Key driver analysis has many applic

Key driver analysis has many applications and comes in a variety of shapes and sizes. It is a component of several proprietary methodologies developed by marketing research agencies but, more typically, the term refers to a customized solution tailored to a specific set of client needs. Broadly speaking, we use key driver analysis to uncover what is most important to consumers in a product or service category and it is a vital part of new product development, customer satisfaction, loyalty and retention and new customer acquisition strategies. In short, it helps clients better understand where to focus their priorities.

There are many ways to carry out key driver analysis - some quite complex - but the results are often presented very simply (e.g., quadrant mapping). This article will outline the basics of key driver analysis and offers some tips for best practices.

Stated vs. derived importance

Why not just ask consumers what's important to them? For example, we can show respondents a list of product attributes and ask how important each is to them on a five-point scale, ranging from very important to not at all important. While this easy to administer, unfortunately, respondents often tell us that just about everything is important! Consequently, their ratings may provide little discrimination among product features or service elements, even when they are substantively very different. Thus, this type of feedback is not helpful to clients in establishing priorities.

Note: This generalization may not apply equally to all products or services. Were we to ask radiologists to rate the importance of features of imaging equipment, for instance, we'd most likely obtain better-differentiated responses because of respondents' higher category involvement than if we had asked about carbonated beverages instead.

Simple importance ratings are just one way to obtain importance directly. There are also the Kano model, magnitude estimation and constant sum, in which respondents allocate points among various features to indicate the relative importance of each. More recently, trade-off methods such as max-diff are enjoying greater use, though they are more complicated because they require experimental designs and statistical modeling. By and large, alternatives to standard rating scales will tend to provide better discrimination but at the cost of complexity and respondent fatigue.

With derived importance, on the other hand, respondents rate a brand or company on overall satisfaction, overall liking or overall purchase interest, in addition to image or satisfaction ratings with respect to a set of attributes. Importance of each attribute is not asked directly and is instead derived by statistical analysis that relates the attribute ratings to the target variable (e.g., overall liking). In this article, this general approach is what I mean by "key driver analysis."

Definitions can be tricky. Statistical modeling (e.g., hierarchical Bayes) is often used with max-diff and other trade-off methods. Therefore, they could also be classified as derived importance techniques, though most researchers probably would not describe them as key driver analyses. This may mainly be force of habit. Either way, trade-off methods are quite useful in their own right but I feel best treated as a separate topic. I won't mention them further in this article other than to reiterate that they are another option.

Bivariate vs. multivariate methods

Setting definitional minutia aside, in key driver analysis, as I am describing it here, there are various ways to derive importance statistically. Pearson product-moment correlation coefficients and Jaccard similarity coefficients are two simple, bivariate means of accomplishing this. Each attribute is paired with the target (dependent) variable and one-by-one, the strength of association in each pair is calculated. The stronger the association between an attribute rating and the target variable, the more important we assume the attribute is in driving liking. Though correlation does not necessarily imply causation, in key driver analysis we are at least implicitly making that assumption.

Bivariate methods are simple and easy to compute but have a couple of important drawbacks. One is that the attributes are considered one at a time and not in the context of the other attributes. That is, we do not account for the possible influence of other attributes on liking (in this example). Another shortcoming is that bivariate approaches sometimes provide little discrimination among the attributes; the coefficients may be of similar magnitude and of little use for making decisions.

Multivariate analysis (MVA), in which the effects of the independent variables are estimated jointly, is generally a better way to derive importance. However, MVA is prone to misuse. It should not be undertaken casually or as an afterthought. An example of where it can go wrong is when multiple regression is employed to derive importance and the attribute ratings are strongly correlated, as is frequently the case. Put simply, when independent variables (e.g., attribute ratings) are highly intercorrelated, results will be suspect because it is difficult mathematically to pry apart the independent variables and isolate the relationship of each with the dependent variable (e.g., liking). This condition - highly intercorrelated independent variables - is known as multicollinearity and how to deal with it remains an active area of research among academic statisticians and computer scientists.

