第二节由市场调查的目标选择

第二节　由市场调查的目标选择 统计分析方法

统计分析的方法很多，既有简单的单因素描述性分析，如频次分布、均值、标准差，又有复杂的多因素分析，如因素分析、聚类分析等。面对通过市场调查获得的或者企业内部的大量数据资料，究竟应采用何种方法进行分析呢？

决定统计分析方法主要有两个因素，一是市场调查与分析的目标，二是数据的类型和性质。

市场研究总是从一定问题开始的，同时市场调查作为市场研究的一种重要方法，又要受到时间、人力、财力因素的制约，因此，其目标在不同的市场调查中是不完全一样的。

有的市场调查时效性较差，而需要的结果比较深入，这就需要精心设计准备，统计分析也是复杂的、深层次的；而有的市场调查的时效性极强，其目标只不过对当前市场状况的表面的但又是准确的了解，对相对简单调查资料的统计分析因而也是相对简单的。

总体而言，市场调查及研究的目标可大略划分为三大类：描述说明市场状况、分析解释市场因果关系及市场预测。这三类目标决定了对市场调查资料的统计分析方法的选择，下面分别讨论。

一、描述说明市场状况

多数市场研究的首要目的是为了清楚准确地了解当前市场状况，如市场占有率、市场潜力、分销路线，等等。

描述性分析是解答市场“是什么”的问题，它能对各市场影响因素的状况、特点和发展做出客观、准确的描述，而系统周密的描述是正确认识与解释市场现象的前提，只有在客观真实地描述现状的基础上才能说明市场现象间的因果联系。

在描述性分析中，可找出相关的市场因素。例如在对销售量的分析中发现其与广告支出有很大关系，但并不能说明何者为因、何者为果。因果关系的分析是比描述性分析更高一层次的任务，描述性分析只要找出一些相关关系就可以了。换句话说，描述性分析说明市场中某种现象或因素“如何”的问题，然而正是通过它，描述性分析却提供了可进一步深入研究的基本资料和基本方向。发现了两市场因素之间相关关系，自然会引导我们去探讨何者为因、何者为果的问题，从而能在市场决策中对症下药。

此外，如果想进行一些估计或预测性研究，则描述性分析也是极为有用的。没有描述性分析所提供的资料，就无法从事统计推论的工作，从而无法对市场进行估计和预测。

进行市场调查资料的描述性分析，统计分析方法主要有以下几类：

（一）单变量分析

所谓单变量分析，是指对单独一个市场因素进行的分析，如市场潜力分析中某产品居民日消费量，分销路线分析中的该产品的消费者主要的购买场所等等此类问题。

单变量分析主要由两相互区别又相互补充的部分组成——集中趋势统计分析和离散趋势统计分析。

1.集中趋势统计分析。

所谓集中趋势统计分析是指对市场调查的数据资料用特定的计算公式计算出一些量数，用以描述数据的全貌和各种特征。集中量数也称集中趋势，它实质是一组数据的代表值，代表着现象的一般水平，别的数值围绕在它的周围。

在市场资料统计分析中，集中量数有下面三个方面的作用。

第一，说明市场现象在一条件下，其数量的一般水平。如用户均收入来反映被访户的家庭经济状况水平，用平均产品销售量来反映企业本身的经营状况。

第二，对在不同空间的同类市场现象进行比较，如通过不同市场区域内本企业产品销售量的区别来反映各自经营状况的优劣。

第三，对一定市场现象在不同时间中的变化进行比较，以初步揭示这类市场现象的可能发展趋势和规律。例如，通过本企业儿童产品的销售不断上升，初步推测儿童产品市场容量的不断扩大。

