Statystyka · Marketing

Aukcje internetowe – co podnosi cenę końcową

Fikcyjny serwis aukcji używanych zegarków i 3000 aukcji: cena wywoławcza, zdjęcia, ocena sprzedawcy, pora końca i długość aukcji. Krok po kroku: regresja logarytmu ceny z efektami w procentach, niesprzedane aukcje jako obserwacje ocenzurowane, model dwuczęściowy, licytujący jako mediator i błędy klastrowane – pięć rysunków z kodem R, podpisy APA i zdania do pracy.

Strona główna / Blog / Aukcje internetowe – cena końcowa
W skrócie: Cenę końcową aukcji analizuj regresją logarytmu ceny i czytaj efekty jako 100 × (exp(b) − 1)%, ale nie wyrzucaj niesprzedanych aukcji. W fikcyjnym serwisie z 3000 aukcjami zegarków komplet z pudełkiem dawał +9.8%, a zdjęcie +1.8%. Regresja na samych sprzedanych mówiła, że wyższa cena wywoławcza podnosi cenę (+1.6% na 10 pp), a model z cenzurowaniem pokazał spadek o 1.4% – prawda wynosiła −1.2%. Model dwuczęściowy (logit sprzedaży × cena) wskazał, że najwięcej przynosi niska cena wywoławcza. Liczby licytujących nie dodawaj do modelu – to mediator; a przy wielu aukcjach tego samego modelu licz błędy klastrowane: zwykłe dawały 51.2% fałszywych alarmów.

Przykład: serwis aukcji używanych zegarków

Fikcyjny serwis aukcji używanych zegarków ma dane o 3000 zakończonych aukcjach 116 modeli. Dla każdego modelu serwis zna cenę referencyjną – typową cenę z wcześniejszych transakcji. Sprzedawca sam wybiera cenę wywoławczą, liczbę zdjęć, długość aukcji (3, 5, 7 lub 10 dni) oraz dzień i godzinę końca. Serwis zna też ocenę sprzedawcy (odsetek pozytywnych opinii) i wie, czy zegarek ma pudełko i dokumenty.

Pytanie marketingu: co podpowiadać sprzedawcom, żeby zegarki sprzedawały się drożej? I czy wysoka cena wywoławcza „chroni” cenę, czy odstrasza licytujących? Sprzedało się 2187 aukcji (72.9%), z medianą ceny końcowej 1520 zł, czyli 0.91 ceny referencyjnej. Pozostałe 813 aukcji zakończyły się bez sprzedaży: nikt nie dał ceny wywoławczej, więc ceny końcowej nie ma.

Dane są fikcyjne i wiemy, jaki mechanizm w nich ukryliśmy. Parametry ustawiliśmy ręcznie: zdjęcia, pora końca i długość aukcji przyciągają licytujących, wysoka cena wywoławcza ich odstrasza, a licytujący podbijają cenę; staranni sprzedawcy dodają więcej zdjęć i mają lepsze oceny. Wartości i zmiany po pierwszym uruchomieniu opisujemy przy kodzie. Dzięki temu widać, które oszacowanie trafia w prawdę. Dane pobierzesz jako aukcje-zegarkow-3000.csv (dla niesprzedanych aukcji cena końcowa jest pusta).

Rysunek 1: jak przebiega aukcja i czego nie widać w danych

Schemat z trzema prostokątami połączonymi strzałkami: 1. Wystawienie (cena wywoławcza 5–110% ceny referencyjnej, zdjęcia 1–12, ocena sprzedawcy, długość 3–10 dni), 2. Licytacja (w sprzedanych średnio 3.5 licytującego), 3. Koniec aukcji (42% aukcji kończy się wieczorem 18–22). Z trzeciego prostokąta dwie strzałki: do zielonego prostokąta Sprzedana – 2187 aukcji (73%), cena końcowa znana, mediana 1520 zł – i do pomarańczowego prostokąta z przerywaną ramką Niesprzedana – 813 aukcji (27%), cena nieznana, wiemy tylko, że niższa niż cena wywoławcza. Pod spodem napis: regresja tylko na sprzedanych pomija tę część
Rysunek 1. Przebieg aukcji i dwa możliwe zakończenia z liczbami z przykładu. Grafika: R, pakiet ggplot2 (dane fikcyjne, set.seed(699)).

Co widać. Sprzedawca decyduje w kroku 1, ale cenę tworzą licytujący w kroku 2. O sprzedaży w dużej mierze decyduje cena wywoławcza: przy cenie wywoławczej do 30% ceny referencyjnej sprzedały się wszystkie aukcje, przy 30–60% – 97.2%, przy 60–90% – 57.4%, a powyżej 90% – tylko 21.5%.

Jak może zmylić. Czynniki z kroku 1 nie są niezależne: zdjęcia, pora końca i niska cena wywoławcza działają w dużej części przez liczbę licytujących (rysunek 4). A niesprzedana aukcja to nie „brak danych” (rysunek 3).

Podpis do pracy:

Rysunek 1. Schemat przebiegu aukcji internetowej i liczba aukcji zakończonych sprzedażą oraz bez sprzedaży. Uwaga. Dla aukcji niesprzedanych cena końcowa nie jest obserwowana; wiadomo jedynie, że najwyższa gotowość do zapłaty była niższa od ceny wywoławczej.

Rysunek 2: co podnosi cenę – regresja logarytmu ceny

Zaczynamy od analizy, którą zrobiłby każdy: regresja wieloraka logarytmu ceny końcowej na sprzedanych aukcjach. Wśród predyktorów jest logarytm ceny referencyjnej, więc pozostałe współczynniki porównują aukcje tego samego „poziomu cenowego”. Współczynnik b przy logarytmie ceny przeliczamy na procenty:

różnica ceny (%) = 100 × (exp(b) − 1)

Przykład: pudełko i dokumenty mają b = 0.0932, więc 100 × (exp(0.0932) − 1) = 9.8%: zegarek z kompletem sprzedaje się średnio o 9.8% drożej niż taki sam bez kompletu. Przedziały liczymy z błędów odpornych na klastrowanie po modelu zegarka (rysunek 5).

Wykres współczynników: punkty z poziomymi przedziałami 95% dla jedenastu cech, w procentach ceny końcowej. Pudełko i dokumenty +9.8%, mechanizm automatyczny +8.6% z szerokim przedziałem od 2.2 do 15.5, ocena sprzedawcy +1 pp +4.0%, koniec wieczorem +2.8%, aukcja 10 dni +2.1%, +1 zdjęcie +1.8%, cena wywoławcza +10 pp ceny referencyjnej +1.6% zaznaczona pomarańczowym trójkątem jako obciążona przez pominięte niesprzedane, koniec w weekend +1.3%, aukcja 3 dni −0.3%, aukcja 5 dni −0.9%, koniec w nocy −1.7%; przedziały pięciu ostatnich obejmują zero
Rysunek 2. Wykres współczynników regresji logarytmu ceny końcowej na sprzedanych aukcjach, przeliczonych na procenty, z 95% przedziałami ufności z błędów odpornych na klastrowanie. Obliczenia: R, pakiety ggplot2, sandwich i lmtest (dane fikcyjne, set.seed(699)).

Co widać. Największe różnice dają cechy samego zegarka: pudełko i dokumenty +9.8% [7.8, 11.8], mechanizm automatyczny +8.6% [2.2, 15.5]. Sprzedawca z oceną wyższą o 1 pp uzyskuje średnio +4.0% [3.0, 5.0], każde dodatkowe zdjęcie to +1.8% [1.4, 2.2], a koniec aukcji wieczorem (18–22) zamiast w dzień to +2.8% [1.0, 4.7]. Przedziały dla końca w nocy, weekendu i długości aukcji obejmują zero. Elastyczność względem ceny referencyjnej wynosi 0.942, a R² = .885 (n = 2187).

Jak może zmylić. Wykres współczynników ustawia obok siebie cechy w różnych jednostkach: jedno zdjęcie, 1 pp oceny i „tak/nie” dla kompletu. Dłuższy odcinek nie znaczy „ważniejsza cecha”. Trójkąt przy cenie wywoławczej („+1.6% na 10 pp”) jest zniekształcony przez to, czego w tej regresji brakuje. Podobne zmienne badali Lucking-Reiley i in. (2007) na prawdziwych aukcjach monet kolekcjonerskich: oceny sprzedawcy miały mierzalny wpływ na cenę (negatywne silniejszy niż pozytywne), a cena minimalna i dłuższa aukcja wiązały się z wyższą ceną końcową. Ten sam zapis efektów w procentach opisuje wpis o regresji hedonicznej cen mieszkań.

Podpis do pracy:

Rysunek 2. Procentowe różnice ceny końcowej aukcji związane z cechami aukcji i sprzedawcy (regresja logarytmu ceny końcowej, aukcje zakończone sprzedażą, n = 2187). Uwaga. Efekt = 100 × (exp(b) − 1); 95% przedziały ufności z błędów standardowych odpornych na klastrowanie po modelu zegarka (116 modeli); model kontroluje logarytm ceny referencyjnej.