Ridge regression, Shapley value regression, stepwise regression and the Lasso are a few of the many methods used when multicollinarity is a concern. While each has its pros and cons, forward stepwise regression in particular has been criticized for obtaining results that are unstable and has fallen out of favor among many statisticians. Principal components regression, structural equation modeling (SEM) and partial least squares regression are three other approaches. Although distinct from one another, each employs composite variables called components, factors or latent variables in place of the original independent variables. SEM refers to a large family of related methods that, collectively, provide great flexibility in modeling.

The associations between the attributes and the target variable may be not be straightline relationships. In these circumstances, other methods (i.e., those employing regression splines) may be appropriate. Neural networks and several other methods popular in data mining and predictive analytics are other options in these cases and for key driver analysis in general. There are a very large number of these techniques not covered in standard statistics courses we can draw upon (see: The Elements of Statistical Learning by Hastie, Tibshirani and Friedman).

Many methods assume the target variable is numeric but key driver analysis is also conducted when the dependent variable is categorical, top two-box vs. bottom three-box purchase interest scores or user/non-user, for instance. Discriminant analysis and logistic regression, as well as data mining and predictive analytics, are among a host of tools appropriate in these settings.

The number of multivariate methods that can be applied in key driver analysis may seem daunting! No single approach is a panacea. However, the specifics of the circumstances and the amount and types of data can narrow down the range of choices considerably. Another useful guideline relates to the business objectives: Does a method only predict or can it also help you understand in an intuitive and actionable way why certain drivers are more or less important to consumers? Methods such as SEM are often useful in this regard when used wisely. Something else to consider is the level of research expertise in your (or your client's) organization. The "best" tool may not be best because even a layman's description of it may go over the heads of decision makers and management may also be suspicious of black-box techniques.

Tips for best practice

On occasion, researchers will ask importance ratings directly and also derive importance through correlation analysis or some other means. The results are then compared and variables that emerge as most important (or least important) in both approaches are deemed truly important (or unimportant). While I will not assert that this is never good practice, the underlying rationale seems to be along the lines of "We don't trust either, so let's use both." This does not make sense to me and I personally have not found this costly, dual approach helpful. It also increases respondent burden, since attributes must be shown to respondents twice.

Key driver analysis can fail because the attribute statements or items rated do not have the same meaning to consumers that they do to marketers. Long questionnaires that burn out respondents are another recipe for failure and placing key questions towards the end of the interview an especially bad practice. Surveys are just one source of data and customer records and other databases that haven't been properly cleaned - or whose definitions are misunderstood by the analyst - can invalidate analysis and cause MORE WORK.

Different statistical methods, or even the same methods conducted with different options, may provide very different perspectives on priorities and it is important that this be recognized from the outset. Rarely is it possible to point to a single number in our computer output and conclude that one result is the answer. Done sensibly, it can be helpful to generate an ensemble of results from disparate techniques and use the ensemble averages as the basis for approximating importance. Whatever the approach, experience and domain expertise are crucial and if the results will not be useful to the client, they should not be considered useful by analysts.

ผลลัพธ์ (ไทย) 1:

