NR 143 PRACE KATEDRY EKONOMETRII l STATYSTYKI NR 3 1994
Marek W ALESIAK
POMIAR EFEKTÓW ODDZIALYWANIA ZMIENNYCH W BADANIACH MARKETINGOWYCH
W artykule omówiono zagadnienia pomiaru efektów oddziaływa
nia zmiennych w badaniach marketingowych. W pierwszej części za- proponowano metodę pomiaru efektów oddziaływania zmiennych re- gresyjnych na
wyróżnioną zmienną zależną opartąna rachunku
różniczkowym i całkowym (może być ona stosowana przy dużych przyro- stach badanej zmiennej regresyjnej). Następnie przedstawiono zwią
zki tej nowej metody z miarą elastyczności punktowej. Końcowym efe- ktem artykułu jest wyznaczenie i porównanie klasycznej elastyczności
punktowej z
elastycznością proponowanąna
przykładzietypowych
funkcji stosoVfanych w badaniach marketingowych.
106 Marek Walesiak l. Sformułowanie problemu
W zagadnieniu regresji
wyróżnia się zmienną zależnąY i zmienne regresyjne X1, •.. ,Xza,. Wektor i macierz obserwacji odpowiednio na zmiennej
zależnejY i zmiennych regresyjnych
są następujące:[
X
u
X12 • • • X lml
ł!; = !lL~~-· ·..:._!~~
XTJ XT2 ••• XTm
gdzie:
Y
t -wartość zmiennej zależnej Y w okresie t (t= l , ... , T ),
Xij -
wartość zmiennej regresyjnej Xi
Wokresie t.
(l )
Zmienne ze zbioru X= {X1, ... ,Xm} traktuje się jako ustalon e na drodze analizy merytorycznej.
Zależność zmiennej Y od zmiennych X1 , ... , Xm przedstawia si ę za
pomocą
równania:
gdzie:
f - funkcje,
X1, ... ,Xm- zmienne regresyjne, e-
błąd.(2)
Spośród funkcji f z równania (2) w pracy będą rozpatrywane linio-
we i sprowadzane do liniowych w wyniku procesu transformacji. Para-
metry funkcji regresji są szacowane na podstawie danych statystycz-
nych . najczęściej za pomocą metody najmniejszych kwadratów .
W ogólnym przypadku wartości funkcji regresji (wartości teoretyczne zmiennej
zależnej) sąrówne:
Y= f(X1, ... ,Xm)• (3)
Wartość funkcji regresji w punkcie (xu, ... ,xtm) wynosi:
9-t=f(xu, ... ,xtm); t=l, ... ,T, (4)
gdzie:
Yt -wartości funkcji regresji (wartości teoretyczne zmiennej za-
leżnej)
w okresie t,
X t;; -
WartoŚĆ zmiennej regresyjnej Xj
Wokresie t.
Jednym z istotnych problemów w analizie regresji jest mierzenie
wpływu oddziaływania zmiennych regresyjnych X
1, •••,Xm na wyró-
żnioną zmienną zależną Y. Mierniki wpływu są zwykle konstruowane w taki sposób, że informują, o ile zmieni się wartość zmiennej zależ
nej, gdy zmieni się wybrana zmienna regresyjna. Na ogół zakłada się,
że pozostałezmienne
utrzymują sięna
stałympoziomie (ceteris pari- bus). Założenie to jest pewnym uproszczeniem, gdyż często się zdarza,
że zmienne są ze sobą powiązane, tak iż zmiana wartości jednej z nich
pociąga za sobą zmiany wartości innych zmiennych, a te z kolei od-
działują na zmienną zależną. Mierniki, które nie zakład~ą warunku ceteris paribus, będą omówione w punkcie 3.
Mierniki
wpływu mogą mierzyć wpływprzyrostu j-ej zmiennej regresyjnej ~i na przyrost zmiennej zależnej
lub
wpływprzyrostu
względnegoj-ej zmiennej regresyjnej
~-
X. J
(~j =
Xqj-xv ; j = l, •.. , m; t, q= l, ... , T; q> t) na przyrost względ
t.i
ny zmiennej zależnej. W pierwszym przypadku mierniki są
108 Marek Walesiak
mianowane, natomiast w drugim są nazywane miernikami elastycz-
ności i niemianowane.
