Kano: Analyze Kano Type Items.
In stp4/stp25stat: Functions for statistical computations
Description
Usage
Arguments
Details
Value
Examples
Description
Die Funktion Kano() transformiert Kano-Fragebogen zur Kano-Kodierung
Usage
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Kano(
...,
type = 5,
umcodieren = FALSE,
rm_Q = 10000,
rm_I = 10000,
methode = 1,
vars_func = NULL,
vars_dysfunc = NULL
)
Kano_Auswertung(
x,
caption = "",
note = "",
formula = x$formula,
data = x$molten[-1],
digits = options()$stp4$apa.style$prozent$digits[1],
include.n = TRUE,
include.percent = TRUE,
include.total = TRUE,
include.test = TRUE,
include.fong = TRUE,
rnd_output = TRUE
)
Arguments
...
x, data, by, subset, na.action
type
type Fragetype entweder vollstaendig (5) oder gekuerzt (3)
umcodieren
umcodieren logical False
rm_Q
Remove Q Kategorien Q entfernen Anzahl an erlaubten Qs
rm_I
Remove I Kategorien I entfernen Anzahl an erlaubten Is
methode
wie sind die Items geordnet default = 1 (func dfunk func dfunc func)
vars_func, vars_dysfunc
weche Variablen sind die zwei Dimensionen
caption, note
Ueberschrift
note
formula
intern daten aus Kano-Objekt
include.n, include.percent
Anzahl, Prozent
include.total
Anzahl Total
include.test, include.fong
Fong und Chie-Test
rnd_output
Intern fuer Plot bei FALSE ausgabe als Zahl
Details
http://www.eric-klopp.de/texte/angewandte-psychologie/18-die-kano-methode
https://de.wikipedia.org/wiki/Kano-Modell
M Basis-Faktoren (Mussfaktoren)
Basis-Merkmale (Mustbe) werden vom Kunden Vorausgesetzt schaffen
Unzufriedenheit wenn sie nicht vorhanden sind.
O Leistungs- Faktoren
Leistungs-Merkmale (One-dimensional) werden vom Kunden verlangt
A Begeisterung-Faktoren
Begeisterungs-Merkmale (Attractive) Kunde rechnet nicht damit hebt das
Produkt vom Konkurrenten ab.
I Unerhebliche- Faktoren
Unerhebliche-Merkmale (Indifferent) werden vom Kunden ignoriert.
R Rueckweisende- Faktoren
Ablehnende-Merkmale (R) werden vom Kunden abgelehnt. Fuehren bei Vorhandensein zu Unzufriedenheit, bei Fehlen jedoch nicht zu Zufriedenheit.
Func/Dyfunc like (1) must-be (2) neutral (3) live with (4) dislike (5)
like (1) O A A A O
must-be (2) R I I I M
neutral (3) R I I I M
live with (4) R I I I M
dislike (5) R R R R Q
Kodierung
Das würde mich sehr freuen (1)
Das setze ich voraus (2)
Das ist mir egal (3)
Das könnte ich in Kauf nehmen (4)
Das würde mich sehr stören (5)
M O A I R Q Heufigkeit
max Category
M>O>A>I max Category mit Hierarchie M Wichtiger als O usw.
also wen der Unterschied zwischen den zwei am hoechsten gelisteten Attributen
zwei Kategorien gleich ist, 5
Total Strength als zweite Masszahl gibt an wie hoch der Anteil an bedeutenden
Produktmerkmalen ist.
Category Strength ist eine Masszahl die die angibt ob eine Anforderung nur in
eine Kategorie gehoert
CS plus Index Positiv CS.plus= (A+O)/(A+O+M+I)
CS minus Index Negativ CS.minus= (O+M)/(A+O+M+I)
Chi-Test ist eigentlich Unsinn, Testet ob die Verteilung von M, A, O und I gleich ist.
Wird aber in wissenschaftlichen Arebitengerne angegeben.
