Ich verwende für meine Forschung JMPs [Verbraucherumfrage] > [Auswahlmodell]. Mir wurde geraten, den Namen des im Dokument verwendeten Modells anzugeben. Könnten Sie mir bitte den Namen des Modells mitteilen? Außerdem wurde ich aufgefordert, den Determinationskoeffizienten (R2) anzugeben. Ist es möglich, ihn zu berechnen?
Ich verwende für meine Forschung JMPs [Verbraucherumfrage] > [Auswahlmodell]. Mir wurde geraten, den Namen des im Dokument verwendeten Modells anzugeben. Könnten Sie mir bitte den Namen des Modells mitteilen? Außerdem wurde ich aufgefordert, den Determinationskoeffizienten (R2) anzugeben. Ist es möglich, ihn zu berechnen?
Hallo @Syoshinnsya2024 ,
Willkommen in der Community!
Haben Sie bereits den JMP-Hilfeabschnitt zu Choice-Modellen gelesen?: Übersicht über die Choice-Plattform
„ Die Choice-Plattform verwendet eine Form der bedingten logistischen Regression, um die Wahrscheinlichkeit abzuschätzen, mit der eine bestimmte Konfiguration bevorzugt wird. Im Gegensatz zur einfachen logistischen Regression verwendet die Choice-Modellierung ein lineares Modell, um Entscheidungen auf der Grundlage von Antwortattributen und nicht nur von Subjektmerkmalen zu modellieren. “
Darüber hinaus werden einige Artikel/Literatur zur Verfügung gestellt, um ein tieferes Verständnis von Choice-Modellen zu ermöglichen:
- Louviere, JJ, Flynn, TN, und Marley, AA (2015).Best-Worst-Scaling: Theorie, Methoden und Anwendungen. Cambridge: Cambridge University Press.
- Train, KE (2009). Diskrete Auswahlmethoden und Simulation . 2. Auflage. Cambridge University Press.
- Rossi, PE, Allenby, GM und McCulloch, R. (2005). Bayesianische Statistik und Marketing . Chichester, Großbritannien: John Wiley & Sons.
Da es auf einer Art logistischer Regression basiert, haben Sie keinen Zugriff auf „traditionelles“ R².
Für die logistische Regression kann McFaddens Pseudo-R² verwendet werden.
Für Choice-Modelle können Sie die verschiedenen Metriken in Bezug auf Likelihood verwenden, wie logLikelihhod, AICc und BIC-Metriken. Sie sind jedoch besonders nützlich, wenn Sie mehrere Modelle vergleichen, um das informativste und am wenigsten komplexe Modell auszuwählen.
Wenn Sie in Ihrem Beispiel McFaddens Pseudo-R² berechnen möchten, könnten Sie dies technisch gesehen mit dieser Formel tun:
(aus Pseudo-R-Quadrat – Wikipedia )
Mit Lm: die Log-Likelihood des vollständigen Modells
und L0: die Log-Likelihood des Modells mit nur einem Achsenabschnitt (fügen Sie einen konstanten Faktorwert hinzu und verwenden Sie ihn in Modelleffekten).
Im Beispiel „Auswahlprofile“ führe ich ein Modell mit Effekten aus, die eine logLikelihood von -6 (oder -2logLikelihood = 12) haben.
Wenn ich ein Modell mit nur einem konstanten Effekt (Achsenabschnitt) ausführe, habe ich eine logLikelihood von -9 (oder -2logLikelihood = 18).
Mit der obigen Formel kann ich einen McFadden-Pseudo-R² von 0,333 berechnen.
Anbei finden Sie die für die Modelle verwendete Datentabelle, damit Sie die obigen Schritte reproduzieren können.
Hoffe, diese Antwort wird Ihnen helfen,