วิเคราะห์โปรแกรมควบคุมหลักมีโปรแกรมประยุกต์จำนวนมาก และมาในหลากหลายรูปทรงและขนาด เป็นส่วนประกอบของกรรมสิทธิ์หลายหลักสูตรพัฒนา โดยหน่วยงานวิจัยตลาด แต่ มากขึ้นโดยทั่วไป คำอ้างอิงโซลูชันแบบกำหนดเองเพื่อตั้งค่าเฉพาะของลูกค้า พูดทั่วไป เราใช้วิเคราะห์โปรแกรมควบคุมคีย์เพื่อค้นพบสิ่งสำคัญที่สุดในประเภทสินค้าหรือบริการที่ผู้บริโภค และเป็นส่วนสำคัญของการพัฒนาผลิตภัณฑ์ใหม่ ความพึงพอใจของลูกค้า สมาชิก และเก็บข้อมูล และกลยุทธ์ซื้อลูกค้าใหม่ ในระยะสั้น จะช่วยให้ลูกค้าเข้าใจเน้นความสำคัญ มีหลายวิธีที่จะดำเนินการวิเคราะห์โปรแกรมควบคุมคีย์ - บางค่อนข้างซับซ้อน - แต่แสดงผลลัพธ์มักมากเพียง (เช่น ควอดร้อนท์แม็ป) บทความนี้จะร่างพื้นฐานของโปรแกรมควบคุมหลักการวิเคราะห์ และมีเคล็ดลับในการปฏิบัติ ระบุเทียบกับได้รับความสำคัญ ทำไมไม่ถามผู้บริโภคคืออะไรสำคัญต่อพวกเขาหรือไม่ ตัวอย่าง เราสามารถแสดงรายการของคุณลักษณะของผลิตภัณฑ์ของผู้ตอบ และขอให้มีความสำคัญแต่ละอยู่ในระดับห้าแฉก ตั้งแต่สำคัญไม่สำคัญ ขณะนี้ง่ายในการดูแล แต่ ผู้ตอบมักจะบอกว่า เรื่องสำคัญคือ ดังนั้น การจัดอันดับอาจมีอย่างน้อยระหว่างคุณลักษณะของผลิตภัณฑ์หรือองค์ประกอบของบริการ แม้ว่า substantively กันมาก ดังนั้น ผลป้อนกลับชนิดนี้ไม่ได้เป็นประโยชน์กับลูกค้าในการสร้างความ หมายเหตุ: generalization นี้อาจไม่ใช้กับสินค้าหรือบริการทั้งหมด ได้เราขอ radiologists การจัดอันดับความสำคัญของคุณลักษณะของภาพอุปกรณ์ เช่น เราจะคล้ายได้รับตอบสนองดีสังเกต เพราะผู้ตอบสูงประเภทมีส่วนร่วมมากกว่าถ้าเราถามเกี่ยวกับเครื่องดื่มอัดลมแทน จัดอันดับความสำคัญได้อย่างง่าย ๆ อยู่วิธีหนึ่งเพื่อให้ได้ความสำคัญโดยตรง ยังมีรุ่นกนก ประเมินขนาด และผล รวมคง ตอบปันส่วนระหว่างคุณลักษณะต่าง ๆ เพื่อบ่งชี้ความสำคัญของแต่ละจุด เมื่อเร็ว ๆ นี้ วิธีการ trade-off เช่นแม็กซ์ diff จะเพลิดเพลินกับใช้มากขึ้น แม้ว่าพวกเขามีความซับซ้อนมากขึ้น เพราะพวกเขาต้องออกแบบการทดลองและแบบจำลองทางสถิติ โดย large และ แทนระดับคะแนนมาตรฐานจะมีแนวโน้มให้เลือกปฏิบัติดีแต่ ค่าความเมื่อยล้าความซับซ้อนและผู้ตอบ มีความสำคัญสืบทอด คง ผู้ตอบอัตราแบรนด์หรือบริษัทกับความพึงพอใจโดยรวม รวม ใจ หรือรวม ดอกเบี้ย นอกเหนือจากการจัดอันดับรูปภาพหรือความพึงพอใจกับชุดของคุณลักษณะการซื้อ ความสำคัญของแต่ละแอตทริบิวต์ไม่ถามโดยตรง และมาแทน โดยการวิเคราะห์ทางสถิติที่เกี่ยวข้องกับการจัดอันดับคุณลักษณะตัวแปรเป้าหมาย (เช่น โดยรวมชอบ) ในบทความนี้ ทั่วไปวิธีนี้เป็นสิ่งที่ผมหมายถึง โดย "วิเคราะห์โปรแกรมควบคุมคีย์" ข้อกำหนดสามารถหากิน สร้างโมเดลทางสถิติ (เช่น ลำดับ Bayes) มักใช้กับแม็กซ์ diff และอื่น ๆ วิธีการ trade-off ดังนั้น พวกเขาสามารถยังแบ่งเป็นเทคนิคสำคัญที่ได้รับ แต่นักวิจัยส่วนใหญ่คงจะไม่อธิบายเป็นวิเคราะห์โปรแกรมควบคุมคีย์ ส่วนใหญ่อาจเป็นนิสัยของแรง ทั้งสองวิธี วิธีการ trade-off จะค่อนข้างมีประโยชน์ในตัวเองแต่ด้านขวารู้สึกสุดถือว่าเป็นหัวข้ออื่น ฉันจะไม่พูดถึงพวกเขาเพิ่มเติมในบทความนี้ใช่สำทับว่า เป็นอีกทางเลือกหนึ่งBivariate เทียบกับวิธีตัวแปรพหุ มีตั้ง minutia definitional ไว้ ในการวิเคราะห์โปรแกรมควบคุมคีย์ ขณะที่ผมกำลังอธิบายที่นี่ มีหลากหลายวิธีในการได้รับความสำคัญทางสถิติ สัมประสิทธิ์ความสัมพันธ์ของผลิตภัณฑ์ขณะเพียร์สันและสัมประสิทธิ์ Jaccard คล้ายมีสองอย่าง bivariate วิธีของวิธีนี้ แต่ละแอททริบิวต์จะจับคู่กับตัวแปร (อิสระ) เป้าหมาย และ -หนึ่ง ความแข็งแกร่งของความสัมพันธ์ในแต่ละคู่จะถูกคำนวณ ความสัมพันธ์ที่แข็งแกร่งระหว่างการประเมินคุณลักษณะ และตัวแปรเป้าหมาย สำคัญ เราสมมติเป็นแอตทริบิวต์ในการขับขี่ความชื่นชอบ แม้ว่าความสัมพันธ์ได้จำเป็นต้องเป็น causation ในการวิเคราะห์โปรแกรมควบคุมคีย์ เราน้อยนัยใจอัสสัมชัญที่ Bivariate วิธีง่าย และง่ายต่อการคำนวณ แต่มีไม่กี่ข้อเสียที่สำคัญ หนึ่งคือว่า แอตทริบิวต์ถือเป็นครั้ง และไม่อยู่ ในบริบทของแอททริบิวต์อื่น ๆ นั่นคือ เราไม่บัญชีสำหรับอิทธิพลสุดของแอตทริบิวต์อื่นในความชื่นชอบ (ในตัวอย่างนี้) คงอีกเป็นว่า bivariate วิธีให้เลือกปฏิบัติน้อยระหว่างคุณลักษณะ บางครั้ง สัมประสิทธิ์อาจคล้ายกันขนาด และ ของใช้เล็ก ๆ น้อย ๆ สำหรับการตัดสินใจ ตัวแปรพหุการวิเคราะห์ (MVA), ซึ่งผลกระทบของตัวแปรอิสระมีประเมินร่วมกัน ทั่วไปเป็นการได้รับความสำคัญ อย่างไรก็ตาม MVA มีแนวโน้มที่จะผิด มันควรไม่จะทำลวก ๆ หรือ เป็นไทเป็น ตัวอย่างของการที่มันสามารถไปผิดจะถดถอยหลายเป็นลูกจ้างจะได้รับความสำคัญ และการจัดอันดับคุณลักษณะเป็นอย่างยิ่ง correlated เป็นบ่อยกรณี ใส่เพียง เมื่อตัวแปรอิสระ (เช่น แอททริบิวต์การจัดอันดับ) สูง intercorrelated ผลลัพธ์จะสงสัย เพราะมันเป็นยาก mathematically pry แยกตัวแปรอิสระ และแยกความสัมพันธ์ของตัวแปรขึ้นอยู่กับแต่ละ (เช่น ใจ) -ตัวแปรอิสระสูง intercorrelated - สภาพนี้เรียกว่า multicollinearity