Sběr a zpracování marketingových údajů

1. Sběr a zpracování marketingových údajů Prof. Ing. Jana Stávková, CSc. Prof. Ing. Jana Stávková, CSc.

2. Metody zpracování údajů získaných při marketingovém šetření se liší nejen podle účelu šetření, ale také podle charakteru získaných údajů. Hodnoty sledovaných vlastností zjišťujeme pomocí znaků. Znak je určující vlastností základní jednotky souboru. Na znaky lze pohlížet z několika hledisek. První určující hledisko je rozdělení na znaky společné a variabilní. Společné znaky jsou ty, které určují zda jednotka do souboru patří či nikoliv. Identifikace se provádí z hlediska: věcného – “co” budeme zkoumat (např. rodina) časového – “kdy” budeme šetření rodin provádět prostorového – “kde” šetření provedeme Prof. Ing. Jana Stávková, CSc.

3. Variabilní znaky jsou ty, které u jednotek šetříme např. výše příjmů, počet dětí, výše pojistného atd. • slovní (kvalitativní) • číselné (kvantitativní) Prof. Ing. Jana Stávková, CSc.

4. Třídění Dílčím výsledkem marketingového šetření je získání velkého množství údajů, ovšem v neuspořádané podobě. Prvním úkolem zpracování je určité smysluplné uspořádání hodnot. U znaků slovních uspořádáme získané hodnoty podle obměn znaku a u znaků číselných podle jednotlivých kategorií či podle velikosti. Zatímco u těchto řad dospějeme k objektivnímu uspořádání řady, u znaků slovních se jedná o uspořádání subjektivní, a takto je třeba s výsledky uspořádání uvažovat při další analýze. Uspořádání hodnot někdy označujeme jako třídění. Prof. Ing. Jana Stávková, CSc.

5. Příklad: Rozdělení četností podle obměn slovního znakuStatistika oborové struktury absolventů vysokých škol v zemi X (leden1993) Prof. Ing. Jana Stávková, CSc.

6. Př.Rozdělení studentů středních škol podle výšky (v metrech) Prof. Ing. Jana Stávková, CSc.

7. Grafické znázornění skupinového rozdělení četností: Prof. Ing. Jana Stávková, CSc.

8. Soustavu kvantilů můžeme získat z postupného dělení na části, jejichž počet je dán jako mocnina 2i pro i = 1, 2, 3, 4. Významné hodnoty variační řady • pro i = 1 jde o rozdělení na 2 části, dělící hodnotou je medián • pro i = 2 jde o rozdělení na čtvrtiny, dělícími hodnotami jsou kvartily • pro i = 3 jde o rozdělení na 8 částí a dělícími hodnotami jsou oktily • pro i = 4 jde o rozdělení na 16 částí a dělícími hodnotami jsou sedecily Prof. Ing. Jana Stávková, CSc.

9. Pro označení těchto kvantilů se v průzkumové analýze užívá písmen v pořadí, jak byly kvantily uvedeny M, F, E a D.Charakteristikami odvozenými z písmenových hodnot a využívanými v průzkumové analýze jsou: • polosumy P např. pro kvartily FD, FH je polosuma určená vztahem • rozpětí RF (pro kvartily) • vnitřní hradby BD(dolní hranice) BH(horní hranice) • vnější hradby VD, VH jsou graficky určeny ve vzdálenosti trojnásobku RF. Prof. Ing. Jana Stávková, CSc.

10. Příklad:Byly sledovány měsíční platy učitelů na našich univerzitách (soubor A) a platy ostatních zaměstnanců (soubor B). Z údajů o platech (v tis. Kč) vysokoškolsky vzdělaných pracovníků určete potřebné charakteristiky. Použitím statistického softwaru UNISTAT lze z vrubového krabicového grafu přečíst výše uvedené charakteristiky. Souboru A: n = 25; 13, 16, 19, 14, 24, 27, 16, 22, 28, 18, 19, 21, 14, 21, 19, 20, 16, 14, 13, 21, 29, 24, 15, 16, 20 Souboru B: n = 14; 14, 12, 10, 14, 20, 13, 8, 10, 9, 18, 9, 11, 12, 14 Výpočet teoretických hodnot: Soubor A:Soubor B: M = 19 M = 12 FD = 16 FD = 10 FH =21 FH =14 PF = 18,5 PF = 12 RF = 5 RF = 4 BD = 16 –1,5 · 5 = 8,5 BD = 10 – 1,5 ·4 = 4 BH =21 + 1,5 ·5 = 28 BD = 14 + 1,5 ·4 = 20 Prof. Ing. Jana Stávková, CSc.

