Ich habe einen Datensatz, der wie der untenstehende aussieht (die ersten 5 Reihen gezeigt). CPA ist ein beobachtetes Ergebnis eines Experiments (Behandlung) auf verschiedenen Werbeflügen. Flüge sind hierarchisch in Kampagnen gruppiert.Interpretation von Variablen in Multi-Level-Regression mit zufälligen Effekten
campaign_uid flight_uid treatment CPA
0 0C2o4hHDSN 0FBU5oULvg control -50.757370
1 0C2o4hHDSN 0FhOqhtsl9 control 10.963426
2 0C2o4hHDSN 0FwPGelRRX exposed -72.868952
3 0C5F8ZNKxc 0F0bYuxlmR control 13.356081
4 0C5F8ZNKxc 0F2ESwZY22 control 141.030900
5 0C5F8ZNKxc 0F5rfAOVuO exposed 11.200450
ich passe ein Modell wie die folgenden:
model.fit('CPA ~ treatment', random=['1|campaign_uid'])
Mein Wissen ist dieses Modell sagt einfach:
- Wir haben eine Neigung für die Behandlung
- Wir a haben global intercept
- Wir haben auch einen Intercept pro Kampagne
so würde man nur bekommen einposterior für jede solche Variable.
Wenn ich jedoch auf die Ergebnisse unten schaue, bekomme ich auch Seitenzähne für die folgende Variable: 1|campaign_uid_offset
. Was stellt es dar?
-Code für die Montage des Modells und die Handlung:
model = Model(df)
results = model.fit('{} ~ treatment'.format(metric),
random=['1|campaign_uid'],
samples=1000)
# Plotting the result
pm.traceplot(model.backend.trace)
Danke. Wie bekomme ich vor diesem Hintergrund ein Gefühl für den Anpassungsfehler? (z.B. zum Vergleichen von Modellen). Ich dachte immer, 'CPA_sd' würde mir diese Information geben (d. H. Modelle mit * höherer Reststandardabweichung passen schlechter *, also könnte ich' CPA_sd' verwenden, um Modelle zu vergleichen). Ist das realistisch anzunehmen? Und wenn das der Fall ist, würde _ignore_ der Beitrag zum "Fehler", der durch die Standardabweichung des prokampagneninternen Abschnitts erfasst wird (d. H. "1 | campaign_uid_sd"), nicht gemacht? –
Auch Jake, was bedeutet das 'T' in' Behandlung [T.exposed] 'in der Ausgabe? – Josh
@ AmelioVazquez-Reina Wenn Sie an einem Modellvergleich interessiert sind, finden Sie [diese Seite aus den pymc3-Dokumenten] (https://pymc-devs.github.io/pymc3/notebooks/GLM-model-selection.html) sinnvoll. –