Total Variance Explained
Component
|
Initial Eigenvalues
|
Extraction Sums of Squared Loadings
|
Rotation Sums of Squared Loadings
|
Total
|
% of Variance
|
Cumulative %
|
Total
|
% of Variance
|
Cumulative %
|
Total
|
% of Variance
|
Cumulative %
|
1
|
3,745
|
31,212
|
31,212
|
3,745
|
31,212
|
31,212
|
3,091
|
25,757
|
25,757
|
2
|
2,648
|
22,070
|
53,283
|
2,648
|
22,070
|
53,283
|
2,393
|
19,943
|
45,700
|
3
|
1,196
|
9,968
|
63,251
|
1,196
|
9,968
|
63,251
|
2,106
|
17,550
|
63,251
|
4
|
0,913
|
7,610
|
70,861
|
|
|
|
|
|
|
5
|
0,662
|
5,517
|
76,378
|
|
|
|
|
|
|
6
|
0,612
|
5,102
|
81,480
|
|
|
|
|
|
|
7
|
0,531
|
4,427
|
85,907
|
|
|
|
|
|
|
8
|
0,470
|
3,920
|
89,827
|
|
|
|
|
|
|
9
|
0,376
|
3,131
|
92,958
|
|
|
|
|
|
|
10
|
0,337
|
2,811
|
95,770
|
|
|
|
|
|
|
11
|
0,317
|
2,639
|
98,409
|
|
|
|
|
|
|
12
|
0,191
|
1,591
|
100,000
|
|
|
|
|
|
|
Для обоснования числа факторов, определяющих существенные свойства изучаемых переменных, использовался критерий Кеттэла («Каменистая осыпь»). В соответствии с ним также можно выделить 3 фактора. График представлен на рисунке 8.
Рис. 8. График “Каменистая осыпь”
В таблице 8 представлено, какими исходными переменными образован каждый из факторов.
Таблица 8
Факторы, образованные методом вращения Varymax
Rotated Component Matrixa
|
|
|
|
|
Component
|
|
|
|
1
|
2
|
3
|
|
|
|
Система мониторинга "слепых зон"
|
0,869
|
-0,209
|
|
Опции, обеспечивающие безопасность
|
Система безопасности PRE-SAFE PLUS
|
0,809
|
|
|
Автопилот поддержания дистанции DISTRONIC
|
0,768
|
|
|
Активная система удержания полосы движения
|
0,751
|
-0,224
|
-0,287
|
Активная система экстренного торможения с функцией при проезде перекрестков
|
0,583
|
|
-0,351
|
Парковочный пакет с камерой 360
|
|
0,861
|
|
Опции, помогающие водителю при вождении
|
Система распознавания дорожных знаков
|
|
0,779
|
|
Проекционный дисплей
|
|
0,729
|
|
Управление комфортом ENERGIZING
|
-0,215
|
-0,514
|
0,461
|
Опции, обеспечивающие комфорт в салоне автомобиля
|
Система комфортной акустики и звукоизоляции
|
|
|
0,831
|
Пакет Ambient
|
|
|
0,817
|
Пакет комфортных сидений
|
-0,267
|
-0,280
|
0,535
|
Так, полученные при вращении факторы позволили сгруппировать опции автомобилей следующим образом:
-
опции, обеспечивающие безопасность (система мониторинга «слепых зон», система безопасности PRE-SAFE PLUS, автопилот поддержания дистанции DISTRONIC, активная система удержания полосы движения, активная система экстренного торможения с функцией при проезде перекрестков);
-
опции, помогающие водителю при вождении (парковочный пакет с камерой 360, система распознавания дорожных знаков, проекционный дисплей);
-
опции, обеспечивающие комфорт в салоне автомобиля (управление комфортом ENERGIZING, система комфортной акустики и звукоизоляции, пакет Ambient, пакет комфортных сидений).
Таким образом, в результате факторного анализа 12 исходных переменных (опции, с которыми респондентам было бы интересно ознакомиться с помощью виртуальной реальности) были сгруппированы в 3 фактора.
Далее был проведен кластерный анализ для разбиения респондентов на относительно однородные кластеры (сегменты) на основе интересующих их опций автомобилей. Для повышения достоверности результата кластерный анализ был выполнен двумя процедурами кластеризации:
-
иерархический кластерный анализ методом Варда на преобразованных факторах;
-
кластерный анализ на преобразованных факторах методом K-средних с найденным в п.1 числом кластеров.
После проведения кластерного анализа методом Варда на преобразованных факторах, была получена таблица 8.
