gowerovým koeficientem ................................................. 5

4.2

Rozklad pomocí SPSS se čtvercovou euklidovskou vzdáleností .................................... 6

4.3

Rozklad pomocí SPSS s Pearsonovou statistikou .......................................................... 6

POROVNÁNÍ VÝSLEDKŮ ROZKLADŮ SPSS A VLASTNÍHO NÁSTROJE..................... 7 5.1

6.

7.

Zhodnocení závěrů ........................................................................................................ 8

VYUŽITÍ FAKTOROVÉ ANALÝZY V SEGMENTACI TRHU ........................................ 9 6.1

Faktorová analýza behaviorálních proměnných ......................................................... 11

6.1

Faktorová analýza proměnných s výjimkou D1 a F3 ................................................... 14

VÝZNAM FAKTOROVÉ ANALÝZY PRO SEGMENTACI TRHU ................................ 16

POUŽITÁ LITERATURA ............................................................................................ 17 SEZNAM PŘÍLOH .................................................................................................... 18 OBSAH ................................................................................................................... 19 PŘÍLOHA 1 – PŘEHLED ODPOVĚDÍ ÚČASTNÍKŮ DOTAZOVÁNÍ ................................. 20 PŘÍLOHA 2 – SHLUKOVÝ ROZKLAD AGNES POMOCÍ VLASTNÍHO NÁSTROJE ............. 23 PŘÍLOHA 3 – DENDROGRAM AGNES DLE VLASTNÍHO NÁSTROJE ............................. 24 PŘÍLOHA 4 – SPSS SE ČTVERCOVOU EUKLIDOVSKOU VZDÁLENOSTÍ ........................ 25 PŘÍLOHA 5 – SPSS S PEARSONOVOU MÍROU ........................................................... 26 PŘÍLOHA 6 – SPSS ROZKLAD DLE ČTVERCOVÉ EUKLIDOVSKÉ VZDÁLENOSTI ............. 27 PŘÍLOHA 7 – SPSS ROZKLAD DLE PEARSONOVY MÍRY.............................................. 28 PŘÍLOHA 8 – SPSS DENDROGRAM DLE ČTVERCOVÉ EUKLIDOVSKÉ VZDÁLENOSTI .... 29 PŘÍLOHA 9 – SPSS DENDROGRAM DLE PEARSONOVY MÍRY..................................... 30 PŘÍLOHA 10 – TABULKA PŘÍSLUŠNOSTI OBJEKTŮ KE SHLUKOVÝM ROZKLADŮM DLE JEDNOTLIVÝCH METOD .......................................................................................... 31


Stránka 19


Příloha 1 – přehled odpovědí účastníků dotazování Následující tabulka obsahuje shrnutí odpovědí jednotlivých účastníků ankety, je zároveň k dispozici v elektronické podobě formě dokumentu pro Microsoft Excel jako součást CD přiloženého k diplomové práci. Vzhledem k velkému počtu kritérií je tabulka s odpověďmi rozdělena na dvě následující stránky.


Stránka 20

A3

Telefonování přes internet

Brouzdání po webu, email, chat

Hraní PC her

Lístek A6

Využití pro zaměstnání

Multimediál ní aplikace (filmy, hudba)

souhlas souhlas silný souhlas souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas souhlas souhlas silný souhlas souhlas silný souhlas silný souhlas nesouhlas souhlas silný souhlas nesouhlas silný souhlas souhlas souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas souhlas silný souhlas

neutrální souhlas silný souhlas silný souhlas souhlas silný souhlas silný souhlas souhlas silný souhlas silný souhlas souhlas souhlas silný souhlas souhlas silný souhlas silný souhlas silný nesouhlas nesouhlas neutrální souhlas silný souhlas souhlas silný souhlas silný souhlas souhlas neutrální silný souhlas souhlas neutrální silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas

B1

Variabilní mobilní připojení k internetu kdekoliv

A5 souhlas souhlas souhlas silný nesouhlas souhlas souhlas neutrální souhlas neutrální silný souhlas silný nesouhlas souhlas souhlas souhlas silný souhlas silný souhlas neutrální souhlas souhlas neutrální souhlas silný souhlas silný souhlas souhlas souhlas souhlas souhlas souhlas souhlas silný souhlas silný souhlas neutrální neutrální souhlas silný souhlas