Pionierską pracą w dziedzinie konstrukcji mierników wpływu były Zasady ekonomiki Marshalla [ 40]. W pracy tej Marshall podał klasyczną definicję elastyczności w punkcie, choć jej precyzyjne mate- matyczne sformułowanie pierwszy przedstawił R.G.D. Allen [2], [3].
Omówienie różnych konstrukcji mierników wpływu przedstawiono
między innymi w pracach W. Winkiera [ 40], M. Kolupy [21], Z. Pawłowskiego [31], [32], A. Barczaka [5], L.D. Hoffmana [19], M. Walesiaka [39].
Mierniki wpływu znalazły zastosowanie przede wszystkim w mo- delach sprzedaży i modelach udziału w rynku (market sale and mar- ket sJuJre models). Należą one do podstawowych narzędzi badawczych wykorzystywanych w modelowaniu marketingowym. Świadczą o tym liczne wykorzystania tego narzędzia, między innymi, w pracach M.A.J. Menezesa i I.S. Currima [25], P.M. Parkera (29], R.E. Buckli- na i S. Gupty [10], R.E. Bucklina i V. Srinivasana [11], D.C. Jaina i N.J. V:tlcassima [20], G.J. Russella i R.N. Boitona [34], M.R. Hager- ty'ego, J.M. Carmana i G.J. Russela [17], S. Gupty [16], F.W. Plata i P.S.H. Leeflanga [33], G .J. Tellisa [38], M.H. Morrisa i M.L. Joyce'a [26], H. Gatignona [14], A. Ghosha, S. Neslina i R. Shoemakera [15], A.C. Bemmaora [6], S.A. Neslina i R.W. Shoemakera [28], R.P. Leone i R.L. Schultza (22].
2. Metody pomiaru efektów oddziaływania zmiennych -
ujęcie klasyczne
Niech będą dane następujące przyrosty zmiennych regresyjnych
Xt, ... ,x ... :
Lllj=Xqj-X~;j=l,
... ,m; t,q=l, ... ,T; q>t). (5)
~Y= Yą- Yt można obliczyć wykorzystując równanie (4):
t.y =f (xu + Axt; ... ; Xtm + Lh,..)- f (xu, ... , Xtm). (6) Przyrost t.y można aproksymować przez [13, s. 335]
(7)
gdzie dY - różniczka zupełna funkcji:
. '
dY = fx, (xu, ... ,Xtm) Axt + ... + fx..(xu, ... , Xtm) Lh,.. = Ax, + ... +Ax .. ; (8)
( 2 2)
0~
p= (Axt) + ... +(Lh,..) ;
A
1, -przyrost zmiennej zależnej wywołany przyrostem zmiennej regresyjnej xj.
Przez różniczki zmiennych niezależnych dXt, : .• dXas rozumie się dowolne przyrosty Axt, .•. , Ax,..[l3, s. 336].
Korzyść wynikałąca z takiego przedstawienia przyrostu funkcji t.y
polega na tym, że dY zależy od Axt. ... , t.x
111liniowo.
We wzorze (7) o zależy od t.x1. ... , t.x. i dąży do zera, gdy
!lx
1--+0, ... ,Lh ... --+0 lub krócej, gdy p--+0. Wynika z tego, że jeśli ó.Xt--+ O, ... ,t.x ... --+ O, to przyrost funkcji regresji t.y można z dowolnie
małym błędem zastąpić różniczką zupełną:
(9)
"
Przyjmując przybliżenie (9) i podstawiając za dY prawą stronę
równania (8), wzór na odchylenie względne można wyrazić jako:
110 M arek W alesiak
l l
lOO~y = 100 fxl (xu, ··:•Xtm) ~l+ ..• + 100 fx .. (Xtt. ··:• Xtm) ~m =
Yt Yt Yt
l l
= lOOa fx
1(Xu, ... ,Xtm)Xt1 lOO fx,.(Xu, ... ,Xtm)Xtm =
- l A
+ '
00+ a..
