前回では以下のようなModelを考えた。

tが閉店日の場合、 $SalesObserve_t = 0$
それ以外の場合、
$SalesObserve_t = SalesState_t + Week_t + PromotionEffect_t + \sigma_{SalesObserve}$
$SalesState_t = 2\mu_{t-1} - \mu_{t-2} + \sigma_{SalesState}$
$Week_t = s_t + d_{1,t} b_1 (s_{日,t} - s_t) + d_{2,t} (b_2 (s_{金,t} - s_t) + b_3 (s_{土,t} - s_t))$
$PromotionEffect_t = C_{promo} * PromotionFlg_t$

だが、結果としてsamplingがおこなわなかった。そのため、今回もプロットは無しで理屈のみ。。。

前回のモデルと今回のモデルの差

前回のモデルは「ある1店舗」の時系列を考えた。今回は、「全店舗」について考えたい。

店舗についての情報として、

StoreType(店舗タイプ）
Assortment(装飾のレベル)

などがある。
StoreTypeとAssortmentをかけ合わせたStoreTypeAssortmentを用いて、「StoreTypeAssortmentが同じ店舗の動きは似ているだろう」という仮設を入れた階層ベイズモデルを作成する。

このとき、以下のようなモデルとなる(id=店舗id、SA = StoreTypeAssortment) 。

$\mu_{id, SA, t} = SalesState_{id, SA, t} + Week_{id, SA, t} + PromotionEffect_{id, SA, t}$
$SalesObserve_{id, SA, t} = \mu_{id, SA, t} + \sigma_{SalesObserve_{SA}}$
$\mu_{id, SA, t} = \mu_{共通, t} + \sigma_{SalesState_{共通}}$
$\sigma_{SalesObserve_{SA}} = \sigma_{SalesObserve_{共通}} + \sigma_{SalesState_{共通}}$