B2

Velký výkon, kvalitní grafický výstup

neutrální neutrální silný souhlas nesouhlas souhlas silný souhlas souhlas souhlas silný souhlas silný souhlas souhlas neutrální neutrální souhlas neutrální silný souhlas nesouhlas silný souhlas silný souhlas nesouhlas nesouhlas souhlas souhlas neutrální neutrální souhlas souhlas neutrální silný souhlas silný souhlas neutrální souhlas souhlas neutrální souhlas

souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas souhlas neutrální silný souhlas silný souhlas silný souhlas silný souhlas souhlas silný souhlas silný souhlas silný souhlas neutrální silný souhlas souhlas souhlas silný souhlas silný souhlas silný souhlas souhlas silný souhlas silný souhlas silný souhlas souhlas silný souhlas silný souhlas souhlas souhlas souhlas silný souhlas silný souhlas

B3

souhlas silný souhlas souhlas souhlas silný souhlas souhlas souhlas silný souhlas silný souhlas neutrální silný souhlas silný souhlas neutrální silný souhlas silný souhlas neutrální souhlas souhlas silný souhlas neutrální neutrální neutrální neutrální souhlas souhlas neutrální silný souhlas neutrální souhlas souhlas souhlas

souhlas neutrální souhlas

B4

Komfortní práce (pohodlná klávesnice, velký display apod) Snadná mobilita, výdrž baterií, nízká hmotnost

A4 souhlas souhlas souhlas souhlas souhlas souhlas souhlas neutrální souhlas neutrální neutrální souhlas neutrální silný souhlas silný souhlas silný souhlas souhlas souhlas neutrální souhlas souhlas souhlas silný souhlas nesouhlas souhlas neutrální neutrální souhlas souhlas silný souhlas silný souhlas neutrální souhlas souhlas souhlas

B5

Velká kapacita pro uchování dat

souhlas silný souhlas silný souhlas silný souhlas souhlas silný souhlas souhlas silný souhlas silný souhlas silný souhlas souhlas neutrální silný souhlas souhlas silný souhlas silný souhlas nesouhlas silný souhlas silný souhlas souhlas silný souhlas souhlas silný souhlas souhlas silný souhlas silný souhlas silný souhlas souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas souhlas silný souhlas 2 2 1 2 1 1 1 1 3 4 4 2 1 2 2 4 1 1 1 2 2 1 2 2 2 1 2 3 1 3 1 2 1 2 3

C1

Počet vlastněných PC

souhlas silný souhlas silný souhlas silný souhlas silný souhlas souhlas neutrální silný souhlas silný souhlas silný souhlas souhlas souhlas silný souhlas souhlas silný souhlas silný souhlas souhlas silný souhlas silný souhlas souhlas souhlas silný souhlas silný souhlas silný souhlas souhlas silný souhlas souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas souhlas silný souhlas

Příprava ke studiu

A2

C3 jednojádrový čtyřjádrový dvoujádrový dvoujádrový čtyřjádrový ekonomický dvoujádrový jednojádrový ekonomický dvoujádrový ekonomický dvoujádrový dvoujádrový dvoujádrový jednojádrový jednojádrový ekonomický dvoujádrový dvoujádrový dvoujádrový jednojádrový dvoujádrový dvoujádrový dvoujádrový dvoujádrový dvoujádrový nevím jednojádrový dvoujádrový dvoujádrový čtyřjádrový dvoujádrový jednojádrový dvoujádrový dvoujádrový

C2 stolní počítač stolní počítač notebook notebook stolní počítač notebook notebook stolní počítač notebook stolní počítač notebook notebook notebook notebook stolní počítač notebook stolní počítač notebook notebook notebook stolní počítač notebook stolní počítač notebook notebook notebook notebook notebook notebook stolní počítač notebook notebook notebook notebook notebook

Druh počítače

souhlas silný souhlas silný souhlas souhlas silný souhlas souhlas souhlas souhlas silný souhlas souhlas souhlas souhlas silný souhlas neutrální silný souhlas silný souhlas souhlas silný souhlas silný souhlas souhlas souhlas souhlas souhlas souhlas souhlas silný souhlas souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas silný souhlas