Fong-Test Vergleich der zwei Haeufigsten-Kategorien gegenueber der Gesamtzahl
Ergebnis ist entweder ein signifikante oder ein nicht signifikante Verteilung.
Ich verwende zur Berechnung die Kategorien A,O,M,I und R. Q verwende ich nur für die Gesamtsumme
Value
Liste mit:
data: data mit der Kano-Kodierung.
molten: Daten-Lang
scors: Scors sind eine Alternative Codierung zum Zweck der Transformierung zu einer metrischen Skala.
formula, removed=Errorrs, N, attributes, answers
Examples
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
kano_labels <- c( "like",
"must be",
"neutral",
"live with",
"dislike")
DF<-stp25aggregate::GetData(
"sex Edu f1 d1 f2 d2 f3 d3 f4 d4 f5 d5 f6 d6 f7 d7 f8 d8 f9 d9 f10 d10
w med 1 1 1 2 1 3 1 5 1 5 5 1 3 3 5 2 5 1 5 2
w med 1 2 2 5 2 3 1 5 1 5 2 5 3 3 2 5 2 5 5 2
m med 1 3 3 5 1 5 3 4 1 5 5 1 3 3 5 2 5 1 5 2
m med 1 4 4 2 1 5 4 4 1 5 5 1 3 3 5 2 5 1 5 2
w med 1 5 5 5 5 3 1 5 1 5 5 1 3 3 5 2 5 1 5 2
w med NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
m med 2 1 1 5 2 5 1 5 1 5 2 5 3 3 1 5 2 5 5 2
w med 2 2 2 5 1 3 1 5 1 5 3 3 3 3 1 4 1 3 5 2
m med 2 3 2 5 2 3 1 3 1 5 1 3 3 3 2 4 3 3 5 2
m med 2 4 1 5 1 5 1 5 1 5 1 4 3 3 2 5 1 3 5 2
w med 2 5 2 5 1 4 1 5 1 5 1 4 3 3 2 5 1 4 5 2
m med NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
w med 3 1 2 5 3 3 1 5 2 5 1 5 3 3 3 3 3 3 5 2
m med 3 2 1 5 1 5 2 5 2 NA 1 5 3 3 2 5 1 5 5 2
w med 3 3 2 5 1 3 1 5 1 5 1 3 3 3 2 5 1 3 5 2
w low 3 4 2 5 2 5 2 5 1 5 1 4 3 3 2 5 1 3 5 2
w low 3 5 2 5 1 5 1 5 2 5 1 4 3 3 2 5 1 4 5 2
w low NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
m low 4 1 2 5 1 5 2 5 2 5 1 4 2 3 2 5 1 3 5 2
w low 4 2 2 5 2 5 2 5 2 5 1 3 3 3 2 5 1 3 5 2
w low 4 3 2 5 1 5 2 5 2 5 1 5 1 3 2 5 1 3 5 2
m low 4 4 2 5 1 5 2 5 2 5 1 3 3 3 1 3 1 3 5 2
w low 4 5 2 5 3 3 2 5 2 5 1 4 1 3 2 5 1 4 5 2
w low NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
m hig 5 1 1 5 1 5 2 4 1 5 1 3 3 5 2 4 1 3 5 2
w hig 5 2 1 5 1 3 1 5 1 5 1 3 1 5 1 5 3 3 5 2
w hig 5 3 2 5 3 3 1 4 2 4 1 3 3 5 3 3 5 1 5 2
w hig 5 4 2 5 1 4 2 5 1 5 1 3 3 5 2 5 4 1 5 2
w hig 5 5 2 5 2 4 2 4 2 5 1 4 1 5 1 5 1 4 5 2
m hig NA NA 2 5 1 5 1 3 1 4 1 3 1 5 1 3 1 3 5 2
m hig NA NA 2 1 1 5 1 4 3 3 5 2 3 5 NA NA 1 3 5 2")
DF<- stp25aggregate::upData2(DF, labels=c(f1="Fahreigenschaften"
,f2="Sicherheit"
,f3="Beschleunigung"
,f4="Verbrauch"
,f5="Lebensdauer"
,f6="Sonderausstattung"
,f7="Schiebedach"
,f8="Rostschutz"
,f9="Design"
, f10= "Rostflecken"
))
kano_res1 <- Kano( ~ . , DF[-c(1,2)])
DF[-c(1,2)] <- stp25aggregate::dapply2(DF[-c(1,2)],
