常用於市場調查中的定量數據插補的方法是

Ⅰ 機器學習中的數據預處理有哪些常見/重要的工具

大數據發展的挑戰： 目前大數據的發展依然存在諸多挑戰，包括七大方面的挑戰：業務部門沒有清晰的大數據需求導致數據資產逐漸流失;內部數據孤島嚴重，導致數據價值不能充分挖掘;數據可用性低，數據質量差，導致數據無法利用;數據相關管理技。

機器學習之常見的數據預處理：原始數據存在的幾個問題：不一致;重復;含雜訊;維度高。
1.1 數據挖掘中使用的數據的原則
盡可能賦予屬性名和屬性值明確的含義; 去除惟一屬性; 去除重復性; 合理選擇關聯欄位。
1.2 常見的數據預處理方法
數據清洗：數據清洗的目的不只是要消除錯誤、冗餘和數據噪音，還要能將按不同的、不兼容的規則所得的各種數據集一致起來。 數據集成：將多個數據源中的數據合並，並存放到一個一致的數據存儲(如數據倉庫)中。這些數據源可能包括多個資料庫、數據立方體或一般文件。
數據變換：找到數據的特徵表示，用維度變換來減少有效變數的數目或找到數據的不變式，包括規格化、規約、切換和投影等操作。 數據規約：是在對發現任務和數據本身內容理解的基礎上，尋找依賴於發現目標的表達數據的有用特徵，以縮減數據模型，從而在盡可能保持數據原貌的前提下最大限度的精簡數據量，主要有兩個途徑：屬性選擇和數據抽樣，分別針對資料庫中的屬性和記錄。
二、數據清洗
2.1 缺失值處理的兩種方法
刪除法，根據數據處理的不同角度，刪除法可分為以下4種：
(1)刪除觀測樣本 (2)刪除變數：當某個變數缺失值較多且對研究目標影響不大時，可以將整個變數整體刪除 (3)使用完整原始數據分析：當數據存在較多缺失而其原始數據完整時，可以使用原始數據替代現有數據進行分析; (4)改變權重：當刪除缺失數據會改變數據結構時，通過對完整數據按照不同的權重進行加工，可以降低刪除數據帶來的偏差。
插補法：在條件允許的情況下，找到缺失值的替代值進行插補，盡可能還原真實數據是更好的方法。常見的方法有均值插補、回歸插補、二階插補、熱平台、冷平台等單一變數插補。
(1)均值法是通過計算缺失值所在變數所有非缺失觀測值的均值，使用均值來代替缺失值的插補方法。 (2)均值法不能利用相關變數信息，因此會存在一定偏差，而回歸模型是將需要插補變數作為因變數，其他相關變數作為自變數，通過建立回歸模型預測出因變數的值對缺失變數進行插補。 (3)熱平台插補是指在非缺失數據集中找到一個與缺失值所在樣本相似的樣本(匹配樣本)，利用其中的觀測值對缺失值進行插補。 (4)在實際操作中，尤其當變數數量很多時，通常很難找到與需要插補樣本完全相同的樣本，此時可以按照某些變數將數據分層，在層中對缺失值使用均值插補，即採取冷平台插補法。
2.2 雜訊數據處理
雜訊是一個測量變數中的隨機錯誤和偏差，包括錯誤值或偏離期望的孤立點值。
雜訊檢查中比較常見的方法：
(1)通過尋找數據集中與其他觀測值及均值差距最大的點作為異常 (2)聚類方法檢測，將類似的取值組織成「群」或「簇」，落在「簇」集合之外的值被視為離群點。 在進行雜訊檢查後，通常採用分箱、聚類、回歸、計算機檢查和人工檢查結合等方法「光滑」數據，去掉數據中的雜訊。
