LoslegenKostenlos loslegen

Was ist der Mehrwert?

Du erinnerst dich sicher noch an die schwache Leistung deines ersten einfachen Response-Modells. Jetzt bist du neugierig, welchen Mehrwert die Verwendung von Lags bringt. Daher kombinierst du alle Marketinginstrumente und deren verzögerte Effekte in einem Modell namens extended.model. Die Modellvorhersagen erhältst du, indem du die Funktion fitted.values() auf das Objekt extended.model anwendest. Um den Verlust der ersten Beobachtung durch die Lag-Operation zu berücksichtigen, hängst du NA an den Vektor der vorhergesagten Werte an.

Diesmal prüfst du dein Modell, indem du die Beziehung zwischen log(SALES) und dem laufenden Index mit plot() darstellst. Ebenso fügst du die Modellvorhersagen mit lines() in die Grafik ein. Die Funktion lines() verbindet die vorhergesagten Datenpunkte mit dem laufenden Index über Liniensegmente.

Diese Übung ist Teil des Kurses

Response-Modelle in R erstellen

Kurs anzeigen

Anleitung zur Übung

  • Schätze ein erweitertes Response-Modell, das log(SALES) durch alle Marketinginstrumente und deren verzögerte Terme erklärt. Weise das Ergebnis einem Objekt namens extended.model zu.
  • Erhalte die Modellvorhersagen, indem du die Funktion fitted.values() auf das Objekt extended.model anwendest. Weise das Ergebnis einem Objekt namens predicted.values zu.
  • Stelle die Beziehung zwischen log(SALES) und dem laufenden Index mit der Funktion plot() dar.
  • Füge die Modellvorhersagen mit der Funktion lines() zur Grafik hinzu.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Extend the sales resonse model
___ <- ___(___ ~ PRICE + Price.lag + DISPLAY + Display.lag + COUPON + Coupon.lag + DISPLAYCOUPON + DisplayCoupon.lag, data = sales.data)

# Obtain the model predictions
predicted.values <- c(NA,___(___))

# Plot log(SALES) against the running index
___(___ ~ 1, data = sales.data)

# Add the model predictions to the plot
___(___ ~ ___)
Code bearbeiten und ausführen