郭夢(mèng)笛，趙小山

（天津職業(yè)技術(shù)師范大學(xué)理學(xué)院，天津300222）

“回歸”統(tǒng)計(jì)方法最初由英國(guó)生物學(xué)家、統(tǒng)計(jì)學(xué)家高爾頓提出，經(jīng)過(guò)一段時(shí)間的發(fā)展，出現(xiàn)了最小二乘回歸、分位數(shù)回歸、定序回歸等一系列回歸方法。其中，定序回歸模型從提出到現(xiàn)在也經(jīng)過(guò)了一定時(shí)期的發(fā)展。陳素敬[1]采用均值比較、相關(guān)分析與定序Logit回歸的方法探討了殘疾人福利三角與主觀幸福感存在群類型分化；王晨[2]采用單因素影響分析、定序回歸方法對(duì)二手車保值率進(jìn)行分析；楊蕊嵐[3]運(yùn)用因子分析和定序回歸模型對(duì)云端用戶行為可信性進(jìn)行了評(píng)估，進(jìn)一步確保云端平臺(tái)的安全；繆宇環(huán)[4]采用非參數(shù)檢驗(yàn)與定序回歸對(duì)我國(guó)過(guò)度教育現(xiàn)狀及其影響因素進(jìn)行了分析，發(fā)現(xiàn)學(xué)歷、公司規(guī)模等對(duì)教育過(guò)度現(xiàn)象有著顯著影響；王存同等[5]運(yùn)用Tobit 模型與定序回歸探究了退休是導(dǎo)致個(gè)體健康水平降低的重要因素；姚萱等[6]運(yùn)用多因素logistic 回歸分析探究了社會(huì)人口、健康狀況、知曉情況是居民社區(qū)服務(wù)利用的重要影響因素；楊威等[7]運(yùn)用回歸分析方法為在體育社會(huì)學(xué)中的應(yīng)用提供方法指導(dǎo)。目前，在國(guó)際上Sader 等[8]提出以排名的形式合并相關(guān)的評(píng)價(jià)可以增強(qiáng)定序回歸模型的有效性；Zhu 等[9]提出了合成少數(shù)類過(guò)采樣技術(shù)處理非平衡定序回歸問(wèn)題，該方法在平均絕對(duì)誤差方面優(yōu)于典型的過(guò)采樣算法；Wu 等[10]得到了不同的影響煤炭事故發(fā)生的因素會(huì)產(chǎn)生不同程度的煤炭事故，而管理因素導(dǎo)致更高水平的煤炭事故的結(jié)論；Juliana 等[11]通過(guò)定序回歸模型發(fā)現(xiàn)在相同實(shí)驗(yàn)條件下，不同菌株的生物膜階段存在差異，序列回歸模型可以用于預(yù)測(cè)腸道鏈球菌生物膜階段與溫度等因素相互作用的關(guān)系。汪宏玲[12]運(yùn)用方差分析、logistic 定序回歸研究了年齡等因素對(duì)消費(fèi)者口感偏好的影響，可在獲取了消費(fèi)者年齡等信息的條件下預(yù)測(cè)消費(fèi)者的口感偏好。在進(jìn)行消費(fèi)者意愿的研究過(guò)程中，左妹華等[13]通過(guò)建立logistic 預(yù)測(cè)模型，發(fā)現(xiàn)將屬性與具體產(chǎn)品進(jìn)行匹配并推薦給消費(fèi)者可擴(kuò)大在線平臺(tái)的購(gòu)買轉(zhuǎn)化率；胡琴心[14]利用K-means 聚類方法和logistic 回歸發(fā)現(xiàn)離退休人員的生態(tài)消費(fèi)水平最高。本文采用消費(fèi)者對(duì)于某一種類型的葡萄酒的打分累計(jì)得分來(lái)判斷消費(fèi)者的偏好度，運(yùn)用赤池信息量準(zhǔn)則（AIC 信息準(zhǔn)則）對(duì)數(shù)據(jù)進(jìn)行定序化處理，采用統(tǒng)計(jì)學(xué)中的經(jīng)典回歸模型——定序回歸模型對(duì)實(shí)際案例進(jìn)行分析，研究消費(fèi)者喜好程度的主要影響因素，得出相應(yīng)的結(jié)論，從而可以引導(dǎo)實(shí)際的商品銷售過(guò)程。

