Множественная регрессия: вклад цены, скидки и трафика в продажи
По таблице периодов оценивает, как продажи зависят сразу от трёх факторов (например, цена, глубина скидки, трафик): коэффициенты с доверительными интервалами и p-значениями, R², проверку взаимосвязи факторов (VIF), эффект сдвига фактора на одно СКО и прогноз при заданных значениях с интервалом.
Коротко
- Какой вопрос решает расчёт?
- На сколько штук меняются продажи при изменении одного фактора, если остальные не меняются, и насколько можно верить модели.
- Какие данные нужны?
- Продажи и до трёх факторов по неделям или месяцам.
- Как читать результат?
- Пример на значениях по умолчанию (24 недели): R² 98,3 %, коэффициенты: цена −0,046 шт. за рубль, скидка 3,14 шт. за процентный пункт, трафик 0,91 шт. за тысячу. Прогноз при цене 3 900, скидке 15 % и трафике 120: 239 шт., интервал от 228 до 251. Пример на значениях по умолчанию: R²: 98,3 %; Скорректированный R²: 98 %; Стандартная ошибка модели: 5,3; Значимость модели в целом (p, F-тест): <0,05 %. Цифры условные: введите свои, чтобы увидеть свой результат.
Зачем и как рассуждать
Продажи зависят от нескольких причин сразу: цена, скидка, трафик. Если смотреть на каждую по отдельности, получится путаница: скидка совпала с ростом трафика, и непонятно, кто помог. Множественная регрессия подбирает коэффициенты так, чтобы сумма квадратов отклонений от фактических продаж была наименьшей: b = (XᵀX)⁻¹Xᵀy. Результат: продажи = 261 − 0,046 × цена + 3,14 × скидка (п. п.) + 0,91 × трафик. Читается так: рост цены на 100 ₽ снижает продажи на 4,6 штуки, каждый пункт скидки добавляет 3,1 штуки, а каждый посетитель 0,9. R² 98 % показывает, что три фактора объясняют почти всю изменчивость. Для каждого коэффициента есть интервал и p-значение. VIF проверяет, не связаны ли факторы между собой: при 1,1 всё в порядке. Прогноз при цене 3 900, скидке 15 и трафике 120 равен 239 с интервалом 228–251.
Когда применять
Расчёт нужен, когда есть история по периодам с достаточным числом наблюдений (минимум в 5–10 раз больше факторов) и факторы менялись независимо. Не применяйте, если факторы двигались вместе (скидка всегда с рекламой) или периодов мало: тогда коэффициенты нестабильны. Допущения: связь линейна, ошибки независимы, нет скрытых факторов (сезон, конкуренты), будущее похоже на прошлое.
Как читать результат
Смотрите на три вещи. Знак и размер коэффициентов: совпадают ли они со здравым смыслом (цена уменьшает, скидка увеличивает). Интервалы и p-значения: коэффициент с интервалом, включающим ноль, не доказан. VIF: если выше порога (5), факторы дублируют друг друга, и коэффициенты нельзя трактовать отдельно. «Эффект сдвига на одно СКО» помогает сравнить факторы разной размерности. Интервал прогноза показывает диапазон: если цель лежит в нём, результат достижим. Сопоставьте вывод с тестом: регрессия показывает связь, а не доказывает причину. Полезно записать итоговую формулу словами для коллег («плюс скидка в один пункт даёт около трёх штук»): так модель становится понятным правилом, а не чёрным ящиком.
Типичные ошибки
Чаще всего ошибаются так: подгонять модель под высокий R² добавлением факторов, прогнозировать за пределами наблюдаемых значений, не проверять VIF, брать недели с дефицитом как спрос, принимать связь за причину. Для решения о цене подтвердите коэффициент небольшим тестом. Не включайте в модель факторы, которые вы сами устанавливаете одновременно (скидка и реклама в одни недели): их влияние не разделить.
Какие данные нужны?
- Продажи и до трёх факторов по неделям или месяцам.
- Не меньше трёх наблюдений сверх числа параметров.
- Значения факторов для прогноза.
