Building a logistic regression model in propensity modelling
| Thesis title: | Výstavba modelu logistické regrese v propenzitním modelování |
|---|---|
| Author: | Štefanová, Lucie |
| Thesis type: | Diplomová práce |
| Supervisor: | Plašil, Miroslav |
| Opponents: | Pecáková, Iva |
| Thesis language: | Česky |
| Abstract: | Diplomová práce si klade za cíl představit metodu logistické regrese v kontextu propenzitního modelování a různé přístupy k výstavbě modelu s ohledem na problematiku vysokého množství vysvětlujících proměnných. Jako možná řešení tohoto problému je představena kroková regrese, regularizovaná regrese a metoda BMA (Bayesian model averaging). Jednotlivé přístupy jsou aplikovány na reálnou úlohu „propensity to buy“ z telekomunikačního odvětví, jejíž cílem je oskórovat zákaznickou bázi a vybrat zákazníky, kteří jsou nejvíce náchylní ke koupi televizního tarifu. Tento výběr probíhá za účelem oslovení marketingovou kampaní a podpoření prodeje produktu. V rámci jednotlivých přístupů byly testovány různé modifikace a na základě statistických a businessových kritérií byl vyhodnocen optimální model pro danou úlohu. Modely byly vyhodnoceny především pomocí hodnoty lift, která reprezentuje míru úspěšnosti kampaně. Jako nejúspěšnější byl zvolen model BMA s binomickým apriorním rozdělením pro počet proměnných v modelu a hodnotou Zellnerova g rovnou N, pro kterou model vykazoval nejvyšší hodnoty lift na prvním decilu. Rozdíl ve výkonostech jednotlivých přístupů však nebyl velký, protože hodnoty lift u ostatních metod dosahovaly hodnoty 3,50 oproti hodnotě 3,69 získané pomocí BMA. |
| Keywords: | regularizovaná regrese; kroková regrese; propenzitní modelování; bayesian model averaging |
| Thesis title: | Building a logistic regression model in propensity modelling |
|---|---|
| Author: | Štefanová, Lucie |
| Thesis type: | Diploma thesis |
| Supervisor: | Plašil, Miroslav |
| Opponents: | Pecáková, Iva |
| Thesis language: | Česky |
| Abstract: | The aim of the thesis is to present the logistic regression method in the context of propensity modelling and different approaches to model construction with respect to the problem of high number of explanatory variables. Stepwise regression, regularized regression and Bayesian model averaging (BMA) method are presented as possible solutions to this problem. The different approaches are applied to a real-life „propensity to buy“ problem from the telecommunications industry, which aims to score the customer base and select the customers who are most likely to buy a TV tariff. This selection is done in order to reach them with a marketing campaign and to promote the sale of the product. Different modifications of each approach were tried and the optimal model for the task was evaluated based on statistical and business criteria. The models were mainly evaluated using the lift value, which represents the success rate of the campaign. The BMA model with a binomial apriori and a Zellner g value equal to N was chosen as the most successful model, achieving the highest lift value at the first decile. The difference in performance between the approaches was not large, as the lift values of the other methods reached 3,50 compared to the value of 3,69 obtained by BMA. |
| Keywords: | peopensity modelling; stepwise regression; regularized regression; bayesian model averaging |
Information about study
| Study programme: | Kvantitativní metody v ekonomice/Statistika |
|---|---|
| Type of study programme: | Magisterský studijní program |
| Assigned degree: | Ing. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Informatics and Statistics |
| Department: | Department of Statistics and Probability |
Information on submission and defense
| Date of assignment: | 2. 11. 2020 |
|---|---|
| Date of submission: | 5. 12. 2022 |
| Date of defense: | 31. 1. 2023 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/74961/podrobnosti |