Czy możesz polecić łatwy w użyciu lub kompleksowy pakiet do analizy łącznej dla R?
Odpowiedzi:
Nigdy nie użyłem R do analizy koniunkturalnej, ale oto kilka rzeczy, które znalazłem, kiedy polowałem.
Być może sprawdź następujące pakiety:
mlogit to najlepszy pakiet R, jaki znalazłem, do modelowania danych dyskretnego wyboru. Obsługuje podstawowy wielomianowy logit, a także bardziej zaawansowane modele, takie jak wielomianowy probit i mieszany. Pakiet zawiera również testy specyfikacji do wyboru między różnymi modelami.
Możesz użyć pakietu faisalconjoint w języku R, jest testowany z wieloma opublikowanymi i badawczymi danymi, działa idealnie, jedna na ważną rzecz działa bez ograniczeń projektowych i procedury rangowej. Działa we wszystkich warunkach i zapewnia dokładne szacunki.
Moim zdaniem najlepszy dla R jest pakiet łączony z CRAN: http://cran.r-project.org/web/packages/conjoint/index.html
Jeśli szukasz modeli innych niż logit,
Faisal Conjoint Model (FCM) to zintegrowany model analizy połączeń i losowych modeli użytkowych, opracowany przez Faisala Afzala Siddiqui, Ghulama Hussaina i Mudassira Uddina w 2012 r. Jego algorytm został napisany w języku statystycznym R i dostępny w języku R [29] . Jego konstrukcja jest niezależna od struktury projektowej. Można go zastosować do dowolnego projektu badawczego, tj. Pełnego profilu, ortogonalnego, czynnikowego, przesyconego itp. Kolejną ważną kwestią dotyczącą FCM jest procedura rangowa. Działa dla każdego rodzaju rang, tj. Rang unikalnych, rang procentowych, rang ciasnych, brakujących rang itp. Został przetestowany pod kątem wielu opublikowanych danych. W większości przypadków wyniki FCM są takie same i mają te same wielkości, często rangę
Istnieje biblioteka „Conjoint” z wieloma funkcjami i próbką do znalezienia narzędzi. Aby uzyskać szybki podgląd, sprawdź link. To pomoże ci zacząć.
Dla R:
„ przeżycie ” (clogit) dla modelu logiki wielomianowej (MNL).
„ mlogit ” dla szerokiej gamy modeli (MNL, logit zagnieżdżony, log log heteroscedastyczny, log log mieszany (MXL) znany również jako logit parametrów losowych, ...).
W tym samym duchu powinieneś rzucić okiem na „ Rchoice ” (plik: /// C: /Users/kruci/Downloads/v74i10.pdf).
„ bayesm ” dla bayesowskiej wersji MNL / MXL - Jeśli jednak jesteś zainteresowany bayesowskim podejściem, zdecydowanie polecam świetny pakiet „ RSGHB ”.
„ gmnl ” dla uogólnionego modelu MNL.
„ flexmix ” dla modelu ukrytego logit klasy (LCL).
Mówiąc bardziej ogólnie, należy pamiętać, że modele wyboru są szczególnym przypadkiem modeli wielopoziomowych (lub hierarchicznych) (masz opcje zagnieżdżone w samych uczestnikach zagnieżdżonych w wyższych jednostkach: supermarketach, krajach itp.) - więc wszystko, czego można użyć do modelowania wielopoziomowego (np. wielki pakiet „ lme4 ”), który może również uwzględniać dyskretny charakter zmiennej wyboru, która by to zrobiła. Na przykład, możesz użyć „lme4”, jeśli wybory są binarne (Chcesz ten produkt? Tak / Nie) lub dokonane pomiędzy 2 opcjami (Który produkt chcesz? A / B).
Dzięki Stata masz wiele poleceń przydatnych do modelowania wyboru:
clogit dla MNL
mixlogit dla MXL
clogithet dla heteroscedastycznego MNL
lclogit dla utajonej klasy logit
gmnl dla uogólnionego MNL
Wiele z tych poleceń zostało opracowanych / dopracowanych przez Arne HOLE (Świetna robota!)
Http: //www.stata.com/meeting/uk13/abstracts/materials/uk13_hole.pdf
Modele wyboru używają również innego oprogramowania: biogeme nlogit (opracowany przez W. Greene'a (dzięki M. Bierlaire)) - Świetne narzędzie, ale można go używać tylko do modelowania wyborów, o których słyszałem o LatentGOLD, ale nie jestem pewien ...
Dla tych, którzy chcą korzystać z MATLAB, musisz
rzucić okiem na: Mikołaj Czajkowski strona internetowa ( http://czaj.org/research/estimation-packages/dce )
Witryna Kenneth TRAIN ( https://eml.berkeley.edu/ ~ train / software.html ) - W rzeczywistości większość funkcji wyboru pochodzi z pracy Kennetha TRAINA
Wreszcie dla tych, którzy chcą zainwestować znaczną ilość czasu w kodowanie wybranych modeli, strona internetowa Chandra BHAT jest niesamowita ( http://www.caee.utexas.edu/prof/bhat/FULL_CODES.htm )
Ogromne podziękowania dla wszystkich tych wielkich badaczy (Train, Bhat, Bierlaire, Hole, Croissant, Czajkowski itp.), Którzy sprawili, że było to możliwe!