1

แนะนําโปรแกรม IBM SPSS Statistics 22

หนาจอเมื่อเริ่มเปดโปรแกรม จะมี 2 หนาตาง ดังนี้

1.หนาตาง Data Editor

2. หนาตาง Output
 2

Data Editor จะมี 2 หนาตางยอย

1. Data View สําหรับ คียข อ มูล แกไขขอมูล วิเคราะหขอ มูล

คําสั่งตางๆ
 3

2. Variable View สําหรับ สรางตัวแปรตางๆ

 4

การใชงาน Help
 5

การเปดอานขอมูล

1. การเปดอานขอมูลจากไฟล .sav

เลือกไฟล Demo.sav แลวคลิ๊ก Open

ขอมูลที่เปดจากไฟล Demo.sav
 6

2. การเปดอานขอมูลจากไฟล .txt

เลือกไฟล demo.txt แลวคลิ๊ก Open เลือก No แลวคลิ๊ก Next>

เลือก Yes แลวคลิ๊ก Next> คลิ๊ก Next>

คลิ๊ก Next> คลิ๊ก Next>

 7

คลิ๊ก Finish

3. การเปดอานขอมูลจากไฟล .xls

เลือกไฟล demo.xls แลวคลิ๊ก Open คลิ๊ก OK

4. การเปดอานขอมูลจากไฟล .mdb

ไปที่เมนู FileÆOpen Database เลือก MS Access Database แลวคลิ๊กที่ Add ODBC Source
ÆNew Query
 8

เลือก MS Access Database แลวคลิ๊กที่ Add… เลือก Driver do … (*.mdb) แลวคลิ๊ก Finish

พิมพชื่อ Data Source และ Description เลือก Directories ของขอมูลที่จะเปด แลวคลิ๊ก OK

เปด Database Wizard จะพบ demo.mdb เลือก Fields (ตัวแปร) ที่จะใชงานตอไป

ที่พรอมเปดใชงานไดทันที
 9

การกําหนดคุณสมบัติของตัวแปร

ไปที่เมนู DataÆDefine Variable … เลือกตัวแปรที่ตองการกําหนดคุณสมบัติ

เลือกตัวแปร ระดับการศึกษา (ed) คลิ๊กที่ Suggest

โปรแกรมฯแนะนําสําหรับตัวแปร ed พิจารณากําหนดตัวแปร ed ใหมาตรวัดเปน Ordinal แลวคลิ๊ก OK

- เดิมมาตรวัดเปน Scale
- แนะนําใหเปน Ordinal หรือ Norminal
 10

การสรางตัวแปรใหมดวย Compute Variable

ไปที่เมนู Transform สรางตัวแปรใหมชื่อ income_baht

ÆCompute Variable … โดยนําตัวแปร (income*1000*30)/12 จะไดตัวแปรใหมทเี่ ปน
รายไดตอเดือน (บาท)

การสรางตัวแปรใหมดวย Recode Variable

ไปที่เมนู Transform สรางตัวแปรใหมชื่อ age_cat (อายุที่เปนแบบชวง)

ÆRecode into Different … พิมพชื่อตัวแปรใหม แลวคลิ๊ก Change
คลิ๊ก Old and New Values …
เพื่อกําหนดชวงของอายุที่ตองการ Recode

กําหนดชวงของอายุ Old Value ที่ตองการ Recode

ใหเปน New Value
 11

การสรางตัวแปรใหมดวย Visual Binning

ไปที่เมนู Transform เลือกตัวแปร age เพื่อสรางตัวแปรใหม

ÆVisual Binning … คลิ๊ก Continue

สรางตัวแปรใหมชื่อ age_cat2 กําหนดจุด Cutpoint เบื้อง (แกไขทีหลังได)

กําหนดจุด Cutpoints คลิ๊ก Make Cutpoints... กําหนดจํานวนจุด Cutpoint
ในที่นี้จะแบงอายุออกเปน 3 ชวง
ดังนั้นตัวเลขที่ตองพิมพใส คือ 3-1 = 2

สามารถเลื่อนจุด Cutpoint ตามวัตถุประสงค พบวาในแตละชวงอายุ (1,2,3) มีจํานวนเทาๆ กัน

