科标分析中心案例：玻璃的全成分分析

经典广告创意案例分析

经典广告创意案例分析 “U是时候红牛了” 红牛饮料简介： 14年前，风靡全球的红牛饮料来到中国，在中央电视台春节晚会上首次亮相，一句“红牛来到中国”广告语，从此中国饮料市场上多了一个类别叫做“能量饮料”，金色红牛迅速在中国刮起畅销旋风。 红牛功能饮料源于泰国，至今已有40年的行销历史，产品销往全球140个国家和地区，凭借着强劲的实力和信誉，“红牛”创造了奇迹。做为一个风靡全球的品牌，红牛在广告宣传上的推广，也极其具有特色。 红牛饮料广告创意特点分析： 一、独特性 红牛是一种维生素功能型饮料，主要成分为牛磺酸、赖氨酸、B族维生素和咖啡因（含量相当于一杯袋泡茶）。红牛功能饮料科学地把上述各种功效成分融入产品之中，与以往普通碳酸饮料不同。从推广之初，就将产品定位在需要补充能量的人群上。 “汽车要加油，我要喝红牛”，产品在广告宣传中就将功能性饮料的特性：促进人体新陈代谢，吸收与分解糖分，迅速补充大量的能量物质等优势以醒目、直接的方式传达给诉求对象。 让大家通过耳熟能详、朗朗上口的广告语，接受“红牛”作为功能性饮料能够提神醒脑、补充体力、抗疲劳的卓越功效。 二、广泛性 “红牛”的消费群体适合于需要增强活力及提升表现的人士饮用。特别适合长时间繁忙工作的商务人士、咨询服务业人士、需要长时间驾驶的专业司机、通宵达旦参加派对的休闲人士、正在进行运动或剧烈运动前的运动爱好者和需要保持学习状态的大中学生。目标对象较为广泛，供不同职业、不同年龄段人饮用。 三、树立品牌形象，注重本土化 红牛初来中国时，面临的是一个完全空白的市场。引用营销大师的观点而言，那是一个彻底的“蓝海”。因为当时的中国市场，饮料品牌并不多，知名的外来饮料有可口可乐和百事可乐，运动类型饮料有健力宝，几大饮料公司广告宣传力度都非常强，各自占据大范围的市场。红牛饮料要想从这些品牌的包围中迅速崛起，不是一件容易的事情。 因此，红牛饮料“中国红”的风格非常明显，以本土化的策略扎根中国市场。公司在广告中宣传红牛的品牌上，尽力与中国文化相结合。这些叙述固化在各种宣传文字中，在色彩表现上以“中国红”为主，与品牌中红牛的“红”字相呼应，从而成为品牌文化的底色。中国人万事都图个喜庆、吉利，因而红红火火，越喝越牛。这正体现了红牛饮料树立品牌形象的意图，了解中国市场消费者的购买心理后，将红牛自身特点与中国本土文化结合的完美体现。 四、多媒体、大冲击、深记忆 红牛在1995年春节联欢晚会之后的广告上首次出现，以一句“红牛来到中国”告知所有中国消费者，随后红牛便持续占据中央电视台的广告位置里，从“汽车要加油，我要喝红牛”到“渴了喝红牛，累了困了更要喝红牛”，大量黄金时间广告的宣传轰炸。并配合以平面广告的宣传，红牛在短短的一两年里，让汽车司机、经常熬夜的工作人员、青少年运动爱好者，都成为红牛的忠实消费群体。红牛一举成名，给中国消费者留下很深的记忆。后来出现了大量模仿甚至假冒红牛的饮料，比如：蓝狮、金牛、红金牛、金红牛等等。 四、一句广告词，响彻十余年 一个来自于泰国的国际性品牌——红牛，以功能性饮料的身份挟着在当时看来颇为壮观的广告声势向人们迎面铺来。一直以来，“困了累了喝红牛”这句带有明确诉求的广告语惹得

主成分分析法精华讲义及实例

主成分分析 类型：一种处理高维数据的方法。 降维思想：在实际问题的研究中，往往会涉及众多有关的变量。但是，变量太多不但会增加计算的复杂性，而且也会给合理地分析问题和解释问题带来困难。一般说来，虽然每个变量都提供了一定的信息，但其重要性有所不同，而在很多情况下，变量间有一定的相关性，从而使得这些变量所提供的信息在一定程度上有所重叠。因而人们希望对这些变量加以“改造”，用为数极少的互补相关的新变量来反映原变量所提供的绝大部分信息，通过对新变量的分析达到解决问题的目的。 一、总体主成分 1.1 定义 设 X 1，X 2，…，X p 为某实际问题所涉及的 p 个随机变量。记 X=(X 1，X 2，…,Xp)T ，其协方差矩阵为 ()[(())(())], T ij p p E X E X X E X σ?∑==-- 它是一个 p 阶非负定矩阵。设 1111112212221122221122T p p T p p T p p p p pp p Y l X l X l X l X Y l X l X l X l X Y l X l X l X l X ?==+++? ==+++?? ??==+++? （1） 则有 ()(),1,2,...,, (,)(,),1,2,...,. T T i i i i T T T i j i j i j V ar Y V ar l X l l i p C ov Y Y C ov l X l X l l j p ==∑===∑= （2） 第 i 个主成分： 一般地，在约束条件 1T i i l l =

