Ce script illustre l'utilisation de la procédure BCHOICE pour ajuster un modèle de choix discret (ici des préférences pour le chocolat) et prédire les probabilités de choix pour un ensemble de scénarios définis par l'utilisateur (covariables). Il crée des données d'entraînement et une matrice de conception (DesignMatrix), exécute la simulation MCMC, et génère des distributions prédictives postérieures via l'instruction PREDDIST.
Analyse des données
Type : CREATION_INTERNE
Les données d'entraînement (Chocs) et les covariables pour la prédiction (DesignMatrix) sont créées intégralement dans le script via des étapes DATA et DATALINES.
1 Bloc de code
DATA STEP Data
Explication :
Création du jeu de données 'Chocs' contenant les choix observés (variable Choice) pour 10 sujets (Subj) en fonction de caractéristiques binaires du produit (Dark, Soft, Nuts).
Création du jeu de données 'Chocs' contenant les choix observés (variable Choice) pour 10 sujets (Subj) en fonction de caractéristiques binaires du produit (Dark, Soft, Nuts).
Copié !
| 1 | DATA Chocs; |
| 2 | INPUT Subj Choice Dark Soft Nuts; |
| 3 | DATALINES; |
| 4 | 1 0 0 0 0 |
| 5 | 1 0 0 0 1 |
| 6 | 1 0 0 1 0 |
| 7 | 1 0 0 1 1 |
| 8 | 1 1 1 0 0 |
| 9 | 1 0 1 0 1 |
| 10 | 1 0 1 1 0 |
| 11 | 1 0 1 1 1 |
| 12 | 2 0 0 0 0 |
| 13 | 2 0 0 0 1 |
| 14 | 2 0 0 1 0 |
| 15 | 2 0 0 1 1 |
| 16 | 2 0 1 0 0 |
| 17 | 2 1 1 0 1 |
| 18 | 2 0 1 1 0 |
| 19 | 2 0 1 1 1 |
| 20 | 3 0 0 0 0 |
| 21 | 3 0 0 0 1 |
| 22 | 3 0 0 1 0 |
| 23 | 3 0 0 1 1 |
| 24 | 3 0 1 0 0 |
| 25 | 3 0 1 0 1 |
| 26 | 3 1 1 1 0 |
| 27 | 3 0 1 1 1 |
| 28 | 4 0 0 0 0 |
| 29 | 4 0 0 0 1 |
| 30 | 4 0 0 1 0 |
| 31 | 4 0 0 1 1 |
| 32 | 4 1 1 0 0 |
| 33 | 4 0 1 0 1 |
| 34 | 4 0 1 1 0 |
| 35 | 4 0 1 1 1 |
| 36 | 5 0 0 0 0 |
| 37 | 5 1 0 0 1 |
| 38 | 5 0 0 1 0 |
| 39 | 5 0 0 1 1 |
| 40 | 5 0 1 0 0 |
| 41 | 5 0 1 0 1 |
| 42 | 5 0 1 1 0 |
| 43 | 5 0 1 1 1 |
| 44 | 6 0 0 0 0 |
| 45 | 6 0 0 0 1 |
| 46 | 6 0 0 1 0 |
| 47 | 6 0 0 1 1 |
| 48 | 6 0 1 0 0 |
| 49 | 6 1 1 0 1 |
| 50 | 6 0 1 1 0 |
| 51 | 6 0 1 1 1 |
| 52 | 7 0 0 0 0 |
| 53 | 7 1 0 0 1 |
| 54 | 7 0 0 1 0 |
| 55 | 7 0 0 1 1 |
| 56 | 7 0 1 0 0 |
| 57 | 7 0 1 0 1 |
| 58 | 7 0 1 1 0 |
| 59 | 7 0 1 1 1 |
| 60 | 8 0 0 0 0 |
| 61 | 8 0 0 0 1 |
| 62 | 8 0 0 1 0 |
| 63 | 8 0 0 1 1 |
| 64 | 8 0 1 0 0 |
| 65 | 8 1 1 0 1 |
| 66 | 8 0 1 1 0 |
| 67 | 8 0 1 1 1 |
| 68 | 9 0 0 0 0 |
| 69 | 9 0 0 0 1 |
| 70 | 9 0 0 1 0 |
| 71 | 9 0 0 1 1 |
| 72 | 9 0 1 0 0 |
| 73 | 9 1 1 0 1 |
| 74 | 9 0 1 1 0 |
| 75 | 9 0 1 1 1 |
| 76 | 10 0 0 0 0 |
| 77 | 10 0 0 0 1 |
| 78 | 10 0 0 1 0 |
| 79 | 10 0 0 1 1 |
| 80 | 10 0 1 0 0 |
| 81 | 10 1 1 0 1 |
| 82 | 10 0 1 1 0 |
| 83 | 10 0 1 1 1 |
| 84 | ; |
2 Bloc de code
DATA STEP Data
Explication :
Création d'une table 'DesignMatrix' contenant les 8 combinaisons possibles d'attributs pour lesquelles on souhaite calculer les probabilités prédites.