Rysunek 3: aukcje niesprzedane – cenzurowanie i model dwuczęściowy

Niesprzedana aukcja niesie informację: najwyższa oferta, jaką ktoś był gotów dać, była niższa niż cena wywoławcza. Jeśli takie aukcje wyrzucimy, zostają dane ucięte: tylko wyniki powyżej progu, a próg rośnie razem z ceną wywoławczą. Przy wysokiej cenie wywoławczej z próby znikają słabe wyniki, więc średnia cena sprzedanych rośnie. To klasyczny błąd selekcji. Porównujemy trzy podejścia:

  • regresja tylko na sprzedanych (z rysunku 2);
  • model z cenzurowaniem – odmiana modelu tobitowego, w której niesprzedana aukcja jest obserwacją ocenzurowaną z progiem równym jej cenie wywoławczej (funkcja survreg());
  • model dwuczęściowy – regresja logistyczna sprzedaży razy regresja ceny sprzedanych. Odpowiada na pytanie: ile średnio przyniesie wystawiona aukcja?
Dwa panele. A: oś pozioma cena wywoławcza od 5 do 110% ceny referencyjnej, oś pionowa cena końcowa jako ułamek ceny referencyjnej w skali logarytmicznej. Niebieskie punkty to sprzedane aukcje rozrzucone wokół 0.9; pomarańczowe krzyżyki to niesprzedane aukcje leżące na przekątnej, od ok. 50% w górę. Ciągła linia regresji tylko na sprzedanych rośnie, przerywana linia modelu z cenzurowaniem i kropkowana linia prawdy lekko opadają. B: typowa aukcja z ceną referencyjną 2000 zł. Pomarańczowa linia ceny, gdy sprzedana, rośnie od 1789 do 2104 zł. Niebieska linia oczekiwanego przychodu z modelu dwuczęściowego i kropkowana linia prawdy są najwyżej przy cenie wywoławczej 5% (1937 i 2037 zł), łagodnie spadają do ok. 1800 zł przy 50% i gwałtownie spadają do ok. 330–380 zł przy 110%
Rysunek 3. Cena końcowa a cena wywoławcza: aukcje sprzedane i niesprzedane z liniami trzech modeli (A; co czwarta aukcja) oraz cena przy sprzedaży i oczekiwany przychód z wystawionej aukcji dla typowego zegarka (B). Obliczenia: R, pakiety ggplot2, patchwork i survival (dane fikcyjne, set.seed(699)).

Co widać. Dla niesprzedanej aukcji znamy tylko górną granicę ceny (krzyżyki na przekątnej). Regresja na sprzedanych mówi, że każde 10 pp ceny wywoławczej podnosi cenę o 1.6%. Model z cenzurowaniem daje −1.4% [−1.7, −1.0], a prawda z symulacji to −1.2%: wyższa cena wywoławcza odstrasza licytujących i lekko obniża cenę, jaką rynek jest gotów zapłacić. Model z cenzurowaniem poprawia też inne efekty: zdjęcie +2.2% (prawda 2.2%, regresja na sprzedanych 1.8%), komplet +11.7% (prawda 11.2%, na sprzedanych 9.8%).

Panel B pokazuje skutek dla decyzji. Regresja ceny sprzedanych podpowiada „im wyżej, tym lepiej” (1789 zł przy 5%, 2104 zł przy 110%), ale każde 10 pp ceny wywoławczej to iloraz szans sprzedaży 0.348. Model dwuczęściowy daje oczekiwany przychód 1937 zł przy cenie wywoławczej 5%, 1816 zł przy 50%, 728 zł przy 90% i 329 zł przy 110% (prawda: 2037, 1870, 961 i 381 zł). Oba wskazują najniższą cenę wywoławczą.

Jak może zmylić. Model dwuczęściowy potrzebuje giętkiej zależności od ceny wywoławczej: wersja liniowa wskazywała optimum przy 45%, więc użyliśmy splajnu. Cenę z logarytmu przeliczamy z poprawką smearing Duana (1983), tu 1.026, bo sama funkcja exp() zaniża średnią. Przychód 0 zł z niesprzedanej aukcji to uproszczenie – zegarek można wystawić ponownie. Model z cenzurowaniem działa, bo znamy próg każdej aukcji. Gdy próg jest nieznany (np. ukryta cena minimalna), potrzebny jest model selekcji Heckmana (Heckman, 1979) z co najmniej jedną zmienną, która wpływa na sprzedaż, ale nie na cenę. Bajari i Hortaçsu (2003) pokazali, że wejście do aukcji kosztuje licytujących, a droższe przedmioty częściej wystawiano z ukrytą ceną minimalną i niską ceną wywoławczą. Model dwuczęściowy opisuje też wpis o przychodzie na klienta, a cenzurowanie w czasie – wpis o okresie próbnym i freemium.

Podpis do pracy:

Rysunek 3. Cena końcowa względem ceny wywoławczej w aukcjach sprzedanych i niesprzedanych z liniami regresji na aukcjach sprzedanych, modelu z cenzurowaniem i prawdziwej zależności (A) oraz cena przy sprzedaży i oczekiwany przychód z wystawionej aukcji dla typowego zegarka o cenie referencyjnej 2000 zł (B). Uwaga. Aukcje niesprzedane pokazano na poziomie ceny wywoławczej jako górnej granicy ceny; model dwuczęściowy: regresja logistyczna sprzedaży × regresja logarytmu ceny z poprawką smearing.

Zdanie do Wyników:

W regresji ograniczonej do aukcji sprzedanych wyższa cena wywoławcza wiązała się z wyższą ceną końcową (+1.6% na 10 pp ceny referencyjnej), jednak po uwzględnieniu aukcji niesprzedanych jako obserwacji ocenzurowanych kierunek związku się odwrócił (−1.4%, 95% CI [−1.7, −1.0]).

Rysunek 4: zdjęcia, staranny sprzedawca i liczba licytujących

Ile naprawdę daje jedno zdjęcie i koniec aukcji wieczorem? Porównujemy trzy modele na sprzedanych aukcjach: bez oceny sprzedawcy, z oceną i dodatkowo z liczbą licytujących.

Dwa panele z trzema punktami i przedziałami 95%. Górny, +1 zdjęcie: model bez oceny sprzedawcy +2.5%, model z oceną +1.8%, model z liczbą licytujących +0.8%; przerywana linia prawdziwego efektu całkowitego przy 2.2% i kropkowana linia prawdziwego efektu bezpośredniego przy 1.2%. Dolny, koniec wieczorem: +2.7%, +2.8% i −2.1%; prawdziwy efekt całkowity 4.4%, prawdziwy efekt bezpośredni 0
Rysunek 4. Efekt zdjęcia i końca aukcji wieczorem w trzech specyfikacjach modelu z prawdziwym efektem całkowitym i bezpośrednim. Obliczenia: R, pakiety ggplot2, sandwich i lmtest (dane fikcyjne, set.seed(699)).

Co widać. Bez oceny sprzedawcy zdjęcie „daje” +2.5% [2.1, 3.0]. Po dodaniu oceny efekt spada do +1.8% [1.4, 2.3]. Staranni sprzedawcy dodają więcej zdjęć (korelacja z oceną: .41) i sprzedają drożej, więc pominięta ocena jest zmienną zakłócającą, a zdjęcia przejmują część jej zasługi. Prawdziwy efekt całkowity zdjęcia to 2.2%. Model z oceną trafia nieco poniżej, bo dziedziczy błąd selekcji z rysunku 3 – w modelu z cenzurowaniem było 2.2%.

Trzeci model dodaje liczbę licytujących. Zdjęcie przyciąga ich o 5.9% więcej, koniec wieczorem – o 30.8% więcej, a przejście z 3 do 4 licytujących podnosi cenę o 5.4%. Licytujący są więc mediatorem: leżą na drodze od zdjęć i pory do ceny. Po ich dodaniu zostaje tylko „efekt bezpośredni”: zdjęcie +0.8% (prawda 1.2%), wieczór −2.1% [−3.9, −0.2] (prawda 0).

Jak może zmylić. Kto doda licytujących do modelu „dla lepszego dopasowania”, uzna, że pora końca nie ma znaczenia albo szkodzi, choć cały jej wpływ (+4.4%) idzie przez licytujących. Do decyzji „kiedy kończyć aukcję” potrzebny jest efekt całkowity, czyli model bez mediatora. Efekt bezpośredni z modelu z mediatorem jest wiarygodny tylko przy dodatkowych założeniach, m.in. braku niemierzonych czynników wpływających jednocześnie na licytujących i cenę. Tu ujemny wynik dla wieczoru to artefakt: w próbie samych sprzedanych aukcji model kontroluje zmienną, na którą wpływa pora. Te założenia i analizę wrażliwości opisuje wpis o mediacji przyczynowej.

Podpis do pracy:

Rysunek 4. Procentowa różnica ceny końcowej przy dodatkowym zdjęciu i zakończeniu aukcji wieczorem w modelu bez oceny sprzedawcy, z oceną sprzedawcy oraz z oceną i liczbą licytujących. Uwaga. Aukcje zakończone sprzedażą (n = 2187); 95% przedziały ufności z błędów odpornych na klastrowanie po modelu zegarka; linie pionowe – prawdziwy efekt całkowity i bezpośredni znany z symulacji.

Zdanie do Metody:

Liczby licytujących nie włączono do głównego modelu ceny, ponieważ jest ona skutkiem cech aukcji (zdjęć, pory zakończenia, ceny wywoławczej) i pośredniczy w ich wpływie na cenę; model z tą zmienną potraktowano jako analizę uzupełniającą efektu bezpośredniego.

Rysunek 5: wiele aukcji tego samego modelu

Ten sam model zegarka pojawia się w danych wiele razy: mediana to 18.5 aukcji na model, a najpopularniejszy ma 96. Aukcje jednego modelu dzielą niemierzone cechy (np. modę na fason), więc ich reszty są skorelowane, a o cechach modelu mamy tylko 116 niezależnych „porcji informacji”.

Panel A: poziome słupki ilorazu błędu standardowego odpornego na klastrowanie do zwykłego. Mechanizm automatyczny, cecha modelu zegarka, ma iloraz 3.1 (pomarańczowy słupek); cechy aukcji od 0.8 do 1.2 (niebieskie słupki). Panel B: odsetek wyników p mniejszych od .05 dla losowej cechy modelu bez wpływu na cenę w 1000 powtórzeniach: zwykłe błędy standardowe 51.2%, błędy z klastrów 6.2%; przerywana linia na nominalnych 5%
Rysunek 5. Iloraz błędów standardowych odpornych na klastrowanie po modelu zegarka i zwykłych (A) oraz odsetek fałszywych alarmów dla cechy modelu bez wpływu na cenę w 1000 losowaniach (B). Obliczenia: R, pakiety ggplot2, patchwork, sandwich i lmtest (dane fikcyjne, set.seed(699) i set.seed(6995)).

Co widać. Dla cech aukcji (zdjęcia, pora, długość) błędy odporne na klastrowanie są podobne do zwykłych (iloraz 0.8–1.2). Dla mechanizmu automatycznego, który jest cechą modelu, błąd standardowy rośnie z 0.0102 do 0.0312, czyli 3.1 raza. W 1000 losowaniach dodaliśmy cechę modelu bez żadnego wpływu na cenę (np. losową „serię limitowaną”). Zwykłe błędy standardowe dały p < .05 w 51.2% powtórzeń (błąd Monte Carlo 1.6 pp), a błędy z klastrów – w 6.2% (0.8 pp).

