详细内容或原文请订阅后点击阅览
在两个世界中构建模型：从潜在构造到行为信号
我的博士模型试图解释人们参与的原因。我的行业模型预测了谁会这么做。统计数据几乎没有变化。他们周围的一切都是如此。《在两个世界中构建模型：从潜在构造到行为信号》一文首先出现在《走向数据科学》上。
来源:走向数据科学两个看起来相同但实际上不同的响应变量
，我试图预测的是一个调查答案：老年人表示参与品牌社交媒体的意图。如今，在广告衡量中，我预测的是参与度本身，记录为点击或购买。
同一个词，足够接近。但其中一个变量只存在于人的头脑中，必须根据间接证据进行重建，而另一个变量则存在于数据库中等待查询。几乎每个下游建模决策都源于这一差异。我现在已经在两侧建立了模型，通常在下面使用相同的回归方程，而让我惊讶的是，当你从一个模型过渡到另一个模型时，会有多少反转：变量来自哪里，什么使变量“好”，你甚至试图学习什么，以及何时允许你停止。
这篇文章将介绍这两个部分，并提供显示比描述更容易的部分的代码。如果您只对行为数据进行建模，那么前半部分就是您跳过的世界。如果你是社会科学专业的，那么你即将进入的就是后半部分。
我当时构建的模型
我的一篇论文项目模拟了为什么老年人会或不会在网上接触自适应服装品牌。支柱是技术接受模型（Davis，1989），因此预测因素是诸如感知有用性、感知易用性、品牌知名度、品牌互动、品牌信任和隐私问题等结构，所有这些都指向参与意图。
困难的部分隐藏在该列表中。这些预测变量都不是您可以选择的列。感知有用性是一种心态。隐私问题也是如此。你无法记录它，也无法从一个调查问题中清楚地获得它，因为任何一个问题都有自己的包袱：它是如何措辞的，人们是否诚实回答，每个受访者如何阅读它。问一个问题，你就可以测量所有噪音以及你想要的东西。