CN107679896A - 基于时序‑截面模型的评估方法和评估系统 - Google Patents
基于时序‑截面模型的评估方法和评估系统 Download PDFInfo
- Publication number
- CN107679896A CN107679896A CN201710870864.2A CN201710870864A CN107679896A CN 107679896 A CN107679896 A CN 107679896A CN 201710870864 A CN201710870864 A CN 201710870864A CN 107679896 A CN107679896 A CN 107679896A
- Authority
- CN
- China
- Prior art keywords
- model
- product
- represent
- training
- sequential
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于时序‑截面模型的评估方法,用于评估产品的营销效果,所述方法包括:获取样本数据,所述样本数据包括营销收益数据;使用至少一个时序‑截面模型对所述样本数据进行训练,得到训练结果;根据所述训练结果确定所述至少一个时序‑截面模型中的一个时序‑截面模型作为第一模型;以及根据所述第一模型训练后得到的参数评估所述产品的营销效果。本公开还提供了一种基于时序‑截面模型的评估系统。
Description
技术领域
本公开涉及计算机技术领域,更具体地,涉及一种基于时序-截面模型的评估方法和一种基于时序-截面模型的评估系统。
背景技术
随着计算机和互联网技术的快速发展,各种营销手段应运而生,各运营商面向客户的营销服务活动越来越频繁。在面临日益激励的竞争中,如何准确地评估营销效果是一个需要重点考虑的问题。
在实现本发明构思的过程中,发明人发现现有技术中至少存在如下问题,在对产品的营销效果进行评估时,现有的评估方法例如时间序列分析或者传统回归技术很难克服多重共线性的问题,使得评估结果不够精准。
发明内容
有鉴于此,本公开提供了一种优化的基于时序-截面模型的评估方法和系统。
本公开的一个方面提供了一种基于时序-截面模型的评估方法,用于评估产品的营销效果,所述方法包括:获取样本数据,所述样本数据包括营销收益数据,使用至少一个时序-截面模型对所述样本数据进行训练,得到训练结果;根据所述训练结果确定所述至少一个时序-截面模型中的一个时序-截面模型作为第一模型,以及根据所述第一模型训练后得到的参数评估所述产品的营销效果。
根据本公开的实施例,上述至少一个时序-截面模型包括以下任意一种或者几种的组合:混合估计模型、固定效应模型、或者随机效应模型。
根据本公开的实施例,上述根据训练结果确定所述至少一个时序-截面模型中的一个时序-截面模型作为第一模型包括:通过方差齐性检验方法确定所述第一模型是否为所述混合估计模型,在所述第一模型不是所述混合估计模型时,通过Hausman检验方法确定所述第一模型是所述固定效应模型还是所述随机效应模型。
根据本公开的实施例,上述方法还包括:对所述样本数据进行异方差处理,所述使用至少一个时序-截面模型对所述样本数据进行训练包括:使用至少一个时序-截面模型对所述处理后的样本数据进行训练。
根据本公开的实施例,上述根据所述第一模型训练后得到的参数评估所述产品的营销效果,包括:根据所述训练后的第一模型中的固定参数评估所述产品的营销效果。
根据本公开的实施例,上述第一模型为所述混合估计模型,所述混合估计模型由以下公式表示:
yit=α+βXit+εit
其中,yit表示因变量,Xit表示自变量,α,β以及εit表示模型参数;所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据α以及β评估所述产品的营销效果。
根据本公开的实施例,上述第一模型为所述固定效应模型,所述固定效应模型由以下公式表示:
yit=α+βitXit+εit
其中,yit表示因变量,Xit表示自变量,α,βit以及εit表示模型参数;所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据α评估所述产品的营销效果。
根据本公开的实施例,上述第一模型为所述固定效应模型,所述固定效应模型由以下公式表示:
yit=αit+βXit+εit
其中,yit表示因变量,Xit表示自变量,αit,β以及εit表示模型参数;所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据β评估所述产品的营销效果。
根据本公开的实施例,上述第一模型为所述随机效应模型,所述随机效应模型由以下公式表示:
yit=αit+βit(θ1xit1+θ2xit2+…+θnxitn)+εit
其中,yit表示因变量,xit1~xitn表示自变量,αit,βit,θ1~θn以及εit表示模型参数;所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据θ1~θn评估所述产品的营销效果。
本公开的另一个方面提供了一种基于时序-截面模型的评估系统,用于评估产品的营销效果,所述系统包括获取模块、训练模块、确定模块以及评估模块。其中,获取模块获取样本数据,所述样本数据包括营销收益数据。训练模块使用至少一个时序-截面模型对所述样本数据进行训练,得到训练结果。确定模块根据所述训练结果确定所述至少一个时序-截面模型中的一个时序-截面模型作为第一模型。评估模块根据所述第一模型训练后得到的参数评估所述产品的营销效果。
根据本公开的实施例,上述训练模块包括以下任意一种或者几种的组合:混合估计模型训练单元、固定效应模型训练单元、或者随机效应模型训练单元。
根据本公开的实施例,上述确定模块包括:方差齐性检验单元,通过方差齐性检验方法确定所述第一模型是否为所述混合估计模型,Hausman检验单元,在所述第一模型不是所述混合估计模型时,通过Hausman检验方法确定所述第一模型是所述固定效应模型还是所述随机效应模型。