常用的集中趋势分析工具有众数、中位数和均值这三个集中量数。

（1）众数。是指在一组数据中重复次数最多的变量值。在描述某一社会现象时，有时不需要计算算术平均数，只要掌握最普遍、最常见的标志值就行了。这时可采用众数。

如使用某品牌香皂的消费者中，中年人所占比重最大；某地区牙膏的使用集中在××品牌等等，这些都是众数的表现形式。

从某种意义上来说，频数最高的变量值，是代表性最好的。

（2）中位数。是把调查到的数据资料按照变量值大小顺序排列，处于中央位置的变量值表示中间位置的平均数，所以也称位置平均数。中位数把观察总数一分为二，其中一半是比它小的变量值，另一半是比它大的变量值。

（3）均值。基本定义是以总体各单位数值之和除以总体单位总数的商，即

用均值作为变量的集中值，不仅考虑到变量值的频次、次序，还考虑到它的大小。数据资料中任何频次、次序和数值大小的变化，都会引起均值的改变，因此它是灵敏的，也是对资料所提供的信息运用得最充分的。

众数、中位数和均值，这三个数值设计的目的是共同的，都是希望通过一个数值来描述整体特征，以便简化资料。它们都反映了变量的集中趋势。同时，它们的使用各有特点：

首先，众数仅使用资料中最大频次这一信息，因此，资料使用是不完全的。实际上，在两份资料中只要最大频次所对应的变量值相等，那么，用众数值来评价资料，两者就没有任何区别了。

其次，中位数由于考虑到了变量的顺序和居中位置，因此，它和总体的频次分布有关。但由于它只考虑到居中位置，因此，其他变量值比中位数大多少或小多少是不影响中位数的。

再者，均值由于既考虑到频次，又考虑变量值的大小，因此它是最灵敏的。不过，虽然均值对资料的信息利用得最充分，但对严重偏态的分布，会失去它应有的代表性。例如，在酒类消费调查中，个别酗酒者的存在，会使酒的平均消费量变得过高。因此，对于偏态的分布，应使用中位数作为集中趋势。

除了用众数、中位数、均值反映资料的集中趋势外，还有几何平均值、调和平均值，等等，这里不再介绍，有兴趣的读者可查阅有关的书籍。

2.离散趋势统计分析。

集中量数能对总体做出概括的说明，用以反映数据资料的特征和一般水平，但这只是问题的一个方面。数据资料还有分散的一面，即离散趋势的一面。为了揭示市场调查数据资料的全面特征，还要计算离散量数，用以说明数据的变异程度。

离散趋势统计分析主要是求得离中量数，也称差异量数，是用来描述数据分散程度的。

离中量数也是一个概括性量值，是市场分析中研究市场现象差异程度的概括表现，它的意义在于阐明被研究现象的差异特征。

它的作用在于：

（1）描述了一组数据的差异情况，使我们对一组数据的全貌有比较清楚的了解。

（2）对集中量数的代表性做了补充说明，差异量数越小，集中量数的代表性越大。

以下只介绍异众比率、全距、四分互差和标准差这四种离中量数，它们分别对众数、中位数和均值作补充说明。集中量数是和离中量数配合使用的。其中，众数和异众比率配合，中位数和全距、四分互差配合，均值和标准差配合。

（1）异众比率。是指非众数的次数与总体内全部总体单位的比率。其计算公式为

其中，VR代表异众比率，n是总体单位数，fmo为众数的次数。

异众比率越小，即非众数的比例越小，众数的代表性越好，信息量越大。反之，异众比率越大，众数的代表性越差，所提供的信息量也越小。

（2）全距。是某变量的变量最大值和最小值的差距，它也是对变量分散程度的度量。

全距＝观察的最大值-观察的最小值

全距小表示资料比较集中，全距大表示资料分散。全距的计算方便，但由于它的值是由端点的变量值决定的，因此个别远离群体的极值会极大地改变全距值，以致它不能真正反映资料全体的分散程度。

