Referências de Marketing e Gestão de Marca

PESQUISA de 6ª EDIÇÃO UMA ORIENTAÇÃO APLICADA NARESH MALHOTRA AAKER D Abaixo os Silos AAKER D Construindo Marcas Fortes AAKER D Estratégia de Portfólio de Marcas AAKER D JOACHIMSTHALER E Como Construir Marcas Líderes FARRIS P BENDLE N PFEIFER P REIBSTEIN D Métricas de Marketing FISK P O Gênio do Marketing GUMMESSON E Marketing de Relacionamento Total Gerenciamento de Marketing Estratégia de Relacionamento e Abordagens de CRM para a Economia de Rede 3ed KOTLER P O Marketing sem Segredos KOTLER COLS Marketing Estratégico para a Área da Saúde KOTLER P LEE N Coleção Wharton Marketing no Setor Público Um Guia para um Desempenho mais Eficaz KOTLER P LEE N Marketing Social 3ed KOTLER P LEE N Coleção Wharton Marketing contra a Pobreza KOTLER P PFOERTSCH W Gestão de Marca em Mercados B2B LIGHT L KIDDON J Seis Regras para a Revitalização da Marca LINDSTROM M Brand Sense Os Segredos Sensoriais por trás das Coisas que Compramos NEUMEIER M The Brand Gap O Abismo da Marca 2ed NEUMEIER M A Empresa Orientada pelo Design NEUMEIER M Zag A Estratégia No 1 das Marcas Bem Sucedidas RANGAN VK Transformando sua Estratégia de Ingresso no Mercado REIN I KOTLER P SHIELDS B Marketing Esportivo A Reinvenção do Esporte na Busca de Torcedores PARENTE J LIMEIRA T BARKI E Varejo para a Baixa Renda RUST RT ZEITHAML V LEMON KN O Valor do Cliente O Modelo que está Reformulando a Estratégia Corporativa SHETH J SOBEL A Clientes para Toda a Vida Como Grandes Profissionais Desenvolvem Sólidos Relacionamentos SILK A O Que é Marketing SIMON H BILSTEIN F LUBY F Gerenciar para o Lucro não para Participação de Mercado WHEELER A Design de Identidade da Marca 2ed CONHEÇA TAMBÉM PESQUISA de NARESH MALHOTRA wwwgrupoacombr 0800 703 3444 A Bookman Editora é parte do Grupo A uma empresa que engloba diversos selos editoriais e várias plataformas de distribuição de conteúdo técnico científico e profissional disponibilizandoo como onde e quando você precisar PESQUISA de NARESH MALHOTRA ADMINISTRAÇÃO MARKETING wwwgrupoacombr As empresas utilizam a pesquisa de marketing para garantir competitividade e evitar os altos custos de más decisões baseadas em informações desqualificadas Se você é um profissional do marketing entender os consumidores fornecedores parceiros de canal funcionários concorrentes e o ambiente é fundamental para desenvolver programas de marketing eficientes Se você não atua na área de marketing certamente a empresa ou a organização para a qual você trabalha utiliza informações de pesquisa de marketing para tomar decisões Você precisa saber como gerar tais informações e como avaliar sua relevância precisão e utilidade O processo de pesquisa que descrevemos neste livro é muito amplo e aplicase a qualquer área da administração não só ao marketing Portanto este livro vai auxiliá lo a ser mais eficiente no seu trabalho não importa em que área você atue Materiais disponíveis no site wwwgrupoacombr Os alunos podem acessar um variado conjunto de dados para auxiliar nos seus estudos Os professores devem visitar a Área do Professor para acessar material exclusivo deste livro PESQUISA de NARESH MALHOTRA 024966Pesquisa de Marketing 1 220911 1726 M249p Malhotra Naresh K Pesquisa de marketing recurso eletrônico uma orientação aplicada Naresh K Malhotra tradução Leme Belon Ribeiro Monica Stefani revisão técnica Janaina de Moura Engracia Giraldi 6 ed Dados eletrônicos Porto Alegre Bookman 2012 Editado também como livro impresso em 2012 ISBN 9788540700628 1 Marketing 2 Pesquisa de marketing I Título CDU 658800552 Catalogação na publicação Ana Paula M Magnus CRB 102052 CAPITULO 17 CORRELACAO E REGRESSAO 427 Como fazer analise de reg ressao bivariada combinag6es incomuns das duas varidveis podem ser facilmente ays identifi AFi 17 tra um grafico de Y atitude em re As etapas a serem desenvolvidas na andlise de regressado bivariada Ircao etl compara decom item de resi encin Os pontos sao descritas na Figura 172 Suponha que o pesquisador pretenda g P P 1a SS PB ae Sans parecem disporse em uma faixa que vai da esquerda inferior para a explicar atitudes em relacdo 4 cidade de residéncia em termos da direita superior Pod ver logo o padrio 3 medida que uma das duracao da residéncia ver Tabela 171 Para deduzir tais relacio on a SUPETION FOCESE VE es P d namentos muitas vezes titil examinar em primeiro lugar um dia varidveis aumenta a outra também aumenta Por esse grafico pare rama de dis ersiio ce que a relacdo entre X e Y é linear podendo ser descrita por uma 8 P linha reta Como determinar a reta que melhor descreve os dados Fazer o diagrama de dispersao A técnica mais comum de ajuste de uma linha reta a um dia rama de disperséo é o procedimento dos minimos quadrados Um diagrama de dispersaéo é um grafico dos valores de duas varia nar P SOP imos 4 o Essa técnica determina a reta de melhor ajuste minimizando o qua veis para todos os casos ou observacoes E costume grafar a varidvel eer waren drado das distancias verticais de todos os pontos a partir da reta e dependente no eixo vertical e a variavel independente no eixo hori Fi a tal O diacrama de dispersio serve para determinar a forma da esse procedimento é chamado de regress4o dos minimos quadrados zona ws P P ordinarios MQO A reta de melhor ajuste é chamada de reta de re relacdo entre as varidveis e pode alertar 0 pesquisador quanto a de ow terminados padroes dos dados ou possiveis problemas Quaisquer gressGo Qualquer ponto que nao esteja sobre a reta de regressao nao é plenamente considerado A distancia vertical do ponto até a reta é 0 erro é ver Figura 175 Elevamse ao quadrado as distancias de todos os pontos até a reta e somamse os resultados obtendose a soma dos quadrados dos erros que é a medida do total dos erros de Ao ajustar a reta o procedimento de minimos quadrados minimiza a soma dos quadrados dos erros Colocandose Y no eixo vertical e X no eixo horizontal como na Figura 175 a reta de melhor ajuste é chamada de regressdo de Y em funcao de X pois as distancias ver ticais sio minimizadas O diagrama de dispersao indica se a relacao entre Y e X pode ser modelada como em uma linha reta e consequen a a temente se o modelo de regressAo bivariada é apropriado Procedimento dos minimos quadrados Técnica de ajuste de uma linha reta a um diagrama de dispersao pela minimizacao do quadrado das distancias verticais de todos os pontos a partir da reta Tal procedimento 6 denominado regressao dos mini mos quadrados ordinarios Formular o modelo de regressao bivariada No modelo de regressao bivariada a forma geral de uma reta é a Y B Bix onde X varidvel independente ou previsora FIGURA 172 Como fazer uma analise de regressao bi B intercepto da reta variada B coeficiente angular da reta SPSS 9 e e e SPSS Arquivo de Saida e s 2 6 e 9sas SAS Arquivo de Saida 3 e e 225 45 675 9 1125 135 1575 18 Duragao da residéncia FIGURA 173 Grafico da atitude versus tempo de residéncia N de T Ordinary leastsquares OLS 428 PARTE Ill COLETA PREPARACAO E ANALISE DE DADOS E RELATORIO 9 Linha 3 ZZ o d 3 225 45 675 9 1125 135 1575 v Duracao da residéncia FIGURA 174 Que linha reta é a melhor Este modelo implica uma relacao deterministica no sentido de Estimar os parametros que Y é completamente determinado por X O valor de Y pode set Na maioria dos casos B e B sio desconhecidos e devem ser es perfeitamente previsto desde que conhegamos f e B Em pesqui timados com base nas observagGes amostrais mediante a equacao sa de marketing entretanto poucas relagG6es séo deterministicas Por isso 0 processo de regresso acrescenta um termo de erro para a bx responder pela natureza probabilistica ou estocastica da relagdo A x Lot x A equagao basica da regressdo se escreve onde Y 0 valor estimado ou previsto de Y e a e b estimam B e B respectivamente A constante b costuma ser chamada de co Y Bo BiX e Pr tesp 2 eficiente de regressao nao padronizado E 0 coeficiente angular da Onde e 0 termo de erro associado a iésima observacio A es reta de regressAo e indica a variag4o esperada em Y quando X varia timagao dos parametros de regressio B e B relativamente simples de uma unidade As formulas para 0 cdlculo de a e b sao simples y j Bot Bix re yh i toe oi co Pei aN 1 Y Xx FIGURA 175 Regressao bivariada CAPITULO 17 CORRELACAO E REGRESSAO 429 O coeficiente angular b pode ser calculado em termos da covarian aY bx cia entre X e Y COV e da variancia de X como 6583 058979333 b COV 10793 Sr Observe que esses coeficientes foram estimados com base nos S x XY Y dados brutos nao transformados Se a padronizagaéo dos dados e for considerada desejavel 0 calculo dos coeficientes padronizados n também pode ser feito de imediato X ml Estimar o coeficiente de regressao padronizado n XY nXY Padronizagao é 0 procedimento pelo qual os dados brutos sao trans il formados em novas varidveis com média 0 e variancia Capitulo a 14 Quando os dados sao padronizados 0 intercepto toma o valor DXi nX 0 U i jente b b d S Usase a expresso coeficiente beta ou peso beta para denotar 0 coeficiente de regressao padronizado Neste caso o coeficiente Podese entao calcular 0 intercepto a como angular obtido pela regressao de Y sobre X B 0 mesmo que o coeficiente angular obtido pela regressdo de X sobre Y B Além a Y bx es 5 x disso cada um desses coeficientes de regressdo é igual 4 correlagao Para os dados da Tabela 171 podese ilustrar a estimagao dos simples entre Xe Y parametros como segue BBr 12 DXi 106 129 128 43 1210 64 Ha uma relac4o simples entre os coeficientes de regressao pa il dronizados e nao padronizados 85 22 18A1 99 A7C0 22 P 917 B by88y 12 x Six 102 1224124441246 Para os resultados de regressdo dados na Tabela 172 0 valor do A coeficiente beta é estimado em 09361 Observe que esse também é 874274 18 49 17 2 o valor de r calculado anteriormente neste capitulo 1350 Uma vez estimados os pardmetros podem ser testados quanto i onificancia Convém lembrar de calculos anteriores da correlagdo simples que a sua signicanera X 9333 Testar a significancia Y 6583 Podemos testar a significancia estatistica da relagao linear entre X e Y examinando as hipéteses Dado n 12 podese calcular b como segue 917 1293336583 Mo By 0 b H 1 By 0 1350 129333 05897 A hipétese nula implica que nao ha qualquer relagao linear entre Xe Y A hip6étese alternativa é que ha alguma relac4o positiva ou eS ae SPSS Regressao bivariada R miltiplo 093608 SPSS Arquivo de Saida R 087624 R ajustado 086387 9 Sas Erro padrao 122329 7 Andlise da variancia Quadrado SAS Arquivo de Saida gl Soma de quadrados médio Regressao 1 10595222 10595222 Residual 10 1496444 149644 F 7080266 Significancia de F 00000 Variaveis na equacgao Variavel b EP Beta B t Significancia de t Tempo de residéncia 058972 007008 093608 8414 00000 constante 107932 074335 1452 01772 430 PARTE Ill COLETA PREPARACAO E ANALISE DE DADOS E RELATORIO negativa entre X e Y Em geral fazse um teste bicaudal Podese Onde utilizar uma estatistica t com n 2 graus de liberdade onde h b SQ Di VY t EP Mey SQreg pv Y EP denota o desviopadrao de b e é chamado de erro padréo A m distribuigao t foi estudada no Capitulo 15 SOres Su Com um programa de computador a regressao da atitude so I bre o tempo de residéncia utilizandose os dados da Tabela 171 Podese ento calcular a intensidade da associacdo apresentou os resultados da Tabela 172 O intercepto a é 10793 e Sao 0 coeficiente angular b é 05897 Portanto a equacao estimada é 5 SQree r Atitude Y 10793 05897 tempo de residéncia SQ O erro padrao ou o desviopadrao de b é estimado em 007008 SQy SQres e o valor da estatistica t t 05897007008 8414 com n2 SQ 10 graus de liberdade Na Tabela 4 dos Apéndices Estatisticos 5 vemos que 0 valor critico de t com 10 graus de liberdade e a 005 Para ilustrar os cdlculos de r consideremos novamente o efei 2228 para um teste bicaudal Como o valor calculado de t maior to do tempo de residéncia sobre a atitude em relac4o 4 cidade Pelos do que 0 valor critico rejeitamos a hipotese nula Logo existe uma calculos anteriores do coeficiente de correlag4o simples sabemos relacdo linear significativa entre a atitude em relacdo a cidade e que o tempo de residéncia nela O sinal positivo do coeficiente angu n lar indica que essa relagao é positiva Em outras palavras os que SQ yy residem ha mais tempo na cidade tém atitude mais favoravel em ml relacdo a ela A implicac4o para gerentes autoridades municipais 1209168 politicos a mesma que a discutida para a correlagao simples Os valores previstos Y podem ser calculados com auxilio da sujeita 4 representatividade da amostra equaciio de regressiio f An A eA Determinar a intensidade e a significancia da Atitude Y 10793 05897 tempo de residéncia associagao Para a primeira observacao da Tabela 171 esse valor é Uma inferéncia relacionada envolve a determinacao da intensidade A e da significancia da associac4o entre Y e X A intensidade da re 10793 05897 x 10 69763 lagdo medida pelo coeficiente de determinagao r Na regressdo Para cada observacéo sucessiva os valores previstos sAo pela bivariada 7 é 0 quadrado do coeficiente de correlacgio simples ob ordem 81557 81557 34381 81557 46175 57969 22587 tido ao correlacionar as duas varidveis O coeficiente 7 varia entre 116939 63866 111042 22587 Portanto 0 e 1 e indica a proporgao da variaao total em Y que é ocasionada Ch pela variagéo em X A