Technické parametry počítače Typ procesoru

A1

Požadavky na počítač či notebook

více než 17" nevím 14,4"-17" 10"-14,3" 14,4"-17" 14,4"-17" 14,4"-17" více než 17" 10"-14,3" více než 17" 14,4"-17" 14,4"-17" 14,4"-17" 10"-14,3" více než 17" 14,4"-17" více než 17" 14,4"-17" 10"-14,3" 14,4"-17" 10"-14,3" 14,4"-17" více než 17" 14,4"-17" 14,4"-17" 14,4"-17" 10"-14,3" 14,4"-17" 10"-14,3" více než 17" 10"-14,3" 14,4"-17" 10"-14,3" 10"-14,3" 14,4"-17"

C4

Velikost obrazovky

souhlas 1 nesouhlas 2 souhlas 3 neutrální 4 souhlas 5 souhlas 6 souhlas 7 souhlas 8 souhlas 9 neutrální 10 neutrální 11 souhlas 12 13 silný nesouhlas neutrální 14 15 silný souhlas 16 silný souhlas souhlas 17 souhlas 18 neutrální 19 souhlas 20 neutrální 21 souhlas 22 souhlas 23 souhlas 24 souhlas 25 souhlas 26 souhlas 27 souhlas 28 29 silný souhlas souhlas 30 souhlas 31 32 silný souhlas nesouhlas 33 souhlas 34 souhlas 35

Možnost využití počítače či notebooku

Vyhodnocení ankety



Stránka 21

Pořizovací hodnota počítače

Výdrž baterie v hodinách

Lístek

Aplikace nástroje PASW SPSS 18.0 Base v tržní segmentaci 40 000 30 000 25 000 20 000 24 000 29 000

25 000 32 000 28 000 22 000 40 000 20 000 22 000 30 000 30 000 30 000 20 000 35 000

25 000 24 000 25 000 30 000

Wifi

25 000 35 000 30 000

Síťová karta

20 000 39 457 20 000 19 000

Bluetooth

E3

E4 ne ano nevím ne ne ano ano ne ano ano ano ano ano ano ne ano nevím ano ano ano ne ano ano ano ano ano ne ano ano ano ano ano ano ne ano

E5

E7

E8

F1

F2

ano ne ne muž 50 000 - 149 000 ano ne ano muž 10 000 - 49 999 ano nevím ano muž 1 000 000 a více ano ne ano muž 1 000 000 a více ano ne ne muž 1 000 000 a více ano ne ne muž 1 000 000 a více ano nevím ano muž 10 000 - 49 999 ano ano ne muž 1 000 000 a více ano ne ano muž 1 000 000 a více ano ano ano muž 1 000 000 a více ano ne ne muž 1 000 000 a více ano ne ano muž 1 000 000 a více ano ne ne žena 150 000 - 999 999 do 1000 ano ne ano muž ano ne ne muž 50 000 - 149 000 ne ne ne muž 1 000 000 a více nevím nevím nevím muž 10 000 - 49 999 do 1000 ano ne ne muž 1000 - 9999 ano ne ne muž ano ne ne muž 1 000 000 a více ano ne ne žena 1 000 000 a více ano ne ano žena 50 000 - 149 000 ano ne ne muž 1 000 000 a více 1000 - 9999 ano ne ano muž 1000 - 9999 ano ne ano muž ano ne ano muž 50 000 - 149 000 ano ne ne muž 10 000 - 49 999 1000 - 9999 ano ano ano muž ano ne ano muž 1 000 000 a více 1000 - 9999 ano ano ano muž ano ano ano muž 50 000 - 149 000 ano ne ano muž 10 000 - 49 999 ano ne ne muž 10 000 - 49 999 ano ne ne muž 150 000 - 999 999 do 1000 ano ano ano žena

E6

Optická mechanika Čtečka pamě´tových karet Infračervený port

E2

TV tuner

ne ano ne ne ano ano ano ano ano nevím ano ano ano ano ano nevím nevím ano nevím nevím ano ano ne ne ano ano ano ne ne ano ano ne ano ano ano ne ano ano ano ne ano ano ne ano ano ano ano ano ano ano ano ano ano ano ano ano ne ano ano ne ano ano ano ano ano ano nevím nevím ano ano ano ne ano ano ano ne ano ano ano ano ne ano ne ne ano ano ano ne ne ano ano ne ano ano ano ne ano ano ano ne ano ano ano ne ano ano ne ne ano ano ano ano ano ano ano ne ano ano ne ne ano ano ne ano ano ano ano ano ano ano ano ne ano ano ano ne ano ano ano ano

