Exemple de la fonction Optimisation des réponses avec des modèles de régression logistique binaire

Un analyste financier étudie les facteurs qui sont associés à la probabilité qu'un étudiant à l'université possède certaines cartes de crédit. Il échantillonne de manière aléatoire des étudiants pour une étude. L'étude consiste à poser des questions aux étudiants sur leur formation et leurs finances.

A des fins marketing, l'analyste souhaite déterminer les valeurs de prédicteur qui sont associées à la population d'étudiants qui ont une faible probabilité de posséder une carte MasterCard et une probabilité élevée de posséder une carte American Express. L'analyste ajuste des modèles de régression logistique binaire pour American Express et pour MasterCard afin de déterminer la relation entre les prédicteurs et la probabilité de posséder chacune de ces cartes de crédit.

Après avoir ajusté les modèles, l'analyste utilise la fonction Optimisation des réponses pour identifier les paramètres de prédicteurs qui génèrent des probabilités acceptables pour les deux cartes de crédit.

  1. Ouvrez le fichier de données échantillons, EtudeCrédit.MTW.
  2. Sélectionnez Stat > Régression > Régression logistique binaire > Optimisation des réponses.
  3. Dans la ligne MasterCard, dans Objectif, sélectionnez Minimiser.
  4. Dans la ligne American Express, dans Objectif, sélectionnez Maximiser.
  5. Cliquez sur OK.

Interprétation des résultats

Minitab utilise les deux modèles stockés pour estimer les paramètres de prédicteurs qui optimisent les valeurs des deux variables de réponse. La désirabilité combinée (également appelée désirabilité composite) des deux réponses est égale à 0,9310, ce qui indique que la solution est excellente, mais pas parfaite.

Les paramètres de prédicteurs affichés dans le graphique sont associés aux étudiants qui ont une faible probabilité de posséder une carte de crédit MasterCard, mais une forte probabilité d'avoir une carte American Express. Cette population d'étudiants a en moyenne 62,11 $ en espèces et aucun revenu annuel. D'après les résultats de la fenêtre Session, les probabilités ajustées pour ces valeurs sont de 0,127 pour MasterCard et de 0,9923 pour American Express. Les intervalles de confiance indiquent la précision de ces prévisions.

Vous pouvez ajuster les paramètres de variables de la solution initiale directement sur le diagramme. Déplacez les barres verticales pour modifier les valeurs des facteurs et voyez comme la désirabilité individuelle (d) des réponses et la désirabilité composite changent.

Optimisation des réponses : MasterCard; American Express

Paramètres Réponse Objectif Inférieur Cible Supérieur Pondération MasterCard Minimum 0 1 1 American Express Maximum 0 1 1 Réponse Importance MasterCard 1 American Express 1
Solution American MasterCard Express Probabilité Probabilité Désirabilité Solution Espèces RevenuAnnuel ajustée ajustée composite 1 62,1124 0 0,126577 0,992297 0,930964
Prévisions de réponses multiples Variable Configuration Espèces 62,1124 RevenuAnnuel 0
Probabilité Réponse ajustée ErT ajust IC à 95 % MasterCard 0,127 0,172 ( 0,007; 0,754) American Express 0,9923 0,0322 (0,0323; 1,0000)
En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique