Prognostisera försäljning med hänsyn till reklamutgifter
Välkommen till kursens sista kapitel!
Funktionen auto.arima() anpassar en dynamisk regressionsmodell med ARIMA-fel. Den enda skillnaden mot hur du använt den tidigare är att du nu också anger argumentet xreg med en matris av regressionsvariabler. Här är några kodexempel från videon:
> fit <- auto.arima(uschange[, "Consumption"],
xreg = uschange[, "Income"])
> # rep(x, times)
> fcast <- forecast(fit, xreg = rep(0.8, 8))
Här är data satt till kolumnen Consumption i uschange, och regressionsvariabeln är kolumnen Income. Funktionen rep() replikerar i det här fallet värdet 0,8 exakt åtta gånger för matrisargumentet xreg.
I den här övningen ska du modellera försäljningsdata regresserad mot reklamutgifter, med ett ARMA-fel för att hantera eventuell seriell korrelation i regressionsfelen. Data finns tillgängliga i din arbetsmiljö som advert och består av 24 månaders försäljning och reklamutgifter för ett företag inom bildelar. Diagrammet visar försäljning mot reklamutgifter.
Tänk igenom allt du lärt dig i kursen, granska advert-datan i konsolen och läs varje instruktion noggrant för att ta dig an den här utmanande övningen.
Den här övningen är en del av kursen
Prognoser i R
Övningsinstruktioner
- Plotta datan i
advert. Variablerna är på olika skalor, så användfacets = TRUE. - Anpassa en regression med ARIMA-fel till
advertgenom att sätta det första argumentet iauto.arima()till kolumnen"sales", det andra argumentetxregtill kolumnen"advert"och det tredje argumentetstationarytillTRUE. - Kontrollera att den anpassade modellen är en regression med AR(1)-fel. Hur mycket ökar försäljningen för varje enhets ökning i reklam? Denna koefficient är det tredje elementet i utdata från
coefficients(). - Prognostisera från den anpassade modellen och ange de kommande 6 månadernas reklamutgifter som 10 enheter per månad som
fc. Använd funktionenrep()inutixregför att upprepa 10 sex gånger, precis som i exempelkoden ovan. - Plotta prognoserna
fcoch fyll i den angivna koden för att lägga till x-etiketten"Month"och y-etiketten"Sales".
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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(___)