 12

การใช Chart Builder

ไปที่เมนู Graphs Æ Chart Builder…

Æ เลือกรูปแบบกราฟ Choose From:
Æ เลือกตัวแปรสําหรับสรางกราฟ
Æ คลิ๊ก OK

การใช Graph board

ไปที่เมนู Graphs Æ Graphboard

 13

แบบสอบถามการศึกษาวิจัย เรื่อง
ทัศนคติของพนักงานระดับผูบริหารที่มตี อ วัฒนธรรมองคการ บริษัท เอกชนแหงหนึ่ง

สวนที่ 1 ขอมูลผูตอบแบบสอบถาม
คําชี้แจง กรุณาทําเครื่องหมาย X ในชอง ☐ ที่ทานเลือก เพียงขอเดียว

1. เพศ ☐ ชาย ☐ หญิง

2. อายุ ☐ 20 ป - 29 ป ☐ 30 ป - 39 ป ☐ 40 ป - 49 ป ☐ 50 ปขึ้นไป

3. สถานภาพ ☐ โสด ☐ สมรส ☐ หยา/หมาย

4. การศึกษา ☐ ปริญญาตรี ☐ สูงกวาปริญญาตรี

6. สถานที่ทํางาน ☐ กรุงเทพฯ ☐ ตางจังหวัด

7. ระยะเวลาปฏิบัติงาน ☐ ต่ํากวา 5 ป ☐ ตั้งแต 5 - 10 ป ☐ ตั้งแต 11 - 15 ป ☐ 15 ปขึ้นไป

8. เงินเดือน (โปรดระบุ) ....................... บาท

 14

สวนที่ 2 ทัศนคติที่มตี อวัฒนธรรมองคการ

คําชี้แจง กรุณาทําเครื่องหมาย √ ลงในชองที่ตรงกับทานมากที่สุดเพียงชองเดียว
5 = มากที่สุด 4 = มาก 3 = ปานกลาง 2 = นอย 1 = นอยที่สุด
ระดับทัศนคติ
ทัศนคติ
5 4 3 2 1
ดานความคิดเห็นตอวัฒนธรรมองคการ
1. วัฒนธรรมองคการมีความสําคัญ และจําเปนในการชวยใหกลยุทธขององคการเปนไปตาม
เปาหมาย
2. วัฒนธรรมองคการที่เขมแข็งจะชวยใหการดําเนินกลยุทธของธุรกิจเปนไปอยางยั่งยืน
3. วัฒนธรรมองคการสามารถสรางคุณคา (Valuable) แกองคการได คือ ทําใหยอดขาย
สูงขึ้น ลดคาใชจาย หรือเพิ่มมูลคาทางการเงินใหองคการ
4. วัฒนธรรมองคการเปนสิ่งที่เปนเอกลักษณเฉพาะ ไมสามารถลอกเลียนแบบ ไมสามารถ
ทําใหเหมือนได เชน ชื่อเสียง ประสบการณที่สั่งสมมายาวนาน
5. วัฒนธรรมองคการทําใหเกิดความรวมมือ ยึดมั่นผูกพันใจ มีความผูกพันใจกับองคการ
(Organizational commitment) อยางเปนน้ําหนึ่งใจเดียวกัน
6. วัฒนธรรมองคการทําใหทกุ คนรวมตัวกันอยูไดอยางดี ไมมีความขัดแยงดานความคิด
ความเชื่อเนื่องจากทุกคนคิดและเชื่อ คลายกัน จึงเปนระบบที่มีการประสานงานกันอยางมี
ประสิทธิภาพ จะสงเสริมให การปรับตัวกับสิ่งแวดลอมภายนอกงายดายมากขึ้น
7. วัฒนธรรมองคการมีหนาที่ชวยใหพนักงานในบริษัทปน แตงพฤติกรรมของตนเองใน
บริษัท ดวยการเปนมาตรฐานแหงการประพฤติปฏิบัติของพนักงาน (Sense making
device) ทําใหพนักงานไดทราบวาบรรทัดฐาน (Norms) ของพฤติกรรมคืออะไร สิ่งใดควร
ทํา สิ่งใดไมควรทํา
ดานความเชื่อและความพรอมที่จะปฏิบัตติ ามวัฒนธรรมองคการ
8. ทานพรอมที่จะใหความรวมมือในการปฏิบัติตามวัฒนธรรมองคการ
9. ทานพรอมที่จะถายทอด วัฒนธรรมองคการ ใหกับพนักงานในหนวยงานของทาน
10. ทานพรอมที่สงเสริมใหพนักงานในหนวยงานของทานไดปฏิบัติตามวัฒนธรรมองคการ
11. ทานเชื่อวาวัฒนธรรมองคการ จะทําใหพนักงานเกิดความเปนอันหนึ่งอันเดียวกันจึงเปน
ระบบที่มีการประสานงานกันอยางมีประสิทธิภาพ จะสงเสริมให การปรับตัวกับสิ่งแวดลอม
ภายนอกงายดายมากขึ้น
12. ทานเชื่อวาวัฒนธรรมองคการเปนสิ่งที่เปนเอกลักษณ เฉพาะไมสามารถลอกเลียนแบบ
ไมสามารถทําใหเหมือนได เชน ชื่อเสียง ประสบการณที่สั่งสมมายาวนาน
13. ทานเชื่อวาวัฒนธรรมองคการสามารถสรางคุณคา (Valuable) แกองคการได คือ ทําให
ยอดขายสูงขึ้น ลดคาใชจาย หรือเพิ่มมูลคาทางการเงินได
14. ทานเชื่อวาวัฒนธรรมองคการที่เขมแข็งจะชวยใหการดําเนินกลยุทธของธุรกิจเปนไป
อยางยั่งยืน
15. ทานเชื่อวาวัฒนธรรมองคการ มีความสําคัญ และจําเปนในการชวยให กลยุทธของ
องคการเปนไปตามเปาหมาย
 15