และวิธีการจัดการกับยังคงพื้นที่งานวิจัยวิชาการ statisticians และนักวิทยาศาสตร์คอมพิวเตอร์ ถดถอยริดจ์ ถดถอยค่า Shapley ถดถอย stepwise และกม้าได้กี่วิธีมากมายที่ใช้เมื่อ multicollinarity กังวล มี pros และ cons ของ stepwise ถดไปข้างหน้าโดยเฉพาะได้วิพากษ์วิจารณ์สำหรับการได้รับผลลัพธ์ที่ไม่เสถียร และตกตกกระป๋องใน statisticians หลาย ถดถอยส่วนประกอบหลัก สมการโครงสร้าง (SEM) การสร้างโมเดล และถดถอยบางส่วนกำลังสองน้อยสุดมี 3 วิธีอื่น ๆ แม้ว่าแตกต่างจากคนอื่น แต่ละใช้ตัวแปรรวมที่เรียกว่าคอมโพเนนต์ ปัจจัย หรือตัวแปรแฝงอยู่แทนตัวแปรอิสระเดิม SEM หมายถึงครอบครัวใหญ่ของวิธีการที่เกี่ยวข้องที่ โดยรวม มีความยืดหยุ่นที่ดีในการสร้างโมเดล ความสัมพันธ์ระหว่างคุณลักษณะและตัวแปรเป้าหมายอาจไม่สัมพันธ์ straightline ในสถานการณ์เหล่านี้ วิธีการอื่น ๆ (เช่น ที่ employing ถดถอย splines) อาจจะเหมาะสม เครือข่ายประสาทและหลายอื่น ๆ วิธีการยอดนิยมในการทำเหมืองข้อมูลและการวิเคราะห์งานมีตัวเลือกอื่น ๆ ในกรณีเหล่านี้ และวิเคราะห์โปรแกรมควบคุมคีย์ทั่วไป มีจำนวนมากของเทคนิคเหล่านี้ไม่ครอบคลุมในหลักสูตรมาตรฐานสถิติเราสามารถวาดตาม (ดู: ที่องค์ประกอบของเรียนรู้สถิติ โดย Hastie, Tibshirani และฟรีดแมน) Many methods assume the target variable is numeric but key driver analysis is also conducted when the dependent variable is categorical, top two-box vs. bottom three-box purchase interest scores or user/non-user, for instance. Discriminant analysis and logistic regression, as well as data mining and predictive analytics, are among a host of tools appropriate in these settings. The number of multivariate methods that can be applied in key driver analysis may seem daunting! No single approach is a panacea. However, the specifics of the circumstances and the amount and types of data can narrow down the range of choices considerably. Another useful guideline relates to the business objectives: Does a method only predict or can it also help you understand in an intuitive and actionable way why certain drivers are more or less important to consumers? Methods such as SEM are often useful in this regard when used wisely. Something else to consider is the level of research expertise in your (or your client's) organization. The "best" tool may not be best because even a layman's description of it may go over the heads of decision makers and management may also be suspicious of black-box techniques. Tips for best practice On occasion, researchers will ask importance ratings directly and also derive importance through correlation analysis or some other means. The results are then compared and variables that emerge as most important (or least important) in both approaches are deemed truly important (or unimportant). While I will not assert that this is never good practice, the underlying rationale seems to be along the lines of "We don't trust either, so let's use both." This does not make sense to me and I personally have not found this costly, dual approach helpful. It also increases respondent burden, since attributes must be shown to respondents twice. Key driver analysis can fail because the attribute statements or items rated do not have the same meaning to consumers that they do to marketers. Long questionnaires that burn out respondents are another recipe for failure and placing key questions towards the end of the interview an especially bad practice. Surveys are just one source of data and customer records and other databases that haven't been properly cleaned - or whose definitions are misunderstood by the analyst - can invalidate analysis and cause MORE WORK. Different statistical methods, or even the same methods conducted with different options, may provide very different perspectives on priorities and it is important that this be recognized from the outset. Rarely is it possible to point to a single number in our computer output and conclude that one result is the answer. Done sensibly, it can be helpful to generate an ensemble of results from disparate techniques and use the ensemble averages as the basis for approximating importance. Whatever the approach, experience and domain expertise are crucial and if the results will not be useful to the client, they should not be considered useful by analysts.