function(x) factor( x, 1:5, kano_labels))
kano_res2 <- Kano( ~ . , DF[-c(1,2)])
kano_res1$scors
kano_res2$scors
#stp25stat:::Kano_Auswertung(kano_res1, rnd_output=FALSE)
# kano_plot(kano_res1)
# library(lattice)
# x<-data.frame (xtabs(~ value+variable, kano_res1$molten ))
# barchart(Freq ~value|variable, x, origin=0)
APA2(kano_res1, caption = "Einzeln")
kano_res <- Kano( .~ sex, DF[-2])
APA2(kano_res, caption = "Gruppe")
APA2(kano_res, caption = "Gruppe", include.percent=FALSE)
# kano_plot(kano_res,
# legend.position = list(x = .75, y = 1),
# #legend.title= "HAllo",
# cex.legend=1)
kano_res <- Kano( .~ sex + Edu, DF )
#stp25stat:::Kano_Auswertung( kano_res, rnd_output=FALSE)
# Kontrolle der Logik
#kano_res1 <- Kano( ~ . , DF[-c(1,2)], na.action = na.pass)
#dat<- na.omit(cbind(DF[c("f1", "d1")], kano_res1$data[2]))
#tidyr::spread(dat , d1, Fahreigenschaften)
stp4/stp25stat documentation built on Sept. 17, 2021, 2:03 p.m.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Description Usage Arguments Details Value Examples
Description
Die Funktion Kano() transformiert Kano-Fragebogen zur Kano-Kodierung
Usage
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 | Kano(
...,
type = 5,
umcodieren = FALSE,
rm_Q = 10000,
rm_I = 10000,
methode = 1,
vars_func = NULL,
vars_dysfunc = NULL
)
Kano_Auswertung(
x,
caption = "",
note = "",
formula = x$formula,
data = x$molten[-1],
digits = options()$stp4$apa.style$prozent$digits[1],
include.n = TRUE,
include.percent = TRUE,
include.total = TRUE,
include.test = TRUE,
include.fong = TRUE,
rnd_output = TRUE
)
|
Arguments
... |
x, data, by, subset, na.action |
type |
type Fragetype entweder vollstaendig (5) oder gekuerzt (3) |
umcodieren |
umcodieren logical False |
rm_Q |
Remove Q Kategorien Q entfernen Anzahl an erlaubten Qs |
rm_I |
Remove I Kategorien I entfernen Anzahl an erlaubten Is |
methode |
wie sind die Items geordnet default = 1 (func dfunk func dfunc func) |
vars_func, vars_dysfunc |
weche Variablen sind die zwei Dimensionen |
caption, note |
Ueberschrift |
note |
|
formula |
intern daten aus Kano-Objekt |
include.n, include.percent |
Anzahl, Prozent |
include.total |
Anzahl Total |
include.test, include.fong |
Fong und Chie-Test |
rnd_output |
Intern fuer Plot bei FALSE ausgabe als Zahl |
Details
http://www.eric-klopp.de/texte/angewandte-psychologie/18-die-kano-methode https://de.wikipedia.org/wiki/Kano-Modell
M Basis-Faktoren (Mussfaktoren)
Basis-Merkmale (Mustbe) werden vom Kunden Vorausgesetzt schaffen Unzufriedenheit wenn sie nicht vorhanden sind.
