MNLogit

class pymc_marketing.customer_choice.mnl_logit.MNLogit(choice_df, utility_equations, depvar, covariates, model_config=None, sampler_config=None)

Clase de Logit Multinomial.

Clase para realizar un análisis logit multinomial con la intención específica de determinar los efectos de los atributos del producto en la preferencia del consumidor.

Parámetros:

choice_dfpd.DataFrame

Un DataFrame amplio donde cada fila es un escenario de elección. Los atributos específicos del producto se almacenan en columnas, y la variable dependiente identifica el producto elegido.

utility_equations : list de fórmula cadenaspython:lista de cadenas de fórmulas

Una lista de fórmulas que especifican cómo modelar la utilidad de cada alternativa de producto. Las fórmulas deben estar en notación de estilo Wilkinson y permitir que el producto objetivo se especifique como una función de los atributos específicos de la alternativa y los atributos específicos del individuo: target_product ~ target_attribute1 + target_attribute2 | individual_attribute

depvarstr

El nombre de la variable dependiente en el choice_df.

covariables : list de strpython:lista de python:str

Nombres de covariables (por ejemplo, [“X1”, “X2”]).

model_config : dict, opcionalpython:dict, opcional

Configuración del modelo. Si es None, se utiliza la configuración predeterminada.

sampler_config : dict, opcionalpython:dict, opcional

Configuración del muestreador. Si es None, se utiliza la configuración predeterminada.

Notas

Ejemplo:

El formato de choice_df:

Depvar	alt_1_X1	alt_1_X2	alt_2_X1	alt_2_X2
alt_1	2.4	4.5	5.4	6.7
alt_2	3.5	6.7	2.3	8.9

Ejemplo de lista utility_equations:

utility_equations = [
    "alt_1 ~ X1_alt1 + X2_alt1 | income",
    "alt_2 ~ X1_alt2 + X2_alt2 | income",
    "alt_3 ~ X1_alt3 + X2_alt3 | income",
]

Métodos

MNLogit.__init__(choice_df, ...[, ...])	Inicializar la configuración del modelo y la configuración del muestreador para el modelo.
MNLogit.apply_intervention(new_choice_df[, ...])	Aplique uno de los dos tipos de intervención.
MNLogit.attrs_to_init_kwargs(attrs)	Convierte la configuración del modelo y la configuración del muestreador de los atributos a argumentos de palabra clave.
MNLogit.build_from_idata(idata)	Build model from loaded InferenceData.
MNLogit.build_model(**kwargs)	Build model using stored choice_df and utility_equations.
MNLogit.calculate_share_change(idata, new_idata)	Calcular la diferencia en la cuota de mercado debido a la intervención en el mercado.
MNLogit.create_idata_attrs()	Create attributes for InferenceData.
MNLogit.fit([choice_df, utility_equations, ...])	Fit the discrete choice model.
MNLogit.graphviz(**kwargs)	Obtenga la representación graphviz del modelo.
MNLogit.idata_to_init_kwargs(idata)	Cree la configuración del modelo y la configuración del muestreador a partir de InferenceData como argumentos de palabra clave.
MNLogit.load(fname[, check])	Cree una instancia de ModelBuilder a partir de un archivo.
MNLogit.load_from_idata(idata[, check])	Cree una instancia de ModelBuilder a partir de un objeto InferenceData.
MNLogit.make_alt_coefs()	Create coefficients for alternative-specific covariates.
MNLogit.make_choice_prob(U)	Compute choice probabilities via softmax transformation.
MNLogit.make_fixed_coefs(X_fixed, n_obs, n_alts)	Create alternative-varying coefficients for fixed (non-varying) covariates.
MNLogit.make_intercepts()	Create alternative-specific intercepts with reference alternative set to zero.
MNLogit.make_model(X, F, y)	Construir modelo.
MNLogit.make_utility(X_data, alphas, betas, F)	Compute systematic utility for each alternative.
MNLogit.parse_formula(df, fórmula, depvar)	Analice la estructura de tres partes de una especificación de fórmula.
MNLogit.plot_change(change_df[, título, figsize])	Cambio de trama inducido por una intervención en el mercado.
MNLogit.prepare_X_matrix(df, ...)	Prepare la matriz X para las ecuaciones de utilidad.
MNLogit.preprocess_model_data(choice_df, ...)	Preprocesar las entradas de iniciación del modelo en un formato que pueda ser utilizado por el modelo PyMC.
MNLogit.sample([...])	Muestrea todas las cosas.
MNLogit.sample_posterior_predictive([...])	Sample from posterior predictive distribution.
MNLogit.sample_prior_predictive([choice_df, ...])	Sample from prior predictive distribution.
MNLogit.save(fname, **kwargs)	Guarde los datos de inferencia del modelo en un archivo.
MNLogit.set_idata_attrs([idata])	Establecer atributos en un objeto InferenceData.
MNLogit.table(**model_table_kwargs)	Obtenga la tabla resumen del modelo.

Atributos

default_model_config	Configuración de modelo predeterminada.
default_sampler_config	Configuración de muestreador predeterminada.
fit_result	Obtenga el resultado de ajuste posterior fit_result.
id	Generar un valor hash único para el modelo.
output_var	La variable de salida del modelo.
posterior
posterior_predictive
predictions
prior
prior_predictive
version
idata
sampler_config
model_config