El estudio de mercados cuantitativo del es el uso de las técnicas cuantitativas de la investigación al campo de la comercialización. Tiene raíces en amba la opinión del positivista del mundo, y el punto de vista moderno de la comercialización que la comercialización es un proceso interactivo en el cual el comprador y el vendedor alcanzan un acuerdo satisfying en el " " de cuatro p; de la comercialización: Producto, precio, lugar (localización) y promoción. Como método social de la investigación, implica típicamente la construcción de los cuestionarios y de las escalas . Piden la gente que responde (los respondedores) terminar la encuesta sobre el . Uso de los vendedores la información así que obtenido para entender las necesidades de individuos en el mercado, y para crear las estrategias y los planes de comercialización

Alcance y requisitos

Procedimiento general típico

Simplemente, hay cinco principales y pasos importantes implicados en el proceso de la investigación: del

que define el problema.

de Diseño de la investigación del .

de Colección de datos del .

de Análisis del .

de Redacción y presentación de informes del .

La breve discusión sobre cada uno de estos pasos es: ¿Intervención del problema del

y definición de problema - cuál es el problema? ¿Cuáles son los varios aspectos del problema? ¿Qué información es necesaria?

¿Conceptualización y operacionalización - definimos cómo exactamente los conceptos implicados? ¿Cómo traducimos estos conceptos a comportamientos observables y mensurables?

¿Especificación de la hipótesis - qué demandas queremos probar?

¿Investigar la especificación del diseño - qué tipo de metodología a utilizar? - ejemplos: cuestionario,

del examen ¿Especificación de la pregunta - qué preguntas a pedir? ¿En qué orden?

¿Especificación de la escala - cómo las preferencias serán clasificadas?

¿Especificación del diseño de muestreo - cuál es la población total? ¿Qué tamaño de muestra es necesario para esta población? ¿Qué método de muestreo a utilizar? - ejemplos: Muestreo de Probablity del : - (muestreo por universos, muestreo estratificado, muestreo al azar simple, muestreo gradual, muestreo sistemático ) y muestreo de Nonprobability del :-

de (muestreo de conveniencia, muestreo de juicio, muestreo útil, muestreo por cuotas, muestreo de la bola de nieve, etc.) Colección de datos - utilizar el correo, teléfono, Internet,

de las intercepciones de la alameda Codificación y re-especificación - hacer los ajustes a las informaciones en bruto así que es compatible con técnicas estadísticas y con los objetivos de la investigación - ejemplos: asignación de números, cheques de consistencia, substituciones, canceladuras, carga, variables simuladas, transformaciones de la escala,

de la estandardización de la escala Análisis estadístico - realizar las varias técnicas descriptivas y deductivas (véase abajo) en las informaciones en bruto. Hacer las inferencias de la muestra a la población entera. Probar los resultados para la significación estadística.

¿Interpretar e integrar los resultados - qué los resultados significan? ¿Qué conclusiones pueden ser extraídas? ¿Cómo estos resultados se relacionan con la investigación similar?

Escribir el informe de la investigación - el informe tiene generalmente títulos por ejemplo: 1) documento de síntesis; 2) objetivos; 3) metodología; 4) resultados de la cañería; 5) cartas y diagramas detallados. Presentar el informe al cliente en una presentación minuciosa 10. Prepararse para las preguntas.

Técnicas descriptivas

Las técnicas descriptivas que son de uso general incluyen:
Descripción gráfica

utilizar los gráficos para resumir datos
ejemplos: histogramas, scattergrams, cartas de barra, gráficos circulares
Descripción tabular utilizar las tablas para resumir datos
ejemplos: horario de la distribución de frecuencia, lengüetas cruzadas
Descripción paramétrica estimar los valores de ciertos parámetros que resuman los datos medidas de la tendencia central de la localización o Medio aritmético
mediano
modo
Medio intercuartil
medidas de la dispersión estadística Desviación estándar
Gama (estadísticas)
Gama intercuartil
Desviación absoluta .
medidas de la forma de la distribución Oblicuidad
Curtosis

Técnicas deductivas

Las técnicas deductivas implican el generalizar de una muestra a la población entera. También implica el probar de una hipótesis. Una hipótesis se debe indicar en los términos matemáticos/estadísticos que permiten calcular la probabilidad de las muestras posibles que asumen que la hipótesis está correcta. Entonces una estadística de la prueba debe ser elegida que resumirá la información en la muestra que es relevante a la hipótesis. Una hipótesis nula del es una hipótesis que es verdad presumido hasta que una prueba de la hipótesis indique de otra manera. Es típicamente una declaración sobre un parámetro que sea una característica de una población. El parámetro es a menudo una desviación mala o estándar.

