论文部分内容阅读
摘 要：在线购物的飞速发展使在线口碑成为用户在做出购买决定时会参考的最主要来源之一，它也是企业促进营销和扩大影响力的重要工具。在本文中，我们将建立一个数学模型来对网络评论进行特定的研究。评论的积极程度可以反映商品的受欢迎程度。我们通过计算这三种产品的所有评论的积极程度的年度平均值，以便通过ARMA模型研究这三种产品在过去十年中的受欢迎程度的变化趋势，并绘制相应的时间序列图。此外，我们还通过Spearman相关系数探讨了星级比率对后续评论的影响。在这里，我们强调关联性和因果关系之间的差异。最后，我们研究了星级和评论等级之间的相关系数，发现两者之间的相关性不显着。
关键词：ARMA模型，文本评论，相关系数，电商销售
引言
随着信息技术的影响力不断扩大，基于网络的口碑传播在最近几年迅速增长。在线评论是口耳相传的典型例子，它不仅可以有效地帮助客户区分产品质量，而且可以成为企业吸引客户和促进产品销售的有用工具，一些企业甚至操纵在线评论来影响消费者的购买决定。目前已经有大量文献研究了在线评论，一些学者关注在线评论可能对客户的购买决策产生的影响。Duan W证明，在线评论的数量极大地影响了销量。Ghose A和Thelwall M探索了受欢迎的书籍和推特活动的传播，并指出即使负面的在线评论也可以通过提高曝光率来在一定程度上增加销售量。这些研究都为我们的分析提供了帮助和指导。
1 评论时间趋势分析
本文将详细分析过去五年在亚马逊平台上三种产品（吹风机，微波炉和奶嘴）的评分以及评价，通过探索这三种产品评价记录的积极程度的时间趋势，可以分析这三种产品的好评度的变化，从而告诉客户是否应该购买这三种产品。为了详细了解三种产品的好评程度如何随时间变化，我们打算找到拟合曲线的函数表达式。通过使用SPSS的专家建模器，得到了吹风机赞美度曲线的拟合函数。
一阶自回归模型可用于拟合鼓风机的评估。该模型的表达式如下所示：
估计值 和 分别为2.910和-0.611，均通过了显着性水平为0.05的假设检验。拟合函数的R^2为0.890，调整后的R^2为0.886，两者均大于0.75，并且彼此非常接近，表明具有良好的拟合效果。另外，从下面的残差的ACF和PACF图可以看出，所有滞后阶的自相关系数和部分自相关系数与0均无显着差异，因此我们可以将残差视为白噪声序列，而不会需要进一步调整。
2星级比率对未来评论的影响
为了探讨星级评定是否会影响未来的评价，首先做出包含三个产品星级评价和每月平均评价等级折线图：
可以观察到，当星级在短时间内急剧波动时，评论的评级也会迅速变化。这表明星级评分确实可能会影响以后的评论。从生活实践的角度来看，顾客在网上购物时并不总是理性的，而是经常受到他人意见的影响，从而形成“羊群效应”。因此，星级评定与未来评论之间可能存在很强的相关性。为了进一步支持这种观点，我们选择2009年11月至2009年12月的每日星级评分平均值和2009年12月至2010年2月的每日評论评分平均值，以计算两组变量之间的Spearman相关系数。结果如下所示：
P值为0.04，表示相关系数通过了显着性水平为0.05的假设检验。星级与评论之间的Spearman相关系数为0.718，表明它们之间有很强的相关性。
结论
本文根据星级和评论率这两个主要指标来计算评论的积极程度，并说明其随着时间的变化趋势。评论的积极程度可以反映商品的受欢迎程度。我们通过计算这三种产品的所有评论的积极程度的年度平均值，以便通过ARMA模型研究这三种产品在过去十年中的受欢迎程度的变化趋势，并绘制相应的时间序列图。此外，我们还通过Spearman相关系数探讨了星级比率对后续评论的影响。在这里，我们强调关联性和因果关系之间的差异。最后，我们研究了星级和评论等级之间的相关系数，发现两者之间的相关性不显着。
参考文献
[1] Chen Y，Wang Q，Xie J. Online Social Interactions：A Natural Experiment on Word of Mouth Versus Observational Learning [J] . Social Science Electronic Publishing，2011，48（2）：238-254.
