Probit‑модель для попиту на пиво
Ви чули, що інші дата‑сайєнтисти надають перевагу probit‑функції відгуку для моделювання рішень про купівлю. Probit трактує рішення про купівлю як латентні схильності. Це звучить складно і трохи лякає, тож ви теж хочете спробувати probit.
Ви знову можете використати функцію glm(), щоб описати залежність HOPPINESS ~ price.ratio. Потрібно лише доповнити аргумент family як binomial(link = probit). Як зазвичай, оцінені коефіцієнти отримують за допомогою функції coef().
Ця вправа є частиною курсу
Побудова моделей відгуку в R
Інструкції до вправи
- Поясніть
HOPPINESSчерезprice.ratio, використавши функціюglm()і аргументfamily = binomial(link = probit). Запишіть результат до об'єкта з назвоюprobit.model. - Отримайте коефіцієнти об'єкта
probit.modelза допомогою функціїcoef().
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Explain HOPPINESS by price.ratio
probit.model <- ___(___, family = ___, data = choice.data)
# Obtain the coefficients