基于R和PYTHON的行为数据分析

利用专门为行为数据分析设计的学习工具充分发挥企业行为数据的强大作用。常用的数据科学算法和预测分析工具总是将客户行为数据（如网站点击量或超市购买量）与其他数据等同对待。与此不同，这本实用指南介绍了专门为行为数据分析量身定做的强大方法。本书的主要内容有：理解行为数据的特征。探讨测量与预测之间的区别。学习如何清理和准备行为数据。设计和分析实验，从而做出最优商业决策。使用行为数据理解和度量原因和结果。以一种透明且周全的方式细分顾客。

目录
前言 1
第一部分 理解行为
第1 章 数据分析因果– 行为框架 15
1.1 为什么需要因果分析解释人类行为.16
1.1.1 不同分析类型 16
1.1.2 人是复杂的 17
1.2 混淆！用回归解决问题的潜在危险.20
1.2.1 数据 21
1.2.2 为什么相关关系不是因果关系：混杂因素的作用 .22
1.2.3 太多变量可能坏事 .24
1.3 小结 .30
第2 章 理解行为数据 31
2.1 人类行为基本模型 32
2.1.1 个人特征 .33
2.1.2 认知和情感 35
2.1.3 意图 37
2.1.4 行动 38
2.1.5 业务行为 .39
2.2 如何连接行为和数据 40
2.2.1 建立一种行为完整性思维模式 .41
2.2.2 不信任与验证 42
2.2.3 识别类别 .43
2.2.4 细化行为变量 45
2.2.5 了解上下文 46
2.3 小结 .49
第二部分 因果图和去混杂
第3 章 因果图介绍 53
3.1 因果图和因果– 行为框架 54
3.1.1 因果图表示行为 55
3.1.2 因果图表示数据 56
3.2 因果图的基本结构 61
3.2.1 链式结构 .61
3.2.2 分叉结构 .65
3.2.3 对撞结构 .68
3.3 因果图的常见转换 69
3.3.1 划分/ 拆解变量 69
3.3.2 聚合变量 .71
3.3.3 关于环 73
3.3.4 路径 77
3.4 小结 .79
第4 章 从头构建因果图 .81
4.1 业务问题和数据准备 82
4.1.1 数据和包 .83
4.1.2 理解感兴趣的关系 .83
4.2 识别要包含的候选变量 .85
4.2.1 行动 87
4.2.2 意图 88
4.2.3 认知和情感 90
4.2.4 个人特征 .91
4.2.5 业务行为 .93
4.2.6 时间趋势 .94
4.3 根据数据确认要包含的可观察变量.95
4.3.1 数值变量间的关系 .97
4.3.2 分类变量间的关系 100
4.3.3 数值与分类变量间的关系 103
4.4 交互扩展因果图 .105
4.4.1 明确未观察变量的代理 .106
4.4.2 明确进一步原因 107
4.4.3 迭代 .107
4.5 简化因果图 107
4.6 小结 109
第5 章 数据分析中使用因果图去混杂 111
5.1 业务问题：冰淇淋和瓶装水销售 112
5.2 析取原因规则 114
5.2.1 定义 .114
5.2.2 第一个模块 .115
5.2.3 第二个模块 .117
5.3 后门规则. 118
5.3.1 定义 .118
5.3.2 第一个模块 .121
5.3.3 第二个模块 .122
5.4 小结 124
第三部分 鲁棒数据分析
第6 章 处理缺失数据 127
6.1 数据和包.129
6.2 缺失数据可视化 .130
6.2.1 缺失数据量 .133
6.2.2 缺失的相关性 .135
6.3 诊断缺失数据 141
6.3.1 缺失的原因：Rubin 分类 .144
6.3.2 诊断MCAR 变量 .147
6.3.3 诊断MAR 变量 .148
6.3.4 诊断MNAR 变量 .151
6.3.5 缺失性范围 .153
6.4 处理缺失数据 157
6.4.1 多重插补（MI）简介 .158
6.4.2 默认插补方法：预测均值匹配 161
6.4.3 从PMM 到正态插补（仅R）163
6.4.4 增加辅助变量 .165
6.4.5 增加插补数据集数量167
6.5 小结 168
第7 章 使用Bootstrap 测量不确定性 . 171
7.1 Bootstrap 简介：自“引导” 172
7.1.1 包 .172
7.1.2 业务问题：有一个异常值的小数据 172
7.1.3 样本均值的Bootstrap 置信区间 174
7.1.4 Bootstrap 置信区间用于自定义统计分析 .180
7.2 Bootstrap 用于回归分析 .182
7.3 何时使用Bootstrap 185
7.3.1 传统中心估计的充分条件 186
7.3.2 传统CI 的充分条件 187
7.3.3 确定Bootstrap 样本数 190
7.4 R 和Python 中优化Bootstrap 191
7.4.1 R：boot 包 192
7.4.2 Python 优化 .194
7.5 小结 196
第四部分 设计和分析实验
第8 章 实验设计：基础 199
8.1 计划实验：改变理论 200
8.1.1 业务目标和目标指标201
8.1.2 干预 .203
8.1.3 行为逻辑 205
8.2 数据和包.208
8.3 确定随机分配和样本量/ 功效 .208
8.3.1 随机分配 209
8.3.2 样本量和功效分析 212
8.4 分析和解释实验结果 227
8.5 小结 230
第9 章 分层随机化 233
9.1 计划实验.235
9.1.1 业务目标和目标指标235
9.1.2 干预定义 237
9.1.3 行为逻辑 238
9.1.4 数据和包 238
9.2 确定随机分配和样本量/ 功效 .239
9.2.1 随机分配 240
9.2.2 使用Bootstrap 模拟的功效分析 249
9.3 分析和解释实验结果 256
9.3.1 鼓励干预的意向性估计 .257
9.3.2 强制干预的CACE 259
9.4 小结 265
第10 章 聚类随机与层次建模 267
10.1 计划实验 268
10.1.1 业务目标和目标指标 268
10.1.2 干预定义 268
10.1.3 行为逻辑 270
10.2 数据和包 270
10.3 分层建模介绍 271
10.3.1 R 代码 .272
10.3.2 Python 代码 275
10.4 确定随机分配和样本量/ 功效 277
10.4.1 随机分配 278
10.4.2 功效分析 280
10.5 分析实验 288
10.6 小结 289
第五部分 行为数据分析高级工具
第11 章 调节 293
11.1 数据和包 294
11.2 调节的各种行为 294
11.2.1 细分 295
11.2.2 相互作用 302
11.2.3 非线性 .303
11.3 如何应用调节 306
11.3.1 何时需要调节 307
11.3.2 多调节量 318
11.3.3 用Bootstrap 验证调节 .324
11.3.4 解释单个系数 327
11.4 小结 333
第12 章 中介和工具变量 . 335
12.1 中介 336
12.1.1 理解因果机制 336
12.1.2 因果偏差 338
12.1.3 识别中介 339
12.1.4 度量中介 341
12.2 工具变量 346
12.2.1 数据 347
12.2.2 包 347
12.2.3 理解和分析IV .347
12.2.4 度量 350
12.2.5 应用IV：常见问题 354
12.3 小结 355
参考文献 357