Création d'une table 'DesignMatrix' contenant les 8 combinaisons possibles d'attributs pour lesquelles on souhaite calculer les probabilités prédites.
Copié !
| 1 | DATA DesignMatrix; |
| 2 | INPUT Dark Soft Nuts; |
| 3 | DATALINES; |
| 4 | 0 0 0 |
| 5 | 0 0 1 |
| 6 | 0 1 0 |
| 7 | 0 1 1 |
| 8 | 1 0 0 |
| 9 | 1 0 1 |
| 10 | 1 1 0 |
| 11 | 1 1 1 |
| 12 | ; |
3 Bloc de code
PROC BCHOICE
Explication :
Exécution de PROC BCHOICE pour ajuster le modèle. L'instruction MODEL spécifie la réponse et les effets. L'instruction PREDDIST utilise les covariables de 'DesignMatrix' pour générer les distributions prédictives (Probabilités) dans la table de sortie 'Predout'.
Exécution de PROC BCHOICE pour ajuster le modèle. L'instruction MODEL spécifie la réponse et les effets. L'instruction PREDDIST utilise les covariables de 'DesignMatrix' pour générer les distributions prédictives (Probabilités) dans la table de sortie 'Predout'.
Copié !
| 1 | PROC BCHOICE DATA=Chocs outpost=Bsamp nmc=10000 thin=2 seed=124; |
| 2 | class Dark(ref='0') Soft(ref='0') Nuts(ref='0') Subj; |
| 3 | model Choice = Dark Soft Nuts / choiceset=(Subj); |
| 4 | preddist covariates=DesignMatrix nalter=8 outpred=Predout; |
| 5 | RUN; |
4 Bloc de code
MACRO CALL
Explication :
Appel de la macro %SUMINT pour résumer les intervalles de crédibilité des probabilités prédites (variables commençant par Prob_1_) contenues dans la table 'Predout'.
Appel de la macro %SUMINT pour résumer les intervalles de crédibilité des probabilités prédites (variables commençant par Prob_1_) contenues dans la table 'Predout'.
Copié !
| 1 | %SUMINT(DATA=Predout, var=Prob_1_:) |
Ce matériel est fourni "tel quel" par We Are Cas. Il n'y a aucune garantie, expresse ou implicite, quant à la qualité marchande ou à l'adéquation à un usage particulier concernant le matériel ou le code contenu dans les présentes. We Are Cas n'est pas responsable des erreurs dans ce matériel tel qu'il existe maintenant ou existera, et We Are Cas ne fournit pas de support technique pour celui-ci.
Informations de Copyright : SAS SAMPLE LIBRARY, NAME: BCHCEX7, PRODUCT: STAT
Le Conseil de l'Expert
Michael
Responsable de l'infrastructure Viya.
« L'utilisation de la procédure PROC BCHOICE pour modéliser les préférences (ici le choix du chocolat) marque un tournant par rapport aux méthodes fréquentistes classiques. Sa véritable puissance réside dans l'instruction PREDDIST, qui permet de projeter les résultats du modèle sur de nouveaux scénarios de marché (la DesignMatrix). Au lieu de fournir une simple probabilité ponctuelle, cette approche génère des distributions prédictives postérieures. Cela signifie que pour chaque combinaison d'attributs (Noir, Onctueux, Noisettes), vous obtenez non seulement une estimation du choix, mais aussi une mesure de l'incertitude associée, ce qui est crucial pour la prise de décision en marketing stratégique. »