decomposiao da variacao total em Y é ana SQvee 2 69763 658332 81557 65833 loga a da andlise da variancia Capitulo 16 Conforme mostra a A 5 5 Figura 176 a variagao total SQ pode ser decomposta na variagao 81557 65833 34381 65833 proporcionada pela reta de regressao SQ 0 erro ou a variagado 81557 65833 46175 65833 residual SQ OU SQ Como segue 57969 65833 22587 65833 SQ SQyog SQres 116939 65833 63866 65833 111042 65833 22587 6 5833 y 01544 24724 24724 98922 24724 Vatiacto Variacdo residual 38643 06184 187021 261182 total SQ 00387 204385 187021 Variacgao explicada 50 sO ta 1059524 Y n SQres 69763 9 81557 il 8 81557 3 34381 10 81557 4 46175 5 57969 2 22587 Xx 11 116939 9 63866 2 2 FIGURA 176 Decomposicao da variacao total na re 10 111042 2 22587 gressdo bivariada 149644 CAPITULO 17 CORRELACAO E REGRESSAO 431 Podese ver que S Q S Qveg SQ Além disso ou de forma mais geral se ha k varidveis independentes SO Ss r ores EPE Qres S Q nk1 1059524 O EPE pode ser interpretado como uma espécie de residuo médio 1209168 ou erro médio na predicdo de Y com base na equacio de regressao 08762 Podem surgir dois casos de previsio O pesquisador pode que Outro teste equivalente para examinar a significancia darela 1 predizer 0 valor médio de Y para todos os casos com um de cdo linear entre X e Y significancia de b 0 teste da significdncia terminado valor de X digamos Xo ou prever 0 valor de Y para um do coeficiente de determinagdo As hipoteses neste caso so tinico casg Em ambas as situagoes 0 valor previsto é o mesmo e 5 dado por Y onde Ay R 4 9 H R 50 Yat bXo I pop A estatistica de teste apropriada a estatistica F Entretanto o erro padrao é diferente nas duas situagdes embora em Prop ambas seja uma fun4o do EPE Para grandes amostras 0 erro pa p SQreg drao na predicao do valor médio de Y é EPEVn e para predizer SQwesn 2 valores individuais de Y é EPE Logo a construc4o de intervalos distribuicdo F 1 7 de liberdade O F de confianga ver Capitulo 12 para os valores previstos varia con ane lk str cali ea ver wer C t i 15 teste forme estejamos prevendo o valor médio ou o valor para uma unica é uma forma generalizada do teste t ver Capitulo 15 Se uma va observaci ae Sn cao ridvel aleatoria tiver distribuicao t com n graus de liberdade entiao Para os dados da Tabela 172 0 EPE é estimado conforme a t tem distribuigéo F com 1 en graus de liberdade Logo o teste F seguir para testar a significancia do coeficiente de determinac4o é equiva lente a testar as seguintes hipoteses 149644 EPE Hy B 0 12 2 HB 0 122329 Pl Ou As duas etapas finais da regressao bivariada a saber 0 exame dos Hy p 0 residuos e a validacdo cruzada do modelo seréo consideradas mais adiante Hy p 0 Pela Tabela 172 podese ver que Suposicoes 1059524 O modelo de regressdo exige varias suposi6es na estimativa dos pa r 1059524 149644 yer 149644 rametros e no teste de significancia conforme mostra a Figura 175 08762 1 O termo de erro tem distribuigo normal Para cada valor fixo lor id calculad O valor d de X a distribuicgdo de Y é normal que ve valor Ja caiculado anterlormente O valor da esta 2 As médias de todas essas distribuigdes normais de Y dado X ustica I situamse em uma reta de coeficiente angular b Fe 1059524 3 A média do termo de erro 0 14964410 4 A variancia do termo de erro constante Essa varidncia nao 708027 depende dos valores que X toma 5 Os termos de erro nfo sao correlacionados Em outras pala com e 10 graus de liberdade A estatistica F calculada excede 0 vras as observacées sao extraidas independentemente ee valor critico de 496 obtido na Tabela 5 dos Apéndices Estatisticos das outras Portanto a relac4o é significativa ao nivel a 005 corroborando os resultados do teste Se a relacdo entre X e Y for significativa Mediante exame dos residuos podese obter uma visualizacao faz sentido prever os valores de Y com base nos valores de X e esti do alcance dessas suposigdes Esse assunto abordado na proxima mar a preciso da predicao secao sobre regressao miltipla Verificar a precisao da previsao PESQUISA ATIVA Para estimar a precisao dos valores previstos Y convém calcular o erro padrao da estimativa EPE Essa estatistiga 0 desviopadrao Associando a propaganda e as vendas da Ford dos valores reais de Y em relagao aos valores Y previstos Acesse wwwfordcom e pesquise na Internet utilizando um dispo sitivo de busca e no banco de dados online de sua biblioteca infor s Y ry macoes sobre as relagdes entre propaganda e vendas para fabricantes A de autom6veis EPE n2 Formule um modelo de regressao bivariada explicando a relacgao Ou entre propaganda e vendas na industria automobilistica SO Como diretor de marketing da Ford Motor Company como vocé EPE 3 determinaria suas despesas com propaganda Van 432 PARTE Ill COLETA PREPARACAO E ANALISE DE DADOS E RELATORIO Reg ressao multipla estudo as promocgoes de vendas apenas incentivam uma troca momen x aiae a tanea de marca e simplesmente melhoram 0 desempenho a curto prazo A regressao multipla envolve uma Unica varidvel dependente e es Leak para as empresas Além disso no longo prazo uma promogao de ven duas ou mais varidveis independentes As quest6es suscitadas no oo ws 50 bivariad 4 wid das pode implicar uma baixa qualidade ou imagem de marca instavel contexto da regressao bivaria a também po em ser Teso vidas v1a frente aos consumidores ou pode inclusive confundilos 0 que poderia Tegressao multipla com a consideragao de variaveis independentes também levar a um declinio na fidelidade a marca Os resultados desse adicionais estudo mostram que sacrificar a propaganda e confiar nas promocées de A variacdo nas vendas pode ser explicada em termos da va vendas reduz as associag6es de marca o que finalmente acabara levando oe 7 14 riacio nas despesas de propaganda nos precos no nivel de a uma diminuicao nas compras por fidelidade 4 marca distribuicao A variacao na participacéo de mercado pode ser decorréncia A forma geral do modelo de regressio multipla é do tamanho da equipe de vendas das despesas de propaganda e dos orgamentos de promocio de vendas Y Bo BiX1 BoX B3X3 ByXe A conscientizagéo dos consumidores quanto a qualidade é ee x que é estimado pela seguinte equacao determinada pela sua percepc4o quanto a pregos imagem e 9 A atributos da marca Yart bX bX b3X3 i b Xx regressao multipla modelo de rearessdo multipla Técnica estatistica que desenvolve simultaneamente uma relagao ma elo e ee i ipla itados d slise d tematica entre duas ou mais variaveis independentes e uma variavel veal USAGa Para EXplical OS Fesultados Ga analise de regressdo dependente intervalar murupla A regresséo multipla pode também responder a outras questGes Como anteriormente Coeficiente a rep n