MulaiMulai sekarang secara gratis

Apa nilai tambahnya?

Anda tentu masih ingat kinerja buruk dari model respons sederhana pertama Anda. Kini, Anda penasaran dengan nilai tambah dari memasukkan lag. Karena itu, Anda menggabungkan semua alat pemasaran dan efek tertundanya dalam satu model bernama extended.model. Anda memperoleh prediksi model dengan menggunakan fungsi fitted.values() pada objek extended.model. Untuk mengatasi hilangnya observasi pertama akibat operasi lag, Anda menambahkan NA ke vektor nilai prediksi.

Kali ini, untuk memeriksa model, Anda menampilkan hubungan antara log(SALES) dan indeks berjalan dengan menggunakan plot(). Selanjutnya, Anda menambahkan prediksi model ke grafik dengan menggunakan lines(). Fungsi lines() menghubungkan titik data prediksi dan indeks berjalan dengan segmen garis.

Latihan ini adalah bagian dari kursus

Membangun Model Respons di R

Lihat Kursus

Petunjuk latihan

  • Estimasikan model respons lanjutan yang menjelaskan log(SALES) dengan semua alat pemasaran dan suku lag-nya. Simpan hasilnya ke objek bernama extended.model.
  • Peroleh prediksi model dengan menggunakan fungsi fitted.values() pada objek extended.model. Simpan hasilnya ke objek bernama predicted.values.
  • Tampilkan hubungan antara log(SALES) dan indeks berjalan dengan menggunakan fungsi plot().
  • Tambahkan prediksi model ke grafik dengan menggunakan fungsi lines().

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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
___(___ ~ ___)
Edit dan Jalankan Kode