11. Prof. Ing. Jana Stávková, CSc.

12. Krabicový a vrubový krabicový graf poskytuje informace o extrémních hodnotách (ležící vně hradeb), které mohou být zdrojem chyb při výpočtu charakteristik, tím určitého zkreslení a znehodnocení výsledků. hodnoty ležící vnitř jsou hodnoty typické pro sledovaný problém. V našem souboru A jsou krajové hodnoty 28 a 29 tis. Kč, v souboru B je okrajová hodnota 20 tis. Kč. Tyto by měly být pro další výpočty vyloučeny. Hodnoty ležící vně hradeb jsou hodnoty extrémní, které mohou být zdrojem chyb při výpočtu charakteristik, tím určitého zkreslení a znehodnocení výsledků. Hodnoty ležící uvnitř hradeb jsou hodnoty typické pro sledovaný problém, hodnoty ležící mezi B a V jsou hodnotami okrajovými. Prof. Ing. Jana Stávková, CSc.

13. Měření obecné úrovně Úroveň pozorovaných jevů v daném souboru charakterizují střední hodnoty. Jejich hlavní význam spočívá v tom, že umožňují jednoduše a přehledně srovnávat úroveň zkoumaných jevů u dvou nebo více souborů. Nejpoužívanějšími středními hodnotami jsou průměry zejména aritmetický průměr, geometrický a harmonický, dále medián a modus. pro data netříděná Prof. Ing. Jana Stávková, CSc.

14. Použití aritmetického průměru pro určení obecné úrovně je vhodné pro všechna objemová data. Existují případy, kdy podmínka použití aritmetického průměru není splněna a pak je nutné použít jiný typ průměru př. harmonický nebo geometrický. Harmonický průměr se používá především při výpočtu průměrné rychlosti, průměrné spotřeby času, při normování apod. prostá forma Prof. Ing. Jana Stávková, CSc.

15. Příklad: Tři pracovnice očkují růže různými technologiemi, potřebují na jednoho očkovance 4, 2,5 a 2 minuty. Vypočtete průměrnou spotřebu času na 1 očkovance. Geometrický průměr Při průměrování růstových, časově provázaných veličin, tj. při výpočtu průměrného růstu cen, průměrné spotřeby potravin atd., používáme geometrický průměr. Vypočítá se podle vztahu: Příklad: Určete průměrný čtvrtletní přírůstek spotřeby zeleniny na základě informací o % změnách spotřeby v jednotlivých čtvrtletích (+3,5; -0,2; +2,5; +1,8). Jednotlivé růstové veličiny ve čtvrtletích jsou (1,035, 0,998, 1,025 a 1,018). Průměrný čtvrtletní přírůstek ceny je 1,89 %. Prof. Ing. Jana Stávková, CSc.

16. Pojem variabilita a její měření Hodnoty, které šetřením shromáždíme dosahují určité míry měnlivostí. Měnlivost (variabilita) je základní a nejdůležitější vlastností jednotky. Kdyby tomu tak nebylo, nebylo by třeba šetření n řady jednotek či respondentů. Měnlivost je typickou vlastností jedince a snahou je tuto měnlivost poznat a nějakým způsobem ji kvantifikovat. Prof. Ing. Jana Stávková, CSc.

17. Rozptyl je dán vztahem: pro data netříděná Poněkud odlišně se postupuje při měření variability pořadových znaků, které jsou spojeny s kvantifikovatelnou škálou. Teoreticky by rozptyl z bodového hodnocení bylo možno vypočítat, ale rozptyl může nabývat jakýchkoliv nezáporných hodnot, což zase neodpovídá uzavřené škále (vymezeno bodově). Statistika nabízí řešení formou použití tzv. poměrového koeficientu diferenciace škálového hodnocení, který vyjadřuje do jaké míry respondenti využívali ve svých odpovědích nabízený rozměr škály. Poměrový koeficient diferenciace je dán vztahem: • s2 – rozptyl pořadového znaku • R – variační rozpětí Prof. Ing. Jana Stávková, CSc.

18. Koeficient nabývá hodnot 0 – 1. Nulu získáme v případě, že všichni respondenti odpověděli stejným stupněm škály, 1 v případě, že ½ respondentů dá nejlepší bodové hodnocení a druhá polovina respondentů nejhorší bodové hodnocení. Při P menší než 0,3 je diferencovanost hodnocení velmi nízká, otázka se může jevit nadbytečnou. Prof. Ing. Jana Stávková, CSc.