Jak może zmylić. Dla cech zmieniających się wewnątrz modelu klastrowanie niewiele zmienia, ale cechy całego modelu zegarka bez korekty wyglądają na pewniejsze, niż są. Cameron i Miller (2015) zwracają uwagę, że przy danych w klastrach zwykłe błędy standardowe mogą mocno zawyżać precyzję, a przy małej liczbie klastrów nawet poprawka może nie wystarczyć. W R liczy je funkcja vcovCL() z pakietu sandwich (Zeileis i in., 2020). Alternatywą są efekty stałe lub losowe modelu zegarka.

Podpis do pracy:

Rysunek 5. Stosunek błędów standardowych odpornych na klastrowanie po modelu zegarka do zwykłych błędów standardowych (A) oraz odsetek wyników istotnych na poziomie .05 dla losowej cechy modelu bez wpływu na cenę (B). Uwaga. 116 modeli zegarków, 2187 aukcji sprzedanych; panel B – 1000 losowań.

Co z tym zrobić w marketingu

  • Podpowiadaj zdjęcia i komplet. Każde zdjęcie to ok. +2% ceny i więcej licytujących, komplet – ok. +10%.
  • Proponuj koniec aukcji wieczorem. Koniec 18–22 ściąga o ok. 30% więcej licytujących, podnosi szanse sprzedaży (iloraz szans 1.12) i cenę.
  • Nie zalecaj wysokiej ceny wywoławczej na podstawie cen sprzedanych. Policz oczekiwany przychód z wystawionej aukcji (rysunek 3B).
  • Przed kampanią „dodaj więcej zdjęć” sprawdź, czy nie płacisz za staranność sprzedawcy. Bez oceny sprzedawcy w modelu zdjęcie „dawało” 2.5% zamiast 1.8%. Najpewniej rozstrzygnie to test A/B: losowa połowa sprzedawców dostaje przypomnienie o zdjęciach.
  • Raportuj wyniki w procentach z przedziałami z klastrów. Przy cechach modelu zegarka zwykłe przedziały są ponad trzy razy za wąskie.

Jak serwis z ofertami może mierzyć wpływ pozycji oferty na liście, pokazuje wpis o pozycji w wynikach a klikalności. Szacowanie reakcji sprzedaży na cenę opisuje wpis o elastyczności cenowej.

Jak opisać w pracy

Opisz liczbę aukcji i sprzedanych, model, przedziały, sposób potraktowania niesprzedanych aukcji i rolę licytujących. W ograniczeniach napisz, że to dane obserwacyjne: sprzedawcy sami wybierają zdjęcia i cenę wywoławczą. Więcej o analizach w pracach z marketingu: statystyka w pracy z marketingu.

Metoda. Analizowano 3000 aukcji 116 modeli używanych zegarków, z których 2187 (72.9%) zakończyło się sprzedażą. Zależność ceny końcowej od cech aukcji oszacowano regresją liniową logarytmu ceny końcowej z kontrolą logarytmu ceny referencyjnej modelu; współczynniki przeliczono na procentowe różnice ceny (100 × (exp(b) − 1)). Przedziały ufności obliczono z błędów standardowych odpornych na klastrowanie po modelu zegarka. Aby uwzględnić aukcje niesprzedane, oszacowano model regresji z lewostronnym cenzurowaniem na poziomie ceny wywoławczej, a oczekiwany przychód z wystawionej aukcji – modelem dwuczęściowym (regresja logistyczna sprzedaży i regresja logarytmu ceny z poprawką smearing). Liczbę licytujących potraktowano jako mediator i nie włączono jej do modelu głównego. Obliczenia wykonano w R 4.5.3.
Wyniki. Wyższą cenę końcową uzyskiwały zegarki z pudełkiem i dokumentami (+9.8%, 95% CI [7.8, 11.8]) oraz aukcje sprzedawców z wyższą oceną (+4.0% na 1 pp, 95% CI [3.0, 5.0]). Dodatni związek ceny wywoławczej z ceną końcową w aukcjach sprzedanych (+1.6% na 10 pp) wynikał z pominięcia aukcji niesprzedanych; w modelu z cenzurowaniem związek był ujemny (−1.4%, 95% CI [−1.7, −1.0]).
Przykład reprodukowalny

Kod R wszystkich rysunków

Kod odtwarza wszystkie liczby z tekstu i pięć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy paletę, motyw, parametry i dane, przepis 2 – formułę wzor i model m_sprzedane używane dalej. Przepisy 1–5 kończą się nazwą wykresu (p1–p5), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów p1–p5, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.

Losują dwa bloki: przepis 1 zaczyna od set.seed(699), a przepis 5 od set.seed(6995); przepisy 2, 3, 4 i 6 nie losują. Ziarna ustalono raz i nie zmieniano ich. Ręcznie ustalono (przepis 1, lista b): 120 modeli i 3000 aukcji; cenę referencyjną modelu z rozkładu log-normalnego o medianie 1800 zł; liczbę zainteresowanych licytujących jako 1 + Poisson ze stałą 1.30, efektem +0.08 na zdjęcie, −1.4 na cenę wywoławczą równą 100% ceny referencyjnej, +0.35 dla końca wieczorem, −0.35 w nocy, +0.10 w weekend i −0.25, −0.08, 0, +0.08 dla aukcji 3, 5, 7 i 10 dni (na skali logarytmu); logarytm ceny z efektem +0.012 na zdjęcie, +0.04 na 1 pp oceny, +0.25 na log(1 + licytujący), +0.05 na cenę wywoławczą, +0.10 za komplet i +0.10 za mechanizm automatyczny, odchylenia standardowe 0.15 dla modelu i 0.18 dla aukcji; aukcja sprzedaje się, gdy najwyższa gotowość do zapłaty sięga ceny wywoławczej; ręcznie dobrano też rozkłady cech aukcji (staranność sprzedawcy powiązana z oceną, liczbą zdjęć i kompletem, cena wywoławcza 5–110% ceny referencyjnej, udziały długości i godzin końca) – wartości są w kodzie. W przepisie 3 typowa aukcja to zegarek automatyczny za 2000 zł z 5 zdjęciami i oceną 98%, a splajn ma 4 stopnie swobody; w przepisie 5 – 1000 losowań.

Zmiany po pierwszym uruchomieniu (ziarna bez zmian): (1) w pierwszej wersji aukcja bez żadnego chętnego była niesprzedana niezależnie od ceny, przez co niesprzedana aukcja nie zawsze oznaczała ofertę poniżej ceny wywoławczej; ustaliliśmy, że zawsze jest co najmniej jeden zainteresowany, a stałą liczby licytujących zmieniliśmy z 1.55 na 1.30; (2) wpływ licytujących na cenę był za słaby, by pora końca była widoczna w regresji (efekt wieczoru 0.0%), więc wzmocniliśmy go: efekt log(1 + licytujący) z 0.15 na 0.25, wieczór z 0.25 na 0.35, noc z −0.30 na −0.35, długość aukcji z −0.15/−0.05/+0.05 na −0.25/−0.08/+0.08, a stałą ceny z −0.45 na −0.65; (3) w modelu dwuczęściowym cenę wywoławczą opisaliśmy splajnem zamiast liniowo, bo wersja liniowa wskazywała optimum 45% przy prawdziwym 5%; (4) na rysunku 3A pokazujemy co czwartą aukcję, żeby plik był lżejszy. Wszystkie przepisy liczą się w kilka sekund.

1. Dane 3000 aukcji i schemat przebiegu aukcji: Rysunek 1

Dane wejściowe: nic – przepis losuje 120 modeli zegarków i 3000 aukcji według ręcznie ustalonych parametrów b; plik CSV trafia do katalogu roboczego. Na początku paleta Okabe–Ito kol i motyw motyw używane dalej. Obiekt a zawiera też ukrytą cenę niesprzedanych aukcji (znaną tylko w symulacji).

Co odczytać: odsetek sprzedanych, medianę ceny, sprzedaż wg ceny wywoławczej i korelację zdjęć z oceną sprzedawcy.

R
# Rysunek 1. Fikcyjny serwis aukcji używanych zegarków: 3000 aukcji i schemat przebiegu aukcji
library(ggplot2)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(niebieski = "#0072B2", pomaranczowy = "#D55E00", blekit = "#56B4E9", zielony = "#009E73",
         zolty = "#E69F00", rozowy = "#CC79A7", szary = "#999999", granat = "#0f1d3a")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        plot.subtitle = element_text(colour = "grey30"), panel.grid.minor = element_blank(),
        panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        strip.text = element_text(face = "bold", colour = "#0f1d3a"), legend.position = "bottom",
        plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 14, 10, 10))

