賣家反饋影響因素的量化研究(下)

1、相對(duì)重要性分析        完成比例是反饋收集中最重要的指標(biāo)，我們先采用多元回歸的方法考察10個(gè)影響因素共同作用下，對(duì)完成比例差異的解釋，從而推測(cè)10個(gè)影響因素的相對(duì)重要性。        從本文上本部分中的相關(guān)分析中，可知10個(gè)影響因素之間普遍顯著相關(guān)，會(huì)導(dǎo)致回歸方程存在多重共線性，使得偏回歸系數(shù)可能不準(zhǔn)確、難以評(píng)估影響因素之間的相對(duì)重要性。因此，先采用逐步回歸的方法，查看結(jié)果：      &

2、#160;  校正后的R平方（決定系數(shù)）為0.446，對(duì)于社會(huì)科學(xué)而言已經(jīng)比較理想；剩余標(biāo)準(zhǔn)差為0.00053，已經(jīng)非常小了；Durbin-Watson的值為0.638，與2有差距，殘差間的獨(dú)立性一般。綜合評(píng)估，回歸模型的擬合程度較好。        在這個(gè)多元回歸模型中，綜合考慮標(biāo)準(zhǔn)化回歸系數(shù)（Beta）和偏相關(guān)系數(shù)（Partial），相對(duì)而言，操作流程對(duì)完成比例的重要性最強(qiáng)，正向；其次是外 觀設(shè)計(jì)（正）、操作便捷滿意度（負(fù)）、掛出天數(shù)（負(fù)）和頁(yè)面位置（負(fù)）。其中外觀設(shè)計(jì)的影響方向與相關(guān)分析中相反，主要是由于多個(gè)

3、影響因素共同作用，存在 共線性造成的。        另外，操作流程的容忍度（Tolerance）雖然大于0.1但不到0.2，多重共線性比較嚴(yán)重。        為了消除回歸模型中的多重共線性，先對(duì)10個(gè)影響因素做因子分析，再用因子進(jìn)行回歸。提取影響因素公因子        利用方差最大正交旋轉(zhuǎn)（Varimax），最終萃取出五個(gè)公因子，依次為入口模糊、分項(xiàng)滿意度、內(nèi)容獨(dú)立、掛出天數(shù)、總體

4、滿意度等，累積方差貢獻(xiàn)率為92.854%（詳見下表），解釋效果很強(qiáng)。         其中文案不直白、處于操作流程之前，用于解釋因子“入口模糊”容易理解，但外觀經(jīng)過設(shè)計(jì)解釋“入口模糊”，是例子中的旺鋪反饋入口經(jīng)過設(shè)計(jì) 后，banner與頁(yè)面融為一體，反而不容易聯(lián)想到反饋；位置靠上本來(lái)容易被發(fā)現(xiàn)，但此時(shí)還沒有作相應(yīng)的操作，反饋的沖動(dòng)較弱，能夠解釋“入口模糊”。影響因素公因子的相對(duì)重要性        用五個(gè)公因子進(jìn)行多元回歸，已經(jīng)去除了自變量的多重

5、共線性，結(jié)果如下：         校正后的R平方（決定系數(shù)）為0.431，剩余標(biāo)準(zhǔn)差為0.00054， Durbin-Watson的值為0.595，表明回歸模型的擬合程度較好。        相對(duì)而言，入口模糊的重要性最強(qiáng)，負(fù)向；其次是分項(xiàng)滿意度，負(fù)向；之后是掛出天數(shù)（負(fù)）、內(nèi)容獨(dú)立（正）。且入口越清晰、分項(xiàng)滿意度越低、掛出天數(shù)越近、文案內(nèi)容越獨(dú)立，完成比例越高。         對(duì)比五個(gè)因子對(duì)完成比例、打開率、有效率的影響，相對(duì)重要性排序存在差異。內(nèi)容獨(dú)立、分項(xiàng)滿意度對(duì)打開率的