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์ลำดับมีการใช้งานมากและมาในความหลากหลายของรูปทรงและขนาด มันเป็นส่วนประกอบของหลายเป็นวิธีการที่พัฒนาโดยหน่วยงานวิจัยด้านการตลาด แต่มากขึ้นมักจะอ้างอิงกับปรับแต่งโซลูชั่นที่เหมาะกับชุดเฉพาะของความต้องการของลูกค้า วงกว้างพูดเราใช้การวิเคราะห์ลำดับการค้นพบสิ่งที่สำคัญที่สุดให้กับผู้บริโภคในสินค้าหรือบริการประเภทนี้และเป็นส่วนหนึ่งที่สำคัญของการพัฒนาผลิตภัณฑ์ใหม่ ความพึงพอใจของลูกค้า ความจงรักภักดี และ ความคงทนในการเรียนรู้และกลยุทธ์การซื้อของลูกค้าใหม่ ในระยะสั้นจะช่วยให้ลูกค้าเข้าใจที่เน้นความสำคัญของพวกเขา .

มีหลายวิธีที่จะดำเนินการวิเคราะห์ - ไดรเวอร์คีย์บางค่อนข้างซับซ้อน แต่ผลลัพธ์ที่ได้มักจะนำเสนอมากเพียง ( เช่นข้อมูลแผนที่ ) บทความนี้จะร่างพื้นฐานของการวิเคราะห์ลำดับและมีเคล็ดลับบางอย่างสำหรับการปฏิบัติที่ดีที่สุด