# Parametry ustawione ręcznie (prawdziwy mechanizm danych – w prawdziwym serwisie go nie znamy)
n_modeli <- 120; n_aukcji <- 3000
b <- list(
  # liczba licytujących ~ Poisson; log średniej:
  lic_stala = 1.30, lic_zdjecie = 0.08, lic_wywolawcza = -1.4,   # na 1 zdjęcie; na cenę wywoławczą = 100% ceny ref.
  lic_wieczor = 0.35, lic_noc = -0.35, lic_weekend = 0.10,
  lic_dlugosc = c("3" = -0.25, "5" = -0.08, "7" = 0, "10" = 0.08),
  # logarytm ceny, jaką gotów jest zapłacić najwyżej licytujący:
  cena_zdjecie = 0.012, cena_ocena = 0.04, cena_licytujacy = 0.25,  # na 1 zdjęcie; na 1 pp ocen; na log(1 + licyt.)
  cena_wywolawcza = 0.05, cena_komplet = 0.10, cena_automat = 0.10,
  sd_modelu = 0.15, sd_aukcji = 0.18)

set.seed(699)
modele <- data.frame(model_id = sprintf("M%03d", 1:n_modeli),
                     cena_ref = round(pmin(pmax(rlnorm(n_modeli, log(1800), 0.7), 300), 15000), -1),
                     automat = rbinom(n_modeli, 1, 0.5),
                     u_modelu = rnorm(n_modeli, 0, b$sd_modelu),        # cecha modelu, której nie mierzymy
                     popularnosc = rgamma(n_modeli, shape = 1.2))
a <- data.frame(aukcja_id = 1:n_aukcji,
                model_id = sample(modele$model_id, n_aukcji, replace = TRUE, prob = modele$popularnosc))
a <- cbind(a, modele[match(a$model_id, modele$model_id), c("cena_ref", "automat", "u_modelu")])
jakosc <- rnorm(n_aukcji)                                               # staranność sprzedawcy (niemierzona)
a$ocena_sprzedawcy <- round(pmin(pmax(98 + 1.0 * jakosc + rnorm(n_aukcji, 0, 0.8), 90), 100), 1)
a$zdjecia <- pmin(pmax(rpois(n_aukcji, exp(log(4.5) + 0.30 * jakosc)), 1), 12)
a$komplet <- rbinom(n_aukcji, 1, plogis(-0.4 + 0.5 * jakosc))          # pudełko i dokumenty
a$wywolawcza_proc <- round(runif(n_aukcji, 0.05, 1.10), 2)               # cena wywoławcza jako ułamek ceny ref.
a$cena_wywolawcza <- pmax(1, round(a$wywolawcza_proc * a$cena_ref, -1))
a$dlugosc_dni <- sample(c(3, 5, 7, 10), n_aukcji, replace = TRUE, prob = c(0.15, 0.25, 0.40, 0.20))
a$dzien_konca <- factor(sample(c("pn", "wt", "śr", "cz", "pt", "sob", "nd"), n_aukcji, replace = TRUE),
                        levels = c("pn", "wt", "śr", "cz", "pt", "sob", "nd"))
a$godzina_konca <- sample(0:23, n_aukcji, replace = TRUE,
                          prob = c(rep(0.5, 7), rep(1, 11), rep(2.2, 5), 0.8))
a$pora_konca <- factor(ifelse(a$godzina_konca >= 18 & a$godzina_konca <= 22, "wieczór (18–22)",
                              ifelse(a$godzina_konca >= 8 & a$godzina_konca <= 17, "dzień (8–17)", "noc (23–7)")),
                       levels = c("dzień (8–17)", "wieczór (18–22)", "noc (23–7)"))
a$weekend <- as.integer(a$dzien_konca %in% c("sob", "nd"))

# Mechanizm: zdjęcia, pora i długość ściągają licytujących, wysoka cena wywoławcza ich odstrasza
a$lambda <- exp(b$lic_stala + b$lic_zdjecie * (a$zdjecia - 4.5) + b$lic_wywolawcza * a$wywolawcza_proc +
                b$lic_wieczor * (a$pora_konca == "wieczór (18–22)") + b$lic_noc * (a$pora_konca == "noc (23–7)") +
                b$lic_weekend * a$weekend + b$lic_dlugosc[as.character(a$dlugosc_dni)])
a$licytujacy_ukryci <- 1 + rpois(n_aukcji, a$lambda)                 # co najmniej jeden zainteresowany
a$log_cena_ukryta <- log(a$cena_ref) + a$u_modelu + b$cena_automat * a$automat + b$cena_komplet * a$komplet +
  b$cena_zdjecie * a$zdjecia + b$cena_ocena * (a$ocena_sprzedawcy - 98) +
  b$cena_licytujacy * log1p(a$licytujacy_ukryci) + b$cena_wywolawcza * a$wywolawcza_proc - 0.65 +
  rnorm(n_aukcji, 0, b$sd_aukcji)
# Aukcja kończy się sprzedażą, gdy najwyższa gotowość do zapłaty sięga ceny wywoławczej
a$sprzedana <- as.integer(a$log_cena_ukryta >= log(a$cena_wywolawcza))
a$cena_koncowa <- ifelse(a$sprzedana == 1, round(exp(a$log_cena_ukryta), -1), NA)
a$licytujacy <- ifelse(a$sprzedana == 1, a$licytujacy_ukryci, 0)

aukcje <- a[c("aukcja_id", "model_id", "cena_ref", "automat", "komplet", "zdjecia", "ocena_sprzedawcy",
              "cena_wywolawcza", "wywolawcza_proc", "dlugosc_dni", "dzien_konca", "godzina_konca", "pora_konca",
              "weekend", "licytujacy", "sprzedana", "cena_koncowa")]
write.csv(aukcje, "aukcje-zegarkow-3000.csv", row.names = FALSE, fileEncoding = "UTF-8")
sprzedane <- subset(aukcje, sprzedana == 1)

cat("Aukcji:", nrow(aukcje), "| modeli zegarków:", length(unique(aukcje$model_id)),
    "| aukcji na model: mediana", median(table(aukcje$model_id)), "maks.", max(table(aukcje$model_id)), "\n")
cat("Sprzedanych:", nrow(sprzedane), sprintf("(%.1f%%)", 100 * mean(aukcje$sprzedana)),
    "| niesprzedanych:", sum(aukcje$sprzedana == 0), "\n")
cat("Cena końcowa: mediana", median(sprzedane$cena_koncowa), "zł | cena końcowa / cena ref.: mediana",
    round(median(sprzedane$cena_koncowa / sprzedane$cena_ref), 2), "\n")
cat("Licytujących w sprzedanych: średnio", round(mean(sprzedane$licytujacy), 1), "| zdjęć: średnio",
    round(mean(aukcje$zdjecia), 1), "| koniec wieczorem:", sprintf("%.1f%%", 100 * mean(aukcje$pora_konca == "wieczór (18–22)")), "\n")
cat("Odsetek sprzedanych wg ceny wywoławczej (ułamek ceny ref.):\n")
print(round(100 * tapply(aukcje$sprzedana, cut(aukcje$wywolawcza_proc, c(0, 0.3, 0.6, 0.9, 1.1)), mean), 1))
cat("Korelacja zdjęć z oceną sprzedawcy:", round(cor(aukcje$zdjecia, aukcje$ocena_sprzedawcy), 2), "\n")

# Schemat przebiegu aukcji (grafika z prostokątów i strzałek, liczby z danych)
proc <- function(x) sprintf("%.0f%%", 100 * x)
pud <- data.frame(
  x = c(1, 3.55, 6.1, 8.75, 8.75), y = c(2, 2, 2, 3.05, 0.95), szer = c(2.15, 2.15, 2.15, 2.3, 2.3),
  wys = c(2.3, 2.3, 2.3, 1.55, 1.55),
  tytul = c("1. Wystawienie", "2. Licytacja", "3. Koniec aukcji", "Sprzedana", "Niesprzedana"),
  opis = c(paste0("cena wywoławcza\n(5–110% ceny ref.)\nzdjęcia: 1–12\nocena sprzedawcy\ndługość: 3–10 dni"),
           paste0("przychodzą licytujący\n(w sprzedanych\nśrednio ", round(mean(sprzedane$licytujacy), 1), ")\n",
                  "oferty rosną\nod ceny wywoławczej"),
           paste0("dzień i godzina\nkońca\nwieczorem 18–22:\n", proc(mean(aukcje$pora_konca == "wieczór (18–22)")),
                  " aukcji"),
           paste0(nrow(sprzedane), " aukcji (", proc(mean(aukcje$sprzedana)), ")\ncena końcowa znana\nmediana ",
                  format(median(sprzedane$cena_koncowa), big.mark = " "), " zł"),
           paste0(sum(aukcje$sprzedana == 0), " aukcji (", proc(1 - mean(aukcje$sprzedana)),
                  ")\ncena NIEZNANA –\nwiemy tylko: < wywoławczej")),
  rodzaj = c("proces", "proces", "proces", "sprzedana", "niesprzedana"))
strz <- data.frame(x = c(2.1, 4.65, 7.2, 7.2), y = c(2, 2, 2, 2), xend = c(2.45, 5.0, 7.57, 7.57),
                   yend = c(2, 2, 2.9, 1.1))
p1 <- ggplot() +
  geom_rect(data = pud, aes(xmin = x - szer / 2, xmax = x + szer / 2, ymin = y - wys / 2, ymax = y + wys / 2,
                            fill = rodzaj, linetype = rodzaj), colour = "#0f1d3a", linewidth = 0.6) +
  geom_text(data = pud, aes(x = x, y = y + wys / 2 - 0.2, label = tytul), fontface = "bold", size = 4.4,
            colour = "#0f1d3a") +
  geom_text(data = pud, aes(x = x, y = y - 0.12, label = opis), size = 3.6, colour = "grey15", lineheight = 0.95) +
  geom_segment(data = strz, aes(x = x, y = y, xend = xend, yend = yend), linewidth = 0.8, colour = "#0f1d3a",
               arrow = arrow(length = unit(0.25, "cm"), type = "closed")) +
  annotate("text", x = 4.85, y = -0.15, size = 3.6, colour = kol[["pomaranczowy"]], fontface = "bold",
           label = "Regresja tylko na sprzedanych pomija tę część – patrz rysunek 3") +
  scale_fill_manual(values = c(proces = "#eaf2f8", sprzedana = "#d9efe7", niesprzedana = "#fbe3d6"), guide = "none") +
  scale_linetype_manual(values = c(proces = "solid", sprzedana = "solid", niesprzedana = "dashed"), guide = "none") +
  coord_cartesian(xlim = c(-0.15, 10), ylim = c(-0.35, 3.9)) +
  labs(title = "Przebieg aukcji i to, co widać w danych",
       subtitle = paste0(nrow(aukcje), " fikcyjnych aukcji używanych zegarków, ", length(unique(aukcje$model_id)), " modeli")) +
  theme_void(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a"), plot.subtitle = element_text(colour = "grey30"),
        plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 10, 10, 10))
p1                       # do pliku: ggsave("aukcje-schemat-przebiegu.svg", p1, width = 10, height = 5.2)
Wynik w R
Aukcji: 3000 | modeli zegarków: 116 | aukcji na model: mediana 18.5 maks. 96 
Sprzedanych: 2187 (72.9%) | niesprzedanych: 813 
Cena końcowa: mediana 1520 zł | cena końcowa / cena ref.: mediana 0.91 
Licytujących w sprzedanych: średnio 3.5 | zdjęć: średnio 4.7 | koniec wieczorem: 42.2% 
Odsetek sprzedanych wg ceny wywoławczej (ułamek ceny ref.):
  (0,0.3] (0.3,0.6] (0.6,0.9] (0.9,1.1] 
    100.0      97.2      57.4      21.5 
Korelacja zdjęć z oceną sprzedawcy: 0.41 

2. Regresja logarytmu ceny i wykres współczynników: Rysunek 2

Dane wejściowe: obiekt sprzedane z przepisu 1; tu powstaje formuła wzor i model m_sprzedane używane dalej.

