업리프트 플랫폼 개요

업리프트 플랫폼을 사용하여 활동 또는 처리가 개인의 행동에 미치는 증분 영향을 모델링할 수 있습니다. 업리프트 모델링은 시장 조사에 흔히 사용됩니다. 업리프트 모형은 행동에 반응할 가능성이 가장 큰 개인 그룹을 식별하는 데 도움이 됩니다. 이러한 그룹을 식별하면 리소스 할당 및 개인에 미치는 영향을 최적화하는 효율적이고 목표에 맞는 결정을 내릴 수 있습니다. 자세한 내용은 Radcliffe & Surry(2011)에서 확인하십시오.

업리프트 플랫폼에서는 파티션 모형을 적합시킵니다. 기존의 파티션 모형은 분류를 최적화하기 위한 분할을 선택하지만 업리프트 모형은 처리 차이를 최대화하기 위한 분할을 선택합니다.

업리프트 파티션 모형은 개인이 처리 요인별로 그룹화된다는 사실을 고려합니다. 분할을 결정하기 위해 각 요인의 가능한 모든 이항 분할에 모형이 적합됩니다. 적합된 모형의 유형은 반응 유형에 따라 다릅니다. 연속형 반응은 분할, 처리 및 분할*처리 교호작용의 선형 함수로 모델링됩니다. 범주형 반응은 분할, 처리 및 분할*처리 교호작용의 로지스틱 함수로 표현됩니다. 두 경우 모두 교호작용 항은 두 분할의 개인 그룹 간 업리프트 차이를 측정합니다. 가장 유의한 분할이 선택되고 프로세스가 반복됩니다.

업리프트 플랫폼은 각 이항 분할 모형에서 교호작용 항의 유의성을 기반으로 가장 유의한 분할을 선택합니다. 그러나 p 값에만 기반한 예측 변수 선택은 많은 수준을 갖는 예측 변수를 선호하여 단일 예측 변수에 대한 많은 모형을 생성하는 편향이 발생합니다. 이러한 이유로 JMP에서는 고려된 수준 또는 모형의 수를 설명하기 위해 p 값을 조정합니다. 사용된 수정은 몬테카를로 시뮬레이션을 기반으로 합니다. 자세한 내용은 Sall(2002)에서 확인하십시오. 모든 예측 변수에서 가능한 모든 이항 분할의 전체 모형에 대해 교호작용 효과의 유의성 검정을 위한 최소 수정 p 값에 의해 분할이 결정됩니다. 각 수정 p 값의 LogWorth, 즉 -log10(수정 p 값)이 보고됩니다.