Vrste skala

Tip skale Mogunosti vrednovanja

Nominalna skala Klasifikacija: mjerne vrijednosti obiljeja su identine ili nisu
identine
Ordinalna skala Rangiranje: mjerne vrijednosti jedne promjenljive mogu se svrstati
kao manje/vee/isto
Intervalna skala Rangiranje i odreivanje odstojanja: odstojanja izmeu mjernih
vrijednosti se mogu izraunati i imaju logiku smislenu
interpretaciju
Racio skala Apsolutna nulta taka: pored mjerenja odstojanja mogu se, takoer,
izraunati i odnosi mjernih vrijednosti

t su zavisne promjenljive, a ta nezavisne promjenljive?
Zavisne promjenljive mijenjaju vrijednosti svojih relaizacija u zavisnosti od promjena
vrijednosti nezavisnih promjenljivih.
Nezavisne promjenljive ne mijenjaju vrijednosti svojih realizacija pri promjeni vrijednosti
realizacija zavisnih promjenljivih.

ta je univarijaciona, bivarijaciona i multivarijaciona analiza?
Univarijaciona analiza ako imamo jednu promjenljivu a time i jednu jednodimenzionalnu
raspodjelu onda postoje sljedei mogui statistiki postupci:
1. Mjere frekvencija pojedinanih realizacija obiljeja,
2. Parametri poloaja ili srednje vrijednosti,
3. Mjere disperzije ,
4. Parametri oblika,
5. Mjere koncetracije.
Bivarijacioni postupak analiza dvije promjenljive je specijalni sluaj multivarijacione
analize. U bivarijacionom postupku pokuavaju se otkriti zakonitosti meuodnosa izmeu
dvije promjenljive izraenih kao meuzavisnosti ili razlike. Najei bivarijacioni postupci su:
a) Analiza kontigencije ili ukrtena analiza.,
b) Analiza meuzavisnosti promjenljivih.

Multivarijacione metode analize podrazumijevaju istovremenu analizu veeg broja
promjenljivih.
Dagneliova definicija glasi: Analiza vie promjenljivih, viedimenzionalna ili
multivarijaciona analiza moe se interpretirati kao skup statistikih tehnika kojima je svrha
prouavanje odnosa izmeu nekoliko zavisnih i nezavisnih promjenljivih.
Zajednike karakteristike svih definicija multivarijacione analize su:
- Istrauje se vei broj objekata,
- Istovremeno se na svakom objektu mjeri vei broj obiljeja, tzv. Viedimenzionalnost
mjerenja, odnosno simultano se posmatraju i analiziraju manifestne promjenljive,
- Multivarijacioni karakter analize potjee od broja promjenljivih, a ne od broja
objekata istraivanja.

Zadaci multivarijacione analize se mogu povezivati za:
- Pojednostavljenje sloene strukture istraivanog problema radi lake interpretacije
(deskripcija),
- Postupak zakljuivanja o meuzavisnosti promjenljivih i/ili testiranje njihove
statistike znaajnosti i
- Istraivanja u smislu generisanja i konstruisanja hipoteza.

DISKRIMINACIONA ANALIZA
Diskriminaciona analiza, kao metoda multivarijacione analize, je specijalan oblik regresione
analize namijenjen klasifikaciji skupa nezavisnih promjenljivih koje predstavljaju obiljeja u
kateorijskim ili zavisnim promjenljivim.
Diskriminaciona analiza ima dva osnovna cilja:
- razdvajanje razliitih grupa i
- alokaciju opservacija u unaprijed definisane grupe
Skup metoda kojima se realizuje ovaj cilj, naziva se deskriptivna diskriminaciona analiza.
Alokacija opservacija u unaprijed definisane grupe podrazumijeva utvrivanje postupka za
klasifikaciju opservacija na osnovu vrijednosti realizacija skupa sluajnih promjenljivih u
dvije ili vie prethodno razdvojenih i definisanih grupa. Metode, koje se odnose na realizaciju
drugog cilja, nazivaju se metode klasifikacije.

