SPSS对应分析-案例：品牌形象定位/市场定位( 二 ) _变量

3、将EXCEL数据导入SPSS中，设置变量标签
打开SPSS ，将EXCEL数据导入SPSS中，并设置变量值标签，实现编码与“啤酒品牌”及“品牌形象”的匹配。
4、对数据进行对应分析
注意：在正式做分析前，需要对“客户数”进行“加权个案” 。（在分组计数的情况下，做多元对应分析和类别主成分分析需要对数据进行加权个案。）
然后再”打开“降维”-“对应分析”工具，进行对应分析。
对应分析过程
5、对生成图片进行美化
生成了对应分析表后，通过图表颜色、水平线和垂直线的设置完成图表美化。

文章插图
图表美化
6、图表解读
如何根据图表中各散点的距离，解读啤酒品牌与品牌形象的关联性呢？解读一般分为两
1、考察同一变量的区分度
首先分别考察行变量、列变量各类别间是否被清晰地分开了。可以分别检查在各个维度上的区分情况，如果同一变量不同类别在某个方向靠得较近，则说明这些类别在该维度上的区别不大。
据此，从图表4我们可以得出，从啤酒品牌来看：品牌E与品牌G、品牌C与品牌D在消费者心目中的形象比较接近，而品牌B、品牌A与其他品牌的距离较远，说明这个品牌在消费者心目中的形象差异较大。
2、考察变量间的联系
这是对应分析所真正关系的问题。一般而言，落在从图形原点（0 ， 0）处出发相同方位上，大致相同区域内的不同变量的分类点彼此有联系。散点间距离越近，说明关联倾向越明显。
据此，从图表4我们可以看出，有实力的、质量有保障的、稳重的、包装吸引人的距离品牌D较近，换句话说品牌D的品牌形象是有实力、质量好、品牌成熟稳重、包装好；品牌A的品牌形象是经典的；品牌G的品牌形象是年轻的。
点击标题查阅往期内容
IBM SPSS 通过数据挖掘我们能从股市数据得到什么
SPSS中的等级线性模型研究整容手术数据
采用SPSS 的Web复杂网络对所有腧穴进行分析
使用SAS ， Stata ， HLM ， R ， SPSS和Mplus的分层线性模型HLM
R语言法国足球联赛球员因子分析、主成分分析（FA ， PCA）
主成分分析(PCA)原理及R语言实现及分析实例
偏最小二乘回归（PLSR）和主成分回归（PCR）
【SPSS对应分析-案例：品牌形象定位/市场定位】R语言高维数据的主成分pca、 t-SNE算法降维与可视化分析案例报告
使用和Keras进行主成分分析、神经网络构建图像重建
R语言中的岭回归、套索回归、主成分回归：线性模型选择和正则化
R语言无监督学习：PCA主成分分析可视化