A -(10
1Yt Yt
=:Wx
1+ ... +Wx.,
gdzie:
w
X; - wpływprzyrostu
względnegozmiennej regresyjnej xj (cete-
ris paribus) na przyrost względny zmiennej zależnej
(w procentach),
~i=
a;xq, aj = (Xqj - Xq)X~
1 1j=l, ... ,m.
W x, jest elastycznością zmiennej zależnej Y względem zmiennej regresyjnej Xj. Informuje, jaki jest procentowy przyrost wartości
zmiennej
zależnejw wyniku lOOa;% przyrostu
wartościzmiennej regresyjnej Xj (ceteris paribus). Należy pamiętać, że dopuszczalne jest wykorzystanie wzoru na elastyczność o postaci Wx, tylko dla stosun- kowo
małychprzyrostów
względnych wartościzmiennych regresyj - nych.
Jeśli Axj =O, Olxq (aj =O, Ol; j = l, ... , m), to wyrażenie [19, s. 200]
l
_ fx,(xu, ... ,Xtm) O,Olxq _
1xti
Wx,=lOO
A=fx,(xu, ..• ,xtm)~ Ol
Yt Yt
jest klasyczną definicją elastyczności zmiennej Y względem zmien;-,,.
regresyjnej Xj w punkcie (xu, .•. , Xtm)·
3. Koncepcja metody pomiaru efektów oddziaływania
zmiennych
Posługiwanie się w badaniach ekonomicznych klasycznym wzo- rem na elastyczność punktową oraz wzorami (8) i (lO) jest często nie- uzasadnione, ponieważ zmienne regresyjne X
1, •••,X ... zwykle mają
przyrosty istotnie różne od zera. W takim przypadku, aby we wzorze
\9 ) zachodziła równość, należy proces zmian zmiennych regresyjnych od punktu (xu, ... ,xtm) do punktu {xq1,···•Xqm) przedstawić w postaci
·• kroków. Po każdym kroku zmienne regresyjne otrzymują przyrosty _u ,,_,_ln, ... ,
Axct+r-1)111(r = l, ... , v). Przyrost funkcji (4) można wówczas
przedstawić następująco
[37]:
;;dzie:
Y l
óy = L
fx1 (xct+r-1)1, ••• , Xct+r-1)111) Ax.ct+r-1)1+ ... +
r=1
V l
+L
fx.,(xct+r-1)1, ••• ,X(t+r-1J.,) L\xct+r-1)111+u,
r=1
6.XIt•r-l)j
=
X(t+r}j -X(t+r-l}j1u- błąd oceny, który maleje wraz ze wzrostem v,
(12)
A~' =± f~,(Xct+r-1)1,
••• ,X(t+r-1)111) ÓX(t+r-Ili -wpływ przyrostu zmien-
r:l
nej regresyjnej Xi na przyrost zmiennej
zależnej.Dotychczasowe rozważania zostaną zilustrowane graficznie z uwagi na to,
że mająfundamentalne znaczenie dla konstrukcji pro- ponowanego w dalszej fazie miernika elastyczności. Rysunek l przed- stawia interpretację geometryczną przyrostu funkcji óy i różniczki
zupełnej, określonejwzorem (8), dla przypadkujednej zmiennej regre- syjnej. Na rysunku l (a) przyrost zmiennej regresyjnej wynosi
Axj,a na rysunku l (b) proces zmian
wartościzmiennej regresyjnej Xj
rozłożono na dwa etapy (r= 1,2) i dokonano różniczkowania funkcji
112 Marek Walesiak
regresji w punkcie Xq, a następnie X c t+ lli (zmienna regresyjna otrzy- muje wtedy przyrost odpowiednio .6.xt~ i .6.xc~t:a). Rysunek l (a ) i (bl pokazuje, że przyrost funkcji regresji określony wzorem (12 ) daje mniejszy błąd niż określony wzorem (7), ponieważ OC +NT < SN.
Niech K oznacza krzywą ciągłą (nie jest to krzywa zamknięta ~ łączącą punkty o współrzędnych (xu, ...
,Xta) i (Xqt, •.• ,
Xqm)·Można
obliczyć granicę otrzymanej sumy A~> ('v'j =l, ... , m ), gdy v-t :x:
(a więc ~~r-lli -+ 0). Jeśli granica taka istnieje (porównaj twierdze- nie o istnieniu [9, s. 520]), to nazywa się ją całką krzywoliniową dru · giego rodzaju (wzdłuż rzutu) po krzywej albo po drodze K funkcj i fx. po dX; , zatem [9, s. 519-521]
Ostatecznie otrzymuje się
t:.y =Ak~> + ... +A~= f fxadXt + ... +f f~dX..,.
~.
l .,.
K K
Obliczanie całek krzywoliniowych drugiego rodzaju sprowadza
SI(;'do obliczenia całek oznaczonych. Równania drogi całkowania K moga
być dane w postaci parametrycznej lub jawnej [9, s. 520-521) .
Jeśli równania drogi K są dane w postaci parametrycznE>:
Xt =Xt(p), ... ,X ... =X ... (p), to całki Ai~> , ... ,Ai~ oblicza się według wzo.
ru (15). We wzorach tych Po i P są wartościami parametru f' odpowiadającymi początkowi i końcowi drogi całkowania .
' p '
At>= f fx
1(Xt, ... , X.)dXt =f fx
1[Xt(p), .. ,X,.(p)J X~(p ) dp.
K Po
- - - -- - - --- { l.)
' p l
A~= f fx.<Xt, ... ,X..,)dX. =f fx,.[Xt(P), ... ,Xm (P)] X~(P l dp .
K po
A (a)
Y
Ą (b)
Y
dY = PS; dYt =AC; dYt =RT;
t.y = PN; t.yt =AC; t.h = RN;
!J.y = !J.y
l+ !J.y
JtJ.y =dYt +OC+dYt +NT
Ry11. l. Interpretacja geometryczna przyroatu funkcji regresji i róiniaki
zupełnejdla
przypadku jednej zmiennej regreayjnej
114 Marek W alesiak
W praktycznych zadaniach badań ekonomicznych przyjmuje się ,
żezmiany zmiennych regresyjnych od punktu (xu, ... ,xtm) do punkt u Xqt. ... , Xqm) zachodzą po prostej. Im założenie to jest bliższe rzeczywi-
stości, tym oczywiście wynik jest dokładniejszy. W celu zmniejszenia skali błędu można przyjąć dodatkowe dane o kształtowaniu się zmien- nych regresyjnych X1, ... ,Xm wewnątrz badanego przedziału czasowe- go.
Pozwalająone na wyznaczenie przyrostów w poszczególnych podokresach, a nie tylko przyrostu ogólnego dla całego okresu.
Zmniejszając długość badanych podokresów można przyjąć, ni e
popełniając zbyt dużego błędu, że zmiany wartości zmiennych regre- syjnych w poszczególnych podokresach są liniowe.
Równanie parametryczne odcinka o początku (xu, ... , xun ) i koń ct:
(Xqt, ... , Xqm) przedstawia
układ:gdzie:
Axj = Xqj- Xt,j (j =l, ... , m), Uj = (Xqj- Xt,j) X~l, p
E[O; l].
Zakładając, że równanie drogi całkowania K dane jest w pos taci równania parametrycznego odcinka, całki At> , ... ,Ai:; , określone wzo -
rem (15), oblicza
sięze wzorów:
l l
Ak~> = f fx
1[Xt(P), ... ,Xm(p)]Axtdp , o
l l
A~= f fx.,[Xt(P), ... , Xm(p)Jó.xmdp.
o
Podstawiając za lly prawą stronę równania (14), wzór na odchyle- nie
względne można wyrazićjako[39]:
A
f fx,dX1 f fx,.dXm
!:J.y OOK 100K W 1""l (ool
100-A-=1
A+ ... + A = x,+ •.. +Wx ....
Yt Yt Yt
(18)
gdzie:
w<;,) - wpływ przyrostu względnego wartości zmiennej regresyjnej X; na przyrost względny zmiennej zależnej (w procentach),
f f~, dX; -określone wzorem (15).
