Wie analysiert man faktorielles Design mit einem Ergebnis, das zwei Arten von Varianz aufweist?Hallo
Ich habe einen Datensatz aus einem zweistufigen faktoriellen Versuchsplan mit zwei Faktoren.
Der Datensatz enthält den Kaufbetrag pro Benutzer.
Jede Zeile ist ein eindeutiger Benutzer. Ein 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 dividiert durch die Anzahl der Benutzer).
Ich gehe jedoch davon aus, dass wir zwei Arten von Varianz berücksichtigen müssen.
Erstens – die Varianz der Kaufrate, d. h. ob der Benutzer bestellt hat oder nicht. Zweitens – die Varianz im durchschnittlichen Einkaufswert.
Können Sie die geeignete Methode vorschlagen, um eine solche Analyse in JMP durchzuführen?
Ich habe den Datensatz angehängt.
VersuchsplanungQualitäts- und VerfahrenstechnikBetreff: Wie analysiert man das faktorielle Design mit einem Ergebnis, das zwei Arten von Varianz aufweist?Vielen Dank!
Ich verstehe, dass wir die logistische Regression für Binomialdaten verwenden können. Aber was wäre, wenn wir einen positiven Effekt von A oder B auf die Käufe hätten (Ja, Nein) und das Ergebnis des Interesses ein durchschnittlicher Kaufbetrag pro Benutzer wäre? Dieses Ergebnis ist anders, da es sich um ein Produkt aus einer binären Metrik (Ja, Nein) und einer durchschnittlichen Anzahl gekaufter Bestellungen handelt (wobei gekauft = Ja). Wir können mehr erfolgreiche Käufe erzielen, aber die durchschnittliche Kaufmenge an Bestellungen ist niedrig, was zur Folge hat, dass wir eine geringere durchschnittliche Kaufsumme pro Benutzer erhalten. In OFAT-Tests für dieses Ergebnis können wir nichtparametrische Tests verwenden Mann - Whitney-U-Test. Aber was ist mit Fällen, in denen wir eine Regressionsanalyse durchführen möchten?
Betreff: Wie analysiert man das faktorielle Design mit einem Ergebnis, das zwei Arten von Varianz aufweist?Sie haben nur 265 Käufe von 15.771 Beobachtungen. Eine OLS-Regression ist in diesem Fall ungeeignet. Es scheitert kläglich und die Modellannahmen werden grob verletzt. Ich habe den Kaufbetrag in eine binäre Antwort Purchased = { no, yes } umgewandelt und ihn dann mit logistischer Regression modelliert. Die Diagnose sieht schlecht aus. Das Modell hat niemals „Gekauft“ = „Ja“ vorhergesagt. Ich habe das logarithmisch-lineare Poisson-Modell ausprobiert und es funktionierte, zeigte aber nur sehr wenige Hinweise auf einen Effekt von A oder B.
Ich habe Ihre Datentabelle mit meinen Ergänzungen angehängt.
