Previsões limitadas

A função glm() é usada porque você precisa de uma função de resposta que limite as previsões do modelo entre zero e um. Vamos ilustrar esse efeito em um gráfico. Mas, desta vez, você precisa desenhar uma curva (em vez de uma linha reta)!

Você começa plotando a relação HOPPINESS ~ price.ratio. Você pode adicionar a função logística ao gráfico usando curve(). A função curve() é usada para avaliar outra função em pontos de dados x. Aqui, essa função é predict()! A função predict() recupera os coeficientes de logistic.model para fazer previsões sobre alguns valores fornecidos em um objeto data frame. O segredo é definir price.ratio = x no argumento data.frame. Isso ajusta uma curva passando pelos valores de dados previstos.

Este exercício faz parte do curso

Construindo modelos de resposta em R

Instruções do exercício

Exiba a relação entre HOPPINESS e price.ratio usando a função plot().
Obtenha as probabilidades de compra para Hoppiness aplicando a função predict() em logistic.model com price.ratio no argumento do data frame.
Ajuste uma curva passando pelos valores previstos usando a função curve().

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Plot HOPPINESS against price.ratio
___(___, data = choice.data)

# Add the logistic response function
___(___(___, data.frame(___), type = "response"), add = TRUE)

Editar e executar o código

Este exercício faz parte do curso

Construindo modelos de resposta em R

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Neste primeiro capítulo, você vai conhecer os princípios e conceitos básicos dos modelos de resposta de mercado. Aqui, você aprenderá a construir modelos simples de resposta para vendas de produtos. Além disso, vai conhecer as diferenças teóricas e práticas entre modelos lineares e não lineares para respostas de vendas.

Exercise 1: Fundamentos dos modelos de resposta de mercado Exercise 2: Vendas no varejo Exercise 3: Entendendo as vendas Exercise 4: Modelos de resposta lineares Exercise 5: Um modelo de resposta linear para vendas Exercise 6: Fazendo previsões Exercise 7: Desempenho preditivo Exercise 8: Modelos de resposta não lineares Exercise 9: Linearizando funções não lineares Exercise 10: Qual é o valor agregado?

Uma estratégia de marketing eficaz combina todas as ferramentas disponíveis para comunicar os benefícios de um produto. O segredo é montar a mistura certa dessas ferramentas para alcançar aumentos de vendas e metas de participação de mercado. No segundo capítulo, você vai aprender a incorporar os efeitos de publicidade e promoção ao seu modelo de resposta de vendas e como identificar a estratégia de marketing com maior probabilidade de sucesso.

Exercise 1: Extensão do modelo parte 1: Variáveis dummies Exercise 2: Entendendo variáveis dummies Exercise 3: O efeito de exposição nas vendas Exercise 4: O efeito de múltiplas dummies nas vendas Exercise 5: E o preço?Exercise 6: Extensões do modelo, parte 2: Variáveis dinâmicas Exercise 7: Como aplicar lag?Exercise 8: Adicionando efeitos defasados de preço Exercise 9: Mais defasagens Exercise 10: Qual é o valor agregado?Exercise 11: Quantas extensões são necessárias?Exercise 12: Resumindo o modelo Exercise 13: Preditores desnecessários Exercise 14: Eliminando preditores Exercise 15: Eliminando preditores

Uma empresa só consegue ter sucesso no mercado se seus produtos tiverem vantagem competitiva sobre os dos rivais. Para desenvolver uma estratégia de marketing eficaz em um ambiente competitivo, é essencial entender a relação entre a atividade de marketing e o comportamento do cliente. Neste capítulo, você vai aprender a explicar os efeitos de mudanças temporárias de preço na escolha de marca do cliente usando modelos de resposta logísticos e probit.

Exercise 1: Modelos para demanda individual Exercise 2: Compras de clientes Exercise 3: Resumindo os dados Exercise 4: Concorrência Exercise 5: Um modelo de probabilidade linear para a demanda de cerveja Exercise 6: Modelos de resposta logística Exercise 7: Um modelo logístico para a demanda de cerveja Exercise 8: Previsões limitadas

Exercício atual

Exercise 9: Efeitos marginais médios Exercise 10: Gráficos de efeito Exercise 11: Modelos de resposta Probit Exercise 12: Um modelo probit para demanda de cerveja Exercise 13: Logístico vs. probit Exercise 14: Comparação de modelos

O principal objetivo da modelagem de resposta é permitir que profissionais de marketing vejam retorno não só das ações de hoje, mas também das de amanhã. Para enxergar esse retorno futuro, é necessário um modelo estatístico simples e confiável. Neste último capítulo, você vai aprender a avaliar o desempenho preditivo de modelos de resposta logísticos.

Exercise 1: Seleção de modelos Exercise 2: Estendendo o modelo de resposta logística Exercise 3: Resumindo o modelo Exercise 4: O princípio da deviance Exercise 5: Eliminando preditores Exercise 6: Desempenho preditivo Exercise 7: Classificações Exercise 8: Confusão do modelo Exercise 9: Curvas ROC Exercise 10: Validação do modelo Exercise 11: Subsetting Exercise 12: Treinamento do modelo Exercise 13: Teste fora da amostra Exercise 14: Fechando com chave de ouro