Таблица 8
Шаги агломерации (последние строки)
Порядок агломерации (кластеров)
|
|
Этап
|
Объединенный кластер
|
Коэффи-циенты
|
Этап первого появления кластера
|
Следующий этап
|
Разности
коэффи-циентов
|
Кластер 1
|
Кластер 2
|
Кластер 1
|
Кластер 2
|
|
|
20
|
23
|
27
|
1,149
|
0
|
0
|
29
|
1,149
|
21
|
11
|
35
|
1,335
|
0
|
0
|
28
|
0,186
|
22
|
8
|
21
|
1,521
|
0
|
0
|
40
|
0,186
|
23
|
20
|
29
|
1,710
|
0
|
0
|
32
|
0,189
|
24
|
9
|
14
|
1,905
|
0
|
0
|
30
|
0,195
|
25
|
19
|
41
|
2,147
|
0
|
0
|
43
|
0,242
|
26
|
25
|
44
|
2,474
|
0
|
0
|
44
|
0,326
|
27
|
46
|
52
|
2,872
|
0
|
0
|
49
|
0,398
|
28
|
28
|
34
|
3,295
|
13
|
0
|
39
|
0,423
|
29
|
5
|
11
|
3,770
|
15
|
20
|
34
|
0,475
|
30
|
23
|
36
|
4,283
|
19
|
0
|
38
|
0,513
|
31
|
7
|
9
|
4,822
|
0
|
23
|
35
|
0,539
|
32
|
33
|
48
|
5,505
|
0
|
0
|
43
|
0,683
|
33
|
20
|
43
|
6,275
|
22
|
0
|
36
|
0,770
|
34
|
3
|
18
|
7,300
|
0
|
8
|
46
|
1,025
|
35
|
5
|
17
|
8,596
|
28
|
18
|
44
|
1,295
|
36
|
7
|
16
|
9,897
|
30
|
0
|
45
|
1,301
|
37
|
20
|
42
|
11,227
|
32
|
0
|
42
|
1,330
|
38
|
2
|
26
|
12,573
|
4
|
0
|
41
|
1,347
|
39
|
4
|
23
|
13,929
|
14
|
29
|
40
|
1,355
|
40
|
24
|
28
|
15,298
|
16
|
27
|
47
|
1,370
|
41
|
4
|
8
|
17,372
|
38
|
21
|
46
|
2,074
|
42
|
1
|
2
|
19,505
|
17
|
37
|
48
|
2,133
|
43
|
20
|
40
|
21,813
|
36
|
11
|
47
|
2,309
|
44
|
19
|
33
|
24,435
|
24
|
31
|
45
|
2,622
|
45
|
5
|
25
|
28,355
|
34
|
25
|
50
|
3,920
|
46
|
7
|
19
|
33,303
|
35
|
43
|
48
|
4,948
|
47
|
3
|
4
|
38,884
|
33
|
40
|
49
|
5,581
|
48
|
20
|
24
|
54,654
|
42
|
39
|
50
|
15,771
|
49
|
1
|
7
|
72,818
|
41
|
45
|
52
|
18,163
|
50
|
3
|
46
|
101,742
|
46
|
26
|
51
|
28,925
|
51
|
5
|
20
|
140,469
|
44
|
47
|
51
|
38,727
|
52
|
3
|
5
|
246,412
|
49
|
50
|
52
|
105,943
|
53
|
1
|
3
|
394,684
|
48
|
51
|
0
|
148,272
|
Для обоснования количества найденных кластеров был построен график разностей по последним 30 разностям (значения из столбца «Коэффициенты»).
Рис. 9. График разностей коэффициентов
Далее был проведен кластерный анализ на преобразованных факторах методом K-средних с найденным ранее числом кластеров.
Результат дисперсионного анализа для полученного разбиения представлен в таблице 9.
Таблица 9
Таблица ANOVA
ANOVA
|
|
Cluster
|
Error
|
F
|
Sig.
|
Mean Square
|
df
|
Mean Square
|
df
|
FAC1
|
69,751
|
2
|
0,424
|
50
|
164,337
|
0,000
|
FAC2
|
50,905
|
2
|
0,453
|
50
|
112,447
|
0,000
|
FAC3
|
6,451
|
2
|
1,932
|
50
|
3,339
|
0,000
|
Полученная значимость равна нулю (Sig.=0, что меньше уровня значимости 0,05). Следовательно, нулевая гипотеза (Н0: полученное разбиение случайно, весь материал по этой переменной нельзя разбить на 3 кластера, поскольку межкластерная изменчивость незначимо отличается от внутрикластерной) равна нулю. Ее следует отклонить и принять альтернативную гипотезу (H1: полученное разбиение неслучайно, весь материал по этой переменной можно разбить на 3 кластера, поскольку межкластерная изменчивость значимо отличается от внутрикластерной). Разбиение на 3 кластера целесообразно.
Так, было выявлено три кластера: интересующиеся опциями безопасности, интересующиеся опциями помощи водителю, а также интересующиеся опциями комфорта.
Профили итоговых кластеров по ответам на исходный вопрос анкеты представлены в таблице 10.
Таблица 10
Профили итоговых кластеров по ответам на исходный вопрос анкеты
Поделитесь с Вашими друзьями: |