Este documento presenta información sobre series de tiempo y pronósticos. Discuten los componentes de una serie de tiempo como tendencia, estacionalidad y ciclo. Explican diferentes métodos para realizar pronósticos como ajuste a tendencias lineales y no lineales, y series de tiempo univariadas y multivariadas. También cubren temas como predicción ex-ante y ex-post, y métodos para evaluar la precisión de pronósticos. El objetivo general es proporcionar una introducción a conceptos y técnicas clave para el análisis y pronóst
INVESTIGACIÓN DE OPERACIONES, Un modelo de programación entera es un modelo que contiene restricciones y una función objetivo idénticas a las formuladas por planeación lineal. La única diferencia es que una o mas de las variables de decisión tienen que tomar un valor entero en la solución final.
INVESTIGACIÓN DE OPERACIONES, Un modelo de programación entera es un modelo que contiene restricciones y una función objetivo idénticas a las formuladas por planeación lineal. La única diferencia es que una o mas de las variables de decisión tienen que tomar un valor entero en la solución final.
Instrucciones del procedimiento para la oferta y la gestión conjunta del proceso de admisión a los centros públicos de primer ciclo de educación infantil de Pamplona para el curso 2024-2025.
2. 2
PUNTOS A TRATAR
FÁTIMA PONCE REGALADO
PREDICCIÓN EN EL CONTEXTO DEL ANÁLISIS DE
REGRESIÓN.
SERIES DE TIEMPO Y PRONÓSTICOS
Serie de tiempo y sus componentes
Estimación y Pronósticos de series de tiempo.
3. 3FÁTIMA PONCE REGALADO
PREDICCIÓN
Herramienta esencial en cualquier proceso de toma
de decisiones.
Es una estimación cuantitativa sobre la verosimilitud de
sucesos futuros, basada en información pasada y presente.
Mediante la predicción se obtiene estimaciones relativas a
los cambios experimentados por la variable dependiente,
dada información adicional sobre el comportamiento de las
variables independientes.
4. 4FÁTIMA PONCE REGALADO
PRONÓSTICOS DE NEGOCIOS Y ECONÓMICOS
Un aspecto importante de la gestión de cualquier
organización es la planificación para el futuro: Las empresas
requieren proyectar sus ventas y beneficios, para ello
contratan firmas consultoras o usan proyecciones realizadas
por especialistas.
Las proyecciones de ventas ayudan a tomar decisiones
sobre insumos que se necesitan, cronogramas de
producción, contratación de personal, y estrategias.
Las proyecciones de crecimiento de la industria en el largo
plazo ayudan a tomar decisiones sobre expansión de capital
o reducción de activos por parte del directorio .
5. 5FÁTIMA PONCE REGALADO
La predicción de la demanda futura tiene gran
importancia para para tomar decisiones en:
La evaluación de nuevos proyectos de inversión,
La definición de planes tarifarios,
La planificación de estrategias de marketing,
Control eficiente de canales de distribución y manejo de
inventarios.
La predicción de la Demanda Potencial le ayudará a la
empresa a:
Definir el tamaño o escala de producción.
Planificar estrategias para brindar el servicio, etc.
PRONÓSTICOS DE NEGOCIOS Y ECONÓMICOS
6. 6FÁTIMA PONCE REGALADO
Se emplean los pronósticos porque es mejor basarse
en información rigurosa que en la intuición.
Además, las empresas tienen responsabilidad con sus
dueños de seguir procedimientos racionales para la
toma de decisiones.
El análisis de regresión juega un papel importante
en muchas de las técnicas de proyección.
PRONÓSTICOS DE NEGOCIOS Y ECONÓMICOS
7. 7FÁTIMA PONCE REGALADO
MÉTODOS PARA REALIZAR PRONÓSTICOS
Hay diversos métodos para realizar predicciones:
1. Métodos Cuantitativos de Predicción
(econométricos):
De regresión.
De análisis de series de tiempo:
- Técnicas Univariadas (Modelos ARIMA, de
descomposición de series, etc.),
- Técnicas Multivariadas.
