Johnson's Relative Weights

Веб-приложение для расчёта относительных весов предикторов (Johnson's Relative Weights) с множественной импутацией пропущенных значений.

Что это?

Johnson's Relative Weights — это метод, который позволяет определить вклад каждой независимой переменной в объяснение дисперсии зависимой переменной. В отличие от стандартных коэффициентов регрессии, относительные веса корректно распределяют объяснённую дисперсию между коррелирующими предикторами.

Возможности

• Загрузка SPSS (.sav) файлов
• Автоматическое определение переменных
• Три метода импутации пропущенных значений:
• MICE (Multiple Imputation by Chained Equations) — наиболее точный
• Hybrid — баланс скорости и точности
• Simple Mean — простая замена средними
• Расчёт по подгруппам (например, по брендам или регионам)
• Результаты в Excel и CSV форматах

Локальный запуск

Требования

• Python 3.11+
• pip

Установка

# Клонируйте репозиторий
git clone <repository-url>
cd JohnsonsBot

# Создайте виртуальное окружение
python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# или .venv\Scripts\activate  # Windows

# Установите зависимости
pip install -r requirements.txt

Запуск

python app.py

Приложение будет доступно по адресу: http://localhost:8000

Деплой на Koyeb

Рекомендуемый инстанс

• eSmall (1 ГБ RAM, 0.5 eCPU) — ~$5/месяц
• Для больших файлов: Small (2 ГБ RAM) — ~$10/месяц

Шаги деплоя

1. Создайте аккаунт на Koyeb

2. Создайте новый сервис:

3. Source: GitHub
4. Repository: ваш репозиторий
5. Builder: Dockerfile

6. Instance type: eSmall или Small

7. Настройки:

8. Port: 8000

9. Health check path: /health

10. Нажмите Deploy

Переменные окружения (опционально)

• PORT — порт приложения (Koyeb устанавливает автоматически)
• APP_HOST — хост (по умолчанию 0.0.0.0)

Использование

1. Загрузите файл — SPSS (.sav) с вашими данными
2. Выберите переменные:
3. Зависимые переменные (что объясняем)
4. Независимые переменные (чем объясняем, минимум 2)
5. Подгруппы (опционально)
6. Запустите расчёт — дождитесь завершения
7. Скачайте результаты — Excel или CSV

Структура результатов

Файл результатов содержит: - Imputation Method — метод импутации - Dependent Variable — зависимая переменная - R-squared — коэффициент детерминации - Weight_* — абсолютные веса каждого предиктора - Percentage_* — процентный вклад каждого предиктора

Технические детали

• Backend: Flask + Gunicorn
• Data processing: pandas, pyreadstat
• Machine Learning: scikit-learn (IterativeImputer для MICE)
• Container: Docker

Лицензия

MIT