1

我正在追求一个项目作为我 MBA 的一部分，虽然我有一些基本的统计背景，但我对深度回归分析非常陌生。我正在寻找使用 R 进行分析以学习新工具。我对 R 很陌生，所以你愿意提供的细节越多越好。

这是我正在使用的数据的描述。如果我应该以某种方式对其进行转换，我确实有更精细的数据。数据描述了消费者购买（或不购买）产品的选择——所以我的二元结果是购买/不购买。他们购买产品（例如产品 X），但在此过程中查看产品 A、B、C 和 X。我想根据产品 A、B 和 C 对卖出 X 的可能性。

变得困难的是在购买之前查看了可变数量的产品，实际上是 1 --> n 个产品。每个时间点也可能是一个因素。如果消费者今天评论产品并在今天购买，这可能与购买前 2 周评论产品不同。我也有每个产品的准确时间信息。

我的问题是：如何构建回归模型来考虑同一消费者的动态数量的自变量？

如果我不够具体，请告诉我。

谢谢！

4

1 回答 1

0

您可以在向量中指定所有独立人士的姓名：

x <- c("A","B","C")

依赖于 y：

y <- "X"

然后构造一个可以传递给的公式lm：

> model <- as.formula(paste(y,paste(x,collapse="+"), sep="~"))
> model
X ~ A + B + C

通过简单地修改您的 x 向量并重新运行它，它将考虑任意数量的独立变量。如果你然后把它放到一个函数中，你所要做的就是将独立向量传递给它，它会返回给你模型：

createModel <- function(x) {
   model <- as.formula(paste(y,paste(x,collapse="+"), sep="~"))
   return(model)
}

当您运行时，您会得到：

> createModel(c("A","B"))
X ~ A + B
> createModel(c("A","B","D","E"))
X ~ A + B + D + E

假设您当然已经指定了 y 。如果您愿意，也可以将其作为参数添加到函数中。希望这大致是您想要的。

于 2014-02-02T20:17:25.020 回答