K
w<;,> jest elastycznością zmiennej zależnej Y względem zmiennej regresyjnej X;. Elastyczność ta zależy zarówno od punktu odpo-
v.-iadającego stanowi wyjściowemu, czyli (xu, ... , Xtm), od przyrostu zmiennej regresyjnej xj i drogi przejścia od stanu wyjściowego do sta- nu końcowego, czyli {Xql, ••• , Xqm)· W przypadku tego miernika nie
zakłada się zatem warunku ceteris paribus dla pozostałych zmiennych regresyjnych (czyli różnych od j-ej zmiennej regresyjnej). Oprócz tego miernik w~> w przeciwieństwie do miernika w'Xj może być stosowany przy
dużychprzyrostach badanej zmiennej regresyjnej.
Jeśli równanie drogi K jest odcinkiem postaci (16), to korzystając
ze wzoru (17), wzór na elastyczność zmiennej Y względem zmiennej regresyjnej X; jest
następujący:l l
< ""> lOOJr [X X d w'Xj = - .. -
X;I(P), ••. , m(P)J a;x .. p=
Yt o
(19)
l Xij
f
l= lOOar::;- fx
1[Xt(P), ... ,Xm(P)] dp.
Yt o
Miernik elastyczności postaci (19) informuje, jaki jest procentowy
przyrost wartości zmiennej zależnej Y w wyniku 100 a;% przyrostu
116 Marek Walesiak
wartości zmiennej regresyjnej xj (z założeniem, że pozostałe zmien- ne regresyjne otrzymują 100 a1 % (l = l, ... , m; l * j) przyrostu war-
tości i równanie drogi K jest odcinkiem. Jeśli ponadto
~J =O, Olx.; (aJ= O, Ol, j =l, ... ,m), to miernik elastyczności określony
wzorem (19) informuje, jaki jest procentowy przyrost wartości zmien- nej zależnej Y w wyniku l % przyrostu wartości zmiennej regresyjnej XJ (z założeniem, że nie na wszystkie pozostałe zmienne regresyjne przypada 100 a1% (l= l, ... ,m, l *j) przyrostu wartości, a rów:1anie drogi Kjest odcinkiem.
4. Jtozwiązania dla typowych funkcji stosowanych w bada·
niach marketingowych
W badaniach marketingowych analiza regresjijest wykorzystywa- na głównie w analizie popytu, gdzie zmienną zależną jest wielkość sprzedaży badanego dobra lub udział jego sprzedaży w rynku (po-
róWDĄj [30], [22], [36], [7, s. 634]). W funkcji, w której zmienną zależną jest wielkość sprzedaży badanego produktu, najczęściej
uwzględnia się następującezmienne
niezależne[25], [15], [27]:
gdzie:
S, - wielkość sprzedaży badanego produktu s, P - cena produktu s,
W - długość okresu gwarancji produktu s, A - wydatki na
reklamęproduktu s, D -
kanałydystrybucji produktu s, R - jakość produktu s,
F - charakterystyki (parametry) produktu s,
oznaczenia Pe, We,Ae, De, Re, Fe dotyczą produktu (produktów) konkurencyjnego,
c, s= l, ... , C (liczba produktów na rynku), e- błąd.
Jeśli w modelu popytu zmienną zależną będzie udział sprzedaży
badanego produktu w rynku, to wśród zmiennych niezależnych
występują:l l l l l l l
s. =f(P ,W ,A ,D ,R ,F ,e), (21) gdzie:
s: = I,SS. (c = 1, ... , C) - udział sprzedaży produktu s w rynku;
l l l l l l
P =PIPe;W =W!We;A =AIAe;D =DIDe;R =RIRe;F =F/Fe (gdzie c może dotyczyć konkretnego produktu konkurencyjnego lub produktu przeciętnego) lub
l l l l l
P =P/I.Pc;W =WII.Wc;A =AII.Ac;D =DII:Dc;R =
= R/I, Re; F
l=FI L Fe,
pozostałe
oznaczenia jak we wzorze (20).
