论文部分内容阅读
在互联网大数据的背景下,纵向数据因其能将截面数据和时间序列数据有效的结合起来,所以在网络营销中占有非常重要的地位.特别在网络营销中也经常会由于高维数据的稀疏性,导致高维空间中的数据处理方法与低维空间中存在显著差异,有必要进一步解决和研究.传统技术在大数据环境下并不能很好地对高维数据进行研究,因此本文将新型的变量选择方法与传统的纵向数据结合,具体的研究内容和结果如下:首先,将Elastic Net方法应用于网络营销中经常出现的纵向数据,不仅能够更好地理解大数据对各种营销活动的影响,同时也让企业更好地发挥其有效性.证明了平衡纵向数据模型的Elastic Net估计具有组效应性质.数据模拟验证了 Elastic Net方法能将强相关变量全部选入纵向数据模型,而Lasso方法无此功效.其次,尽管Elastic Net方法相对于Lasso方法在处理强相关变量组问题时具有显著的优越性,但二者均不具备Oracle性质.本文将Adaptive Elastic Net方法与纵向数据模型进行结合,证明了 Adaptive Elastic Net方法能更有效的处理强相关变量和零变量,即具有组效应性质及Oracle性质.并通过数值模拟,表明了 Adaptive Elastic Net方法与纵向数据模型结合后的估计值明显优于Lasso方法和Elastic Net方法.最后,我们利用网络营销中广告点击率的实际例子,将纵向数据与广告点击率相结合,利用Elastic Net方法进行变量选择,筛选出重要的关键词,从而更好的提高广告点击率.表明Elastic Net方法用于纵向数据模型是可行的,且模型的拟合效果和预测能力均强于传统的纵向数据模型.同时它还实现了 Elastic Net方法在网络营销中的应用.