) และที่มาความสำคัญ

ทำไมไม่ถามผู้บริโภคว่าอะไรสำคัญกับพวกเขา ? ตัวอย่างเช่นเราสามารถแสดงจำนวนรายการคุณลักษณะของผลิตภัณฑ์ และถามว่า ที่สำคัญแต่ละมันใน 5 ระดับ ตั้งแต่ สำคัญมากที่จะไม่ทั้งหมดที่สำคัญ ในขณะที่มันง่ายในการดูแล แต่คนมักจะบอกเราว่าทุกอย่างเป็นเพียงแค่เกี่ยวกับการเป็นสำคัญ ดังนั้น การให้คะแนนของพวกเขาอาจจะให้เลือกน้อยในคุณลักษณะของผลิตภัณฑ์ หรือองค์ประกอบของบริการแม้ว่าพวกเขาจะแตกต่างกัน สำคัญมาก ดังนั้น การให้ชนิดนี้ไม่ได้เป็นประโยชน์กับลูกค้าในการจัดลำดับความสำคัญ หมายเหตุ

: นัยทั่วไปนี้อาจใช้ไม่ได้อย่างเท่าเทียมกันทุกผลิตภัณฑ์หรือบริการ เราถามผู้ป่วยให้คะแนนความสำคัญของลักษณะของอุปกรณ์ , ภาพตัวอย่างเราก็มักจะได้รับการตอบสนองที่ดีกว่าเล็กน้อย เพราะผู้ตอบแบบสอบถามประเภทที่สูงขึ้นมีส่วนร่วมมากกว่าถ้าเราได้ถามเกี่ยวกับอัดลมเครื่องดื่มแทน

