Разработка на Python — удалённая работа в Москве

Data Science. Разработка с нуля. На английском: 1. Анализа и очистки данных и получения описаний всех переменных данных. 2. Создайте новые переменные для зависимых переменных: удовлетворенность (sat), готовность платить (wtpp), намерения повторной покупки (ri) и сарафанное радио (wom), производительность, характеристики. И т. д. Предполагается, что эти новые переменные являются средними значениями пунктов в каждом из т.е. SAT1 = mean( sat1_1, sat2_1, sat3_1) и т.д. 3. Проведите регрессионный анализ, используя измерения качества и удовлетворенности в качестве независимых переменных, а средний балл готовности платить премию и намерение совершить повторную покупку - в качестве зависимых переменных. Интерпретируйте результаты с точки зрения управления. Для лучшего понимания необходимо провести поперечный регрессионный анализ для обеих волн и один продольный анализ. коэффициенты. Каковы точки паритета и точки различия для Apple и Samsung. (для волны 1 на данных волны 1 используйте R, а для волны 2 на данных волны 2 используйте Python) 4. Проведите поперечный и продольный регрессионный анализ, используя измерения качества старой меры (q_old_XXX) и удовлетворенности в качестве независимых, а средний балл готовности платить премию и намерение совершить повторную покупку в качестве зависимыми переменными. Интерпретируйте результаты с управленческой точки зрения. Отличаются ли результаты регрессионного анализа для намерений о покупке и дают ли они различные перспективы по сравнению с многомерной мерой, принятой в вопросе 3? Пожалуйста, сравните бренды по этим коэффициентам регрессии. Каковы точки паритета и точки различия для Apple и Samsung. 5. Используя показатель ACSI в качестве независимой переменной, а WTPP и RI - в качестве зависимых переменных для обеих волн, проведите линейную регрессию. Дает ли один только ACSI достаточное представление о поведении покупателей? 6. Играет ли возраст потребителя какую-либо роль в определении его восприятия качества?.