CommencerCommencer gratuitement

Prévoir les ventes en tenant compte des dépenses publicitaires

Bienvenue dans le 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 contenant une matrice de variables de régression. Voici quelques extraits de code issus de la vidéo :

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

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

Vous voyez que les données correspondent à la colonne Consumption de uschange, et que la variable de régression est la colonne Income. Par ailleurs, dans ce cas, la fonction rep() réplique la valeur 0,8 exactement huit fois pour l’argument xreg de type matrice.

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

Repassez en revue tout ce que vous avez appris jusqu’ici, examinez les données advert dans votre console, et lisez bien chaque instruction pour relever cet exercice exigeant.

Cet exercice fait partie du cours

Prévision en R

Afficher le cours

Instructions

  • Tracez les données dans advert. Les variables n’étant pas sur la même échelle, utilisez facets = TRUE.
  • Ajustez une régression avec erreurs ARIMA à advert en passant en premier argument de auto.arima() la colonne "sales", en second argument xreg la colonne "advert", et en troisième argument stationary la valeur 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 est le troisième élément dans la sortie de coefficients().
  • Effectuez 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 un label en abscisse "Month" et un label en ordonnée "Sales".

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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