（3）四分互差。为克服极值对数据资料分散度量的干扰，可使用四分互差。

将一组数据按大小排列成序列，然后分成四个数据数目相等的段落，各段落分界点上的数为四分位数。第一个四分位数（Q₁）以下包括了25%的数据，第二个四分位数（Q₂）是中位数，第三个四分位数（Q₃）以下包括了75%的数据。然后我们舍去资料中数值最高的25%和数值最低的25%，仅就属于中间的50%数据求其量数作为离中量数，就是四分互差。

（4）标准差。是指资料中各个数值与算术平均数相减之差的平方和的算术平均数的平方根。它是用得最多，也是最重要的离中量数，其代表符号为σ，计算公式为

其中x_i为资料中的各个数值，-x为算术平均数，n为总体单位数。标准差的平方σ²被称为方差。

（5）标准误差。正如标准差反映了总体随机变量围绕总体均值的平均分散程度一样，标准误差σ_-x反映了调查样本围绕总体的均值的分散程度，或者说反映了调查抽样均值的平均误差或标准误差。由于σ_-x是抽样引起的，σ_-x的大小可以反映统计量的可靠性程度。

差异量数在描述一组资料的差异程度，或在比较两组单位相同且平均数不相上下的资料的差异程度时，都很有价值。但必须要求两数据集中量数大致相同，单位相同，而事实上在收集资料中还有许多不符合上述条件的资料也需比较分析，这就需要一些相对差异量数的分析方法，如离散系数、标准系数等。

离散系数是标准差与算术平均数的比值，用百分比表示。它是一个相对数，所以不受单位的限制。在算术平均数不为零的情况下，离散系数越大，数据的离散程度越大，集中量数的代表性越小；反之，数据离散程度越小，集中量数的代表性越大。

通过单变量的集中趋势分析和离中趋势分析，可以清楚全面地反映市场调查所得各市场因素的特征，为进一步分析它们之间的关系越定了基础。

（二）双变量分析

在市场分析过程中，除了单变量的描述性分析，还有双变量的描述性分析，用以描述和揭示两变量或多变量之间存在的关联关系，在统计分析中此任务主要由相关分析完成。

在现实世界中，各种事物之间的普遍联系是客观存在的，但联系的表现形式各不相同。这些表现形式大致分两类：一类指事物之间是有完全确定性的关系，称为函数关系；另一类则是指事物之间的不完全确定的关系，称为相关关系。

总的说来，后者更为普遍，而在复杂多变的市场中，一些市场因素之间也多存在相关关系。例如企业某产品的销售量与广告投入之间的关系，它们之间不具备完全确定的关系，因为产品的销售量不仅受广告宣传影响，还受价格、分销渠道乃至社会经济形势等一系列因素的影响，广告只是诸因素之一，所以产品销价量与广告之间有时不能用一一对应的函数关系来描述。但企业产品销售量和广告投入之间的关系，通过大量观察能够反映出一种大概趋势，即随着广告投入增加，产品销售量也增加。

相关分析要用一个量数表明市场因素之间相互依存的密切关系程度，这个表明关系密切程度的量数称为相关系数。在市场调查的资料分析中测出两个市场因素或两个市场现象之间的密切程度是十分重要的事情，如果我们测定出广告宣传与产品销量之间的密切程度，那么将有助于对市场深入的分析及其市场决策。

相关分析的目的在于了解两市场因素之间的关系密切程度，不涉及其有无因果关系，从本质上说，相关分析只是对客观市场状况的一种描述。它表明两市场因素之间是否存在关系以及该关系的强弱，相关程度越高，说明两市场因素之间的关系越密切。

双变量描述性分析除了相关分析外，还有分组比较分析，即我们可以对研究对象进行分组描述。例如通过对被访者的性别进行分组，看他们在酒的消费上有无区别，这便用到了统计分析中的子总体描述分析方法。通过分析，我们发现男性每月平均消费白酒1.5斤，而女性为0.7斤，这种状况的描述反映了性别变量造成的白酒消费量上的差异，这既是一种描述，又是一种比较，这种分析为因果分析创建了基础。

