アンケート集計と調査レポートが自動で出来るって本当？エスミの太閤をソフトＲに入れるだけ!
弊社のWebアプリR-systemは無料でインターネット上でアンケートを実施できるアプリです。
※上記のリンクをクリックして、「アンケートの集計ソフト」のボタンを押すとダウンロードされます。
回答データを集計する場合はエクセルでもできますが、弊社専用の集計・レポーティングソフト「Ｒ」
をご利用いただければ、簡単に集計ができて、自動でコメント付きのパワーポイントのレポートが作成できます。
もう1つの利用方法としては、株式会社エスミのソフト「EXCELアンケート太閤.TKO」のファイルを
集計・レポーティングソフト「Ｒ」にドラッグアンドドロップしてデータコンバートボタンを
押していただければ、そのまま「Ｒ」にて自動でコメント付きのパワーポイントレポートを
即座に出力することが出来ます。
今まで手作業でグラフを1つ1つ作って、パワーポイントに貼り付けて、コメントを書くという
時間のかかる作業がすぐにできます。
本ソフトはエクセルマクロで作成したソフトなので
エクセル2003以降をお持ちの方であれば誰でも使えます。
本製品を立ち上げて、無料WebアプリR-systemからダウンロードしたitemファイルとrowdataファイルを、
本製品のエクセル画面の中にドラッグアンドドロップして下さい。
太閤の場合は太閤.TKOファイルドラッグアンドドロップして下さい。
それからデータコンバートボタンを押すと、本ソフトの中にデータが取り込まれます。
集計やグラフ作成、コメント出力、パワーポイントでのレポート作成をしてください。
WebアプリR-systemにはアンケートアプリの他にもチャットアプリとtwitterのような
ブログアプリが全て無料でご利用いただけます。
チャットアプリ「i-room」はスマホアプリLINEのような小さな画面で片手入力ではなく、
パソコンの大画面で両手入力できるので操作性が良いです。
一度チャットルームを作ったらずっと使えます。
動画や画像を見ながら、友達とチャットを楽しむことができます。
ブログアプリ「my homepage」はtwitterのような感覚でブログを作成できます。
目ざわりな広告も表示されません。投稿の上下移動もタブ移動もできます。投稿内容の修正もできます。
ここから先は弊社の調査会社の業務として行っている、集計やレポート作成以外お話です。
検定や相関、多変量解析などの概要について簡単に説明しています。
興味のある方は、一読してみてください。
目次：「検定」について
母比率の有意差検定【TYPE1】（単純集計：ＳＡ項目内の有意差）
母比率の有意差検定【TYPE2】（単純集計：２項目間の有意差）
母比率の有意差検定【TYPE3】（クロス集計：グループ間の有意差）
母比率の有意差検定【TYPE4】（クロス集計：全体と層の間の有意差）
目次：ノンパラメトリック「検定」について
クラスカル・ワーリス検定【独立多郡の有意差（順序尺度など）】
フリードマン検定（対応のある場合）【対応のある多郡の有意差（順位データ）】
コクランのＱ検定（対応のある場合）【対応のある多郡の母比率の有意差】
重複測定分散分析（データ複数）【対応のある表側多郡の有意差】
独立性の検定（対応のない場合）【項目間の関連性の無相関検定】
マンテル・ヘンツェル法（2×2）【多層の項目間の関連性の無相関検定】
目次：「多変量解析」について
母集団の情報を知る「検定」について
母比率の有意差検定【TYPE1】（単純集計：ＳＡ項目内の有意差）
これを母集団レベルでも同じことが言えるかどうかを調べることを検定といいます。
検定結果は母集団においても有意な差があることが分かりました。
これから不特定多数の方に実際に販売したとしても購入したい人が多いことが分かります。
母比率の有意差検定【TYPE2】（単純集計：２項目間の有意差）
これを母集団レベルでも同じことが言えるかどうかを検定してみます。
検定結果は母集団においても有意な差があることが分かりました。
