In conventional least square regres

In conventional least square regression method, which was
used in SARIMA-MLR model, it has been recognized that the resulting estimates of different
covariates on the conditional mean of sales were not reflecting the real size and nature of these
cov- ariate effects on the lower and upper tail of the sales distribution. In Appendix and Fig.
6, the intercept (c) is different from zero in MLR and is significant from 0.05 to 0.3
quantiles and for 0.95 quantile in QR. The predicted sales of banana (using SARIMA) is
significant in all quantiles. It clearly has a positive impact on the expected sales of banana.
The estimated conditional quantile function reveals that the effect of the covariate is getting
more extreme when the quantiles are higher. The effect on conditional mean and conditional
median are similar. In case of Christmas effect, the upper quantile estimates are
significant and have a positive effect on the sales of banana. For 0.05 quantile, Christmas has a
negative coefficient. This may be due to stock-outs. However, the ordinary least square (OLS)
estimate suggests that the effect of Christmas variable is not different from zero. This is
a salient example of how misleading the ordinary least square estimates can be. Easter effect
variable has an increasing positive effect from lower quantiles to upper quantiles. It is almost
significant for all quantiles except 0.5 quantile. The OLS regression strongly over- estimates
the effect of Easter variable than the median quantile estimate. The school vacation estimate is
not different from zero for any quantiles except 0.3 and 0.05 quantiles and has negative
effect on the sales. The relationship between the sales and before
holiday variable is positive. The effect of before holiday is sig-
nificant for all quantiles and increases from lower quantiles to upper quantiles. The Austrian
holiday variable has a negative effect and is significant from 0.2 to 0.8 quantiles. It has
a decreasing effect from lower quantiles to upper quantiles. The after holiday variable is not
different from zero in most of the quantiles except
0.05, 0.4, and 0.8 quantiles.
According to OLS regression, only the month covariates such as May, June and December are
significant. The OLS estimate for other months are not different from zero. The February month
variable is significant only for 0.3 quantile and has a negative coefficient. The March month
variable is significant only in middle quantiles and has a positive effect. For the March
variable, the coefficients of conditional mean is similar to the coefficient of conditional median of
the sales distribution. The April month variable is significant from 0.7 to 0.9 quantiles and
has a positive effect. The May month variable is significant for all quantiles except
0.95 quantile and has a positive effect. The OLS regression overestimates the effect of this
variable than the median quantile estimate. The June month variable is significant in most of
the quantiles except 0.1, 0.3, 0.8, and 0.95 quantiles and has a positive effect. The July month
is significant only for 0.2 quantile and has a positive effect. The August month variable is
not different from zero, both in OLS and QR. The September month variable is sig- nificant only
for 0.95 quantile and has a negative effect. The October month variable is significant
from 0.1 to 0.5 quantiles and has a negative effect. The November month variable is significant
only for 0.3 quantile and has a negative effect. The December month variable is significant
from 0.1 to 0.7 quantiles and has a negative effect. The discounted sales variable is
significant for lower (0.1–0.3) and upper (0.6–0.9) quantiles, and has a positive effect. The
promotion variable is highly significant and has a positive relationship with the sales of
banana for all quantiles. The estimates for promotion increases from lower quantiles to upper
quantiles. The precipitation covariate is not different from zero in OLS regression. In QR, it
has a significant negative estimate for
0.9 quantile. The sunshine duration variable is significant from
0.05 to 0.95 quantiles and has a negative effect. The fresh snow depth has significant
negative estimates for 0.05, 0.2, and
0.6 quantiles. Conversely, the fresh snow depth is not significant in
OLS regression. The snow depth is significant from 0.3 to
0.8 quantiles and for 0.95 quantile. The estimates of snow depth variables in QR as well as
OLS regression are positive. Theoreti- cally, snow depth has both positive and negative impact
on retail food sales. Agnew and Thornes (1995) also suggested that the adverse weather
usually have negative effect on the larger

ผลลัพธ์ (ไทย) 2:

ในวิธีการถดถอยแบบเดิมอย่างน้อยตารางซึ่งถูก
นำมาใช้ในรูปแบบ SARIMA-MLR จะได้รับการยอมรับว่าเป็นประมาณการที่เกิดจากการที่แตกต่างกัน
ตัวแปรบนหมายถึงเงื่อนไขของการขายไม่ได้อีกชั้น ecting ขนาดจริงและธรรมชาติของเหล่านี้
มีผลกระทบ ariate cov- ล่าง และหางด้านบนของการจัดจำหน่ายการขาย ในภาคผนวกและรูปที่.