Do podstawowych funkcji wykorzystywanych w badaniach marke- tingowych w modelach sprzedaży i modelach udziału w rynku należą
liniowa i potęgowa funkcja regresji (porównaj [24, s. 660], [20], [17], [8], [23], [27], [30]).
Wśródczynników, które
decydująo
częstymwy- borze tych funkcji w badaniach marketingowych, wymienia się [20]
a) łatwość estymacji, ponieważ modele te są liniowe lub sprowa-
dzane do postaci liniowej (model potęgowy) względem para-
metrów,
118 Marek W alesiak
b) prosta interpretacja współczynników regresji; dla modelu potę
gowego elastyczności punktowe równają się wartościom współ
czynników regresji,
c) empiryczne rezultaty dają dobry opis badanej rzeczywistości
ekonomicznej.
W badaniach marketingowych częściej wykorzystuje się jed- cak modele potęgowe (prace, w których zaczęto je wykorzystywać
w modelowaniu marketingowym
1 powstawałypo 1970 roku -porów- naj [27, s. 75]) niż liniowe z uwagi na to, że nie zakładają braku inter- akcji
międzyzmiennymi
niezależnymi,tak jak to jest w modelach li- niowych. Ponadto chłonność rynku dla danego produktu jest na ogół
ograniczona,
więcdo opisu
zależnościw funkcji popytu
należy przyjąćfunkcje o malejących przyrostach. Modelliniowy jest funkcją o stałych
przyrostach, natomiast model potęgowy jest funkcją o malejących
przyrostach, gdy suma współczynników elastyczności punktowych jest ....
mniejsza od jedności (L aj< 1).
j=1
Gdy zmienną zależną jest udział sprzedaży danego produktu w rynku (21), modele liniowy i
potęgowynie
spełniajądwóch warun- ków, czyli
c
lc s.
lL s.= L ~s =l, o~ s.~ l, V' s= 1, ... , c. (22)
."1 ."1 ~ c
Warunki określone w równaniu (22) spełnia nieliniowy model o postaci (attradion-type model):
m
ao.TI x;:exp c e.)
l .i=l
s=
1.
C [ m ]
~ ao.:f] X~exp (ec)
(23)
l Pomiar efektów oddziaływania zmiennych ... 119
~ ---
1
Model o postaci (23) należy do często wykorzystywanych w bada- niach marketingowych (porównaj [1], [ 4], [20], [15]).
Wyznaczając funkcje (23) dla dwóch produktów s i c, oblicza-
jąc ich iloraz oraz przyjmując, że aja =aj 'V s= l, ... , C, A. V. Bultez i P .A. Naert [12] otrzymali model potęgowy:
gdzie:
l l
1 1 m
S.fSc = ao.fa0c I1 (Xja/Xjctiexp(e,- ec),
.i=
l(24)
Y= S,IS. - stosunek udziału w rynku produktu s do udziału
w rynku produktu c;
ao = ao.fa0c; X;= Xj,!Xje; e= (e.- ee)·
Inny przykład nieliniowego modelu dla zmiennej zależnej wyrażo
nej jako udział w rynku badanego produktu przedstawiono w pracy [23, s. 670-671] (porównaj
też[10], [34]):
m
exp (a o.+ L ajaXja +e,)
(25)
Wyznaczając funkcje (25) dla dwóch produktów s i c oraz oblicza-
jąc ich iloraz [10], [34], otrzymuje się model wykładniczy:
(26)
gdzie:
l l
Y= S.fSc,
Xj = {Xj, - Xjc),
120
ao =(a o.- aae), e= (e.- e,:), c= 1, ... ,c.
Marek W alesiak
Wśród innych funkcji znajdujących zastosowanie w modelowaruu marketingowym P .A. Naert i P.S.H. Leeflang [27] wymieniają funkcj ę semilogarytmiczną, która jest liniowa względem parametrów. a nie- liniowa względem zmiennych.
Oprócz estymacji funkcji popytu niezwykle ważnym zagadnieniem w badaniach marketingowych jest wyznaczenie współczynników ela-
styczności
popytu
mierzących względnezmiany popytu
wywołane określonymi względnymizmianami zmiennych
niezależnych.Znajo-
mość elastyczności
popytu na dane dobro pozwala na
podjęciewłaściwych decyzji co do zmian w wartościach zmiennych niezależ
nych kontrolowanych przez firmę (cena produktu, nakłady na rekla-
mę i promocję, jakość produktu, kanały dystrybucji, okres gwarancji.
właściwości produktu).