ขอมูลที่ไดจากการ Pilot Survey *

THINK1 THINK2 THINK3 THINK4 THINK5 THINK6 THINK7 ACT1 ACT2 ACT3 ACT4 ACT5 ACT6 ACT7 ACT8
4 5 5 5 4 5 4 3 5 5 4 3 5 5 5
5 5 5 5 5 5 5 4 5 5 5 5 5 4 5
5 4 3 4 4 4 3 3 4 4 3 3 2 3 2
5 5 5 5 4 4 4 4 4 4 4 3 5 4 5
5 5 4 4 4 4 3 3 4 4 4 3 4 3 4
4 3 4 4 5 5 4 4 4 5 3 3 3 4 4
5 5 5 5 5 5 5 5 4 5 3 5 5 5 1
4 4 4 5 5 4 3 3 4 4 5 4 3 3 1
3 4 4 4 4 4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 5 4 5 5 5 5 5 4 5 1
5 5 5 5 5 5 5 5 5 5 5 5 5 5 1
5 5 5 4 5 5 4 4 5 5 5 5 4 4 5
5 5 5 5 5 5 5 5 5 5 5 5 5 5 3
4 3 3 2 3 4 3 3 4 4 3 4 3 3 1
4 4 4 4 5 5 5 5 5 5 5 5 5 5 3
5 5 5 3 4 4 3 4 4 4 4 4 3 4 4
3 3 4 3 4 4 5 5 4 4 4 4 5 3 2
4 5 5 5 5 5 5 5 5 5 5 5 5 5 1
4 3 4 3 4 4 4 4 4 4 4 4 4 4 4
5 5 5 5 5 5 5 5 5 5 5 5 5 5 1
5 5 4 3 5 5 5 5 5 5 5 5 5 5 1
5 3 5 5 5 5 5 5 5 5 5 5 5 5 2
4 3 4 4 5 5 5 5 5 5 4 4 4 5 4
3 4 3 3 5 4 3 3 4 4 2 3 3 3 3
5 5 5 5 5 5 5 5 5 5 3 3 5 5 1
5 5 5 5 5 5 5 5 5 5 3 2 5 5 5
3 4 3 4 3 3 4 3 3 3 4 3 3 4 1
4 3 4 3 3 4 3 4 4 4 4 4 4 4 3
4 5 4 4 5 4 4 4 4 4 5 4 5 5 1
5 5 5 5 4 5 4 5 5 5 4 2 4 4 3
*เปนตัวเลขที่สรางขึ้นเพื่อใชเปนตัวอยางสําหรับการวิเคราะห Reliability เทานั้น
 16

