Saya sibuk dengan pemodelan ARIMA ditambah dengan variabel eksogen untuk tujuan pemodelan promosi dan saya sulit menjelaskannya kepada pengguna bisnis. Dalam beberapa kasus paket perangkat lunak berakhir dengan fungsi transfer sederhana yaitu parameter * Variabel Eksogen. Dalam hal ini interpretasinya mudah yaitu kegiatan promosi X (diwakili oleh variabel biner eksogen) berdampak pada variabel dependen (misalnya permintaan) dengan jumlah Y. Jadi dalam istilah bisnis kita dapat mengatakan bahwa kegiatan promosi X menghasilkan peningkatan permintaan oleh unit Y.
Beberapa kali fungsi transfer lebih rumit misalnya pembagian polinomial * Variabel Eksogen. Apa yang bisa saya lakukan adalah membuat pembagian polinomial untuk menemukan semua koefisien regresi dinamis dan mengatakan bahwa misalnya kegiatan promosi tidak hanya mempengaruhi permintaan selama periode yang terjadi tetapi juga di periode waktu mendatang. Tetapi karena paket perangkat lunak berfungsi sebagai transfer output, divisi dari para pelaku bisnis polinomial tidak dapat membuat interpretasi yang intuitif. Adakah yang bisa kita katakan tentang fungsi transfer yang rumit tanpa membuat divisi?
Parameter dari model yang relevan dan fungsi transfer terkait disajikan di bawah ini:
Constant = 4200, AR (1), Koefisien Aktivitas Promosi 30, Num1 = -15, Num2 = 1,62, Den1 = 0,25
Jadi saya kira jika kita melakukan kegiatan promosi periode ini tingkat permintaan akan meningkat sebesar 30 unit. Juga karena terdapat fungsi transfer (pembagian polinomial), kegiatan promosi akan berdampak tidak hanya pada periode waktu saat ini tetapi juga pada periode berikutnya. pertanyaannya adalah bagaimana kita dapat menemukan berapa banyak periode di masa depan akan dipengaruhi oleh promosi dan apa dampaknya per periode dalam unit permintaan.
sumber
Jawaban:
Jawaban ini didasarkan pada notasi dari Makridakis et. al buku teks tentang peramalan. Saya akan menganggap itu serupa dalam buku teks standar tentang pemodelan fungsi transfer. Saya juga akan memeriksa teks yang sangat bagus dari Alan Pankratz pada pemodelan fungsi transfer karena jawaban berikut dimotivasi oleh grafis yang sangat baik dalam dua buku ini. Saya menggunakan notasi yang disebut dalam persamaan fungsi transfer, Anda perlu memahami ini dari buku teks referensi agar Anda dapat memahami materi di bawah ini. Saya telah merangkumnya di bawah ini:r , s , b
Fungsi transfer umum berupa:
Mungkin membantu untuk menempatkan koefisien Anda dalam format persamaan seperti yang ditunjukkan di bawah ini. Juga pertimbangkan sebagai Penjualan dan sebagai promosi / iklan pada waktu untuk memudahkan pemahaman.X t tYt Xt t
Dalam kasus Anda = 1, = 2 dan = 0s br s b
etAR(1)μωδ
Menerapkan koefisien Anda ke persamaan di atas diterjemahkan menjadi:
Pembilang menunjukkan bagian rata-rata bergerak (moving average) dan penyebut menunjukkan bagian regresif otomatis dari fungsi transfer. Pikirkan pembilang seperti ketika efek dimulai dan penyebut akan mengontrol pembusukan faktor pembilang. IT lebih lanjut dapat membantu memecah hanya fungsi transfer dalam format aditif menggunakan aljabar dasar untuk menggambarkan efek.
Saya menggunakan SAS untuk melakukan sebagian besar perhitungan saya ( lihat situs web ini ). Sekarang melakukan perhitungan rekursif pada bagian pertama dari persamaan seperti dicatat dalam situs web diterjemahkan ke gambar berikut. Ini memberitahu Anda bahwa Iklan pada waktu menyebabkan 30 unit tambahan dalam Penjualan semua hal sama. Iklan ini juga memiliki efek pada periode berikutnya misalnya pada pengaruhnya adalah 7,5 unit tambahan, dan seterusnya disebabkan oleh koefisien penyebut . t = 1 δ = 0.25t = 0 t = 1 δ= 0,25
Bagian kedua dan ketiga dari fungsi transfer, dengan menerapkan perhitungan rekursif diterjemahkan ke bagan berikut. Untuk bagian kedua perhatikan bahwa penjualan pada sama dengan 15 unit penjualan lag 2 dan meluruh lebih jauh. Untuk bagian ketiga pembilang menyebabkan penjualan menurun -1,62 unit pada lag 3 dan meluruh lebih jauh.t = 0
Menggabungkan semua 3 bagian fungsi transfer secara aditif menggunakan aljabar dasar diterjemahkan ke bentuk akhir seperti yang ditunjukkan di bawah ini:
Apa yang Anda ketahui adalah bahwa iklan pada menyebabkan 30 unit penjualan pada dan 22,5 unit penjualan pada dan dengan cepat berkurang menjadi 4 unit penjualan pada dan seterusnya ....t = 0 t = 1 t = 2t = 0 t = 0 t = 1 t = 2
Mari kita lihat apa yang terjadi jika Anda mengubah koefisien penyebut dari 0,25 menjadi 0,70 dan menjaga pembilangnya menjadi 30. Ngomong-ngomong, persamaan berikut adalah bentuk sederhana dari fungsi transfer yang bekerja sangat baik dalam praktiknya yang juga disebut model lag terdistribusi tak terbatas atau lag Koyck model .