及 (,)0,1,2,..., 1.T i k i k C ov Y Y l l k i =∑==- 下，求 l i 使 Var(Y i )达到最大，由此 l i 所确定的 T i i Y l X = 称为 X 1，X 2，…，X p 的第 i 个主成分。 1.2 总体主成分的计算 设 ∑是12(,,...,) T p X X X X =的协方差矩阵，∑的特征值及相应的正交单位化特 征向量分别为 120p λλλ≥≥≥≥ 及 12,,...,, p e e e 则 X 的第 i 个主成分为 1122,1,2,...,,T i i i i ip p Y e X e X e X e X i p ==+++= （3） 此时 (),1,2,...,,(,)0,. T i i i i T i k i k V ar Y e e i p C ov Y Y e e i k λ?=∑==??=∑=≠?? 1.3 总体主成分的性质 1.3.1 主成分的协方差矩阵及总方差 记 12(,,...,) T p Y Y Y Y = 为主成分向量，则 Y=P T X ，其中12(,,...,)p P e e e =，且 12()()(,,...,),T T p Cov Y Cov P X P P Diag λλλ==∑=Λ= 由此得主成分的总方差为 1 1 1 ()()()()(),p p p T T i i i i i i V ar Y tr P P tr P P tr V ar X λ ==== =∑=∑=∑= ∑∑∑ 即主成分分析是把 p 个原始变量 X 1，X 2，…，X p 的总方差

主成分分析-实例

§8 实例 实例1 计算得 1x =71.25，2x =67.5 分析1：基于协差阵∑ 求主成分。 369.6117.9117.9214.3S ?? = ??? 特征根与特征向量（Ｓ无偏，用SPSS ） Factor 1 Factor 2 11x x - 0.880 -0.474 22x x - 0.474 0.880 特征值 433.12 150.81 贡献率 0.7417 0.2583 注：样本协差阵为无偏估计11(11)1n n n S X I X n n ''= --， 所以，第一、二主成分的表达式为 112212 0.88(71.25)0.47(67.5) 0.47(71.25)0.88(67.5)y x x y x x =-+-?? =--+-? 第一主成分是英语与数学的加权和（反映了综合成绩），且英语的权数要大于数学的权数。1y 越大，综合成绩越好。（综合成分） 第二主成分的两个系数异号（反映了两科成绩的均衡性）。不妨将英语称为文科，数学称为理科。2y 越大，说明偏科（文、理成绩不均衡），2y 越小，越接近于零，说明不偏科（文、理成绩均衡）。（结构成分）

问题：英语的权数为何大？如何解释？ 分析2： 基于相关阵R 求主成分。因为 1x =71.25，2x =67.5 所以相关阵 11R ? =? ? ? 解得R 的特征根为：1λ=1.419，2λ=0.581，对应的单位特征向量分别为： Factor 1 Factor 2 11 1x x s - 0.707 0.707 22 2 x x s - 0.707 -0.707 特征根 1.419 0.581 贡献率 0.709 0.291 所以，第一、二主成分的表达式为 12112271.2567.50.7070.70717.9813.6971.2567.50.7070.70717.9813.69x x y x x y --? =+=+?? ? --?=-=-?? 1122120.039(71.25)0.052(67.5) 0.039(71.25)0.052(67.5)y x x y x x =-+-?? =---? 112212 0.0390.052 6.273 0.0390.0520.671y x x y x x =+-?? =-+? * 2*11707.0707.0x x y += *2*12707.0707.0x x y -= 基于相关阵的更说明了： 第一主成分是英语与数学的加权总分。 第二主成分是对两科成绩均衡性的度量。 此例说明：基于协差阵与基于相关阵的主成分分析的结果不一致。结合此例的实际背景，经对比分析可知，基于协差阵的主成分分析更符合实际。

主成分分析PCA(含有详细推导过程以及案例分析matlab版)

主成分分析法(PCA) 在实际问题中，我们经常会遇到研究多个变量的问题，而且在多数情况下，多个变量之间常常存在一定的相关性。由于变量个数较多再加上变量之间的相关性，势必增加了分析问题的复杂性。如何从多个变量中综合为少数几个代表性变量，既能够代表原始变量的绝大多数信息，又互不相关，并且在新的综合变量基础上，可以进一步的统计分析，这时就需要进行主成分分析。 I. 主成分分析法(PCA)模型 （一）主成分分析的基本思想 主成分分析是采取一种数学降维的方法，找出几个综合变量来代替原来众多的变量，使这些综合变量能尽可能地代表原来变量的信息量，而且彼此之间互不相关。这种将把多个变量化为少数几个互相无关的综合变量的统计分析方法就叫做主成分分析或主分量分析。 主成分分析所要做的就是设法将原来众多具有一定相关性的变量，重新组合为一组新的相互无关的综合变量来代替原来变量。通常，数学上的处理方法就是将原来的变量做线性组合，作为新的综合变量，但是这种组合如果不加以限制，则可以有很多，应该如何选择呢？如果将选取的第一个线性组合即第一个综合变量记为1F ，自然希望它尽可能多地反映原来变量的信息，这里“信息”用方差来测量，即希望)(1F Var 越大，表示1F 包含的信息越多。因此在所有的线性组合中所选取的1F 应该是方差最大的，故称1F 为第一主成分。如果第一主成分不足以代表原来p 个变量的信息，再考虑选取2F 即第二个线性组合，为了有效地反映原来信息，1F 已有的信息就不需要再出现在2F 中，用数学语言表达就是要求 0),(21=F F Cov ，称2F 为第二主成分，依此类推可以构造出第三、四……第p 个主成分。 （二）主成分分析的数学模型 对于一个样本资料，观测p 个变量p x x x ,,21，n 个样品的数据资料阵为： ??????? ??=np n n p p x x x x x x x x x X 21 222 21112 11()p x x x ,,21=