分箱：分箱方法是一種簡單常用的預處理方法，通過考察相鄰數據來確定最終值。所謂「分箱」，實際上就是按照屬性值劃分的子區間，如果一個屬性值處於某個子區間范圍內，就稱把該屬性值放進這個子區間所代表的「箱子」內。把待處理的數據(某列屬性值)按照一定的規則放進一些箱子中，考察每一個箱子中的數據，採用某種方法分別對各個箱子中的數據進行處理。在採用分箱技術時，需要確定的兩個主要問題就是：如何分箱以及如何對每個箱子中的數據進行平滑處理。
2.2.1 分箱的方法：有4種：等深分箱法、等寬分箱法、最小熵法和用戶自定義區間法。
等深分箱法(統一權重)：將數據集按記錄行數分箱，每箱具有相同的記錄數，每箱記錄數稱為箱子的深度。這是最簡單的一種分箱方法。
設定權重(箱子深度)為4，分箱後
箱1：800 1000 1200 1500
箱2：1500 1800 2000 2300
箱3：2500 2800 3000 3500
箱4：4000 4500 4800 5000
等寬分箱法(統一區間)：使數據集在整個屬性值的區間上平均分布，即每個箱的區間范圍是一個常量，稱為箱子寬度。
設定區間范圍(箱子寬度)為1000元人民幣，分箱後
箱1：800 1000 1200 1500 1500 1800
箱2：2000 2300 2500 2800 3000
箱3：3500 4000 4500
箱4：4800 5000
用戶自定義區間：用戶可以根據需要自定義區間，當用戶明確希望觀察某些區間范圍內的數據分布時，使用這種方法可以方便地幫助用戶達到目的。
如將客戶收入劃分為1000元以下、1000~2000、2000~3000、3000~4000和4000元以上幾組，分箱後
箱1：800
箱2：1000 1200 1500 1500 1800 2000
箱3：2300 2500 2800 3000
箱4：3500 4000
箱5：4500 4800 5000
2.2.2 數據平滑方法
按平均值平滑 ：對同一箱值中的數據求平均值，用平均值替代該箱子中的所有數據。 按邊界值平滑：用距離較小的邊界值替代箱中每一數據。 按中值平滑：取箱子的中值，用來替代箱子中的所有數據。
三、數據集成
數據集成中的兩個主要問題是：
(1)如何對多個數據集進行匹配，當一個資料庫的屬性與另一個資料庫的屬性匹配時，必須注意數據的結構; (2)數據冗餘。兩個數據集有兩個命名不同但實際數據相同的屬性，那麼其中一個屬性就是冗餘的。
四、數據變換
數據變換策略主要包括以下幾種：
光滑：去掉雜訊; 屬性構造：由給定的屬性構造出新屬性並添加到數據集中。例如，通過「銷售額」和「成本」構造出「利潤」，只需要對相應屬性數據進行簡單變換即可 聚集：對數據進行匯總。比如通過日銷售數據，計算月和年的銷售數據; 規范化：把數據單按比例縮放，比如數據標准化處理; 離散化：將定量數據向定性數據轉化。比如一系列連續數據，可用標簽進行替換(0,1);
五、數據歸約
數據歸約通常用維歸約、數值歸約方法實現。維歸約指通過減少屬性的方式壓縮數據量，通過移除不相關的屬性，可以提高模型效率。常見的維歸約方法有：分類樹、隨機森林通過對分類效果的影響大小篩選屬性;小波變換、主成分分析通過把原數據變換或投影到較小的空間來降低維數。

