1 8.交互作用
- 1.
- 2.
- 3.
- 4.
- 5. 5 交互作用の解釈 ＞ model.beer$coef (Intercept) temperatureweatherrain temperature:weatherrain -6.423869 9.020507 241.73962 -13.844963 気温が1度上がると、利益は9増える？
- 6. 5 10 1520 25 30 35 -1000100200300400 お天気別ビールによる利益 気温 ビールによる利益 fine rain 気温 交互作用の解釈 気温が1度増で 利益は9増？
- 7. 7 交互作用の解釈 ＞ model.beer$coef (Intercept) temperatureweatherrain temperature:weatherrain -6.423869 9.020507 241.73962 -13.844963 主効果の数字は解釈に使わない！！ じゃあどうすればよい？
- 8. 8 交互作用の解釈 ＞ model.beer$coef (Intercept) temperatureweatherrain temperature:weatherrain -6.423869 9.020507 241.73962 -13.844963 気温と天気の交互作用があるなら、 両方合わせて考察する 晴れの時！ -6.423869 ＋ 気温 × 9.020507 雨の時！ -6.423869 ＋ 241.73962 ＋ 気温 × （9.020507 -13.844963）
- 9. 9 色々な交互作用 今回の例 定量データ ： 選択肢（カテゴリデータ）の交互作用 選択肢毎に、異なる切片と傾きを持つ回帰モデル （共分散分析ともいう：死語） ほかにも・・・ カテゴリデータ： カテゴリデータの交互作用 定量データ ： 定量データ の交互作用
- 10. 10 パターン② カテゴリデータ ： カテゴリデータの交互作用 色々な交互作用 施策Aを実行→ 未実施に比べ売り上げ ＋５ 施策Bを実行 → 未実施に比べ売り上げ ＋３ 施策A、Bを同時に実行 → 未実施に比べ売り上げ ＋５０
- 11. 11 パターン② カテゴリデータ ： カテゴリデータの交互作用 色々な交互作用 ＞model.Categorｙ$coef (Intercept) 施策A実施 施策B実施 交互作用 A B C D 施策A 施策B 結果 未実施 未実施 A 実施 未実施 A ＋ B 未実施 実施 A ＋ C 実施 実施 A ＋ B ＋ C ＋ D
- 12. 12 パターン③ 定量データ ： 定量データの交互作用 色々な交互作用 湿度３０％ → 気温の傾きは５ 湿度６０％ → 気温の傾きは１２ ＞ model.numeric$coef (Intercept) 気温 湿度 気温：湿度 A B C D
- 13. 13 パターン③ 定量データ ： 定量データの交互作用 色々な交互作用 ＞ model.numeric$coef (Intercept) 気温 湿度 気温：湿度 A B C D 利益 ＝ A ＋ B×気温 ＋ C×湿度 ＋ D×気温×湿度 質問どうぞ！ ＝ A ＋（B ＋ D×湿度）×気温 ＋ C×湿度