1 商品的數(shù)據(jù)特征

在進(jìn)行研究時(shí)，選取的數(shù)據(jù)一般有2 種：實(shí)際的交易過(guò)程中產(chǎn)生的數(shù)據(jù)和實(shí)驗(yàn)數(shù)據(jù)。在交易過(guò)程中，為了解消費(fèi)者滿意度，通常根據(jù)一線客服人員的直接詢問(wèn)和經(jīng)驗(yàn)來(lái)進(jìn)行判斷，在一線客服人員進(jìn)行詢問(wèn)時(shí)，會(huì)發(fā)現(xiàn)這種方式消耗大量的時(shí)間成本和精力，市場(chǎng)的龐大、數(shù)據(jù)的復(fù)雜性、各種環(huán)境之間的干擾因素使研究難以開(kāi)展，所以研究人員研究出了另一種方式來(lái)控制變量的干擾因素，即實(shí)驗(yàn)數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)就是在一定的環(huán)境下控制其他的變量因素，只研究所需要的因變量指標(biāo)的一種數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)發(fā)現(xiàn)與因變量相關(guān)的關(guān)系一般是因果關(guān)系，在實(shí)驗(yàn)數(shù)據(jù)的收集過(guò)程中存在不足，那就是有時(shí)實(shí)驗(yàn)數(shù)據(jù)的獲取是高度簡(jiǎn)化的過(guò)程，控制了無(wú)關(guān)變量的影響，但有時(shí)卻與實(shí)際環(huán)境相去甚遠(yuǎn)。在數(shù)據(jù)的選取過(guò)程中，運(yùn)用八爪魚(yú)數(shù)據(jù)收集器在京東官網(wǎng)上收集數(shù)據(jù)，選取200 個(gè)關(guān)于葡萄酒類型的數(shù)據(jù)。在瀏覽數(shù)據(jù)時(shí)發(fā)現(xiàn)數(shù)據(jù)當(dāng)中有許多缺失數(shù)據(jù)，其中葡萄酒口味的缺失數(shù)據(jù)45 個(gè)，葡萄酒容量的缺失數(shù)據(jù)40 個(gè)，進(jìn)出口的缺失數(shù)據(jù)26 個(gè)，葡萄酒類別的缺失數(shù)據(jù)32 個(gè)，葡萄酒包裝的缺失數(shù)據(jù)32 個(gè)，所以樣本中平均缺失數(shù)據(jù)35 個(gè)，因此刪除35 個(gè)缺失多的數(shù)據(jù)，得到了本文所需的165 個(gè)數(shù)據(jù)。由于數(shù)據(jù)有缺失，需要填補(bǔ)缺失數(shù)據(jù)。填補(bǔ)缺失數(shù)據(jù)的方法為在網(wǎng)頁(yè)上查詢葡萄酒的類型，再填上所需填補(bǔ)的內(nèi)容。

在數(shù)據(jù)的收集過(guò)程中，為了了解消費(fèi)者是否滿意商家生產(chǎn)出的商品，從而促使企業(yè)生產(chǎn)出更能讓消費(fèi)者滿意的商品，在這里讓消費(fèi)者對(duì)商品的滿意程度進(jìn)行打分，對(duì)于一般的線性模型來(lái)說(shuō)，需要消費(fèi)者對(duì)產(chǎn)品的偏好度打出一個(gè)連貫的得分，最好得分的分布應(yīng)是正態(tài)分布。但這在實(shí)際操作過(guò)程中是不可實(shí)現(xiàn)的，在實(shí)際操作過(guò)程中，如果對(duì)消費(fèi)者的調(diào)查是復(fù)雜的，那么長(zhǎng)時(shí)間的詢問(wèn)會(huì)讓消費(fèi)者失去配合的興趣，從而導(dǎo)致調(diào)查數(shù)據(jù)的失真。所以在這里采用消費(fèi)者對(duì)于某一種類型的葡萄酒的累計(jì)得分來(lái)進(jìn)行判斷。在觀察消費(fèi)者的累計(jì)打分時(shí)，由于分?jǐn)?shù)的復(fù)雜性和多變性，不易看出消費(fèi)者對(duì)哪一種類的葡萄酒偏好比較多，所以本文把累計(jì)得分劃分為5 個(gè)區(qū)間，相應(yīng)地對(duì)應(yīng)喜歡的5 個(gè)等級(jí)，分別為：無(wú)所謂、一般喜歡、比較喜歡、十分喜歡、最喜歡。而由于葡萄酒的種類特別多，在這里進(jìn)行研究時(shí)可以把葡萄酒分為3 大類，分別為：紅葡萄酒、白葡萄酒和其他類型的葡萄酒。

