MVITS

class pymc_marketing.customer_choice.mv_its.MVITS(existing_sales, saturated_market=True, model_config=None, sampler_config=None)

Clase de Series de Tiempo Interrumpidas Multivariadas.

Clase para realizar un análisis de series temporales interrumpidas multivariadas con la intención específica de determinar de dónde provienen las ventas de un nuevo producto.

Parámetros:

existing_sales : list de strpython:lista de python:str

Los nombres de los productos existentes.

mercado_saturado : bool, opcionalbool, opcional

Si el mercado está saturado o no. Si es verdadero, la suma de los beta será 1. De lo contrario, la suma de los beta será menor que 1, con las ventas restantes atribuidas al nuevo producto.

model_config : dict, opcionalpython:dict, opcional

La configuración del modelo. Si es None, se utilizará la configuración de modelo predeterminada.

sampler_config : dict, opcionalpython:dict, opcional

La configuración del muestreador. Si es None, se utilizará la configuración de muestreador predeterminada.

Métodos

MVITS.__init__(ventas_existentes[, ...])	Inicializar la configuración del modelo y la configuración del muestreador para el modelo.
MVITS.approximate_fit(X[, y, progressbar, ...]	Ajuste un modelo utilizando Inferencia Variacional y devuelva InferenceData.
MVITS.attrs_to_init_kwargs(attrs)	Convierte los atributos del objeto InferenceData a los kwargs de __init__.
MVITS.build_from_idata(idata)	Construir el modelo a partir del objeto InferenceData.
MVITS.build_model(X, y, **kwargs)	Construya un modelo PyMC para un análisis de series temporales interrumpidas multivariadas.
MVITS.calculate_counterfactual([random_seed])	Calcule el escenario contrafactual de nunca haber lanzado el nuevo producto.
MVITS.causal_impact([variable])	Calcule el impacto causal del nuevo producto en los productos existentes.
MVITS.create_fit_data(X, y)	Cree el grupo fit_data basado en los datos de entrada.
MVITS.create_idata_attrs()	Cree los atributos para el objeto InferenceData.
MVITS.fit(X[, y, barra_de_progreso, semilla_aleatoria])	Ajuste un modelo utilizando los datos pasados como parámetro.
MVITS.graphviz(**kwargs)	Obtenga la representación graphviz del modelo.
MVITS.idata_to_init_kwargs(idata)	Cree la configuración del modelo y la configuración del muestreador a partir de InferenceData a argumentos de palabras clave.
MVITS.inform_default_prior(datos)	Informar la predicción predeterminada basada en los datos.
MVITS.load(fname[, check])	Cree una instancia de ModelBuilder a partir de un archivo.
MVITS.load_from_idata(idata[, check])	Cree una instancia de ModelBuilder a partir de un objeto InferenceData.
MVITS.plot_causal_impact_market_share([...])	Trace el impacto causal inferido del nuevo producto sobre los productos existentes.
MVITS.plot_causal_impact_sales([variable, ax])	Trazar el impacto causal de las ventas.
MVITS.plot_counterfactual([variable, ...])	Trazar un escenario contrafactual.
MVITS.plot_data([plot_total_sales, ax])	Trace los datos observados.
MVITS.plot_fit([variable, plot_total_sales, ax])	Trace el ajuste del modelo (predictivo posterior) de los productos existentes.
MVITS.post_sample_model_transformation()	Realice la transformación en el modelo después de muestrear.
MVITS.predict([X, extend_idata])	Utilice un modelo para predecir en datos no vistos y devuelva la predicción puntual de todas las muestras.
MVITS.predict_posterior([X, extend_idata, ...])	Generar muestras predictivas posteriores en datos no vistos.
MVITS.predict_proba([X, extend_idata, combined])	Alias para predict_posterior, por consistencia con los estimadores probabilísticos de scikit-learn.
MVITS.sample(X, y[, random_seed, ...])	Muestrea todas las cosas.
MVITS.sample_posterior_predictive([X, ...])	Muestra de la distribución predictiva posterior del modelo.
MVITS.sample_prior_predictive([X, y, ...])	Muestra de la distribución predictiva previa del modelo.
MVITS.save(fname, **kwargs)	Guarde los datos de inferencia del modelo en un archivo.
MVITS.set_idata_attrs([idata])	Establecer atributos en un objeto InferenceData.
MVITS.table(**model_table_kwargs)	Obtenga la tabla resumen del modelo.

Atributos

default_model_config	Configuración del modelo predeterminada.
default_sampler_config	Configuración de muestreador predeterminada.
fit_result	Obtenga el resultado de ajuste posterior fit_result.
id	Generar un valor hash único para el modelo.
output_var	La variable de salida del modelo.
posterior
posterior_predictive
predictions
prior
prior_predictive
version
idata
sampler_config
model_config