Web kamera

E1

Pohlaví

D1

Velikost obce

10 000

8 000 15 000 7 000

3 000

8 000 9 000 10 000 3 000 9 000 7 000 17 000 6 000 5 000 7 000 6 000 5 000

2 000 5 000 15 000 3 000

18 000

8 000

20 000

10 000

F3

Čistý měsíční příjem

C8

Údaje o respondentovi

F5 studium studium studium studium studium nevím nevím studium nevím studium studium studium studium studium studium studium studium nevím studium nevím nevím studium studium studium studium studium studium studium studium studium studium studium studium studium studium

F4 částečný pracovní úvazek příležitostné brigády příležitostné brigády částečný pracovní úvazek vlastní podnikání částečný pracovní úvazek vlastní podnikání vlastní podnikání částečný pracovní úvazek plný pracovní úvazek vlastní podnikání žádné příležitostné brigády částečný pracovní úvazek žádné příležitostné brigády příležitostné brigády částečný pracovní úvazek částečný pracovní úvazek příležitostné brigády částečný pracovní úvazek příležitostné brigády vlastní podnikání žádné částečný pracovní úvazek příležitostné brigády žádné příležitostné brigády žádné příležitostné brigády žádné částečný pracovní úvazek žádné vlastní podnikání částečný pracovní úvazek

Zaměstnání

500 250 250 160 320

C7

C6

600 1 024 120 128 768 80 160 370 120 250 240 160 120 120 360 40 160 200 120 120 200 80 1 280 130 250 120 120 320 160

Existující funkce počítače

Plány po dokončení bakaláře

více než 3,5 kg žádná nevím žádná 1 kg - 1,9 kg 2 - 5 hodin 1 kg - 1,9 kg 2 - 5 hodin nevím žádná 2 kg - 3,5 kg do 2 hodin 2 kg - 3,5 kg do 2 hodin nevím žádná 2 kg - 3,5 kg do 2 hodin více než 3,5 kg žádná 2 kg - 3,5 kg 2 - 5 hodin nevím do 2 hodin 2 kg - 3,5 kg do 2 hodin 1 kg - 1,9 kg do 2 hodin nevím žádná nevím více než 5 hodin nevím nevím více než 3,5 kg 2 - 5 hodin 2 kg - 3,5 kg 2 - 5 hodin nevím do 2 hodin nevím žádná 1 kg - 1,9 kg do 2 hodin více než 3,5 kg žádná 2 kg - 3,5 kg do 2 hodin 2 kg - 3,5 kg do 2 hodin 2 kg - 3,5 kg do 2 hodin 2 kg - 3,5 kg žádná 2 kg - 3,5 kg 2 - 5 hodin 1 kg - 1,9 kg do 2 hodin více než 3,5 kg žádná 1 kg - 1,9 kg 2 - 5 hodin nevím do 2 hodin 2 kg - 3,5 kg 2 - 5 hodin 1 kg - 1,9 kg více než 5 hodin 1 kg - 1,9 kg 2 - 5 hodin

Kapacita pevného disku

C5

Velikost operační paměti

Hmotnost počítače

512 MB - 1023 MB 2048 MB a více 1024 MB - 2047 MB 2048 MB a více 2048 MB a více 1024 MB - 2047 MB 1024 MB - 2047 MB 2048 MB a více 2048 MB a více 2048 MB a více 512 MB - 1023 MB 1024 MB - 2047 MB 1024 MB - 2047 MB 1024 MB - 2047 MB 1024 MB - 2047 MB 1024 MB - 2047 MB nevím 2048 MB a více 2048 MB a více 1024 MB - 2047 MB 1024 MB - 2047 MB 1024 MB - 2047 MB 2048 MB a více 1024 MB - 2047 MB 2048 MB a více 2048 MB a více 1024 MB - 2047 MB 2048 MB a více 2048 MB a více 1024 MB - 2047 MB 2048 MB a více 2048 MB a více 1024 MB - 2047 MB 2048 MB a více 2048 MB a více

