1.回归分析工具

回归分析的核心是模型构建、数据收集、模型估计、模型检验和模型运用等。目前可以进行回归分析的软件工具很多，包括Eviews、Excel、SPSS、SAS和STATA等。Eviews具有数据处理、作图、统计分析、建模分析、预测和模拟等多种功能，既是经济、金融、保险、管理、商务等领域中各类研究的必备工具，还能在自然科学、社会科学、人文科学等各个领域中进行定量研究。Eviews是专业的计量经济学软件，线性回归的输出结果较其他软件更为完整，输出形式也比较整齐和美观。因此，本章选择Eviews软件作为回归分析的工具。

2.样本数据收集与统计

（1）样本数据的来源

本章仍然以亚马逊网站（http：//www.amazon.cn/product-reviews/）为样本数据的来源。选择亚马逊网站的主要原因有：第一，亚马逊网站为全球知名的电子商务网站，其知名度和口碑都得到大众的一致认可；第二，亚马逊网站从1995年就开始为消费者提供发表产品评论的功能；第三，亚马逊网站上的产品评论相对较长，信息量相对较为丰富；第四，亚马逊网站针对每条评论提供有用性评价；第五，亚马逊网站还提供实时的产品销量排行榜。

（2）样本数据的收集

本实验仍然以手机、数码相机与笔记本电脑三类产品为研究对象，从亚马逊网站上自动地爬取这三类产品的评论数据与产品销售信息，形成面板数据集。主要采用两种方式来获取样本数据，分别是利用网络爬虫程序获取产品评论信息，以及利用亚马逊网络服务（Amazon Web Services，AWS）提供的API接口自动提取产品的相关信息，包括产品价格、销量排名和发布时间等。

网络爬虫通过网页的链接地址来寻找网页（详见附录A）。它首先从亚马逊网站的某一个评论页面开始，读取页面中的内容，依次找到在网页中的其他链接地址；然后通过这些链接地址寻找下一个评论网页；如此循环往复，直到将起始网页所在网站的所有网页都抓取完毕为止。获取的评论数据包括产品ID、产品评论、星级评分、评论标题、评论时间、评论有用性评价等，如图6-5所示。

图6-5　网络爬虫获取的评论数据（示例）

3.样本数据的处理

（1）产品评论的文本信息

利用细粒度情感分析技术对手机、数码相机和笔记本电脑在一定时段内收集的评论进行挖掘，并且将挖掘结果转换为产品评价矩阵（详见6.2.2节）。也就是说，将评论以产品评价矩阵的形式代入销量的回归模型中。

以手机评论为例：“外观时尚，屏幕大而清晰，就是体积有点小，携带不方便”，对产品评论的处理过程如图6-6所示。

图6-6　产品评论的处理过程

（2）产品销量与产品评论的数值信息

①销量：因为亚马逊没有公开产品的具体销售量，所以本书无法直接获取产品的销量数据。然而，亚马逊提供了产品销售排行榜，列出了近24小时内前100个产品的销量排名，这些排名间接地反映了其销售量。现有不少相关研究都利用销量排名替代实际的销量数据[112，116，193，195]。例如，Li和Hitt[116]的研究发现，在销量和销量排名分别取自然对数之后，二者呈线性相关，所以对销量排名进行线性变换后得到销量的近似值。Chevalier和Goolsbee[195]进一步探讨了销量和销量排名之间的线性关系，并指出排名数据服从帕累托分布。因此，本书也用产品的销量排名替代其实际销售额。

②星级评分：消费者在亚马逊上发布产品评论的时候，首先被要求对该产品进行星级评分（范围从1星到5星，5星为最高评分），然后再撰写具体的文字评论。从这个角度看，产品的星级评分在一定程度上反映了产品评论的整体情感极性，进而影响不同产品属性的评价。

③评论数量：亚马逊网站会实时地统计每一个产品获得的评论总数。由于每个产品在不同时期获得的评论数量较大，所以需要对评论数量取自然对数，以控制变量的取值范围。

④评论平均长度：以字数来衡量评论的长度，手机和数码相机评论的平均长度比较接近，约为100字/条，而笔记本电脑评论的平均长度约为300字/条。因此将评论长度除以100，以控制该变量的取值大小。

⑤有用评论的数量：亚马逊网站为每条评论提供有用性评价。首先以认为该评论有用的人数占总人数的比例来衡量评论的有用性；然后通过计算每个时段内的评论有用性均值，将大于均值的评论作为有用评论；最后统计出有用评论的数量。

⑥产品年龄：根据现有相关研究的处理方式[191]，本实验从亚马逊上自动提取产品的发布时间，以此计算产品年龄。

⑦受欢迎程度：以产品在亚马逊提供的热门排行榜中的排名来衡量。

4.样本数据的统计结果

本实验的面板数据在横截面上包含三种产品类别，分别是手机、数码相机和笔记本电脑，并且每个产品类别的产品数量分别为：90、77和85；在时间序列上，以月为单位进行观测，包括2013年4月到2014年3月，共12个月。

对于手机、数码相机和笔记本电脑，提取到的产品属性数目分别为：kopt（手机）=15、kopt（数码相机）=11和kopt（笔记本电脑）=10（产品属性数目的确定方法详见6.2.2节）。通过对产品评论的相关数据进行处理，三类产品的所有样本数据统计结果如表6-2至表6-4所列。

表6-2　手机的样本数据统计量

续　表

续　表

表6-3　数码相机的样本数据统计量

续　表

(www.daowen.com)

表6-4　笔记本电脑的样本数据统计量

续　表

3.模型的参数估计结果统计

使用两阶段最小二乘法（TSLS），对产品评论的文本信息与产品销量的关系进行回归分析，并且估计多元回归模型的参数值。此外，还采用F检验方法，验证产品评论的文本信息是否对产品销量具有显著的影响。结果如表6-5至表6-7所列。

表6-5　手机销量模型的参数估计结果

续　表

续　表

***表示显著性水平为1%

表6-6　数码相机销量模型的参数估计结果

续　表

续　表

***表示显著性水平为1%

表6-7　笔记本电脑销量模型的参数估计结果

续　表

***表示显著性水平为1%

根据表6-5和表6-6的结果，不难看出对于手机和数码相机这两类产品，评论的文本信息中存在二次项，使得它们与被解释变量之间存在非线性关系。因此，对于这两类产品，通过求解二次项在各个时期的均值，对其进行偏效应分析[124]，结果如表6-8和表6-9所列。

表6-8　手机销量模型的偏效应分析结果

*，**，***分别表示显著性水平为10%、5%和1%

表6-9　数码相机销量模型的偏效应分析结果

续　表

*，**，***分别表示显著性水平为10%、5%和1%

产品销量越高，其销售排名越靠前，排名的数值也就越小。所以在回归模型中，带有负值系数的解释变量与产品销量正相关，而带有正值系数的解释变量与产品销量负相关。

此外，由于模型中加入了很多控制变量，所以可能会产生多重共线性问题。因此，本书对相关变量采用中心化的方法进行处理，以消除潜在的多重共线性，并且还同时计算了方差膨胀因子。所有的VIF值都在5以下，表明该模型的多重共线性被控制在可接受的范围内。