19. Příklady: Výpočet poměrového koeficientu diferenciace u znaků pořadových. Při hodnocení 20 vazeb svatebních kytic byla porotcem hodnocena jednak kompozice (bodovou stupnicí 1 – 10, 10 znamená max. úspěšnost), jednak barevnost (bodovou stupnicí 1 – 5, 5 znamená max. úspěšnost). Výsledky byly následující: Prof. Ing. Jana Stávková, CSc.

20. U kterého znaku je větší diferencovanost v hodnocení? Při hodnocení barevnosti je větší diferencovanost. Měnlivost kategoriálních proměnných můžeme hodnotit pomocí koeficientu mutality. • nj – absolutní četnosti obměn kategoriálních znaků • n – součet četností Prof. Ing. Jana Stávková, CSc.

21. M nabývá hodnot 0 až 1. M= 0 znamená, že proměnná nabývá pouze jedné obměny, M = 1 nastává v případě, kdy všechny hodnoty kategoriální proměnné jsou různé (n hodnot znaku nabývá n obměn). M se udává i v procentech (při násobení 100), hodnota nad 50% bývá označována za projev vysoké mutality. Příklad: Výpočet mutality nezaměstnaných podle vzdělání tj. 65,38% tzn. vysokou měnlivost nezaměstnaných podle dosaženého vzdělání. Prof. Ing. Jana Stávková, CSc.

22. Závislost Slovních znaků (kontingence) Číselných znaků (korelace) mezi dvěma znaky (jednoduchá) mezi více znaky (vícenásobná) závislost alternativních znaků závislost množných znaků Měření závislostí Při analýze chování zákazníka nás napadá řada otázek: • Ovlivňuje reklama poptávku? • Je vztah mezi poptávkou a cenou zboží? • Ovlivňuje vzdělání respondenta jeho vztah k reklamě? • Ovlivňuje pohlaví respondenta měsíční příjem? Prof. Ing. Jana Stávková, CSc.

23. Závislost číselných znaků Příklad: 10 domácností, kde sledujeme měsíční příjem na člena domácnosti (X) a měsíční výdaje na kulturu na člena domácnosti (Y). x´, y´- značíme teoretické hodnoty Prof. Ing. Jana Stávková, CSc.

24. Měření závislosti mezi slovními znaky (analýza kontingence) Při marketingovém šetření se častěji setkáváme právě s těmito znaky. Přitom jedinou informaci, kterou o tomto znaku získáváme je četnost příslušné obměny. Četnost souvisí s tříděním a výsledkem je kontingenční či asociační tabulka. Příklad: Ukázka kontingenční tabulky pro třídění respondentů podle vzdělání a spokojenosti s vysíláním televize ŠOK. Prof. Ing. Jana Stávková, CSc.

25. Z tabulky je zřejmá klesající tendence se spokojeností této stanice. Největší spokojenost je u skupiny respondentů se základním vzděláním, největší nespokojenost u skupiny vysokoškoláků. Změřit závislost však znamená vypočítat některý z koeficientu kontingence. Základním krokem při výpočtu je výpočet teoretických četností: • n´= teoretická četnost • index i je řádkový index i = 1 ……k (k = 3) • index j je sloupcový index j = 1 ……l (l = 4) Prof. Ing. Jana Stávková, CSc.

26. Čím více se liší teoretické hodnoty od skutečných četností, tím více se vztah mezi znaky liší od nezávislosti (závislost je vyšší). Charakteristika, která informuje o těchto odlišnostech pomocí jednoho čísla je čtvercová kontingence 2. Určíme ji ze vztahu: V našem příkladě 2 = 20,12. Prof. Ing. Jana Stávková, CSc.

27. Ze čtvercové kontingence se dají odvodit další koeficienty. Využívají se tzv.: Pearsonův koeficientkontingence: Crammerův koeficient kontingence: Z obou výpočtů vyplývá pouze slabá závislost mezi vzděláním zákazníka a jeho spokojeností s televizním vysíláním stanice ŠOK. Prof. Ing. Jana Stávková, CSc.