Poř. cena PC

gymnázium gymnázium gymnázium gymnázium gymnázium gymnázium gymnázium technická SŠ technická SŠ gymnázium jiné technická SŠ gymnázium technická SŠ gymnázium gymnázium gymnázium gymnázium gymnázium technická SŠ gymnázium gymnázium gymnázium gymnázium technická SŠ gymnázium gymnázium gymnázium technická SŠ gymnázium technická SŠ gymnázium gymnázium gymnázium gymnázium

F6

Nejvyšší dosažené vzdělání

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

Technické parametry počítače

Vyhodnocení ankety


Stránka 22

Příloha 2 – shlukový rozklad AGNES pomocí vlastního nástroje

Příloha 2 – shlukový rozklad AGNES pomocí vlastního nástroje Následující tabulka obsahuje optimální shlukové rozklady pomocí aglomerativní hierarchické shlukové analýzy provedené vlastním analytickým nástrojem pro behaviorální soubor kritérií. Ve sloupcích tabulky jsou počty shluků v daném shlukovém rozkladu, v řádcích jsou uvedeny objekty původního datového souboru. Příslušnost objektů ke shlukům je v polích tabulky vyznačena číslem shluku, do nějž daný objekt v rámci uvedeného rozkladu patří.

Počty shluků při aglomerativních shlukování

objekt

33 32 31 30 29 28 27 26 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10

9

8

7

6

5

4

3

2

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

1

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

2

2

2

2

2

2

2

2

2

1

5

4

4

4

4

4

4

4

4

4

4

4

4

4

4

4

4

4

4

4

4

4

4

4

3

3

3

3

3

3

2

2

2

1

6

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

5

4

4

4

4

4

4

3

1

1

1

7

6

6

6

6

6

6

6

6

6

6

6

6

6

6

6

6

6

6

6

6

6

6

6

5

5

5

5

5

1

1

1

1

1

8

7

7

7

7

7

7

7

7

7

7

7

7

7

7

7

7

7

7

7

7

7

7

7

6

6

6

3

3

3

2

2

2

1

9

8

8

8

8

8

8

8

8

3

3

3

3

3

3

3

3

3

3

3

3

3

3

3

2

2

2

2

2

2

2

2

2

1

10

9

9

9

9

9

9

9

9

8

8

8

8

8

8

8

8

8

8

8

8

8

8

8

7

7

7

6

2

2

2

2

2

1

11

10 10 10 10 10 10 10 10

9

9

9

9

9

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

12

11 11 11 11 11 11 11 11 10 10 10 10 10

9

9

9

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

13

12 12 12 12 12 12 12 12 11 11 11 11 11 10 10 10

9

9

9

9

9

9

7

6

6

6

3

3

3

2

2

2

1

14

13 13 13 13 13 13 10 10

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

15

14 14 14 14 14 14 13 13 12 12 12 12 12 11 11 11 10 10 10 10 10 10

9

8

8

8

7

6

5

4

3

2

1

16

15 15 15 15 15 15 14 13 12 12 12 12 12 11 11 11 10 10 10 10 10 10

9

8

8

8

7

6

5

4

3

2

1

17

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

18

16 16 16 16 16 16 15 14 13 13 13 13 13 12 12 12 11 11

3

3

3

3

3

2

2

2

2

2

2

2

2

2

1

19

17 17 17 17 17 17 16 15 14 14 14 11 11 10 10 10

9

9

9

9

9

9

7

6

6

6

3

3

3

2

2

2

1

20

18

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

21

19 18 18 18 18 18 17 16 15 15 15 14 14 13 13 13 12 12 11

5

5

5

5

4

4

4

4

4

4

3

1

1

1

22

