НачатьНачать бесплатно

В чём ценность расширения модели?

Вы помните, насколько слабые результаты показала ваша первая простая модель отклика. Теперь вам интересно, что даёт учёт лагов. Поэтому вы объединяете все маркетинговые инструменты и их лаговые эффекты в одной модели под названием extended.model. Предсказанные значения модели вы получаете с помощью функции fitted.values(), применённой к объекту extended.model. Чтобы компенсировать потерю первого наблюдения из-за операции лагирования, вы добавляете NA в начало вектора предсказанных значений.

На этот раз для проверки модели вы отображаете зависимость между log(SALES) и порядковым индексом с помощью plot(). Затем вы добавляете предсказанные значения на график с помощью lines(). Функция lines() соединяет предсказанные точки и порядковый индекс отрезками линий.

Это упражнение является частью курса

Построение моделей отклика в R

Посмотреть курс

Инструкции к упражнению

  • Оцените расширенную модель отклика, объясняющую log(SALES) через все маркетинговые инструменты и их лаговые члены. Сохраните результат в объект с именем extended.model.
  • Получите предсказанные значения модели с помощью функции fitted.values(), применённой к объекту extended.model. Сохраните результат в объект с именем predicted.values.
  • Отобразите зависимость между log(SALES) и порядковым индексом с помощью функции plot().
  • Добавьте предсказанные значения на график с помощью функции lines().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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
___(___ ~ ___)
Редактировать и запускать код