Ⅱ 下列市場定量預測方法中，適用於具有時間序列關系數據的有( )。

D,E
答案解析：
根據常用預測方法的特點可知，適用於具有時間序列關系數據的定量預測方法有移動平均法、指數平滑法、趨勢外推法。

Ⅲ 幾種常見的缺失數據插補方法

（一）個案剔除法(Listwise Deletion)
最常見、最簡單的處理缺失數據的方法是用個案剔除法(listwise
deletion)，也是很多統計軟體（如SPSS和SAS）默認的缺失值處理方法。在這種方法中如果任何一個變數含有缺失數據的話，就把相對應的個案從分析中剔除。如果缺失值所佔比例比較小的話，這一方法十分有效。至於具體多大的缺失比例算是「小」比例，專家們意見也存在較大的差距。有學者認為應在5%以下，也有學者認為20%以下即可。然而，這種方法卻有很大的局限性。它是以減少樣本量來換取信息的完備，會造成資源的大量浪費，丟棄了大量隱藏在這些對象中的信息。在樣本量較小的情況下，刪除少量對象就足以嚴重影響到數據的客觀性和結果的正確性。因此，當缺失數據所佔比例較大，特別是當缺數據非隨機分布時，這種方法可能導致數據發生偏離，從而得出錯誤的結論。
（二）均值替換法(Mean Imputation)
在變數十分重要而所缺失的數據量又較為龐大的時候，個案剔除法就遇到了困難，因為許多有用的數據也同時被剔除。圍繞著這一問題，研究者嘗試了各種各樣的辦法。其中的一個方法是均值替換法(mean
imputation)。我們將變數的屬性分為數值型和非數值型來分別進行處理。如果缺失值是數值型的，就根據該變數在其他所有對象的取值的平均值來填充該缺失的變數值；如果缺失值是非數值型的，就根據統計學中的眾數原理，用該變數在其他所有對象的取值次數最多的值來補齊該缺失的變數值。但這種方法會產生有偏估計，所以並不被推崇。均值替換法也是一種簡便、快速的缺失數據處理方法。使用均值替換法插補缺失數據，對該變數的均值估計不會產生影響。但這種方法是建立在完全隨機缺失（MCAR）的假設之上的，而且會造成變數的方差和標准差變小。
（三）熱卡填充法（Hotdecking）
對於一個包含缺失值的變數，熱卡填充法在資料庫中找到一個與它最相似的對象，然後用這個相似對象的值來進行填充。不同的問題可能會選用不同的標准來對相似進行判定。最常見的是使用相關系數矩陣來確定哪個變數（如變數Y）與缺失值所在變數（如變數X）最相關。然後把所有個案按Y的取值大小進行排序。那麼變數X的缺失值就可以用排在缺失值前的那個個案的數據來代替了。與均值替換法相比，利用熱卡填充法插補數據後，其變數的標准差與插補前比較接近。但在回歸方程中，使用熱卡填充法容易使得回歸方程的誤差增大，參數估計變得不穩定，而且這種方法使用不便，比較耗時。
（四）回歸替換法(Regression Imputation)
回歸替換法首先需要選擇若干個預測缺失值的自變數，然後建立回歸方程估計缺失值，即用缺失數據的條件期望值對缺失值進行替換。與前述幾種插補方法比較，該方法利用了資料庫中盡量多的信息，而且一些統計軟體（如Stata）也已經能夠直接執行該功能。但該方法也有諸多弊端，第一，這雖然是一個無偏估計，但是卻容易忽視隨機誤差，低估標准差和其他未知性質的測量值，而且這一問題會隨著缺失信息的增多而變得更加嚴重。第二，研究者必須假設存在缺失值所在的變數與其他變數存在線性關系，很多時候這種關系是不存在的。
（五）多重替代法(Multiple Imputation)
多重估算是由Rubin等人於1987年建立起來的一種數據擴充和統計分析方法，作為簡單估算的改進產物。首先，多重估算技術用一系列可能的值來替換每一個缺失值，以反映被替換的缺失數據的不確定性。然後，用標準的統計分析過程對多次替換後產生的若干個數據集進行分析。最後，把來自於各個數據集的統計結果進行綜合，得到總體參數的估計值。由於多重估算技術並不是用單一的值來替換缺失值，而是試圖產生缺失值的一個隨機樣本，這種方法反映出了由於數據缺失而導致的不確定性，能夠產生更加有效的統計推斷。結合這種方法，研究者可以比較容易地，在不舍棄任何數據的情況下對缺失數據的未知性質進行推斷。NORM統計軟體可以較為簡便地操作該方法

Ⅳ 簡述市場調查與預測的基本步驟

所謂市場預測，是對某一特定地區某種特定產品需求量和供應量的預測。市場需求量預測可分為市場潛量預測和市場發展趨勢預測。前者是分析產品在目前或近斯可能的最大需求量，後者是分析產品在今後一定時期內的需求變化趨勢。 市場發展趨勢預測，按時間長短可分為長期、中期和短期預測三種。長期預測，一般指5年以上的預測，應根據國民收入的增長、消費水平和購買支付能力的變化，以及生產、運輸能力和科學技術等客觀條件的發展變化等進行分析預測，從而確定產品長期的經營方向和發展規模。短期預測，一般指一年以內的預測，根據各季度和月份的客觀變化，預測需求的季節性變化，從而具體安排生產活動。而介於二者之間的中期預測，一般指3年左右的預測。
5.1.2 市場預測方法
市場預測方法可分為定性和定量二種。 定性預測主要依靠專家經驗，藉助於調查、了解、直觀分析的手段，對事物的未來發展作出預測，如，專家意見法、市場調查法。它比較適用於新產品以及掌握歷史數據不多的產品市場供需預測，也比較適用於對那些突變型、跳躍式發展的經濟事件預測。此類方法的特點是可以較好地考慮法律政策、技術變化等因素對市場行為的影響，但是缺乏定量方法的嚴密性。 定量預測方法主要是藉助於數學方法，採用時間序列、因果分析、消費水平和最終用途分析等方式進行數學推算或估算，常用於市場經濟發展趨勢分析。這類方法可以識別市場發展變化的因果關系，因而能夠較好地預測未來情況，尤其是預測可能的突變點。典型的預測模型有經濟計量模型和工程過程模型。 應該指出，礦產市場是一個受資源、技術、經濟、政治、法律、社會等眾多因素影響的復雜系統，因此，對其行為的准確預測是相當困難的。即使是綜合採用各種預測方法，也未必十分奏效。盡管如此，無論是廠商，或者是政府機構的決策者在制定決策時，都必須利用某種方法進行預測，別無選擇。

