LoslegenKostenlos loslegen

Absatzprognose unter Berücksichtigung der Werbeausgaben

Willkommen im letzten Kapitel des Kurses!

Die Funktion auto.arima() passt ein dynamisches Regressionsmodell mit ARIMA-Fehlern an. Der einzige Unterschied zur bisherigen Verwendung ist, dass du jetzt das Argument xreg mit einer Matrix von Regressionsvariablen verwendest. Hier sind einige Codeausschnitte aus dem Video:

> fit <- auto.arima(uschange[, "Consumption"],
                    xreg = uschange[, "Income"])

> # rep(x, times)
> fcast <- forecast(fit, xreg = rep(0.8, 8))

Du siehst, dass die Daten auf die Spalte Consumption von uschange gesetzt sind und die Regressionsvariable die Spalte Income ist. Außerdem würde die Funktion rep() in diesem Fall den Wert 0,8 genau achtmal für das Matrixargument xreg wiederholen.

In dieser Übung modellierst du Absatzdaten, regressiert auf Werbeausgaben, mit einem ARMA-Fehler, um etwaige serielle Korrelation in den Regressionsfehlern zu berücksichtigen. Die Daten stehen dir in deinem Workspace als advert zur Verfügung und umfassen 24 Monate an Absatz- und Werbeausgaben für ein Unternehmen für Kfz-Ersatzteile. Die Grafik zeigt Absatz vs. Werbeausgaben.

Geh alles durch, was du bisher in diesem Kurs gelernt hast, inspiziere die advert-Daten in deiner Konsole und lies jede Anweisung sorgfältig, um diese anspruchsvolle Übung zu meistern.

Diese Übung ist Teil des Kurses

Prognosen mit R

Kurs anzeigen

Anleitung zur Übung

  • Zeichne die Daten in advert. Die Variablen liegen auf unterschiedlichen Skalen, daher verwende facets = TRUE.
  • Fitte eine Regression mit ARIMA-Fehlern auf advert, indem du das erste Argument von auto.arima() auf die Spalte "sales", das zweite Argument xreg auf die Spalte "advert" und das dritte Argument stationary auf TRUE setzt.
  • Prüfe, dass das angepasste Modell eine Regression mit AR(1)-Fehlern ist. Wie stark steigt der Absatz pro Einheit zusätzlicher Werbung? Dieser Koeffizient ist das dritte Element in der Ausgabe von coefficients().
  • Erzeuge Vorhersagen aus dem angepassten Modell, wobei du die nächsten 6 Monate der Werbeausgaben mit 10 Einheiten pro Monat angibst, und speichere sie als fc. Um 10 sechsmal zu wiederholen, verwende die Funktion rep() innerhalb von xreg, wie im obigen Beispielcode.
  • Plotte die Vorhersagen fc und ergänze den bereitgestellten Code um ein x-Label "Month" und ein y-Label "Sales".

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Time plot of both variables
autoplot(___, ___)

# Fit ARIMA model
fit <- auto.arima(___[, ___], xreg = ___[, ___], stationary = ___)

# Check model. Increase in sales for each unit increase in advertising
salesincrease <- ___(___)[___]

# Forecast fit as fc
fc <- forecast(___, xreg = ___)

# Plot fc with x and y labels
autoplot(___) + xlab(___) + ylab(___)
Code bearbeiten und ausführen