VM
Какие есть пути сделать изи питон проекта в пайчарме
я делал с помощью этой либы
Size: a a a
2021 March 16
PZ
Привет. У меня стоит задача подсчитать интервал возвращения клиента в магазин. Среднее у меня 17, медиана 12. Если брать от среднего доверительный интервал, получается 17 + 1,96*se = 19. Правильно ли будет интерпретировать, что вероятность возврата клиента после 19 дня менее 5%?
Интуитивно понятно что это неточно. Там же скошенное распределение. но не готов сослаться на какую-нибудь книжку или определение
VM
BP
Привет. У меня стоит задача подсчитать интервал возвращения клиента в магазин. Среднее у меня 17, медиана 12. Если брать от среднего доверительный интервал, получается 17 + 1,96*se = 19. Правильно ли будет интерпретировать, что вероятность возврата клиента после 19 дня менее 5%?
Я бы сказал, что нет, это не правильно. Доверительный интервал вы построили именно для средней (опустим для простоты проверку того, выполнялись ли предпосылки ЦПТ). Максимум, что вы можете сказать - вероятность того, что средняя по популяции больше 19-и - 5% (строго говоря, это тоже некорректно, но для общения с бизнес-юзерами сойдет). Вам же, как мне кажется, нужно посчитать доверительный интвервал 95-ого (ну или какой вы там выберете) перцентиля.
КД
Bogdan Pilyavets
Я бы сказал, что нет, это не правильно. Доверительный интервал вы построили именно для средней (опустим для простоты проверку того, выполнялись ли предпосылки ЦПТ). Максимум, что вы можете сказать - вероятность того, что средняя по популяции больше 19-и - 5% (строго говоря, это тоже некорректно, но для общения с бизнес-юзерами сойдет). Вам же, как мне кажется, нужно посчитать доверительный интвервал 95-ого (ну или какой вы там выберете) перцентиля.
По какому принципу предлагаете расчитывать порог оттока клиента? До этого считали до границы выброса, но получалось какое-то слишком большое число.
I
Привет. У меня стоит задача подсчитать интервал возвращения клиента в магазин. Среднее у меня 17, медиана 12. Если брать от среднего доверительный интервал, получается 17 + 1,96*se = 19. Правильно ли будет интерпретировать, что вероятность возврата клиента после 19 дня менее 5%?
А не пробовали подобрать геометрическое или экспоненциальное распределение по ваши данные?
BP
По какому принципу предлагаете расчитывать порог оттока клиента? До этого считали до границы выброса, но получалось какое-то слишком большое число.
тут не помогу, сорри. Это вам виднее, все зависит от специфики бизнеса/продукта
2021 March 17
КД
А не пробовали подобрать геометрическое или экспоненциальное распределение по ваши данные?
Не очень силен в статистике на этом уровне. Так бы я наугад ткнул куда-нибудь, но руководство требует математическое обоснование
I
Не очень силен в статистике на этом уровне. Так бы я наугад ткнул куда-нибудь, но руководство требует математическое обоснование
I
У тебя как то так распределение выглядит?
КД
Ну, почти
НН
😁
I
Настя Настя
😁
?)
НН
Про почти))
НН
Улыбнуло с утра пораньше
НН
Как-то для статистических расчетов пользовалась программой eViews
КД
Может, в R есть какой-то пакет для этого?
I
Ну, идеального ничего не бывает. В общем, есть Байесовский подход к оценке параметров распределения (для дискретного случая только он и подойдёт) и есть численный метод к оценке функции. Можешь погуглить, в принципе, потому что статью здесь не особо хотелось бы писать да и думаю что есть какой то код Stackowerflow.
I
Суть в том что ты перебираешь некоторый массив параметров p, потом через pdf оцениваешь правдоподобие получить твои значения с этого распределения и выбираешь тот параметр, для которого сума этого правдоподобия по всем элементам выборки наибольшая. Дальше за Хи2 проверяешь goodness of fit статистику для того чтобы оценить насколько отклоняется наблюдаемое от теоретического распределения и, если все ОК, то по полученному параметру оцениваешь вероятность возврата клиента через n дней с помощью PMF распределения с полученным параметром
I
Это если не усложнять методами Монте Карло