<div class="csl-bib-body">
<div class="csl-entry">Eder, J. (2019). <i>Linear mixed models for digital music data</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2019.56267</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2019.56267
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/8570
-
dc.description.abstract
In den letzten Jahren hat die digitale Transformation die Musikindustrie gravierend verändert und zur wachsenden Beliebtheit des Musik Streamings beigetragen. Die vielen Daten, die dabei entstehen, können verwendet werden, um unentdeckte Verhaltensmuster und andere Einblicke in das Musikgeschäft zu gewinnen. In dieser Masterarbeit werden soziodemographische Faktoren untersucht, ob sie für den Erfolg eines Liedes förderlich sind. Zu diesem Zweck werden Daten der Musikstreamingplattform Spotify für mehrere Lieder aufbereitet und aggregiert. Die resultierenden Längsschnittdaten werden im Rahmen einer Regression verwendet, um die relative Änderung der wöchentlichen Anzahl an Wiedergaben zu beschreiben. Neben Linearen Regressionsmodellen werden mehrere Formen Linearer Gemischter Modelle auf diese Problemstellung angewandt und anhand ihrer Vorhersagekraft auf einem Testdatensatz verglichen. Basierend auf diesem Vergleich wird ein finales Modell ausgewählt, welches detaillierter untersucht wird. Diese Analyse und Interpretation identifiziert wichtige Segmente des Publikums, die einen Einfluss auf den Erfolg eines Liedes haben.
de
dc.description.abstract
In recent years, the digital transformation of the music industry led to a rapid increase in online music streaming. As a consequence, plenty of data is generated which can be examined for undetected patterns and further insights into the music business. Within this thesis socio-demographic factors are investigated whether they drive the successful development of a song. Data of several songs and streaming events on Spotify is prepared and aggregated for this purpose. The resulting longitudinal data is used in a regression context to describe the relative change in a song's weekly number of streams. Besides Linear Regression Models, Linear Mixed Models in various forms are applied on the given problem. A final model is chosen by comparing the models' prediction performance on a separate test dataset. The concluding analysis and interpretation of this model unveils important segments of the target audience which have an impact on the success of a song.
en
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
mixed models
en
dc.subject
robustness
en
dc.title
Linear mixed models for digital music data
en
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2019.56267
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Johannes Eder
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
tuw.publication.orgunit
E105 - Institut für Stochastik und Wirtschaftsmathematik