عنوان پایان‌نامه
شناسایی عوامل تعیین کننده مخارج تبلیغات در صنایع ایران با استفاده از فن تحلیل تمایزی
- رشته تحصیلی
- مدیریت بازرگانی - بازاریابی بین المللی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 53028
- تاریخ دفاع
- ۲۳ خرداد ۱۳۹۱
- دانشجو
- سعید تاج دینی
- استاد راهنما
- محسن نظری
- چکیده
- هدف این تحقیق شناسایی مهمترین متغیرهای مربوط به هر صنعت است که بتوان بر اساس آن مقدار نسبت تبلیغات را در آن صنعت پیش بینی نمود. نسبت تبلیغات به سه طبقه نسبت تبلیغات زیاد، متوسط و کم تقسیم بندی شده است. داده های مورد نیاز از سایت مرکز آمار ایران برای 6 سال متوالی یعنی از سال 1379 تا 1384 جمع آوری شده است. بر اساس تحقیقات پیشین، شش متغیر سرمایه گذاری، نسبت مالکیت دولتی، درجه تمرکز، فروش، ارزش افزوده و صادرات مستقیم با استفاده از روش تحلیل تمایزی چندگانه بر اساس الگوریتم گام به گام عقب گرد مورد بررسی قرار گرفتند که مشخص شد از این بین، سه متغیر فروش، صادرات مستقیم و تمرکز بیشترین سهم را در افزایش قدرت پیش بینی مدل دارا می باشند. روش تحلیل تمایزی دو تابع تمایزی را ارائه داد که بر اساس میانگین، ضرایب کانونیکال استاندارد شده این سه متغیر در طبقه های مختلف و همچنین میانگین امتیازات تمایزی هر طبقه درهر تابع این نتیجه بدست آمد که تابع اول برای تمیز دادن طبقه اول از دیگر طبقه ها و تابع دوم برای تمیز دادن طبقه سوم از دیگر طبقه ها مناسب است. درصد صحت پیش بینیِ 82 % بیانگر قدرت بالا و قابل قبول مدل در پیش بینی طبقه بندی موارد (کیس ها) بر اساس میزان تبلیغاتشان می باشد.
- Abstract
- This research is aimed at identifying the main variables in an industry based on which the advertising intensity in that industry can be estimated. Using prior knowledge, six variables, including investment, public ratio, concentration, sales, added value and direct export were utilized by Multiple Discriminant Analysis, using the stepwise method. It turned out that among these variables, sales, direct export and concentration are variables which can better enhance the discrimination power of the model. MDA yielded two discrimiant functions. Based on the mean and standardized canonical coefficients of these three variables in different groups and also the group centroids in each function, it was concluded that the first function is good at discriminating the first group from the other two and the second function is good at discriminating the third group from the other two. The correct classification percentage of 82% indicates the highly satisfactory performance of the model in classifying the date.
