1. Apprendre
    2. /
  2. Cours
    3. /
  3. Modèles hiérarchiques et à effets mixtes en R
Connected

Exercice

Exemple de marketing

Comme expliqué dans la vidéo, notre client veut savoir si la recommandation d'un ami augmente le nombre de personnes qui achètent plutôt que de passer leur tour pour son produit en ligne. Il nous a remis un sommaire de ses données sous forme de data.frame nommé all_data. Ces données comprennent le nombre d'Purchases et de Pass pour 4 villes test (city) ainsi que le ranking des clientes et clients. Cette structure de données se prête bien à l'utilisation de cbind() sur les deux colonnes d'intérêt pour créer une matrice (vous pourriez utiliser d'autres façons de créer une matrice en R, mais celle-ci est parmi les plus simples).

Vous voulez vérifier si la recommandation d'un friend augmente les achats du produit. Pour répondre à cette question, vous allez construire un modèle glmer() puis examiner sa sortie.

Si l'estimation du paramètre pour friend est significativement supérieure à zéro, alors la recommandation d'un ami augmente la probabilité qu'une personne fasse un achat. Si l'estimation du paramètre pour friend est significativement inférieure à zéro, alors la recommandation d'un ami diminue la probabilité qu'une personne fasse un achat. Si l'estimation du paramètre pour friend n'est pas significativement différente de zéro, alors la recommandation d'un ami n'a aucun effet sur la décision d'achat.

Instructions 1/2

undefined XP
    1
    2
  • Ajustez un glmer() avec le data.frame all_data. Utilisez cbind(Purchases, Pass) comme variable à prédire par friend et ranking (friend en premier). Utilisez city comme effet aléatoire et family = "binomial".
  • cbind() est nécessaire, car glmer() exige une matrice en entrée.