การตรวจสอบคุณภาพของเครื่องมือที่ใชในการวิจัย
การวิเคราะหความเชื่อมั่น (Reliability) แบบสอบถาม ดวย Cronbach’s Alpha Method

ไปที่เมนู AnalyzeÆ Scale Æ Reliability Analysis

 17

ผลลัพธที่ได ดังนี้

Reliability Statistics
Cronbach's
Alpha N of Items
.877 15

Item-Total Statistics
Scale Corrected Cronbach's
Scale Mean if Variance if Item-Total Alpha if Item
Item Deleted Item Deleted Correlation Deleted
THINK1 58.67 53.402 .541 .869
THINK2 58.73 53.168 .469 .872
THINK3 58.70 50.562 .839 .858
THINK4 58.87 51.154 .608 .866
THINK5 58.57 52.806 .643 .866
THINK6 58.53 52.464 .829 .862
THINK7 58.87 50.809 .714 .861
ACT1 58.83 50.971 .687 .863
ACT2 58.60 52.524 .821 .862
ACT3 58.53 52.464 .829 .862
ACT4 58.93 52.961 .475 .872
ACT5 59.10 53.679 .357 .879
ACT6 58.83 49.592 .732 .860
ACT7 58.80 50.786 .737 .861
ACT8 60.37 58.930 -.071 .924
 18

ผลลัพธที่ได กรณีตัดขอถามที่ 15 ออก

Reliability Statistics
Cronbach's
Alpha N of Items
.924 14

ดานความคิดเห็นตอวัฒนธรรมองคการ

Reliability Statistics
Cronbach's Alpha N of Items
.870 7

ดานความเชื่อและความพรอมที่จะปฏิบัตติ ามวัฒนธรรมองคการ

Reliability Statistics
Cronbach's Alpha N of Items
.874 7

ตัวอยางการเขียนรายงานการวิเคราะหความเชื่อมั่น (Reliability)

การหาคาความเชื่อมั่น (Reliability) ผูวิจัยไดนําแบบสอบถามไปทดลองใช (Pretest) กับกลุมเปาหมายจํานวน

30 ชุด เพื่อทดสอบความเขาใจ จากนั้นจึงนํามาวิเคราะหหาคาความเชื่อมั่นดวยวิธีของครอนบาค ไดคาความเชื่อมั่น
เทากับ 0.924
 19

สถิติเชิงพรรณนา

Analyze > Descriptive Statistics > Frequencies...

Marital status

Cumulative
Frequency Percent Valid Percent Percent
Valid Unmarried 3224 50.4 50.4 50.4

Married 3176 49.6 49.6 100.0

Total 6400 100.0 100.0

Income category in thousands

Cumulative
Frequency Percent Valid Percent Percent

Valid Under $25 1174 18.3 18.3 18.3

$25 - $49 2388 37.3 37.3 55.7

$50 - $74 1120 17.5 17.5 73.2

$75+ 1718 26.8 26.8 100.0

Total 6400 100.0 100.0

Primary vehicle price category

Cumulative
Frequency Percent Valid Percent Percent

Valid Economy 1841 28.8 28.8 28.8

Standard 2275 35.5 35.5 64.3
Luxury 2284 35.7 35.7 100.0

Total 6400 100.0 100.0

 20

Analyze > Descriptive Statistics > Descriptives...

เลือก Save standardized values as variables

Descriptive Statistics

N Minimum Maximum Mean Std. Deviation

Household income in
6400 9.00 1,116.00 69.4748 78.71856
thousands
Valid N (listwise) 6400
 21

การตั้งคาเพื่อทําการ Split File

 22

SPLIT FILE OFF.