28. Výběrové metody • Při procesu poznávání zákazníka a shromažďování informací jsme vedeni snahou odvodit potřebné závěry. Od počátku této kapitoly jsme dokázali údaje setřídit do tabulek, vyjádřit je graficky, vypočítat určité charakteristiky, které vypovídají o vlastnostech souboru či jejich vzájemných souvislostech. Toto všechno však dovedeme vypočítat z výběrových jednotek, skutečně zahrnutých do výběrového souboru a jen a jen vztahujících se k tomuto souboru. Nicméně zadavatele marketingových problémů nezajímají jak se chová vybraný soubor několika zákazníků, proto hledáme metody zpracování, které umožní výsledky zobecnit na celý základní soubor. Takto zobecněné výsledky na celý základní soubor jsou uživateli ceněny. • Zobecnění se děje dvěma principiálně odlišnými skupinami metod: • 1) pomocí odhadu charakteristik základního souboru • 2) testováním statistických hypotéz, vyslovených o základním souboru Prof. Ing. Jana Stávková, CSc.

29. Testování statistických hypotéz • Testování statistických hypotéz je druhou skupinou výběrových metod. Zatímco při odhadech šlo o proceduru zobecnění výběrové charakteristiky na základní soubor, při určité chybě odhadu, testování statistických hypotéz je založeno na jiných myšlenkových pochodech. Testování hypotéz je založeno na úvahách o věrohodnosti určitých vyslovených domněnek (předpokladů) o základním souboru. Tento předpoklad o základním souboru (resp. jeho chování) je vysloven nezávisle na výsledcích šetření výběrového souboru. Z výběrového souboru vypočtené charakteristiky jsou však důležité pro proceduru ověření platnosti hypotézy. Při statistických šetřeních se často setkáváme s problémy následujícího charakteru: • zvýší reklamní kampaň zájem klientů • ovlivní inovace výrobku poptávku • ovlivní zavedení školného zájem o studium na vysokých školách • ovlivní “krach” cestovních kanceláří zájem o dovolenou v následujících letech Prof. Ing. Jana Stávková, CSc.

30. Takto vyslovené předpoklady o hromadných jevech stochastické povahy a ověřované za pomoci statistických prostředků nazýváme statistickými hypotézami. Procedura ověřování se nazývá testování. • Statistickou (nulovou) hypotézou H0 nazýváme určitý předpoklad (domněnku) vyslovený nezávisle na zkoumaném souboru. Nejčastěji je tento předpoklad vyslovován o hodnotách parametrů základního souboru a potom hovoříme o testech parametrických. U těchto testů předpokládáme, že pracujeme s náhodnými výběry, které jsou známého typu rozdělení (např. normální, Poissonovo atd.). Rozhodovací pravidlo se opírá o tvar rozložení, ze kterého vycházíme. • Neparametrické testy jsou takové, kde předpoklady o typu rozložení, z něhož náhodné výběry pochází, jsou velmi obecné (např. že rozložení je spojité či diskrétní). U těchto testů je domněnka vyslovována o vlastnostech rozložení základního souboru. Prof. Ing. Jana Stávková, CSc.

31. Nulová a alternativní hypotéza • Hypotéza, ze které vycházíme a kterou předběžně pokládáme za platnou, se nazývá testovaná hypotéza neboli nulová. Značí se H0. Vyslovíme-li hypotézu, která je totožná s tvrzením “změna technologie výrobní linky neovlivní objem produkce”, můžeme ji matematicky vyjádřit ve formě: • μ1… objem produkce pro dosavadní technologii A • μ2 … objem produkce při nové technologii B Prof. Ing. Jana Stávková, CSc.

32. Obecný postup při testování • Dalším krokem po stanovení nulové hypotézy je získání informací, na základě kterých rozhodneme o zamítnutí či nezamítnutí vyslovené nulové hypotézy. Z výběrového souboru vypočteme výběrové charakteristiky, které jsou výběrovým protějškem příslušné charakteristiky základního souboru, o kterém je vyslovena nulová hypotéza a stanovíme její směrodatnou chybu. K vyslovené hypotéze je třeba nalézt náhodnou veličinu se známým zákonem rozdělení pravděpodobnosti, jejíž realizace po dosazení hodnot z výběrového šetření je vodítkem pro zamítnutí či nezamítnutí nulové hypotézy. Taková veličina se nazývá testové kriterium. Prof. Ing. Jana Stávková, CSc.

