Anpassa en valmodell

Nu ska du skatta en valmodell med hjälp av funktionen mlogit() från paketet mlogit, baserat på data i sportscar. Datamängden är redan inläst. Processen liknar i hög grad att anpassa en regressionsmodell med lm().

Den här övningen är en del av kursen

Valmodellering för marknadsföring i R

Visa kurs

Övningsinstruktioner

Läs in paketet mlogit med library().
Anpassa en modell för att förutsäga choice som en funktion av seat, trans, convert och price. Du behöver fylla i formelinputen.
Sammanfatta objektet m1.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# load the mlogit library 


# fit a choice model using mlogit() and assign the output to m1
m1 <- mlogit(___ ~ ___, data=sportscar)

# summarize the m1 object to see the output of the choice model

Redigera och kör kod

Den här övningen är en del av kursen

Valmodellering för marknadsföring i R

SkillTag.level.advancedSkillTag.label

4.8+

41 reviews

Starta kursen gratis

Målet med det här kapitlet är att ge dig en snabb genomgång av hela valmodelleringsprocessen, så att du får en bred förståelse för vad vi kan göra med valmodeller och hur processen fungerar. Grundtanken är att vi kan använda en valmodell för att förstå hur kundernas produktval påverkas av produkternas egenskaper. Föredrar köpare av sportbilar manuell växellåda framför automatisk? Och i så fall, hur mycket? För att ge dig en överblick hoppar vi över många detaljer. I senare kapitel går vi tillbaka och behandlar viktiga frågor kring dataförberedelse, modellspecifikation och tolkning samt hur du presenterar dina resultat – så att du är väl förberedd att använda dessa metoder med dina egna valdata.

Exercise 1: Varför val?Exercise 2: Valdata Exercise 3: Granska valdata Exercise 4: Hitta nivåerna för en faktor Exercise 5: Granska en valsobservation Exercise 6: Vad valde folk?Exercise 7: Anpassa och tolka en valmodell Exercise 8: Anpassa en valmodell

Aktuell övning

Exercise 9: Tolka parametrar Exercise 10: Använda valmodeller för att fatta beslut Exercise 11: Förutsäga marknadsandelar Exercise 12: Visualisera vallandelar

Det finns många olika källor för valdata och olika sätt att formatera den. I det här kapitlet tar vi data som presenteras i flera olika format och lär oss hur vi strukturerar den för valmodellering. Vi diskuterar också hur du kan utforma en enkät för att samla in egna valdata.

Exercise 1: Sammanställa valdata Exercise 2: Hur många val har vi?Exercise 3: Attribut och nivåer Exercise 4: Undersök ett enskilt val Exercise 5: Konvertera från brett till långt format Exercise 6: Konvertera från brett till långt format Exercise 7: Sortera longformatsdata Exercise 8: Ändra variabeln Selection Exercise 9: Valdata i två filer Exercise 10: Granska ett val i två filer Exercise 11: Slå samman två filer Exercise 12: Visualisera valdata Exercise 13: Vilka typer av choklad väljer folk?Exercise 14: Väljer folk lägre priser?Exercise 15: Utforma en conjointundersökning

I det här kapitlet fördjupar vi oss i skattning av valmodeller. För att ge dig en grund att stå på fokuserar vi på hur den multinomiala logitmodellen omvandlar produktegenskaper till en prediktion för vad beslutsfattaren kommer att välja. Det ger dig ett ramverk för att avgöra vilka egenskaper som ska ingå i din modell.

Exercise 1: Valsmodeller – under huven Exercise 2: Skapa ett mlogit.data-objekt Exercise 3: Anpassa en valmodell Exercise 4: Ta bort konstanttermen Exercise 5: Tolka valsmodellens parametrar Exercise 6: Vilket chokladmärke föredras mest?Exercise 7: Beräkna betalningsvilja Exercise 8: Pris som en faktor Exercise 9: Likelihood-ratiotest Exercise 10: Intercept och interaktioner Exercise 11: Interaktion mellan varumärke och typ Exercise 12: Interaktion mellan pris och provomgång Exercise 13: Förutsäga marknadsandelar Exercise 14: Förutsäg marknadsandelar för racersegmentet Exercise 15: Förutsäg marknadsandelar för chokladkakor Exercise 16: Plotta andelar för chokladkakor

Olika människor har olika smak och preferenser. Det verkar intuitivt självklart, och det finns också omfattande forskning inom marknadsföring som bekräftar det. Det här kapitlet behandlar valmodeller där vi utgår från att olika beslutsfattare har olika preferenser som påverkar deras val. När modellerna tar hänsyn till att konsumenter har olika preferenser tenderar de att förutsäga större marknadsandelar för nischprodukter som tilltalar en delmängd av konsumenterna. Hierarkiska modeller används i de flesta kommersiella valmodelleringstillämpningar, så det är viktigt att förstå hur de fungerar.

Exercise 1: Vad är en hierarkisk valmodell?Exercise 2: Hur många personer svarade på chokladundersökningen?Exercise 3: Chokladmodell med slumpmässig priskoefficient Exercise 4: Heterogenitet i preferenser för andra egenskaper Exercise 5: Ange effektkoder Exercise 6: Chokladmodell med alla koefficienter som slumpmässiga Exercise 7: Tolka parametrar i hierarkiska modeller Exercise 8: Hur värderar konsumenter vit choklad?Exercise 9: Förutsäga marknadsandelar med hierarkiska modeller Exercise 10: Förutsäg andelar för choklad Exercise 11: Hejdå och lycka till!