Modèle de risques proportionnels de Cox

Vous allez maintenant ajuster un modèle de risques proportionnels de Cox sur les données de la boutique en ligne. Vos données stockées dans dataNextOrder contiennent désormais quatre variables supplémentaires : la shoppingCartValue de la première commande en dollars, l'utilisation d'un voucher par le client, si la commande a été returned, et le gender.

Le package rms est déjà chargé dans l'espace de travail.

Cet exercice fait partie du cours

<cours>Machine Learning for Marketing Analytics in R</cours>

Voir le cours

Instructions de l’exercice

Calculez le modèle Cox PH avec cph(). Incluez les variables shoppingCartValue, voucher, returned et gender comme prédicteurs. Faites attention à bien spécifier la formule. Stockez le résultat dans un objet appelé fitCPH. Et, bien sûr, affichez les résultats.
Prenez l'exponentielle des coefficients pour les interpréter. Pour l'interprétation, gardez à l'esprit que shoppingCartValue est une variable continue, tandis que les autres variables sont catégorielles.
Tracez le résumé des résultats.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Determine distributions of predictor variables
dd <- datadist(dataNextOrder)
options(datadist = "dd")

# Compute Cox PH Model and print results
___ <- ___(Surv(daysSinceFirstPurch, boughtAgain) ___ shoppingCartValue ___ voucher ___ returned ___ gender,
              data = ___,
              x = TRUE, y = TRUE, surv = TRUE)
print(___)

# Interpret coefficients
___(fitCPH$___)

# Plot result summary
___(___(fitCPH), log = TRUE)

Modifier et exécuter le code