हां, ऐसा करने के तरीके हैं। लोग अपने जीवन को इस तरह से कर रहे हैं ;-)
आप कारण पूर्वानुमान की तलाश कर रहे हैं । पूर्वानुमान पद्धति के बारे में जानने के लिए पूर्वानुमान पर इस मुफ्त ऑनलाइन पाठ्यपुस्तक को देखें ।
आपके हाथ में दो प्रमुख मुद्दे हैं जिनसे आपको निपटने की आवश्यकता है: एक ओर मौसमी (या अधिक आम तौर पर, समय श्रृंखला संरचना, संभवतः ऑटोरेजेशन के साथ) और दूसरी ओर पदोन्नति जैसे कारण प्रभाव। पाठ्यपुस्तक में अध्याय 8 एआरआईएमए के संदर्भ में समय श्रृंखला सामान से संबंधित है, जबकि अध्याय 5 कारण प्रभाव से संबंधित है।
खुशी से पर्याप्त है, दोनों मुद्दों को तथाकथित ARIMAX (एक्स का अर्थ "बाहरी प्रभावों के लिए", अर्थात, बाहरी प्रभावों के साथ ARIMA), या ARIMA त्रुटियों के साथ प्रतिगमन को संबोधित करना संभव है। अंतर के लिए "ARIMAX मॉडल कीचड़" पर Rob Hyndman का ब्लॉग पोस्ट देखें । auto.arima()में समारोह forecastआर पैकेज ARIMA त्रुटियों के साथ एक प्रतिगमन फिट होगा। आइए एक उदाहरण के माध्यम से चलते हैं, जहां मैं मजबूत प्रवृत्ति और सीज़न के साथ एक मानक डेटासेट लेता हूं और "प्रचार" जोड़ता हूं।
library(forecast)
AirPassengers # a built-in dataset
# Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
# 1949 112 118 132 129 121 135 148 148 136 119 104 118
# 1950 115 126 141 135 125 149 170 170 158 133 114 140
# 1951 145 150 178 163 172 178 199 199 184 162 146 166
# 1952 171 180 193 181 183 218 230 242 209 191 172 194
# 1953 196 196 236 235 229 243 264 272 237 211 180 201
# 1954 204 188 235 227 234 264 302 293 259 229 203 229
# 1955 242 233 267 269 270 315 364 347 312 274 237 278
# 1956 284 277 317 313 318 374 413 405 355 306 271 306
# 1957 315 301 356 348 355 422 465 467 404 347 305 336
# 1958 340 318 362 348 363 435 491 505 404 359 310 337
# 1959 360 342 406 396 420 472 548 559 463 407 362 405
# 1960 417 391 419 461 472 535 622 606 508 461 390 432
set.seed(1) # for reproducibility
promos <- rep(0,length(AirPassengers))
promos[sample(seq_along(AirPassengers),10)] <- 1
promos.future <- c(0,1,0,0,1,0,0,1,0,0,1,0)
AP.with.promos <- AirPassengers
AP.with.promos[promos==1] <- AP.with.promos[promos==1]+120
model <- auto.arima(AP.with.promos,xreg=promos)
summary(model) # examine the model - you'll see the estimated promo coefficient
# Series: AP.with.promos
# ARIMA(0,1,1)(0,1,0)[12]
# Coefficients:
# ma1 promos
# -0.3099 122.2599
# s.e. 0.0947 2.2999
# sigma^2 estimated as 151.2: log likelihood=-457.4
# AIC=920.79 AICc=920.98 BIC=929.42
# Training set error measures:
# ME RMSE MAE MPE MAPE MASE ACF1
# Training set 0.2682805 11.12974 8.24397 0.06139784 2.867274 0.1860814 0.0008326436
fcast <- forecast(model,xreg=promos.future,h=length(promos.future))
fcast
# Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
# Jan 1961 447.1516 431.3951 462.9081 423.0542 471.2490
# Feb 1961 543.4115 524.2670 562.5559 514.1326 572.6904
# Mar 1961 449.1516 427.1345 471.1687 415.4793 482.8239
# Apr 1961 491.1516 466.5956 515.7076 453.5964 528.7068
# May 1961 624.4115 597.5556 651.2674 583.3389 665.4841
# Jun 1961 565.1516 536.1777 594.1255 520.8399 609.4633
# Jul 1961 652.1516 621.2044 683.0988 604.8220 699.4812
# Aug 1961 758.4115 725.6095 791.2135 708.2452 808.5778
# Sep 1961 538.1516 503.5942 572.7090 485.3006 591.0026
# Oct 1961 491.1516 454.9237 527.3795 435.7459 546.5573
# Nov 1961 542.4115 504.5869 580.2361 484.5637 600.2593
# Dec 1961 462.1516 422.7950 501.5082 401.9608 522.3424
promos.ts <- ts(c(AP.with.promos,fcast$mean),
start=start(AirPassengers),frequency=frequency(AirPassengers))
promos.ts[c(promos,promos.future)==0] <- NA
plot(fcast)
points(promos.ts,pch=19,col="red")
लाल बिंदु प्रचार हैं। डिफ़ॉल्ट रूप से, आपको ग्रे में प्लॉट किए गए पूर्वानुमान अंतराल मिलेंगे। आप xregपैरामीटर के माध्यम से अपने मॉडल में कई रजिस्टरों को खिला सकते हैं , जो कि आपको करना चाहिए यदि आपके पास विभिन्न प्रभावों के साथ विभिन्न प्रकार के प्रचार हैं। थोड़ा प्रयोग करो।
यदि आप उन्हें, उदाहरण के लिए, साप्ताहिक की तुलना में मासिक की तुलना में अधिक बारीक-बारीक डेटा देखने की सलाह देंगे। खासकर अगर आपके प्रमोशन पूरे महीने नहीं चलते हैं। आप इसे उत्पाद द्वारा अलग-अलग कर सकते हैं, फिर से विशेष रूप से यदि आप विशिष्ट उत्पादों को बढ़ावा देते हैं, या पूरी श्रेणियों पर।
एक विकल्प यह होगा कि आप कोड की तुलना में अवधारणाओं में अधिक रुचि रखते हैं, घातीय चौरसाई को देखने के लिए और अपनी आवश्यकताओं के अनुरूप इसे बदलने के लिए, प्रचारक घटकों को मानक तीन स्तर, मौसम और प्रवृत्ति घटकों में जोड़कर। आप ARIMAX मॉडल की अधिकतम संभावना का अनुमान लगाने की अपेक्षा एक्सपोनेंशियल स्मूथिंग के साथ खुद को बहुत अधिक कर सकते हैं, लेकिन यदि आपके पास कई प्रचार प्रकार हैं, तो स्मूथिंग एक बहीखाता के बुरे सपने में बदल सकता है।