如何統計比較兩條曲線之間的變化與其他兩條曲線之間的變化。我有兩家店。每個商店在進行銷售時都會發送通知。 該通知指定特定商品的銷量。
有時沒有通知，有時則有好幾天。 例如，商店 A 在 2019 年 1 月發送了 45 條通知，共 78 件商品，而 2020 年 1 月發送了 40 條通知，共 68 件商品。
我收到通知的月度報告。 我創建了一個列，其中包含該商品全年的累計銷售情況。
我正在比較該商品在 2019 年和 2020 年的累計銷售額。 我發現由於新冠疫情，2020 年累計銷售額明顯下降。 現在我想比較一下這兩家商店 2020 年與新冠疫情相關的銷售額下降情況（相對於 2019 年）。 例如，與 2019 年相比，A 店 2020 年該商品的總銷售額下降了 11%，而 B 店僅下降了 6%。
我想要一個統計測試來比較減少情況。問題在於，同一商店的不同月份和年份以及同一時間段內不同商店的通知數量不同。
如何測試新冠疫情對兩家商店的影響是否不同？
高級統計建模消費者和市場研究內容組織數據混合和清理大規模定制視窗回复：如何統計比較兩條曲線之間的變化與其他兩條曲線之間的變化。謝謝你們倆。 我會了解您的答案並根據需要回复您。
回复：如何統計比較兩條曲線之間的變化與其他兩條曲線之間的變化。如果感興趣的是比較年度總銷售額的下降，我同意@dale_lehman您已經使用圖表完成了它。
但您可能會提出其他假設。 您提到：多個通知、多個商品、“同一店鋪不同月份、不同年份、同一時間段不同店舖的通知數量不同”。 那麼，例如，單個商品的年度總銷售額的下降是否與整個商店銷售額的下降類似，商店內/商店之間的單個商品的銷售額是否受到類似或不同的影響？ 然後，您可以計算單個項目的數量，並比較這些數量。
該圖中令我感興趣的是齊次泊松過程（HPP）模型可能是合適的。 您繪製了累計數量，但您提到“同一商店的通知數量在月份和年份之間以及同一時間段內的商店之間的通知數量不同”。
無論收到的通知數量多麼不規律，2019 年的累計數量看起來是直線的，而 2020 年的累積數量看起來是分段線性的。 這對我來說是一個暗示，HPP 模型是 2019 年的一個不錯的候選者。 您還可以比較商店之間的重複率（月銷售額的代表）。
同時，對我來說更有趣的是 2020 年的曲線，儘管它們全年都不是直線，但對我來說它們看起來是分段線性的，我在下面的屏幕截圖中使用數字標記它們。 現在仔細觀察，與2019年同期相比，第1期略有上升，這意味著與2019年同期相比，復發率更高。 這是一個可能的測試假設。 接下來，第 3 期與 2019 年同期略有偏差（相對於完全平行），這意味著與 2019 年同期相比，復發率較低。 另一個假設。 毫無疑問，週期 2 表明 A 店幾乎關門了。 現在看看第 4 期，這可能會提出一個假設，即商店 B 在 2020 年伊始的銷售業績是否與 2019 年相同。 第 5 期表明存在影響，但沒有 A 店發生的情況那麼嚴重。另一個假設。 在第 6 期，我發現 B 店與 2019 年同期相比略有上升（2020 年晚些時候，B 店的表現比 2019 年同期要好），甚至只是非常小幅上升，但這也提出了一個假設。 要適合 HPP，您需要使用復發平台。
回复：如何統計比較兩條曲線之間的變化與其他兩條曲線之間的變化。我的第一反應是你已經做到了。這些圖表無疑表明了新冠疫情對兩家商店銷售額的影響存在差異。在我看來，進行統計測試對這些圖表幾乎沒有什麼幫助。當然，測試並非毫無意義，因為您想知道不同的軌跡是否不僅僅是隨機變化。我發現這裡的圖表有點奇怪。我懷疑 2019 年的線條是擬合關係 - 我懷疑數據是否完全線性。因此，實際上，線周圍點的背景變異性是隨機變異的度量，無論您做什麼測試，都是將銷售額的不同下降與該變異性進行比較。我懷疑有很多方法可以做到這一點。我嘗試的一種方法是將時間序列模型擬合到 2019 年的數據（如果可能的話，進一步回溯，特別是數據存在季節性），然後查看 2020 年相對於預測區間的下降情況。每個商店的數據應該產生一個概率度量，衡量銷售額下降僅僅是由於隨機變化而不是新冠病毒效應造成的可能性。您可以比較這兩家商店的這些概率度量。
我很確定其他人可以建議執行“測試” - 但我自己的傾向是，一旦您將實際數據點添加到其中，這些圖表可能足以解決您的問題。如果實際數據直接落在圖表中的線上，那麼我認為圖片確實回答了您的問題，無需任何測試。