上面讨论了两种主要的双变量分析的统计分析方法，此外市场中还存在一些多变量分析，但多变量之间的分析过于复杂，许多方法不在本书讨论之列，在具体市场分析中人们往往将之化为两两之间的双变量分析进行。而本书将介绍的真正多变量分析是方差分析中最简单的一种方法，也是一般市场分析中用得较多的方法。

二、分析解释市场因果关系

对市场状况的解释性分析是市场分析的一个方面和主要层次，特别是在分析两市场因素或多因素的关系时，相关分析只能指出存在关系和关系的强度，而不能确定该关系的方向，即究竟谁是因、谁是果。而无法为解决问题提供直接的依据。

因果关系分析的主要目的便是确定各有关市场因素之间的关系。

（一）因果关系的概念

因果关系这个概念是相当复杂的。一般人认为所谓的因果关系是指某个单一事件（因）总是导致另一事件（果）的产生。但事实上社会现象、市场因素的复杂性常常需要我们更进一步，不仅关注这种一对一的因果关系，而要强调多对一的因果观念，亦即强调促使某一事件的出现成为可能的多种决定条件。

在试图探求某一市场现象的决定条件时，研究者所要找寻的是导致该现象出现的充分与必要条件。充分与必要条件的意义是什么呢？利用操作式的定义来说：

充分条件的意义为，如果X是Y的充分条件，则当X发生时，Y总是跟着发生，但是并不是一定要X出现，Y才会出现（亦即X不出现时，Y也可能出现）。

举例来说，听神经的损坏（X）是耳聋（Y）的充分条件，因为当一个人的听神经损坏时，他的耳朵总是会听不见的，但是，并非一定要听神经受损才会导致耳聋，因此听神经的损坏只是耳聋的充分条件。

必要条件的意义为，如果X是Y的必要条件，则Y出现时，X必然会出现；但是X出现时，Y却不一定也跟着出现。

必要条件的例子可用以前吸食毒品的经验（X）与上毒瘾（Y）来说明。一个人必定要曾经吸食过毒品，他才会上毒瘾，但是，一个曾吸食过毒品的人，却不一定会上毒瘾，因此我们说先前吸食毒品的经验是上毒瘾的必要条件。

当X同时是Y的充分条件和必要条件时，人们称X为Y的充要条件。即当X出现时，Y总跟着出现，而且当Y出现时，X必定也会出现。这时候，我们可以确信X能够决定Y的出现与否。如果能进一步判定X在时间上处于Y之前，则可初步认为X是Y的原因。

（二）市场分析中的因果关系

根据上述的说明，如果研究者能够找到某个市场现象的充要条件，他就可能建立与该现象有关的真正的因果关系。然而尽管理论上如此，但在实际的市场研究中很少能达到这种理想状态。因为在市场分析中，由于研究对象异常复杂，研究者往往无法找出影响某市场因素或市场现象的充要条件，因而无法直接陈说某个市场因素或现象能够决定另一个市场因素或现象的出现与否。

市场研究中的因果关系分析主要目的在于了解各市场因素对某一市场因素或现象的关系所在，而不像科学研究中那样严格，事实上也无法做到那样严格，但它们的因果关系判断基础却是一样的。下面予以简要说明：

第一，两市场因素必须具有共变关系——X与Y必须共同出现或共同变化。

第二，二者出现的时间顺序必须是影响因素在前，而后果因素在后。如果影响因素的出现比后果因素的出现晚，则原有假设是错误的。

第三，必须将其他可能的影响因素予以排除。有些因素在初步分析时，似乎构成可能的影响条件之一，但是若经深入的分析，却能证明这些可能的影响因素实际上并非真正的影响因素，研究者应该尽可能地将这些因素剔除。

