Kom igångKom igång gratis

Vad är mervärdet?

Du minns säkert den svaga prestandan hos din första enkla svarsmodell. Nu är du nyfiken på vilket mervärde det innebär att ta med fördröjningar (lags). Därför kombinerar du alla marknadsföringsverktyg och deras fördröjda effekter i en modell som du kallar extended.model. Du hämtar modellens prediktioner med funktionen fitted.values() på objektet extended.model. För att kompensera för att den första observationen försvinner på grund av fördröjningen lägger du till NA i början av vektorn med predikterade värden.

Den här gången kontrollerar du modellen genom att visa sambandet mellan log(SALES) och löpindexet med plot(). Sedan lägger du till modellens prediktioner i grafen med lines(). Funktionen lines() förbinder de predikterade datapunkterna och löpindexet med linjestycken.

Den här övningen är en del av kursen

Bygga responsmodeller i R

Visa kurs

Övningsinstruktioner

  • Skatta en utökad svarsmodell som förklarar log(SALES) med hjälp av alla marknadsföringsverktyg och deras fördröjda termer. Tilldela resultatet till ett objekt med namnet extended.model.
  • Hämta modellens prediktioner med funktionen fitted.values() på objektet extended.model. Tilldela resultatet till ett objekt med namnet predicted.values.
  • Visa sambandet mellan log(SALES) och löpindexet med funktionen plot().
  • Lägg till modellens prediktioner i grafen med funktionen lines().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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
___(___ ~ ___)
Redigera och kör kod