主成分案例分析

主成分案例分析 主成分分析案例 ---我国各地区普通高等教育发展水平综合评价 (一)案例教学目的 主成分分析试图在力保数据信息丢失最少的原则下，对多变量的截面数据表进行最佳综合简化，也就是说，对高维变量空间进行降维处理。本案例运用主成分分析方法综合评价我国各地区普通高等教育的发展水平。通过本案例的教学，力图使学生加深对主成分分析的统计思想和实际意义的理解，明确主成分分析方法的适用环境，掌握主成分分析软件实现操作方法，提高学生思考、分析和解决实际问题的能力。 (二)案例研究背景 近年来，我国普通高等教育得到了迅速发展，为国家培养了大批人才。但由于我国各地区经济发展水平不均衡，加之高等院校原有布局使各地区高等教育发展的起点不一致，因而各地区普通高等教育的发展水平存在一定的差异。对我国各地区普通高等教育的发展水平进行综合评价，明确各地区的差异，有利于管理和决策部门从宏观上把握各地区普通高等教育的发展现状，更好的指导和规划高教事业的健康发展。 (三)案例研究过程 1、建立综合评价指标体系 高等教育是依赖高等院校进行的，高等教育的发展状况主要体现在高等院校的相关方面。遵循选取评价指标的目的性和可比性原则，从高等教育的五个方面选取十项评价指标，具体如下:

2、数据资料 指标的原始数据取自《中国统计年鉴，1995》和《中国教育统计年鉴，1995》除以各地区相应的人口数得到十项指标值见表1。其中:x为每百万人口高等院校数;x为每十万人口高等院校毕业生数;x123为每十万人口高等院校招生数;x为每十万人口高等院校在校生数;4 x 为每十万人口高等院校教职工数;x 为每十万人口高等院校专职56 教师数;x为高级职称占专职教师的比例;x为平均每所高等院校的78 在校生数;x为国家财政预算内普通高教经费占国内生产总值的比9 重;x为生均教育经费。 10 表1-1 我国各地区普通高等教育发展状况数据地区 x x x x x x x x x x 12345678910北京1 5.96 310 461 1557 931 319 44.36 2615 2.2 13631 上海2 3.39 234 308 1035 498 161 35.02 3052 0.9 12665 天津3 2.35 157 229 713 295 109 38.4 3031 0.86 9385 陕西4 1.35 81 111 364 150 58 30.45 2699 1.22 7881 辽宁5 1.5 88 128 421 144 58 34.3 2808 0.54 7733 吉林6 1.67 86 120 370 153 58 33.53 2215 0.76 7480 黑龙江7 1.17 63 93 296 117 44 35.22 2528 0.58 8570 湖北8 1.05 67 92 297 115 43 32.89

SPSS软件进行主成分分析的应用例子

SPSS软件进行主成分分析的应用例子

SPSS软件进行主成分分析的应用例子 2002年16家上市公司4项指标的数据[5]见表2，定量综合赢利能力分析如下： 公司销售净利率（X1）资产净利率（X2）净资产收益率（X3）销售毛利率（X4） 歌华有线五粮液用友软件太太药业浙江阳光烟台万华方正科技红河光明贵州茅台中铁二局红星发展伊利股份青岛海尔湖北宜化雅戈尔福建南纸43.31 17.11 21.11 29.55 11.00 17.63 2.73 29.11 20.29 3.99 22.65 4.43 5.40 7.06 19.82 7.26 7.39 12.13 6.03 8.62 8.41 13.86 4.22 5.44 9.48 4.64 11.13 7.30 8.90 2.79 10.53 2.99 8.73 17.29 7.00 10.13 11.83 15.41 17.16 6.09 12.97 9.35 14.3 14.36 12.53 5.24 18.55 6.99 54.89 44.25 89.37 73 25.22 36.44 9.96 56.26 82.23 13.04 50.51 29.04 65.5 19.79 42.04 22.72 第一，将EXCEL中的原始数据导入到SPSS软件中； 注意： 导入Spss的数据不能出现空缺的现象，如出现可用0补齐。 【1】“分析”|“描述统计”|“描述”。 【2】弹出“描述统计”对话框，首先将准备标准化的变量移入变量组中，此时，最重要的一步就是勾选“将标准化得分另存为变量”，最后点击确定。 【3】返回SPSS的“数据视图”，此时就可以看到新增了标准化后数据的字段。 所做工作： a. 原始数据的标准化处理