esenta intercep to mas os bs s4o agora coeficientes de regressao parcial O critério de Quanto da variagao nas vendas pode ser explicado pelas des minimos quadrados estima os parametros de forma a minimizar 0 pesas de propaganda pelos pregos e pelo nivel de distribuigao erro total SQEsse processo também maximiza a correlagao entre Qual é a contribuicéo das despesas de propaganda para expli A x Q oe s P P P 8 P P os valores reais de Y e os valores previstos Y Todas as suposig6es car a variagéo nas vendas quando os niveis de precos e de ws an ar Sow feitas na regressao bivariada aplicamse também a regressaéo multi distribuico sao controlados fas oo pla A seguir definimos algumas estatisticas associadas e posterior Que niveis de venda podemos esperar dados os niveis de des ay wate 15 eee mente descrevemos 0 processo da andlise de regresséo miultipla pesas de precos e de distribuicao Estatisticas associadas a regressao multipla ie real A maioria das estatisticas e dos termos estatisticos utilizados na regressao bivariada também se aplicam a regressao multipla Além g b da tamb pl g Itipla Al Marcas globais anuncios locais disso so empregadas as seguintes estatisticas 2 2 4 sos Os europeus sao receptivos a produtos de outros paises mas quando se R qjustado R coeficiente de determinagao multipla ajus trata de propaganda preferem a prata da casa Em uma pesquisa feita tado para o numero de variaveis independentes para 0 ta por Yankelovich and Partners wwwyankelovichcom e suas afiliadas manho da amostra levando em conta os retornos decrescentes constatouse que os comerciais favoritos da maioria dos europeus se Apos as primeiras varidveis as varidveis independentes adi referiam a marcas locais embora eles nio hesitem em comprar produtos cionais nao oferecem grande contribuicao de marcas estrangeiras Respondentes na Franga na Alemanha e no Rei Coeficiente de determinacao miiltipla a intensidade de asso no Unido indicaram a CocaCola como o refrigerante mais comprado ciacaio em regressio miiltipla é medida pelo quadrado do coe Entretanto os franceses escolheram como favorito 0 anuncio da afa ficiente de correlacao multipla R que chamado também de mada e premiada agua Perrier Na Alemanha o antncio preferido foi coeficiente de determinacao miiltipla o de uma marca alema de cerveja sem alcool Clausthaler No Reino Unido porém a CocaCola foi nao apenas a bebida favorita como a Teste F 0 teste Fe usado para testar a hipotese nula de que preferida na propaganda A luz desses resultados a questio importante 0 coeficiente de determinacao multipla na populagao R é a propaganda ajuda Ela contribui para aumentar a probabilidade de zero Isso equivale a testar a hipdtese nula Hy B B B venda da marca ou apenas mantém em alta o conhecimento da marca B 0 A estatistica de teste tem distribuigao F com k e Uma forma de resolver esse problema consiste em fazer uma regressao nk1 graus de liberdade na qual a varidvel dependente é a probabilidade de compra da marca e Teste F parcial podese testar a significdncia de um coefi as variaveis independentes sao as avaliag6es das qualidades do produto ciente de regressio parcial B de X com auxilio de uma esta avaliagoes da propaganda Podem ser elaborados modelos separados tistica F incremental A estatfstica F incremental se baseia no com Pp ropaganda sem ela p ara avaliar qualquer diferenga significativa incremento da soma explicada de quadrados resultante da adi na contribuigaéo Podem também ser analisados testes t para verificar a te x ee em cao da varidvel independente X 4 equacao de regressio apds contribuiao significativa tanto dos atributos da marca como da propa Ly ae 4 terem sido incluidas todas as outras varidveis independentes ganda Os resultados indicam até que ponto a propaganda desempenha um papel importante nas decisdes de compra da marca Junto a esses Coeficiente de regressao parcial 0 coeficiente de regressao resultados um estudo realizado recentemente revelou que a tentativa de parcial b denota a variacdo no valor previsto Y por unidade construir fidelidade na compra de uma marca por meio de promogées de de variagdo em X quando as outras varidveis independentes vendas nao é uma forma desejavel de alcangar esse objetivo Segundo 0 Xa X Sao mantidas constantes CAPITULO 17 CORRELACAO E REGRESSAO 433 Como fazer analise de regressao multipla Em outras palavras 0 coeficiente de regressao parcial b é igual Os passos para a elaboragdo de uma andlise de regress4o multipla ao coeficiente de regressao b entre Ye os residuos de x dos quais sao similares aos adotados na regressao bivariada O foco da dis foi removido efeito de X Podese dar interpretagao andloga ao cuss4o reside nos coeficientes de regressdo parcial intensidade de Coeficiente p arcial by Leo as associagao teste de significancia e avaliagao de residuos A extensao ao caso de k varravels imediata O coeticiente de regressao parcial b representa a variacdo esperada em Y quando Coeficientes de regressao parcial X varia de uma unidade eXaX sao mantidas constantes Pode ser Para entender o significado de um coeficiente de regressao parcial interpretado também como 0 coeficiente de regressao bivariada b consideremos um caso em que ha duas variaveis independentes de Para a Teeressao de Y sobre os residuos de X quando 0 efeito de X forma que aX foi removido de X Nn Os coeficientes beta séo os coeficientes de regressdo parcial YabXbX obtidos quando todas as varidveis YX X X foram padronizadas Observemos inicialmente que a magnitude relativa do coeficiente com média Oe variancia antes de estimar a equagao de Pesressao de regress4o parcial de uma variavel independente costuma ser dife A relagao dos coeficientes padronizados para os nao padronizados rente daquela do seu coeficiente de regresséo bivariada Em outras a mesma que a anterior palavras 0 coeficiente de regressao parcial b sera diferente do Sy coeficiente de regressao b obtido ao fazermos Y regredir sobre X Bb somente Isso ocorre porque X e X séo geralmente correlacionadas Na regressao bivariada nao consideramos X e qualquer variagao em Y compartilhada por X e X foi atribuida a X Entretanto no caso de variaveis independentes miultiplas isso nao se justifica mais Sxy A interpretagao do coeficiente de regressao parcial b que B ele representa a variacao esperada em Y quando X varia de uma unidade mas X é mantida constante ou controlada de outra forma O intercepto e os coeficientes de regressao parcial sao estima De maneira semelhante b representa a variagio esperadaem Y dos ao resolver um sistema de equagGes simultaneas obtido ao dife para uma variacgao unitaria em X quando X é mantida constante renciar e