W tym miejscu
można porównać klasyczną elastycznośćzmiennej zależnej Y. względem zmiennej regresyjnej xj w punkcie w x, , wyznaczoną według wzoru (11), z elastycznością w<;,> proponowaną w pracy -
formuła(19) dla a i =O, Ol - dla funkcji liniowej,
potęgowej,semilogarytmicznej i wykładniczej.
Klasyczna elastyczność zmiennej zależnej Y względem zmiennej regresyjnej xj dla funkcji liniowej jest równa
(27)
dla j =l, ... , m.
Elastyczność zmiennej zależnej Y względem zmiennej regresyjnej Xi dla funkcji liniowej ustalona na podstawie proponowanego wzoru
( 19) wynosi
(28)
dla a. i =O, Ol, j = l, ... , m.
Dla liniowej funkcji regresji elastyczności określone wzorami (11)
i (19) dają więc identyczne wskazania.
Klasyczna elastyczność zmiennej zależnej Y względem zmiennej regresyjnej X; dla funkcji potęgowej jest równa
W'XJ=a; (29)
dla j = l, ... , m.
Elastyczność zmiennej zależnej Y względem zmiennej regresyjnej Xi dla funkcji potęgowej, ustalona na podstawie wzoru (19), wynosi
l
W
(oo)'XJ = 100 a.;"T"
XQf (aoa;)(xn( +a.;p)] ... l
&l (x~(l +a.;p)]
llj-1...
Yt o
=100a.;a; ! [(l+a.;)•
1···-l],
a.;E a;
dla a.; =O, Ol, j =l, ... , m.
(30)
Rezultaty uzyskane na podstawie mierników Wij i w<x~
1będą
identyczne tylko w przypadku, gdy a.; = O, Ol i a
1+ ... +a. = l.
122 Marek Walesiak
łGasyczna elastyczność zmiennej zależnej Y względem zmiennej regresyjnej X; dla funkcji semilogarytmicznej jest równa
dla aj =0,01, j = l, ... ,m.
a · WX;=~
Y
t(31)
Elastyczność zmiennej zależnej Y względem zmiennej regresyjnej X; dla funkcji semilogarytmicznej, ustalona na podstawie wzoru (19), wynosi
Xt,jaj f
l 1 -1= lOOa;-.. - x~ (l +ajp) dp =
Yt o
(32)
a· [ 1 ]
1a ·
= lOOa;~ a-In ll+a;pl = lOOln ll+a;l ~
Yt
Jo Yt
dla a;= O, Ol, j =l, ... ,m.
Elastyczność (32) dla a;= O, Ol różni się od elastyczności (31) o czynnik lOOlnl,Ol ~0,995, co oznacza, że w':;> <WX;. W ogólnym przypadku (.Y
r-1a;) zachodzi ta nierówność, ponieważ
lOOln ll+a;l < lOOa;.
łGasyczna elastyczność zmiennej zależnej Y względem zmiennej regresyjnej X; dla funkcji wykładniczej (26) jest równa
(33)
Elastyczność zmiennej zależnej Y względem zmiennej regresyjnej Xj dla funkcji wykładniczej (26), ustalona na podstawie wzoru (19), wynosi
l
(ao)
Xij J
WXj = 100aj-,.- a;exp {ao +at(Xn +a;xnp) + ••• +am(Xtm +a;xtmp)}dp =
Yt o
J
1 { m }lOOa·a·Xij[ {
m }]1
= lOOcxjajXt; exp p~ ajajXt; dp =
m J Jexp p~ ajajXt; =
o
]=L CljajXt;
Fo
i=
l(34)
dla aj= 0,01, j = 1, ... ,m.