主成分分析案例

姓名：XXX 学号：XXXXXXX 专业：XXXX 用SPSS19软件对下列数据进行主成分分析： ……

一、相关性 通过对数据进行双变量相关分析，得到相关系数矩阵，见表1。 表1 淡化浓海水自然蒸发影响因素的相关性 由表1可知： 辐照、风速、湿度、水温、气温、浓度六个因素都与蒸发速率在0.01水平上显著相关。 分析：各变量之间存在着明显的相关关系，若直接将其纳入分析可能会得到因多元共线性影响的错误结论，因此需要通过主成份分析将数据所携带的信息进行浓缩处理。 二、KMO和球形Bartlett检验 KMO和球形Bartlett检验是对主成分分析的适用性进行检验。 KMO检验可以检查各变量之间的偏相关性，取值范围是0～1。KMO的结果越接近1，表示变量之间的偏相关性越好，那么进行主成分分析的效果就会越好。实际分析时，KMO统计量大于0.7时，效果就比较理想；若当KMO统计量小于0.5时，就不适于选用主成分分析法。 Bartlett球形检验是用来判断相关矩阵是否为单位矩阵，在主成分分析中，若拒绝各变量独立的原假设，则说明可以做主成分分析，若不拒绝原假设，则说明这些变量可能独立提供一些信息，不适合做主成分分析。

由表2可知： 1、KMO=0.631＜0.7，表明变量之间没有特别完美的信息的重叠度，主成分分析得到的模型又可能不是非常完善，但仍然值得实验。 2、显著性小于0.05，则应拒绝假设，即变量间具有较强的相关性。 三、公因子方差 公因子方差表示变量共同度。表示各变量中所携带的原始信息能被提取出的主成分所体现的程度。 由表3可知： 几乎所有变量共同度都达到了75%，可认为这几个提取出的主成分对各个变量的阐释能力比较强。 四、解释的总方差 解释的总方差给出了各因素的方差贡献率和累计贡献率。

三个广告案例分析

益达口香糖广告案例分析 益达是1984年箭牌公司在美国推出的第一款无糖口香糖，并在短短五年之内跃居全球无糖口香糖的第一品牌。在中国，箭牌公司是从1996年开始在广东率先推出“益达”无糖口香糖的。现在，“益达”无糖口香糖的销售网络已经覆盖了国内逾300座城市，深受中国消费者的青睐。 【市场分析】 市场现状：目前，我国口香糖市场销售总额约30亿元，年均以超过10%的速度高速增长，远高于糖果市场8%的平均增长速度，是糖果市场含金量最大的产业之一。目前，中国口香糖市场被牌、乐天、好丽友盘踞，此外，美国口香糖巨头华纳、欧洲最大的糖果公司利夫集团也纷纷进入中国口香糖市场。近年来，乐天称，其目标是成为中国口香糖市场的头号企业，这项计划正受到全世界食品业的关注。近来稳坐中国口香糖市场头把交椅的“箭牌”集团军也按捺不住这场挑衅，启动旗下几乎占据中国市场90%份额的绿箭、黄箭、白箭、益达和劲浪五大金刚全线反击，特别是其中有防治蛀牙功能的“益达”品牌动作频频，正面狙击“乐天”等后起之秀的挑战，顽强地维护着其口香糖市场龙头地位。近日，“益达”在各主要零售网点，如7-Eleven便利店中，推出促销活动。另外，绝少更换形象的箭牌集团军近期也旧貌换新颜，“益达”首次推出立体包装，增加了口味；首次推出、并在其包装上标明木糖醇含量为50%。而此前，乐天大规模宣传中就一直以其产品木糖醇含量超过50%作为最大产品卖点。业内分析，口香糖老大箭牌的市场动作应该是对后起之秀们的应对，然而随着国际资本纷纷以功能型口香糖为切入点介入中国口香糖市场，中国口香糖市场的市场份额将被重新调整。吃木糖醇口香糖不仅可以清新口气，还可以健康牙齿，于是，近几年，木糖醇口香糖渐渐成了口香糖市场的绝对主力，成了人们耳熟能详的常用词。产经报告口香糖但随着中国消费者口腔保健意识的普遍提高，口香糖市场的竞争也越来越激烈，很多大品牌都不断对产品进行换代升级，认为只有刺激消费需要，才能扩大市场销售。例如，益达花样百出地举办各种促销活动、好丽友倡导小包装口香糖的设计理念，而乐天则改良配方，对木糖醇口香糖进行了升级换代 【品牌介绍】 "益达"是1984年箭牌公司在美国推出的第一款无糖口香糖，并在短短五年之内跃居全球无糖口香糖的第一品牌。在美国，"益达"目前已经崛起为销量最大的口香糖产品。此外，她还行销加拿大、新西兰、德国和澳大利亚等市场。在中国，箭牌公司1996年开始在广东试销"益达"无糖口香糖，翌年将之推向上海和浙江市场。2000年"益达" 开始登陆北京。经过分别于2001年3月和8月启动的两波营销攻势之后，目前"益达"木糖醇无糖口香糖已经覆盖了全国所有的主要城市，也已经崛起为中国无糖口香糖市场上的领导者。根据AC尼尔森公司的最新统计，2002年"益达"无糖口香糖在中国无糖口香糖市场的占有率达70%以上。 广告口号 1、关爱牙齿，更关心你！ 2、嘿，你的益达！不，是你的益达！ 3、不管酸甜苦辣，总有益达 4、关爱牙齿，餐后嚼两粒益达！ 5、你很有想法，跟我学做饭吧！ 6、你谁啊，大叔！ 7、大叔，是你牙齿不好吧！ 【消费者分析】 在如今广大年轻人眼里，“益达”不仅仅是一个品牌了。它成为一个“甜蜜爱情”的代名词，益达甜甜淡淡的味道，像极了恋爱时的甜蜜。既浪漫又有深意。是很多人喜欢的叫法。譬