根据本公开的实施例,上述系统还包括:处理单元,对所述样本数据进行异方差处理,所述使用至少一个时序-截面模型对所述样本数据进行训练包括:使用至少一个时序-截面模型对所述处理后的样本数据进行训练。
根据本公开的实施例,上述根据所述第一模型训练后得到的参数评估所述产品的营销效果,包括:根据所述训练后的第一模型中的固定参数评估所述产品的营销效果。
根据本公开的实施例,上述第一模型为所述混合估计模型,所述混合估计模型由以下公式表示:
yit=α+βXit+εit
其中,yit表示因变量,Xit表示自变量,α,β以及εit表示模型参数;所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据α以及β评估所述产品的营销效果。
根据本公开的实施例,上述第一模型为所述固定效应模型,所述固定效应模型由以下公式表示:
yit=α+βitXit+εit
其中,yit表示因变量,Xit表示自变量,α,βit以及εit表示模型参数;所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据α评估所述产品的营销效果。
根据本公开的实施例,上述第一模型为所述固定效应模型,所述固定效应模型由以下公式表示:
yit=αit+βXit+εit
其中,yit表示因变量,Xit表示自变量,αit,β以及εit表示模型参数;所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据β评估所述产品的营销效果。
根据本公开的实施例,上述第一模型为所述随机效应模型,所述随机效应模型由以下公式表示:
yit=αit+βit(θ1xit1+θ2xit2+…+θnxitn)+εit
其中,yit表示因变量,xit1~xitn表示自变量,αit,βit,θ1~θn以及εit表示模型参数;所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据θ1~θn评估所述产品的营销效果。
本公开的另一方面提供了一种基于时序-截面模型的评估系统,包括:一个或多个处理器,存储装置,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上所述的方法。
本公开的另一方面提供了一种计算机可读介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,可以至少部分地解决在对品牌的营销效果进行评估时,现有的评估方法很难克服多重共线性困扰,使得估计结果不够精准,估计效率低等问题,并因此可以实现在利用时序-截面数据模型对品牌的营销效果进行评估时,同时考虑多个个体样本数据,能够更好地降低多重共线性的影响,从而提高营销效果的评估准确度和评估效率。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用基于时序-截面模型的评估方法的示例性系统架构;
图2示意性示出了根据本公开实施例的基于时序-截面模型的评估方法的流程图;
图3A-图3C示意性示出了根据本公开实施例的基于时序-截面模型的评估系统的框图;以及
图4示意性示出了根据本公开实施例的适于实现评估方法的计算机系统的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思,除非上下文另外明确指出。此外,在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。本领域技术人员还应理解,实质上任意表示两个或更多可选项目的转折连词和/或短语,无论是在说明书、权利要求书还是附图中,都应被理解为给出了包括这些项目之一、这些项目任一方、或两个项目的可能性。例如,短语“A或B”应当被理解为包括“A”或“B”、或“A和B”的可能性。
本公开的实施例提供了一种基于时序-截面模型的评估方法以及能够应用该方法的评估系统,用于评估产品的营销效果。该方法包括:获取样本数据,样本数据包括营销收益数据,使用至少一个时序-截面模型对样本数据进行训练,得到训练结果,根据训练结果确定至少一个时序-截面模型中的一个时序-截面模型作为第一模型,以及根据第一模型训练后得到的参数评估产品的营销效果。
在本公开实施例中,利用时序-截面数据模型对品牌的营销效果进行评估时,利用时序-截面数据模型对品牌的营销效果进行评估时,同时考虑多个个体样本数据,能够更好地降低多重共线性的影响,从而提高营销效果的评估准确度和评估效率。
图1示意性示出了根据本公开实施例的可以应用基于时序-截面模型的评估方法的示例性系统架构100。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持数据传输和读写的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的评估方法一般可以由服务器105执行。相应地,本公开实施例所提供的评估系统一般可以设置于服务器105中。本公开实施例所提供的评估方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的评估系统也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的评估方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102或103其他终端设备执行。相应地,本公开实施例所提供的评估系统也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
