晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

談到RFM分組，一般常見為五等分，將客戶分成5×5×5 = 125等級中，如下所示。

前二篇「用SPSS來作RFM行銷分析」主要偏重技術面，本篇改用商業問題解決的應用角度來談RFM。

首先談一個常見的概念，許多行業有「80%收入來自20%的客戶」的特性，所以在作銷售預測時，透過購買量的記錄，來辨別未來重要客戶，便成為理所當然的事。

<精確配對（Exact match）>

精確配對指的是指定治療組（treated）與對照組（untreated）的某個變項的分配（或比例）要一模一樣，通常都是類別變項（Categorical variable），最常見的就是性別，亦即指定男性必須配男性，女性就配女性。R與NCSS的傾向分數配對的操作介面皆有提供精確配對的選項，但是SAS卻沒有，而是要透過自己修改Macro（巨集）加以指定對某些變項精確配對。

在非隨機分派的觀察型研究中（Non-randomized observational study），如果欲比較介入或處置的效果（Treatment），在研究上的最大威脅就是選擇性偏差（Selection bias）的問題。對此，傾向分數配對（Propensity score matching）已被證實是最有效的工具，並且已經廣為使用。

本篇文章並未嘗試介紹傾向分數的原理與使用方式，而是在介紹目前較受歡迎的幾個統計軟體之間的比較。若對於傾向分數想要深入認識者，可參考以下兩篇論文。其中Rosenbaum（1983）年的論文是經典文獻，在Google scholar上的引用次數已經超過14,000次；而d’Agostino（1998）則是一步一步教學且實務理論兼顧的教學文章。

當比較不同群體在分數上的差異性時，一般都會採用獨立樣本t檢定或單因子變異數分析，因此在統計表格中，這兩種統計方法所呈現的結果非常相似，僅差在單因子變異數分析達顯著時，必須進行事後比較，事後比較又以Scheffé法最常使用。

為配合SPSS軟體的設定，本系統在此部分的表格製作與SPSS報表輸出檔較為接近，而表格內只會有一個分組變項（俗稱自變項），另外同時會針對多個檢定變項（俗稱依變項）進行分析，這種表格呈現方式是社會科學領域較常見的格式。因此使用該系統進行分析時，請使用者配合各自的需求進行調整。

以下感謝一些好朋友給的心得回饋，分享給大家參考囉!!

<臺中市 洪先生>

三、    收納病人的條件（Study patient / Study cohort）

（一） 建議報告項目

在商業調查中，比較常見的資料型態其實是分類資料，如職業別、地域別、消費行為別等，相對於五點量表型資料而言，分類資料其實更容易解讀、歸納並推廣結論。

一般我們對於分類型資料常用的是交叉分析，即二維表格，可能直欄為消費行為，橫列為背景資料，然後加上卡方檢定，判斷二者是否有關聯。不過，這種方式有以下缺點：