Co odczytać: współczynniki b, błędy z klastrów, efekty w % z 95% CI, elastyczność względem ceny referencyjnej i R².

R
# Rysunek 2. Regresja logarytmu ceny końcowej (tylko sprzedane) i wykres współczynników w %
# (korzysta z kol, motyw i obiektu sprzedane z przepisu 1)
library(ggplot2)
library(sandwich)   # błędy standardowe odporne na klastrowanie
library(lmtest)

sprzedane$dlugosc <- relevel(factor(sprzedane$dlugosc_dni), ref = "7")
sprzedane$wywolawcza_10 <- 10 * sprzedane$wywolawcza_proc          # o 10 pp ceny referencyjnej
wzor <- log(cena_koncowa) ~ log(cena_ref) + automat + komplet + zdjecia + ocena_sprzedawcy + wywolawcza_10 +
  pora_konca + weekend + dlugosc
m_sprzedane <- lm(wzor, data = sprzedane)
V_klastry <- vcovCL(m_sprzedane, cluster = ~ model_id, type = "HC1")  # wiele aukcji tego samego modelu
wsp <- coeftest(m_sprzedane, vcov. = V_klastry)
ci <- coefci(m_sprzedane, vcov. = V_klastry)
tab <- data.frame(zmienna = rownames(wsp), b = wsp[, 1], se = wsp[, 2], p = wsp[, 4],
                  proc = 100 * (exp(wsp[, 1]) - 1), dolna = 100 * (exp(ci[, 1]) - 1), gorna = 100 * (exp(ci[, 2]) - 1))
tab <- tab[!tab$zmienna %in% c("(Intercept)", "log(cena_ref)"), ]
print(data.frame(zmienna = tab$zmienna, round(tab[c("b", "se")], 4), p = signif(tab$p, 2),
                 round(tab[c("proc", "dolna", "gorna")], 1)), row.names = FALSE)
cat("Elastyczność względem ceny referencyjnej:", round(coef(m_sprzedane)[["log(cena_ref)"]], 3),
    "| R2 =", round(summary(m_sprzedane)$r.squared, 3), "| n =", nobs(m_sprzedane), "\n")

etykiety <- c(automat = "mechanizm automatyczny", komplet = "pudełko i dokumenty", zdjecia = "+1 zdjęcie",
              ocena_sprzedawcy = "ocena sprzedawcy +1 pp", wywolawcza_10 = "cena wywoławcza +10 pp ceny ref.",
              `pora_koncawieczór (18–22)` = "koniec wieczorem (vs w dzień)",
              `pora_koncanoc (23–7)` = "koniec w nocy (vs w dzień)", weekend = "koniec w weekend",
              dlugosc3 = "aukcja 3 dni (vs 7)", dlugosc5 = "aukcja 5 dni (vs 7)", dlugosc10 = "aukcja 10 dni (vs 7)")
tab$etykieta <- factor(etykiety[tab$zmienna], levels = rev(etykiety))
tab$grupa <- ifelse(tab$zmienna == "wywolawcza_10", "obciążony przez pominięte niesprzedane (rysunek 3)",
                    "pozostałe współczynniki")
p2 <- ggplot(tab, aes(x = proc, y = etykieta, colour = grupa, shape = grupa)) +
  geom_vline(xintercept = 0, colour = "grey50") +
  geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.25, orientation = "y", linewidth = 0.8) +
  geom_point(size = 3.2) +
  geom_text(aes(x = gorna + 0.6, label = sub("-", "−", sprintf("%+.1f%%", proc))), hjust = 0, size = 3.6, colour = "#0f1d3a",
            show.legend = FALSE) +
  scale_colour_manual(values = c(kol[["pomaranczowy"]], kol[["niebieski"]]), name = NULL) +
  scale_shape_manual(values = c(17, 16), name = NULL) +
  coord_cartesian(xlim = c(min(tab$dolna) - 1, max(tab$gorna) + 2.5)) +
  guides(colour = guide_legend(nrow = 2), shape = guide_legend(nrow = 2)) +
  labs(title = "Co podnosi cenę końcową? Regresja log(ceny), 95% CI z klastrów modeli",
       subtitle = paste0("Tylko sprzedane aukcje (n = ", nobs(m_sprzedane), "); efekt = exp(b) − 1"),
       x = "Różnica ceny końcowej (%), pozostałe cechy bez zmian", y = NULL) +
  motyw
p2                       # do pliku: ggsave("aukcje-wykres-wspolczynnikow.svg", p2, width = 10, height = 6.4)
Wynik w R
                   zmienna       b     se       p proc dolna gorna
                   automat  0.0828 0.0312 8.1e-03  8.6   2.2  15.5
                   komplet  0.0932 0.0093 3.0e-23  9.8   7.8  11.8
                   zdjecia  0.0180 0.0022 1.4e-16  1.8   1.4   2.2
          ocena_sprzedawcy  0.0393 0.0048 4.2e-16  4.0   3.0   5.0
             wywolawcza_10  0.0154 0.0023 2.6e-11  1.6   1.1   2.0
 pora_koncawieczór (18–22)  0.0281 0.0091 2.1e-03  2.8   1.0   4.7
      pora_koncanoc (23–7) -0.0170 0.0113 1.3e-01 -1.7  -3.8   0.5
                   weekend  0.0127 0.0116 2.8e-01  1.3  -1.0   3.6
                  dlugosc3 -0.0034 0.0138 8.0e-01 -0.3  -3.0   2.4
                  dlugosc5 -0.0089 0.0128 4.9e-01 -0.9  -3.3   1.6
                 dlugosc10  0.0207 0.0145 1.5e-01  2.1  -0.8   5.0
Elastyczność względem ceny referencyjnej: 0.942 | R2 = 0.885 | n = 2187 

3. Niesprzedane aukcje: model z cenzurowaniem i model dwuczęściowy: Rysunek 3

Dane wejściowe: obiekty b, a, aukcje z przepisu 1 oraz wzor i m_sprzedane z przepisu 2 (bez nowego losowania).

Co odczytać: efekty w trzech modelach, ilorazy szans sprzedaży, cenę przy sprzedaży, szansę sprzedaży i oczekiwany przychód typowej aukcji oraz cenę wywoławczą z największym przychodem.

R
# Rysunek 3. Niesprzedane aukcje: regresja tylko na sprzedanych, model z cenzurowaniem i model dwuczęściowy
# (korzysta z kol, motyw, b, a i aukcje z przepisu 1 oraz wzor i m_sprzedane z przepisu 2)
library(ggplot2)
library(patchwork)
library(survival)   # survreg: regresja z obserwacjami ocenzurowanymi

aukcje$dlugosc <- relevel(factor(aukcje$dlugosc_dni), ref = "7")
aukcje$wywolawcza_10 <- 10 * aukcje$wywolawcza_proc
# Niesprzedana aukcja: wiemy tylko, że najwyższa gotowość do zapłaty < cena wywoławcza (cenzurowanie lewostronne)
aukcje$log_y <- ifelse(aukcje$sprzedana == 1, log(aukcje$cena_koncowa), log(aukcje$cena_wywolawcza))
prawe <- update(wzor, NULL ~ .)                                         # te same predyktory co w przepisie 2
m_cenz <- survreg(update(prawe, Surv(log_y, sprzedana, type = "left") ~ .), data = aukcje, dist = "gaussian")
aukcje$log_cena_ukryta <- a$log_cena_ukryta                            # znana tylko w symulacji
m_prawda <- lm(update(prawe, log_cena_ukryta ~ .), data = aukcje)
m_logit <- glm(update(prawe, sprzedana ~ .), data = aukcje, family = binomial)
# Model dwuczęściowy do prognozy przychodu: cena wywoławcza jako splajn (4 st. swobody) w obu częściach
gietka <- update(prawe, . ~ . - wywolawcza_10 + splines::ns(wywolawcza_proc, df = 4))
cz1_logit <- glm(update(gietka, sprzedana ~ .), data = aukcje, family = binomial)
cz2_cena <- lm(update(gietka, log(cena_koncowa) ~ .), data = subset(aukcje, sprzedana == 1))

porownanie <- sapply(list(tylko_sprzedane = coef(m_sprzedane), z_cenzurowaniem = coef(m_cenz),
                          prawda_symulacja = coef(m_prawda)),
                     function(w) 100 * (exp(w[c("wywolawcza_10", "zdjecia", "ocena_sprzedawcy", "komplet",
                                                "pora_koncawieczór (18–22)")]) - 1))
cat("Efekty w % (exp(b) − 1) w trzech modelach:\n"); print(round(porownanie, 2))
se_cenz <- sqrt(diag(vcov(m_cenz)))[["wywolawcza_10"]]
cat("Cena wywoławcza +10 pp w modelu z cenzurowaniem: b =", round(coef(m_cenz)[["wywolawcza_10"]], 4),
    "95% CI [", round(coef(m_cenz)[["wywolawcza_10"]] + c(-1, 1) * 1.96 * se_cenz, 4), "]\n")
cat("Logit sprzedaży, iloraz szans: cena wywoławcza +10 pp =", round(exp(coef(m_logit)[["wywolawcza_10"]]), 3),
    "| +1 zdjęcie =", round(exp(coef(m_logit)[["zdjecia"]]), 3),
    "| koniec wieczorem =", round(exp(coef(m_logit)[["pora_koncawieczór (18–22)"]]), 3), "\n")