在邏輯回歸中，所要求的指標(biāo)取值也是只有2 個(gè)可能，不適用于目前所要研究的數(shù)據(jù)，所以需要一種專門的模型。而定序回歸分析是解決消費(fèi)者偏好度這一實(shí)際問(wèn)題的常用方法。在使用定序回歸模型時(shí)，常用的因變量的取值已經(jīng)不適用，這時(shí)需要一種特殊的、專門為定序模型所設(shè)置的因變量的取值，即定序指標(biāo)。

在進(jìn)行定序回歸分析前首先要對(duì)搜集的數(shù)據(jù)進(jìn)行定序處理。定序尺度常用幾個(gè)自然數(shù)表示數(shù)據(jù)的等級(jí)，雖然定序數(shù)據(jù)僅僅代表不同的等級(jí)，不能表現(xiàn)出各個(gè)等級(jí)與等級(jí)間的“空間距離”，但是通過(guò)進(jìn)行定序數(shù)據(jù)的處理，可以把離散的隨機(jī)數(shù)據(jù)轉(zhuǎn)化為定序的潛變量數(shù)據(jù)。在本文中采集的影響消費(fèi)者偏好度的因素有葡萄酒的類別、價(jià)格、商品毛重、商品容量、進(jìn)出口、口味與包裝這 7 個(gè)因素，分別定義為 X1、X2、X3、X4、X5、X6、X7。通過(guò)觀察這些因素可以有以下的劃分：由于紅葡萄酒與白葡萄酒的數(shù)量多，其他種類的葡萄酒數(shù)目少，所以定義紅葡萄酒為0，白葡萄酒為1，其他為2；在進(jìn)出口類型中劃分為進(jìn)口葡萄酒與國(guó)產(chǎn)葡萄酒，定義進(jìn)口為0，國(guó)產(chǎn)為1；將商品毛重分為4 個(gè)區(qū)域：0~3 kg 為1，3~6 kg 為 2，6~9 kg 為 3，9 kg 以上為 4；葡萄酒的價(jià)格定義為：0~150 元為 1，150~300 元為 2，300~450 元為 3，450~600 元為 4，600 元以上為 5；葡萄酒的容量定義為：750 mL 為1，其他為0；葡萄酒的口味定義為：半干型為1，半甜型為2，干型為3，甜型為4，其他為5；葡萄酒的包裝定義為：瓶裝為1，禮盒裝為2，箱裝為3，其他為4。在挑取自變量時(shí)運(yùn)用AIC 信息準(zhǔn)則對(duì)自變量進(jìn)行分析與選擇。

在進(jìn)行變量選擇時(shí)，首先對(duì)數(shù)據(jù)進(jìn)行多元線性回歸分析。通過(guò)R 程序?qū)?shù)據(jù)進(jìn)行分析，可得到回歸方程的系數(shù)沒(méi)有通過(guò)顯著性檢驗(yàn)。接下來(lái)用逐步回歸的方法進(jìn)行變量的選擇。在逐步回歸過(guò)程中，運(yùn)用AIC信息準(zhǔn)則，當(dāng) X1、X2、X3、X4、X5、X6、X7作為回歸方程的系數(shù)時(shí)，AIC 的值為170.66。去掉X6時(shí)回歸方程的AIC 為167.68，去掉X7時(shí)回歸方程的AIC 為167.71。由于去掉X6使得AIC 達(dá)到最小，而且去掉X6之后AIC 的值均增加，逐步回歸分析終止，得到最優(yōu)的回歸方程。去掉X6進(jìn)行回歸分析，發(fā)現(xiàn)回歸系數(shù)的顯著性水平有所提高，X3、X7的顯著性水平仍然不理想，再進(jìn)行逐步回歸分析優(yōu)化。去掉X7后AIC 的值從167.68增加到了167.82，是所有變量中AIC 的值增加最少的。去掉X7進(jìn)行多元分析發(fā)現(xiàn)所有的檢驗(yàn)均為顯著。由此自變量選取了 X1、X2、X3、X4、X5。

本文消費(fèi)者的累計(jì)評(píng)價(jià)得分可以用喜歡程度的等級(jí)來(lái)進(jìn)行表示，將喜歡程度等級(jí)劃分為5 個(gè)等級(jí)，第1 等級(jí)為無(wú)所謂，用1 表示；第2 等級(jí)為一般喜歡，用2 表示；第3 等級(jí)為比較喜歡，用3 表示；第4 等級(jí)為十分喜歡，用 4 表示；第 5 等級(jí)為最喜歡，用 5表示。這里表示的消費(fèi)者喜歡程度的等級(jí)為所需的因變量。在數(shù)據(jù)選擇完畢后，需標(biāo)準(zhǔn)化處理數(shù)據(jù)，并進(jìn)行簡(jiǎn)單的分析整理。評(píng)價(jià)指標(biāo)對(duì)消費(fèi)者偏好度的影響如表1 所示。

表1 評(píng)價(jià)指標(biāo)對(duì)消費(fèi)者偏好度的影響

在每個(gè)評(píng)價(jià)等級(jí)的類別上對(duì)每個(gè)影響因素的均值進(jìn)行分析。由表1 可以看出，隨著評(píng)價(jià)等級(jí)的增加，也就是隨著人們對(duì)商品喜好程度的增加，每種影響因素的均值都穩(wěn)定在一定范圍之內(nèi)。對(duì)于商品容量這一影響因素來(lái)說(shuō)，隨著喜好程度的增加，商品的容量逐步減小，這一現(xiàn)象估計(jì)是在現(xiàn)實(shí)商品銷售過(guò)程中，商人為了增加利潤(rùn)，對(duì)消費(fèi)者滿意的商品進(jìn)行饑餓營(yíng)銷；在進(jìn)出口的均值中可以看出“十分喜歡”的進(jìn)出口的均值最大，在價(jià)格的均值中也可看出對(duì)于“十分喜歡”等級(jí)的商品的價(jià)格最高，這一現(xiàn)象從側(cè)面反映出了價(jià)格也是影響喜歡程度的重要因素。

2 模型介紹

定序數(shù)據(jù)的回歸分析模型多采用多特質(zhì)多方法模型，這種模型多運(yùn)用于心理學(xué)研究。然而這種方法在運(yùn)用時(shí)只考慮了個(gè)體判斷閾值的等級(jí)之間的差別，在運(yùn)用過(guò)程中忽略了不同個(gè)體之間的動(dòng)機(jī)。因此，本文采用一種能夠分析定量數(shù)據(jù)的統(tǒng)計(jì)模型——定序回歸模型。

在數(shù)據(jù)分析時(shí)，首先要進(jìn)行模型的選取。為此選取一般的定序因變量回歸模型[15]。解釋變量X =（1，X11，X12，X13，X2，…，X5）′，對(duì)應(yīng)的的回歸系數(shù)為 β =（β0，β11，β12，β13，β2，…，β5）′，其中 β0是截距項(xiàng)。然后再定義：X′β=β0+β11X11+β12X12+β13X13+β2X2+…+β5X5。同0-1 邏輯回歸一樣，直接定義Y=X′β+ε 是不適用的，因?yàn)閄′β+ε 為任意取值的數(shù)值，而Y 為離散型的定性的指標(biāo)，因變量Y 為消費(fèi)者對(duì)于商品的偏好程度，而在消費(fèi)者對(duì)產(chǎn)品進(jìn)行打分時(shí)，內(nèi)心會(huì)有一個(gè)更加精確的產(chǎn)品的偏好，該偏好在進(jìn)行偏好度調(diào)查時(shí)沒(méi)有被直觀顯示，是潛在的一種喜好程度，而且這種喜好是連續(xù)的。消費(fèi)者對(duì)于不同類型的相近產(chǎn)品喜好度是相近的，當(dāng)消費(fèi)者進(jìn)行產(chǎn)品的選擇購(gòu)買時(shí)就會(huì)出現(xiàn)左右為難的情況。最后假設(shè)用M 來(lái)表示消費(fèi)者潛在的偏好，可以由分?jǐn)?shù)顯示出來(lái)。當(dāng)消費(fèi)者對(duì)某一產(chǎn)品更加喜歡時(shí)，累計(jì)得分就會(huì)越高。對(duì)應(yīng)地，當(dāng)M 取值特別低時(shí)，消費(fèi)者對(duì)某一產(chǎn)品的偏好度就會(huì)低。在數(shù)學(xué)上，可以假設(shè)

式中：c1-c4為4 個(gè)喜好程度劃分的的閾值，需要根據(jù)數(shù)據(jù)進(jìn)行分析，然后預(yù)測(cè)評(píng)估，c1= 1 500；c2=3 000；c3=4 500；c4=6 000。

若潛在變量M 為連續(xù)變量，則假設(shè)M 為一個(gè)普通的線性模型：M=X′β+ε。假設(shè)ε 服從一個(gè)均值為0，方差為1 的標(biāo)準(zhǔn)正態(tài)分布，方差為σ 時(shí)，則重新定義一個(gè)新的殘差得到回歸系數(shù)為潛在變量為因此 var=1 則回歸系數(shù) β 是不成立的。因此選取方差為1 的模型進(jìn)行求解。

假設(shè) ε~N（0，1），能夠得出的各個(gè)取值 Y 的條件概率。假如Y = 2 時(shí)

P（Y = 2|X）= P（c1≤M ＜ c2）= P（c1-X′β≤ε ＜c2-X′β）= Φ（c2-X′β）- Φ（c1-X′β）；

假如Y = 3 時(shí)

P（Y = 3|X）= P（c2≤M ＜ c3）= P（c2-X′β≤ε ＜c3-X′β）= Φ（c3-X′β）- Φ（c2-X′β），……，能夠得到Y(jié) 的條件概率如下

其中Φ（t）代表的是一個(gè)標(biāo)準(zhǔn)正態(tài)分布的分布函數(shù)，式（2）即為 PROBIT 回歸模型。

同0-1 變量邏輯回歸與普通的線性回歸類似，對(duì)于PROBIT 回歸模型來(lái)說(shuō)研究的是回歸系數(shù)β。對(duì)于一個(gè)給定的解釋變量Xj，βj=0，在給定其余解釋變量的條件下，該指標(biāo)對(duì)于解釋條件概率pk（X′β）沒(méi)有影響，因此對(duì)于解釋變量條件概率pk（X′β）沒(méi)有幫助，對(duì)于解釋定序變量Y 也就沒(méi)有任何幫助。若βj＞0，在給定其余解釋變量數(shù)值恒定時(shí)，指標(biāo)Xj的上升就會(huì)帶來(lái)?xiàng)l件概率的下降，也就是說(shuō)，因?yàn)閅 值取值偏小的可能性小，Y 的取值有可能變得更大。從一方面看，Y 的取值與指標(biāo)是“正相關(guān)”的關(guān)系。若βj＜0，在給定其他解釋變量不變的情況下，指標(biāo)Xj的增加會(huì)帶來(lái)解釋變量條件概率pk（X′β）的增加。因而Y 取值偏小的可能性升高，也就是說(shuō)Y 的取值有可能變得更小。從另一方面看，Y 的取值與指標(biāo)是“負(fù)相關(guān)”的關(guān)系。

用（Yj，Xj）代表第j 個(gè)個(gè)體的數(shù)據(jù)，其中Yj是因變量，Xj=（Xj1，Xj2，…，Xjp）′是對(duì)應(yīng)的解釋變量，那么 Yj與Xj的聯(lián)合似然函數(shù)為β，c）}I(Yj=k)，c=（c1，c2，c3，c4）′，對(duì)公式做對(duì)數(shù)變換后，得到對(duì)數(shù)似然函數(shù)為極大化對(duì)數(shù)似然函數(shù)得到極大似然估計(jì)，為該估計(jì)量是相合一致的無(wú)偏估計(jì)，而且該估計(jì)是極限正態(tài)。為每個(gè)系數(shù)的估計(jì)差做判斷，計(jì)算與系數(shù)相對(duì)應(yīng)的 p-值，假設(shè)檢驗(yàn) H0：βj=0，H1：βj≠0。

單獨(dú)檢驗(yàn)多水平因素，對(duì)比以下模型。

模型 1 X′β=β0+β11X11+β12X12+β13X13+β2X2+… +β5X5

模型 2 X′β=β0+β2X2+… +β5X5

把模型1 與模型2 的離差分別記作DEV1、DEV2。模型1 比模型2 靈活，因此DEV1＜DEV2。若原假設(shè)= 0 為真，DEV2-DEV1的值不會(huì)特別大。在樣本量足夠大的情況下，服從自由度為df=3 的卡方分布。因此可近似計(jì)算出模型全局檢驗(yàn)的p-值，并以此為依據(jù)，對(duì)葡萄酒品牌這個(gè)因素的顯著性有所判斷。

