模型延伸（2）：落後效應

在 R 中建立反應模型

Kathrin Gruber

Assistant Professor of Econometrics Erasmus University Rotterdam

關於落後值（lags）

延續效應（carry-over）

行銷活動到回應之間的時間差。
透過向後平移評估多個期間。

如何建立落後值？

head(cbind(sales.data$PRICE, 
           lag(sales.data$PRICE, n = 1)))

        [,1]     [,2]
[1,] 1.090000       NA
[2,] 1.271818 1.090000
[3,] 1.271818 1.271818
[4,] 1.271818 1.271818
[5,] 1.271818 1.271818
[6,] 1.271818 1.271818

加入價格的落後效應

Price.lag <- lag(sales.data$PRICE)

lag.model <- lm(log(SALES) ~ PRICE + Price.lag, data = sales.data)
coef(lag.model)

(Intercept)        PRICE    Price.lag  
      3.906       -4.579        4.935

更多落後值

Coupon.lag <-  lag(sales.data$COUPON)

lm(update(lag.model, . ~ . + COUPON + Coupon.lag), data = sales.data)

Call:
lm(formula = update(lag.model, . ~ . + COUPON + Coupon.lag), data = sales.data)

Coefficients:
(Intercept)        PRICE    Price.lag       COUPON   Coupon.lag  
     3.8327      -4.5050       4.8426       0.9697       0.3840

新增的價值是什麼？

lag.model <- lm(log(SALES) ~ PRICE + Price.lag + DISPLAY + Display.lag + 
                COUPON + Coupon.lag + DISPLAYCOUPON + DisplayCoupon.lag, 
                data = sales.data)

plot(log(SALES) ~ 1, data = sales.data)
lines(c(NA, fitted.values(lag.model)) ~ 1)

一起來練習吧！

在 R 中建立反應模型