Wahlanteile vorhersagen

Ich habe eine Funktion namens predict_mnl() geladen, mit der wir Wahlanteile für einen neuen Satz von Produkten vorhersagen können. predict_mnl() nimmt zwei Eingaben:

ein Modellobjekt, das von mlogit erzeugt wurde
ein Data Frame, das die Produkte beschreibt, für die wir Anteile vorhersagen wollen

Diese Übung ist Teil des Kurses

<Kurs>Choice Modeling für Marketing in R</Kurs>

Übungsanweisungen

Untersuche products, um zu sehen, welche Eigenschaften diese vier Autos haben. products ist nicht groß, du kannst einfach den Namen tippen, um das komplette Data Frame in der Konsole auszugeben.
Verwende predict_mnl(), um die Anteile für diese zwei Produkte vorherzusagen. Setze dazu die erste Eingabe auf m1 und die zweite auf products.
Gib die Anteile in der Konsole aus, indem du shares tippst.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# inspect products


# use predict_mnl to predict share for products
shares <- predict_mnl(___, ___)

# print the shares to the console

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Choice Modeling für Marketing in R</Kurs>

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Unser Ziel in diesem Kapitel ist es, dich so schnell wie möglich durch den gesamten Choice-Modeling-Prozess zu führen, damit du ein breites Verständnis dafür bekommst, was wir mit Choice-Modellen erreichen können und wie der Prozess funktioniert. Die Grundidee ist, dass wir mit einem Choice-Modell verstehen können, wie die Produktwahl von Kundinnen und Kunden von den Eigenschaften dieser Produkte abhängt. Bevorzugen Sportwagenkäufer Schaltgetriebe gegenüber Automatik? Und wie stark? Um dir einen Überblick zu geben, lassen wir viele Details zunächst außen vor. In späteren Kapiteln gehen wir zurück und behandeln wichtige Themen bei der Datenaufbereitung, der Spezifikation und Interpretation von Modellen und der Präsentation deiner Ergebnisse, damit du diese Methoden sicher mit deinen eigenen Choice-Daten anwenden kannst.

Exercise 1: Warum Entscheidungen?Exercise 2: Wahldaten Exercise 3: Choice-Daten untersuchen Exercise 4: Faktorstufen ermitteln Exercise 5: Eine Choice-Beobachtung untersuchen Exercise 6: Was haben die Leute gewählt?Exercise 7: Ein Wahlmodell schätzen und interpretieren Exercise 8: Ein Wahlmodell anpassen Exercise 9: Parameter interpretieren Exercise 10: Mit Choice-Modellen Entscheidungen treffen Exercise 11: Wahlanteile vorhersagen

Aktuelle Übung

Exercise 12: Choice-Anteile plotten

Es gibt viele unterschiedliche Quellen für Choice-Daten und verschiedene Formate, in denen sie vorliegen können. In diesem Kapitel nehmen wir Daten, die in mehreren alternativen Formaten bereitgestellt werden, und bringen sie in eine Form, die für Choice-Modelle geeignet ist. Außerdem besprechen wir, wie du eine Umfrage konzipierst, um eigene Choice-Daten zu erheben.

Exercise 1: Choice-Daten zusammenstellen Exercise 2: Wie viele Entscheidungen haben wir?Exercise 3: Attribute und Ausprägungen Exercise 4: Eine einzelne Entscheidung prüfen Exercise 5: Von breit zu lang umwandeln Exercise 6: Von wide zu long konvertieren Exercise 7: Lange Daten sortieren Exercise 8: Die Variable Selection ändern Exercise 9: Choice-Daten in zwei Dateien Exercise 10: Eine Wahl in zwei Dateien prüfen Exercise 11: Zwei Dateien zusammenführen Exercise 12: Wahldaten visualisieren Exercise 13: Welche Schokoladensorten wählen die Leute?Exercise 14: Wählen Menschen niedrigere Preise?Exercise 15: Einen Conjoint-Fragebogen entwerfen

In diesem Kapitel tauchen wir tiefer in die Schätzung von Choice-Modellen ein. Um dir ein Fundament für das Denken über Choice-Modelle zu geben, konzentrieren wir uns darauf, wie das multinomiale Logit-Modell Produkteigenschaften in eine Vorhersage dafür umsetzt, was die entscheidende Person wählt. Das gibt dir einen Rahmen, um zu entscheiden, welche Merkmale du in dein Modell aufnimmst.

Exercise 1: Choice-Modelle – unter der Haube Exercise 2: mlogit.data-Objekt erstellen Exercise 3: Ein Choice-Modell schätzen Exercise 4: Den Achsenabschnitt entfernen Exercise 5: Parameter von Wahlmodellen interpretieren Exercise 6: Welche Schokoladenmarke wird am meisten bevorzugt?Exercise 7: Zahlungsbereitschaft berechnen Exercise 8: Price als Faktor Exercise 9: Likelihood-Ratio-Test Exercise 10: Achsenabschnitte und Interaktionen Exercise 11: Interaktion zwischen Marke und Typ Exercise 12: Interaktion zwischen Preis und Trial Exercise 13: Anteile vorhersagen Exercise 14: Anteile für das Segment "racer" vorhersagen Exercise 15: Anteile für Schokoladentafeln vorhersagen Exercise 16: Anteile für Schokoriegel plotten

Menschen haben unterschiedliche Geschmäcker und Präferenzen. Das ist intuitiv offensichtlich, wird aber auch durch umfangreiche Forschung im Marketing belegt. Dieses Kapitel behandelt Choice-Modelle, bei denen wir annehmen, dass unterschiedliche Entscheider unterschiedliche Präferenzen haben, die ihre Wahl beeinflussen. Wenn unsere Modelle erkennen, dass Konsumentinnen und Konsumenten unterschiedliche Vorlieben haben, sagen sie tendenziell höhere Anteile für Nischenprodukte voraus, die nur für einen Teil der Kundschaft attraktiv sind. Hierarchische Modelle werden in den meisten kommerziellen Anwendungen des Choice-Modelings eingesetzt, daher ist es wichtig zu verstehen, wie sie funktionieren.

Exercise 1: Was ist ein hierarchisches Choice-Modell?Exercise 2: Wie viele Personen haben die Schokoladenumfrage beantwortet?Exercise 3: Schokoladenmodell mit zufälligem Preiskoeffizienten Exercise 4: Heterogenität in den Präferenzen für andere Merkmale Exercise 5: Effektkodierung setzen Exercise 6: Schokoladenmodell mit allen zufälligen Koeffizienten Exercise 7: Parameter hierarchischer Modelle interpretieren Exercise 8: Wie bewerten Menschen weiße Schokolade?Exercise 9: Anteile mit hierarchischen Modellen vorhersagen Exercise 10: Anteile für Schokoladen vorhersagen Exercise 11: Mach's gut und viel Erfolg!