6, ตัด (c) จะแตกต่างจากศูนย์ในอัตรา MLR และมีนัยสำคัญลาดเท Fi 0.05-0.3
quantiles และ 0.95 quantile ใน QR ยอดขายที่คาดการณ์ของกล้วย (ใช้ SARIMA) เป็น
ลาดเทมีนัยสำคัญใน quantiles ทั้งหมด มันชัดเจนมีผลกระทบในเชิงบวกต่อยอดขายที่คาดหวังของกล้วย.
โดยประมาณฟังก์ชัน quantile เงื่อนไขเผยให้เห็นว่าผลของตัวแปรร่วมจะได้รับ
มากขึ้นเมื่อ quantiles จะสูง ผลกระทบต่อค่าเฉลี่ยเงื่อนไขและเงื่อนไข
เฉลี่ยมีความคล้ายคลึงกัน ในกรณีของผลกระทบคริสต์มาสประมาณการ quantile บนจะมี
นัยสำคัญ Fi ลาดเทและมีผลกระทบในเชิงบวกต่อการขายของกล้วย สำหรับ 0.05 quantile คริสต์มาสมี
COEF เชิงลบ Fi ประสิทธิภาพ นี้อาจจะเป็นเพราะหุ้นลึกหนาบาง อย่างไรก็ตามสามัญน้อยสแควร์ (OLS)
ประมาณการแสดงให้เห็นว่าผลกระทบของตัวแปรคริสมาสต์ไม่แตกต่างจากศูนย์ นี้เป็น
ตัวอย่างที่สำคัญของวิธีการที่ทำให้เข้าใจผิดปกติอย่างน้อยตารางประมาณการสามารถ อีสเตอร์ผล
ตัวแปรที่มีผลในเชิงบวกเพิ่มขึ้นจาก quantiles ล่างเพื่อ quantiles บน มันเกือบจะ
ลาดเทมีนัยสำคัญสำหรับ quantiles ทั้งหมดยกเว้น 0.5 quantile ถดถอย OLS มั่นเกินประมาณการ
ผลกระทบของตัวแปรอีสเตอร์กว่าคาดการณ์ของ quantile ค่ามัธยฐาน ประมาณการวันหยุดโรงเรียน
ไม่ได้แตกต่างจากศูนย์สำหรับ quantiles ใด ๆ ยกเว้น 0.3 และ 0.05 quantiles และเชิงลบ
ผลกระทบต่อยอดขาย ความสัมพันธ์ระหว่างการขายและก่อน
ตัวแปรวันหยุดเป็นบวก ผลของวันหยุดก่อนที่จะเป็นลายเซ็น
ลาดเท Fi พรรณีสำหรับ quantiles และเพิ่มขึ้นจาก quantiles ล่างเพื่อ quantiles บน ออสเตรีย
ตัวแปรวันหยุดมีผลกระทบและมีความลาดเทมีนัยสำคัญ 0.2-0.8 quantiles มันมี
ผลต่อการลดลงจาก quantiles ล่างเพื่อ quantiles บน หลังจากตัวแปรวันหยุดไม่ได้
แตกต่างจากศูนย์ในส่วนของ quantiles ยกเว้น
0.05, 0.4 และ 0.8 quantiles.
