Wat is de toegevoegde waarde?
Je herinnert je vast nog de matige prestaties van je eerste eenvoudige responsemodel. Nu ben je benieuwd naar de toegevoegde waarde van het meenemen van lags. Daarom combineer je alle marketingtools en hun vertragingseffecten in één model met de naam extended.model. Je verkrijgt de modelvoorspellingen door de functie fitted.values() te gebruiken op het object extended.model. Om het verlies van de eerste observatie door de lag-bewerking te compenseren, voeg je NA toe aan de vector met voorspelde waarden.
Om je model te controleren, toon je deze keer de relatie tussen log(SALES) en de voortlopende index met plot(). Vervolgens voeg je de modelvoorspellingen toe aan de grafiek met lines(). De functie lines() verbindt de voorspelde punten en de voortlopende index met lijnsegmenten.
Deze oefening maakt deel uit van de cursus
Responsmodellen bouwen in R
Oefeninstructies
- Schat een uitgebreid responsemodel dat
log(SALES)verklaart met alle marketingtools en hun vertragingstermen. Ken het resultaat toe aan een objectextended.model. - Verkrijg de modelvoorspellingen met de functie
fitted.values()op het objectextended.model. Ken het resultaat toe aan een objectpredicted.values. - Toon de relatie tussen
log(SALES)en de voortlopende index met de functieplot(). - Voeg de modelvoorspellingen toe aan de grafiek met de functie
lines().
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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
___(___ ~ ___)