主成分分析法matlab实现,实例演示

利用Matlab 编程实现主成分分析 1.概述 Matlab 语言是当今国际上科学界 (尤其是自动控制领域) 最具影响力、也是 最有活力的软件。它起源于矩阵运算，并已经发展成一种高度集成的计算机语言。它提供了强大的科学运算、灵活的程序设计流程、高质量的图形可视化与界面设计、与其他程序和语言的便捷接口的功能。Matlab 语言在各国高校与研究单位起着重大的作用。主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法，从数学角度来看，这是一种降维处理技术。 1.1主成分分析计算步骤 ① 计算相关系数矩阵 ?? ? ???? ???? ?? ?=pp p p p p r r r r r r r r r R 2 122221 11211 （1） 在（3.5.3）式中，r ij （i ，j=1，2，…，p ）为原变量的xi 与xj 之间的相关系数，其计算公式为 ∑∑∑===----= n k n k j kj i ki n k j kj i ki ij x x x x x x x x r 1 1 2 2 1 )() () )(( （2） 因为R 是实对称矩阵（即r ij =r ji ），所以只需计算上三角元素或下三角元素即可。

② 计算特征值与特征向量 首先解特征方程0=-R I λ，通常用雅可比法（Jacobi ）求出特征值 ),,2,1(p i i =λ，并使其按大小顺序排列，即0,21≥≥≥≥p λλλ ；然后分别求 出对应于特征值i λ的特征向量),,2,1(p i e i =。这里要求i e =1，即112 =∑=p j ij e ，其 中ij e 表示向量i e 的第j 个分量。 ③ 计算主成分贡献率及累计贡献率 主成分i z 的贡献率为 ),,2,1(1 p i p k k i =∑=λ λ 累计贡献率为 ) ,,2,1(11 p i p k k i k k =∑∑==λ λ 一般取累计贡献率达85—95%的特征值m λλλ,,,21 所对应的第一、第二，…，第m （m ≤p ）个主成分。 ④ 计算主成分载荷 其计算公式为 ) ,,2,1,(),(p j i e x z p l ij i j i ij ===λ （3）

主成分分析法实例

1、主成分法： 用主成分法寻找公共因子的方法如下： 假定从相关阵出发求解主成分，设有p 个变量，则可找出p 个主成分。将所得的p 个主成分按由大到小的顺序排列，记为1Y ，2Y ，…，P Y ， 则主成分与原始变量之间存在如下关系： 11111221221122221122....................p p p p p p p pp p Y X X X Y X X X Y X X X γγγγγγγγγ=+++?? =+++??? ?=+++? 式中，ij γ为随机向量X 的相关矩阵的特征值所对应的特征向量的分量，因为特征向量之间彼此正交，从X 到Y 得转换关系是可逆的，很容易得出由Y 到 X 得转换关系为： 11112121212122221122....................p p p p p p p pp p X Y Y Y X Y Y Y X Y Y Y γγγγγγγγγ=+++?? =+++??? ?=+++? 对上面每一等式只保留钱m 个主成分而把后面的部分用i ε代替，则上式变为： 111121211 2121222221122................. ...m m m m p p p mp m p X Y Y Y X Y Y Y X Y Y Y γγγεγγγεγγγε=++++??=++++????=++++? 上式在形式上已经与因子模型相一致，且i Y （i=1,2，…，m ）之间相互独立，且i Y 与i ε之间相互独立，为了把i Y 转化成合适的公因子，现在要做的工作只是把主成分i Y 变为方差为1的变量。为完成此变换，必须将i Y 除以其标准差，由主成分分析的知识知其标准差即为特征根的平方根 i λ/i i i F Y λ=， 1122m m λγλγλγ，则式子变为：

