crear_modelo_bajo

pymc_marketing.bass.model.create_bass_model(t, observed, priors, coords)

Defina un modelo de difusión de Bass para la previsión de la adopción de productos.

Esta función crea un modelo de difusión de Bass bayesiano utilizando PyMC para predecir la adopción de productos a lo largo del tiempo. El modelo de Bass captura tanto los efectos de innovación (influencia externa como la publicidad) como los de imitación (influencia interna como el boca a boca) en el proceso de adopción.

El modelo incluye los siguientes componentes:

• Potencial de mercado “m”: Número total de posibles adoptantes

• Coeficiente de innovación “p”: Mide la influencia externa

• Coeficiente de imitación “q”: Mide la influencia interna

• Adoptantes a lo largo del tiempo: Número de nuevos adoptantes en cada punto temporal

• Innovadores: Adoptantes influenciados por factores externos

• Imitadores: Adoptantes influenciados por adoptantes anteriores

• Tiempo máximo de adopción: Cuando la tasa de adopción alcanza su máximo

Parámetros:

tpt.TensorComo

Puntos de tiempo para los cuales se modela la adopción.

observado : pt.TensorLike | Nonept.TensorLike | python:Ninguno

Datos de adopción observados en cada punto temporal. Si es None, solo es posible el muestreo predictivo previo.

priorsBassPriors

Diccionario que contiene priors para: - “m”: Prior de potencial de mercado - “p”: Prior del coeficiente de innovación - “q”: Prior del coeficiente de imitación - “likelihood”: Modelo de probabilidad de observación

coordspython:dict[python:str, Cualquiera]

Coordine los valores para las dimensiones en el modelo, incluyendo “fecha” para la dimensión temporal y cualquier otra dimensión incluida en las especificaciones anteriores.

Devoluciones:

Model

Un objeto de modelo PyMC para el modelo de difusión de Bass, que contiene las variables m, p, q, adoptantes, innovadores, imitadores, pico y la verosimilitud y.

Notas

El modelo devuelto puede ser utilizado para verificaciones predictivas previas, muestreo posterior y verificaciones predictivas posteriores para pronosticar la adopción del producto.

El modelo implementa las siguientes relaciones matemáticas:

\[\begin{split}\text{adopters}(t) &= m \cdot f(p, q, t) \\ \text{innovators}(t) &= m \cdot p \cdot (1 - F(p, q, t)) \\ \text{imitators}(t) &= m \cdot q \cdot F(p, q, t) \cdot (1 - F(p, q, t)) \\ \text{peak} &= \frac{\ln(q) - \ln(p)}{p + q}\end{split}\]