文摘

计算机技术中扮演着一个重要角色在日常生活的方方面面,包括教育、医疗、网上购物,广告,甚至在家里。电脑有助于使日常工作更容易和方便。在社交媒体中,YouTube是一个著名的社交网络服务共享。随着越来越多的人加入社交媒体,成为日常用户,品牌也增加了在线参与。然而,目前尚不清楚如何有效衡量价值和回报广告使用社交媒体。截至2021年,全球超过3100万的YouTube频道已经打开了。在本文中,我们考虑YouTube广告来检查其有效性和福利。某些统计工具采用利益衡量广告的程度及其相关性在YouTube上创建有效的广告活动。简单线性回归分析在数据上执行代表公司的YouTube广告预算和公司的销售数据。此外,我们开发一个新的统计分布提供最好的YouTube广告数据的描述。 The result of this research shows that YouTube is an effective medium for advertising and has a strong relationship with sales.

1。介绍

营销是所有这些策略的集合,一个公司适应观众传达他们的消息或品牌有关。它有一个重要的角色在激励消费者购买该公司的品牌或产品(1]。营销人员可以直接向企业推广自己的品牌产品(也称为B2B营销)或直接向消费者(也称为B2C营销)。基本上,营销有四个原则(4 p)如(i)产品(P1),(2)价格(P2), (iii)的地方(P3)及(iv)推广(P4)。这些4 ps统称为营销矩阵(2]。

P1是指公司的服务或产品提供给消费者。它处理保修、包装、外观、质量、等等。P2是指产品的价格的设置。它不仅涉及销售价格也处理付款安排,折扣,和信用证条款。P3处理位置的识别公司的产品/服务或分布式。P4包括活动来影响客户的决定,让业务知道他们(3]。

在文献中,许多策略(在线和印刷媒介)已经提出了营销。然而,在可用的策略,在线广告或网络营销是最有效的达到最大的观众。许多场馆可供在线营销如Facebook, YouTube, Twitter, Flickr, Pinterest, Instagram [4]。可能的场所中网络营销,YouTube是一种最有效的网络营销平台(见Djafarova和Matson [5];Pleyers和Vermeulen6];Semeradova和Weinlich7];Acikgoz和Burnaz8];和Al-Maroof et al。9])。

YouTube是第二个最受欢迎的SE(搜索引擎)在全球范围内,广告提供了一个有效的方法来捕捉消费者的注意。首次在2005年中期,YouTube共享视频,由于迅速增长。截至2019年3月,YouTube越过一个每月15亿活跃用户的数量。由于很多活跃用户,吸引了不同的企业注意花越来越多的广告通过YouTube。根据Abdelkader [10),YouTube的前几百(100)广告商每年支出预算增加了60%以上。

在本文中,我们使用YouTube中作为一种广告工具和测试它对公司的销售的影响。检查它的实用性,一种广泛使用的统计方法称为SLRM(简单线性回归模型)。在这方面,我们测试要求(也称为一个假设)使用两种不同的统计测试,等t以及和F以及。进行统计分析,NH(零假设)和啊(备择假设)被制定为=YouTube广告与销售无显著关系vs。=YouTube广告与销售有很大的关系。

除了回归分析,提出了一种新的SD(统计分布)模型YouTube广告数据。新的SD称为HTBPT-Lomax(重尾分布β功率转换Lomax)分布。HTBPT-Lomax非常灵活和具有HT(重尾)特征。

2。方法

在经济的实践研究中,回归分析(RA)是一种重要的技术,帮助计量经济学家知道如何因变量的变化与独立变量的变化(11]。用简单的话说,RA有助于了解销售的可能性(因变量)是影响价格或数量购买(独立变量)(见Nunez et al。12])。主要有两种类型的类风湿性关节炎,称为简单线性RA (SLRA) (i)和(ii)多元线性RA (MLRA)。

在这项工作中,我们重点研究SLRA,。SLRA帮助测量之间的关系Y(回归模型的输出)和一个解释变量X(回归模型的输入)。简单线性回归模型(SLRM)被定义为 在哪里(我)Y代表的结果是我们试图预测模型。(2)X代表模型的输入,有助于预测Y。(3) 被称为模型的截距。如果 (这意味着X没有影响Y),然后 。(iv) 称为模型和代表单位的斜率变化的回归模型的结果。(v) 代表了残余误差项(RET)拥有一个意思或一个平均值为0。