中国经典广告的策划案例以及分析

中国经典广告的策划案例以及分析 1、战“痘”的青春——《益生堂》中国十大策划案例奖 《益生堂》案例2000年在首届中国企业著名策划案评选活动荣获“中国十大策划案”。 益生堂三蛇胆胶囊为除痘保健品。它在97年保健品市场泛滥、普遍销售低潮的环境下脱颖而出，成为华南市场保健品的新星。其年销售额近亿元。 这是一个小预算、大手笔的经典策划案例。其成功之处在于：完整地运用了整合营销策略，通过场调查开始以准确的市场定位推出了广告“战痘的青春”系列，结合巧妙的“投料曝光”、“投保1000万元”公关活动，迅速崛起。其完善的销售管理工程的导入亦为其长久发展奠定了基础。益生堂三蛇胆的广告、公关、促销创意及表现影响深远，仿效者众。 “每粒胶囊必含一粒蛇胆”、“1000万投保产品质量险”及“慰问交警、升国旗”等系列新闻行销的运用，更是石破天惊，在传媒界产生轰动，为保健品市场营销的新发拓展了空间。 2、“肠”治久安——金双歧 《金双歧》荣获2000年中国策划艺术博览会银奖。 金双歧是肠道药，一种新型的微生态制剂，国家一类新药，属处方药。其最大的障碍表现在处方药在otc市场的推广拉力不够，产品营销的问题点在于药品的疗程较长、包装一般等。 此案例的成功之处在于以“安全”为切入点的营销策略。以“安全、有效的肠道用药”作为金双歧2000年5月，由深圳卫生局主办、深圳商报社协办、万泽医药公司贯彻执行的深圳市安全用药科普调查活动，将金双歧的硬广告与用药科普调查宣传有机结合，利用整合传播优势，借助公关事件，赢得了广泛的、持续的报道，系列广告《忠告》与五封信，使产品与消费者、营业员充分沟通，良性互动，在短短的时间里，金双歧在深圳引起极大的影响，知名度大大提升；加上客户的执行力特强（该客户荣获采纳2000年优秀客户奖），此产品在销量滑坡情形下扭转态势，销量持续上升。 3、30天提高记忆商数18.52——脑灵通 脑灵通为广州轻工研究所研发的健脑保健品，我们对它的策划成功之处在于大胆走出常规的健脑益智产品的做法，走细分市场之路，避开当时强劲的对手（脑轻松），集中火力攻打考生市场，与对手打贴身战，巧妙地夺取了市场份额。 此整体策划分三个阶段在考生中进行推广：首先以“30天提高记忆商数18.52”为利益承诺点，并借此推出“脑灵通成龙工程”，一举打响脑灵通的知名度。其次，加强产品与考生、考生家长之间的沟通，使产品具有亲和性，使消费者与购买者对产品产生好感。最后，

SPSS软件进行主成分分析的应用例子

SPSS软件进行主成分分析的应用例子 2002年16家上市公司4项指标的数据[5]见表2，定量综合赢利能力分析如下： 第一，将EXCEL中的原始数据导入到SPSS软件中； 【1】“分析”|“描述统计”|“描述”。 【2】弹出“描述统计”对话框，首先将准备标准化的变量移入变量组中，此时，最重要的一步就是勾选“将标准化得分另存为变量”，最后点击确定。 【3】返回SPSS的“数据视图”，此时就可以看到新增了标准化后数据的字段。

数据标准化主要功能就是消除变量间的量纲关系，从而使数据具有可比性，可以举个简单的例子，一个百分制的变量与一个5分值的变量在一起怎么比较？只有通过数据标准化，都把它们标准到同一个标准时才具有可比性，一般标准化采用的是Z标准化，即均值为0，方差为1，当然也有其他标准化，比如0--1标准化等等，可根据自己的研究目的进行选择，这里介绍怎么进行数据的Z标准化。 所的结论： 标准化后的所有指标数据。 注意： SPSS 在调用Factor Analyze 过程进行分析时, SPSS 会自动对原始数据进行标准化处理, 所以在得到计算结果后的变量都是指经过标准化处理后的变量, 但SPSS 并不直接给出标准化后的数据, 如需要得到标准化数据, 则需调用Descriptives 过程进行计算。 factor过程对数据进行因子分析（指标之间的相关性判定略）。 【1】“分析”|“降维”|“因子分析”选项卡，将要进行分析的变量选入“变量”列表；

【2】设置“描述”，勾选“原始分析结果”和“KMO与Bartlett球形度检验”复选框； 【3】设置“抽取”，勾选“碎石图”复选框； 【4】设置“旋转”，勾选“最大方差法”复选框； 【5】设置“得分”，勾选“保存为变量”和“因子得分系数”复选框； 【6】查看分析结果。 所做工作： a.查看KMO和Bartlett 的检验 KMO值接近1.KMO值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析； Bartlett 球度度检验的Sig值越小于显著水平0.05，越说明变量之间存在相关关系。 所的结论： 符合因子分析的条件，可以进行因子分析，并进一步完成主成分分析。 注意： 1.KMO（Kaiser-Meyer-Olkin) KMO统计量是取值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，KMO值接近1.KMO值越接近于1,意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，KMO值接近0.KMO值越接近于0,意味着变量间的相关性越弱，原有变量越不适合作因子分析。 Kaiser给出了常用的kmo度量标准: 0.9以上表示非常适合；0.8表示适合；0.7表示一般； 0.6表示不太适合；0.5以下表示极不适合。 2.Bartlett 球度检验： 巴特利特球度检验的统计量是根据相关系数矩阵的行列式得到的，如果该值较大，且其对应的相伴概率值小于用户心中的显著性水平，那么应该拒绝零假设，认为相关系数矩阵不可能是单位阵，即原始变量之间存在相关性，适合于做主成份分析；相反，如果该统计量比较小，且其相对应的相伴概率大于显著性水平，则不能拒绝零假设，认为相关系数矩阵可能是单位阵，不宜于做因子分析。 Bartlett 球度检验的原假设为相关系数矩阵为单位矩阵，Sig值为0.001小于显著水平0.05，因此拒绝原假设，说明变量之间存在相关关系，适合做因子分析。 所做工作： b. 全部解释方差或者解释的总方差(Total Variance Explained)