igualar a 0 as derivadas parciais Como esses coeficientes E pois adequada a designaciio de coeficientes de regressio parcial séo estimados automaticamente por varios programas de computa para b e b Podese ver também que os efeitos combinados de X e dor nao vamos apresentar os detalhes Cabe notar entretanto que X sobre Y sao aditivos Em outras palavras se X e X variam cada as equacGes nao podem ser resolvidas se 1 0 tamanho da amostra um de uma unidade a variacao esperada em Y sera b b n no superar o numero de varidveis independentes k ou 2 uma Conceitualmente podese ilustrar como segue a relacdo entre variavel independente tiver correlacao perfeita com outra 0 coeficiente de regressao bivariada e o coeficiente de regressao Suponha que ao explicar a atitude em relagao a cidade intro parcial Suponhamos que se deva remover de X 0 efeito de X Para duzamos uma segunda variavel a importancia atribuida ao clima tanto fazemos uma regressao de X sobre X Em outras palavras A Tabela 171 apresenta os dados dos 12 entrevistados em um teste estimariamos a equagdo X a bX e calculariamos o residuo X preliminar sobre atitude em relagdo 4 cidade tempo de residéncia X X O coeficiente de regressao parcial b é igual ao coe e importancia atribuida ao clima A Tabela 173 exibe os resultados ficiente de regressdo bivariada b obtido da equagio YabX da andlise de regressao multipla O coeficiente de regressao parcial Spss Regressao multipla R miltiplo 097210 SPSS Arquivo de Saida R 094498 R ajustado 093276 9 Sas Erro padrao 085974 Analise da variancia Quadrado SAS Arquivo de Saida gl Soma de quadrados médio Regressao 2 11426425 5713213 Residuo 9 665241 073916 F 7729364 Significancia de F 00000 Variaveis na equagdo Variavel b SE Beta B t Significancia de t Importancia 028865 008608 031382 3353 00085 Tempo 048 108 005895 076363 8160 00000 Constante 033732 056736 0595 05668 434 PARTE Ill COLETA PREPARACAO E ANALISE DE DADOS E RELATORIO para o tempo de residéncia X agora é 048108 diferente do que Esse valor é maior do que o valor de r 08762 obtido no caso era no caso bivariado O coeficiente beta correspondente é 07636 bivariado que é o quadrado da correlacao simples momento O coeficiente de regress4o parcial para a importancia atribuida ao produto entre atitude em relacdo a cidade e tempo de residéncia clima X 028865 com um coeficiente beta de 03138 A equa O R obtido na regressio miltipla também é maior do que o qua cao estimada de regressdo é drado da correlacdo simples entre atitude e importancia atribuida A ao clima que pode ser estimada em 05379 O R ajustado é es Y 033732 048108X 028865X timado em Ou R ajustado 210 09450 Atitude 033732 048108 Tempo 028865 Importancia ajustado 09450 9 4 Essa equacao pode ser utilizada para varios fins inclusive a previ 09328 sao de atitudes em relacgao 4 cidade com base no conhecimento do to oo tempo de residéncia dos entrevistados na cidade e a importancia Observ que o valor de R ajustado esta proximo de R ambos sao que eles atribuem ao clima maiores do que 7 para o caso bivariado Isso sugere que 0 acrés cimo da segunda varidvel independente importancia atribuida ao Intensidade de associ acado clima d4 uma contribuicgdo para explicar a variaco da atitude em Podese determinar a intensidade da relagao estipulada pela equa relagao a cidade gao de regressao utilizando medidas adequadas de associacao A Teste da si gnifi cancia variaga4o total se decompée como no caso bivariado Coe Esse teste envolve o teste da significancia nao s6 da equacao de SQ SQ SQs regressao global como dos coeficientes especificos de regressaio Onde parcial A hipotese nula para o teste global é que o coeficiente de determinacgdo multipla na populacao R von é zero 80 Sy P Ho Roy 0 SQrep Yi yy Isso equivale a seguinte hipotese nula Hy B By Bs B 0 y 2 5Qres Y O teste global pode ser feito com uma estatistica F A intensidade da associacao é medida pelo quadrado do coeficiente r SQreglk de correlacdo multipla R também chamado de coeficiente de de SQresn k 1 terminacdao miiltipla Rk SQreg q RMn k 7 1 Re SQ que tem distribuicao F com ke nk 1 graus de liberdade Para O coeficiente de correlagéo multipla R também pode ser visto os resultados de regressao miltipla da Tabela 173 como 0 coeficiente de correlacao simples 7 entre Y e Y Sao dignos 11426432 de nota varios pontos sobre as caracteristicas de R O coeficien pe 665249 772936 te de determinacdo miltipla R nao pode ser menor que o maior bivariado 7 de qualquer varidvel independente individual com a significativo ao nivel 005 varidvel dependente R sera maior quando as correlagées entre as Se a hipotese nula for rejeitada pelo menos um coeficiente de variaveis independentes forem baixas Se as varidveis independen Tegressao parcial da populagao diferente de zero Para determinar tes forem estatisticamente independentes nado correlacionadas que coeficientes especificos Bs sao diferentes de zero sao ne entio R sera a soma dos r bivariados de cada varidvel indepen cessarios testes adicionais O teste da significancia dos Bs pode dente com a varidvel dependente R nao pode decrescer quando se ser feito da maneira andloga ao do caso bivariado utilizando testes acrescentam mais varidveis independentes 4 equacéo de regressdo t A significancia do coeficiente parcial da importancia atribuida ao Entretanto em virtude dos retornos decrescentes as varidveis adi clima pode ser testada pela seguinte equacio cionais nao dao qualquer contribuicio sensfvel Por essa razdo R b é ajustado para o numero de variaveis independentes e 0 tamanho t EP da amostra pela formula b 02887 kL R R ajustado R kd RY 008608 nk1 3353 Para os resultados de regresséo dados na Tabela 173 0 valor de que tem distribuicdo t com nk 1 graus de liberdade Esse coefi 24 Re ciente é significativo ao nivel a 005 Testase de maneira analo 5 1142643 ga a significancia do coeficiente do tempo de residéncia que cons R 1142643 66524 tatamos ser significativa Logo tanto o tempo de residéncia como 45 a importancia atribuida ao clima s4o importantes para explicar a 09450 atitude em relac4o a cidade CAPÍTULO 17 CORRELAÇÃO E REGRESSÃO 435 Alguns programas de computador contêm um teste F equiva lente geralmente chamado de teste F parcial Esse teste envolve uma decomposição da soma de quadrados de regressão SQreg em componentes relativos a cada variável independente Na aborda gem padrão isso se faz supondo que cada variável independente tenha sido acrescentada à equação de regressão após terem sido incluídas todas as outras variáveis independentes O incremento na soma de quadrados explicada resultante da adição de uma variável independente é o componente da variação atribuída