3所示。回归分析

RA是广泛用于两个不同的概念。首先,回归分析用于预测和预报,其使用机器学习领域密切相关。第二,回归分析是用于建立一个因果关系(CR)之间X(预测变量)Y(反应变量)。

RA有很多应用在保险、金融和商业等。在商业和金融领域,RA是用来计算β(返回波动相对于整个市场)的股票。RA也可以用来预测业务的回报或预测业务性能。本节提供了RA预测Y(销售)的基础上,预测变量(YouTube广告)。

3.1。简单线性回归模型

SLRM解释的YouTube广告和销售之间的关系

执行回归技术后,我们观察到的价值代表预测/估计是4.84708美元销售(千)在YouTube上没有广告预算中支出。从今以后,YouTube上的支出没有广告,预期的销售(ES) 。中提供的模型方程的斜率(2)是0.04802表明48单位增量销售。因此,把钱花在YouTube介质,ES ,代表出售52867美元。相应的方程(2),拟合回归模型是由

视觉显示YouTube提供广告和销售之间的关系图1。在图获得的阴谋1代表了一种积极的关系。因此,花钱在YouTube上增加销售广告的结果。

3.2。假设检验

我们采用一个众所周知的统计程序(假设检验)来测试YouTube广告对销售的重要性。开展分析,零假设和替代假设可以制定= YouTube广告与销售和无显著关系。= YouTube广告与销售有很大的关系。

标准错误(SE)是非常有用的在执行测试回归系数假设检验(RCs)。SE措施的可靠性系数估计(CEs)和量化程度CEs实际值/平均值的变化Y。

3.3。t以及

测试 ,首先,我们必须找到是否回归系数的估计远从0。如果SE的估计太小了,那么即使是很小的价值的估计将提供足够的证据反对 。我们使用t以及测量多远从0。后实施t提供了统计,结果表1。

的值t统计数据显示了CE有多远从0。相对于,一个更大的价值t统计提供了证据和显示Y与X。的值表明,值大于t统计。越小价值,拒绝的机会也就越多 。

从表1,很明显的价值t统计(YouTube广告)是零,和 表明的价值不等于零。基于上述结果和讨论,我们可以获得,有足够的证据拒绝 。

3.4。F以及

在这里,我们实现另一个强大的统计检验(称为F以及)检查YouTube广告对销售的影响。如果该值F统计远离零,那么它是表示YouTube广告对销售产生积极的影响。下表2,的值F统计数据是99.18。从今以后,使用YouTube广告媒介作为预测变量预测Y表明更好的模型。

的R广场是其中一个最强大的/重要的统计量用于测量模型适合的质量,和它的取值范围从0到1。的处理线性预测变量和响应变量之间的关系。对于一个特定的模型,如果该值附近为0(接近1),它代表穷人的健康(更好的选择)。在这项研究中,的价值是0.4366,表明销售可以增加 。

3.5。残差

在统计数据和优化,残差代表元素的一个观测值的偏差及其理论价值。在回归分析中,剩余的区别是任何数据点和回归直线。有时他们也被称为一个错误。一个错误在这种情况下并不意味着出现问题的原因分析;这就意味着有一个无法解释的差异观察和理论价值。用简单的话说,残余误差是无法解释的回归直线。

残留,为代表 ,也可以由一个方程表示。这个词观测值之间的区别是和预测价值 。在数学上,我们有

剩余SE措施的质量合适的回归模型13]。在这项研究中,不同的情节提出了残余图的行为2。从图2,我们可以看到这一点(我)剩余的红线与安装图(见图2)接近0的剩余价值。因此,基于剩余与安装图在图2,我们可以说,模型的残差是线性相关的。线性意味着预测变量的回归模型具有直线关系Y。(2)方差齐性是一个线性回归模型的基本假定。如果违反了这一假设,异方差性的问题出现。scale-location情节显示残差满足方差齐性的属性。(3)在RA,观察其删除的数据有很大影响的估计模型参数被称为影响观察。剩余与杠杆图显示有少的有影响力的观察。(iv)的情节quantile-quantile (qq)函数是一种视觉的方法检查正常。qq情节使一个角度(见图2),这一事实导致残差近似正态分布。