著名广告案例分析

广告案例分析（一）：“100年润发”洗发露 “如果说人生的离合是一场戏，那么百年的缘分更是早有安排。青丝秀发，缘系百年。”或许很多人还记得十年前的这句经典的广告词以及周润发经典的表演。这不仅是“百发润发”的一句广告语更是一种意境、一种美好情感的凝聚。是呵护百年，温情中展示着要树百年品牌的决心。它不仅道尽了人们对美好事物的向往，更是将意境与情感、商业与文化、品牌与明星完美的融合，堪称经典！ 百年情结20年来，中国广告取得了令世人瞩目的成就，在数不胜数的广告中，“百年润发”电视广告品牌形象的独特定位、商业性和文化气质的完美结合，以及给人心灵的震撼，堪称是具有中国特色的经典之作。 “百年润发”是重庆奥妮系列产品中的一个，目前在市场已上市的有奥妮皂角、奥妮首乌和百年润发（又分青年型和中年型两种）。在“百年润发”广告里，“文化气”和“商业气”在这里天衣无缝地结合，融汇成中国情感的、中国式词汇的民族品牌，这于国产商品“洋名风”、“霸气风”形成鲜明对比，有助于记忆度的加强，辨识率的提高。 据当时一项调查显示，广告产生的所有感动几乎都来自这个情节，这支广告为企业创造了近8个亿的销售收入。 百年润发的广告案例在京剧的音乐背景下，周润发百年润发广告篇给观众讲述了一个青梅竹马、白头偕老的爱情故事：男女主人公从相识、相恋、分别和结合都借助于周润发丰富的面部表情表现了出来：爱慕状、微笑状、焦灼状、欣喜状。而白头偕老的情愫是借助于男主人公周润发一往情深地给“发妻”洗头浇水的镜头表现出来的。 白头偕老的结发夫妻，头发，这在中国历史上本身就有着深沉的文化内涵，此时配以画外音：“青丝秀发，缘系百年”，然后推出产品：“100年润发，重庆奥妮！”——把中国夫妻以青丝到白发、相好百年的山盟海誓都溶入了“100年润发”中。明星拍广告大都是一笑之后简单的推出产品，而广告中祥和朴实的他没有一句台词，时势变迁的悲欢离合，重游旧地、遥想当年的复杂情绪全靠精湛的表演，加上女演员情真、意浓、清新、毫不逊色的配合，使得爱情故事真正地溶进百年润发品牌中去，广告主题在视觉上更加完美。 在“国货当自强”的“良缘”不，人名、品名、真情浑然一体，天造地设、相得益彰，明星的“晕光”效应酣畅淋漓，百年润发的知名度得以极大地提升，在产品的优质保证不，早早地迎来了成长期。 百年润发广告策划分析： （一）广告目标——品牌百年润发——一个近乎天才的命名策划！百年，时间概念，将品

R语言主成分分析的案例

R 语言主成分分析的案例
R 语言也介绍到案例篇了，也有不少同学反馈说还是不是特别明白一些基础的东西，希望能 够有一些比较浅显的可以操作的入门。其实这些之前 SPSS 实战案例都不少，老实说一旦用 上了开源工具就好像上瘾了，对于以前的 SAS、clementine 之类的可视化工具没有一点 感觉了。本质上还是觉得要装这个、装那个的比较麻烦，现在用 R 或者 python 直接简单 安装下，导入自己需要用到的包，活学活用一些命令函数就可以了。以后平台上集成 R、 python 的开发是趋势，包括现在 BAT 公司内部已经实现了。 今天就贴个盐泉水化学分析资料的主成分分析和因子分析通过 R 语言数据挖掘的小李 子： 有条件的同学最好自己安装下 R，操作一遍。 今有 20 个盐泉，盐泉的水化学特征系数值见下表.试对盐泉的水化学分析资料作主成分分 析和因子分析.（数据可以自己模拟一份）
其中 x1:矿化度(g/L);

x2:Br?103/Cl; x3:K?103/Σ 盐; x4:K?103/Cl; x5:Na/K; x6:Mg?102/Cl; x7:εNa/εCl.
1.数据准备
导入数据保存在对象 saltwell 中 >saltwell<-read.table("c:/saltwell.txt",header=T) >saltwell
2.数据分析

1 标准误、方差贡献率和累积贡献率
>arrests.pr<- prcomp(saltwell, scale = TRUE) >summary(arrests.pr，loadings=TRUE)
2 每个变量的标准误和变换矩阵
>prcomp(saltwell, scale = TRUE)
3 查看对象 arests.pr 中的内容
>> str(arrests.pr)

浅析主成分分析法及案例分析

主成分分析

在统计学中，主成分分析（principal components analysis, PCA）是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。 在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主成分分析正是适应这一要求产生的，是解决这类题的理想工具 主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p 个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。 主成分分析的主要作用体现在五个方面，第一，主成分分析能降低所研究的数据空间的维数。第二，可通过因子负荷的结论，弄清X变量间的某些关系。第三，可用于多为数据的一种图形表现方法。第四，可由主成分分析构造回归模型，即把各个主成分作为新自变量代替原来自变量做回归分析。第五，用主成分分析筛选回归变量。

主成分分析法概念及例题

主成分分析法 主成分分析（principal components analysis，PCA）又称：主分量分析，主成分回归分析法 [编辑] 什么是主成分分析法 主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。 在统计学中，主成分分析（principal components analysis,PCA）是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。 [编辑] 主成分分析的基本思想