O Leistungs- Faktoren
Leistungs-Merkmale (One-dimensional) werden vom Kunden verlangt
A Begeisterung-Faktoren
Begeisterungs-Merkmale (Attractive) Kunde rechnet nicht damit hebt das Produkt vom Konkurrenten ab.
I Unerhebliche- Faktoren
Unerhebliche-Merkmale (Indifferent) werden vom Kunden ignoriert.
R Rueckweisende- Faktoren
Ablehnende-Merkmale (R) werden vom Kunden abgelehnt. Fuehren bei Vorhandensein zu Unzufriedenheit, bei Fehlen jedoch nicht zu Zufriedenheit.
| Func/Dyfunc | like (1) | must-be (2) | neutral (3) | live with (4) | dislike (5) |
| like (1) | O | A | A | A | O |
| must-be (2) | R | I | I | I | M |
| neutral (3) | R | I | I | I | M |
| live with (4) | R | I | I | I | M |
| dislike (5) | R | R | R | R | Q |
Kodierung
Das würde mich sehr freuen (1) Das setze ich voraus (2) Das ist mir egal (3) Das könnte ich in Kauf nehmen (4) Das würde mich sehr stören (5)
M O A I R Q Heufigkeit
max Category
M>O>A>I max Category mit Hierarchie M Wichtiger als O usw. also wen der Unterschied zwischen den zwei am hoechsten gelisteten Attributen zwei Kategorien gleich ist, 5
Total Strength als zweite Masszahl gibt an wie hoch der Anteil an bedeutenden Produktmerkmalen ist.
Category Strength ist eine Masszahl die die angibt ob eine Anforderung nur in eine Kategorie gehoert
CS plus Index Positiv CS.plus= (A+O)/(A+O+M+I)
CS minus Index Negativ CS.minus= (O+M)/(A+O+M+I)
Chi-Test ist eigentlich Unsinn, Testet ob die Verteilung von M, A, O und I gleich ist. Wird aber in wissenschaftlichen Arebitengerne angegeben.
Fong-Test Vergleich der zwei Haeufigsten-Kategorien gegenueber der Gesamtzahl Ergebnis ist entweder ein signifikante oder ein nicht signifikante Verteilung. Ich verwende zur Berechnung die Kategorien A,O,M,I und R. Q verwende ich nur für die Gesamtsumme
Value
Liste mit: data: data mit der Kano-Kodierung. molten: Daten-Lang scors: Scors sind eine Alternative Codierung zum Zweck der Transformierung zu einer metrischen Skala. formula, removed=Errorrs, N, attributes, answers
Examples
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 |
kano_labels <- c( "like",
"must be",
"neutral",
"live with",
"dislike")
DF<-stp25aggregate::GetData(
"sex Edu f1 d1 f2 d2 f3 d3 f4 d4 f5 d5 f6 d6 f7 d7 f8 d8 f9 d9 f10 d10
w med 1 1 1 2 1 3 1 5 1 5 5 1 3 3 5 2 5 1 5 2
w med 1 2 2 5 2 3 1 5 1 5 2 5 3 3 2 5 2 5 5 2
m med 1 3 3 5 1 5 3 4 1 5 5 1 3 3 5 2 5 1 5 2
m med 1 4 4 2 1 5 4 4 1 5 5 1 3 3 5 2 5 1 5 2
w med 1 5 5 5 5 3 1 5 1 5 5 1 3 3 5 2 5 1 5 2
w med NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
