Modèle d'élasticité de prix/demande du point de vue bayésien: le cas d'une entreprise de détail chilienne

Auteurs

Mots-clés :

elasticité, détail, fréquentiste, inférence, normal-gamma-inverse

Résumé

Ce projet présente les données d'une entreprise chilienne de détail pour modeler l'élasticité d'un point de vue bayésien. L'élasticité mesure le comportement des produits sur la base des prix et de la demande. Elle peut être obtenue à travers des régressions linéaires du logarithme des prix et les unités vendues. Le problème se pose avec les réductions, les jours spéciaux, etc. Cette relation temporelle provoque des biais dans les estimations que l'entreprise compense en réalisant une chaîne de régressions. La statistique Bayésienne fixe une distribution pour les paramètres, et ensuite, avec la plausibilité, utilise la règle de Bayes pour obtenir une distribution a posteriori. Le projet utilise une a priori Normal-Gamma- -Inverse pour spécifier le modèle de régression linéaire. Pour l'application, on obtient les élasticités au niveau de ligne à travers le modèle classique et les élasticités de produit avec le modèle bayésien, en incorporant l'information de la ligne. A travers un t-test on conclut que la moyenne des élasticités de la chaîne ne diffère pas de celles obtenues par le modèle bayésien. Par conséquent, en complémentant les deux points de vue, on obtient de bons résultats qui peuvent être utilisés dans le commerce.

Références

Agresti, A. (2015). Foundations of linear and generalized linear models. John Wiley & Sons.
View in Google Scholar

Fahrmeir, L., Kneib, T., Lang, S., & Marx, B. (2013). Regression: Models, methods and appli-cations. Springer-Verlag. https://doi.org/10.1007/978-3-642-34333-9
View in Google Scholar

Hoff, P. D. (2009). A first course in Bayesian statistical methods. Springer Science + Business Media.
View in Google Scholar

Kim, S., & Kim, H. (2016). A new metric of absolute percentage error for intermittent demand forecasts. International Journal of Forecasting, 32(3), 669–679. https://doi.org/10.1016/j.ijforecast.2015.12.003
View in Google Scholar

Laurinec, P. (2018). TSrepr R package: Time series representations. The Journal of Open Source Software, 3(23), 577. https://doi.org/10.21105/joss.00577
View in Google Scholar

Marrero, F., Font, E., & Lazcano, C. (2015). Reflexiones sobre el concepto de elasticidad y su interpretación matemática y económica. Revista de Ciencia, Tecnología e Innovación, 2(2), 105–115.
View in Google Scholar

Ruxton, G. D. (2006). The unequal variance t-test is an underused alternative to Student’s t-test and the Mann-Whitney U test. Behavioral Ecology, 17(4), 688–690. https://doi.org/10.1093/beheco/ark016
View in Google Scholar

Schauberger, P., & Walker, A. (2020). openxlsx: Read, Write and Edit xlsx files. https://CRAN.R-project.org/package=openxlsx
View in Google Scholar

Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L.D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., ..., Yutani, H. (2019). Welcome to the tidyverse. The Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686
View in Google Scholar

Willmott, C., & Matsuura, M. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30, 79–82. https://www.int-res.com/articles/cr2005/30/c030p079.pdf
View in Google Scholar

Yan, Y. (2016). MLmetrics: Machine learning evaluation metrics. https://CRAN.R-project.org/package=MLmetrics
View in Google Scholar

Téléchargements

Publiée

2023-06-30

Numéro

Rubrique

Article scientifique