Beispiel für Zielgrößenoptimierung mit binären logistischen Regressionsmodellen

Ein Finanzanalytiker untersucht die Faktoren, die sich auf die Wahrscheinlichkeit auswirken, dass ein College-Student bestimmte Kreditkarten besitzt. Der Analytiker wählt College-Studenten nach dem Zufallsprinzip für die Teilnahme an einer Umfrage aus. In der Umfrage werden den Studenten Fragen zu ihrer Bildung und ihren Finanzen gestellt.

Der Analytiker möchte für Marketingzwecke Prädiktorwerte identifizieren, die der Grundgesamtheit von Studenten zugeordnet werden können, die mit geringer Wahrscheinlichkeit eine MasterCard-Kreditkarte und mit hoher Wahrscheinlichkeit eine American Express-Kreditkarte besitzen. Der Analytiker passt Modelle der binären logistischen Regression für die American Express-Kreditkarte und die MasterCard-Kreditkarte an, um zu ermitteln, wie die Prädiktoren mit der Wahrscheinlichkeit zusammenhängen, eine dieser beiden Kreditkarten zu besitzen.

Nach dem Anpassen der Modelle sucht der Analytiker mit Hilfe von Zielgrößenoptimierung nach Prädiktoreinstellungen, die zu akzeptablen Wahrscheinlichkeiten für beide Kreditkarten führen.

  1. Öffnen Sie die Beispieldaten Kreditumfrage.MTW.
  2. Wählen Sie Statistik > Regression > Binäre logistische Regression > Zielgrößenoptimierung aus.
  3. Wählen Sie in der Zeile MasterCard im Feld Ziel die Option Minimieren aus.
  4. Wählen Sie in der Zeile American Express im Feld Ziel die Option Maximieren aus.
  5. Klicken Sie auf OK.

Interpretieren der Ergebnisse

Minitab verwendet die beiden gespeicherten Modelle, um die Prädiktoreinstellungen zu prognostizieren, mit denen die Werte beider Antwortvariablen optimiert werden. Die kombinierte Erwünschtheit (auch als zusammengesetzte Erwünschtheit bezeichnet) dieser zwei Antwortvariablen beträgt 0,9310, was eine sehr gute, jedoch nicht perfekte Lösung bedeutet.

Die in der Grafik angezeigten Prädiktoreinstellungen entsprechen Studenten, die mit geringer Wahrscheinlichkeit eine MasterCard-Kreditkarte, jedoch mit hoher Wahrscheinlichkeit eine American Express-Kreditkarte besitzen. Diese Grundgesamtheit von Studenten verfügt im Durchschnitt über 62,11 $ an Bargeld und hat kein jährliches Einkommen. Die Ausgabe im Sessionfenster zeigt an, dass die angepassten Wahrscheinlichkeiten für diese Werte 0,127 für MasterCard und 0,9923 für American Express betragen. Die Konfidenzintervalle zeigen die Genauigkeit dieser Prognosen an.

Sie können die Variableneinstellungen dieser Ausgangslösung direkt im Diagramm anpassen. Verschieben Sie die vertikalen Balken, um die Faktoreinstellungen zu ändern und zu untersuchen, wie sich die individuelle Erwünschtheit (d) der Antwortvariablen und die zusammengesetzte Erwünschtheit ändern.

Zielgrößenoptimierung: MasterCard; American Express

Parameter Antwort Ziel Untergrenze Soll Obergrenze Gewichtung Bedeutung MasterCard Minimum 0 1 1 1 American Express Maximum 0 1 1 1
Lösung MasterCard American Express Jährliches Angepasste Angepasste Lösung Bar Einkommen Wahrscheinlichkeit Wahrscheinlichkeit 1 62,1124 0 0,126577 0,992297
Zusammengesetzte Lösung Erwünschtheit 1 0,930964
Mehrere Antwortprognosen Variable Einstellung Bar 62,1124 Jährliches Einkommen 0
Angepasste SE Antwort Wahrscheinlichkeit Anpassung 95%-KI MasterCard 0,127 0,172 ( 0,007; 0,754) American Express 0,9923 0,0322 (0,0323; 1,0000)
Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien