# ============================================================================== # _Main_Generalized.R – Versão generalizada de _Main.R # # Ponto de entrada: seção 1.3 — o usuário fornece diretamente o arquivo # dataMlogit.csv, eliminando a dependência do pipeline Qualtrics. # # Estrutura idêntica ao _Main.R original a partir da seção 2. # Modelos: MNL · MXL · MXL-Hier (todos via pacote gmnl) # ============================================================================== # ============================================================================== # PARÂMETROS DO USUÁRIO <<< EDITE APENAS ESTA SEÇÃO >>> # ============================================================================== # 1. Caminho para o arquivo dataMlogit no formato padronizado dataMlogitFile <- "Data/dataMlogit.csv" # 2. Variáveis de segmentação ORIGINAIS presentes em dataMlogit # (colunas categóricas, ex: "Usage" — não as dummies "Usage_Medium") segmentationVars <- c("NCards", "Usage", "Age", "Education") # 3. Radical da variável de segmentação a usar no MXL-Hier (heterog. observada) # O código detecta automaticamente as dummies correspondentes. # Exemplo: "Usage_" → detecta Usage_Medium, Usage_High, etc. segmentationVarsRadical <- "Usage_" # 4. Número de draws para os modelos Mixed Logit (MXL e MXL-Hier) nDraws <- 200 # Halton sequences converge com menos draws que Monte Carlo (haltons=NA) # 5. Rótulo do segmento de REFERÊNCIA do MXL-Hier (categoria omitida nas dummies) # Exemplo: segmentationVarsRadical = "Usage_" → referência = "Usage_Low" referenceSegmentLabel <- "Usage_Low" # 6. Segmentos a comparar no slopegraph (seção 7.3) slopegraphFrom <- "Usage_Low" slopegraphTo <- "Usage_High" # 7. Variável categórica original usada no MXL-Hier (para distribuição de beta_i) # = nome da coluna categórica em dataMlogit (sem o sufixo "_") hierSegmentVarCategorical <- "Usage" # 8. Número de atributos top para a distribuição de beta_i (seção 7.4) nTopAttributes <- 6 # 5. (Opcional) Arquivo CSV com mapeamento labelId → rótulo legível # Colunas: labelId (ex: "T1"), label (ex: "Cashback nas compras") # Deixe NULL para usar os próprios labelIds como rótulos attributeLabelFile <- "Data/attributeLabel.csv" # ============================================================================== # FIM DOS PARÂMETROS DO USUÁRIO # ============================================================================== #### 1. Carregamento de pacotes e funções ###################################### library(gmnl) library(mlogit) library(tidyverse) library(stringr) library(fastDummies) library(lmtest) library(ggrepel) source("Functions/CreateResultCount.R") source("Functions/ShareOfPreferencesMnlMixl.R") source("Functions/ShareOfPreferencesMixlHier.R") source("Functions/MakeFormulaMixlHier.R") source("Functions/SegmentationAnalysis.R") source("Functions/files2/ShareOfPreferencesBySegment.R") source("Functions/files2/PlotGammaHeatmap.R") source("Functions/files2/PlotShareOfPreferencesBySegment.R") source("Functions/files2/PlotAttributeRankingSlopegraph.R") source("Functions/files2/PlotBetaDistributionsBySegment.R") source("Functions/files2/PlotStrategicQuadrant.R") # 1.3. Carregar dataMlogit (ponto de entrada generalizado) --------------------- dataMlogit <- read.csv( file = dataMlogitFile, header = TRUE, sep = "," ) %>% mutate( Response = as.logical(Response), Str = as.character(Str), Id = as.integer(Id), Q = as.integer(Q), Pair = as.integer(Pair) ) # 1.4. Detectar colunas de atributos e rótulos --------------------------------- attributeCols <- sort(names(dataMlogit)[grepl("^T[0-9]+$", names(dataMlogit))]) message("Atributos detectados (", length(attributeCols), "): ", paste(attributeCols, collapse = ", ")) if (!is.null(attributeLabelFile) && file.exists(attributeLabelFile)) { attributeLabel <- read.csv(attributeLabelFile, stringsAsFactors = FALSE) } else { attributeLabel <- data.frame(labelId = attributeCols, label = attributeCols, stringsAsFactors = FALSE) } # 