Osnovni zadatak diskriminacione analize je formiranje linearne kombinacije nezavisnih ili
prediktorskih promjenljivih pomou kojih e se izvriti razdvajanje izmeu unaprijed
definisanih grupa uz zahtjev za minimalnom grekom pogrene klasifikacije opservacija.

U diskriminacionoj analizi nezavisne promjenljive su mjerljive ili metrike (kvantitavne)
veliine, dok je zavisna promjenljiva nemjerljiva ili kvantitativna. Zavisna promjenljiva je
fiksna (prima vrijednosti 0 i 1 kod diskriminacije u dvije grupe) a nezavisne promjenljive su
normalno rasporeene sluajne promjenljive.

Deskriptivna diskriminaciona analiza omoguava identificiranje onih promjenljivih koje
najbolje odvajaju ili diskriminiraju objekte dviju ili vie grupa prema nekim glavnim
obiljejima.

Ulazni podaci za diskriminacionu analizu odnose se na n objekta koji su klasifikovani u dvije
ili vie kriterijalnih grupa ili populacija za koje se raspolae sa opservacijama prediktorskih
promjenljivih.
Matrica ulaznih podataka za diskriminacionu analizu ima sljedee karakteristike:
- objekti su grupisani na osnovu nekog znaajnog kriterija (kriterijalna promjenljiva),
- grupe objekata su meusobno iskljuive, to znai da objekat koji pripada jednoj grupi
ne moe pripadati drugoj,
- na svakom objektu, bez obzira na pripadnost grupi, opserviraju se iste prediktorske
promjenljive,
- broj objekata u grupama je, uopteno, razliit.
Kriterijalne promjenljive su one na osnovu ijih realizacija se provodi klasifikacija objekata u
grupe.

Kljune pretpostavke deskriptivne diskriminacione analize su:
- sluajni karakter prediktorskih promjenljivih,
- nezavisnost vrijednosti opservacija promjenljivih izmeu razliitih objekata,
- unutar svake grupe, prediktorske promjenljive treba da slijede viedimenzionalnu
normalnu raspodjelu,
- varijansno-kovarijansna struktura prediktorskih promjenljivih treba da bude jednaka
za sve grupe.

Diskriminaciona analiza se najee primjenjuje u sluajevima potrebe za:
- identifikacijom i definisanjem obiljeja ispitanika u vektorskom prostoru
promjenljivih,
- klasifikacijom opservirane promjenljive, koja se tretira kao sistem prediktorskih
promjenljivih i odreivanjem pripadnosti pojedinih objekata odreenoj populaciji,
- prognozom budueg ponaanja nekog objekta u odreenoj populaciji s istim ili slinim
obiljejima.

Diskriminaciona analiza moe se efikasno koristiti u rjeavanju razliitih marketinkih
problema:
- segmentiranje trita,
- ispitivanje lojalnosti nekoj marki proizvoda,
- istraivanje u svrhu odabira medija,
- komparativna analiza imida proizvoda,
- izbor lokacije za biznis,
- procjena kreditne sposobnosti klijenta banke,
- ponaanje potroaa.

KLASTER ANALIZA
Klaster analiza (analiza grupisanja, cluster analiza, teorija klasifikacije, metode grupisanja,
numerika taksonomija i sl.) bavi se metodama grupisanja objekata u homogene klase, tako da
su objekti unutar klasa meusobom bliskiji ili sliniji, a izmeu klasa znaajno razliiti. Grupe
metoga poznate kao klaster analiza odnose se na sisteme klasifikacije, kategorizacije,
sistematizacije, ili na nain razvrstavanja, rasporeivanja ili podjele nekog sistema.
Grupisanje objekata moe se vriti na osnovu jednog utvrenog ili vie kriterija, odnosno
klase objekata se formiraju na osnovu nekih zajednikih obiljeja, a zatim se utvruju odnosi
meu njima. Postupak klaster analize moe biti subjektivan i analitiki ili formalan.
Klaster analiza se moe primijeniti najee u sljedeim sluajevima:
- kada iz jednog skupa objekata treba formirati klase sa to homogenijim obiljejima,
- kada na jednom skupu objekata treba utvrditi postojanje odreenih kategorija,
- kada postoji mogunost izvoenja odreenih tretmana, te je neophodno iz skupa
objekata odrediti one klase na kojima se mogu primijeniti odreeni tretmani,
- kada je na jednom skupu objekata, na osnovu izmjerenih obiljeja, neophodno izvesti
odgovarajue korektivne mjere u cilju poboljanja kvaliteta mjere.
Najei problemi u klaster analizi vezuju se za definisanje kriterija za odreivanje
optimalnog broja klasa i kriterija grupisanja onih objekata koji po svojim obiljejima mogu
pripadati veem broju klasa.