これから不特定多数の方に実際に販売したとしてもＢ商品の方がよく売れることが分かります。
母比率の有意差検定【TYPE3】（クロス集計：グループ間の有意差）
これを母集団レベルでも同じことが言えるかどうかを検定してみます。
検定結果は母集団においては有意な差がないことが分かりました。
これから不特定多数の方に実際に販売した場合、30代の購入数が多いとは言えない
ことが分かります。
母比率の有意差検定【TYPE4】（クロス集計：全体と層の間の有意差）
これを母集団レベルでも同じことが言えるかどうかを検定してみます。
検定結果は母集団においても有意な差があることが分かりました。
これから不特定多数の方に実際に販売したとしても全体的にみて20代の購入数が多い
ことが分かります。
母平均の有意差検定【対応のある場合】（質問項目間の有意差）
これを母集団レベルでも同じことが言えるかどうかを検定してみます。
検定結果は母集団においては有意な差がないことが分かりました。
これから不特定多数の方に実際に販売した場合、Ａ商品の方がおいしいとは言えない
ことが分かります。
母平均の有意差検定【対応のない場合】（属性間の有意差）
これを母集団レベルでも同じことが言えるかどうかを検定してみます。
検定結果は母集団においては有意な差がないことが分かりました。
これから不特定多数の方に実際に販売した場合、Ａ商品は男性の人に人気があるとは言えない
ことが分かります。
分散分析（比較対象3つ以上の母平均の検定）
これを母集団レベルでみて商品間においしさ評価に違いがあるかどうか検定してみます。
検定結果は母集団において有意な差があることが分かりました。
これから不特定多数の方に実際に販売した場合商品によって売上げが違うことが分かります。
分散分析は種類が多く、データにより適用する手法が違います。
※どの商品間でおいしさ評価が違うかまではこの検定方法だけでは分かりません。
更に多重比較検定をする必要があります。
母平均値の推定【集計項目比較】（質問項目間の母平均の推定）
これを母集団レベルでも同じことが言えるかどうかを検定してみます。
検定結果は母集団においては、例えば「洗いあがり具合」の標本平均は1.00ですが
母集団の平均値は1.30〜0.70の間にあることが分かります。
「洗いあがり具合」は最低でも母集団において0.70を下回ることはまずありません。
それ以外の属性では母集団において0.70を上回る属性はまずない為、「洗いあがり具合」は他の属性に
比して高い評価を得ていることが母集団レベル（ｎ=∞）において言えます。
それ以外の属性は他の属性に比して有意な差はありません。
母平均値の推定【属性比較】（属性間の母平均の推定）
分かります。これを母集団レベルでも同じことが言えるかどうかを検定してみます。
検定結果は母集団においては、例えば「40代」の標本平均は0.58ですが
母集団の平均値は0.72〜0.45の間にあることが分かります。
「40代」は最低でも母集団において0.45を下回ることはまずありません。
それ以外の属性では母集団において0.45を上回る属性はまずない為、「40代」からは他の年代よりも
高い評価を得ていることが母集団レベル（ｎ=∞）において言えます。
適合度の検定（正規性、等度数、特定比率との適合）
この項目は母集団レベルで正規分布に従っているかどうかを検定してみます。
検定結果は母集団において正規分布に従っていることが分かりました。
標本結果をベースに母集団の推定や検定ができることを意味しています。
この結果は母集団レベルで等度数であるかどうかを検定してみます。
検定結果は母集団において等度数であることが分かりました。
各年代層において、売れ行きは同じであることが分かります。
検定結果は回収標本数に偏りはないことが分かりました。
標本相関と母相関検定（項目間の標本相関と母相関検定）
標本調査の結果から「Ａ車の購入意向」と「年令」、「性別」の標本相関は有りますが、
これを母集団レベルでも同じことが言えるかどうかを検定してみます。