1.5. Extrair características individuais direto do dataMlogit --------------- segVarsPresent <- segmentationVars[segmentationVars %in% names(dataMlogit)] indCharacteristics <- dataMlogit %>% distinct(Id, .keep_all = TRUE) %>% select(Id, all_of(segVarsPresent)) # 1.6. Preparar dados no formato mlogit.data (necessário para gmnl) ----------- dataMlogitGmnl <- mlogit.data( data = dataMlogit, choice = "Response", shape = "long", chid.var = c("Str", "Id"), alt.var = "Pair" ) # ============================================================================== # 2. Análise de contagem # ============================================================================== resultCount <- CreateResultCount( dataMlogit = dataMlogit ) print(resultCount) # ============================================================================== # 3. Multinomial Logit (MNL) # ============================================================================== resultMnl <- gmnl( formula = as.formula( paste0( "Response ~ ", str_c(resultCount %>% filter(Rank != max(Rank)) %>% pull(labelId), collapse = " + "), " - 1 | 0" ) ), data = dataMlogitGmnl, model = "mnl" ) summary(resultMnl) # 3.1. AIC e Log-Likelihood AIC(resultMnl) logLik(resultMnl) # 3.2. Share of Preferences shareOfPreferencesMnl <- ShareOfPreferencesMnlMixl( resultModelOutput = resultMnl, resultCount = resultCount ) print(shareOfPreferencesMnl) # ============================================================================== # 4. Mixed Logit – heterogeneidade NÃO observada (MXL) # ============================================================================== # 4.1. Vetor de parâmetros aleatórios (distribuição normal para todos) random_params <- setNames( rep("n", nrow(resultCount) - 1), resultCount %>% filter(Rank != max(Rank)) %>% pull(labelId) ) # 4.2. Estimação resultMxl <- gmnl( formula = as.formula( paste0( "Response ~ ", str_c(resultCount %>% filter(Rank != max(Rank)) %>% pull(labelId), collapse = " + "), " - 1 | 0" ) ), data = dataMlogitGmnl, model = "mixl", ranp = random_params, panel = TRUE, id.var = "Id", R = nDraws, haltons = NULL, # Halton sequences: convergência ~3-5x mais rápida cores = parallel::detectCores() - 1 # Usar todos os núcleos menos 1 ) summary(resultMxl) # 4.3. AIC e Log-Likelihood AIC(resultMxl) logLik(resultMxl) # 4.4. Share of Preferences shareOfPreferencesMxl <- ShareOfPreferencesMnlMixl( resultModelOutput = resultMxl, resultCount = resultCount ) print(shareOfPreferencesMxl) # ============================================================================== # 5. Mixed Logit Hierárquico – heterogeneidade OBSERVADA (MXL-Hier) # ============================================================================== # 5.1. Detectar automaticamente as colunas dummy do radical informado # Ex: segmentationVarsRadical = "Usage_" → c("Usage_Medium","Usage_High") hierDummyCols <- dataMlogit %>% select(starts_with(segmentationVarsRadical)) %>% colnames() message("Variáveis de heterogeneidade observada (", length(hierDummyCols), "): ", paste(hierDummyCols, collapse = ", ")) # 5.2. Construir fórmula e parâmetros via MakeFormulaMixlHier formulaMixlHier <- MakeFormulaMixlHier( segmentationVars = hierDummyCols, resultCount = resultCount ) # 5.3. Estimação resultMxlHier <- gmnl( formula = formulaMixlHier$formulaMixlHier, data = dataMlogitGmnl, model = "mixl", ranp = formulaMixlHier$randomParams, mvar = formulaMixlHier$mVar, panel = TRUE, id.var = "Id", R = nDraws, haltons = NULL, # Halton sequences: convergência ~3-5x mais rápida cores = parallel::detectCores() - 1 # Usar todos os núcleos menos 1 ) summary(resultMxlHier) # 5.4. AIC e Log-Likelihood AIC(resultMxlHier) logLik(resultMxlHier) # 5.5. Share of Preferences shareOfPreferencesMxlHier <- ShareOfPreferencesMixlHier( resultModelOutput = resultMxlHier, resultCount = resultCount, dataMlogit = dataMlogit, mVarList = formulaMixlHier$mVar ) print(shareOfPreferencesMxlHier) # ============================================================================== # 