No inusualmente, tal hipótesis indica que los parámetros o las características matemáticas, de dos o más poblaciones ser idéntico. Por ejemplo, si queremos comparar las puntuaciones del test de dos muestras al azar de hombres y de mujeres, la hipótesis nula sería que la cuenta mala en la población masculina de quien la primera muestra fue extraída, era igual que la cuenta mala en la población femenina de quien la segunda muestra fue extraída:

$H\_0:\; \backslash \; mu\_1\; =\; \backslash \; mu\_2$ donde: H del ₀ = el &mu del
de la hipótesis nula; ₁ = el medio de la población 1, y &mu del
; ₂ = el medio de la población 2. El operador de igualdad hace esto un la prueba con dos colas . La hipótesis alternativa puede ser mayor que o menos que la hipótesis nula. En un uno-atado probar, el operador es una desigualdad, y la hipótesis alternativa tiene direccionalidad:

Éstos a veces se llaman una hipótesis del de la diferencia significativa porque usted está probando la diferencia entre dos grupos con respecto a una variable.

Alternativo, la hipótesis nula puede postular que las dos muestras están extraídas de la misma población:

$H\_0:\; \backslash \; mu\_1\; -\; \backslash \; mu\_2\; =\; 0$

Una hipótesis del de la asociación es donde hay una población, solamente dos rasgos que son medidos. Es una prueba de la asociación de dos rasgos dentro de un grupo.

La distribución de la estadística de prueba se utiliza para calcular los sistemas de la probabilidad de valores posibles (generalmente un intervalo o una unión de intervalos). Entre todos los sistemas de valores posibles, debemos elegir uno que pensemos representemos el más extremo de la evidencia contra la hipótesis. Eso se llama la región crítica de la estadística de prueba. La probabilidad de la estadística de prueba que baja en la región crítica cuando la hipótesis está correcta se llama el valor alfa del de la prueba. Después de que los datos estén disponibles, se calcula la estadística de prueba y determinamos si está dentro de la región crítica. Si la estadística de prueba está dentro de la región crítica, después nuestra conclusión es o la hipótesis es incorrecta, o un acontecimiento de la probabilidad inferior o igual de la alfa del ha ocurrido. Si la estadística de prueba está fuera de la región crítica, la conclusión es que no hay bastante evidencia para rechazar la hipótesis.

El nivel de significación del de una prueba es la probabilidad máxima accidentalmente de rechazar una hipótesis nula verdadera del (una decisión conocida como tipo error de I). Por ejemplo, uno puede elegir un nivel de significación de el, por ejemplo, 5%, y calcula un valor crítico del de una estadística (tal como el medio) de modo que la probabilidad de ella que excede ese valor, dada la verdad de la hipótesis nula, fuera el 5%. Si el real, valor calculado de la estadística excede el valor crítico, después es " significativo del ; en el level" del 5%;.

Tipos de pruebas de la hipótesis

Pruebas paramétricas de una sola muestra: Prueba T
Prueba Z
Pruebas paramétricas de dos muestras independientes: prueba del dos-grupo t
prueba de z
Pruebas paramétricas de muestras apareadas: prueba apareada de t
Prueba llana nominal/ordinal de una sola muestra: Ji-cuadrado
Kolmogorov-Smirnov una prueba de muestra
prueba de los funcionamientos
prueba binomial
Prueba llana nominal/ordinal de dos muestras independientes: ji-cuadrado
Mann-Whitney U
Mediano
Prueba de muestra de Kolmogorov-Smirnov dos
Prueba llana nominal/ordinal para las muestras apareadas: Prueba de Wilcoxon
Prueba de McNemar

Punto del a recordar:

• Si una variable (e. preferencia del de los respondences en color de un producto) es cociente del intervalo escalado y resuelve una cierta asunción estadística (e. normalidad), después es elegible para la prueba paramétrica .
  Si una variable (e. género del u orden espesa del de pocos productos en sus ciertas cualidades ) es ordinal nominal escalado y/o no resuelve una cierta asunción estadística (e. normalidad), después no es elegible para la prueba paramétrica. En esta situación tenemos que utilizar la prueba no paramétrica .

