Zacznij terazZacznij za darmo

Prognozowanie sprzedaży z uwzględnieniem wydatków na reklamę

Witaj w ostatnim rozdziale kursu!

Funkcja auto.arima() dopasuje model regresji dynamicznej z błędami ARIMA. Jedyna zmiana w stosunku do poprzedniego użycia polega na tym, że teraz skorzystasz z argumentu xreg, który przyjmuje macierz zmiennych regresji. Oto fragmenty kodu z lekcji wideo:

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

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

Dane są ustawione na kolumnę Consumption ze zbioru uschange, a zmienną regresji jest kolumna Income. Funkcja rep() replikuje wartość 0,8 dokładnie osiem razy, tworząc macierz dla argumentu xreg.

W tym ćwiczeniu zbudujesz model sprzedaży z regresją względem wydatków na reklamę, z błędem ARMA uwzględniającym ewentualną autokorelację w resztach regresji. Dane dostępne są w twoim środowisku jako advert i obejmują 24 miesiące sprzedaży oraz wydatków na reklamę w firmie zajmującej się częściami samochodowymi. Wykres przedstawia sprzedaż w zależności od wydatków na reklamę.

Przemyśl wszystko, czego do tej pory nauczyłeś się w tym kursie, przejrzyj dane advert w konsoli i uważnie przeczytaj każdą instrukcję, aby poradzić sobie z tym wymagającym ćwiczeniem.

To ćwiczenie jest częścią kursu

Prognozowanie w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Zwizualizuj dane z advert. Zmienne mają różne skale, więc ustaw facets = TRUE.
  • Dopasuj regresję z błędami ARIMA do danych advert, ustawiając pierwszy argument auto.arima() na kolumnę "sales", drugi argument xreg na kolumnę "advert", a trzeci argument stationary na TRUE.
  • Sprawdź, czy dopasowany model to regresja z błędami AR(1). O ile wzrasta sprzedaż przy każdym jednostkowym wzroście wydatków na reklamę? Ten współczynnik to trzeci element w wynikach funkcji coefficients().
  • Sporządź prognozę na podstawie dopasowanego modelu, podając wydatki na reklamę na kolejne 6 miesięcy jako 10 jednostek miesięcznie, i zapisz ją jako fc. Aby powtórzyć wartość 10 sześć razy, użyj funkcji rep() wewnątrz xreg, tak jak w przykładowym kodzie powyżej.
  • Zwizualizuj prognozy fc i uzupełnij dostarczony kod, dodając etykietę osi x "Month" oraz etykietę osi y "Sales".

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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(___)
Edytuj i uruchom kod