J'utilise [Consumer Survey] > [Choice Model] de JMP pour mes recherches. On m'a conseillé d'inclure le nom du modèle utilisé dans l'article. Pourriez-vous s'il vous plaît me fournir le nom du modèle ? De plus, on m'a demandé d'inclure le coefficient de détermination (R2). Est-il possible de le calculer ?
J'utilise [Consumer Survey] > [Choice Model] de JMP pour mes recherches. On m'a conseillé d'inclure le nom du modèle utilisé dans l'article. Pourriez-vous s'il vous plaît me fournir le nom du modèle ? De plus, on m'a demandé d'inclure le coefficient de détermination (R2). Est-il possible de le calculer ?
Bonjour @Syoshinnsya2024 ,
Bienvenue dans la Communauté !
Avez-vous déjà consulté la section d'aide JMP relative aux modèles Choice ? : Présentation de la plateforme Choice
« La plateforme Choice utilise une forme de régression logistique conditionnelle pour estimer la probabilité qu'une configuration soit préférée. Contrairement à la régression logistique simple, la modélisation des choix utilise un modèle linéaire pour modéliser les choix en fonction des attributs de réponse et non uniquement des caractéristiques du sujet. »
Certains articles/littératures sont également fournis pour approfondir la compréhension des modèles de choix :
- Louvière, JJ, Flynn, TN, et Marley, AA (2015).Mise à l'échelle du meilleur au pire : théorie, méthodes et applications. Cambridge : Presses universitaires de Cambridge.
- Train, KE (2009). Méthodes de choix discret et simulation . 2e éd. Presses universitaires de Cambridge.
- Rossi, PE, Allenby, GM, et McCulloch, R. (2005). Statistiques bayésiennes et marketing . Chichester, Royaume-Uni : John Wiley & Sons.
Comme il est basé sur un type de régression logistique, vous n'aurez pas accès au R² « traditionnel ».
Pour la régression logistique, le pseudo R² de McFadden peut être utilisé.
Pour les modèles de choix, vous pouvez utiliser les différentes métriques liées à la vraisemblance, comme les métriques logLikelihhod, AICc et BIC. Elles sont cependant plus utiles lors de la comparaison de plusieurs modèles, pour choisir le plus informatif et le moins complexe.
Si vous souhaitez calculer le pseudo R² de McFadden dans votre exemple, vous pouvez techniquement le faire en utilisant cette formule :
(de Pseudo-R-carré - Wikipédia )
Avec Lm : la log-vraisemblance du modèle complet
et L0 : la log-vraisemblance du modèle avec seulement l'intercept (ajoutez une valeur de facteur constante et utilisez-la dans les effets du modèle).
Dans l'exemple « Profils de choix », j'exécute un modèle avec des effets ayant un logLikelihood égal à -6 (ou -2logLikelihood = 12).
Lorsque j'exécute un modèle avec uniquement un effet constant (intercept), j'ai un logLikelihood égal à -9 (ou -2logLikelihood = 18).
En utilisant la formule ci-dessus, je peux calculer un pseudo R² de McFadden égal à 0,333.
Ci-joint le tableau de données utilisé pour les modèles afin que vous puissiez reproduire les étapes ci-dessus.
J'espère que cette réponse vous aidera,
