مقاله انگلیسی رایگان در مورد مدل سازی عدم تجانس درون فصلی در مدل واکنشی تبلیغاتی ساعتی

elsevier

 

مشخصات مقاله
عنوان مقاله   Modeling intra-seasonal heterogeneity in hourly advertising-response models: Do forecasts improve?
ترجمه عنوان مقاله  مدل سازی عدم تجانس درون فصلی در مدل های واکنشی – تبلیغاتی ساعتی: آیا پیش بینی را بهبود می بخشد؟
فرمت مقاله  PDF
نوع مقاله  ISI
نوع نگارش مقاله مقاله پژوهشی (Research article)
سال انتشار  مقاله سال ۲۰۱۷
تعداد صفحات مقاله  ۱۲ صفحه
رشته های مرتبط  مدیریت
گرایش های مرتبط  مدیریت کسب و کار MBA و مدیریت بازرگانی
مجله  مجله بین المللی پیش بینی – International Journal of Forecasting
دانشگاه  دانشکده کسب و کار و علوم اداری، مدیریت بازرگانی، دانشگاه اوکان، استانبول، ترکیه
کلمات کلیدی  اثربخشی تبلیغات، واکنش تبلیغاتی، تجمع، اعتبار هنجاری و پیش بینی
کد محصول  E4007
نشریه  نشریه الزویر
لینک مقاله در سایت مرجع  لینک این مقاله در سایت الزویر (ساینس دایرکت) Sciencedirect – Elsevier
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

بخشی از متن مقاله:
۱٫ Introduction

Ever since time series data on advertising and sales have become available, there have been discussions about the appropriate level of aggregation to use when estimating advertising responses, and when forecasts at different aggregation levels are required. A classic study is that by Clarke (1976), who shows that the longitudinal impact of advertising will be overestimated grossly if the analyst considers the same type of model for different levels of aggregation; see also Russell (1988). This notion is illustrated again by Tellis and Franses (2006), who show that the familiar Koyck model for higher frequency data becomes another, and more involved, time series regression model for aggregated data. In brief, one by-product of aggregationis that the model must change too. Of course, the reverse situation also holds true: high frequency data may reveal intra-seasonal heterogeneity, like hour-of-the-day effects, and hence, disaggregated data often require a more complex model.

A similar result appears for data transformations; see De Bruin and Franses (1999). When the higher frequency data are, say, log-transformed to mitigate the impact of extreme observations and to dampen the variance, a move towards aggregated data may remove the need for such transformations, as these extreme observations will be ‘‘aggregated away’’.

This paper considers the temporal aggregation of advertising response models, ranging from micro models at the hourly level to models for data aggregated to the weekly level. We find that different aggregation levels require appropriate data transformations. Our motivation for this study arises from the concern as to whether models at the hourly level can be expected to perform well as forecast tools for lower frequency data. It is well understood that, under perfect aggregation, disaggregated models will outperform models at a lower frequency, because of the loss of information incurred by aggregation.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.