市场分析中的因变量：虽然市场因素的因果关系非常复杂，但通常而言，在市场分析中，销售可作为最典型的因变量，即作为结果因素，其余的因变量还可以是市场占有率、成本、利润等，但一般而言销售是市场分析中最为重要的因变量。

市场分析中的自变量：即影响因素，则为企业本身可以控制的市场推销变量，亦称为“市场变量组合”，例如价格、广告支出、分销路线、产品包装、款式，等等。以上这些皆为企业可以加以控制的变量，又称内在变量。此外，在企业的市场环境中，还有许多不能控制的变量，称为外在变量，它们也是市场状况、特别是销售的影响因素，如政府法令、竞争者的广告支出与价格、消费者的收入、偏好的转变等，这些显然非企业所能控制，但却又对企业的市场表现影响很大。

在描述性研究中可以收集到自变量与因变量的特征资料，也可以指出其间的相互关联，但究竟是何种关系，却是描述性分析无法解答的，而需要因果关系分析。以影响销售的因素而言，关联因素很多，但究竟何者为决定性因素，则需要因果关系分析给予回答。

举例来说，近几个月销售的增长是否因为广告支出的增加而造成的呢？

如果从描述性分析的资料来看，销售与广告支出具有明显的统计关联，不过，有关联不一定就表示两者之间存在因果关系。因为可能还存在有竞争对手的产品质量下降或销售组织效率过低造成的影响，也可能存在有某种时尚导致消费者对产品的需求增加的影响，或者其他什么因素的影响。

就算仅有销售与广告支出有关联，但何者为因，何者为果？销售增加是否一定为广告支出增加所影响？反之，我们是否也可说广告支出的增加乃是销售增加的结果，因为有些企业的广告支出费用乃根据其销售数值的某一固定百分比而拟定，一旦如此，销售增加则为因，而广告支出则为果了。

在市场分析中，因果关系分析是一个综合各种分析方法的综合过程，它需要研究者的洞察力和判断力，也需要调查经验资料的支持，而统计分析只是其中的一部分，是与定性分析一起确定因果关系后，用以指示若干市场因素对某一市场因素或现象的关系。统计分析中的因果分析主要有回归分析方法、因子分析方法等。

1.回归分析。

回归分析是对有相关关系的现象，根据关系的形态选择一合适的数学模型用来近似地表达变量间平均变化关系的分析，这个数学模型一般被称为回归方程式。

在回归分析中，作为结果的变量为因变量，作为原因的变量为自变量。这种因果关系的确定依赖于事先或同时的定性分析，回归分析只是对这种因果关系的描述，仅它本身并不能判定因果顺序的存在。在实际分析工作中，统计分析起的是检验和明晰这种因果关系的作用。

回归分析可分为简单（一元）回归分析与多元回归分析，前者只是说明一个自变量和一个因变量之间的关系，但正如前面所说，在市场研究中，往往一个因变量受到数个自变量的影响。因变量与各自变量之间如为一线性关系，市场研究者便可利用已知资料在因变量与自变量之间求出一统计关系，而得一线性方程，反映各市场因素（自变量）对某一市场现象（因变量）的各自的贡献与影响，这也是市场资料统计分析所能达到的因果关系研究的程度。

我们分析中必须知道相关是回归的必要条件，也就是说有相关关系未必有回归关系，无相关关系则必无回归关系。相关分析是回归分析的基础。另外，之所以有相关关系而未必有回归关系，是因为这两个事物之间虽有密切关系，但不是因果关系。

此外，在回归分析中，还可以使用线性相关系数，它不仅可以说明变量之间关系的密切程度，还可以度量回归方程对实际资料的拟合程度。在分析中，我们采用R2作为判定系数，如果R²＝0.82这个数字表明，应变量Y的变动有82%可以用X的变动来解释，其他18%的变动是由其他一些未知因素影响的。