m med 2 1 1 5 2 5 1 5 1 5 2 5 3 3 1 5 2 5 5 2
w med 2 2 2 5 1 3 1 5 1 5 3 3 3 3 1 4 1 3 5 2
m med 2 3 2 5 2 3 1 3 1 5 1 3 3 3 2 4 3 3 5 2
m med 2 4 1 5 1 5 1 5 1 5 1 4 3 3 2 5 1 3 5 2
w med 2 5 2 5 1 4 1 5 1 5 1 4 3 3 2 5 1 4 5 2
m med NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
w med 3 1 2 5 3 3 1 5 2 5 1 5 3 3 3 3 3 3 5 2
m med 3 2 1 5 1 5 2 5 2 NA 1 5 3 3 2 5 1 5 5 2
w med 3 3 2 5 1 3 1 5 1 5 1 3 3 3 2 5 1 3 5 2
w low 3 4 2 5 2 5 2 5 1 5 1 4 3 3 2 5 1 3 5 2
w low 3 5 2 5 1 5 1 5 2 5 1 4 3 3 2 5 1 4 5 2
w low NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
m low 4 1 2 5 1 5 2 5 2 5 1 4 2 3 2 5 1 3 5 2
w low 4 2 2 5 2 5 2 5 2 5 1 3 3 3 2 5 1 3 5 2
w low 4 3 2 5 1 5 2 5 2 5 1 5 1 3 2 5 1 3 5 2
m low 4 4 2 5 1 5 2 5 2 5 1 3 3 3 1 3 1 3 5 2
w low 4 5 2 5 3 3 2 5 2 5 1 4 1 3 2 5 1 4 5 2
w low NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
m hig 5 1 1 5 1 5 2 4 1 5 1 3 3 5 2 4 1 3 5 2
w hig 5 2 1 5 1 3 1 5 1 5 1 3 1 5 1 5 3 3 5 2
w hig 5 3 2 5 3 3 1 4 2 4 1 3 3 5 3 3 5 1 5 2
w hig 5 4 2 5 1 4 2 5 1 5 1 3 3 5 2 5 4 1 5 2
w hig 5 5 2 5 2 4 2 4 2 5 1 4 1 5 1 5 1 4 5 2
m hig NA NA 2 5 1 5 1 3 1 4 1 3 1 5 1 3 1 3 5 2
m hig NA NA 2 1 1 5 1 4 3 3 5 2 3 5 NA NA 1 3 5 2")
DF<- stp25aggregate::upData2(DF, labels=c(f1="Fahreigenschaften"
,f2="Sicherheit"
,f3="Beschleunigung"
,f4="Verbrauch"
,f5="Lebensdauer"
,f6="Sonderausstattung"
,f7="Schiebedach"
,f8="Rostschutz"
,f9="Design"
, f10= "Rostflecken"
))
kano_res1 <- Kano( ~ . , DF[-c(1,2)])
DF[-c(1,2)] <- stp25aggregate::dapply2(DF[-c(1,2)],
function(x) factor( x, 1:5, kano_labels))
kano_res2 <- Kano( ~ . , DF[-c(1,2)])
kano_res1$scors
kano_res2$scors
#stp25stat:::Kano_Auswertung(kano_res1, rnd_output=FALSE)
# kano_plot(kano_res1)
# library(lattice)
# x<-data.frame (xtabs(~ value+variable, kano_res1$molten ))
# barchart(Freq ~value|variable, x, origin=0)
APA2(kano_res1, caption = "Einzeln")
kano_res <- Kano( .~ sex, DF[-2])
APA2(kano_res, caption = "Gruppe")
APA2(kano_res, caption = "Gruppe", include.percent=FALSE)
# kano_plot(kano_res,
# legend.position = list(x = .75, y = 1),
# #legend.title= "HAllo",
# cex.legend=1)
kano_res <- Kano( .~ sex + Edu, DF )
#stp25stat:::Kano_Auswertung( kano_res, rnd_output=FALSE)
# Kontrolle der Logik
#kano_res1 <- Kano( ~ . , DF[-c(1,2)], na.action = na.pass)
#dat<- na.omit(cbind(DF[c("f1", "d1")], kano_res1$data[2]))
#tidyr::spread(dat , d1, Fahreigenschaften)
|
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Embedding an R snippet on your website
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.