Debemos utilizar la prueba no paramétrica solamente si la variable de la muestra no es elegible para la prueba paramétrica. Recordar eso, la prueba no paramétrica se utiliza sobre todo y técnica empleada mal en el mundo.

Confiabilidad y validez

La investigación se debe probar para la confiabilidad, el generalizability, y la validez . El Generalizability es la capacidad de hacer inferencias de una muestra a la población.

La confiabilidad es el grado a el cual una medida producirá resultados constantes. Prueba-reexaminar los cheques de la confiabilidad cómo es similar los resultados son si la investigación se repite bajo circunstancias similares. La estabilidad sobre medidas repetidas se determina con el coeficiente de Pearson. La alternativa forma cheques de la confiabilidad cómo es similar los resultados son si la investigación se repite usar diversas formas. Cheques de la confiabilidad de la consistencia interna como de bien las medidas individuales incluidas en la investigación se convierten en una medida compuesta. La consistencia interna puede ser determinada correlacionando funcionamiento en dos mitades de una prueba (confiabilidad de la prueba bipartida). El valor del coeficiente de correlación del producto-momento de Pearson se ajusta con la fórmula de la predicción de Lancero-Brown para corresponder a la correlación entre dos pruebas integrales. Una medida de uso general es el α de Cronbach, que es equivalente al medio de todos los coeficientes posibles de la prueba bipartida. La confiabilidad puede ser mejorada aumentando el tamaño de muestra.

La validez pregunta si la investigación midió a lo que pensó. La validación contenta (también llamada validez de la cara) comprueba como de bien el contenido de la investigación se relaciona con las variables que se estudiarán. Es el representante de las preguntas de la investigación de las variables que son investigadas. Es una demostración que los artículos de una prueba están extraídos del dominio que es medido. La validación del criterio comprueba cómo es significativo los criterios de la investigación están concerniente a otros criterios posibles. Cuando el criterio se recoge más adelante la meta es establecer validez profética. La validación de la construcción comprueba se está midiendo qué construcción subyacente. Hay tres variantes de la validez de la construcción. Son validez convergente (como de bien la investigación se relaciona con otras medidas de la misma construcción), validez discriminante (cómo la investigación se relaciona mal con las medidas de construcciones de oposición), y validez nomological (como de bien la investigación se relaciona con otras variables según los requisitos de teoría).

La validación interna, usada sobre todo en diseños experimentales de la investigación, comprueba la relación entre las variables dependientes y independientes. ¿La manipulación experimental de la variable independiente causó realmente los resultados observados? La validación externa comprueba si los resultados experimentales pueden ser generalizados.

La validez implica confiabilidad: una medida válida debe ser confiable. Pero la confiabilidad no implica necesario validez: una medida confiable no necesita ser válida.

Tipos de errores

Errores de muestreo al azar del : muestra demasiado pequeña
representante de la muestra no
el método de muestreo inadecuado utilizó
errores al azar Errores del diseño de la investigación del : el diagonal introdujo
error de medida
error del análisis de datos
error del marco de muestreo
error de la definición de la población
error de escalamiento
error de construcción de la pregunta Errores del entrevistador del : errores de la grabación
errores de engaño
errores que preguntan
error de la selección del respondedor Errores del respondedor del : error de la ausencia de respuesta
error de la inhabilidad
error de la falsificación Errores de la hipótesis del : Tipo error de I (también llamado error alfa) los resultados del estudio llevan al rechazamiento de la hipótesis nula aunque es realmente verdad
Tipo error de II (también llamado error beta) los resultados del estudio llevan a la aceptación (no-rechazamiento) de la hipótesis nula aunque es realmente falsa

.

Zenithic

Charles Bonney

Random links:

Wann, Oklahoma | Mochlus | Mike Rozier | CA de Mohun Bagan | Morecambe y Lunesdale (distrito electoral BRITÁNICO del parlamento)