W badaniach marketingowych często an~uje się relacje
zachodzące między dwiema zmiennymi, gdzie zazwyczaj zmienną zależną jest wielkość sprzedaży badanego dobra a niezależną wydatki
)
najego
reklamęi
promocję.Literatura
l. Abeele P.V., Gijsbrechts E., Vanhuele M.: Specification and empi- rical evaluation of a cluster-asymmetry market share model.
"International Joumal ofResearch in Marketing" 1990, Vol. 7.
2. Allen R.G.D.: Ekonomia matematyczna. PWN, Warszawa 1961.
124 Marek Walesiak
3. Allen R.G.D.: Mathematical analysis for economists. MacMillan, London 1938.
4. Alsem K.J., Leeflang P.S.H., Reuyl J.C.: The forecasting accuracy o{ market share models using predicted ualues o{ competitiue mar- keting behauior. "International Jou.rnal of Research in Marketing"
1989, Vol. 6.
5. Barczak A.: Pomiar efektów oddziaływania zmiennych egzogenicz- nych i decyzyjnych. W: Ekonometryczne metody prognozowania wykonania planów gospodarczych. Pr. zbior. pod red. Z. Pawłow
skiego. PWN, Warszawa 1979.
6. Bemmaor A.C.: Testing altematiue econometric models on the eristence o{ aduertising threshold effect. "Jou.rnal of Marketing Research". 1984 August, Vol. 21.
7. Bennett P.D.: Marketing. McGraw-Hill Book Co., New York 1988.
8. Brodie R., de Kluyver C.A.: Attraction uersus lin.ear and multipli · catiue market share models: an empirical eualuation. "Joumal of Marketing Research" 1984, May.
9. Bronsztejn Z.N., Siem.iendiajew K.A.: Matematyka. Poradnik encyklopedyczny. PWN, Warszawa 1986.
10. Bucklin R.E., Gupta S.: Brand choice, purchase incidence, and seg- mentation: an integratedmadeling approach. "Jou.rnal of Marke- . ting Research" 1992, May.
11. Bucklin R.E., Srinivasan V.: Detennining interbrand substitutabi·
lity through suruey measurement o{ eonsurner preference structu- res. "Jou.rnal of Marketing Research" 1991, February.
12. Bultez A. V., Naert P .A.: Consistent sum ·constrained models.
"Jou.rnal of the American Statistical Association " 1975, Vol. 70,
No351.
13. Fichtenholz G.M.: Rachunek różniczkowy i całkowy. T. l. PWN, Warszawa 1976.
14. Gatignon H.: Competition as a moderator of advertising on sales.
"Journal ofMarketingResearch" 1984, November, Vol. 21.
15. Ghosh A., Neslin S., Shoemaker R.: A comparison ofmarket share models and estimation procedures. "Journal of Marketing Research" 1984; May, Vol. 21.
16. Gupta S.: Impact of sales promotions on when, what, and lww much to buy. "Journal ofMarketing Research" 1988, November.
17. Hagerty M.R., Carman J.M., Russell G.J.: Estim.ating elasticities with PIMS data: methodological issues and substantive implica- tions. "Journal ofMarketing Research" 1988, February.
18. Hanssens D.M., Parsans L.J., Schultz R.L.: Market response mo- dels: econometric and time series analysis. Kluwer, Boston 1992.
19. Hoffman L.D.: Calcu.lus for business, economics. and the social and life sciences, McGraw-Hill Book Co., New York 1986.
20. Jain D.C., Vucassim N.J.: Testing furu:ticnal formsofmarket shc.- re nwdels using the Box-Cox transformation and the Logrange multiplier approach. "International Journal of Research in Marke- ting" 1989, Vol. 67.
21. Kolupa M.: Prognozy popytu a miary
elastycznościpopytu. "Prze-
gląd Statystyczny" 1963, z. 4.
22. Leone R.P., Schultz R.L.: A study of marketing generalizations.
"Journal ofMarketing" 1980, Winter, Vol. 44.
23. Lilien G.L., Kotler P.: Marketing decision making. A model -buil- ding approach. Harper & Row, New York 1983.
24. Lilien G.L., Kotler P., Moorthy S.K.: Marketing models. Prenti-
ce-Hall, Englewood Cli1Rs 1992.
--- -
-·--···-. -