ধরা যাক আমাদের নিম্নলিখিত সমস্যাটি দেওয়া হয়েছে:
ভবিষ্যদ্বাণী করুন কোন ক্লায়েন্টরা সম্ভবত আগামী 3 মাসের মধ্যে আমাদের দোকানে কেনা বন্ধ করবে।
প্রতিটি ক্লায়েন্টের জন্য আমরা মাসটি জানি যখন কেউ আমাদের দোকানে কেনা শুরু করে এবং অতিরিক্তভাবে আমাদের মাসিক সামগ্রীতে অনেকগুলি আচরণগত বৈশিষ্ট্য রয়েছে। 'প্রবীণ' ক্লায়েন্ট পঞ্চাশ মাস ধরে কিনছেন; আসুন সেই সময়টিকে চিহ্নিত করুন যেহেতু একজন ক্লায়েন্ট ( ) দ্বারা কেনা শুরু করেছিলেন। ধারণা করা যেতে পারে যে ক্লায়েন্টের সংখ্যা খুব বেশি। যদি কোনও ক্লায়েন্ট তিন মাসের জন্য ক্রয় বন্ধ করে দেয় এবং তারপরে ফিরে আসে, তবে তাকে নতুন গ্রাহক হিসাবে ধরা হবে তাই কোনও ইভেন্ট (কেনা বন্ধ করুন) কেবল একবারই ঘটতে পারে।t ∈ [ 0 , 50 ]
দুটি সমাধান আমার মনে আসে:
লজিস্টিক রিগ্রেশন - প্রতিটি ক্লায়েন্টের জন্য এবং প্রতি মাসে (সম্ভবত 3 টি নতুন মাস বাদে), আমরা বলতে পারি কোনও ক্লায়েন্ট কেনা বন্ধ করেছে কিনা, তাই আমরা প্রতি ক্লায়েন্ট এবং মাসে এক পর্যবেক্ষণের সাথে ঘূর্ণায়মান নমুনাগুলি করতে পারি। বেস হ্যাজার্ড ফাংশনের কিছু সমতুল্য অর্জনের জন্য আমরা একটি শ্রেণিবদ্ধ ভেরিয়েবল হিসাবে শুরু থেকে মাসের সংখ্যা ব্যবহার করতে পারি।
বর্ধিত কক্স মডেল - বর্ধিত কক্স মডেল ব্যবহার করে এই সমস্যাটিও মডেল করা যেতে পারে। দেখে মনে হচ্ছে এই সমস্যাটি বেঁচে থাকার বিশ্লেষণের পক্ষে আরও উপযুক্ত।
প্রশ্ন: অনুরূপ সমস্যায় টিকে থাকার বিশ্লেষণের সুবিধা কী কী? বেঁচে থাকার বিশ্লেষণটি কোনও কারণে উদ্ভাবিত হয়েছিল, তাই এর কিছুটা গুরুতর সুবিধা থাকতে হবে।
টিকে থাকার বিশ্লেষণে আমার জ্ঞান খুব গভীর নয় এবং আমি মনে করি যে কক্স মডেলের সর্বাধিক সম্ভাব্য সুবিধাগুলিও লজিস্টিক রিগ্রেশন ব্যবহার করে অর্জন করা যেতে পারে।
- স্তরিত কক্সবাজার মডেল সমতুল্য একটি মিথস্ক্রিয়া ব্যবহার প্রাপ্ত করা যাবে এবং stratifying পরিবর্তনশীল।
- ইন্টারঅ্যাকশন কক্স মডেল জনসংখ্যাকে বিভিন্ন উপ-জনগোষ্ঠীতে ডুব দিয়ে এবং প্রতিটি উপ-জনসংখ্যার জন্য এলআর অনুমান করে পাওয়া যায়।
আমি দেখি একমাত্র সুবিধা হ'ল কক্স মডেলটি আরও নমনীয়; উদাহরণস্বরূপ, কোনও ক্লায়েন্ট 6 মাসের মধ্যে কেনা বন্ধ করে দেবে এমন সম্ভাবনাটি আমরা সহজেই গণনা করতে পারি।