Excel数据分析案例：用Excel的GPA工具做深度的专家打分分析

某产品营销团队希望确定如何评估四种略有不同的奶酪的口味和市场前景。已要求十位专家使用酸度，稀奇度和硬度三个标准对这四种奶酪进行几次评估（不知道是哪种），获得对应于每种奶酪和每位专家的平均评分，部分数据如下图：

本次分析的目标是转换数据以消除缩放比例效应（某些专家可能会使用更大的比例尺）或位置效应（某些专家可能会倾向于使用评级量表的较低或较高部分），从而获得共识配置，然后在外部偏好映射中使用。

具体的分析过程将会分享在个人知识星球中，下面是部分的设置图：

下面做分析结果的解读：

第一个结果是PANOVA表，该表以减少总可变性的方式总结了每个广义Procrustes

Analysis转换的效率。我们可以看到，Scaling变换是最有效的（最低的p值）。

第二张表和相应的图表在转换后按对象列出了残差。我们可以看到C3奶酪的残留量最小。这表明专家之间很可能达成共识。

第三张表和相应的图表给出了转换后按配置的残差。我们可以看到，Expert2的残差最高，这意味着他给出的费率与共识不一致。

下表给出了广义Procrustes Analysis转换的比例因子。小于1的因子表示相应的专家正在使用比其他专家更大的比例。大于1的因子表示相应的专家没有像其他专家那样广泛地使用评分表。我们可以看到，这里的专家1和3倾向于使用比其他专家更小的规模。

然后执行共识测试以检查共识配置是否为真正的共识。此置换测试可确定观察到的Rc值（Rc对应于由共识配置解释的原始方差的比例）是否明显高于置换数据时获得的结果的95％。

另一个排列测试用于验证应保留多少维以显示结果。我们在这里看到，对于第三维，F值低于第95个百分点。因此，我们可以得出结论，两个维度就足够了。

下图对应于PCA分析的结果（未标准化的PCA）。特征值表明每个轴对应多少可变性。我们看到这里有前两个轴表示的99％的可变性。当专家之间的可变性分开时，我们发现所有专家的结果几乎相同。

下图将结果分为对应于共识配置的结果，以及每个单独配置的结果。共识配置的对象坐标可以稍后在PREFMAP分析中用作首选项图上产品的坐标。

在相关圆上，我们可以看到“奇怪度”通常在第一轴的负侧，并且酸度和硬度经常混合在一起。情节原点的“怪异度”对应于未根据该标准对产品进行评分的第六位专家。

接下来的两个图表是对象的映射，分别按配置和对象进行着色，如下图。这些点都靠近第一轴，因为96％的变异性集中在第一轴上。

为了使图表更清晰易懂，我们更改了比例选项，获得下图：

我们可以看到，奶酪C1和C3在地图上明显分开，而产品C2和C4之间的边界并不清晰。这意味着专家们对C1和C3进行了很好的区分，并且在这些产品上达成了共识，并且他们对C2和C4的区分也不同