Étude de marché sur l’analyse discriminante

Qu’est-ce que l’analyse discriminante ?

L'analyse discriminante (DA) est une technique utilisée en statistique pour classer les résultats. Ils placent ces résultats dans des groupes non chevauchants en fonction des scores d'une ou plusieurs variables prédictives quantitatives. Comme son nom l'indique, c'est un moyen de discriminer ou de classer les résultats. Trois personnes se partagent le mérite d'avoir donné naissance à DA. Il s'agit de Mahalanobis en Inde, de Fisher au Royaume-Uni et de Hotelling aux États-Unis.

Un médecin peut effectuer une AD pour rechercher des patients présentant un risque élevé ou faible d'accident vasculaire cérébral. L’analyse pourrait les classer en groupes à risque élevé ou faible. Il peut baser ces groupes sur des attributs personnels tels que la masse corporelle ou le taux de cholestérol. Ou encore, ils peuvent le baser sur des comportements liés au mode de vie. Par exemple, il peut les classer en fonction du nombre de cigarettes par jour ou de séances d'exercices hebdomadaires.

Vous pouvez utiliser DA pour des objectifs prédictifs ou descriptifs. Les étapes impliquées sont les suivantes :

• Trouver le problème
• Estimer les coefficients de la fonction discriminante
• Comprendre l’importance de ces fonctions discriminantes
• Interpréter les résultats
• Évaluer la validité des résultats

Pourquoi l’analyse discriminante est-elle importante ?

Les chercheurs utilisent le processus d’analyse discriminante pour les aider à comprendre le lien entre une « variable dépendante » et une ou plusieurs « variables indépendantes ». Une variable dépendante est une variable qu'un chercheur tente d'expliquer ou de prédire à partir des valeurs des variables indépendantes. Parfois, la variable dépendante est divisée en plusieurs catégories (variable catégorielle).

DA prend des variables indépendantes continues et développe une relation ou des équations prédictives. Les chercheurs utilisent ces équations pour placer les variables dépendantes en groupes.

Lorsque la variable dépendante comporte deux catégories, le type utilisé est l'analyse discriminante à deux groupes. S'il comporte trois catégories ou plus, le type utilisé est l'analyse discriminante multiple. Il existe également l'analyse discriminante linéaire (LDA) et l'analyse discriminante quadratique (QDA).

Voici la principale distinction entre les types d’analyse discriminante. Pour deux groupes, il n'est possible de dériver qu'une seule fonction discriminante. Ce type d’AD est connu sous le nom d’analyse de fonction discriminante. Dans le cas de plusieurs analyses discriminantes, vous pouvez calculer plusieurs fonctions discriminantes.

DA vise à répondre aux questions suivantes :

• En quoi les regroupements attendus et observés diffèrent-ils ?
• Dans quelle mesure l’écart entre les deux est-il statistiquement significatif ?

Il s'agit d'un outil de recherche et d'analyse robuste, en particulier lorsque les chercheurs tentent de comprendre en quoi les groupes (cohortes d'âge, clients) ou les articles (articles, marques) diffèrent.

Pourquoi les entreprises ont besoin d'une analyse discriminante

L'analyse discriminante présente de nombreux avantages, surtout aujourd'hui à l'ère des données. Cette méthode est un avantage avéré. Grâce à cela, de nombreuses entreprises peuvent désormais stimuler la croissance, les bénéfices et la compétitivité.

De nombreux exemples peuvent expliquer quand DA convient. Par exemple, vous pouvez l'utiliser pour déterminer en quoi les utilisateurs légers, moyens ou lourds de boissons gazeuses diffèrent dans leur consommation d'aliments surgelés.

Il s’agit d’un outil populaire car il est largement utilisé dans différents secteurs. Les entreprises peuvent l'utiliser pour analyser des problèmes spécifiques. Ils doivent déterminer quelle variable indépendante a le résultat le plus significatif sur une variable dépendante.

À propos de l'analyse discriminante

Vous pouvez comparer l'analyse discriminante à l'analyse de régression pour déterminer dans quelle mesure les objets adhèrent aux conditions de certains groupes.

Vous pouvez également le comparer à l’analyse de cluster, qui est un apprentissage non supervisé. En revanche, DA est un apprentissage supervisé. Le chercheur établit la catégorie d'objet avant de le démarrer.

DA a de nombreuses utilisations. Par exemple, vous pouvez en tirer parti pour déterminer quelles variables prédictives sont liées à la variable dépendante. Vous pouvez également utiliser DA pour prédire la valeur de cette dernière et développer des cartes perceptuelles.

SIS International Research accompagne les entreprises du monde entier dans leur planification stratégique. Nous proposons des services d'études de marché et utilisons l'analyse discriminante dans tous les secteurs. Nous pouvons vous aider avec votre étude de marché qualitative et quantitative. SIS fournit également des études de marché et des analyses concurrentielles en matière d'UX et de stratégie.