Aan de slagGa gratis aan de slag

Een probitmodel voor biervraag

Je hebt gehoord dat andere data scientists de probit-responsfunctie verkiezen voor het modelleren van aankoopbeslissingen. De probit ziet aankoopbeslissingen als latente neigingen. Klinkt ingewikkeld en dat maakt je wat nerveus, dus je probeert de probit ook uit.

Je kunt opnieuw de functie glm() gebruiken om de relatie HOPPINESS ~ price.ratio te beschrijven. Je hoeft alleen het argument family aan te vullen met binomial(link = probit). Zoals gebruikelijk krijg je de geschatte coëfficiënten met de functie coef().

Deze oefening maakt deel uit van de cursus

Responsmodellen bouwen in R

Cursus bekijken

Oefeninstructies

  • Leg HOPPINESS uit aan de hand van price.ratio met de functie glm() en het argument family = binomial(link = probit). Ken het resultaat toe aan een object genaamd probit.model.
  • Haal de coëfficiënten van het probit.model op met de functie coef().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Explain HOPPINESS by price.ratio
probit.model <- ___(___, family = ___, data = choice.data)

# Obtain the coefficients
Code bewerken en uitvoeren