满意度研究―偏最小二乘法 北京博纳支点企业顾问有限公司――金国家 简介 Partial Least Squares(PLS)理论于1983年,由瑞典的伍德(S.Wold)和阿巴诺(C.Albano)等人首次提出,近几十年来,它在理论、方法和应用方面都得到了迅速的发展。美国顾客满意度指数模型的创立者,密西根大学的福内尔(Fornell)教授称PLS方法为第二代回归分析方法。该方法是一种新型的多元统计数据分析方法,主要用于多因变量对多自变量的回归建模问题。 PLS的优势 PLS一种新型的多元数据分析方法,它结合了主成份分析和多元线性回归的特性,它是将预测变量减少为较小的一组不相关的分量(隐性因子),并对这些分量执行最小二乘法回归的分析, PLS分析的主要目的是建立多个因变量与多个自变量之间的回归模型,特别是在自变量集合或在因变量集合中,存在严重的多重相关性时或者变量的数目大于观测量的数目时,PLS分析方法特别有用。PLS算法对数据的分布没有要求,这一点优越于结构方程分析方法。PLS模型与其他方法如最小二乘法、主成份分析、典型相关、结构方程等相比,计算结果更为可靠和稳定。 满意度研究中的应用 通常在满意度研究中,对于顾客满意度的解释变量有很多。而且,这些指标之间往往存在多重相关性。这使得人们很难利用传统的最小二乘法来回归。此外,被解释变量(因变量)也有顾客满意度,顾客忠诚度和企业的经营绩效等方面的多个指标,这些指标之间也存在多重相关问题。因此,顾客满意度指数建模中面临的挑战在于:如何克服自变量和因变量的多重相关性问题,以及自变量对因变量具有最大的解释能力的问题。而偏最小二乘法回归的优势正是解决这样的问题。PLS分析方法目前是满意度研究中比较科学的一种研究方法。 基本原理 PLS方法首先在自变量X和因变量Y中提取成份T1和U1,这里T1为X1,X2,…,Xp的线性组合,U1为Y1,Y2,…,Yq的线性组合。提取这两个成份的原则是:l
l
偏最小二乘回归与主成份回归的不同之处在于得分因子的提取方法不同,简而言之,主成份回归产生的权重反映的是预测变量X之间的协方差,偏最小二乘回归产生的权重是预测变量X与响应变量Y之间的协方差。案例分析 我们以2002年北京商业企业的购物环境满意度为分析案例(数据来源:《顾客满意度测评》一书中使用的案例)。 调研所涉及的自变量指标有7个: 1. 2. 3. 4. 5. 6. 7. 调研所涉及的因变量指标有2个: 1. 2. |
|