การเปรียบเทียบคาเฉลี่ยดวยคําสั่ง Means…

Report
Household income in thousands

Gender Mean N Std. Deviation

Female 68.7798 3179 75.73510

Male 70.1608 3221 81.56216
Total 69.4748 6400 78.71856

การสรางรายงาน OLAP Cubes…

คลิ๊ก OK
 23

ไดผลลัพธดังนี้

สามารถ Double-click ที่ตารางได

เลือกดูเฉพาะผูชาย (Male)

รายไดเฉลี่ยเฉพาะผูชาย

รายเฉลี่ยของผูชายที่มีระดับการศึกษา High school

 24

การสรางตาราง Crosstabulations

เลือกตัวแปรที่ตองการทํา Crosstabs
 25

ไปที่ Recall recently used dialogs เลือกคา Percentages ของ Row

 26

การวิเคราะหขอมูลโดยใช Syntax Editor

ไปที่ File Æ New Æ Syntax

วิธีการสราง Syntax โดยไมเคยมีความรูเกี่ยวกับ programming มากอน

คลิ๊กเลือก Option ตางๆ ที่ตองการวิเคราะห แลวใหคลิ๊ก Paste

จะไดดังภาพดานลาง
 27

Creating maps in IBM SPSS Statistics 22

เริ่มจากแปลงไฟล .shp ใหเปน .smz

เลือก .shp ที่ตองการใหเปน .smz

ตั้งชื่อและเลือกตําแหนงการวางของ .smz

การเลือก map key

คลิก Finish
 28

การแกไข map

กรณีที่มีไฟล .smz อยูแลว

เลือก Graphboard Template … >> กดเลือก Manage
 29

เลือก Import >> คลิก Map >> เลือกไฟล .smz

แผนที่ประเทศไทย 77 จังหวัด พรอมใชงาน

คลิ๊ก Close
 30

ตัวอยาง การแปะ pie chart บนแผนที่ เพื่อดูสัดสวนของสถานภาพการแตงงานของหนวยตัวอยางแตละจังหวัด

ใหคลิกเลือก select a Map File

 31

หลังจากคลิ๊ก Compare พบวาขอมูลจากแผนที่และจากไฟล .sav ตรงกัน

กด OK
 32

ผลลัพธที่ได
 33

ตัวอยางแผนที่แบบอื่นๆ
34
35
  

 
(Testing of Hypothesis)


  
 

 

  (Testing of Hypothesis)

1 

 

  (Hypothesis)

2 

 

3  

4  


 

2
  

  (Testing of Hypothesis)

  (Hypothesis)  
  
!
 !"# ! *

 
1. 
 !"#$%
 $%
 & 
2. '*
+ ,  70 -
3. -
//-

*-56 //-8/98 /8,

3



 

 
 2 

1. Null Hypothesis (H0)

•
9
+ 
 “=” “:” “;”

2. Alternative Hypothesis (H1)

•
9
+ 
 “<” “<” “>”

4
  

1.  /

H1: μ < μ0 9 H1: μ > μ0

2.  /

H1: μ < μ0

 


 

1. C '-#   

2. 


  => H0   H1
3. 9  C   
 
• + 

/  
• 

+ -  DEF
 
4. 8  

%C! 
C  & 
5. !J# : 9     K
 M/ : -OD 9 ,
-OD H0
6.  
7. '-$-



6
  M/ : -OD 9 ,
-OD H0
 

  
Sig.(2-tailed) > Î ,
-OD
Sig.(2-tailed) : Î -OD

  
Sig.(2-tailed)/2 > Î ,
-OD
Sig.(2-tailed)/2 : Î -OD

 *
+ 1  2 -
(Compare Means)


  
 
 *
+ 1  2 - (Compare Means)

1  *
+ 1 -

2  *
+ 2 -+ -8 

3  *
+ 2 -,
-8 

 *
+ -

H0: μ = μ0
H1: μ $ μ0  H1: μ < μ0  H1: μ > μ0

 & "! %" : t

%%

 
'*+ ,,
  70 -
'* + ,
 70 -
'* + , 70 -

10
  *
+ -

 $"%##   322

.
H0: 
One-Sample Statistics
Std. Std. Error
N Mean Deviation Mean
Disc Brake Diameter (mm) 128 322.002009 .0108224 .0009566

One-Sample Test
Test Value = 322
t df Sig. (2-tailed) Mean Difference
Disc Brake Diameter (mm) 2.101 127 .038 .0020094