ง่ายความสำคัญอันดับเป็นเพียงหนึ่งวิธีที่จะได้รับความสำคัญโดยตรง นอกจากนี้ยังมี คาโนแบบขนาดคงที่และค่าผลรวมซึ่งผู้จัดสรรจุดระหว่างคุณลักษณะต่าง ๆที่จะบ่งบอกถึงความสำคัญสัมพัทธ์ของแต่ละ เมื่อเร็วๆ นี้ การแลกเปลี่ยนวิธีเช่นแม็กซ์ Diff จะเพลิดเพลินกับการใช้งานมากขึ้น แม้ว่าจะซับซ้อนมากขึ้นเพราะพวกเขาต้องการการออกแบบการทดลองและแบบจำลองทางสถิติ โดยและขนาดใหญ่ทางเลือกที่จะมาตรมาตรฐานมีแนวโน้มที่จะให้ขึ้นการเลือกปฏิบัติ แต่ที่ค่าใช้จ่ายของความซับซ้อนและความเหนื่อยล้าเลย

มาด้วยที่สำคัญ บนมืออื่น ๆ , อัตราแบรนด์หรือบริษัทต่อความพึงพอใจโดยรวมผู้ตอบแบบสอบถามความชอบหรือสนใจซื้อรวม นอกจากภาพ หรือความพึงพอใจกับการตั้งค่าของแอตทริบิวต์ความสำคัญของแต่ละคุณลักษณะไม่ได้ถามโดยตรงและเป็นแทนได้โดยการวิเคราะห์ทางสถิติที่เกี่ยวข้องกับตัวแปรคุณลักษณะคะแนนเป้าหมาย ( เช่น ความชอบ ) ในบทความนี้ โดยทั่วไปนี้เป็นสิ่งที่ฉันหมายถึง " การวิเคราะห์ไดรเวอร์คีย์ "

ความหมายสามารถหากิน แบบจำลองทางสถิติ ( เช่นชุด Bayes ) มักใช้กับแม็กซ์ Diff และวิธีการแลกเปลี่ยนอื่น ๆดังนั้น พวกเขาสามารถยังถูกจัดเป็นเทคนิคที่สำคัญ แม้ว่านักวิจัยส่วนใหญ่ อาจจะอธิบายพวกเขาเป็นคีย์ไดรเวอร์ วิเคราะห์ข้อมูล นี่อาจเป็นนิสัยของเขา ทั้งสองวิธี , วิธีการแลกเปลี่ยนจะค่อนข้างมีประโยชน์ในด้านขวาของตนเอง แต่ผมรู้สึกดีที่สุดถือว่าเป็นหัวข้อที่แยกต่างหากฉันจะไม่พูดถึงพวกเขาต่อไปในบทความนี้ นอกจากย้ำว่าพวกเขามีตัวเลือกอื่น เทียบกับหลายตัวแปรวิธี



minutia กำหนดคำนิยามไว้ในการวิเคราะห์ลำดับตามที่ผมอธิบายมันที่นี่ มีหลายวิธีที่จะได้รับความสำคัญทางสถิติ สหสัมพันธ์เพียร์สัน และ Jaccard ความเหมือน ) สองวิโดยใช้วิธีการของการบรรลุนี้ แต่ละคุณลักษณะจะจับคู่กับเป้าหมาย ( ขึ้นอยู่กับ ) ตัวแปรและหนึ่งโดยหนึ่ง ความแข็งแกร่งของสมาคมในแต่ละคู่จะถูกคำนวณ ยิ่งความสัมพันธ์ระหว่างการประเมินคุณลักษณะ และตัวแปรเป้าหมาย ที่สำคัญ เราถือว่า คุณลักษณะในการขับขี่อย่างแท้จริง แม้ว่าความสัมพันธ์ไม่จำเป็นต้องบ่งบอกถึงสาเหตุ ,ในการวิเคราะห์ลำดับเราอย่างน้อยโดยปริยายทำให้อัสสัมชัญ

