论文部分内容阅读
多维标度法(multidimensional scaling, MDS)是一种在低维空间中以点间距离展现观测对象之间相似性测度或亲疏关系的多元数据分析方法。它被广泛用于处理由观测对象间相似性或非相似性测度组成的数据。在市场研究中,多维标度分析使用的数据主要是消费者对一些商品相似程度或变异程度的评分,通过分析可产生一张能够看出这些商品间相似性的匹配图。通常人们处理的相似度或者非相似度数据阵是对称的。但是,相似度或非相似度数据阵也可以是非对称的。在非对称情况下,相似度或非相似度就不能总是通过多维标度空间中的点间距离完整的表示出来,这就需要采用特殊的非对称多维标度模型来分析。经典的非对称多维标度模型是Borg, I.,&Groenen, P.J.F.(2005)提出来的Hill-climbing模型,该模型用于分析消费者的消费偏好,不仅可以知道商品间的相似程度,而且还可以知道消费者偏好在商品间转换的难易程度,但该模型的最大缺陷在于缺乏检验模型拟合优度的统计量,因而无法判定模型的好坏。本文首先对现存的几种非对称多维标度模型进行简要的介绍,着重介绍由Borg, I.,&Groenen, P.J.F.(2005)提出来的Hill-climbing模型。而后,本文尝试对采用传统最小二乘估计的Hill-climbing模型进行改进,其基本思路是:对观测对象间非相似性测度假设一个高斯误差项,由此来构建一种基于贝叶斯分析的Hill-climbing模型,并提出采用压力函数指标来度量该模型的拟合优度。文章最后将该模型用于消费者对15种可乐品牌消费偏好的转换问题的实证研究。通过基于贝叶斯基础的MCMC算法得到模型相应的贝叶斯解,并且检验了该贝叶斯解的收敛性,由贝叶斯解我们得到消费者对15种可乐品牌的消费偏好图。通过分析该图,我们不仅知道了这15种可乐饮料间的相似程度,而且还了解了消费者的消费偏好在不同可乐品牌间转换的难易程度。最后通过压力函数指标进行模型拟合优度评价,结果表明:基于贝叶斯分析的Hill-climbing模型比基于传统最小二乘估计的Hill-climbing模型对数据有更好的拟合效果。