-OD H0

 $"%## ,

  322

. 9
'- 
 $"%##  322

.
11

 *
+ 2 - + -8 

H0: μ1 = μ2
H1: μ1 $ μ2  H1: μ1 < μ2  H1: μ1 > μ2

 & "! %" : t

%%
-
-

 

 !"#$%  $% & 
$% 

 !"#
$% &
$%  

 !"#
 $%
 &

12
  *
+ 2 - + -8 

H0: $%   ,
 
 ,+   Standard  New Promotion
M/

Group Statistics
Type of mail Std. Std. Error
insert received N Mean Deviation Mean
$ spent during Standard 250 1566.3890 346.67305 21.92553
promotional period New Promotion 250 1637.5000 356.70317 22.55989

Independent Samples Test

Levene's Test for Equality of Variances
F Sig.
$ spent during promotional Equal variances assumed 1.190 .276
period Equal variances not assumed

13

 *
+ 2 - + -8 

Independent Samples Test

t-test for Equality of Means

95% Confidence
Interval of the
Difference
Sig. Mean Std. Error
t df (2-tailed) Difference Difference Lower Upper
$ spent during Equal variances -2.26 498 .024 -71.11095 31.45914 -132.92 -9.30
promotional assumed
period
Equal variances -2.26 497.59 .024 -71.11095 31.45914 -132.92 -9.30
not assumed

-OD H0

'- $%  
 ,+   Standard  New Promotion
M/  
 

14
  *
+ 2 - ,
-8 

H0: μd = 0
H1: μd $ 0  H1: μd < 0  H1: μd > 0

 μd = μ1-μ2
 & "! %" : t
%%

 

%  
M/M#

%F
 
9
+
{ + - 
5* +   

15

 *
+ 2 - ,
-8 

H0: Triglyceride  # ,

 
H0: C    # ,
 
Paired Samples Statistics

Std. Std. Error

Mean N Deviation Mean
Pair 1 Triglyceride 138.44 16 29.040 7.260

Final triglyceride 124.38 16 29.412 7.353

Pair 2 Weight 198.38 16 33.472 8.368

Final weight 190.31 16 33.508 8.377

16
  *
+ 2 - ,
-8 

Paired Samples Test

t df Sig. (2-tailed)
Pair 1 Triglyceride - Final triglyceride 1.200 15 .249

Pair 2 Weight - Final weight 11.175 15 .000

'- Triglyceride  # ,

 
C    #  

17

#
--
(Analysis of Variance: ANOVA)


  
 
 #
--
(Analysis of Variance: ANOVA)

1  '-##
--

2  #
--

3 -   F'

19

 '-##
--

ANOVA 9 D  C    *+ -


  ,-
3 -{

H0: μ1 = μ2 = … = μp "!"
H1: not H0 (
  1 ' )  !)


!.) 
   ', )   !! ,
! %
20
  #
--

{ }  -&&
  1 : GPA  "

- + 1 - + 2 - + 3 - + 4

2.91 3.85 3.02 3.33
2.19 2.04 2.88 2.40
3.47 2.84 3.40 3.85
2.24 3.30 3.65 3.03
2.70 2.25 3.23 3.04
1.98 2.78 2.99
3.15 3.33
2.56
μ 2.58 2.85 3.21 3.13

H0: μGPA1 = μGPA2 = μGPA3 = μGPA4

21

 #
--

  2 : 9

+  !J * 1,000 

"# "
"# D'/
7.4 7.5 5.6
6.5 7.8 5.5
7.2 7.4 5.3
6.9 7.6 5.2
7.2
μ 7.0 7.5 5.4

H0: μSCI = μENG = μBUS

22
  #
--

Descriptives



   *1000 " 
95% Confidence Interval
for Mean
Std. Std.
N Mean Deviation Error
Lower Bound Upper Bound

 ? % 4 7.0000 .39158 .19579 6.3769 7.6231

?!? % 5 7.5000 .22361 .10000 7.2224 7.7776
" @! 4 5.4000 .18257 .09129 5.1095 5.6905
Total 13 6.7000 .96090 .26651 6.1193 7.2807

23

 #
--

Test of Homogeneity of Variances



   *1000 " 
Levene df1 df2 Sig.
Statistic
1.593 2 10 .251

'-, 
--''