6. Likelihood Ratio Tests (LRT) # ============================================================================== # 6.1. MNL vs MXL (testa se heterogeneidade não observada é relevante) lrtest(resultMnl, resultMxl) # 6.2. MXL vs MXL-Hier (testa se heterogeneidade observada acrescenta) lrtest(resultMxl, resultMxlHier) # ============================================================================== # 7. Segmentação por variáveis demográficas/comportamentais (via MXL indpar) # ============================================================================== # Extrair parâmetros individuais do gmnl ($bi = array [Id, R, beta]) indpar_matrix <- apply(resultMxl$bi, c(1, 3), mean) indpar_df <- as.data.frame(indpar_matrix) %>% mutate(id = sort(unique(dataMlogit$Id))) %>% select(id, everything()) if (!dir.exists("Results")) dir.create("Results") for (segVar in segVarsPresent) { message("Segmentação por: ", segVar) assign( paste0("segmentation", segVar), SegmentationAnalysis( indpar = indpar_df, indCharacteristics = indCharacteristics, segmentationVar = segVar ) ) } # ============================================================================== # FORMATO ESPERADO DE dataMlogit (referência rápida) # ============================================================================== # Id, Q, Str, Best, Worst, Pair, ResponseBest, ResponseWorst, Response, # T1..Tn (dummies +1/-1/0 por atributo), # [segVars originais], [dummies de segVars] # Ver Data/README.txt para descrição completa. # ============================================================================== # ============================================================================== # 7. Post-hoc insights do MXL-Hier (heterogeneidade observada) # Equivalente ao _MainHeterogeneityInsights.R original. # ============================================================================== # 7.1. Heatmap dos coeficientes Gamma # Visualiza o quanto cada segmento desloca a preferência média de cada atributo # em relação ao grupo de referência. heatmapGamma <- PlotGammaHeatmap( resultModelOutput = resultMxlHier, resultCount = resultCount, segmentationVars = hierDummyCols, attributeLabel = attributeLabel ) print(heatmapGamma$plot) # 7.2. Share of Preferences por segmento # Calcula o SoP para perfis sintéticos de cada segmento usando os Gamma estimados. sopBySegment <- PlotShareOfPreferencesBySegment( resultModelOutput = resultMxlHier, resultCount = resultCount, mVarList = formulaMixlHier$mVar, segmentationVars = hierDummyCols, referenceSegmentLabel = referenceSegmentLabel, attributeLabel = attributeLabel ) print(sopBySegment$plot) # 7.3. Slopegraph de mudança de ranking entre segmentos # Atributos que sobem indicam oportunidade de diferenciação no segmento de destino. slopegraph <- PlotAttributeRankingSlopegraph( sopBySegmentData = sopBySegment$data, fromSegment = slopegraphFrom, toSegment = slopegraphTo ) print(slopegraph$plot) # 7.4. Distribuição de beta_i por segmento (via effect.gmnl) # Extrai estimativas individuais condicionais e as distribui por segmento. betaDist <- PlotBetaDistributionsBySegment( resultModelOutput = resultMxlHier, resultCount = resultCount, dataMlogit = dataMlogit, attributeLabel = attributeLabel, segmentVar = hierSegmentVarCategorical, nTopAttributes = nTopAttributes ) print(betaDist$plot) # 7.5. Quadrante estratégico 2×2 # Mapeia cada atributo em (importância média) × (variabilidade entre segmentos). # Quadrantes sugerem ações estratégicas distintas por atributo. quadrant <- PlotStrategicQuadrant( sopBySegmentData = sopBySegment$data, referenceSegment = referenceSegmentLabel ) print(quadrant$plot) # 7.6. Tabela consolidada de insights estratégicos insightsTable <- quadrant$data %>% arrange(desc(meanShare)) %>% mutate( meanShare = scales::percent(meanShare, accuracy = 0.1), shareRange = scales::percent(shareRange, accuracy = 0.1) ) print(insightsTable) # write.csv(insightsTable, "Results/strategic_insights.csv", row.names = FALSE)