CommencezCommencez gratuitement

Prévoir les ventes en tenant compte des dépenses publicitaires

Bienvenue au dernier chapitre du cours!

La fonction auto.arima() ajuste un modèle de régression dynamique avec erreurs ARIMA. La seule différence par rapport à votre utilisation précédente est que vous allez maintenant utiliser l'argument xreg qui contient une matrice de variables de régression. Voici quelques extraits de code tirés de la vidéo :

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

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

Vous pouvez voir que les données correspondent à la colonne Consumption de uschange, et que la variable de régression est la colonne Income. De plus, dans ce cas, la fonction rep() répète la valeur 0.8 exactement huit fois pour l'argument matriciel xreg.

Dans cet exercice, vous modéliserez des ventes en fonction des dépenses publicitaires, avec une erreur de type ARMA pour tenir compte de toute autocorrélation dans les erreurs de régression. Les données sont disponibles dans votre espace de travail sous le nom advert et comprennent 24 mois de ventes et de dépenses publicitaires pour une entreprise de pièces automobiles. Le graphique présente les ventes en fonction des dépenses publicitaires.

Repensez à tout ce que vous avez appris dans ce cours, examinez les données advert dans votre console et lisez attentivement chaque instruction pour aborder cet exercice exigeant.

Cette activité fait partie du cours

Prévision en R

Voir le cours

Instructions de l’exercice

  • Tracez les données de advert. Les variables n'ont pas la même échelle, donc utilisez facets = TRUE.
  • Ajustez une régression avec erreurs ARIMA à advert en fixant le premier argument de auto.arima() à la colonne "sales", le deuxième argument xreg à la colonne "advert", et le troisième argument stationary à TRUE.
  • Vérifiez que le modèle ajusté est une régression avec erreurs AR(1). Quelle est l'augmentation des ventes pour chaque unité supplémentaire de publicité? Ce coefficient correspond au troisième élément dans la sortie de coefficients().
  • Faites des prévisions à partir du modèle ajusté en spécifiant les 6 prochains mois de dépenses publicitaires à 10 unités par mois, sous le nom fc. Pour répéter 10 six fois, utilisez la fonction rep() à l'intérieur de xreg comme dans l'exemple ci-dessus.
  • Tracez les prévisions fc et complétez le code fourni pour ajouter une étiquette en x "Month" et une étiquette en y "Sales".

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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(___)
Modifier et exécuter le code