Osnovne pretpostavke za primjenu klaster analize su:
- poznat i konaan skup objekata,
- poznat i konaan broj promjenljivih i njihov izbor,
- karakteristike matrice podataka,
- izbor mjere bliskosti,
- izbor klaster metode.

Osnovni zadatak klaster analize sastoji se u utvrivanju pravila za pridruivanje objekata u
klase na osnovu izabrane mjere bliskosti izmeu objekata.
Razlikuju se a posteriori i a priori klasifikacije. A posteriori klasifikacije se baziraju na
iskustvu i svaka klasa se definie putem enumeracije, tj. obrazovanjem kompletne liste
objekata koji pripadaju toj klasi. Ako se klase definiu putem pravila (kriterija) podjele skupa
objekata na podskupove koji sadre meusobno bliske ili sline objekte, onda se radi o a
priori klasifikacijama.

Klasifikacija klaster postupaka

Klaster metode


Hijerarhijske Nehijerarhijske

Hijerarhijsko grupisanje je karakteristino po razvijanju hijerarhije ili strukture hijerarhijskog
drveta. Hijerarhijske metode mogu biti algomerativne i divizione i prikazuje se dijagramom
koji se naziva dendrogram. Aglomerativno grupisanje poinje sa svakim objektom u posebnoj
klasi, dok poetak divizionog grupisanja je u jednoj klasi u koju su grupisani svi o bjekti. Kod
aglomerativnih postupaka u koranom postupku grupisanja objekata formiraju se sve vee i
vee klase, dok svi objekti ne postanu jedinice jedne klase. Kod divizionog grupisanja klase
se dijele ili razdvajaju sve dok svaki objekat ne postane jedna posebna grupa.

U okviru aglomerativnih metoda razlikuju se metode povezivanja, metode varijanse i metode
centroida. Metode povezivanja sadre postupke jednostukog, potpunog i prosjenog
povezivanja. Metode varijanse generiu klase koje minimiziraju varijante unutar klasa.
Uobiajeno koritena metoda varijanse je Wardova metoda.
Nehijerarhijske klasifikacije mogu se podijeliti na nepreklapajue i preklapajue, gdje ove
druge dozvoljavaju da jedan objekat bude lan vie klasa odjednom, pri emu nijedna klasa
nije u cijelosti sadrana u drugoj.

Tipina istraivaka pitanja na koja odgovore nudi klaster analiza su:
- koje su grupe kupaca naeg automobila s obzirom na sociodemografska obiljeja,
- A-B-C analiza kupaca: Da li postoje grupe kupaca koje se jasno razlikuju jedna od
druge, naroito na osnovu volumena kupovine i drugih znaajnih trinih obiljeja?
- Da li se glasai mogu na osnovu vie sociodemografskih i psihografskih obiljeja
podijeliti u razliite grupe?

Klaster analiza se moe koristiti u marketinkim istraivanjima za razliite ciljeve, dok
se najee navode sljedei:
1. Otkrivanje strukturiranosti skupa objekata i pojednostavljenje sloene strukture
istraivanog problema radi lake interpretacije,
2. Redukcija podataka,
3. Istraivanje u smislu generisanja i kontruisanja hipoteza,
4. Istraivanja za potrebe prognoziranja.