Zähldaten-Regression-Tool

Verwenden Sie das Zähldaten-Regression-Tool, um ein Regressionsmodell zu erstellen, das ein Feld von Interesse (eine Zielvariable) mit einem nicht negativen Ganzzahlwert (0, 1, 2, 3 usw.) zu einem oder mehreren Feldern in Beziehung setzt, von denen erwartet wird, dass sie einen Einfluss auf die Zielvariable haben, und die oft als Prädiktorvariablen bezeichnet werden.

Häufig auftretende Anwendungsfälle sind zum Beispiel die Anzahl der Besuche eines Kunden bei einem spezifischen Restaurant während eines bestimmten Monats oder die Anzahl der Telefonnummern, die mit einem spezifischen Mobilfunkkonto verbunden sind. Bei diesen Anwendungsfällen führt die Verwendung eines linearen Modells zu verzerrten Schätzungen. Die beiden bekanntesten Regressionsmodelle sind das Poisson-* und das negative Binomialmodell**. Das Zähldaten-Regressionsmodell ermöglicht Benutzern, mit einer Reihe von Prädiktorvariablen die geschätzte Anzahl von Ereignissen (z. B. Ladenbesuchen) für eine Beobachtungseinheit (z. B. einen Kunden) abzurufen.

Das Poisson-Regressionsmodell unterstellt eine enge Beziehung zwischen dem Mittelwert und der Varianz des Zielfelds (insbesondere, dass sie einander gleich sind). Um dies zu berücksichtigen, wurde das Quasi-Poisson-Modell entwickelt. Das Quasi-Poisson-Modell lässt eine vom Mittelwert abweichende Varianz zu, hat aber den Nachteil, dass es keine definierten Informationskriterien (wie AIC) gibt, so dass ein Quasi-Poisson-Modell nicht als Ausgangspunkt für die schrittweise Variablenauswahl verwendet werden kann. Das negative Binomialregressionsmodell verfügt über wohldefinierte Informationskriterien und lässt eine Differenz zwischen Mittelwert und Varianz der zugrunde liegenden Verteilung zu, weshalb es in der Regel bevorzugt wird. Beachten Sie, dass ein Poisson-Regressionsmodell, das unter Verwendung von Daten geschätzt wird, bei denen Mittelwert und Varianz voneinander abweichen, unverzerrte Schätzungen des Mittelwerts und der entsprechenden Modellkoeffizienten liefert, die Tests der statistischen Signifikanz jedoch verzerrt sind.

Bei diesem Tool wird die Open-Source-Funktion „R glm“ für die Modellschätzung verwendet, wenn die Eingabedaten aus einem regulären Alteryx-Datenstrom stammen. Stammt die Eingabe aus einem XDF-Eingabe-Tool oder XDF-Ausgabe-Tool, wird die Funktion „Revo ScaleR rxGlm“ für die Modellschätzung verwendet. Der Vorteil, der auf Revo ScaleR basierenden Funktion besteht darin, dass sie die Analyse sehr viel größerer (speicherintensiver) Datasets ermöglicht. Dem gegenüber stehen jedoch der Zusatzaufwand zum Erstellen einer XDF-Datei, die fehlende Möglichkeit, eine Modelldiagnoseausgabe zu erstellen, die bei den Open-Source-R-Funktionen verfügbar ist, und dass lediglich ein Poisson-Regressionsmodell erstellt werden kann.

Dieses Tool verwendet das R-Tool. Gehen Sie zu „Optionen“ „Prognose-Tools herunterladen“ und melden Sie sich beim Alteryx Downloads and Licenses-Portal an, um R und die vom R-Tool verwendeten Pakete zu installieren. Siehe Prognose-Tools herunterladen und verwenden.