ตามที่ OLS ถดถอยเพียงตัวแปรเดือนเช่นเดือนพฤษภาคมมิถุนายนและธันวาคมมี
นัยสำคัญลาดเท Fi ประมาณการ OLS สำหรับเดือนอื่นจะไม่แตกต่างจากศูนย์ เดือนกุมภาพันธ์
ตัวแปรลาดเทมีนัยสำคัญเพียง 0.3 quantile และมี COEF เชิงลบ Fi ประสิทธิภาพ เดือนมีนาคม
ตัวแปรลาดเทมีนัยสำคัญเฉพาะใน quantiles กลางและมีผลบวก สำหรับเดือนมีนาคม
ตัวแปร cients COEF Fi ค่าเฉลี่ยเงื่อนไขคล้ายกับประสิทธิภาพ COEF Fi ของค่ามัธยฐานเงื่อนไขของ
การกระจายการขาย ตัวแปรเดือนเมษายนเป็นลาดเทมีนัยสำคัญ 0.7-0.9 quantiles และ
มีผลบวก ตัวแปรเดือนพฤษภาคมเป็นลาดเทมีนัยสำคัญสำหรับ quantiles ทั้งหมดยกเว้น
0.95 quantile และมีผลในเชิงบวก ถดถอย OLS overestimates ผลของการนี้
ตัวแปรกว่าคาดการณ์ของ quantile เฉลี่ย ตัวแปรเดือนมิถุนายนเป็นลาดเทมีนัยสำคัญในส่วนของ
quantiles ยกเว้น 0.1, 0.3, 0.8 และ 0.95 quantiles และมีผลในเชิงบวก เดือนกรกฎาคม
เป็นลาดเทมีนัยสำคัญเพียง 0.2 quantile และมีผลในเชิงบวก ตัวแปรเดือนสิงหาคม
ไม่แตกต่างจากศูนย์ทั้งใน OLS และ QR ตัวแปรเดือนกันยายนเป็นลายเซ็นลาดเท Fi พรรณีเท่านั้น
สำหรับ 0.95 quantile และมีผลกระทบเชิงลบ ตัวแปรเดือนตุลาคมเป็นลาดเทมีนัยสำคัญ
0.1-0.5 quantiles และมีผลกระทบเชิงลบ ตัวแปรเดือนพฤศจิกายนเป็นลาดเทมีนัยสำคัญ
เพียง 0.3 quantile และมีผลกระทบเชิงลบ ตัวแปรเดือนธันวาคมลาดเทมีนัยสำคัญ
0.1-0.7 quantiles และมีผลกระทบเชิงลบ ตัวแปรการขายส่วนลด
ลาดเทมีนัยสำคัญต่ำกว่า (0.1-0.3) และบน (0.6-0.9) quantiles และมีผลในเชิงบวก
ตัวแปรโปรโมชั่นเป็นนัยสำคัญสูงลาดเท Fi และมีความสัมพันธ์เชิงบวกกับยอดขายของ
กล้วย quantiles ทั้งหมด ประมาณการเพิ่มขึ้นจากโปรโมชั่น quantiles ต่ำกว่าบน
quantiles ตัวแปรร่วมตกตะกอนไม่แตกต่างจากศูนย์ใน OLS ถดถอย ใน QR มัน
มีนัยสำคัญ Fi ลาดเทประมาณการเชิงลบสำหรับ
0.9 quantile ตัวแปรระยะเวลาแสงแดดเป็นลาดเทมีนัยสำคัญจาก
0.05 0.95 ที่จะ quantiles และมีผลกระทบเชิงลบ ความลึกหิมะสดมีนัยสำคัญ Fi ลาดเท
ประมาณการเชิงลบสำหรับ 0.05, 0.2 และ
0.6 quantiles ตรงกันข้ามความลึกหิมะสดไม่ลาดเทมีนัยสำคัญใน
OLS ถดถอย ความลึกหิมะลาดเทมีนัยสำคัญที่จะ 0.3 จาก
0.8 quantiles และ 0.95 quantile ประมาณการของตัวแปรเชิงลึกหิมะ QR เช่นเดียวกับ
OLS ถดถอยเป็นบวก ทางทฤษฎีถอนรากถอนโคนลึกหิมะมีทั้งผลกระทบเชิงบวกและลบ
ต่อยอดขายค้าปลีกอาหาร Agnew และ Thornes (1995) นอกจากนี้ยังชี้ให้เห็นว่าอากาศที่เลวร้าย
มักจะมีผลกระทบต่อขนาดใหญ่