àquela variá vel e se denota por SQxi 18 Testase a significância do coeficiente de regressão parcial para esta variável com auxílio de uma estatística F incremental que tem distribuição F com 1 e n k 1 graus de liberdade Embora um valor alto de R 2 e coeficientes significativos de re gressão parcial sejam satisfatórios a eficácia do modelo de regres são deve ser avaliada mais cuidadosamente mediante o exame dos resíduos Exame dos resíduos Um resíduo é a diferença entre o valor observado de Yi e o valor previsto pela equação de regressão Y i Os resíduos são utilizados no cálculo de várias estatísticas associadas à regressão Além disso os diagramas de dispersão em que são diagramados os resíduos versus os valores previstos Y i tempo ou variáveis previsoras per mitem uma visão adequada das suposições fundamentais e da vali dade do modelo ajustado 19 resíduo Diferença entre o valor observado de Y e o valor previsto pela equa ção de regressão Y i A suposição de um termo de erro distribuído normalmente pode ser avaliada construindo um histograma dos resíduos padro nizados Uma verificação visual revela se a distribuição é normal Também é útil examinar o gráfico de probabilidade de normalidade dos resíduos padronizados que mostra os resíduos padronizados comparados a resíduos padronizados esperados de uma distribuição normal Se os resíduos observados forem normalmente distribuí dos eles ficarão em uma reta de 45 Além disso dê uma olhada na tabela de estatísticas residuais e identifique quaisquer valores padronizados previstos ou resíduos padronizados que são maiores do que um ou dois desviospadrão Essas porcentagens podem ser comparadas com o que se poderia esperar com a distribuição nor mal 68 e 95 respectivamente Com o teste KS de uma amostra fazemos uma avaliação mais formal A suposição de variância constante do termo de erro pode ser examinada diagramando os resíduos versus os valores pre vistos da variável dependente Y i Se o padrão não for aleatório a variância do termo de erro não é constante A Figura 177 mostra um padrão cuja variância depende dos valores de Y i Um gráfico dos resíduos ao longo do tempo ou da sequência de observações lançará alguma luz sobre a suposição de que os termos de erro não são correlacionados Se essa suposição for ver dadeira devese observar um padrão aleatório Um gráfico como o da Figura 178 indica uma relação linear entre os resíduos e o tempo O teste de DurbinWatson é um procedimento mais formal para estudar as correlações entre os termos de erro 20 O gráfico de resíduos versus variáveis independentes eviden cia se um modelo linear é adequado ou não Mais uma vez o grá fico deve apresentar um padrão aleatório Os resíduos dispõemse aleatoriamente com dispersão relativamente igual em torno de 0 e não devem apresentar qualquer tendência seja positiva ou negativa Para verificar se devemos incluir quaisquer variáveis adicio nais na equação de regressão podemos fazer uma regressão dos resíduos sobre as variáveis propostas Se qualquer variável explica uma proporção significativa da variação residual ela deve ser in cluída A inclusão de variáveis na equação de regressão deve ser fortemente orientada pela teoria do pesquisador Assim um estudo dos resíduos proporciona uma visualização valiosa da adequação das suposições básicas e do modelo que é ajustado A Figura 179 exibe um gráfico que indica que as suposições básicas são satis feitas e que o modelo linear é adequado Se o exame dos resíduos indicar que as suposições básicas da regressão linear não são satis feitas o pesquisador pode transformar as variáveis em uma ten tativa de satisfazer as suposições Transformações como extrair logaritmos ou raízes quadradas ou recíprocas podem estabilizar a variância normalizar a distribuição ou tornar linear a relação Os gráficos e as tabelas residuais podem ser pedidos quando a regressão é feita por exemplo ao usar o SPSS Você deve realizar essas análises para a regressão múltipla dos dados da Tabela 171 A partir do histograma podese ver que cinco resíduos são posi tivos enquanto sete são negativos Ao comparar a distribuição de Residuals Predicted Y Values Resíduos Valores previstos de Y FIGURA 177 Gráfico dos resíduos indicando que a va riância não é constante Residuals Time Resíduos Tempo FIGURA 178 Gráfico indicando uma relação linear en tre resíduos e tempo Residuals Predicted Y Values Resíduos Valores previstos de Y FIGURA 179 Gráfico de resíduos indicando que o mo delo ajustado é adequado Malhotra17indd 435 Malhotra17indd 435 150911 0857 150911 0857 436 PARTE Ill COLETA PREPARACAO E ANALISE DE DADOS E RELATORIO frequéncia com a distribuicao normal mostrada no mesmo resulta NVIT ntimero médio de vitdrias do time nas ultimas trés temporadas do visualizamos que a suposigao de normalidade provavelmente RENDA nivel médio de renda da populagiao da cidade nao é satisfeita mas que o desvio da normalidade pode nao ser PAG folha de pagamento do time significativo Certamente podemos fazer um teste estatistico mais POP tamanho da populagao da cidade formal para a normalidade se isso for garantido Todos os residuos estatisticos estéo dentro de dois desviospadrao Além disso mui TEND tendéncias no setor tos dos residuos sfo relativamente pequenos 0 que indica que a CAP publico como porcentagem da capacidade maioria dos modelos de previs4o s4o bons EST se o time esta jogando em um estadio novo 0 grafico da probabilidade de normalidade Mostra que Os Tesi A pesquisa reuniu dados cobrindo um periodo de 7 anos 19962002 duos estao bem P TOxIMOS da reta de 45 apresentada Quando compa Os dados financeiros foram obtidos do Team Marketing Reports e os Tamos 0 grafico dos residuos padronizados com Os valores Previstos outros dados foram coletados utilizando fontes disponiveis publica nenhum padra4o sistematico pode ser visto na disposigdo dos residuos mente como reportagens esportivas Os resultados das andlises de re Finalmente a tabela de estatisticas residuais indica que todos os va gressiio podem ser vistos na tabela no pé da pagina lores previstos e todos os residuos esto dentro de dois desvios Os resultados sugerem que diversos fatores influenciam os precos padrao Assim concluimos que a regressao miltipla dos dados da dos ingressos e 0 principal deles foi o fato de o time estar jogando em Tabela 171 nao parece resultar em violagGes inaceitaveis das suposi um estddio novo m cdes Isso sugere que a relacao que estamos tentando prever é linear e ss que os termos de erro séo mais ou menos distribufdos normalmente Co Como no exemplo anterior algumas varidveis independentes conside radas em um estudo muitas vezes se mostram