検定結果は母集団においては「Ａ車購入意向」と「年令」、「性別」との間に母相関は無いことが
分かりました。それ以外の項目とは母相関が有ることが分かります。特に「性能のよさ」「室内の広さ」
「燃費のよさ」は「スタイル・外観」「メーカーへの信頼」よりも関連が強いことが母集団レベル（ｎ=∞）
において言えます。
ノンパラメトリック「検定」について
マン・ホイットニ検定【独立２郡の有意差】
これを母集団レベルでみて、男性と女性とで購入意向に違いがあるかどうかを検定してみます。
検定結果は母集団においては有意な差がないことが分かりました。
これから不特定多数の方に実際に販売した場合、男性と女性の販売量に違いがないか、
今回の標本数では差があるかどうか分からないということになります。
ウィルコクソン符号付順位和検定【対応のある２郡の有意差】
これを母集団レベルでみて、Ａ商品とＢ商品とで購入意向に違いがあるかどうかを検定してみます。
検定結果は母集団においては有意な差がないことが分かりました。
これから不特定多数の方に実際に販売したとしてもＡ商品とＢ商品の販売量に違いがないか、
今回の標本数では差があるかどうか分からないということになります。
クラスカル・ワーリス検定【独立多郡の有意差（順序尺度など）】
これを母集団レベルでみて年代によってＡ商品のおいしさ評価に違いがあるかどうか検定してみます。
検定結果は母集団において有意な差があることが分かりました。
これから不特定多数の方に実際に販売した場合、年代によっておいしさ評価が違うことが分かります。
※どの年代とどの年代との間においしさ評価が違うかまでは、この検定方法だけでは分かりません。
更に多重比較検定をする必要があります。
二元配置分散分析（繰り返しのある場合）【独立多郡の有意差】
これを母集団レベルでみて、
○ 年代と性別の組み合わせによって効果の増加や減少があるかどうか。
○ 性別間に評価の違いがあるかどうか。
○ 年代間に評価の違いがあるかどうか。
を検定してみます。
検定結果は母集団においては『年代と性別の組み合わせによって効果の増加や減少が』ない
ことが分かりました。
男女間で効果の違いがないことが分かりました。
年代間で効果の違いがないことが分かりました。
乱塊法（対応のある一元配置）【対応のある多郡の有意差】
これを母集団レベルでみて商品間においしさ評価に違いがあるかどうか検定してみます。
検定結果は母集団において有意な差があることが分かりました。
これから不特定多数の方に実際に販売した場合、商品によって売上げが違うことが分かります。
※どの商品間でおいしさ評価が違うかまではこの検定方法だけでは分かりません。
更に多重比較検定をする必要があります。
フリードマン検定（対応のある場合）【対応のある多郡の有意差（順位データ）】
これを母集団レベルでみて、パッケージ間で評価に違いがあるかどうかを検定してみます。
検定結果は母集団においては有意な差がないことが分かりました。
これから不特定多数の方に実際に販売した場合、どのパッケージを用いたとしても
商品の購入量に違いがないか、今回の標本数では差があるかどうか分からないということになります。
コクランのＱ検定（対応のある場合）【対応のある多郡の母比率の有意差】
これを母集団レベルでみて、パッケージ間で比率の評価に違いがあるかどうかを検定してみます。
検定結果は母集団においては有意な差がないことが分かりました。
これから不特定多数の方に実際に販売した場合、どのパッケージを用いたとしても
商品の購入量に違いがないか、今回の標本数では差があるかどうか分からないということになります。
重複測定分散分析（データ複数）【対応のある表側多郡の有意差】
これを母集団レベルでみて、
○ 商品と期間の組み合わせによって効果の増加や減少があるかどうか。
○ 商品間に違いがあるかどうか。
○ 期間に違いがあるかどうか。
を検定してみます。
検定結果は母集団においては『商品と期間の組み合わせによって効果の増加や減少がある』
ことが分かりました。期間によって効果の違いが出る傾向があることも分かりました。
