Modelo de Bradley-Terry generalizado

Descripción del modelo de Bradley-Terry generalizado

El modelo de Bradley-Terry generalizado se utiliza para describir los posibles resultados cuando los elementos de un conjunto se comparan repetidamente entre sí en pares.

Por ejemplo, en un estudio de marketing, los consumidores evalúan los productos k. Los productos se envían por parejas y se pide a los consumidores que indiquen qué producto prefieren o si no pueden decidir.

Opciones del modelo Bradley-Terry generalizado en XLSTAT

Es posible elegir diferentes métodos de inferencia:

Numérico: el modelo se reescribe como una regresión logística. No se permiten empates.

EM bayesiano: se supone que los parámetros se distribuyen como una distribución gamma. La inferencia se realiza a través de un algoritmo EM que tiene como objetivo actualizar las distribuciones anteriores. Los parámetros del modelo completo (con ventaja de local y empates) no se pueden inferir con este algoritmo.

Muestreo: se supone que los parámetros se distribuyen como una distribución gamma. La distribución posterior se obtiene mediante un muestreador Gibbs.

También se pueden seleccionar otras dos opciones de modelo:

Casa: seleccione esta opción para tener en cuenta la ventaja del campo local. En este caso, el orden de los elementos en la tabla de pares es importante. Se supone que el primer elemento está en casa.

Empates: seleccione esta opción si se permiten empates. Si la opción está habilitada, la tabla de variables debe tener 3 columnas.

Resultados del modelo de Bradley-Terry generalizado en XLSTAT

Estadísticas de resumen: esta tabla muestra las estadísticas descriptivas de cada elemento.

Parámetros estimados: en esta tabla se dan las estimaciones de los parámetros del modelo. También se proporcionan el error estándar y el intervalo de confianza para cada parámetro.

Criterio basado en la probabilidad: en esta tabla, se dan varios criterios basados ​​en la probabilidad (-2 * log (probabilidad), BIC, AIC).

Probabilidades de ganar: Esta tabla proporciona la probabilidad de que el elemento ii (en fila) supere al elemento jj (en columna), dados los parámetros del modelo.

Gráfico de convergencia:este gráfico muestra para cada parámetro la evolución del parámetro y el intervalo de confianza correspondiente.