  

24
  #
--

ANOVA
9

+  *1000 
Sum of df Mean F Sig.
Squares Square
Between
Groups 10.320 2 5.160 67.895 .000

Within Groups .760 10 .076

Total 11.080 12

H0: μSCI = μENG = μBUS

-OD H0

'-
 2 !+ 9

+ 
5*+  
25

 #
--

Multiple Comparisons


   *1000 " 
Scheffe

Mean 95% Confidence Interval

(I) F
 " (J) F
 "
Difference Std. Lower Upper
(I-J) Error Sig. Bound Bound
?!? % -.50000 .18493 .064 -1.0297 .0297
 ? %
" @! 1.60000* .19494 .000 1.0416 2.1584

 ? % .50000 .18493 .064 -.0297 1.0297

?!? %
" @! 2.10000* .18493 .000 1.5703 2.6297

 ? % -1.60000* .19494 .000 -2.1584 -1.0416

" @!
?!? % -2.10000* .18493 .000 -2.6297 -1.5703
*. The mean difference is significant at the 0.05 level.

26
#
F D#
(Regression & Correlation Analysis)


  
 

 D#
#
F
(Regression & Correlation Analysis)

1  D#
#
F

2  D# 
#
F  

3  
# 

4  F'
# 

5  5
# 

28
  D#
#
F

29

 D#
#
F

30
  D#
#
F

Correlations

cholesterol of weight of age of

patient patient patient
Pearson
Correlation 1 .265 .837**
cholesterol of patient Sig. (2-tailed) .200 .000
N 25 25 25
Pearson .265 1 .240
Correlation
weight of patient Sig. (2-tailed) .200 .248
N 25 25 25
Pearson .837** .240 1
Correlation
age of patient Sig. (2-tailed) .000 .248
N 25 25 25
**. Correlation is significant at the 0.01 level (2-tailed).

31

 D#  
#
F

Correlations

Control Variables
cholestero
l of age of
patient patient
weight of patient cholesterol of Correlation 1.000 .827
patient Significance . .000
(2-tailed)
df 0 22
age of patient Correlation .827 1.000
Significance .000 .
(2-tailed)
df 22 0

32
  
# 

 
%-  
y = ‚0 + ‚1x + …

Y .  
K 
X .  
K%
O0 . K! Y
O1 .  ! Q
 ,
K  Y 
  

K% X ,
 K,
)
   (slope)
R .   , ,
 
 %
! O0 K, O1  %  @!
V 
33

 
# 

y = 15.833 + 2.5x

34
  
# 

Model Summaryb
Model

Adjusted Std. Error of

R R Square R Square the Estimate Durbin-Watson
a
1 .741 .548 .514 4.432 3.076
a. Predictors: (Constant), M+ M  
9 (+  5
)
b. Dependent Variable:  1 

35

 
# 

ANOVAb
Model Sum of Mean
Squares df Square F Sig.
a
1 Regression 310.000 1 310.000 15.783 .002

Residual 255.333 13 19.641

Total 565.333 14
a. Predictors: (Constant), M+ M  
9 (+  5
)
b. Dependent Variable:  1 

Coefficientsa
Model Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
1 (Constant) 15.833 3.586 4.416 .001
M+ M  2.500 .629 .741 3.973 .002
9 (+  5
)
 

y = 15.833 + 2.5x
36
  
# 

37

 5
# 

38
  5
# 

39

 5
# 

Linear
Model Summary
Std. Error of
R R Square Adjusted R Square the Estimate
.916 .839 .832 .739
The independent variable is Advertising spending.

ANOVA

Sum of Squares df Mean Square F Sig.

Regression 62.514 1 62.514 114.548 .000
Residual 12.006 22 .546
Total 74.520 23
The independent variable is Advertising spending.

