Erweiterung des logistischen Response-Modells
Erinner dich: Die Brauerei hat Point-of-Sale-Displays installiert, um die Käufe von Hoppiness zu steigern. Um als Marke aufzufallen, hat die Brauerei Hoppiness zusätzlich hervorgehoben, indem sie den regionalen Charakter betont hat. Diese Highlighting-Aktivitäten wurden ebenfalls mit den Point-of-Sale-Displays kombiniert.
Du beginnst damit, die Aktionen DISPL.HOP, FEAT.HOP und FEATDISPL.HOP mithilfe der Funktion summary() zusammenzufassen.
Als Nächstes erklärst du die Kaufwahrscheinlichkeiten für HOPPINESS durch price.ratio, DISPL.HOP, FEAT.HOP und FEATDISPL.HOP. Wieder verwendest du dafür die Funktion glm() und das family-Argument binomial.
Abschließend berechnest du die marginalen Effekte der Prädiktoren mit der Funktion margins().
Diese Übung ist Teil des Kurses
<Kurs>Response-Modelle in R erstellen</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Summarizing the DISPL.HOP, FEAT.HOP, FEATDISPL.HOP actions
___(choice.data[c(___,___,___)])