Использование многомерных статистических методов факторного анализа в исследовании автомобильных рынков

Abstract

В данной работе проанализирована и протестирована автоматизированная классическая модель факторного анализа на основе статистических данных автомобильных рынков. Использован метод многомерного шкалирования Торгерсона, основанный на использовании количественных характеристик объектов и метод главных факторов (метод Хоттеллинга), поскольку он позволяет сравнительно быстро выделить наибольшее количество общих факторов, учитывающих почти всю суммарную общность. Произведена визуализация и интерпретация результатов, а именно определено местонахождение объекта «автомобильный рынок» в «пространстве восприятия субъектов-потребителей», создан его образ – визуализация на Евклидовой плоскости. Найдены и доказаны экспериментально латентные факторы, действие которых на изучаемый объект скрыто от исследователя. Выполнена математическая проверка использованного метода. Полученные результаты позволяют сделать вывод о том, что автоматизацию модели с исходной корреляционной матрицей можно считать успешной. Это позволит использовать ее на практике при экономическом анализе, где количество рассматриваемых объектов существенно велико. In the work automated classical model of the factor analysis on the basis of statistical data of the car market is analyzed and tested. Torgerson’s multidimensional scaling method based on the object quantitative characteristics and principal-factor analysis (Hotelling method) is used. It allows to factorize comparatively quickly the greatest number of general factors taking into account almost all total generality. Visualization and interpretation of results are done, namely an object – car market in perception space (subjects-customers) is located, and its image is created – visualization on Euclidean plane. Experimental and latent factors which effect on the body of interest is concealed from researcher are found and proved. Mathematical examination of the used method is carried out. Obtained results allow to make a conclusion that model automation with initial correlation matrix may be considered effective. It allows to use it in practice at the experimental analysis where number of considered objects is substantially large.