2.因子分析。

因子分析是一项多元统计技术，旨在研究一组市场因素（变量）之间的相互关系。而这些变量并不像在多元回归分析中能划分为自变量和因变量两大类。在因子分析中，所有变量都为因变量，却与一些隐藏因子构成函数关系。

运用因子分析的场合如研究者同时测量一群市场研究对象对数十或数百个变量的反应（如产品质量测量），而这些变量中某些变量之间又存在着相当高的相关关系。此时，研究者可能怀疑：这些相关度甚高的变项，可能是由少数几个共同因素所决定的。因子分析法的最大功用，便是能够让研究者从市场的许多变量中，抽取少数几个共同因素，并推知因素的性质，建立一个简练、明确而又有概括性的因果关系。

3.相关分析。

相关分析本来是作为一种描述两变量之间关系的统计分析方法，但在因果关系研究中也常常用到它，通过相关分析，可以找到我们要解释的市场特征的一些影响因素，即相关因素，并可对这些影响因素进行逐步的检查，去伪存真。最后，根据两因素之间的共变关系及时间上的先后顺序，提供一种合理的因果解释，即在两相关变量之间建立因果关系。

三、市场预测

市场预测是在市场调查的基础上通过一定的办法，对影响市场需求变化的各种因素进行研究分析，预见其发展的趋势。

市场销售所面临的最大问题乃是需求问题，需求为生产的先决条件，亦为企业销售的条件，市场需求的估计对每个企业来说，都是有重大意义，因为只有知道未来的需求或者估计未来的需求，企业才能做生产、财务、人事、组织等计划。对将来企业产品的需求如果完全不了解或无从估计的话，日后所冒的风险必然很大，可能会出现生产过剩（生产大于需求）或生产不足（需求大于生产），而这两种情形都会使企业蒙受损失。

区别于传统意义上的企业不可影响需求，现代市场中的需求在很大程度上是变动的，企业可以通过自己的努力去扩大市场需求，从而能增加自己的生产，而这种努力的主要途径就是把握消费者的偏好，企业通过投其所好来刺激需求，另外现代广告媒体、社会风潮也会影响某些产品的需求量。这样，我们可以通过建立各市场因素（如消费者偏好、时尚等）与需求之间的关系来预测和控制未来的销售。

由于市场中的因素很复杂，因此要想在千变万化的各种因素中找出规律，就要深入观察并拥有大量的数据加以科学分析，以尽量减少未来的不确定性和预测的偏差。

（一）市场预测的种类

市场预测的内容很多，在市场分析中主要有以下两大类：

1.市场潜量和销售潜量的预测。

市场潜量即市场潜在需求量，是指一个行业在一个市场内可能达到的最大销售量；销售潜量则是指某一企业产品的最大销售量。要预测销售潜量，必须首先预测市场潜量。

影响市场潜量的因素很多，如人口变化、季节变化、科学技术的进步和社会经济状况的变化等等，但最主要的和最直接的是购买力的变化。所以预测市场潜量时，首先必须分析购买力状况，而购买力状况和市场需求量的分析可以通过各种统计文献资料进行，也可以通过市场抽样调查进行。

2.销售预测。

销售预测是对某一段时期内可能的销售水平进行的估计，在市场潜量和销售潜量确定之后，可以进行销售预测。由于销售潜量只是说明某一产品的销售可能性，但对特定产品来说，由于自身设备、价格、竞争能力的限制，因此销售预测必定低于销售潜量。

利用市场调查来预测潜在购买者明年的购买量是一种重要的销售预测方法，不过，它在不同的领域中，效果也不相同。比如说，采用购买者意见调查法，在工业产品的销售预测中，其准确性要远胜于消费品的调查，因为消费者的购买意图或计划，往往因某些因素而转变；而同样在消费品的调查中，对耐用性、高价值的消费品的调查，其可靠性又较非耐用性、低价值的消费品为高。