Ini akan direpresentasikan sebagai gambar berikut, seperti yang Anda lihat pembusukan sangat lambat karena faktor pembusukan meningkat dari 0,25 menjadi 0,70.
Semoga ini bermanfaat. Saya telah belajar melalui pengalaman bahwa visualisasi adalah satu-satunya cara Anda dapat menjelaskan fungsi transfer ke audiens non teknis termasuk saya. Saran praktis, saya akan merekomendasikan melakukan percobaan pada data karena fakta bahwa ini bisa hanya ilusi seperti dicatat oleh Armstrong. Jika memungkinkan, saya akan melakukan percobaan variabel "kausal" Anda untuk menetapkan "sebab dan akibat". Saya juga tidak tahu mengapa pembilang Anda adalah -1,62, bisa jadi hanya palsu.
Harap berikan umpan balik jika Anda menemukan posting ini berguna karena butuh upaya untuk menanggapi jawaban ini. Saya mempelajari visualisasi fungsi transfer di situs web ini berkat @ javlacalle .
sumber
Dalam banyak keadaan yang saya konsultasikan, sering kali ada kegiatan luar biasa sebelum promosi yang mencerminkan efek timbal. Secara otomatis / rutin mendeteksi fenomena ini sangat penting untuk pengembangan model yang baik. Selain itu Pulsa, Pergeseran Level, Tren waktu lokal perlu dipertimbangkan jika tidak menggagalkan / mendistorsi analisis. Kami juga telah menemukan bahwa meskipun perbedaan mungkin diperlukan untuk mengidentifikasi Fungsi Transfer, mereka tidak harus menjadi bagian dari model akhir. Poin-poin ini dan lainnya tidak dibahas dalam karya mani Box dan Jenkins tetapi sekarang ditangani secara rutin. Jika Anda ingin memposting data Anda, saya dan orang lain mungkin dapat membantu menjelaskan itu sementara juga menyelidiki setiap transformasi yang diperlukan seperti transformasi daya atau kuadrat terkecil tertimbang. Saya telah menggunakan perangkat lunak yang menyatakan kembali Fungsi Transfer sebagai model regresi biasa (Polynomial Distributed Lag / Auto-regressive Distributed Lag). Ini sangat berguna dalam menjelaskan model kepada pelanggan / klien dan juga berguna dalam pemanfaatan persamaan selanjutnya.
sumber
Dalam hal mengekspresikan model TF sebagai sisi kanan murni
MODEL
DISAMPAIKAN : 1. MODEL MURNI DALAM PERSYARATAN INPUT
Y = K1 + [W (B) / D (B)] * X + [THETA (B) / PHI (B)] * A
2.AS MODEL CAMPURAN TERMASUK LAGS OF Y
D (B) * PHI (B) * Y = K2
= + PHI (B) * W (B) * X
= + D (B) * THETA (B) * A
= + PHI (B) * W ( B) * X = + D (B) * THETA (B) * A
ESTIMASI SEBENARNYA DILAKUKAN SEBAGAI A (2)
SAAT SAAT INI MEJA SEBAGAI A (1).
DI TABEL KONSTAN ADALAH K2 SAAT
DIPRESENTASIKAN DALAM BENTUK (1) KONSTAN K1
KAMI MENYEDIAKAN DI SINI DALAM BENTUK (2).
MODEL DIUNGKAPKAN SEBAGAI XARMAX
Y [t] = a 1 Y [t-1] + ... + a [p] Y [tp]
+ w [0] X [t-0] + ... + w [r ] X [tr]
+ b 1 a [t-1] + ... + b [q] a [tq]
+ konstan
Model yang secara otomatis dibuat untuk data penjualan dari teks Bpx-Jenkins adalah
. Mengekspresikannya sebagai "model regresi" yang kita dapatkan
sumber