Skewed Binary Regression to Study Rental Cars by Tourists in the Canary Islands
Notice bibliographique
Résumé
Tourism is one of the economic sectors that contributes the most to the gross domestic product in many countries, moving, in turn, other economic sectors such as transport. In particular, the automotive industry constitutes an economic subsector that moves vast amounts of money. Concerning tourism and transport sectors, car rental is a crucial element contributing considerably to gross domestic product and job creation. Due to the effects that vehicle rental seems to have on various economic sectors, it seems interesting to know why a tourist chooses to rent a car during their vacation in a specific destination. This work aims to study those factors that can be considered relevant and affect the probability of renting a vehicle. The document addressed the following research topics: (a) identifying significant variables; and (b) can information on these factors help car rental firms? Empirically, it is shown that more tourists do not rent a car and this fact has to be considered. Thus, the classical logistic and Bayesian regression models do not seem adequate in this case, so that the authors will consider an asymmetric logistic regression model. This work analyzes 28,235 tourists who visited the Canary Islands during 2017. From a Bayesian point of view, asymmetric logistics regression is chosen as the best model because it detects relevant development factors not seen by standard logistic regressions. In light of the document’s findings, various practice recommendations improve decision-making in this field. The asymmetric logit link is a helpful device that can help rental companies make decisions about their clients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».