Modelli di scelta del piano telefonico

Slides:



Advertisements
Presentazioni simili
Tecniche di analisi dei dati e impostazione dell’attività sperimentale
Advertisements

ITIS “G.Galilei” – Crema Lab. Calcolo e Statistica
Come organizzare i dati per un'analisi statistica al computer?
Proprietà degli stimatori
Tecniche di analisi dei dati e impostazione dellattività sperimentale Relazioni tra variabili: Correlazione e Regressione.
Variabili casuali a più dimensioni
Progetto Pilota 2 Lettura e interpretazione dei risultati
Regressione lineare Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°10.
Regressione logistica
Metodi Quantitativi per Economia, Finanza e Management Lezione n°8
Test Statistici Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°5.
Metodi Quantitativi per Economia, Finanza e Management Lezione n°9.
Metodi Quantitativi per Economia, Finanza e Management Lezione n° 11.
redditività var. continua classi di redditività ( < 0 ; >= 0)
Regressione lineare Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°8.
Ipotesi e proprietà dello stimatore Ordinary Least Squares (OLS)
ALCUNI METODI STATISTICI PER LA SELEZIONE DELLE VARIABILI NELL’ANALISI DISCRIMINANTE Eliminazione di variabili con contributo discriminatorio statisticamente.
Corso di Calcolo delle Probabilità e Statistica II Parte – STATISTICA
Valutazione delle ipotesi
INFERENZA NEL MODELLO DI REGRESSIONE LINEARE MULTIPLA (parte 1)
ANALISI DEGLI EFFETTI COMPETITIVI TRA MARCHE
La regressione logistica binomiale
Metodi Quantitativi per Economia, Finanza e Management Lezione n° 9.
Corso di biomatematica lezione 7-2: Test di significatività
Valutazione della stima: gli intervalli di confidenza
Modello di regressione lineare semplice
Verifica delle ipotesi su due campioni di osservazioni
STATISTICA PER LE DECISIONI DI MARKETING
Regressione Logistica
Regressione logistica
STATISTICA PER LE DECISIONI DI MARKETING
STATISTICA PER LE DECISIONI DI MARKETING
STATISTICA PER LE DECISIONI DI MARKETING
Modelli di analisi della domanda
Esercizio Regressione DATI Per un campione casuale di 82 clienti di un'insegna della GDO, sono disponibili le seguenti variabili, riferite ad un mese di.
STATISTICA PER LE DECISIONI DI MARKETING Andrea Cerioli Sito web del corso IL MODELLO DI REGRESSIONE LINEARE MULTIPLA Selezione.
DATA MINING PER IL MARKETING
Analisi Bivariata: Test Statistici
Probabilità e Variabili Casuali
Metodi Quantitativi per Economia, Finanza e Management Lezione n°13 Regressione Logistica: La stima e l’interpretazione del del modello.
DATA MINING PER IL MARKETING
La verifica d’ipotesi Docente Dott. Nappo Daniela
Domande riepilogative per l’esame
Corso di Analisi Statistica per le Imprese
Strumenti statistici in Excell
Metodi Quantitativi per Economia, Finanza e Management Lezione n°10 Regressione lineare multipla: la valutazione del modello, metodi automatici di selezione.
La statistica F Permette di confrontare due varianze, per stabilire se sono o no uguali. Simile al valore t di Student o al chi quadrato, l’F di Fisher.
Esercizio Regressione logistica
Modelli di Attrazione ad effetti completi
Dipartimento di Scienze Statistiche, ALMA MATER STUDIORUM – Università di Bologna1 MODELLO RAZIONALE DI SCELTA TRA MARCHE PRESENTAZIONE A CURA DI: Chiara.
In epidemiologia abbiamo 2 importanti misure di frequenza
REGRESSIONE LINEARE Relazione tra una o più variabili risposta e una o più variabili esplicative, al fine di costruire una regola decisionale che permetta.
Dipartimento di Scienze Statistiche, ALMA MATER STUDIORUM – Università di Bologna Modello di scelta tra marche: il caso dei piani tariffari Di: Lucia.
MODELLO DI SCELTA DEL PIANO TELEFONICO FISSO  Giulia Bravo  Valeria Carloni  Andrea Coralli  Elena Santi.
La segmentazione a priori: CHAID
Dipartimento di Scienze Statistiche, ALMA MATER STUDIORUM – Università di Bologna Un’applicazione dei Modelli di Risposta delle Quote di Mercato di Giulia.
Regressione logistica Metodi Quantitativi per Economia, Finanza e Management Esercitazione n°10.
Esercizio Alberi di classificazione DATI Un’azienda vuole valutare l’efficacia di una promozione effettuata attraverso buoni acquisto. Per questo motivo.
Esercizio Regressione DATI Per un campione casuale di 82 clienti di un'insegna della GDO, sono disponibili le seguenti variabili, riferite ad un mese di.
Economia politica Lezione 04
DATA MINING PER IL MARKETING (63 ore) Marco Riani Sito web del corso
DATA MINING PER IL MARKETING (63 ore) Marco Riani Sito web del corso
Distribuzioni limite La distribuzione normale Si consideri una variabile casuale rappresentata mediante una combinazione lineare di altre variabili casuali.
10/5/061 Lez. 12 Previsioni di traffico Generalità Previsioni di scenario.
INFERENZA NEL MODELLO DI REGRESSIONE LINEARE SEMPLICE
Regressione: approccio matriciale Esempio: Su 25 unità sono stati rilevati i seguenti caratteri Y: libbre di vapore utilizzate in un mese X 1: temperatura.
DATA MINING PER IL MARKETING (63 ore) Marco Riani Sito web del corso
Psicometria modulo 1 Scienze tecniche e psicologiche Prof. Carlo Fantoni Dipartimento di Scienze della Vita Università di Trieste Implementazione.
Teoria dei Sistemi di Trasporto Tematica 5: Introduzione alla teoria delle scelte discrete.
1 Corso di Laurea in Scienze e Tecniche psicologiche Esame di Psicometria Il T-Test A cura di Matteo Forgiarini.
Transcript della presentazione:

Modelli di scelta del piano telefonico Rosangelo Giampaolo Elena Pallini Alessandro Raspanti Marco Stella

Obiettivo Stimare, partendo da un campione di famiglie statunitensi, la probabilità di scelta tra i differenti piani di telefonia fissa sulla base del costo

Struttura del Data Set VARIABILE DIPENDENTE: Scelta tra 5 differenti servizi telefonici 1. A misura fissa (BM) 2. A misura variabile (SM) 3. Tariffa locale (LF) 4. Tariffa estesa (EF) 5. Tariffa metropolitana (MF) VARIABILE ESPLICATIVA: Costo mensile del piano telefonico in $ per l’uso osservato sotto ogni alternativa

Struttura del Data Set 434 famiglie (Indagine sulle famiglie Pennsylvania, USA, 1984) Le famiglie risiedono in 5 AREE : Metropolitana Suburbana Perimetrale con servizio esteso Perimetrale senza servizio esteso Non metropolitana

Struttura del Data Set

Modello Multinomial Logit VBM = BM + C ln (costoBM) VSM = SM + C ln (costoSM) VLF = LF + C ln (costoLF) VEF = EF + C ln (costoEF) VMF = C ln (costoMF) eVi P ( i | C) =  jC eVj

Modello Multinomial Logit Parametro non significativo Misura della bontà di adattamento

MNL: probabilità di scelta La tariffa con la più alta probabilità di essere scelta è LF

Struttura del modello Nested Logit 1°livello SCELTA DEL PIANO a minuto a tariffa SCELTA DELLA TARIFFA SCELTA DELLA TARIFFA 2°livello BM SM LF EF MF P ( i | C) = P ( i | M) * P (M) P ( i | C) = P ( i | F) * P (F)

Modello Nested Logit: secondo livello Modello per le alternative a MINUTO eVi P ( i | M) =  jM eVj Modello per le alternative a TARIFFA P ( i | F) =  jF eVj Probabilità di scegliere la tariffa i-esima condizionatamente alla scelta del piano a minuto o a tariffa

Modello Nested Logit: primo livello Modello per l’alternativa TIPO di PIANO Variabile esplicativa: inclusive value (valore complessivo delle alternative annidate), calcolato utilizzando i coefficienti stimati nel secondo livello. IM = ln (eVBM + eVSM) IF = ln (eVLF + eVEF + eVMF)

Modello Nested Logit: primo livello Probabilità di scegliere il piano a tariffa (FLAT) dove VF = IF eVF P (F) =  eVM + eVF Probabilità di scegliere il piano a minuto (MINUTE) dove VM = M +  IM eVM P (M) =  eVM + eVF

Modello per le alternative a MINUTO Misura della bontà di adattamento

Modello per le alternative a TARIFFA Parametro non significativo Misura della bontà di adattamento

Modello per l’alternativa TIPO di PIANO Misura della bontà di adattamento

Modello Nested Logit: probabilità di scelta

Confronto probabilità di scelta del piano tariffario

Tariffe scelte dalle famiglie Le frequenze osservate sono uguali a quelle stimate dal modello Multinomial Logit