例如,样本数据可以原本存储在终端设备101、102或103中的任意一个(例如,终端设备101,但不限于此)之中,或者存储在外部存储设备上并可以导入到终端设备101中。然后,终端设备101可以在本地执行本公开实施例所提供的评估方法,以得到评估后的营销效果。或者终端设备101在接收到用户的评估请求后,将该评估请求和/或样本数据发送到其他终端设备、服务器、或服务器集群,并由接收该评估请求和/或样本数据的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的评估方法。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面结合图1的系统架构,参考图2来描述根据本公开示例性实施方式的评估方法。需要注意的是,上述系统架构仅是为了便于理解本公开的精神和原理而示出,本公开的实时方式在此方面不受任何限制。相反,本公开的实施方式可以应用于适用的系统架构。
图2示意性示出了根据本公开实施例的基于时序-截面模型的评估方法的流程图。
如图2所示,该方法包括操作S201~S205。
在操作S201,获取样本数据,其中,样本数据包括营销收益数据。
根据本公开实施例,样本数据例如可以是时序-截面数据,即,面板数据,例如,样本数据的维度既包括时间又包括个体,其中,个体例如可以是多个品牌,也可以是一个品牌下的多个子品牌,还可以是品牌与子品牌的各种可能组合。
例如,样本数据可以包括10个品牌在10个月内的观测数据,其中,观测数据例如可以包括因变量(例如,营销收益)以及至少一个相应的自变量(例如,营销成本、用户性别信息、或者用户年龄信息)。根据本公开实施例,品牌之间例如可以是具有相似产品或者对应竞品的品牌。
例如,样本数据可以如表1所示。样本数据为3个品牌在3个季度的观测数据(例如,3个品牌为样本数据的个体截面,3个季度为样本数据的时序截面),其中y表示因变量(例如,因变量y可以是营销收益,或者是营销纯利润,或者是营销收支比等),X表示影响因变量的相应自变量(例如,自变量X可以包括营销成本、用户性别信息、或者用户年龄信息等)。
表1
第一季度 | 第二季度 | 第三季度 | |
品牌1 | y11(X11) | y12(X12) | y13(X13) |
品牌2 | y21(X21) | y22(X22) | y23(X23) |
品牌3 | y31(X31) | y32(X32) | y33(X33) |
如表1所示,其中y11表示品牌1在第一季度的因变量,y12表示品牌1在第二季度的因变量,y21表示品牌2在第一季度的因变量。X11例如可以表示品牌1在第一季度的因变量y11相对应的自变量,例如,X11可以包括自变量1(x111)、自变量2(x112)、自变量3(x113)等。
根据本公开实施例,在获取样本数据时,可以根据实际情况选择相应的个体。例如,可以选择具有相似产品或者竞品的多个品牌作为样本数据中的个体来评估营销效果,也可以选择同一品牌下的多个子品牌作为样本数据中的个体来评估营销效果,还可以选择相应的品牌和子品牌的组合作为样本数据中的个体来评估营销效果。
在本公开实施例中,在获取样本数据时,可以根据实际情况确定因变量的类型,例如,因变量可以是营销收益,也可以是营销纯利润,还可以是营销收支比等。在获取样本数据时,还可以根据实际情况选择需要评估的影响因变量的自变量的类型,例如,可以仅选择一个自变量(例如,营销成本),从而评估该自变量对因变量的影响效果,还可以选择多个自变量(例如,营销成本、用户性别信息、或者用户年龄信息等),从而评估该些自变量对因变量的影响效果,或者该些自变量中的哪个对因变量的影响更大等。可以理解,在确定样本数据中的自变量时,一次评估中多个因变量对应的自变量可以是相同类型的。例如,表1中的9个因变量对应的自变量都是相应的营销成本。
可以理解,上述举例仅是本公开示例性的实施例,本公开不限制样本数据的类型,例如,不限制样本数据中的个体类型、个体数量、时间长度、自变量类型、自变量数量以及因变量类型等。
在操作S202,对样本数据进行异方差处理。根据本公开实施例,一般情况下采用截面数据作为样本数据时,出现异方差情况的可能性较大。因此,在本公开实施例中,可以相对样本数据进行异方差处理。
例如,可以采取对数log变换的方法来消除或者减小异方差的影响。即,对获取的样本数据进行取对数处理(例如,取自然对数),例如,对自变量(X)和因变量(y)都进行取对数处理,例如得到1g(X)和lg(y)。
可以理解,本公开实施例中,可以在进行模型训练前就对样本数据进行异方差处理,也可以先不对样本数据进行异方差处理,在训练之后看是否存在异方差现象再视情况进行修正。
在操作S203,使用至少一个时序-截面模型对样本数据进行训练,得到训练结果。其中,至少一个时序-截面模型包括以下任意一种或者几种的组合:混合估计模型、固定效应模型、或者随机效应模型。
根据本公开实施例,可以使用至少一个时序-截面模型直接对样本数据进行训练,也可以在对样本数据进行异方差处理后,使用至少一个时序-截面模型对处理后的样本数据进行训练。
在本公开实施例中,混合估计模型可以由以下公式表示:
yit=α+βXit+εit
其中,yit表示因变量;Xit表示自变量(Xit可以包括多个自变量,例如xit1~xitn);α,β以及εit表示模型参数。其中,α表示截距,β表示回归系数,εit表示误差项。
固定效应模型可以由以下公式表示:
yit=α+βitXit+εit
其中,yit表示因变量;Xit表示自变量(Xit可以包括多个自变量,例如xit1~xitn);α,βit以及εit表示模型参数。其中,α表示截距,βit表示回归系数,εit表示误差项。
固定效应模型还可以由以下公式表示:
yit=αit+βXit+εit
其中,yit表示因变量;Xit表示自变量(Xit可以包括多个自变量,例如xit1~xitn);αit,β以及εit表示模型参数。其中,αit表示截距,β表示回归系数,εit表示误差项。
随机效应模型可以由以下公式表示:
yit=αit+βit(θ1xit1+θ2xit2+…+θnxitn)+εit
其中,yit表示因变量;xit1~xitn表示自变量;αit,βit,θ1~θn以及εit表示模型参数。其中,αit表示截距,βit表示回归系数,εit表示误差项,θ1~θn表示相应自变量的加权系数。例如,因变量yit包括上述表1中所示的y11、y12、…、y33,自变量Xit(xit1、xit2、…、xitn)包括上述X11(x111、x112、x113)、X12(x121、x122、x123)、…、X33(x331、x332、x333),其中,下标i可以用于表示个体(例如,品牌1、品牌2……等),下标t可以用于表示时间(例如,第一季度、第二季度……等)。
可以理解,上述举例中关于模型的公式仅为帮助理解,本公开不限定每个模型的具体公式,本领域技术人员可以根据实际需求,对公式进行相应修改。
根据本公开实施例,将选择好的样本数据分别输入到上述四个模型中进行训练,得到训练后的模型,例如,得到训练后的模型参数。在本公开实施例中,在样本数据的大小多于模型参数时,为避免冗余,可以采用最小二乘法进行参数估计。
在操作S204,根据训练结果确定至少一个时序-截面模型中的一个时序-截面模型作为第一模型。根据本公开实施例,可以通过方差齐性检验方法(F检验)确定第一模型是否为混合估计模型。例如,可以根据模型的残差,通过F检验确定是混合估计模型更适合样本数据还是固定效应模型更适合样本数据。在本公开实施例中,若F检验值小于0.1(仅为举例,本公开不限制F检验的具体阀值),则认为混合估计模型更适合样本数据,即,混合估计模型为第一模型,否则,认为混合估计模型不适合样本数据。
在第一模型不是混合估计模型时,通过Hausman检验方法确定第一模型是固定效应模型还是随机效应模型。根据本公开实施例,Hausman检验的结果如果是个体效应与回归变量无关,则认为随机效应模型更适合样本数据,则选择随机效应模型作为第一模型,如果是个体效应与回归变量相关,则认为固定效应模型更适合样本数据,则选择固定效应模型作为第一模型。在本公开实施例中,在确定第一模型后,可以对该第一模型进行参数检验,例如,检验该模型的自变量与误差项是否相关,若不相关,则认为该模型正确,若相关,则进行相应处理(例如,返回进行异方差处理等)。
在操作S205,根据第一模型训练后得到的参数评估产品的营销效果。根据本公开实施例,例如可以根据训练后的第一模型中的固定参数评估产品的营销效果。
具体地,当第一模型为混合估计模型时,其中,固定参数为与个体i和时间t无关系的模型参数α,β(模型参数εit与个体i和时间t相关),则可以根据该模型训练后得到的参数α和β评估营销效果。例如,当截距α的大小与因变量yit接近,而回归系数β的大小比较小时,则认为选择的自变量X对因变量y的影响较小(例如,自变量X为营销成本,自变量y为营销收益,则可以认为营销成本对营销收益的影响不大)。又例如,当截距α的大小与因变量yit相距较大,而回归系数β的大小比较大时,则认为选择的自变量X对因变量y的影响较大(例如,自变量X为营销成本,自变量y为营销收益,则可以认为营销成本对营销收益的影响很大)。
当第一模型为固体效应模型(yit=α+βitXit+εit)时,其中,固定参数为与个体i和时间t无关系的模型参数α(模型参数βit和εit与个体i和时间t相关),则可以根据该模型训练后得到的参数α评估营销效果。例如,当截距α的大小与因变量yit比较接近,则认为选择的自变量X对因变量y的影响较小(例如,自变量X为营销成本,自变量y为营销收益,则可以认为营销成本对营销收益的影响不大)。又例如,当截距α的大小与因变量yit相距较大时,则认为选择的自变量X对因变量y的影响较大(例如,自变量X为营销成本,自变量y为营销收益,则可以认为营销成本对营销收益的影响很大)。
当第一模型为固体效应模型(yit=αit+βXit+εit)时,其中,固定参数为与个体i和时间t无关系的模型参数β(模型参数αit和εit与个体i和时间t相关),则可以根据该模型训练后得到的参数β评估营销效果。例如,当回归系数β的大小较小时,则认为选择的自变量X对因变量y的影响较小(例如,自变量X为营销成本,自变量y为营销收益,则可以认为营销成本对营销收益的影响不大)。又例如,当回归系数β的大小较大时,则认为选择的自变量X对因变量y的影响较大(例如,自变量X为营销成本,自变量y为营销收益,则可以认为营销成本对营销收益的影响很大)。
当第一模型为随机效应模型时,其中,固定参数为与个体i和时间t无关系的模型参数θ1~θn(模型参数εit和βit与个体i和时间t相关),则可以根据该模型训练后得到的参数θ1~θn评估营销效果,其中,θ1~θn表示相应自变量(xit1、xit2…xitn)的加权系数。例如,当自变量xit1相应的加权系数θ1大于自变量xit2相应的加权系数θ2时,则认为自变量xit1对因变量y的影响比自变量xit2对因变量y的影响大(例如,自变量xit1为营销成本,自变量xit2为用户性别信息,则可以认为营销成本对营销收益的影响比用户性别信息对营销收益的影响大)。
根据本公开的实施例,通过利用时序-截面数据模型对品牌或者产品的营销效果进行评估,可以考虑更多的个体间的信息和影响,能够更好地降低多重共线性的影响,从而提高营销效果的评估准确度和评估效率,由此可以提高对品牌或者产品的营销服务能力及品牌或者产品的市场竞争力。
图3A-图3C示意性示出了根据本公开实施例的基于时序-截面模型的评估系统的框图。
如图3A所示,时序-截面模型的评估系统包括获取模块310、处理单元320、训练模块330、确定模块340、评估模块350。
具体地,获取模块310获取样本数据,样本数据包括营销收益数据。根据本公开实施例,获取模块310例如可以执行上文参考图2描述的操作S201,在此不再赘述。
处理单元320对样本数据进行异方差处理。根据本公开实施例,处理单元320例如可以执行上文参考图2描述的操作S202,在此不再赘述。
训练模块330使用至少一个时序-截面模型对所述样本数据进行训练,得到训练结果。具体地,如图3B所示,训练模块330可以包括混合估计模型训练单元331、固定效应模型训练单元332以及随机效应模型训练单元333。根据本公开实施例,训练模块330例如可以执行上文参考图2描述的操作S203,其中,混合估计模型训练单元331实现上述在操作S203中以混合估计模型对样本数据进行训练,固定效应模型训练单元332实现上述在操作S203中以固定效应模型对样本数据进行训练,随机效应模型训练单元333实现上述在操作S203中以随机效应模型对样本数据进行训练,在此不再赘述。
确定模块340根据训练结果确定至少一个时序-截面模型中的一个时序-截面模型作为第一模型。具体地,如图3C所示,确定模块340可以包括方差齐性检验单元341和Hausman检验单元342。根据本公开实施例,训练模块340例如可以执行上文参考图2描述的操作S204,其中,方差齐性检验单元341实现上述在操作S204中以方差齐性方法检验第一模型是否为混合估计模型,Hausman检验单元342实现上述在操作S204中,在第一模型不是混合估计模型时,通过Hausman检验方法确定第一模型是固定效应估计模型还是随机效应模型,在此不再赘述。
评估模块350根据第一模型训练后得到的参数评估产品的营销效果。根据本公开实施例,评估模块350例如可以执行上文参考图2描述的操作S205,在此不再赘述。
根据本公开的实施例,通过利用时序-截面数据模型对品牌或者产品的营销效果进行评估,可以考虑更多的个体间的信息和影响,能够更好地降低多重共线性的影响,从而提高营销效果的评估准确度和评估效率,由此可以提高对品牌或者产品的营销服务能力及品牌或者产品的市场竞争力。
可以理解的是,获取模块310、处理单元320、训练模块330、确定模块340以及评估模块350可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,获取模块310、处理单元320、训练模块330、确定模块340以及评估模块350中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式的适当组合来实现。或者,获取模块310、处理单元320、训练模块330、确定模块340以及评估模块350中的至少一个可以至少被部分地实现为计算机程序模块,当该程序被计算机运行时,可以执行相应模块的功能。
图4示意性示出了根据本公开实施例的适于实现评估方法的计算机系统的方框图。图4示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示,根据本公开实施例的计算机系统400包括处理器401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。处理器401例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器410还可以包括用于缓存用途的板载存储器。处理器410可以包括用于执行参考图2描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 403中,存储有系统400操作所需的各种程序和数据。处理器401、ROM 402以及RAM 403通过总线404彼此相连。处理器401通过执行ROM 402和/或RAM 403中的程序来执行以上参考图……描述的……的各种操作。需要注意,所述程序也可以存储在除ROM 402和RAM 403以外的一个或多个存储器中。处理器401也可以通过执行存储在所述一个或多个存储器中的程序来执行以上参考图……描述的……的各种操作。
根据本公开的实施例,系统400还可以包括输入/输出(I/O)接口405,输入/输出(I/O)接口405也连接至总线404。系统400还可以包括连接至I/O接口405的以下部件中的一项或多项:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
根据本公开的实施例,上文参考流程图描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被处理器401执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。根据本公开的实施例,计算机可读介质可以包括上文描述的ROM 402和/或RAM 403和/或ROM 402和RAM 403以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本公开还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备执行:获取样本数据,样本数据包括营销收益数据,使用至少一个时序-截面模型对样本数据进行训练,得到训练结果;根据训练结果确定至少一个时序-截面模型中的一个时序-截面模型作为第一模型,以及根据第一模型训练后得到的参数评估产品的营销效果。
根据本公开的实施例,上述至少一个时序-截面模型包括以下任意一种或者几种的组合:混合估计模型、固定效应模型、或者随机效应模型。
根据本公开的实施例,上述根据训练结果确定至少一个时序-截面模型中的一个时序-截面模型作为第一模型包括:通过方差齐性检验方法确定第一模型是否为混合估计模型,在第一模型不是混合估计模型时,通过Hausman检验方法确定第一模型是固定效应模型还是随机效应模型。
根据本公开的实施例,上述方法还包括:对样本数据进行异方差处理,使用至少一个时序-截面模型对样本数据进行训练包括:使用至少一个时序-截面模型对处理后的样本数据进行训练。
根据本公开的实施例,上述根据第一模型训练后得到的参数评估产品的营销效果,包括:根据训练后的第一模型中的固定参数评估产品的营销效果。
根据本公开的实施例,上述第一模型为混合估计模型,混合估计模型由以下公式表示:
yit=α+βXit+εit
其中,yit表示因变量,Xit表示自变量,α,β以及εit表示模型参数;根据第一模型训练后得到的参数评估产品的营销效果包括,根据α以及β评估产品的营销效果。
根据本公开的实施例,上述第一模型为固定效应模型,固定效应模型由以下公式表示:
yit=α+βitXit+εit
其中,yit表示因变量,Xit表示自变量,α,βit以及εit表示模型参数;根据第一模型训练后得到的参数评估产品的营销效果包括,根据α评估产品的营销效果。
根据本公开的实施例,上述第一模型为固定效应模型,固定效应模型由以下公式表示:
yit=αit+βXit+εit
其中,yit表示因变量,Xit表示自变量,αit,β以及εit表示模型参数;根据第一模型训练后得到的参数评估产品的营销效果包括,根据β评估产品的营销效果。
根据本公开的实施例,上述第一模型为随机效应模型,随机效应模型由以下公式表示:
yit=αit+βit(θ1xit1+θ2xit2+…+θnxitn)+εit
其中,yit表示因变量,xit1~xitn表示自变量,αit,βit,θ1~θn以及εit表示模型参数;根据第一模型训练后得到的参数评估产品的营销效果包括,根据θ1~θn评估产品的营销效果。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (18)
1.一种基于时序-截面模型的评估方法,用于评估产品的营销效果,所述方法包括:
获取样本数据,所述样本数据包括营销收益数据;
使用至少一个时序-截面模型对所述样本数据进行训练,得到训练结果;
根据所述训练结果确定所述至少一个时序-截面模型中的一个时序-截面模型作为第一模型;以及
根据所述第一模型训练后得到的参数评估所述产品的营销效果。
2.根据权利要求1所述的方法,其中,所述至少一个时序-截面模型包括以下任意一种或者几种的组合:混合估计模型、固定效应模型、或者随机效应模型。
3.根据权利要求2所述的方法,其中,所述根据训练结果确定所述至少一个时序-截面模型中的一个时序-截面模型作为第一模型包括:
通过方差齐性检验方法确定所述第一模型是否为所述混合估计模型;
在所述第一模型不是所述混合估计模型时,通过Hausman检验方法确定所述第一模型是所述固定效应模型还是所述随机效应模型。
4.根据权利要求1所述的方法,其中:
所述方法还包括:对所述样本数据进行异方差处理;
所述使用至少一个时序-截面模型对所述样本数据进行训练包括:使用至少一个时序-截面模型对所述处理后的样本数据进行训练。
5.根据权利要求1所述的方法,其中,所述根据所述第一模型训练后得到的参数评估所述产品的营销效果,包括:
根据所述训练后的第一模型中的固定参数评估所述产品的营销效果。
6.根据权利要求1所述的方法,其中:
所述第一模型为所述混合估计模型,所述混合估计模型由以下公式表示:
yit=α+βXit+εit
其中,yit表示因变量,Xit表示自变量,α,β以及εit表示模型参数;
所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据α以及β评估所述产品的营销效果。
7.根据权利要求1所述的方法,其中:
所述第一模型为所述固定效应模型,所述固定效应模型由以下公式表示:
yit=α+βitXit+εit
其中,yit表示因变量,Xit表示自变量,α,βit以及εit表示模型参数;
所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据α评估所述产品的营销效果。
8.根据权利要求1所述的方法,其中:
所述第一模型为所述固定效应模型,所述固定效应模型由以下公式表示:
yit=αit+βXit+εit
其中,yit表示因变量,Xit表示自变量,αit,β以及εit表示模型参数;
所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据β评估所述产品的营销效果。
9.根据权利要求1所述的方法,其中:
所述第一模型为所述随机效应模型,所述随机效应模型由以下公式表示:
yit=αit+βit(θ1xit1+θ2xit2+…+θnxitn)+εit
其中,yit表示因变量,xit1~xitn表示自变量,αit,βit,θ1~θn以及εit表示模型参数;
所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据θ1~θn评估所述产品的营销效果。
10.一种基于时序-截面模型的评估系统,用于评估产品的营销效果,所述系统包括:
获取模块,获取样本数据,所述样本数据包括营销收益数据;
训练模块,使用至少一个时序-截面模型对所述样本数据进行训练,得到训练结果;
确定模块,根据所述训练结果确定所述至少一个时序-截面模型中的一个时序-截面模型作为第一模型;以及
评估模块,根据所述第一模型训练后得到的参数评估所述产品的营销效果。
11.根据权利要求10所述的系统,其中,所述训练模块包括以下任意一种或者几种的组合:混合估计模型训练单元、固定效应模型训练单元、或者随机效应模型训练单元。
12.根据权利要求11所述的系统,其中,所述确定模块包括:
方差齐性检验单元,通过方差齐性检验方法确定所述第一模型是否为所述混合估计模型;
Hausman检验单元,在所述第一模型不是所述混合估计模型时,通过Hausman检验方法确定所述第一模型是所述固定效应模型还是所述随机效应模型。
13.根据权利要求10所述的系统,其中:
所述系统还包括:处理单元,对所述样本数据进行异方差处理;
所述使用至少一个时序-截面模型对所述样本数据进行训练包括:使用至少一个时序-截面模型对所述处理后的样本数据进行训练。
14.根据权利要求10所述的系统,其中,所述根据所述第一模型训练后得到的参数评估所述产品的营销效果,包括:
根据所述训练后的第一模型中的固定参数评估所述产品的营销效果。
15.根据权利要求10所述的系统,其中:
所述第一模型为所述混合估计模型,所述混合估计模型由以下公式表示:
yit=α+βXit+εit
其中,yit表示因变量,Xit表示自变量,α,β以及εit表示模型参数;
所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据α以及β评估所述产品的营销效果。
16.根据权利要求10所述的系统,其中:
所述第一模型为所述固定效应模型,所述固定效应模型由以下公式表示:
yit=α+βitXit+εit
其中,yit表示因变量,Xit表示自变量,α,βit以及εit表示模型参数;
