다른 특성에 대한 선호의 이질성

R로 배우는 마케팅 선택 모델링

Elea McDonnell Feit

Assistant Professor of Marketing, Drexel University

요인을 코딩하는 다른 방법

더미 코딩(지금까지 사용한 방식)

  seat4 seat5
2     0     0
4     1     0
5     0     1

효과 코딩(계층적 모델에 더 적합)

   seat2  seat4
2      1      0
4      0      1
5     -1     -1

요인의 코딩 방식 변경하기

contrasts(sportscar$seat) <- contr.sum(levels(sportscar$seat))

dimnames(contrasts(sportscar$seat))[[2]] <- levels(sportscar$seat)[1:2]

contrasts(sportscar$seat)

모든 계수를 이질적으로 만들기

my_rpar <- c("n", "n", "n", "n", "n")

m3 <- mlogit(choice ~ 0 + seat + trans + convert + price,
             data = sportscar)
names(my_rpar) <- names(m3$coefficients)

my_rpar

      seat2       seat4 transmanual  convertyes       price 
        "n"         "n"         "n"         "n"         "n"

m8 <- mlogit(choice ~ 0 + seat + trans + convert + price, 
             data = sportscar, 
             panel = TRUE, rpar = my_rpar)

계층적 모델 파라미터

m8 <- mlogit(choice ~ 0 + seat + trans + convert + price, 
              data = sportscar, 
             panel = TRUE, rpar = my_rpar)
plot(m8, par = c("seat2", "seat4"))

효과 코딩된 파라미터 분포

기준 수준에 대한 계수

m8$coef[1:2]

     seat2      seat4 
-0.1686077 -0.1912170

-sum(m8$coef[1:2])

[1] 0.3598248

`chocolate` 데이터로 직접 연습해 봅시다!

R로 배우는 마케팅 선택 모델링