3.6。离群值测试

在本节中,我们执行异常测试来检测是否有异常值在剩余的数据。执行异常测试后,我们观察到观察最大的错误。我们也可以看到,存在异常,如提供的箱线图,如图所示3。此外,我们检查有影响力的观察用库克的距离。任何观察远离库克的距离称为影响力的观察。我们使用的标准分割线4 /n识别影响观察。在这里,我们可以看到观察是远离库克的距离,代表有影响力的观察。

3.7。相关测试

测试是用来评估的相关性两个或两个以上变量之间的联系。在这里,我们有两个变量(YouTube广告和销售);因此,我们使用皮尔逊相关分析方法衡量两个变量之间的线性相关。皮尔森相关系数表示r,获得 在哪里和分别是YouTube的手段和销售。的p值(也称为显著性水平)的相关性可以获得通过(i)与自由度使用相关系数表:n -,在那里n代表的数量的观察YouTube和销售数据或(ii)计算t值,由

值得注意的是,如果值是 ,然后YouTube广告和销售之间的相关性是显著的。使用上面的过程中,我们观察到 ,这表明是一个积极的YouTube广告和销售之间的关系(见图4)。我们也发现值是2.2e−16。自值小于0.05,因此,我们拒绝的假设没有YouTube广告和销售之间的关系。

4所示。统计建模

后显示YouTube广告的影响在上面的部分中,我们引入一个新的统计模型分析YouTube广告数据。本节包括三个部分:本部分的第一阶段处理统计模型的引入,(2)第二个分段处理的参数估计,和(3)第三部分处理YouTube广告数据的建模。

4.1。一个新的统计分布

新的统计分布模型的引入真正的现象是一个著名的研究课题,也就是说,相当富有,仍然不断增加。在应用领域中,统计分布模型发挥突出作用金融和保险精算数据集。例如,朱镕基和加尔布雷斯(14]介绍了广义对称——学生t(气-t)分布分析计量经济学和金融数据。Marchant et al。15研究了广义Birnbaum-Saunders (GBS)分布在管理科学和分析数据。Nadarajah和Bakar16]应用新的组合模型(CMs)丹麦火灾保险数据。Theodossiou [17)被认为是倾斜的广义误差(白银)分布金融资产和收益。Bhati和拉维18]研究了广义log-Moyal (GLM)分布,分析了挪威火灾保险损失数据。Punzo et al。19)建议有限混合污染的γ(FMCG)合适的计量数据。Punzo [20.逆高斯分布(IGa)]用于保险和计量经济学建模数据。Ahmad et al。21索赔)提出了一个类(CC)分布和应用保险索赔数据。Ahmad et al。22]介绍了Z-Weibull分布分析地震保险数据。Ahmad et al。23]介绍了新方法生成重尾分布(HT)分布形式和分析保险数据。Punzo和Bagnato24)使用拉普拉斯规模混合物(lsm)建模cryptocurrencies相关数据。东et al。25)引入了一个新的建模医疗保险数据统计分布。赵et al。26]提出了Lomax-Claim (LC)模型来分析金融数据。更多详细信息的有用性在应用科学的统计分布,我们参考Ahmad et al。27]。

我们进一步把这个分支的分布理论和引入新的模型YouTube广告数据。该模型可称为重尾β力量改变了凯文(HTBPT-Lomax)分布。

累积分布函数(CDF) 凯文的分布是由 在哪里 。各自的PDF(概率密度函数)表示 是

最近,赵et al。28)引入了一个新的家庭称为重尾分布β电力转换(HTBPT)家族的分布。它的运作 和PDF 是由 分别。

使用方程(7在方程()9),我们得到了CDF HTBPT-Lomax模型给出的

各自的PDF是

不同的块HTBPT-Lomax PDF 提供了图5。这些情节是获得 , ,和 (红线); , ,和 (绿线); , ,和 (黑线);和 , ,和 (蓝线)。

4.2。估计

在这里,估计 的参数 得到了。考虑一个随机样本 获得 。然后,对应于 ,对数似函数 是

对应于 ,偏导数的

将表达式 ,和 为零,即 和解决这些方程提供的估计 , ,和 ,分别。

4.3。应用程序到YouTube广告数据

本节处理HTBPT-Lomax模型的应用程序使用一个数据集与YouTube广告数据。数据是可用的https://www.businessofapps.com/data/youtube-statistics/。箱线图的YouTube广告提供数据图6而基本措施(BMs)中给出的数据表3。