Ⅳ 市場調研分析的定量分析方法有哪些

在市場研究中的定量分析方法 主要是採用調查問卷的方法
而定性則是以座談會或者二手資料收集的方法進行

Ⅵ 市場調查中定量變數數據插補方法

均值，中值，眾數還有回歸。你可以把數據錄入spss然後裡面有缺失數據填補的功能、

Ⅶ 市場調查預測的方法有哪些

觀察法、實驗法、詢問法、情況推測、問卷法等。

1、觀察法

觀察法是社會調查和市場調查研究的最基本的方法。它是由調查人員根據調查研究的對象，利用眼睛、耳朵等感官以直接觀察的方式對其進行考察並搜集資料。例如，市場調查人員到被訪問者的銷售場所去觀察商品的品牌及包裝情況。

2、實驗法

實驗法是由調查人員跟進調查的要求，用實驗的方式對調查的對象控制在特定的環境條件下，對其進行觀察以獲得相應的信息。

控制對象可以是產品的價格、品質、包裝等，在可控制的條件下觀察市場現象，揭示在自然條件下不易發生的市場規律，這種方法主要用於市場銷售實驗和消費者使用實驗。

(7)常用於市場調查中的定量數據插補的方法是擴展閱讀：

市場調查基本步驟：

預測應該遵循一定的程序和步驟以使工作有序化、統籌規劃和協作。市場預測的過程大致包含以下的步驟：

1、確定目標

明確目的，是開展市場預測工作的第一步，因為預測的目的不同，預測的內容和項目、所需要的資料和所運用的方法都會有所不同。

明確預測目標，就是根據經營活動存在的問題，擬定預測的項目，制定預測工作計劃，編制預算，調配力量，組織實施，以保證市場預測工作有計劃、有節奏地進行。

2、搜集資料

進行市場預測必須佔有充分的資料。有了充分的資料，才能為市場預測提供進行分析、判斷的可靠依據。在市場預測計劃的指導下，調查和搜集預測有關資料是進行市場預測的重要一環，也是預測的基礎性工作。

Ⅷ 市場調查中的「定性」及「定量」分別指什麼

定性營銷研究Qualitative marketing research：最常被使用。簡單來說就是從受訪者的數字回答中去分析，不針對整個人口、也不會做大型的統計。常見的例子有：焦點族群focus groups、深度訪談、專案進行等。

定量營銷研究Quantitative marketing research：採用假說的形式，使用任意采樣、並從樣品數來推斷結果，這種手法經常用在人口普查、經濟力調查等大型的研究。常見的例子有：大型問卷、咨詢表系統questionnaires等。

(8)常用於市場調查中的定量數據插補的方法是擴展閱讀

研究方法

1、文案調研

主要是二手資料的收集、整理和分析

主要的渠道來自網上資料搜索和圖書館等書籍信息搜索。

2、實地調研

實地調研可分為詢問法、觀察法和實驗法三種。

（1）詢問法：就是調查人員通過各種方式向被調查者發問或徵求意見來搜集市場信息的一種方法。它可分為深度訪談、GI座談會、問卷調查等方法，其中問卷調查又可分為電話訪問、郵寄調查、留置問卷調查、入戶訪問、街頭攔訪等調查形式。

採用此方法時的注意點：所提問題確屬必要，被訪問者有能力回答所提問題，訪問的時間不能過長，詢問的語氣、措詞、態度、氣氛必須合適。

（2）觀察法：它是調查人員在調研現場，直接或通過儀器觀察、記錄被調查者行為和表情，以獲取信息的一種調研方法。

（3）實驗法：它是通過實際的、小規模的營銷活動來調查關於某一產品或某項營銷措施執行效果等市場信息的方法。實驗的主要內容有產品的質量、品種、商標、外觀、價格，促銷方式及銷售渠道等。它常用於新產品的試銷和展銷。

3、特殊調研

特殊調查有固定樣本、零售店銷量、消費者調查組等持續性實地調查；投影法、推測試驗法、語義區別法等購買動機調查；CATI計算機調查等形式。

4、競爭對手調研

「知己知彼，百戰不殆」，一句中國最古老的成語勾畫出了競爭研究的重要性。在市場競爭日趨白熱化的今天，不了解競爭市場情況，不認識競爭對手，就意味著沒有勝算的機會。

競爭研究的根本目標是通過一切可獲得的信息來查清競爭對手的狀況，包括：產品及價格策略、渠道策略、營銷（銷售）策略、競爭策略、研發策略、財務狀況及人力資源等，發現其競爭弱勢點，幫助企業制定恰如其分的進攻戰略，擴大自己的市場份額；另外，對競爭對手最優勢的部分，需要制定迴避策略，以免發生對企業的損害事件。

參考資料來源：網路-市場調查

參考資料來源：網路-市場調研