Time-varying estimation procedures

Time-varying estimation procedures that rely on Bayesian
updating have been introduced by several researchers to cope
with estimating when little or no data are available. These
procedures startwith forecasts prior to launch and update those
forecasts whenever an additional record becomes available.
Lilien et al. [7] propose a Bayesian approach whereby new
product sales prior tomarket entry are predicted by considering
the forecasts of a previously introduced similar product and
then updated once data are available using Bayesian regression.
Rao and Yamada [8] expand the work of Lilien et al. [7] to show
that incorporating priors and the use of perceptual data can
improve forecasting performance. Lenk and Rao [9] further
suggest the Hierarchical Bayes procedure that explicitly
considers between-product and within-product variations
in establishing initial estimates for the newproduct. An adaptive
procedure combined with Bayesian updating, called the
augmented Kalman filter with continuous state and discrete
observations, is also proposed by Xie et al. [10]. While the
aforementioned approaches employ prior information derived
from the diffusion of previously introduced products
deemed most similar, Sultan et al. [27] develop initial
parameter estimates by conducting a meta-analysis of 213
sets of parameters from 15 articles. Lee et al. [28] utilize
consumer reservation price data in order to construct prior
distributions. Regardless of the vehicle used for obtaining initial
forecasts, however, time-varying estimation approaches mainly
focus on updating after launch, which still requires initial
pre-launch forecasts to be updated as data become available.

Результаты (русский) 1:

Время различные процедуры оценки, которые полагаются на байесовскихобновления были введены несколько исследователей справитьсяс оценки когда мало или нет данных доступны. Этипроцедуры startwith прогнозы до запуска и обновления техпрогнозы, появлении дополнительной записи.Lilien et al. [7] предложить Байесовский подход которой новыеВвод продукта продаж до рынка прогнозируется, рассматриваяпрогнозы в отношении ранее аналогичного продукта иЗатем обновляются, когда имеются данные, используя байесовский регрессии.РАО и Ямада [8] расширить работу по Lilien et al. [7] Показатьчто включение настоятелей и использование восприятия данных можноулучшить производительность прогнозирования. Lenk и РАО [9] Далеечто явно предложить процедуры иерархической Байесарассматривает различия между продуктом и в рамках продуктав создании первоначальной сметы для newproduct. Адаптивнаяпроцедуры, в сочетании с байесовской обновления, называетсядополненной фильтр Калмана с непрерывной государством и дискретныезамечания, предлагается также СЕ et al. [10]. В то время каквышеупомянутые подходы использовать ранее полученнойот распространения ранее продуктовсчитается наиболее близок, Султан et al. [27] разработать первоначальныеоценки параметров путем проведения мета анализ из 213Наборы параметров из 15 статей. Использовать ли et al. [28]данные Цена бронирования потребителей для того чтобы построить предварительногодистрибутивы. Независимо от того, транспортное средство, используемое для получения первоначальныхпрогнозы, однако, время различной оценки подходы в основномсосредоточена на обновлении после запуска, которая все еще требует первоначальныхПрогнозы до запуска обновляться по мере поступления данных.

Результаты (русский) 2:

Время изменяющегося процедуры оценки, которые полагаются на байесовской
обновления были введены несколько исследователей, чтобы справиться
с оценкой, когда мало или совсем нет данные. Эти
процедуры, startwith прогнозов до запуска и обновить эти
прогнозы всякий раз, когда дополнительная запись станет доступной.
Лилиен др. [7] предложена Байеса подход, при котором новые
продажи продукта начального до tomarket прогнозируются с учетом
прогнозы ранее введенной аналогичного продукта и
затем обновляется один раз имеются данные, используя байесовский регрессии.
Рао и Ямада [8] расширить работу Лилиен др , [7], чтобы показать, что включение априорные и использование данных восприятия может улучшить производительность прогнозирования. Ленк и Рао [9], также свидетельствуют о процедуре Иерархическая Байеса, что явно считает между продуктом и внутри продукта вариации в установлении первоначальных оценок для NewProduct. Адаптивная процедура в сочетании с байесовской обновления, называется дополненной фильтр Калмана с непрерывными и дискретными государственных наблюдений, также предложенный Се и др. [10]. В то время как вышеупомянутые подходы используют информацию, полученную до от диффузии ранее введенных продуктов считаются наиболее близки, Султан др. [27] разработать начальные оценки параметров путем проведения мета-анализ 213 наборов параметров из 15 статей. Ли и др. [28] использовать ценовые данные бронирования потребителей для того, чтобы построить предыдущие распределения. Независимо от транспортного средства, используемого для получения первоначальных прогнозов, однако, оценка времени различные подходы в основном сосредоточены на обновлении после запуска, которая до сих пор требует первоначальных прогнозов до запуска будет обновляются также данные станут доступны.

Результаты (русский) 3:

время различные процедуры оценки, которые полагаются на Bayesian
обновления был предложен ряд исследователей справиться
с оценки, когда мало или нет данных.эти
процедур начнем со прогнозы до запуска и обновления этих
прогнозов, когда дополнительный отчет будет готов.
лилиен et al.[7] предлагают по байесу подход, в соответствии с которым новые.продажи продукции до вступления tomarket прогнозам, учитывая
прогнозы ранее ввела аналогичный продукт и
тогда 1 раз имеются данные, используя байесовский регрессии.
рао и ямада [8] расширения работы лилиен et al.[7], чтобы показать
, что включение привлекался и использование теоретического данные могут
улучшению прогнозирования показателей.ленк и рао [9] далее
предложить иерархической байес процедуры, которые прямо
считает, между продуктом и в рамках продукта изменения
в разработке первоначальной сметы расходов на newproduct.адаптивный
процедуры в сочетании с Bayesian обновления, называется
увеличить фильтр калмана непрерывного государства и отдельных
замечания, предлагается также се и др.[10].в то время как
вышеупомянутых подходов использовать ранее информации, получаемой
от распространения ранее представил продукты
считается наиболее близок, султана и др.[27] разработки первоначальных
оценки параметров проведение мета - анализ 213
наборы параметров из 15 статей.Lee et al.[28] использовать
потребительских депозит, данных в целях строительства до
дистрибутивов.независимо от того, транспортных средствах, используемых для получения первоначального
прогнозов, однако оценки подходов в основном
изменяемых во времени сосредоточиться на обновление после запуска, который по - прежнему требует первоначальных
предстартовые прогнозы будут обновляться по мере поступления данных.