Какие поля вводятся
| Поле | Единица | Значение в примере | Что означает |
|---|---|---|---|
| Фактор 1 в прогнозе | 3 900 | Значение первого фактора (в примере цена), при котором считается прогноз. Пусто: прогноз не считается. | |
| Фактор 2 в прогнозе | 15 | Значение второго фактора (в примере глубина скидки). Нужно, если фактор 2 используется. Необязательно. Пусто: поле не учитывается (в суммах считается нулём). | |
| Фактор 3 в прогнозе | 120 | Значение третьего фактора (в примере трафик). Нужно, если фактор 3 используется. Необязательно. Пусто: поле не учитывается (в суммах считается нулём). | |
| Порог VIF для предупреждения | 5 | Выше порога факторы слишком похожи друг на друга, и коэффициенты нестабильны. Единого норматива нет, берут 5 или 10; значение ваше. |
Как считается
| Шаг | Формула |
|---|---|
| Коэффициенты | b = (XᵀX)⁻¹ Xᵀ y |
| Ошибки | σ² = SSE ÷ (n − p); ошибка коэффициента = √(σ² × диагональ (XᵀX)⁻¹) |
| t, p | t = коэффициент ÷ ошибка; p по распределению Стьюдента с n − p степенями свободы |
| R² | 1 − SSE ÷ SST; скорректированный: 1 − (1 − R²) × (n − 1) ÷ (n − p) |
| VIF | 1 ÷ (1 − R² регрессии фактора на остальные) |
| Интервал прогноза | ± t × σ × √(1 + x₀ᵀ (XᵀX)⁻¹ x₀) |
Пример на цифрах
Значения по умолчанию из приложения; в интерактивной версии вы подставляете свои.
- R²
- 98,3 %Какая доля разброса продаж объяснена факторами. Растёт при добавлении любого фактора.
- Скорректированный R²
- 98 %R² с поправкой на число факторов: растёт, только если фактор полезен.
- Стандартная ошибка модели
- 5,3Типичное отклонение факта от модели, в единицах продаж.
- Значимость модели в целом (p, F-тест)
- <0,05 %
- Наблюдений
- 24
- Свободный член
- 261,09
- Коэффициент: Фактор 1
- −0,046Изменение продаж при росте фактора на единицу и неизменных остальных; интервал от −0,055 до −0,037, p 0 %.
- Коэффициент: Фактор 2
- 3,14Изменение продаж при росте фактора на единицу и неизменных остальных; интервал от 2,867 до 3,414, p 0 %.
- Коэффициент: Фактор 3
- 0,914Изменение продаж при росте фактора на единицу и неизменных остальных; интервал от 0,739 до 1,088, p 0 %.
- Наибольший VIF
- 1,11×
- Прогноз продаж при заданных факторах
- 239
- Прогноз: нижняя граница 95 %
- 228
- Прогноз: верхняя граница 95 %
- 251
- точки
- линия регрессии: y = 0 + 1·x
Данные таблицей
| Продажи по модели, шт. | Продажи факт, шт. | |
|---|---|---|
| 187,7 | 186 | |
| 190,5 | 194 | |
| 224,6 | 224 | |
| 195,9 | 194 | |
| 245,8 | 241 | |
| 201,4 | 200 | |
| 226,7 | 235 | |
| 166,7 | 170 | |
| 169,4 | 176 | |
| 301 | 304 | |
| 225,2 | 227 | |
| 219,1 | 221 | |
| 181,3 | 172 | |
| 184 | 190 | |
| 218,2 | 222 | |
| 189,5 | 193 | |
| 239,4 | 230 | |
| 154,8 | 145 | |
| 261,5 | 257 | |
| 201,4 | 199 | |
| 204,2 | 206 | |
| 294,5 | 296 | |
| 178,6 | 182 | |
| 212,7 | 210 |
Данные таблицей
| Показатель | Эффект |
|---|---|
| Фактор 1 | −5,5 |
| Фактор 2 | 13,3 |
| Фактор 3 | 6 |
Коэффициенты модели
| Член | Коэффициент | Стандартная ошибка | t | p, % | Нижняя 95 % | Верхняя 95 % | VIF |
|---|---|---|---|---|---|---|---|
| Свободный член | 261,09 | 20,059 | 13,02 | 0 | 219,247 | 302,933 | — |
| Фактор 1 | −0,046 | 0,004 | −10,32 | 0 | −0,055 | −0,037 | 1,03 |
| Фактор 2 | 3,14 | 0,131 | 23,97 | 0 | 2,867 | 3,414 | 1,11 |
| Фактор 3 | 0,914 | 0,084 | 10,92 | 0 | 0,739 | 1,088 | 1,09 |
Регрессия показывает связь, а не причину: если скидки давали в сезон высокого трафика, их эффект смешивается с сезоном. Добавьте сезонный фактор или считайте внутри одного сезона. Интервал прогноза верен внутри диапазона ваших данных.
Нюансы и ограничения
- Читать коэффициент как причину: скидки и сезон могут совпадать.
- Включать сильно связанные факторы (VIF выше порога): коэффициенты прыгают.
- Прогнозировать вне диапазона данных: линия там не проверена.