[2] Pan Y，Zhang J Q. Born Unequal：A Study of the Helpfulness of User - Generated Product Reviews [J] . Journal of Retailing，2011，87（4）：598-612.
[3] Scholz M，Dorner V. The Recipe for the Perfect Review？ An Investigation into the Determinants of Review Helpfulness[J]. Business & Information Systems Engineering，2013，5（3）：141 -151.
关键词：ARMA模型，文本评论，相关系数，电商销售
引言
随着信息技术的影响力不断扩大，基于网络的口碑传播在最近几年迅速增长。在线评论是口耳相传的典型例子，它不仅可以有效地帮助客户区分产品质量，而且可以成为企业吸引客户和促进产品销售的有用工具，一些企业甚至操纵在线评论来影响消费者的购买决定。目前已经有大量文献研究了在线评论，一些学者关注在线评论可能对客户的购买决策产生的影响。Duan W证明，在线评论的数量极大地影响了销量。Ghose A和Thelwall M探索了受欢迎的书籍和推特活动的传播，并指出即使负面的在线评论也可以通过提高曝光率来在一定程度上增加销售量。这些研究都为我们的分析提供了帮助和指导。
1 评论时间趋势分析
本文将详细分析过去五年在亚马逊平台上三种产品（吹风机，微波炉和奶嘴）的评分以及评价，通过探索这三种产品评价记录的积极程度的时间趋势，可以分析这三种产品的好评度的变化，从而告诉客户是否应该购买这三种产品。为了详细了解三种产品的好评程度如何随时间变化，我们打算找到拟合曲线的函数表达式。通过使用SPSS的专家建模器，得到了吹风机赞美度曲线的拟合函数。
一阶自回归模型可用于拟合鼓风机的评估。该模型的表达式如下所示：
估计值 和 分别为2.910和-0.611，均通过了显着性水平为0.05的假设检验。拟合函数的R^2为0.890，调整后的R^2为0.886，两者均大于0.75，并且彼此非常接近，表明具有良好的拟合效果。另外，从下面的残差的ACF和PACF图可以看出，所有滞后阶的自相关系数和部分自相关系数与0均无显着差异，因此我们可以将残差视为白噪声序列，而不会需要进一步调整。
2星级比率对未来评论的影响
为了探讨星级评定是否会影响未来的评价，首先做出包含三个产品星级评价和每月平均评价等级折线图：
可以观察到，当星级在短时间内急剧波动时，评论的评级也会迅速变化。这表明星级评分确实可能会影响以后的评论。从生活实践的角度来看，顾客在网上购物时并不总是理性的，而是经常受到他人意见的影响，从而形成“羊群效应”。因此，星级评定与未来评论之间可能存在很强的相关性。为了进一步支持这种观点，我们选择2009年11月至2009年12月的每日星级评分平均值和2009年12月至2010年2月的每日評论评分平均值，以计算两组变量之间的Spearman相关系数。结果如下所示：
P值为0.04，表示相关系数通过了显着性水平为0.05的假设检验。星级与评论之间的Spearman相关系数为0.718，表明它们之间有很强的相关性。
结论
本文根据星级和评论率这两个主要指标来计算评论的积极程度，并说明其随着时间的变化趋势。评论的积极程度可以反映商品的受欢迎程度。我们通过计算这三种产品的所有评论的积极程度的年度平均值，以便通过ARMA模型研究这三种产品在过去十年中的受欢迎程度的变化趋势，并绘制相应的时间序列图。此外，我们还通过Spearman相关系数探讨了星级比率对后续评论的影响。在这里，我们强调关联性和因果关系之间的差异。最后，我们研究了星级和评论等级之间的相关系数，发现两者之间的相关性不显着。
参考文献
[1] Chen Y，Wang Q，Xie J. Online Social Interactions：A Natural Experiment on Word of Mouth Versus Observational Learning [J] . Social Science Electronic Publishing，2011，48（2）：238-254.
[2] Pan Y，Zhang J Q. Born Unequal：A Study of the Helpfulness of User - Generated Product Reviews [J] . Journal of Retailing，2011，87（4）：598-612.
[3] Scholz M，Dorner V. The Recipe for the Perfect Review？ An Investigation into the Determinants of Review Helpfulness[J]. Business & Information Systems Engineering，2013，5（3）：141 -151.