所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据α评估所述产品的营销效果。
17.根据权利要求10所述的系统,其中:
所述第一模型为所述固定效应模型,所述固定效应模型由以下公式表示:
yit=αit+βXit+εit
其中,yit表示因变量,Xit表示自变量,αit,β以及εit表示模型参数;
所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据β评估所述产品的营销效果。
18.根据权利要求10所述的系统,其中:
所述第一模型为所述随机效应模型,所述随机效应模型由以下公式表示:
yit=αit+βit(θ1xit1+θ2xit2+…+θnxitn)+εit
其中,yit表示因变量,xit1~xitn表示自变量,αit,βit,θ1~θn以及εit表示模型参数;
所述根据所述第一模型训练后得到的参数评估所述产品的营销效果包括,根据θ1~θn评估所述产品的营销效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710870864.2A CN107679896B (zh) | 2017-09-22 | 2017-09-22 | 基于时序-截面模型的评估方法和评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710870864.2A CN107679896B (zh) | 2017-09-22 | 2017-09-22 | 基于时序-截面模型的评估方法和评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107679896A true CN107679896A (zh) | 2018-02-09 |
CN107679896B CN107679896B (zh) | 2021-06-29 |
Family
ID=61136679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710870864.2A Active CN107679896B (zh) | 2017-09-22 | 2017-09-22 | 基于时序-截面模型的评估方法和评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107679896B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582572A (zh) * | 2018-11-23 | 2019-04-05 | 复旦大学 | 一种判断可管理程序在多次执行中进入稳定阶段的方法 |
CN110930179A (zh) * | 2019-10-18 | 2020-03-27 | 深圳市云积分科技有限公司 | 任务评估方法、系统、设备和计算机可读存储介质 |
CN111401612A (zh) * | 2020-03-06 | 2020-07-10 | 山东省交通规划设计院有限公司 | 经济新常态下高速公路交通生成分析与建模方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102042848A (zh) * | 2010-11-23 | 2011-05-04 | 北京航空航天大学 | 基于多元混合时序分析的多性能参数加速退化试验产品寿命预测方法 |
CN103136695A (zh) * | 2013-03-26 | 2013-06-05 | 明日互动(北京)广告传媒有限公司 | 媒体投放价值分析方法及其系统 |
CN105574680A (zh) * | 2015-12-27 | 2016-05-11 | 乌鲁木齐三力元生产力促进中心有限公司 | 一种企业竞争能力诊断的方法及系统 |
CN106202216A (zh) * | 2016-03-23 | 2016-12-07 | 四川长虹电器股份有限公司 | 一种数据处理方法及数据处理系统 |
CN106251178A (zh) * | 2016-08-08 | 2016-12-21 | 北京京东尚科信息技术有限公司 | 数据挖掘方法以及装置 |
CN106682943A (zh) * | 2016-12-30 | 2017-05-17 | 大连工业大学 | 食品产品创新数据分析网络平台 |
-
2017
- 2017-09-22 CN CN201710870864.2A patent/CN107679896B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102042848A (zh) * | 2010-11-23 | 2011-05-04 | 北京航空航天大学 | 基于多元混合时序分析的多性能参数加速退化试验产品寿命预测方法 |
CN103136695A (zh) * | 2013-03-26 | 2013-06-05 | 明日互动(北京)广告传媒有限公司 | 媒体投放价值分析方法及其系统 |
CN105574680A (zh) * | 2015-12-27 | 2016-05-11 | 乌鲁木齐三力元生产力促进中心有限公司 | 一种企业竞争能力诊断的方法及系统 |
CN106202216A (zh) * | 2016-03-23 | 2016-12-07 | 四川长虹电器股份有限公司 | 一种数据处理方法及数据处理系统 |
CN106251178A (zh) * | 2016-08-08 | 2016-12-21 | 北京京东尚科信息技术有限公司 | 数据挖掘方法以及装置 |
CN106682943A (zh) * | 2016-12-30 | 2017-05-17 | 大连工业大学 | 食品产品创新数据分析网络平台 |
Non-Patent Citations (2)
Title |
---|
