ljofreflor / mkmix

marketing mix: mixed linear hierarchical model to estimate the price elasticity of level-brand such random effect.

mkmix

El objetivo de mkmix es un modelo mixto bayesiano, aplicable al caso muy particular de estimación de elasticidad en retail.

Instalación

Puede instalar la versión de desarrollo GitHub con:

# install.packages("devtools")
devtools::install_github("ljofre/mkmix")

Example

este es un pequeño ejemplo de como usar la librería para nuestro set de prueba. La libreria mkmix provee un set de datos 'consumo' que son datos reales de cantidad vendida, precio, promociones y canales del retail X.

library(mkmix)
library(knitr)

estimate.mode <- function(x) {
  temp <- density(x)
  temp$x[which.max(temp$y)]
}

data("consumo")

sales.data <- mkmix::get.mkmix.object(data.frame.in = consumo,
                                      fixed.effects = c("PRENSA",
                                                        "TV",
                                                        "CATALOGO"),
                                      random.effect = "RUBRO_MARCA",
                                      log.p = "lP",
                                      log.q = "lQ")

mcmc.sample <- mkmix::constrained.mixed.model.mcmc(n.iter = 10000,
                                                   data = sales.data)

las estimaciones se obtienen obteniendo la moda de la distribución posterior.

ee <- matrix(nrow = ncol(mcmc.sample$chain.eta))
for(i in 1:ncol(mcmc.sample$chain.eta)) {
  ee[i,1] <-estimate.mode(mcmc.sample$chain.eta[,i])
}

bb <- matrix(nrow = ncol(mcmc.sample$chain.beta))
for(i in 1:ncol(mcmc.sample$chain.beta)) {
  bb[i,1] <-estimate.mode(mcmc.sample$chain.beta[,i])
}

las cuales generan los siguientes resultados

colnames(ee) <- c("random.effects")
kable(ee, caption = "estimacion de efectos aleatorios de subrubro marca")

random.effects
0.0630356
0.4053852
0.0634652
-0.1676468
-0.1384447
0.3014639
0.1591363
0.0011668
-0.0221589
2.0199764
-0.1453745
0.0010760
-0.0549243
2.0473069
-0.1615873
0.8821548
0.1499108
1.1363475
0.2983675
1.9143643
0.1665973
-0.0329557
-0.0277316
-1.0339036
-0.0477206
0.9795019
-0.0868570
0.2910641
0.1124923
-0.1908808
-0.1282337
2.5107788
-0.2368757
-2.7530213
0.0342896
1.2197752
0.1377010
3.3027737
-0.0228296
-0.3182175
0.1624784
-0.8355972
-0.4285345
-0.2250525
0.0731897
0.4317082
0.1244683
-0.3753815

y también

colnames(bb) <- c("fixed.effects")
kable(bb, caption = "estimacion de efectos fijos de canales de promoción: intercepto, prensa, tv, catálogo ")

fixed.effects
3.9761295
-0.2245598
-0.7229224
-0.1251198

se pueden visualizar las cadenas

# canera para el segundo efecto fijo (el primero es el intercepto)
plot(mcmc.sample$chain.beta[,2], type='l')

y distribuciones posteriores

# densidad empirita del 4 efecto aleatorio de la pendiente 
den.eta.4.slope <- density(mcmc.sample$chain.eta[,8])
plot(den.eta.4.slope)