Comment analyser un plan factoriel avec un résultat ayant deux types de variance?Bonjour
J'ai un ensemble de données d'un plan factoriel à 2 niveaux avec 2 facteurs.
L'ensemble de données contient le montant d'achat pour chaque utilisateur.
Chaque ligne est un utilisateur unique. Un achat avec une valeur de 0 signifie que l'utilisateur n'a pas acheté. A et B sont des traitements.
Je souhaite calculer l'effet des traitements A et B sur l'achat moyen par utilisateur (somme des achats en USD divisée par le nombre d'utilisateurs).
Cependant, je suppose que nous devons tenir compte de deux types de variance.
Premièrement - la variance du taux d'achat, c'est-à-dire que l'utilisateur a commandé ou non. Deuxièmement - la variance de la valeur d'achat moyenne.
Pouvez-vous suggérer la méthode appropriée pour effectuer une telle analyse dans JMP?
J'ai joint le jeu de données.
BICHERe: Comment analyser un plan factoriel avec un résultat ayant deux types de variance?Vous avez seulement 265 achats sur 15 771 observations. La régression OLS n'est pas appropriée dans ce cas. Il échoue lamentablement et les hypothèses du modèle sont gravement violées. J'ai transformé le montant de l'achat en une réponse binaire Acheté = {non, oui}, puis je l'ai modélisé avec une régression logistique. Les diagnostics semblent mauvais. Le modèle n'a jamais prédit Acheté = oui. J'ai essayé le modèle log-linéaire de Poisson et cela a fonctionné, mais j'ai démontré très peu de preuves d'un effet de A ou B.
J'ai joint votre tableau de données avec mes ajouts.
Re: Comment analyser un plan factoriel avec un résultat ayant deux types de variance?Merci beaucoup!
Je comprends que nous pouvons utiliser la régression logistique pour les données binomiales. Mais que se passerait-il si nous avions un effet positif de A ou B sur l'achat (Oui, Non) et que le résultat de l'intérêt était un montant d'achat moyen par utilisateur. Ce résultat est différent car il s'agit d'un produit de métrique binaire (Oui, Non) et d'un montant moyen de commandes achetées (avec acheté = oui). Nous pouvons avoir plus d'achats réussis, mais le montant moyen des commandes achetées est faible, ce qui nous permettra d'obtenir un montant d'achat moyen inférieur par utilisateur. Dans les tests OFAT pour ce résultat, nous pouvons utiliser Mann - Test Whitney U. Mais qu'en est-il des cas dans lesquels nous voulons faire une analyse de régression?
