The Application of the Regression Tree in Preference Analysis of Milka Chocolate Buyers

• Autorzy: Adam Kurzydłowski

Warianty tytułu

Analiza preferencji nabywców czekolady Milka z wykorzystaniem drzewa o charakterze regresyjnym

• Języki publikacji: EN

Abstrakty

W artykule przedstawiono wykorzystanie drzewa klasyfikacyjnego o charakterze regresyjnym (tj. gdy zmienna objaśniana mierzona jest na skali metrycznej) w analizie preferencji. W badaniu wykorzystano algorytm CHAID stosowany w przypadku zbiorów danych, w których przy opisie obiektów, uwzględniane są zarówno zmienne mierzone na skali metrycznej (skala ilorazowa i przedziałowa), jak i zmienne niemetryczne (mierzone na skali porządkowej i nominalnej). Procedura tego algorytmu polega na rekurencyjnym podziale zbioru obiektów na rozłączne podzbiory, do których wyznaczenia jest wykorzystywany określony test. Implementacja miernika oceny jakości podziału uzależniona jest od skali pomiaru zmiennej objaśnianej. W artykule omówiono także zagadnienie identyfikowania atrakcyjności wyodrębnianych klas respondentów (potencjalnych segmentów). (abstrakt oryginalny)

Słowa kluczowe

EN

Chocolate; Purchase preferences; Buying behaviour; Consumer preferences research; Endogenous variable

PL

Czekolada; Preferencje zakupowe; Zachowania nabywcze; Badanie preferencji konsumenckich; Zmienna objaśniana

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Ekonometria
• Rocznik: 2005
• Tom: 15
• Numer: nr 1096 Zastosowania metod ilościowych
• Strony: 97--105

Twórcy

autor

Adam Kurzydłowski

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• AnswerTree 3.0. (2001), User's Guide, SPSS INC, Chicago.
• Aluja-Banet T., Nafria E. (1997), Generalized Impurity Measures and Data Diagnostics in Decision Trees, [in:] Greenacre M., Blasius J. (ed.), Visualization of Categorical Data, Academic Press, San Diego, p. 59-69.
• Bao H.T. (2001), Introduction to Knowledge Discovery and Data Mining, http://www.netnam.vn/unescocourse/knowlegde/AllChapters.doc.
• Berry M.J., Linoff G. (1997), Data Mining Techniques for Marketing, Sales and Customer Support, John Wiley & Sons Inc, New York.
• Chen M., McNamee L. (1991), Summary Data Estimation Using Decision Trees, [w:] Piatetsky-Shapiro G. (ed.), Knowledge Discovery in Databases, Massachusetts Institute of Technology. Cambridge, MIT Press, p. 309-323.
• Hamilton H., Gurak E., Findlater L., Olive W. (2000), Course on Knowledge Discovery in Databases, http://www.cs.uregina.ca/~dbd/cs83l/cs831.html.
• Kurzydłowski A. (2002), Drzewa klasyfikacyjne w badaniach marketingowych, PhD thesis, University of Economics, Wrocław.
• Loh W.Y., Shih Y.S. (1997), Split Selection Methods for Classification Trees, "Statistica Sinica" nr 7, p. 815-840.
• Magidson J. (1993), SPSS for Windows CHAID. Release 6.0, Chicago, SPSS Inc.