評(píng)價(jià)指標(biāo)的極大似然估計(jì)如表2 所示。在表2中，商品毛重、白葡萄酒和其他類別的葡萄酒的參數(shù)估計(jì)為正，高度顯著，白葡萄酒的極大似然估計(jì)最大，說(shuō)明白葡萄酒在葡萄酒消費(fèi)市場(chǎng)中所占的比例最高，具有明顯的產(chǎn)品優(yōu)勢(shì)；5 個(gè)解釋變量的標(biāo)準(zhǔn)誤差均在0～0.3，其中價(jià)格的標(biāo)準(zhǔn)誤差最小，這也說(shuō)明價(jià)格的數(shù)據(jù)分析更貼合實(shí)際。T 統(tǒng)計(jì)量在-4～4 之間取值；葡萄酒類別、價(jià)格、容量、進(jìn)出口、商品毛重的p-value 均小于 0.05，所以拒絕原假設(shè)，因此 X1、X2、價(jià)格、容量、進(jìn)出口、商品毛重均對(duì)消費(fèi)者對(duì)于葡萄酒偏好度的影響是顯著的。價(jià)格（X2）是最重要的，因?yàn)樗鼘?duì)應(yīng)的極大似然估計(jì)最大（0.6），這說(shuō)明了價(jià)格對(duì)于消費(fèi)者的重要性。

表2 評(píng)價(jià)指標(biāo)的極大似然估計(jì)

3 預(yù)測(cè)評(píng)估

Yi為消費(fèi)者的未知偏好，Xi為某一葡萄酒的各種屬性，分析數(shù)據(jù)建立定序回歸模型，計(jì)算得到極大似然估計(jì)將此估計(jì)用于未來(lái)數(shù)據(jù)，對(duì)其因變量的各種取值的概率估計(jì)為

此概率量化了消費(fèi)者各種偏好的可能，若偏好程度k 可能性越大，預(yù)測(cè)= k。由此定義預(yù)測(cè)=把消費(fèi)者偏好概率預(yù)測(cè)pk為最大，定序變量只有 2 個(gè)取值的條件下，定義極小化判斷錯(cuò)誤概率

考慮加權(quán)錯(cuò)誤判斷概率WMCR，對(duì)稀有樣本給予更大權(quán)重，豐富樣本給予更小權(quán)重，定義WMCR =以加權(quán)錯(cuò)誤判斷概率為標(biāo)準(zhǔn)，產(chǎn)生的預(yù)測(cè)為

極小化MCR 的預(yù)測(cè)結(jié)果如表3所示。

表3 極小化MCR 的預(yù)測(cè)結(jié)果

表3 中，完全準(zhǔn)確的預(yù)測(cè)樣本量為80；總預(yù)測(cè)樣本為165；相應(yīng)的整體錯(cuò)誤判斷率MCR =（165-80）/165=0.52。

4 結(jié) 語(yǔ)

定量數(shù)據(jù)在指標(biāo)評(píng)價(jià)體系中比較常見(jiàn)，在消費(fèi)者模型中通常建立定序回歸模型，并對(duì)解釋變量及響應(yīng)變量作出解釋，對(duì)消費(fèi)者偏好度作出預(yù)測(cè)。本文研究了葡萄酒的類別、價(jià)格、容量、商品毛重、進(jìn)出口對(duì)于葡萄酒消費(fèi)者偏好度的影響程度，可以看出價(jià)格與喜好程度有很大的關(guān)聯(lián)，商品的價(jià)格很大程度上影響了消費(fèi)者的喜好。消費(fèi)者更傾向于價(jià)格在450～600 元之間的葡萄酒。由于數(shù)據(jù)來(lái)源于京東商城，消費(fèi)者群體年齡、性別等影響消費(fèi)者購(gòu)買力的數(shù)據(jù)對(duì)于本文來(lái)說(shuō)是未知的，而且消費(fèi)者的偏好度與消費(fèi)者的購(gòu)買水平無(wú)法等同，接下來(lái)的工作會(huì)更詳細(xì)地考慮評(píng)價(jià)指標(biāo)，如年齡、性別以及消費(fèi)者對(duì)葡萄酒的了解程度等。因此，完善理論研究進(jìn)而進(jìn)行實(shí)際意義的指導(dǎo)是下一步研究的重點(diǎn)。