Quelle est la valeur ajoutée?
Vous vous rappelez encore la faible performance de votre premier modèle de réponse simple. Maintenant, vous êtes curieux de connaître la valeur ajoutée par l'intégration de retards. Vous combinez donc tous les outils marketing et leurs effets retardés dans un seul modèle nommé extended.model. Vous obtenez les prédictions du modèle à l'aide de la fonction fitted.values() appliquée à l'objet extended.model. Pour tenir compte de la perte de la première observation due à l'opération de décalage, vous ajoutez NA au vecteur des valeurs prédites.
Cette fois, pour valider votre modèle, vous affichez la relation entre log(SALES) et l'indice de parcours en utilisant plot(). Ensuite, vous ajoutez les prédictions du modèle au graphique avec lines(). La fonction lines() relie les points de données prédites et l'indice de parcours à l'aide de segments de ligne.
Cette activité fait partie du cours
Créer des modèles de réponse dans R
Instructions de l’exercice
- Estimez un modèle de réponse étendu expliquant
log(SALES)par tous les outils marketing et leurs termes retardés. Affectez le résultat à un objet nomméextended.model. - Obtenez les prédictions du modèle avec la fonction
fitted.values()appliquée à l'objetextended.model. Affectez le résultat à un objet nommépredicted.values. - Affichez la relation entre
log(SALES)et l'indice de parcours à l'aide de la fonctionplot(). - Ajoutez les prédictions du modèle au graphique à l'aide de la fonction
lines().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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
___(___ ~ ___)