商品間には効果において違いがない傾向があることが分かりました。
多重比較検定【水準間の有意差検定】
これを母集団レベルでみて年代によってＡ商品のおいしさ評価に差があるかどうかを検定してみます。
検定結果は母集団において有意な差があることが分かりました。
では、どの年代とどの年代の間に違いがあるか検定してみます。
検定結果は、20代と50代において、おいしさ評価が違うことが分かりました。
それ以外の年代間ではおいしさ評価に違いがありません。
独立性の検定（対応のない場合）【項目間の関連性の無相関検定】
これを母集団レベルでみて兄弟構成と性格は関係があるかどうかを検定してみます。
検定結果は母集団において有意な差がないことが分かりました。
一般的に兄弟構成と性格とは関係がないようです。
マンテル・ヘンツェル法（2×2）【多層の項目間の関連性の無相関検定】
これを母集団レベルでみて年代の影響を考慮して性別と甘味嗜好とは関係があるかどうかを
検定してみます。
検定結果は母集団において有意な差があることが分かりました。
一般的に年代の影響を考慮した性別と甘味嗜好とは関係があることが分かります。
マクマネー検定(2×2)【対応のある場合の母比率の有意差】
これを母集団レベルでみてＡ商品とＢ商品の好意率に差があるかどうかを検定してみます。
検定結果は母集団において有意な差がないことが分かりました。
これから不特定多数の方に実際に販売した場合、販売量に差はないか、
今回の標本数では差があるかどうか分からないということになります。
スピアマンの順位相関係数の検定【離散データの無相関検定】
これを母集団レベルでみて、甘さはＡ商品の購入意向に影響があるかどうかを検定してみます。
検定結果は母集団においては相関はないことが分かりました。
甘さの程度を変えたとしても、購入意向は変化しないか、
今回の標本数では差があるかどうか分からないということになります。
情報を要約して特徴をつかみやすくする「多変量解析」について
CS分析【改善優先属性】
属性評価項目（Q1）と総合評価項目(Q2)との関係からCS分析を行った結果
「見た目の透明感」「色の濃さ」「苦味」において改善が必要であることが分かる。
コレスポンデンス分析【クロス集計表のグラフ】
血液型別にみた性格のクロス集計表をグラフに描き、分かり易くしたものがコレスポンデンス分析です。
距離が近いカテゴリー程、類似していることを意味します。
「明るい」は全ての血液型に共通しているので中央に位置しています。
主成分分析【総合評価】
この分析はＡ商品の総合評価を求めるためのものであり、各属性の総合評価への重要度である
ウェイトが示してあります。総合評価に最も影響のある項目が「苦味」「色の濃さ」
「飲んでいる時の香り」などであり、あまり影響のない項目が「コク」「清涼感」などであることが分かる。
表2は表1のウェイトで求めた対象者の得点を属性別に平均値を取ったものです。
Ａ商品は「男性」から最も好評価を得ており、次いで「20代」。評価が良くないのは「30代以上」である。
重回帰分析【数量項目から数量予測、要因分析】
と同時に、モデル式をベースにして各属性の「おいしさ」に対する影響力を調べるものです。
「おいしさ」評価に最も影響のある項目は、「苦味の強弱」ということになります。
「苦味の強弱」をコントロールすることがＡ商品をおいしくする近道であることが分かります。
「色の濃さ」は「おいしさ」には関係ないということも分かります。
数量化１類【定性項目から数量予測、要因分析】
と同時に、モデル式をベースにして各カテゴリーの「1日の平均売上」に対する影響力を調べるものです。
「1日の平均売上」に最も影響する項目は、「お酒の販売の有無」ということになります。
お酒を販売しているお店は、1日の平均売上げは43.8万であり、「酒取り扱っている」8.0なので
（43.8万+8.0万）で51.8万の売上げとなることが分かります。
判別分析【数量項目から判別予測、要因分析】
行うと同時に、モデル式をベースにして各項目の「購入意向」に対する影響力を調べるものです。