33. Čísloαnazývámehladinou významnosti. Volí se 0,05 nebo 0,01. Hladina významnosti je pravděpodobnost chybného zamítnutí hypotézy, která je ve shodě se skutečností. Hodnota kvantilu , rozděluje soubor hodnot testového kritéria na dvě části: • obor zamítnutí neboli kritický obor (-, uα/2 U u1-α/2, +  • obor nezamítnutí (uα/2, u1-α/2) Prof. Ing. Jana Stávková, CSc.

34. Příklad: Automatická balící linka mouky má být seřízena na hmotnost balíčků . Ve skutečnosti má hmotnost balíčků normální rozložení se střední hodnotou μ a disperzí σ2. Je třeba ověřit správnost seřízení linky, tj. hypotézu na hladině významnosti α = 0,01. Hypotézu ověříme na základě 10 náhodně odebraných vzorků. Jejich průměrná hmotnost . Vybrané typy testů • Test o jedné střední hodnotě Vypočtenou hodnotu porovnáme s kritickou hodnotou, tj. hodnotou kvantilu t0,995 pro 9 stupňů volnosti, která je rovna –3,25. Testovanou hypotézu můžeme tedy na hladině významnosti α = 0,01 zamítnout. Balící linka s velkou pravděpodobností není seřízena na hodnotu μ = 1000 g. Kolísání hmotnosti balíčků není náhodné, ale je třeba je připsat špatnému seřízení linky. Hodnota výběru se statisticky vysoce významně liší od hodnoty 1000 g. Prof. Ing. Jana Stávková, CSc.

35. Příklad: Z výběrových šetření bylo zjištěno jakou částku vydají za léky v průběhu měsíce muži a jakou částku ženy. Potřebujeme-li zjistit jestli tento rozdíl je významný, použijeme výše uvedeného testu. Šetřením bylo zjištěno: • Test o dvou středních hodnotách z nezávislých výběrů Testové kritérium u má kritickou hodnotu 1,96 (pro α = 0,05) a 2,58 (pro α = 0,01). Z porovnání kritické a vypočtené hodnoty usuzujeme, že rozdíl ve výdajích za léky mezi muži a ženami nelze prokázat. Rozdíl v výběrových souborů považujeme za náhodný. Prof. Ing. Jana Stávková, CSc.

36. Testuje hypotézu, že relativní četnost určité varianty znaku v základním souboru se rovná určitému číslu. • Test relativní četnosti • π = relativní četnost základního souboru • π0 = předpokládaná četnost Hypotézu ověříme pomocí testového kritéria • π0 = relativní četnost základního souboru • p = relativní četnost výběrového souboru kde U má rozdělení N[0;1] a kde p je relativní četnost. Prof. Ing. Jana Stávková, CSc.

37. Příklad: Představenstvo určité velké akciové společnosti zvažuje odprodat část akcií zaměstnancům této firmy. Odhaduje, že zájem by mělo 20 % z nich. Předběžným průzkumem personální útvar oslovil 400 zaměstnanců, z nichž 66 projevilo zájem o nákup akcií. Je představa představenstva reálná? u = 1,96; H0 se přijímá, není důvod odmítat úvahy představenstva. Prof. Ing. Jana Stávková, CSc.

38. Testy o nezávislosti Jevy, mezi nimiž zkoumáme závislost, mohou být nezávislé a přesto nám hodnota výběrové charakteristiky pro měření závislosti, vyjde různá od nuly. Proto, abychom se přesvědčili, zda skutečně závislost mezi jevy existuje, podrobíme proceduře testování hypotézy • Test průkaznosti koeficientu korelace Pro ověření průkaznosti koeficientu jednoduché korelace testujeme nulovou hypotézu v nulové hodnotě korelačního koeficientu, tedy , proti alternativě . K ověření nulové hypotézy se používá testového kritéria • n … rozsah výběrového souboru • r … výběrový koeficient korelace Prof. Ing. Jana Stávková, CSc.

39. Příklad: U 12 států byl z dat o roční spotřebě cigaret na hlavu a míry úmrtnosti na 100.000 lidí následkem rakoviny plic zjištěn výběrový koeficient korelace (0,83), který vyjadřuje těsnost vztahu mezi oběma proměnnými. Ověřte jeho platnost pro celý základní soubor. Na základě porovnání s tabulkovou hodnotou kvantilu Studentova rozdělení t0,975 = 2,228 prohlásíme, že H0 se zamítá, tzn. že závislost jsme prokázali. Prof. Ing. Jana Stávková, CSc.

