Mô hình probit cho nhu cầu bia

Bạn nghe một số data scientist khác thích dùng hàm phản hồi probit để mô hình hóa quyết định mua hàng. Probit coi quyết định mua là các xu hướng tiềm ẩn (latent propensities). Nghe khá “hàn lâm” và khiến bạn hơi lo lắng, nên bạn cũng muốn thử probit.

Bạn có thể tiếp tục dùng hàm glm() để mô tả quan hệ HOPPINESS ~ price.ratio. Bạn chỉ cần bổ sung đối số family thành binomial(link = probit). Như thường lệ, các hệ số ước lượng được lấy bằng hàm coef().

Bài tập này là một phần của khóa học

Xây dựng mô hình phản hồi trong R

Xem khóa học

Hướng dẫn bài tập

Giải thích HOPPINESS theo price.ratio bằng hàm glm() với đối số family = binomial(link = probit). Gán kết quả vào đối tượng tên probit.model.
Lấy các hệ số của probit.model bằng hàm coef().

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

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

# Obtain the coefficients

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Xây dựng mô hình phản hồi trong R

SkillTag.level.intermediateSkillTag.label

4.9+

Bắt đầu khóa học miễn phí

Chương đầu tiên giới thiệu các nguyên tắc và khái niệm cơ bản của mô hình phản hồi thị trường. Ở đây, bạn sẽ học cách xây dựng các mô hình phản hồi đơn giản cho doanh số sản phẩm. Ngoài ra, bạn sẽ tìm hiểu sự khác biệt về lý thuyết và thực tiễn giữa các mô hình tuyến tính và phi tuyến cho phản hồi doanh số.

Exercise 1: Những điều cơ bản về mô hình phản hồi thị trường Exercise 2: Doanh số bán lẻ Exercise 3: Hiểu về doanh số Exercise 4: Mô hình phản hồi tuyến tính Exercise 5: Mô hình phản hồi tuyến tính cho doanh số Exercise 6: Tạo dự đoán Exercise 7: Hiệu năng dự đoán Exercise 8: Mô hình phản hồi phi tuyến Exercise 9: Tuyến tính hóa các hàm phi tuyến Exercise 10: Giá trị gia tăng là gì?

Một chiến lược tiếp thị hiệu quả kết hợp tất cả công cụ sẵn có để truyền tải lợi ích của sản phẩm. Mấu chốt là phối trộn đúng các công cụ này để đạt mục tiêu tăng doanh số và thị phần. Ở chương thứ hai, bạn sẽ học cách đưa tác động của quảng cáo và khuyến mãi vào mô hình phản hồi doanh số, và cách xác định chiến lược tiếp thị có khả năng thành công cao nhất.

Exercise 1: Mở rộng mô hình phần 1: Biến giả Exercise 2: Hiểu về biến giả (dummy variables)Exercise 3: Tác động của trưng bày lên doanh số Exercise 4: Tác động của nhiều biến giả lên doanh số Exercise 5: Còn giá thì sao?Exercise 6: Mở rộng mô hình phần 2: Biến động Exercise 7: Tạo độ trễ (lag) như thế nào?Exercise 8: Bổ sung hiệu ứng trễ của giá Exercise 9: Nhiều độ trễ hơn Exercise 10: Giá trị gia tăng là gì?Exercise 11: Cần bao nhiêu lần mở rộng?Exercise 12: Tóm tắt mô hình Exercise 13: Các biến dự báo không cần thiết Exercise 14: Loại bỏ biến dự báo Exercise 15: Loại bỏ biến dự báo

Một công ty chỉ có thể thành công trên thị trường khi sản phẩm của họ có lợi thế cạnh tranh so với đối thủ. Để xây dựng chiến lược tiếp thị hiệu quả trong môi trường cạnh tranh, điều cốt yếu là hiểu mối quan hệ giữa hoạt động tiếp thị và hành vi khách hàng. Trong chương này, bạn sẽ học cách giải thích tác động của thay đổi giá tạm thời lên lựa chọn nhãn hiệu của khách hàng bằng cách sử dụng mô hình phản hồi logistic và probit.

Exercise 1: Mô hình cho nhu cầu cá nhân Exercise 2: Mua hàng của khách Exercise 3: Tóm tắt dữ liệu Exercise 4: Cạnh tranh Exercise 5: Mô hình xác suất tuyến tính cho nhu cầu bia Exercise 6: Mô hình phản hồi logistic Exercise 7: Mô hình logistic cho nhu cầu bia Exercise 8: Các dự đoán bị chặn Exercise 9: Hiệu ứng biên trung bình Exercise 10: Biểu đồ hiệu ứng Exercise 11: Mô hình phản hồi probit Exercise 12: Mô hình probit cho nhu cầu bia

Bài tập hiện tại

Exercise 13: Logistic vs. probit Exercise 14: So sánh mô hình

Mục tiêu chính của mô hình phản hồi là giúp nhà tiếp thị nhìn thấy kết quả không chỉ hôm nay mà còn trong tương lai. Để dự đoán được kết quả đó, cần có một mô hình thống kê đơn giản nhưng đáng tin cậy. Trong chương cuối, bạn sẽ học cách đánh giá hiệu năng dự đoán của các mô hình phản hồi logistic.

Exercise 1: Chọn mô hình Exercise 2: Mở rộng mô hình phản hồi logistic Exercise 3: Tóm tắt mô hình Exercise 4: Nguyên lý deviance Exercise 5: Loại bỏ biến dự báo Exercise 6: Hiệu năng dự đoán Exercise 7: Phân loại Exercise 8: Nhầm lẫn của mô hình Exercise 9: Đường cong ROC Exercise 10: Xác thực mô hình Exercise 11: Chọn lọc (Subsetting)Exercise 12: Huấn luyện mô hình Exercise 13: Kiểm định ngoài mẫu Exercise 14: Tổng kết