insignificantes Quando P F ha muitas variaveis independentes e 0 pesquisador suspeita que nem esquisa rea todas elas sao significantes a regressdo passo a passo deve ser usada O que influencia os precos dos ingressos Um novo R estadio egressao passo a passo TT A O objetivo da regresso passo a passo é selecionar entre inime Uma das principais fontes de receita para qualquer time profissional é a ras varidveis previsoras um pequeno subconjunto de varidveis que venda de ingressos especialmente a venda para os sécios da tempora respondam pela maior parte da variagao na varidvel dependente da Um estudo fez uma andlise de regressao para identificar que fatores Nesse procedimento as varidveis previsoras entram na equacao de causavam a variagao dos precos dos ingressos entre os times na mesma regress4o ou saem dela uma de cada vez Ha varias abordagens liga em um determinado ano A equacao de regressao empregada foi a para a regressiio passo a passo seguinte LNPMI a a NVIT aRENDA aPAGaPOP aTEND 95 20 Basho 8 Passo oc oct on 2 3 4 5 Procedimento de regressdo em que as variaveis previsoras entram na agCAP aEST equacdao de regressao ou saem dela uma de cada vez Onde oo 1 Inclusdo avancada Inicialmente nao ha variaveis previsoras LNPMI logaritmo neperiano do prego médio dos ingressos na equacao de regressdo Elas s4o introduzidas uma de cada PMI prego médio dos ingressos vez somente se satisfizerem certos critérios definidos em ter Resultados da regressdo MLB NBA NFL NHL Coefi Estatisti Valor Coefi Estatisti Valor Coefi Estatisti Valor Coefi Estatisti Valor Variavel ciente cat p ciente cat p ciente cat p ciente cat p Constante 1521 12012 0000 2965 20749 0000 2886 18890 0000 3172 16410 0000 POP 0000 5404 0000 0000 5036 0000 0000 2287 0023 0000 2246 0026 RENDA 0000 3991 0000 0000 0208 0836 0000 3645 0000 0000 0669 0504 EST 0337 5356 0000 0108 3180 0002 0226 3357 0001 0321 4087 0000 NVIT 0000 0091 0927 0004 3459 0001 0013 2190 0030 0001 0369 0713 CAP 0006 8210 0000 0000 2968 0003 0002 1325 0187 0005 3951 0000 PAG 0004 4192 0000 0008 5341 0000 0001 0607 0545 0002 1099 0273 TEND 0047 6803 0000 0016 1616 0100 0058 6735 0000 0009 0718 0474 CAN Canada 0146 3167 0002 R Ajustado 0778 0488 0443 0292 Estatistica F 98366 28227 24763 9545 Significancia de F 0000 0000 0000 CAPITULO 17 CORRELACAO E REGRESSAO 437 mos da razéo F A ordem em que as varidveis sao incluidas se para os compradores mais jovens 0 shopping continuara muito a fren baseia na contribuicgdo para a variancia explicada te nessa corrida especialmente com tantas opgdes de entretenimento 2 Eliminacao para tras Inicialmente todas as varidveis previso sendo construidas dentro dele atualmente Elaborouse um perfil dos ras sio incluidas na equaciio de regressio Removemse entdo clientes comparadores em shopping centers regionais utilizando trés as varidveis previsoras uma de cada vez com base na razio F conjuntos de variaveis independentes demogrdaficas comportamentais 3 Soludo passo a passo Combinase a inclusao antecipada e varidveis psicoldgicas de atitude A varidvel dependente consistiu com a remogao das varidveis previsoras que nao mais satisfa em um indice de curiosidade comparacao Em uma regressdo passo zem 0 critério especificado em cada passo a passo incluindo os trés conjuntos de variaveis constatouse que o aspecto demografico era 0 previsor mais poderoso do comportamento Os procedimentos da regressdo passo a passo nao resultam em de comparagao A equacao final de regressao que continha 20 das 36 equac6es 6timas de regressao no sentido de gerar o maior R para um variaveis possiveis incluia todas as caracteristicas demograficas A ta numero determinado de previsores Em raz4o das correlacgdes entre bela a seguir apresenta os coeficientes de regressao erros padrao dos previsores pode ocorrer que uma varidvel importante nunca venhaa coeficientes e seus niveis de significancia ser incluida enquanto varidveis menos importantes podem ser intro Ao interpretar os coeficientes devese ter em mente que quanto duzidas na equacio Para identificar uma equacio 6tima de regressio menor for o indice de curiosidadecomparagao a varidvel dependen terfamos de calcular solucdes combinatdrias em que se examinem to te maior a tendéncia de apresentar um comportamento associado a das as combinacGes possiveis Ainda assim a regressdo passo a passo comparacao Os dois previsores com maiores coeficientes sio género e util quando o tamanho da amostra for grande em relac4o ao nimero situagdo de empr ego Os comparadores tendem a ser mulheres empre de varidveis previsoras conforme mostra o exemplo a seguir gadas Tendem também a se situar em posicao ligeiramente inferior em comparagao com outros clientes do shopping center apresentando ni veis mais baixos de instrugao e de renda apés levar em conta os efeitos do género e da situagaéo de emprego Embora os comparadores tendam rie real a ser um pouco mais jovens que os nao comparadores nao s4o necessa riamente solteiros os que relatam tamanhos maiores de familia tendem Saindo para oO shopping center a se associar a menores valores do indice de curiosidadecomparagao ON O perfil menos afluente dos curiosos em relacao a outros clientes Até mesmo no século XXI olhar e comparar uma parte fundamental indica que as lojas especializadas nos shopping centers devem dar én das compras seja online ou no shopping Os clientes gostam de ana fase a produtos de prego moderado Isso pode explicar a taxa historica lisar suas decis6es de compra antes de realizalas Muitos consideram mente baixa de faléncia em shopping centers de tais lojas e a tendéncia que os varejistas de lojas fisicas tem uma vantagem sobre os varejistas das lojas especializadas com precos elevados a se localizarem apenas da Internet quando se trata de comparar porque os primeiros sao maio em galerias de prestigio ou em shopping centers mais qualificados res em tamanho e ofertas de produtos Embora a Web seja mais atraente Regressao do indice de curiosidadecomparacao sobre as variaveis descritivas e de atitude por ordem de entrada na regressdo passo a passo Descrigdo da variavel Coeficiente EP Significancia Género 0 masc 1 fem 0485 0164 0001 Situagdo de emprego 0 empregado 0391 0182 0003 Autoconfianga 0152 0128 0234 Instrugao 0079 0072 0271 Intengao quanto a marca 0063 0028 0024 Vé TV durante o dia 0 sim 0232 0144 0107 Tensao 0182 0069 0008 Renda 0089 0061 0144 Frequéncia das visitas ao shopping 0130 0059 0028 Menos amigos que a maioria 0162 0084 0054 Bom comprador 0122 0090 0174 As opinices de outros sao importantes 0147 0065 0024 Controle sobre a vida 0069 0069 0317 Tamanho da familia 0086 0062 0165 Pessoa entusiasta 0143 0099 0150 