用多分类变量解释R
在逻辑回归中使用多个分类变量时,我很难解释系数 我的任务是检查捆绑对客户在收到促销优惠后是否购买了通行证的影响 Promo是一个级别为“Bundle,NoBundle”的分类变量。Pass是一个级别为“Pass,No Pass”的分类变量。我运行我的glm-系数为“PromoBundle”(0.388),优势比为1.47,这意味着Bundle与NoBundle相比影响较小。酷 现在,我有一个额外的可变通道,级别为Email、Mail、Park(客户在其中接触到该报价)。我运行我的glm,结果如下: 系数:用多分类变量解释R,r,categorical-data,R,Categorical Data,在逻辑回归中使用多个分类变量时,我很难解释系数 我的任务是检查捆绑对客户在收到促销优惠后是否购买了通行证的影响 Promo是一个级别为“Bundle,NoBundle”的分类变量。Pass是一个级别为“Pass,No Pass”的分类变量。我运行我的glm-系数为“PromoBundle”(0.388),优势比为1.47,这意味着Bundle与NoBundle相比影响较小。酷 现在,我有一个额外的可变通道,级别为Email、Mail、Park(客户在其中接触到该报价)。我运行我的glm,结果如下
Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.07860 0.13167 -15.787 < 2e-16 ***
PromoBundle -0.56022 0.09031 -6.203 5.54e-10 ***
ChannelMail 2.17617 0.14651 14.854 < 2e-16 ***
ChannelPark 3.72176 0.15964 23.313 < 2e-16 ***
这是否意味着我的系数和优势比会根据我设置水平的方式与我的默认值组合进行比较?(即电子邮件和无捆绑?)
问题是我要比较渠道和捆绑的影响
感谢您的输入!这个问题可能很快就会被迁移到。同时,您是否可以编辑您的问题,将模型输出合并为文本(即剪切和粘贴),而不是屏幕截图?谢谢。。。
(Intercept) PromoBundle ChannelMail ChannelPark
0.1251054 0.5710846 8.8125066 41.3371206