# Typowa aukcja: zegarek automatyczny za 2000 zł (cena ref.), 5 zdjęć, ocena 98, 7 dni, koniec wieczorem w tygodniu
siatka <- data.frame(cena_ref = 2000, automat = 1, komplet = 0, zdjecia = 5, ocena_sprzedawcy = 98,
                     wywolawcza_proc = seq(0.05, 1.10, by = 0.01), weekend = 0,
                     pora_konca = factor("wieczór (18–22)", levels = levels(aukcje$pora_konca)),
                     dlugosc = factor("7", levels = levels(aukcje$dlugosc)))
siatka$wywolawcza_10 <- 10 * siatka$wywolawcza_proc
smearing <- mean(exp(residuals(cz2_cena)))                               # retransformacja Duana
siatka$cena_liniowo <- exp(predict(m_sprzedane, siatka)) * mean(exp(residuals(m_sprzedane)))
siatka$cena_gdy_sprzedana <- exp(predict(cz2_cena, siatka)) * smearing
siatka$p_sprzedazy <- predict(cz1_logit, siatka, type = "response")
siatka$przychod_dwuczesciowy <- siatka$p_sprzedazy * siatka$cena_gdy_sprzedana
# Prawda z mechanizmu danych: średnia po liczbie licytujących (1 + Poisson) i normalnym szumie ceny
prawdziwy_przychod <- function(s) {
  lam <- exp(b$lic_stala + b$lic_zdjecie * (5 - 4.5) + b$lic_wywolawcza * s + b$lic_wieczor + b$lic_dlugosc[["7"]])
  k <- 0:60; w <- dpois(k, lam); sig <- sqrt(b$sd_modelu^2 + b$sd_aukcji^2)
  mu <- log(2000) + b$cena_automat + b$cena_zdjecie * 5 + b$cena_licytujacy * log1p(1 + k) + b$cena_wywolawcza * s - 0.65
  c(p = sum(w * pnorm((mu - log(2000 * s)) / sig)),
    przychod = sum(w * exp(mu + sig^2 / 2) * pnorm((mu + sig^2 - log(2000 * s)) / sig)))
}
pr <- t(sapply(siatka$wywolawcza_proc, prawdziwy_przychod))
siatka$p_prawda <- pr[, "p"]; siatka$przychod_prawda <- pr[, "przychod"]
pokaz <- siatka$wywolawcza_proc %in% c(0.05, 0.3, 0.5, 0.7, 0.9, 1.1)
print(data.frame(wywolawcza = paste0(100 * siatka$wywolawcza_proc[pokaz], "%"),
                 cena_liniowo = round(siatka$cena_liniowo[pokaz]), cena_gdy_sprzedana = round(siatka$cena_gdy_sprzedana[pokaz]),
                 p_sprzedazy = round(siatka$p_sprzedazy[pokaz], 3), p_prawda = round(siatka$p_prawda[pokaz], 3),
                 przychod_2cz = round(siatka$przychod_dwuczesciowy[pokaz]),
                 przychod_prawda = round(siatka$przychod_prawda[pokaz])), row.names = FALSE)
naj <- function(y) siatka$wywolawcza_proc[which.max(y)]
cat("Cena wywoławcza maksymalizująca oczekiwany przychód: model dwuczęściowy", 100 * naj(siatka$przychod_dwuczesciowy),
    "% | prawda", 100 * naj(siatka$przychod_prawda), "% | sama regresja ceny sprzedanych:",
    100 * naj(siatka$cena_liniowo), "% (zawsze „im wyżej, tym lepiej”)\n")
cat("Czynnik smearing Duana:", round(smearing, 4), "\n")

# Panel A: ceny względem ceny ref. i niesprzedane jako górne granice; linie dla typowej aukcji z trzech modeli
linie <- rbind(
  data.frame(s = siatka$wywolawcza_proc, y = exp(predict(m_sprzedane, siatka)) / 2000, model = "regresja tylko na sprzedanych"),
  data.frame(s = siatka$wywolawcza_proc, y = exp(predict(m_cenz, siatka)) / 2000, model = "model z cenzurowaniem"),
  data.frame(s = siatka$wywolawcza_proc, y = exp(predict(m_prawda, siatka)) / 2000, model = "prawda (znana w symulacji)"))
linie$model <- factor(linie$model, levels = unique(linie$model))
pkt <- data.frame(s = aukcje$wywolawcza_proc, iloraz = exp(aukcje$log_y) / aukcje$cena_ref,
                  status = ifelse(aukcje$sprzedana == 1, "sprzedana: cena końcowa", "niesprzedana: cena < tej wartości"))
pkt <- pkt[aukcje$aukcja_id %% 4 == 0, ]                                # co czwarta aukcja – lżejszy rysunek
p3a <- ggplot() +
  geom_point(data = pkt, aes(s, iloraz, colour = status, shape = status), alpha = 0.35, size = 1.3) +
  geom_line(data = linie, aes(s, y, linetype = model), linewidth = 1.1, colour = "#0f1d3a") +
  scale_colour_manual(values = c(kol[["pomaranczowy"]], kol[["blekit"]]), name = NULL) +
  scale_shape_manual(values = c(4, 16), name = NULL) +
  scale_linetype_manual(values = c("solid", "longdash", "dotted"), name = NULL) +
  scale_y_log10(breaks = c(0.25, 0.5, 1, 2)) + scale_x_continuous(labels = function(x) paste0(100 * x, "%")) +
  coord_cartesian(ylim = c(0.2, 2.6)) +
  guides(colour = guide_legend(ncol = 1, override.aes = list(alpha = 1, size = 2.5)), linetype = guide_legend(ncol = 1)) +
  labs(title = "A. Cena wywoławcza a cena końcowa", x = "Cena wywoławcza (% ceny ref.)",
       y = "Cena końcowa / cena ref. (skala log)") +
  motyw
krzywe <- rbind(
  data.frame(s = siatka$wywolawcza_proc, zl = siatka$cena_liniowo, co = "cena, gdy sprzedana (regresja z rys. 2)"),
  data.frame(s = siatka$wywolawcza_proc, zl = siatka$przychod_dwuczesciowy, co = "oczekiwany przychód: logit × cena"),
  data.frame(s = siatka$wywolawcza_proc, zl = siatka$przychod_prawda, co = "oczekiwany przychód: prawda"))
krzywe$co <- factor(krzywe$co, levels = unique(krzywe$co))
maks <- data.frame(s = c(naj(siatka$przychod_dwuczesciowy), naj(siatka$przychod_prawda)),
                   zl = c(max(siatka$przychod_dwuczesciowy), max(siatka$przychod_prawda)))
p3b <- ggplot(krzywe, aes(s, zl, colour = co, linetype = co)) +
  geom_line(linewidth = 1.1) +
  geom_point(data = maks, aes(s, zl), inherit.aes = FALSE, size = 3, shape = 21, fill = "white", stroke = 1.2) +
  scale_colour_manual(values = c(kol[["pomaranczowy"]], kol[["niebieski"]], "#0f1d3a"), name = NULL) +
  scale_linetype_manual(values = c("solid", "solid", "dotted"), name = NULL) +
  scale_x_continuous(labels = function(x) paste0(100 * x, "%")) +
  guides(colour = guide_legend(ncol = 1)) +
  labs(title = "B. Typowa aukcja (cena ref. 2000 zł)", x = "Cena wywoławcza (% ceny ref.)", y = "zł") +
  motyw
p3 <- p3a + p3b
p3                       # do pliku: ggsave("aukcje-niesprzedane-cenzurowanie.svg", p3, width = 10, height = 6.4)
Wynik w R
Efekty w % (exp(b) − 1) w trzech modelach:
                          tylko_sprzedane z_cenzurowaniem prawda_symulacja
wywolawcza_10                        1.56           -1.39            -1.23
zdjecia                              1.81            2.22             2.15
ocena_sprzedawcy                     4.01            4.50             4.68
komplet                              9.77           11.67            11.18
pora_koncawieczór (18–22)            2.85            2.71             2.18
Cena wywoławcza +10 pp w modelu z cenzurowaniem: b = -0.014 95% CI [ -0.0174 -0.0105 ]
Logit sprzedaży, iloraz szans: cena wywoławcza +10 pp = 0.348 | +1 zdjęcie = 1.189 | koniec wieczorem = 1.118 
 wywolawcza cena_liniowo cena_gdy_sprzedana p_sprzedazy p_prawda przychod_2cz
         5%         1789               1937       1.000    1.000         1937
        30%         1860               1827       1.000    1.000         1827
        50%         1918               1841       0.986    0.991         1816
        90%         2040               2169       0.335    0.438          728
       110%         2104               2508       0.131    0.151          329
 przychod_prawda
            2037
            1941
            1870
             961
             381
Cena wywoławcza maksymalizująca oczekiwany przychód: model dwuczęściowy 5 % | prawda 5 % | sama regresja ceny sprzedanych: 110 % (zawsze „im wyżej, tym lepiej”)
Czynnik smearing Duana: 1.0261 

4. Zdjęcia, ocena sprzedawcy i licytujący: Rysunek 4

Dane wejściowe: obiekty b, a, sprzedane z przepisu 1 i wzor z przepisu 2 (bez nowego losowania).

Co odczytać: efekt zdjęcia i końca wieczorem w trzech modelach, wpływ licytujących na cenę i cech na liczbę licytujących oraz prawdziwe efekty z mechanizmu danych.