โดยใช้วิธีที่ง่ายและสะดวกในการใช้ แต่มีคู่ของข้อเสียที่สำคัญ หนึ่งคือว่าคุณสมบัติจะถือเป็นหนึ่งในเวลาและไม่ได้อยู่ในบริบทของแอตทริบิวต์อื่น ๆ คือว่า เราไม่บัญชีสำหรับอิทธิพลที่สุดของแอตทริบิวต์อื่น ๆชอบ ( ในตัวอย่างนี้ )ข้อบกพร่องโดยใช้วิธีอื่น ที่บางครั้งให้เลือกน้อยในหมู่คุณลักษณะ ; ) อาจจะมีขนาดใกล้เคียงกัน และใช้เล็ก ๆน้อย ๆสำหรับการตัดสินใจ

หลายตัวแปรการวิเคราะห์ ( MVA ) ซึ่งในผลของตัวแปรอิสระทั้งหมดร่วมกันโดยทั่วไปเป็นวิธีที่ดีที่จะได้รับความสำคัญ อย่างไรก็ตาม เอมักจะผิดประเภทมันไม่ควรเป็นปัญหาธรรมดา หรือเป็นภายหลัง . ตัวอย่างที่สามารถไปอย่างผิดปกติเมื่อใช้หลายขั้นตอน เพื่อให้ได้มาซึ่งความสําคัญและคุณลักษณะการจัดอันดับมีความสัมพันธ์อย่างยิ่ง เป็นบ่อย ๆ กรณี ใส่เพียงเมื่อตัวแปรอิสระ ( เช่น การจัดอันดับสูง intercorrelated แอตทริบิวต์ ) ,ผลลัพธ์จะเป็นผู้ต้องสงสัย เพราะมันยากที่จะแงะกันทางคณิตศาสตร์ ตัวแปรอิสระ และแยกความสัมพันธ์ของแต่ละตัวแปร ( เช่นที่ชื่นชอบ ) ภาพนี้ขอ intercorrelated ตัวแปรอิสระ - เป็นที่รู้จักกันเป็นข้อมูล และวิธีการจัดการกับมันยังคงใช้งานในพื้นที่ของการวิจัยของนักวิชาการและนักวิทยาศาสตร์คอมพิวเตอร์ statisticians .

สันเขาถดถอยแชปลีย์ค่าสถิติ Stepwise Regression และบ่วงมีกี่วิธีที่ใช้เมื่อ multicollinarity เป็นกังวล ในขณะที่แต่ละคนมีข้อดีและข้อเสียของมันไปข้างหน้า Stepwise Regression โดยเฉพาะอย่างยิ่งได้รับการวิจารณ์สำหรับการได้รับผลลัพธ์ที่ไม่แน่นอนและได้ตกหลุมชอบในหมู่หลายสถิติ . ถดถอยองค์ประกอบหลักแบบจำลองสมการโครงสร้าง ( SEM ) และสมการถดถอยกำลังสองน้อยที่สุดบางส่วนเป็นสามวิธีอื่นๆ แต่ที่แตกต่างจากที่อื่น แต่ละตัวแปรที่เรียกใช้คอมโพสิตส่วนประกอบ ปัจจัยหรือตัวแปรแฝงในสถานที่เดิม ตัวแปรอิสระ . ซึ่งหมายถึงครอบครัวขนาดใหญ่ที่เกี่ยวข้องกับวิธีที่เรียกให้ความยืดหยุ่นที่ดีในการจำลอง .

ความสัมพันธ์ระหว่างคุณลักษณะของตัวแปรเป้าหมายอาจจะไม่ได้มีความสัมพันธ์ straightline . ในสถานการณ์เหล่านี้ วิธีการอื่น ๆ ( เช่น ผู้ที่ใช้วิธีการถดถอย ) อาจจะเหมาะสม โครงข่ายประสาทเทียมและวิธีการอื่น ๆหลายที่เป็นที่นิยมในการทำเหมืองข้อมูลและการวิเคราะห์พยากรณ์ มีตัวเลือกอื่น ๆ ในกรณีเหล่านี้และการวิเคราะห์ลำดับในทั่วไป