Idade 0036 0069 0603 Numero de compras feitas 0068 0043 0150 Compras por estabelecimento 0209 0152 0167 Compra com economia 0055 0067 0412 Excelente avaliador de qualidade 0070 0089 0435 CONSTANTE 3250 R global 0477 438 PARTE III COLETA PREPARAÇÃO E ANÁLISE DE DADOS E RELATÓRIO Multicolinearidade A regressão passo a passo e a regressão múltipla são dificultadas pela presença da multicolinearidade Praticamente todas as análises de regressão múltipla feitas em pesquisa de marketing envolvem previsores ou variáveis independentes que são correlacionados Entretanto surge a multicolinearidade quando as intercorrelações entre os previsores são muito altas A multicolinearidade pode ori ginar vários problemas incluindo multicolinearidade Situação de intercorrelações muito altas entre variáveis independentes 1 Os coeficientes de regressão parcial podem não ser estimados com precisão Os erros padrão tendem a ser muito altos 2 As magnitudes e os sinais dos coeficientes de regressão par cial podem variar de uma amostra para outra 3 Tornase difícil avaliar a importância relativa das variáveis in dependentes ao explicar a variação na variável dependente 4 Algumas variáveis previsoras podem ser incluídas ou removi das incorretamente na regressão passo a passo Nem sempre fica claro o que constitui uma multicolinearidade grave embora tenham sido sugeridas várias regras e processos empíricos bem como processos de maior ou menor complexida de para enfrentar o problema 24 Um processo simples consiste em utilizar apenas uma das variáveis em um conjunto de variáveis al tamente correlacionadas Alternativamente podese transformar o conjunto de variáveis independentes em um novo conjunto de pre visoras mutuamente independentes recorrendose a técnicas como análise dos componentes principais ver Capítulo 19 Podem ser utilizadas também técnicas mais especializadas como regressão em crista e regressão de raízes latentes 25 PESQUISA ATIVA Avaliação da marca e preferência pelos laptops Lenovo Visite wwwlenovocom e pesquise na Internet utilizando um dis positivo de busca e no banco de dados online de sua biblioteca informações sobre os fatores que os consumidores utilizam ao avaliar as marcas concorrentes de laptops Como diretor de marketing da Lenovo Computers como você melhoraria a imagem e o posicionamento competitivo de sua marca Formule um modelo de regressão múltipla explicando as prefe rências do consumidor por marcas de laptop como uma função das avaliações da marca nos fatores de critérios de escolha dos consumi dores para avaliar marcas concorrentes Importância relativa dos previsores Na presença da multicolinearidade exigese um cuidado especial na avaliação da importância relativa de variáveis independentes Na pes quisa de marketing aplicada é conveniente determinar a importância relativa dos previsores Melhor dizendo qual é a importância das variáveis independentes na justificativa para a variação na variável dependente 26 Infelizmente como os previsores são correlacionados não existe uma medida não ambígua da importância relativa dos pre visores na análise de regressão 27 Não obstante há várias abordagens para avaliar a importância relativa das variáveis previsoras 1 Significância estatística Se o coeficiente de regressão par cial de uma variável não for significativo conforme determi nado por um teste incremental F essa variável é considerada como não importante Ocorre uma exceção a essa regra se houver fortes razões teóricas para crer que a variável seja importante 2 Quadrado do coeficiente de correlação simples Essa medi da r 2 representa a proporção da variação na variável depen dente explicada pela variável independente em uma relação bivariada 3 Quadrado do coeficiente de correlação parcial Essa medida R 2 yxixj xk é o coeficiente de determinação entre a variável de pendente e a variável independente controlando os efeitos das outras variáveis independentes 4 Quadrado do coeficiente de correlação de partes Este coefi ciente representa um aumento em R 2 quando se introduz uma variável em uma equação de regressão que já contém as outras variáveis independentes 5 Medidas baseadas em coeficientes padronizados ou pesos beta As medidas mais usadas são os valores absolutos dos pesos beta Bi ou seus quadrados Bi 2 Como são coeficientes parciais os pesos beta levam em conta o efeito das outras va riáveis independentes Essas medidas vão se tornando menos confiáveis conforme aumentam as correlações entre as variá veis previsoras a multicolinearidade aumenta 6 Regressão passo a passo Utilizase a ordem em que os previ sores entram em uma equação de regressão ou saem dela para inferir sua importância relativa Como os previsores são correlacionados ao menos até certo ponto em praticamente todas as situações de regressão nenhu ma dessas medidas é satisfatória É possível também que as di ferentes medidas indiquem uma ordem diferente de importância dos previsores 28 Todavia se todas as medidas forem examinadas coletivamente podese obter uma visualização conveniente da importância relativa dos previsores Pesquisa de decisão West Michigan Whitecaps estimulando a fidelidade dos torcedores A situação O West Michigan Whitecaps wwwwhitecapsbaseballcom um time da liga nacional de beisebol de Gram Rapids Estados Unidos queria saber o que eles deveriam fazer para desenvolver a fidelidade dos torcedores Como eles poderiam mantêla fazêla crescer e apro veitála O diretor geral Scott Lane contratou a empresa de pesquisa Message Factors wwwmessagefactorscom com base em Memphis Tennessee para ajudar a identificar maneiras de manter com eficácia a fidelidade dos torcedores com um orçamento limitado A Message Factors desenvolveu um estudo que usou uma técnica proprietária de análise de valor que examinava a relação entre o valor geral percebido e os atributos de satisfação específicos a fim de identificar os elemen tos que impulsionam a fidelidade Ela ajudou a determinar as quatro coisas que os clientes querem lhe dizer que são os elementos básicos o que os clientes esperam da empresa questões de valor o que os clientes valorizam na empresa irritações o que os clientes não gostam na empresa e sem importância com o que os clientes não se importam na empresa Pesquisas qualitativas foram feitas para identificar um conjunto de 71 atributos que influenciaram a fidelidade dos torcedores Em seguida um questionário elaborado para incorporar os 71 atributos foi aplicado Malhotra17indd 438 Malhotra17indd 438 150911 0857 150911 0857 Encerra aqui o trecho do livro disponibilizado para esta Unidade de Aprendizagem Na Biblioteca Virtual da Instituição você encontra a obra na íntegra