R
# Rysunek 4. Zdjęcia i pora końca: zakłócenie przez ocenę sprzedawcy i liczba licytujących jako mediator
# (korzysta z kol, motyw, b, a, sprzedane z przepisu 1 i wzor z przepisu 2)
library(ggplot2)
library(sandwich)
library(lmtest)

modele_zdj <- list(
  "1. bez oceny sprzedawcy" = update(wzor, . ~ . - ocena_sprzedawcy),
  "2. z oceną (efekt całkowity)" = wzor,
  "3. + log(1 + licytujący) (efekt bezpośredni)" = update(wzor, . ~ . + log1p(licytujacy)))
wyniki <- do.call(rbind, lapply(names(modele_zdj), function(nazwa) {
  m <- lm(modele_zdj[[nazwa]], data = sprzedane)
  V <- vcovCL(m, cluster = ~ model_id, type = "HC1")
  zm <- c("zdjecia", "pora_koncawieczór (18–22)")
  ci <- coefci(m, parm = zm, vcov. = V)
  data.frame(model = nazwa, zmienna = c("+1 zdjęcie", "koniec wieczorem (vs w dzień)"),
             proc = 100 * (exp(coef(m)[zm]) - 1), dolna = 100 * (exp(ci[, 1]) - 1), gorna = 100 * (exp(ci[, 2]) - 1))
}))
rownames(wyniki) <- NULL
print(cbind(wyniki[1:2], round(wyniki[3:5], 2)))
m3 <- lm(modele_zdj[[3]], data = sprzedane)
cat("Licytujący: +1 do log(1 + licytujący) =", round(100 * (exp(coef(m3)[["log1p(licytujacy)"]]) - 1), 1),
    "% ceny | z 3 do 4 licytujących:", round(100 * ((5 / 4)^coef(m3)[["log1p(licytujacy)"]] - 1), 1), "%\n")
m_lic <- glm(update(wzor, licytujacy ~ .), data = sprzedane, family = poisson)
cat("Licytujący (Poisson): +1 zdjęcie =", round(100 * (exp(coef(m_lic)[["zdjecia"]]) - 1), 1),
    "% | koniec wieczorem =", round(100 * (exp(coef(m_lic)[["pora_koncawieczór (18–22)"]]) - 1), 1), "%\n")

# Prawda z mechanizmu danych (średnia po aukcjach): efekt bezpośredni + droga przez licytujących
E_log_lic <- function(lam) sapply(lam, function(l) sum(dpois(0:80, l) * log1p(1 + 0:80)))
lam0 <- a$lambda
lam_wiecz <- lam0 / exp(b$lic_wieczor * (a$pora_konca == "wieczór (18–22)") + b$lic_noc * (a$pora_konca == "noc (23–7)"))
prawda <- data.frame(
  zmienna = c("+1 zdjęcie", "koniec wieczorem (vs w dzień)"),
  bezposredni = 100 * (exp(c(b$cena_zdjecie, 0)) - 1),
  calkowity = 100 * (exp(c(b$cena_zdjecie + b$cena_licytujacy * mean(E_log_lic(lam0 * exp(b$lic_zdjecie)) - E_log_lic(lam0)),
                           b$cena_licytujacy * mean(E_log_lic(lam_wiecz * exp(b$lic_wieczor)) - E_log_lic(lam_wiecz)))) - 1))
cat("Prawdziwe efekty (%), znane tylko w symulacji:\n"); print(cbind(prawda[1], round(prawda[2:3], 2)))

wyniki$model <- factor(wyniki$model, levels = rev(names(modele_zdj)))
linie <- rbind(data.frame(zmienna = prawda$zmienna, x = prawda$calkowity, rodzaj = "prawdziwy efekt całkowity"),
               data.frame(zmienna = prawda$zmienna, x = prawda$bezposredni, rodzaj = "prawdziwy efekt bezpośredni"))
p4 <- ggplot(wyniki, aes(x = proc, y = model)) +
  geom_vline(data = linie, aes(xintercept = x, linetype = rodzaj), colour = "grey35", linewidth = 0.8) +
  geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.2, orientation = "y", colour = kol[["niebieski"]],
                linewidth = 0.8) +
  geom_point(size = 3.2, colour = kol[["niebieski"]]) +
  geom_text(aes(label = sub("-", "−", sprintf("%+.1f%%", proc))), vjust = -1.1, size = 3.6, colour = "#0f1d3a") +
  facet_wrap(~ zmienna, ncol = 1, scales = "free_x") +
  scale_linetype_manual(values = c("dotted", "longdash"), name = NULL) +
  labs(title = "Efekt zdjęć i pory końca zależy od tego, co jest w modelu",
       subtitle = "Sprzedane aukcje, 95% CI z klastrów modeli; linie: prawda z symulacji",
       x = "Różnica ceny końcowej (%)", y = NULL) +
  motyw
p4                       # do pliku: ggsave("aukcje-zdjecia-zaklocenie-mediator.svg", p4, width = 10, height = 6.4)
Wynik w R
                                         model                       zmienna
1                      1. bez oceny sprzedawcy                    +1 zdjęcie
2                      1. bez oceny sprzedawcy koniec wieczorem (vs w dzień)
3                 2. z oceną (efekt całkowity)                    +1 zdjęcie
4                 2. z oceną (efekt całkowity) koniec wieczorem (vs w dzień)
5 3. + log(1 + licytujący) (efekt bezpośredni)                    +1 zdjęcie
6 3. + log(1 + licytujący) (efekt bezpośredni) koniec wieczorem (vs w dzień)
   proc dolna gorna
1  2.54  2.14  2.95
2  2.70  0.84  4.60
3  1.81  1.38  2.25
4  2.85  1.03  4.70
5  0.79  0.38  1.21
6 -2.10 -3.93 -0.24
Licytujący: +1 do log(1 + licytujący) = 26.7 % ceny | z 3 do 4 licytujących: 5.4 %
Licytujący (Poisson): +1 zdjęcie = 5.9 % | koniec wieczorem = 30.8 %
Prawdziwe efekty (%), znane tylko w symulacji:
                        zmienna bezposredni calkowity
1                    +1 zdjęcie        1.21      2.18
2 koniec wieczorem (vs w dzień)        0.00      4.40

5. Błędy odporne na klastrowanie i 1000 losowań cechy bez wpływu: Rysunek 5

Dane wejściowe: obiekty sprzedane z przepisu 1 oraz wzor i m_sprzedane z przepisu 2.

Co odczytać: zwykłe i klastrowe błędy standardowe, ich iloraz oraz odsetek fałszywych alarmów z błędem Monte Carlo.

R
# Rysunek 5. Wiele aukcji tego samego modelu: zwykłe błędy standardowe a odporne na klastrowanie
# (korzysta z kol, motyw, sprzedane z przepisu 1 oraz wzor i m_sprzedane z przepisu 2)
library(ggplot2)
library(patchwork)
library(sandwich)
library(lmtest)

se_zwykle <- sqrt(diag(vcov(m_sprzedane)))
se_klastry <- sqrt(diag(vcovCL(m_sprzedane, cluster = ~ model_id, type = "HC1")))
porown <- data.frame(zmienna = names(se_zwykle), se_zwykle = se_zwykle, se_klastry = se_klastry,
                     iloraz = se_klastry / se_zwykle)
porown <- porown[!porown$zmienna %in% c("(Intercept)", "log(cena_ref)"), ]
print(cbind(porown[1], round(porown[2:4], 4)), row.names = FALSE)
cat("Modeli z co najmniej jedną sprzedaną aukcją:", length(unique(sprzedane$model_id)), "\n")

# 1000 badań: cecha modelu bez żadnego wpływu na cenę (np. losowa „seria limitowana”) – jak często p < .05?
set.seed(6995)
modele_lista <- unique(sprzedane$model_id)
p_wart <- t(replicate(1000, {
  placebo_modelu <- setNames(rbinom(length(modele_lista), 1, 0.5), modele_lista)
  d <- sprzedane; d$placebo <- placebo_modelu[d$model_id]
  m <- lm(update(wzor, . ~ . + placebo), data = d)
  c(zwykle = coeftest(m)["placebo", 4],
    klastry = coeftest(m, vcov. = vcovCL(m, cluster = d$model_id, type = "HC1"))["placebo", 4])
}))
odsetek <- colMeans(p_wart < 0.05)
cat("Odsetek fałszywych alarmów (p < .05) dla cechy bez wpływu: zwykłe SE", sprintf("%.1f%%", 100 * odsetek[1]),
    "| SE z klastrów", sprintf("%.1f%%", 100 * odsetek[2]), "| błąd MC ok.",
    sprintf("%.1f pp", 100 * sqrt(odsetek * (1 - odsetek) / 1000)), "\n")

etyk <- c(automat = "mechanizm automatyczny", komplet = "pudełko i dokumenty", zdjecia = "zdjęcia",
          ocena_sprzedawcy = "ocena sprzedawcy", wywolawcza_10 = "cena wywoławcza",
          `pora_koncawieczór (18–22)` = "koniec wieczorem", `pora_koncanoc (23–7)` = "koniec w nocy",
          weekend = "weekend", dlugosc3 = "3 dni", dlugosc5 = "5 dni", dlugosc10 = "10 dni")
porown$etykieta <- factor(etyk[porown$zmienna], levels = etyk[porown$zmienna[order(porown$iloraz)]])
porown$poziom <- ifelse(porown$zmienna == "automat", "cecha modelu zegarka", "cecha aukcji")
p5a <- ggplot(porown, aes(x = iloraz, y = etykieta, fill = poziom)) +
  geom_col(width = 0.65) +
  geom_vline(xintercept = 1, colour = "grey30") +
  geom_text(aes(label = sprintf("×%.1f", iloraz)), hjust = -0.15, size = 3.6, colour = "#0f1d3a") +
  scale_fill_manual(values = c(kol[["blekit"]], kol[["pomaranczowy"]]), name = NULL) +
  scale_x_continuous(expand = expansion(mult = c(0, 0.18))) +
  labs(title = "A. Ile razy szerszy przedział?", x = "SE z klastrów / zwykłe SE", y = NULL) +
  motyw
p5b <- ggplot(data.frame(se = c("zwykłe SE", "SE z klastrów"), proc = 100 * odsetek),
              aes(x = factor(se, levels = c("zwykłe SE", "SE z klastrów")), y = proc)) +
  geom_col(width = 0.55, fill = c(kol[["pomaranczowy"]], kol[["niebieski"]])) +
  geom_hline(yintercept = 5, linetype = "dashed", colour = "grey30") +
  geom_text(aes(label = sprintf("%.1f%%", proc)), vjust = -0.4, size = 4, colour = "#0f1d3a") +
  annotate("text", x = 0.45, y = 7.5, label = "nominalne 5%", hjust = 0, size = 3.4, colour = "grey30") +
  scale_y_continuous(expand = expansion(mult = c(0, 0.12))) +
  labs(title = "B. Cecha bez wpływu", subtitle = "1000 losowań: odsetek p < .05", x = NULL, y = "%") +
  motyw
p5 <- p5a + p5b + plot_layout(widths = c(1.5, 1))
p5                       # do pliku: ggsave("aukcje-bledy-klastrowane.svg", p5, width = 10, height = 5.6)
Wynik w R
                   zmienna se_zwykle se_klastry iloraz
                   automat    0.0102     0.0312 3.0647
                   komplet    0.0102     0.0093 0.9061
                   zdjecia    0.0021     0.0022 1.0098
          ocena_sprzedawcy    0.0047     0.0048 1.0250
             wywolawcza_10    0.0019     0.0023 1.1834
 pora_koncawieczór (18–22)    0.0112     0.0091 0.8139
      pora_koncanoc (23–7)    0.0136     0.0113 0.8291
                   weekend    0.0108     0.0116 1.0692
                  dlugosc3    0.0146     0.0138 0.9427
                  dlugosc5    0.0127     0.0128 1.0096
                 dlugosc10    0.0138     0.0145 1.0540
Modeli z co najmniej jedną sprzedaną aukcją: 116 
Odsetek fałszywych alarmów (p < .05) dla cechy bez wpływu: zwykłe SE 51.2% | SE z klastrów 6.2% | błąd MC ok. 1.6 pp 0.8 pp 

6. Kontrola palety przy zaburzeniach widzenia barw

Dane wejściowe: nic – pary kolorów użyte na rysunkach.