最后，通过对调查资料的统计处理，我们可以对未来一段时间内的销售量进行预测。

（二）市场预测的方法

以上只简单介绍了一下市场预测和销售预测，在其众多的方法中，这里也仅介绍其中的三种。

1.上加法预测市场潜量和销售潜量。

所谓上加法是指先估计各个市场的需求（销售额或销售量），然后将各个市场的需求相加，即得总需求。

例如某公司产品的推销对象为有关职业的从业者，为了预测市场潜量与销售潜量，该公司选定一个区做市场调查，以五种有关职业的从业者为访问对象，以各目标市场调查结果之平均购买力与有关职业的从业者数目相乘，得到该五个目标市场的市场潜量，然后将各目标市场潜量加总，便得到总市场潜量。接着，再以该产品的市场潜量乘以该公司所估计的最高市场占有率（可通过问卷资料的描述性分析获得，也可以从前市场经验为依据），即得到该公司某类产品的销售潜量。

进行市场潜量及销售潜量的预测必须依据于描述性分析所获得的诸如被访者平均的购买力、其产品市场占有率等资料，预测分析是在描述分析的基础上进行的。

2.指数平滑法进行销售预测。

市场研究者往往喜欢运用时间数列来作销售预测的基础，即将过去的数量变动例如销售量（或销售额）按年或月顺序加以排列，构成一统计数列，并根据其动向来推测未来的变动，实际上这是一种外延法，是利用过去销售变动方向做一机械性的向外延长推测。

一般而言，如果产品的需求变动不大，并且较为稳定的话，使用此种方法预测，其结果也颇为准确，但此方法有一个主要缺点，即未曾考虑到各期销售对未来销售会产生不同影响，也就是说，在时间数列分析中乃假定各期对未来销售的影响程度皆相同，而此一假定显然不合理，事实上未来销售受最近一期影响应为最大，受较远者的影响应该较小。

指数平滑法事实上亦为一种时间数列分析方法，不过却考虑到各期销售对未来销售的不同影响，指数平滑法很复杂，这里只是介绍最简单的一种，就是将上月实际销售量与上月预测数的差额用平滑系数来加权（即赋予其一定的比重），然后加上上月的预测额，即得本月的预测额，其公式为：

F₂＝F₁＋α（M₁-F₁）

F₂＝本月预测额

F₁＝上月预测额

M1＝上月实际销售量

α为平滑系数，它的值为0＜α＜1，α愈小则预测值愈平滑；α愈大，则预测值变化愈大。

α的判定基本是主观的，并往往借助描述性分析所提供的趋势。

可见，这种指数平滑法是相当简单和粗陋的，它实质上只考虑了上期资料，对于此前的各期完全没有利用，这显然是很不完全的。而复杂的指数平滑法则可以解决这个问题，使预测趋于精确，但由于它难度较大，这里不做介绍，有兴趣的读者可自己去参阅有关书籍。

3.回归分析方法。

以上两种市场预测的统计分析方法虽然在现实中经常使用，但并不适合问卷调查的数据分析，也不适用于一些独特的预测，而回归分析则可使市场预测分析更为完善。

在前面因果关系分析中曾介绍过回归分析方法，在某市场现象与各市场因素之间呈线性关系时，它可以建立某市场现象与各市场因素之间的统计关系，而得一线性方程。这样，便可以通过此线性方程，由各市场因素来预测市场现象，即将作为自变量的各市场因素的有关估计值代入该线性方程可获得作为因变量的市场现象（如销售）的预测数值。

以上介绍了针对不同的市场分析目的而分别使用的一些统计分析方法，它们各有其长处，也有其缺点。事实上，统计分析方法并不仅适于一种研究目的，如相关分析既可用做描述性分析，也可用做因果分析，而回归分析也既可做因果分析，也可做预测分析，这将根据我们的目的和现实情况要求灵活选择使用。

总之，到底使用哪种方法，其最终宗旨只有一个，即充分利用数据资料完成调查分析的任务。