40. Průkaznost indexu korelace se ověřuje testováním hypotézy o nulové hodnotě indexu korelace, tedy . Testovým kritériem je veličina Snedecorovo F-rozdělení, určí se ze vztahu: • Test průkaznosti indexu korelace k … počet parametrů regresní funkce Jestliže vypočítaná hodnota je větší jako tabelovaná pro zvolenu pravděpodobnost a stupně volnosti k - 1 a n - k, zamítáme nulovou hypotézu a předpokládáme závislost. Prof. Ing. Jana Stávková, CSc.

41. Příklad: Hotelová společnost vlastnící 12 hotelů sledovala vztah mezi celkovými měsíčními tržbami (Y) a tržbami ve stravovacích zařízení těchto hotelů (X). Z empirických údajů byla definována exponenciální funkce a index korelace I = 0,945. Dosazením a do výše uvedeného vztahu pro výpočet testového kritéria F dostaneme: Z porovnání vypočtené hodnoty s kritickou hodnotou pro α = 0,05 a (2; 10) stupni volnosti (8,82 > 4,103) prohlásíme, že zamítáme hypotézu nezávislosti proměnných. Prof. Ing. Jana Stávková, CSc.

42. Testování je uplatněno u asociačního vztahu, kdy máme ověřit, zda existuje mezi danými dvěma kvalitativními znaky statisticky průkazná závislost. • Testování nezávislosti kvalitativních znaků (2 x 2) Prof. Ing. Jana Stávková, CSc.

43. Příklad: Při průzkumu osobních zálib se u 300 osob zjišťovalo, zda sběrateli známek, odznaků, ubrousků a podobně jsou častěji muži či nikoliv. vyp > tab tzn. H0 se zamítá, tzn. je závislost mezi příslušností k pohlaví a sběratelstvím. Prof. Ing. Jana Stávková, CSc.

44. Je zobecněním χ2 testu pro 2 x 2. Pro každé políčko kontingenční tabulky počítáme hodnotu • nij … experimentální četnost • oij … očekávaná četnost • Testování nezávislosti kvalitativních znaku (k x m) Nulovou hypotézu typu ověřujeme testový kritériem jestliže χ2vyp > χ2tab zamítáme H0 a tvrdíme, že je závislost. Prof. Ing. Jana Stávková, CSc.

45. Příklad: Na základě výběrových šetření o oboru vzdělání a zastávanou funkcí po absolvování školy (viz. tabulka) rozhodněte, zda je závislost mezi oborem studia a oborem uplatnění Teoretické četnosti: Vysoká hodnota testovaného kritéria znamená zamítnutí nulové hypotézy tzn. je závislost mezi oborem studia a oborem uplatnění. Prof. Ing. Jana Stávková, CSc.

46. Vybrané neparametrické testy Předpoklad je vysloven o shodě četností. Prakticky s touto situací se setkáváme při kvótním výběru, kdy je naši snahou, aby tento výběr “kopíroval” základní soubor. Kontrolním znakem je ukončené vzdělání. Pro další šetření v daném regionu byl sestaven výběrový soubor o rozsahu n = 500, se vzděláním jednotlivých respondentů jak uvádí sloupe ni. Je rozdělení do skupin podle vzdělání odpovídající rozdělení základního souboru? • Test dobré shody Prof. Ing. Jana Stávková, CSc.

47. ni – četnost pro daný region n'i – teoretická četnost, kterou určíme ze vztahu Dosazením do výše uvedeného vzorce a porovnáním s tabulkovou hodnotou χ2 rozdělením jsme zjistili, že výběrový soubor byl sestaven ve shodě se základním souborem. Prof. Ing. Jana Stávková, CSc.

48. Tímto testem ověřujeme hypotézu o shodě podílu jednotek základního souboru, které vykázaly určitou alternativu před a po určitém opatření, přičemž toto šetření musí probíhat na identických jednotkách. Typickým příkladem je preference koupě určitého výrobku před reklamou i po reklamě. Pro šetření je použit panel, dotazovaní jsou opakovaně titíž zákazníci. • Test významnosti změn Prof. Ing. Jana Stávková, CSc.

49. Preference výrobku před a po reklamě Testovaná hypotéza je předpoklad, že vlivem reklamy nedošlo ke změně. Testovým kritériem je jeho kritické hodnoty jsou 3,84 a 6,64. Dosazením do vzorce pro výpočet testového kritéria dostaneme vypočtenou hodnotu q = 13,23. Z porovnání vyplývá, že reklama ovlivnila chování zákazníka. Prof. Ing. Jana Stávková, CSc.