Co odczytać: odległość barw (ΔE) przy typowym widzeniu, deuteranopii i protanopii; para czerwony–zielony dla porównania.

R
# Czy paleta przetrwa zaburzenia widzenia barw? Symulacja w pakiecie colorspace
library(colorspace)
pary <- list("niebieski – pomarańczowy" = c("#0072B2", "#D55E00"), "błękit – pomarańczowy" = c("#56B4E9", "#D55E00"),
             "niebieski – błękit" = c("#0072B2", "#56B4E9"), "granat – pomarańczowy" = c("#0f1d3a", "#D55E00"),
             "czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
roznica <- function(k) {           # odległość barw w przestrzeni CIELAB (ΔE)
  lab <- coords(as(hex2RGB(k), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(k)),
                                   protanopia = roznica(protan(k))))), 1)
Wynik w R
                                 widzenie_typowe deuteranopia protanopia
niebieski – pomarańczowy                   114.6        108.3       91.9
błękit – pomarańczowy                      113.6        101.1       89.0
niebieski – błękit                          26.4         24.7       24.6
granat – pomarańczowy                      101.6         96.6       81.5
czerwony – zielony (do unikania)           121.7         21.1       31.6

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Losowanie, regresję liniową i logistyczną oraz splajny wykonano pakietami stats i splines (z podstawowej instalacji R), model z cenzurowaniem – pakietem survival, błędy odporne na klastrowanie – pakietami sandwich i lmtest. Rysunki wykonano w pakiecie ggplot2, panele złożono pakietem patchwork i zapisano pakietem svglite, a paletę sprawdzono pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. sandwich (wersja 3.1.1): Zeileis, A., Köll, S., & Graham, N. (2020). Various versatile variances: An object-oriented implementation of clustered covariances in R. Journal of Statistical Software, 95(1), 1–36. https://doi.org/10.18637/jss.v095.i01
  5. lmtest (wersja 0.9.40): Zeileis, A., & Hothorn, T. (2002). Diagnostic checking in regression relationships. R News, 2(3), 7–10. https://CRAN.R-project.org/doc/Rnews/
  6. survival (wersja 3.8.6): Therneau, T. M. (2026). A package for survival analysis in R [R package]. https://CRAN.R-project.org/package=survival
  7. colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
  8. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Pułapki

  • Pominięte niesprzedane aukcje – efekt ceny wywoławczej zmienia znak (rysunek 3).
  • Staranny sprzedawca jako zmienna zakłócająca – efekt zdjęć zawyżony bez oceny sprzedawcy (rysunek 4).
  • Mediator jako zwykły predyktor – liczba licytujących „zjada” efekt pory i zdjęć (rysunek 4).
  • Zwykłe błędy przy wielu aukcjach tego samego modelu – połowa fałszywych alarmów dla cech modelu (rysunek 5).
  • exp() bez poprawki – prognoza ceny w złotych zaniżona; użyj smearing.
  • Ekstrapolacja – dane obejmują ceny wywoławcze 5–110% ceny referencyjnej; poza tym zakresem model nic nie wie.

Najczęstsze pytania

Jak interpretować współczynnik w regresji logarytmu ceny aukcji?

Przelicz go wzorem 100 × (exp(b) − 1): to procentowa różnica ceny przy pozostałych cechach bez zmian. W przykładzie pudełko i dokumenty miały b = 0.0932, czyli +9.8% [7.8, 11.8]. Przy małych b wynik jest bliski 100 × b. Prognozę w złotych licz z poprawką smearing, bo sama funkcja exp() zaniża średnią.

Co zrobić z aukcjami, które się nie sprzedały?

Nie wyrzucaj ich. Niesprzedana aukcja mówi, że najwyższa oferta była niższa niż cena wywoławcza, więc to obserwacja ocenzurowana z progiem równym cenie wywoławczej. Można ją uwzględnić w modelu z cenzurowaniem (np. survreg w R). Gdy pytasz o przychód z wystawionej aukcji, użyj modelu dwuczęściowego: regresja logistyczna sprzedaży razy regresja ceny sprzedanych.

Czy wysoka cena wywoławcza podnosi cenę końcową aukcji?

Wśród sprzedanych aukcji zwykle tak to wygląda, ale to skutek selekcji: przy wysokiej cenie wywoławczej słabe wyniki nie kończą się sprzedażą i znikają z danych. W przykładzie regresja na sprzedanych dała +1.6% na 10 pp, model z cenzurowaniem −1.4%, a prawda −1.2%. Oczekiwany przychód był najwyższy przy najniższej cenie wywoławczej.

Czy liczbę licytujących dodać do regresji ceny aukcji?

Nie w modelu głównym. Liczba licytujących jest skutkiem zdjęć, pory końca i ceny wywoławczej, a sama podbija cenę – jest mediatorem. Po jej dodaniu efekt końca aukcji wieczorem spadł z +2.8% do −2.1%, choć cały jego prawdziwy wpływ (+4.4%) szedł przez licytujących. Model z licytującymi traktuj jako analizę uzupełniającą.

Dlaczego przy wielu aukcjach tego samego produktu liczyć błędy klastrowane?

Aukcje jednego modelu dzielą niemierzone cechy, więc nie są niezależne. W przykładzie (116 modeli, mediana 18.5 aukcji na model) błąd standardowy cechy modelu zegarka wzrósł po korekcie 3.1 raza, a losowa cecha modelu bez wpływu na cenę była istotna w 51.2% powtórzeń przy zwykłych błędach i w 6.2% przy błędach z klastrów.

Powiązane hasła

Przeczytaj też

Analizujesz ceny, aukcje albo sprzedaż w pracy?

Pomożemy zbudować model ceny, uwzględnić niesprzedane oferty, policzyć błędy klastrowane i opisać wyniki tak, żebyś umiał(a) je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bajari, P., & Hortaçsu, A. (2003). The winner's curse, reserve prices, and endogenous entry: Empirical insights from eBay auctions. The RAND Journal of Economics, 34(2), 329. https://doi.org/10.2307/1593721 ● Otwarty dostęp: pełny tekst
  2. Cameron, A. C., & Miller, D. L. (2015). A practitioner’s guide to cluster-robust inference. Journal of Human Resources, 50(2), 317–372. https://doi.org/10.3368/jhr.50.2.317
  3. Duan, N. (1983). Smearing estimate: A nonparametric retransformation method. Journal of the American Statistical Association, 78(383), 605–610. https://doi.org/10.1080/01621459.1983.10478017
  4. Heckman, J. J. (1979). Sample selection bias as a specification error. Econometrica, 47(1), 153. https://doi.org/10.2307/1912352
  5. Lucking-Reiley, D., Bryan, D., Prasad, N., & Reeves, D. (2007). Pennies from eBay: The determinants of price in online auctions. The Journal of Industrial Economics, 55(2), 223–233. https://doi.org/10.1111/j.1467-6451.2007.00309.x ● Otwarty dostęp
  6. Zeileis, A., Köll, S., & Graham, N. (2020). Various versatile variances: An object-oriented implementation of clustered covariances in R. Journal of Statistical Software, 95(1), 1–36. https://doi.org/10.18637/jss.v095.i01 ● Otwarty dostęp

Cytowania BibTeX

@article{bajari2003winners, author={Bajari, Patrick and Horta{\c{c}}su, Ali}, title={{The winner's curse, reserve prices, and endogenous entry: Empirical insights from eBay auctions}}, journal={The RAND Journal of Economics}, year={2003}, volume={34}, number={2}, pages={329}, doi={10.2307/1593721}}
@article{cameron2015practitioner, author={Cameron, A. Colin and Miller, Douglas L.}, title={{A practitioner’s guide to cluster-robust inference}}, journal={Journal of Human Resources}, year={2015}, volume={50}, number={2}, pages={317--372}, doi={10.3368/jhr.50.2.317}}
@article{duan1983smearing, author={Duan, Naihua}, title={{Smearing estimate: A nonparametric retransformation method}}, journal={Journal of the American Statistical Association}, year={1983}, volume={78}, number={383}, pages={605--610}, doi={10.1080/01621459.1983.10478017}}
@article{heckman1979sample, author={Heckman, James J.}, title={{Sample selection bias as a specification error}}, journal={Econometrica}, year={1979}, volume={47}, number={1}, pages={153}, doi={10.2307/1912352}}
@article{lucking2007pennies, author={Lucking-Reiley, David and Bryan, Doug and Prasad, Naghi and Reeves, Daniel}, title={{Pennies from eBay: The determinants of price in online auctions}}, journal={The Journal of Industrial Economics}, year={2007}, volume={55}, number={2}, pages={223--233}, doi={10.1111/j.1467-6451.2007.00309.x}}
@article{zeileis2020various, author={Zeileis, Achim and Köll, Susanne and Graham, Nathaniel}, title={{Various versatile variances: An object-oriented implementation of clustered covariances in R}}, journal={Journal of Statistical Software}, year={2020}, volume={95}, number={1}, pages={1--36}, doi={10.18637/jss.v095.i01}}
R