杨东升: "截面时序分析—— 模型选择与参数估计", 《统计研究》 * |
邵树琴: "面板数据模型研究方法浅析", 《百家论点》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582572A (zh) * | 2018-11-23 | 2019-04-05 | 复旦大学 | 一种判断可管理程序在多次执行中进入稳定阶段的方法 |
CN110930179A (zh) * | 2019-10-18 | 2020-03-27 | 深圳市云积分科技有限公司 | 任务评估方法、系统、设备和计算机可读存储介质 |
CN111401612A (zh) * | 2020-03-06 | 2020-07-10 | 山东省交通规划设计院有限公司 | 经济新常态下高速公路交通生成分析与建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107679896B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deb et al. | Bayesian analysis of the two‐part model with endogeneity: application to health care expenditure | |
Alagoz et al. | A study on tam: analysis of customer attitudes in online food ordering system | |
CN107679896A (zh) | 基于时序‑截面模型的评估方法和评估系统 | |
Ahlip et al. | Pricing of foreign exchange options under the Heston stochastic volatility model and CIR interest rates | |
Wang et al. | Estimating and testing mediation effects with censored data | |
CN107656911A (zh) | 表格处理方法及其系统 | |
CN109993544A (zh) | 数据处理方法、系统、计算机系统及计算机可读存储介质 | |
Nugroho et al. | Box–Cox realized asymmetric stochastic volatility models with generalized Student's t-error distributions | |
CN110335140A (zh) | 基于社交关系预测贷款黑中介的方法、装置、电子设备 | |
Heimeshoff et al. | Cost and technical efficiency of physician practices: a stochastic frontier approach using panel data | |
Weeda et al. | Association between weekend admission and mortality for upper gastrointestinal hemorrhage: an observational study and meta-analysis | |
CN106770155B (zh) | 一种物质含量分析方法 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
CN110223124A (zh) | 数据处理方法、装置、电子设备及计算机可读介质 | |
US20180293614A1 (en) | Systems and methods for activity recommendation | |
WO2018184395A1 (en) | Systems and methods for activity recommendation | |
Westerlund | Testing for panel cointegration with a level break | |
Louzada et al. | A new long-term lifetime distribution induced by a latent complementary risk framework | |
CN106920124A (zh) | 一种数据采集和分析方法及装置 | |
Simonato | Johnson binomial trees | |
Cancho et al. | Unified multivariate survival model with a surviving fraction: an application to a Brazilian customer churn data | |
Catalán et al. | Forecasting volatility in GARCH models with additive outliers | |
Zaabza et al. | Breeding value reliabilities for multiple-trait single-step genomic best linear unbiased predictor | |
CN115049429A (zh) | 增益预测方法、装置和计算机设备 | |
Pahmi et al. | Estimated missing data on multiple linear regression using algorithm EM (expectation-maximization) for prediction revenue company |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |