Wie kann man faktorielles Design mit einem Ergebnis mit zwei Arten von Varianz analysieren?Hallo
Ich habe einen Datensatz aus einem 2-stufigen faktoriellen Design mit 2 Faktoren.
Der Datensatz enthält den Kaufbetrag pro Benutzer.
Jede Zeile ist ein eindeutiger Benutzer. Kauf mit dem Wert 0 bedeutet, dass der Benutzer nicht gekauft hat. A und B sind Behandlungen.
Ich möchte die Wirkung der Behandlungen A und B auf den durchschnittlichen Kauf pro Benutzer berechnen (Kaufsumme in USD geteilt durch die Anzahl der Benutzer).
Ich gehe jedoch davon aus, dass wir zwei Arten von Varianz berücksichtigen müssen.
Erstens - die Varianz der Kaufrate, dh ob der Benutzer bestellt hat oder nicht. Zweitens - die Abweichung im durchschnittlichen Kaufwert.
Können Sie die geeignete Methode für eine solche Analyse in JMP vorschlagen?
Ich habe den Datensatz angehängt.
DAMHIRSCHKUHBetreff: Wie kann man das faktorielle Design mit einem Ergebnis analysieren, das zwei Arten von Varianz aufweist?Sie haben nur 265 Käufe von 15.771 Beobachtungen. Die OLS-Regression ist in diesem Fall unangemessen. Es scheitert kläglich und die Modellannahmen werden grob verletzt. Ich habe den Kaufbetrag in eine binäre Antwort umgewandelt. Purchased = {no, yes} und dann mit logistischer Regression modelliert. Die Diagnose sieht schlecht aus. Das Modell hat Purchased = yes nie vorhergesagt. Ich habe das log-lineare Poisson-Modell ausprobiert und es hat funktioniert, aber es wurden nur sehr wenige Hinweise auf einen Effekt von A oder B gezeigt.
Ich habe Ihre Datentabelle mit meinen Ergänzungen angehängt.
Betreff: Wie kann man das faktorielle Design mit einem Ergebnis analysieren, das zwei Arten von Varianz aufweist?Vielen Dank!
Ich verstehe, dass wir die logistische Regression für Binomialdaten verwenden können. Was aber, wenn wir einen positiven Effekt von A oder B auf den Kauf hatten (Ja, Nein) und das Ergebnis des Interesses ein durchschnittlicher Kaufbetrag pro Benutzer war? Dieses Ergebnis ist anders, da dies ein Produkt aus einer binären Metrik (Ja, Nein) und einer durchschnittlichen Anzahl gekaufter Bestellungen (mit Kauf = Ja) ist. Wir können mehr erfolgreiche Einkäufe tätigen, aber nur eine geringe durchschnittliche Anzahl von Bestellungen, wodurch wir eine niedrigere durchschnittliche Kaufmenge pro Benutzer erhalten. In OFAT-Tests für dieses Ergebnis können wir nicht parametrische verwenden Mann - - Whitney U Test. Aber was ist mit Fällen, in denen wir eine Regressionsanalyse durchführen möchten?
