Giovanna Nicolini

The Rasch Model to Measure Service Quality

In this paper the Rasch model will be considered, a statistical tool arising from psychometric field, which allows the examination of the service quality through the known variables: for each of those an objective measure is obtained. In particular, the application of Rasch model will concern the quality of university teaching. Moreover a method will be proposed to obtain a segmentation of student population only based on satisfaction index

The Rasch Model in Customer Satisfaction Survey Data

Abstract This paper deals with the measurement of a service or product quality using Customer Satisfaction Survey results. Many different methods are used to analyse customer satisfaction data. Some use statistical models which estimate the relationship between the latent and manifest variables (LISREL, PLS, etc.), whilst others use dimensionality reduction methods (FA, PCA, etc.). All of these methods require a numerical quantification of the categories and consequently the distance between the numerical labels is fixed and the linear relationship between the variables implicitly assumed. Moreover these methods produce a customer satisfaction measure for each subject and an evaluation of its importance on the satisfaction level for each item. When analyzing quality and satisfaction levels together, the Rasch model (RM) appears to be particularly appropriate. A Likert scale is not required and non-linear relationships are involved. Moreover, a Rasch analysis can also act as a useful diagnostic tool for calibrating the questionnaire itself. In this paper we will present three different applications of the Rasch Model for the purposes of measuring quality and customer satisfaction levels. For each technique we will highlight its peculiarities, give an interpretation of the parameters used, analyse the model’s fit with the data and perform a critical analysis of the results.

Customer satisfaction in the airline industry : the case of British Airways

In this paper two different non-classic methods, based on the analysis of qualitative data, are applied to evaluate customer satisfaction. The airline industry is considered with British Airways used as a case study. First, a classification algorithm based on the decision tree theory is performed. By conserving the original ordinal measuring scale for the items, it is possible to rank the dimensions in order to obtain a map of preference, select the groups of subjects more or less satisfied and delineate the peculiar characteristics of each group. Second, a probabilistic model, the Rasch model, is applied with the aim of distinguishing the two components (satisfaction and quality) that influenced the answer to each item and obtaining a numerical interval measure for both components. Copyright

Metodi per correggere gli errori di copertura

Nel corso del processo in cui si progetta e realizza un’indagine le possibilita di errore non campionario sono molte. Gli errori di copertura sono i primi in cui si puo incorrere. Essi, definiti nel Par. 1.2.4, nascono dalla non corrispondenza tra le popolazioni obiettivo e frame e possono essere attribuiti a chi realizza l’indagine, perche non ha saputo trovare la giusta corrispondenza tra le due popolazioni, ma anche a cause estranee agli organizzatori della ricerca che dipendono, ad esempio, dalle particolari circostanze in cui l’indagine stessa viene a svolgersi, dalla specificita dei suoi obiettivi, dalla tipologia della popolazione oggetto di studio, dalla complessita del piano di campionamento e, non ultimo, dal metodo utilizzato per rilevare i dati. In sostanza, essi non sono imputabili direttamente all’oggetto dell’indagine e alle unita che si vogliono rilevare. Infatti, idealmente qualsiasi target o popolazione obiettivo, in presenza di risorse illimitate, potrebbe essere correttamente rappresentato dalla lista aggiornata e accurata degli elementi che lo compongono (frame).

L’impiego delle variabili ausiliarie per la costruzione degli stimatori

Nel capitolo precedente sono stati richiamati in modo schematico i principali piani di campionamento di uso corrente evidenziando il ruolo fondamentale delle informazioni disponibili nel frame. Ad esempio, conoscere la dislocazione territoriale delle unita statistiche consente di predisporre una stratificazione territoriale; oppure, nel caso sia nota la data di nascita degli individui e possibile definire una loro stratificazione per classe d’eta. Ancora, se per una popolazione di imprese e disponibile un archivio amministrativo con i dati sul settore di attivita produttiva e il numero degli addetti e possibile stratificare per settore e introdurre un campionamento con probabilita proporzionale al numero degli addetti. In questo capitolo, invece, verra trattato l’utilizzo delle informazioni sulla popolazione, anche provenienti da fonti alternative alla lista di campionamento, ai fini della costruzione dello stimatore da utilizzare, con l’obiettivo di accrescere l’efficienza del processo di stima.

Introduzione al campionamento da popolazioni finite

Lo scopo introduttivo di questo capitolo e quello di richiamare i concetti fondamentali del campionamento da popolazioni finite. Dopo alcune definizioni preliminari e una breve disquisizione sulla terminologia in uso, vengono ricordate le fasi di una indagine statistica e individuati gli errori che in ciascuna di esse possono aver origine. Come si vedra nei successivi capitoli di questo volume, dedicati proprio alle diverse tipologie di errore, l’impiego delle variabili ausiliarie per la individuazione e la correzione degli errori e fondamentale. Tuttavia, come e noto, ad esse si puo ricorrere anche per la costruzione del piano di campionamento. Questo non implica la correzione di alcun errore, ma una maggiore precisione ed aderenza alla realta che si vuole indagare e il ricorso alle variabili ausiliarie in questo caso puo essere inteso come un metodo preventivo degli errori. Non sempre e possibile disporre delle variabili ausiliarie per i diversi impieghi, puo allora essere necessario costruire ad hoc un data-set di tali variabili, per esempio con il campionamento a due fasi, che viene brevemente richiamato. Infine, vengono ricordati alcuni metodi di indagine che non seguono i canoni tradizionali del campionamento da popolazioni finite — sono i cosi detti campionamenti non probabilistici — alcuni molto in uso nelle indagini in ambito sociale. Anche se per essi non e possibile conoscere l’errore campionario, tuttavia, in questi casi, si puo ricorrere a metodi inferenziali diversi da quello tradizionale usato nel campionamento da popolazioni finite, noto come design-based.

I campionamenti probabilistici

Il presente capitolo riguarda i campioni probabilistici secondo la definizione fornita nel Par. 2.3 e fa riferimento a una situazione del tutto ideale. Cosi, si suppone che le unita delia popolazione frame, di numerosita nota e pari a N, coincidano con quelle della popolazione target e che tutte le unita comprese nel campione forniscano le risposte richieste.