Wine Consumption Determinants in Albania Using Categorical Regression Model
Notice bibliographique
Résumé
The increasing trend of wine consumption in Albania has led the development of the respective subsectors, viticulture and the wine industry. In the order for the domestic wine production industry to be competitive, a detailed understanding of the consumer’s buying behavior is a prerequisite. To this end, this study offers an actual perspective of the consumption behavior of wine customers in Tirana region. One of the goals of this paper is to identify and quantify determinants of wine consumption by using a regression model called “Categorical Regression Estimation” for non-numeric response variables. A questionnaire has been designed for this purpose, which is based on the literature but also on the recognition of the customer profile in the country, considering several socio-economic factors. Through 230 face-to-face interviews, the aim is to evaluate the impact on wine consumption of income, age, education, religion, nutrition culture, wine prices, wine origin as well as other socio-demographic factors related to the profile of the consumer. The analysis and interpretation of the results reveal interesting factors that determine the wine consumption. Age, education, income level and price of the wine are the main factors affecting the consumer decision to buy wine. Older people (over 40 years old) represent 1.4 times higher willingness to buy wine relatively to the younger people. Meanwhile, among people with higher income level chances that they will buy wine are 2.15 higher relatively to the people with lower monthly income level. From the results appears that education have positive impact on wine consumption while gender does not represent a significant difference.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».