20 19 19 19 19 19 18 17 16 16 16 15 15 14 14 14 13 13 12 11 11

1

1

1

1

1

1

1

1

1

1

1

1

23

21 20 20 20 20 20 19 18 17 17 17 16 16 15 15 15 14 14 13 12 12 11 10

9

8

8

7

6

5

4

3

2

1

24

22 21 21 21 21 21 20 19 18 18

6

6

6

6

6

5

5

5

5

5

1

1

1

1

1

25

23 22 22 18 18 18 17 16 15 15 15 14 14 13 13 13 12 12 11

5

5

5

5

4

4

4

4

4

4

3

1

1

1

26

24 23 23 22 22

2

2

2

2

2

2

2

2

2

2

2

2

2

2

1

27

25 24 18 18 18 18 17 16 15 15 15 14 14 13 13 13 12 12 11

5

5

5

5

4

4

4

4

4

4

3

1

1

1

28

26 25 24 23 23 22 21 20 19

4

4

4

4

4

4

4

4

4

3

3

3

3

3

3

2

2

2

1

29

27 26 25 24 24 23 22 21 20 19 18 17 17 16 16

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

2

1

30

28 27 26 25 25 24 23 22 21 20 19 18 18 17

8

8

8

8

8

8

8

8

7

7

7

6

2

2

2

2

2

1

31

29 28 27 26 26 25 24 23 22 21 20 19 19 18 17 16 15 15 14 13 10 10

9

8

8

8

7

6

5

4

3

2

1

32

30 29 28 27 27 26 25 24 23 22 21 20 20 19 18 17 16

7

7

7

7

7

7

6

6

6

3

3

3

2

2

2

1

33

31 30 29 28 27 26 25 24 23 22 21 20 20 19 18 17 16

7

7

7

7

7

7

6

6

6

3

3

3

2

2

2

1

34

32 31 30 29 28 27 26 25 24 23 22 21 21 20 19 18 17 16 15 14 13 12 11 10

9

1

1

1

1

1

1

1

1

35

33 32 31 30 29 28 27 26 25 24 23 22 18 17

7

7

6

2

2

2

2

2

1

1

1

1

1

1

1

1

1

1

1

2

1

1

2

1

1

2

9

1

1

2

9

1

1

2

4

9

1

1

6

2

4

9

1

1

6

2

4

9

1

1

6

2

4

1

1

1

6

2

4

1

1

1

6

2

8

8

1

1

1

6

2

8

1

6

2

8

6

2

8

8

8


8

8

8

7

Stránka 23

Příloha 3 – dendrogram AGNES dle vlastního nástroje

Příloha 3 – dendrogram AGNES dle vlastního nástroje Dendrogram metody úplné vazby pro behaviorální data

Hloubka spojení 1

2

3

4

5

6

7

8

9

10

1 1,17 1,17,20

17 20

1,11,14, 17,20

20

11

1,11,12, 14,17,20

1,11,12, 14,17,20, 1,11,12, 14,17,20, 22 22,34

11,14

11,14

12

12

12

12

22

22

22

22

22

34

34

34

34

34

34

7,24

7,24

7,24

7,24

7,24

7,24

6

6 6,21,25, 27

6,21,25, 27

6,21,25, 27

6,21,25, 27

14

1,7,11, 12,14,17, 20,22,24, 34

1,6,7, 11,12,14, 17,20,21, 22,24,25, 27,34

7 24 6 21 21,27 21,25,27

27 25

25

23

23

15,16

31

1,2,3,5, 6,7,8,9, 10,11,12, 13,14,15, 16,17,18, 19,20,21, 22,23,24, 25,26,27, 28,29,30, 31,32,33, 34,35

23

15 15,16,31

16

6,21,25, 27

15,16,23, 15,16,23, 15,16,23, 31 31 31

31

2 2,26 2,26,29

26 29

29

2,3,9, 18,26,29

3

2,3,9, 10,18,26, 29,30,35

3,9 3,9,18

9 18

18

10

10 10,30,35

10,30,35

5,28

5,28

5,28

13,19

13,19

30

2,3,5,8, 9,10,13, 18,19,26, 28,29,30, 32,33,35

30,35 35

2,3,5,8, 9,10,13, 15,16,18, 19,23,26, 28,29,30, 31,32,33, 35

2,3,5,8, 9,10,13, 15,16,18, 19,23,26, 28,29,30, 31,32,33, 35

2,3,5,8, 9,10,13, 15,16,18, 19,23,26, 28,29,30, 31,32,33, 35

5 28 13 19 8

8,13,19, 32,33

8

5,8,13, 19,28,32, 33

8,32,33

32 32,33 33


Stránka 24

Příloha 4 – SPSS se čtvercovou euklidovskou vzdáleností

Příloha 4 – SPSS se čtvercovou euklidovskou vzdáleností Agglomeration Schedule Cluster Combined Stage