HTBPT-Lomax模型相比,罗马克斯模型和版本的知名Lomax模型称为取幂凯文(E-Lomax)模型。E-Lomax的运作

评估的最佳拟合能力HTBPT-Lomax和其他竞争对手,某些歧视措施(DMs)和各自的拟合优度检验被认为是价值。给出了DMs(我)AIC (Akaike信息标准): (2)中安集团经贸(纠正Akaike信息标准): (3)BIC(贝叶斯信息准则): (iv)HQIC (Hannan-Quinn信息标准): 在哪里代表了对数似函数。的其他统计测试(v)广告(Anderson-Darling)检验统计量: (vi)CM (Cramer-von米塞斯)检验统计量: (七)Kolmogorov-Smirnov (KS)测试数据:

对于某些数据,模型大值和较小的统计测试值代表了最适合这些数据。表4提供了ml的模型应用到YouTube广告数据。DMs和统计测试的值在表中列出5和6,分别。从表5和6,我们观察到HTBPT-Lomax模型拟合模型中是最好的,因为它有最小值的DMs和统计测试和大价值。这一事实表明的重要性HTBPT-Lomax分布处理数据相关的金融事件。

除了表中提供的数值结果5和6的视觉显示竞争模型中提供了数据7和8。对于这个活动,我们出了probability-probability (p p)和安装发行版的qq功能(HTBPT-Lomax(红线),凯文(蓝线),和E-Lomax(绿线)(见图7和8)。

5。结束语

本研究研究了社交媒体营销和销售之间的关系。在本文中,我们研究了YouTube广告销售额和利润的影响。的数据和信息进行了科学的测试和分析。对于科学研究和分析,我们认为是一个线性回归建模方法以及两个统计检验等t以及和F以及。基于这些工具,可以看出有一个积极的YouTube广告和销售之间的关系。除了这些测试,也进行相关检测,发现有一个YouTube广告和销售之间存在正向关系。正相关关系意味着我们把钱花在YouTube广告越多,越将销售额和利润。最后,HTBPT-Lomax分布应用于模型YouTube广告数据。根据一定的统计工具,它是显示HTBPT-Lomax模型数量远远超过竞争对手。

附录

的用于分析下一节5如下:y{\ textless}读。csv(文件。choose (), header = TRUE)y=y[1]y=y[!。na (y)]data =y数据% - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -% - - - - - - - - - - - - - - - - PDF% - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -pdf_Rayleigh {\ textless}函数(par,x){λ₁=标准[1]Lambda2 = par [2]β=标准[3]λ₁Lambda2((1 + Lambda2y)^ (-Lambda1-1))(β-(日志(β))(β^ ((1 + Lambda2y) ^(λ₁))))}% - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -% - - - - - - - - - - - - - - - - CDF% - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -cdf_pm {\ textless} -功能(par, x){λ₁=标准[1]Lambda2 = par [2]β=标准[3](β^ ((1 + Lambda2y)^(λ₁)))β((1 + Lambda2y)^(λ₁))}set.seed (0)善良。适合(pdf = pdf_pm cdf = cdf_pm开始=c(0.5,0.5,0.5),数据=数据,方法=“蓄热”,域=c(0,正),标定= NULL)

数据可用性

数据集可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突的报告对于本研究。

作者的贡献

扬州和Zubair Ahmad概念化。Zubair Ahmad开发方法。扬州,Zubair艾哈迈德,哈桑Alsuhabi和m·优素福写了初稿。易卜拉欣Alkhairy Zubair艾哈迈德,a . m . Sharawy负责正式的分析。扬州监督这项研究。扬州,m·优素福,a . m . Sharawy调查研究。易卜拉欣Alkhairy Zubair艾哈迈德,哈桑Alsuhabi审查和编辑手稿。