下载掌阅APP，畅读海量书库
立即打开
回到博文《访问量的启示》中，你还能看出哪些分析视角？
图3-3反映了新发博文当日阅读量与当日博客访问量之间的正向相关关系，新发博文当日阅读量越高，当日博客访问量也越高。这运用了相关视角。
相关视角探索的是事物间的某种联系。这种联系可能是因果关系，也可能是共存关系。利用相关视角，企业可以开展规模预测和精准营销。
利用相关视角可以帮助企业进行规模预测。
例如，企业想有产出，就要有生产要素的投入。生产要素包括技术、资本和劳动力。企业的技术越高、资本实力越雄厚、劳动力越多，产出量往往越大。技术、资本和劳动力是影响产出的关键因素，存在正向因果关系。因此，企业可以建立回归模型，根据技术、资本和劳动力的投入预测自己的产出规模。这个模型就是道格拉斯生产函数—
（其中，
y
表示产出，
A
、
K
、
L
分别表示技术、资本和劳动力，
α
为资本弹性系数，
β
为劳动力弹性系数，
μ
为随机干扰项）。
利用相关视角还可以帮助企业开展精准营销。
假设设置了下面的题目。
请问你最喜欢以下哪种颜色？
A灰色 B黄色 C绿色 D橙色 E紫色 F其他_____________【请注明】
根据这个题目对受访者进行调查，统计结果如图3-8所示。
这样的结果能支持精准营销吗？显然不能！
这个统计结果只能告诉我们受访者整体的颜色偏好，却不能告诉我们到底什么人喜欢什么颜色。而当我们不知道什么人喜欢什么颜色时，就无法开展精准营销。换句话说，要开展精准营销，就要搞清楚用户特征与用户态度偏好的相关关系。
图3-8 整体颜色偏好统计结果
以性别和颜色偏好为例，需要回答两个问题：
●用户性别是否会影响用户对颜色偏好的选择？
●如果有影响，男性偏好什么颜色、女性偏好什么颜色？
于是，我对受访者的性别进行调查，并将受访者的性别与颜色偏好做交叉分析，得到如表3-3所示的结果。
表3-3 性别和颜色偏好交叉分析结果
从表3-3中能得出什么结论？男性更喜欢灰色，而女性更喜欢黄色、绿色、橙色和紫色。
这个结论严谨吗？
不严谨！因为在判断男性和女性各喜欢什么颜色之前，首先要判断性别是否会对颜色偏好产生影响，即颜色偏好是否与性别相关。若不相关，那么就不存在不同性别的用户在颜色偏好上的对比。
如何判断相关性？可能你会想到相关系数 r ，但是相关系数要求变量是数值型数据，而这里性别和颜色偏好都是分类型数据，不适合计算相关系数。可以使用方差分析。
什么是方差分析？以表3-3为例，该表中的数据是总体信息（SST），它由两部分构成：组间差异（SSR）和组内差异（SSE），三者的关系是：SST=SSR+SSE。
什么是组间差异？顾名思义，组间差异就是指组和组之间的差异。在本例中是用性别分组的，因此，组间差异反映的是由于性别的不同引起用户对颜色偏好的差异。
什么是组内差异？顾名思义，组内差异就是指每组内部的差异。比如，同为男性的颜色偏好差异或者同为女性的颜色偏好差异。所以，组内差异不是由性别引起的，而是由性别以外的其他因素引起的，比如收入、年龄、职业、抽样等。
在什么情况下，才能说不同性别者对颜色偏好存在显著性差异，即性别与颜色偏好相关？
试想，如果组内差异很大、组间差异很小，则说明颜色偏好的不同不是由性别引起的，即性别不是产生颜色偏好差异的主要因素。因此，若要得出性别与颜色偏好相关的结论，则需要组间差异足够大、组内差异足够小。
而同时刻画组间差异和组内差异的指标是 F 统计量。你不需要记住 F 统计量的计算公式，只需知道 F 统计量的伴随概率为 P ， P 表示组间差异SSR=0发生的可能性即可。
如前所述，若性别与颜色偏好相关，则组间差异要足够大，这意味着SSR=0是一个小概率事件，即 P 的值很小。小到什么程度？在统计学中，要比显著性水平 α 还小。所以，方差分析的检验标准是 P ＜ α （ α 的默认值为0.05）。
如表3-4所示是本例方差分析的结果。从该表可知， P （即表中的显著性）=0.047，小于 α （ α 的默认值为0.05）。通过方差分析检验，表明性别与颜色偏好相关，不同性别者在颜色偏好上存在显著性差异。所以，在颜色上，应该针对不同性别者开展精准营销。
表3-4 单因素方差分析结果
结合前面交叉分析的结果（见表3-3），可以果断地得出结论：
针对男性，应主打灰色的产品；而针对女性，则可推出黄色、绿色、橙色和紫色的产品。