Coefficients Cluster 1

Cluster 2

1

3

34

2

4

3

Stage Cluster First Appears

Next Stage

Cluster 1

Cluster 2

,000

0

0

5

27

,014

0

0

12

24

26

,016

0

0

13

4

14

30

,017

0

0

19

5

3

29

,027

1

0

11

6

17

28

,035

0

0

16

7

21

22

,045

0

0

17

8

1

11

,054

0

0

20

9

12

32

,055

0

0

30

10

5

8

,060

0

0

21

11

3

15

,061

5

0

19

12

4

33

,068

2

0

18

13

20

24

,076

0

3

23

14

25

31

,078

0

0

22

15

7

23

,088

0

0

22

16

17

18

,103

6

0

27

17

9

21

,120

0

7

21

18

2

4

,122

0

12

27

19

3

14

,126

11

4

26

20

1

6

,138

8

0

25

21

5

9

,154

10

17

26

22

7

25

,157

15

14

30

23

13

20

,158

0

13

25

24

16

19

,194

0

0

33

25

1

13

,199

20

23

28

26

3

5

,221

19

21

29

27

2

17

,230

18

16

29

28

1

10

,254

25

0

32

29

2

3

,300

27

26

31

30

7

12

,319

22

9

31

31

2

7

,405

29

30

32

32

1

2

,530

28

31

33

33

1

16

1,000

32

24

0


Stránka 25

Příloha 5 – SPSS s Pearsonovou mírou

Příloha 5 – SPSS s Pearsonovou mírou Agglomeration Schedule Cluster Combined Stage

Coefficients Cluster 1

Cluster 2

1

14

30

2

4

3

Stage Cluster First Appears

Next Stage

Cluster 1

Cluster 2

,429

0

0

15

27

,460

0

0

19

3

34

,471

0

0

8

4

1

15

,512

0

0

11

5

21

22

,531

0

0

11

6

25

28

,585

0

0

20

7

5

6

,590

0

0

12

8

3

29

,596

3

0

14

9

24

26

,621

0

0

14

10

11

33

,657

0

0

13

11

1

21

,665

4

5

13

12

5

8

,737

7

0

23

13

1

11

,759

11

10

23

14

3

24

,777

8

9

21

15

14

20

,798

1

0

25

16

23

31

,802

0

0

28

17

17

18

,835

0

0

27

18

2

32

,847

0

0

24

19

4

7

,877

2

0

20

20

4

25

,941

19

6

27

21

3

13

1,009

14

0

22

22

3

9

1,046

21

0

26

23

1

5

1,112

13

12

26

24

2

12

1,139

18

0

32

25

14

19

1,211

15

0

29

26

1

3

1,256

23

22

28

27

4

17

1,288

20

17

30

28

1

23

1,469

26

16

29

29

1

14

1,611

28

25

31

30

4

10

1,613

27

0

31

31

1

4

1,770

29

30

32

32

1

2

1,988

31

24

33

33

1

16

2,525

32

0

0


Stránka 26




Stránka 27




Stránka 28




Stránka 29




Stránka 30

Příloha 10 – Tabulka příslušnosti objektů ke shlukovým rozkladům dle jednotlivých metod

Příloha 10 – Tabulka příslušnosti objektů ke shlukovým rozkladům dle jednotlivých metod Příslušnost ke shlukům AGNES (Gower)

SPSS (euklidovská vzdálenost)

SPSS (Pearsonova míra)

1

G2

E2

P1

2

G1

E3

P3

3

G1

E1

P1

4

-

-

-

5

G1

E3

P2

6

G3

E1

P1

7

G5

E2

P1

8

G1

E4

P2

9

G1

E1

P1

10

G1

E1

P1

11

G2

E2

P3

12

G2

E2

P1

13

G1

E5

P3

14

G2

E2

P1

15

G4

E1

P4

16

G4

E1

P1

17

G2

E6

P6

18

G1

E3

P2

19

G1

E3

P2

20

G2

E6

P4

21

G3

E2

P4

22

G2

E1

P1

23

G4

E1

P1

24

G5

E4

P5

25

G3

E2

P1

26

G1

E4

P2

27

G3

E2

P1

28

G1

E3

P2

29

G1

E3

P2

30

G1

E1

P1

31

G4

E1

P4

32

G1

E4

P5

33

G1

E5

P3

34

G6

E3

P1

35

G1

E1

P1

objekt


Stránka 31

APLIKACE NÁSTROJE PASW SPSS 18.0 BASE V TRŽNÍ

Recommend Documents