Coefficients
Standardized
Unstandardized Coefficients Coefficients
B Std. Error Beta t Sig.
Advertising spending 1.071 .100 .916 10.703 .000
(Constant) 6.584 .402 16.391 .000

40
  5
# 

Quadratic
Model Summary
Std. Error of
R R Square Adjusted R Square the Estimate
.953 .908 .900 .570
The independent variable is Advertising spending.
ANOVA
Sum of Squares df Mean Square F Sig.
Regression 67.699 2 33.850 104.213 .000
Residual 6.821 21 .325
Total 74.520 23
The independent variable is Advertising spending.
Coefficients
Unstandardized Standardized
Coefficients Coefficients
B Std. Error Beta t Sig.
Advertising spending 2.854 .453 2.440 6.302 .000
Advertising spending ** 2 -.245 .061 -1.547 -3.996 .001
(Constant) 3.903 .739 5.280 .000

41

 5
# 

Linear
Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk Quadratic

Statisti Statisti
c df Sig. c df Sig.
Unstandardized .082 24 .200* .987 24 .982
Residual

 n:50
 '

a. Lilliefors Significance Correction

*. This is a lower bound of the true significance. 42
  5
# 

Linear
Model Summaryb
Model Durbin-Watson
1 2.389
a. Predictors: (Constant), Advertising spending Quadratic
b. Dependent Variable: Detrended sales

Dw M 2  

9
+ 

-8  ()+
43

 F'
# 

 F'
%-  
Y = ‚0 + ‚1X1+ ‚2X2 +…+ ‚kXk + …

Y K 
K 
O0 K 
\ %!  ]
 .  
Y 
 !& %& "
! 
Xi = 0
Oi  %
K%  @ 
V 
% ]
 %, 
!"K , 

K% 
O1 K%
 ,
 K,
\ Y 
 X1 ,
 K,
) 1  
 X2 ,…, Xk 


R K , ,
 %
 %
! Oi  %  @!
V #
 %  (Partial Regression Coefficient)
44
  F'
# 

 
 + 1 2 3 4 5 6 7
 80 95 104 110 175 85 89
  18 20 25 22 33 19 17
/C 3 3 4 4 5 4 3

y = – 16.093 + 5.722(size) – 1.173(bedroom)

y = – 17.365 + 5.582(size)
y = – 26.583 + 35.542(bedroom)

45

 F'
# 

Collinearity
Statistics
Model Tolerance VIF
1 (Constant)
size of condo (100 .233 4.296
square foot)
number of bedroom .233 4.296

Tolerance = 1-Ri2
 Tolerance   - Xi  -
 9  D# 

+ 6


F

VIFi = 1/Tolerance
 VIFi  - Xi
 % (
 10) 
 - Xi


F D#   -9
+


46
 #/ '


(Cluster Analysis)


  
 

Cluster Analysis for Market Segmentation :

Principles

¾ Data Types in Clustering

¾ Clustering Methods
- Hierarchical Methods
- Non-Hierarchical Method : K-Means Clustering
- Non-Hierarchical Method : TwoStep Clustering

48
 Cluster Analysis for Market Segmentation :
Hierarchical >> Example

2 5 9 15 16 18 25 33 33 45

49

Cluster Analysis for Market Segmentation :

Hierarchical >> Output

50
 Cluster Analysis for Market Segmentation :
K-Means

The method defines a fixed number of clusters,

iteratively assigns records to clusters, and adjusts
the cluster centers until further refinement can no
longer improve the model.
Instead of trying to predict an outcome, k-means
uses a process known as unsupervised learning to
uncover patterns in the set of input fields.

51

Cluster Analysis for Market Segmentation :

K-Means

Step 1 : k initial "means" (in Step 2 : k clusters are created by

this case k=3) are randomly associating every observation with
selected from the data set the nearest mean. The partitions here
(shown in color). represent the Voronoi diagram
generated by the means.

52
 Cluster Analysis for Market Segmentation :
K-Means (CONT)

Step 4 : Steps 2 and 3 are Step 3 : The of each of

repeated until convergence the k clusters becomes
has been reached. the new means.

53

Cluster Analysis for Market Segmentation :

TwoStep

¾The ability to create clusters based on both

categorical and continuous variables.
¾Automatic selection of the number of clusters.
¾The ability to analyze large data files efficiently.

54
Cluster Analysis for Market Segmentation :
TwoStep >> Output

55

Cluster Analysis for Market Segmentation :

TwoStep >> Output (CONT)

56
Cluster Analysis for Market Segmentation :
TwoStep >> Output (CONT)

57