「Ａ商品の購入の有無」に最も影響のある項目は、「住所」ということになります。
関係がないのは「年齢」ということになります。
数量化２類【定性項目から判別予測、要因分析】
と同時に、モデル式をベースにして各カテゴリーの「購入意向」に対する影響力を調べるものです。
「購入意向」に最も影響する項目は、「コーヒー好意度」ということになります。
Decision Tree（決定木）はカテゴリーの全ての組合せをグラフにしたものです。
因子分析【数量項目から類似対象者】
5段階評価の9項目に因子分析を適用し、回答が類似している項目をグルーピングすると
5つの因子があることが分かりました。
コンビニの評価スケールは「商品」「サービス」「イメージ」「レイアウト」「接客」の5つのファクターで
説明できることが判明しました。
数量化３類【定性項目から類似対象者】
この分析は、カテゴリー（ブランドイメージ）の類似度からスケールを作成し、スケールが何を意味しているかを
解釈して、そのスケールマップの上にブランドを置くことで、ブランド間の相対的な位置を把握することができます。
クラスター分析【グルーピング】
上表において最大の％に注目し、新製品開発の方向性を見つけるものです。
Aの消費者タイプには、Wの製品が志向されている。
PSM分析【理想価格算出】
最低価格（下限価格）：80円：「これ以上安くすると、消費者が商品の品質を疑い始める」価格ポイント。普及価格や特売価格に適している。
理想価格（最適価格）：97円：「消費者の価格への抵抗が最も少なく、市場に浸透しやすい」価格ポイント。多くの場合、妥協価格よりも若干低い価格になりやすい。高い価格になるときは消費者はワンランク上の付加価値商品を望んでいる場合がある。製造コストの問題で難も有る。
妥協価格：105円：「消費者がこの商品（商品分野）ならこれぐらいの価格、と心に抱いている」価格ポイント。交点の高さが低いほど、価格にシビアであると解釈できる。
最高価格(上限価格)：123円：「これ以上価格を上げると、高すぎて消費者が買わなくなる」価格ポイント。利益額が高く、高額品や高付加価値商品の価格設定に向いている。
受容価格帯（価格幅）：43円：上限価格から下限価格までの価格幅。消費者が受け入れやすい価格帯でこれよりも安くても高くても、購入が少なくなる。
この分析は、消費者（調査回答者）の商品に対する価格感（値頃感）を探るための手法です。
最適な価格を検討するうえで基準となる価格帯を抽出します。
単純な質問形式で価格を調査する手法もありますが、うまく行かないことが多いのです。
実際に市場に投入してみると高すぎたり、安すぎたりで適正な価格ではなかったということがあります。
コンジョイント分析【製品属性最適組合せ】
この分析は、新製品開発の際に、属性をどのように組み合わせればベストな評価が得れるかを知るための
手法です。上記の場合、組み合わせ的には81通りありますが、わずか9通りで81組合せ全部の評価が分かります。
ベストな組合せは、柱形の濃い緑色をしたペットボトルで500mlのサイズで販売すれば最高の売上げとなります。
パス解析【数量的項目の因果関係（因子含まない）】
その仮説の検証に必要な項目をアンケートによってデータを集め、それにパス解析を行いグラフを描いたものです。
OA機器が充実していると、仕事の効率が良くなり、休憩コーナーや会話のしやすい環境は、
コミュニケーションを生み、しいては気分転換にもなります。
気持ちの良い窓があると、気分転換ができ、それは仕事の効率にもつながります。
仕事の効率と気分転換は、直接オフィスの評価を高めます。コミュニケーションも間接的に高める効果があります。
共分散構造分析【数量的項目の因果関係（因子含む）】
その因子との因果関係を把握するものです。
商品の満足度が高いと、最購入意向が高くなることを示しています。
複数の観測変数を少数の因子で表現し、その因果関係を把握するので、分かりやすいのが特徴です。
今、話題の解析であり、次世代の多変量解析と言われています。