在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主成分分析正是适应这一要求产生的，是解决这类题的理想工具。 同样，在科普效果评估的过程中也存在着这样的问题。科普效果是很难具体量化的。在实际评估工作中，我们常常会选用几个有代表性的综合指标，采用打分的方法来进行评估，故综合指标的选取是个重点和难点。如上所述，主成分分析法正是解决这一问题的理想工具。因为评估所涉及的众多变量之间既然有一定的相关性，就必然存在着起支配作用的因素。根据这一点，通过对原始变量相关矩阵内部结构的关系研究，找出影响科普效果某一要素的几个综合指标，使综合指标为原来变量的线性拟合。这样，综合指标不仅保留了原始变量的主要信息，且彼此间不相关，又比原始变量具有某些更优越的性质，就使我们在研究复杂的科普效果评估问题时，容易抓住主要矛盾。上述想法可进一步概述为：设某科普效果评估要素涉及个指标，这指标构成的维随机向量为。对作正交变换，令，其中为正交阵，的各分量是不相关的，使得的各分量在某个评估要素中的作用容易解释，这就使得我们有可能从主分量中选择主要成分，削除对这一要素影响微弱的部分，通过对主分量的重点分析，达到对原始变量进行分析的目的。的各分量是原始变量线性组合，不同的分量表示原始变量之间不同的影响关系。由于这些基本关系很可能与特定的作用过程相联系，主成分分析使我们能从错综复杂的科普评估要素的众多指标中，找出一些主要成分，以便有效地利用大量统计数据，进行科普效果评估分析，使我们在研究科普效果评估问题中，可能得到深层次的一些启发，把科普效果评估研究引向深入。 例如，在对科普产品开发和利用这一要素的评估中，涉及科普创作人数百万人、科普作品发行量百万人、科普产业化（科普示范基地数百万人）等多项指标。经过主成分分析计算，最后确定个或个主成分作为综合评价科普产品利用和开发的综合指标，变量数减少，并达到一定的可信度，就容易进行科普效果的评估。 [编辑] 主成分分析法的基本原理 主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p 个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。 [编辑] 主成分分析的主要作用

主成分分析方法在主成分分析方法中的应用

主成分分析与因子分析及SPSS实现（一）：原理与方法 (2014-09-08 13:33:57) 转载▼ 一、主成分分析 （1）问题提出 在问题研究中，为了不遗漏和准确起见，往往会面面俱到，取得大量的指标来进行分析。比如为了研究某种疾病的影响因素，我们可能会收集患者的人口学资料、病史、体征、化验检查等等数十项指标。如果将这些指标直接纳入多元统计分析，不仅会使模型变得复杂不稳定，而且还有可能因为变量之间的多重共线性引起较大的误差。有没有一种办法能对信息进行浓缩，减少变量的个数，同时消除多重共线性？ 这时，主成分分析隆重登场。 （2）主成分分析的原理 主成分分析的本质是坐标的旋转变换，将原始的n个变量进行重新的线性组合，生成n个新的变量，他们之间互不相关，称为n个“成分”。同时按照方差最大化的原则，保证第一个成分的方差最大，然后依次递减。这n个成分是按照方差从大到小排列的，其中前m个成分可能就包含了原始变量的大部分方差（及变异信息）。那么这m个成分就成为原始变量的“主成分”，他们包含了原始变量的大部分信息。 注意得到的主成分不是原始变量筛选后的剩余变量，而是原始变量经过重新组合后的“综合变量”。 我们以最简单的二维数据来直观的解释主成分分析的原理。假设现在有两个变量X1、X2，在坐标上画出散点图如下： 可见，他们之间存在相关关系，如果我们将坐标轴整体逆时针旋转45°，变成新的坐标系Y1、Y2，如下图： 根据坐标变化的原理，我们可以算出： Y1 = sqrt(2)/2 * X1 + sqrt(2)/2 * X2 Y2 = sqrt(2)/2 * X1 - sqrt(2)/2 * X2 其中sqrt(x)为x的平方根。 通过对X1、X2的重新进行线性组合，得到了两个新的变量Y1、Y2。 此时，Y1、Y2变得不再相关，而且Y1方向变异（方差）较大，Y2方向的变异（方差）较小，这时我们可以提取Y1作为X1、X2的主成分，参与后续的统计分析，因为它携带了原始变量的大部分信息。 至此我们解决了两个问题：降维和消除共线性。 对于二维以上的数据，就不能用上面的几何图形直观的表示了，只能通过矩阵变换求解，但是本质思想是一样的。 二、因子分析 （一）原理和方法： 因子分析是主成分分析的扩展。 在主成分分析过程中，新变量是原始变量的线性组合，即将多个原始变量经过线性（坐标）变换得到新的变量。 因子分析中，是对原始变量间的内在相关结构进行分组，相关性强的分在一组，组间相关性较弱，这样各组变量代表一个基本要素（公共因子）。通过原始变量之间的复杂关系对原始变量进行分解，得到公共因子和特殊因子。将原始变量表示成公共因子的线性组合。其中公共因子是所有原始变量中所共同具有的特征，而特殊因子则是原始变量所特有的部分。因子分析强调对新变量（因子）的实际意义的解释。 举个例子： 比如在市场调查中我们收集了食品的五项指标（x1-x5）:味道、价格、风味、是否快餐、能量，经过因子分析，我们发现了： x1 = 0.02 * z1 + 0.99 * z2 + e1 x2 = 0.94 * z1 - 0.01 * z2 + e2