Eliminare i predittori

Tecnicamente non sai ancora quali predittori siano davvero necessari nel modello. Ancora una volta, usa la funzione stepAIC() del pacchetto aggiuntivo MASS per escludere i predittori non necessari. L’argomento direction = "backward" avvia il processo di selezione partendo da extended.model e rimuove i termini in sequenza nel tentativo di ridurre l’AIC. L’argomento trace = FALSE impedisce la stampa di informazioni durante l’esecuzione del processo di selezione. Riassumi il modello finale, quello con il valore minimo di AIC, usando la funzione summary().

Questo esercizio fa parte del corso

Creare modelli di risposta in R

Visualizza corso

Istruzioni dell'esercizio

Esegui la selezione all’indietro dei predittori sull’oggetto extended.model usando la funzione stepAIC(). Assegna il risultato a un oggetto chiamato final.model.
Riassumi l’oggetto final.model usando la funzione summary().

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Backward elemination
final.model <- ___(___, direction = ___, trace = ___)

# Summarize the final.model

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Creare modelli di risposta in R

IntermediárioNível de habilidade

4.9+

Inizia il corso gratuitamente

Nel primo capitolo ti presentiamo i principi e i concetti di base dei modelli di risposta del mercato. Qui imparerai a costruire semplici modelli di risposta per le vendite di un prodotto. Inoltre, scoprirai le differenze teoriche e pratiche tra modelli lineari e non lineari per le risposte di vendita.

Exercise 1: Fondamenti dei modelli di risposta del mercato Exercise 2: Vendite retail Exercise 3: Capire le vendite Exercise 4: Modelli di risposta lineari Exercise 5: Un modello di risposta lineare per le vendite Exercise 6: Fare previsioni Exercise 7: Prestazioni predittive Exercise 8: Modelli di risposta non lineari Exercise 9: Linearizzare funzioni non lineari Exercise 10: Qual è il valore aggiunto?

Una strategia di marketing efficace combina tutti gli strumenti disponibili per comunicare i benefici di un prodotto. La chiave è definire il giusto mix di questi strumenti per raggiungere obiettivi di crescita delle vendite e di quota di mercato. Nel secondo capitolo imparerai come includere gli effetti di pubblicità e promozioni nel tuo modello di risposta delle vendite e come identificare la strategia di marketing con le maggiori probabilità di successo.

Exercise 1: Estensione del modello parte 1: variabili dummy Exercise 2: Capire le variabili dummy Exercise 3: L'effetto dell'esposizione sulle vendite Exercise 4: L'effetto di più variabili dummy sulle vendite Exercise 5: E il prezzo?Exercise 6: Estensioni del modello parte 2: Variabili dinamiche Exercise 7: Come applicare un lag?Exercise 8: Aggiungere effetti di prezzo ritardati Exercise 9: Altri ritardi Exercise 10: Qual è il valore aggiunto?Exercise 11: Quante estensioni servono?Exercise 12: Riepilogare il modello Exercise 13: Predittori non necessari Exercise 14: Eliminare predittori Exercise 15: Eliminare i predittori

Un’azienda può avere successo sul mercato solo se i suoi prodotti hanno un vantaggio competitivo rispetto a quelli dei rivali. Per sviluppare una strategia di marketing efficace in un contesto competitivo, è essenziale comprendere l’interrelazione tra attività di marketing e comportamento dei clienti. In questo capitolo imparerai a spiegare gli effetti di variazioni temporanee di prezzo sulla scelta di marca da parte dei clienti utilizzando modelli di risposta logit e probit.

Exercise 1: Modelli per la domanda individuale Exercise 2: Acquisti dei clienti Exercise 3: Riepilogare i dati Exercise 4: Concorrenza Exercise 5: Un modello di probabilità lineare per la domanda di birra Exercise 6: Modelli di risposta logistica Exercise 7: Un modello logistico per la domanda di birra Exercise 8: Previsioni con vincolo Exercise 9: Effetti marginali medi Exercise 10: Grafici degli effetti Exercise 11: Modelli di risposta Probit Exercise 12: Un modello probit per la domanda di birra Exercise 13: Logistica vs. probit Exercise 14: Confronto tra modelli

L’obiettivo principale della modellazione della risposta è permettere ai marketer non solo di vedere il ritorno delle loro azioni oggi, ma anche domani. Per stimare questo rendimento futuro, serve un modello statistico semplice ma affidabile. In quest’ultimo capitolo imparerai a valutare le prestazioni predittive dei modelli di risposta logistica.

Exercise 1: Selezione del modello Exercise 2: Ampliare il modello di risposta logistica Exercise 3: Riepilogare il modello Exercise 4: Il principio della devianza Exercise 5: Eliminare i predittori

Esercizio attuale

Exercise 6: Prestazioni predittive Exercise 7: Classificazioni Exercise 8: Confusione del modello Exercise 9: Curve ROC Exercise 10: Validazione del modello Exercise 11: Sottoinsiemi Exercise 12: Addestramento del modello Exercise 13: Test fuori campione Exercise 14: Tiriamo le somme