- Predicción de tendencias (lineal ó exponencial)
De Valoración Contingente.
8. 8FÁTIMA PONCE REGALADO
MÉTODOS PARA REALIZAR PRONÓSTICOS
2. Métodos subjetivos / cualitativos basados en
opiniones de expertos, o en encuestas a vendedores o a
clientes, brindan información sobre intenciones de compra o
el grado de confianza de los consumidores. No se cuenta
con datos objetivos sobre el fenómeno a estudiar.
Por ejemplo el caso de un nuevo producto:
Opiniones de expertos. Uso de encuestas a clientes sobre
qué consideran que va a ocurrir con variables macro
(inflación, crec. de la economía, otros).
Método Delphi, Se trata de obtener una predicción
mediante un “consenso de grupo”.
Otros.
10. 10FÁTIMA PONCE REGALADO
TIPOS DE PREDICCIÓN
Se puede tener: Predicción Ex-Post / Ex-Ante.
• Predicción EX-POST (incondicionada): Se conoce con
certidumbre las observaciones de las variables explicativas.
Estos pronósticos pueden contrastarse con datos existentes
y permiten evaluar la predicción.
• Predicción EX-ANTE (condicionada): Utiliza variables
explicativas que pueden o no ser conocidas con certidumbre.
T3
T1 T2 presente
-------------------------------------------------------------------------------------------- tiempo
<----- período de--
estimación
<------- período ------
de predicción
EX-POST
<------- período ------
de predicción
EX-ANTE
“líneas maestras para construir modelos “guías para la adopción de políticas”
11. 11FÁTIMA PONCE REGALADO
TIPOS DE PREDICCIÓN
Predicción PUNTO: Predice un sólo valor o punto de
información para cada observación predicha.
Predicción INTERVALO: Intervalo de Confianza.
^
I.C. para E(Yf) = Yf margen de error
Z *sf
12. 12FÁTIMA PONCE REGALADO
EJERCICIO DE PREDICCIÓN (1/2)
Suponga que tiene datos de las variables producto (Q, medido en
miles de toneladas), mano de obra (L, medido en horas de trabajo) y
capital (K, medido en horas-máquina), de empresas de la industria
química para 15 años (2001-2015).
Se especifica un MRLG : Q = 1 + 2 K + 3 L + u
LS // Dependent Variable is Y
Method: Least Squares
Sample: 1980 1994
Included observations: 15
=====================================================================
Variable Coefficient Std. Error t-Statistic Prob.
=====================================================================
C -425.1581 88.39898 -4.809536 0.0004
K 0.195440 0.068409 2.856934 0.0012
L 0.403241 0.079125 5.096227 0.0003
=====================================================================
R-squared 0.914575 Mean dependent var 356.0000
Adjusted R-squared 0.900338 S.D. dependent var 146.5703
S.E. of regression 46.27127 Akaike info criterion 7.845899
Sumsquared resid 25692.36 Schwarz criterion 7.987509
Log likelihood -77.12832 F-statistic 79.68721
Durbin-Watson stat 2.425922 Prob(F-statistic) 0.000000
=====================================================================
2001 2015
Las variables K y L
son estadística-
mente importantes
para explicar las
variaciones de Y.
El 91% de las variaciones de
Y son explicadas por las
variaciones de las variables
del modelo.
13. 13FÁTIMA PONCE REGALADO
EJERCICIO DE PREDICCIÓN (2/2)
Ecuación de Regresión estimada:
^
Y = -425.16 + 0.19 K + 0.40 L R2= 0.91 F= 79.7
t-est 2.85 5.1
p-valor 0.0012 0.0003
Se pide predecir el nivel de producto (Y) para el 2016
sabiendo que: K2016=910 y L2016=1800.
Predicción Punto:
^ ^ ^ ^
Y = 1 + 2 K + 3 L
2016 2016 2016
^
==> Y 2016 = -425.1581 + (0.195440)(910) +(0.403241)(1800)
= 478.526 miles de toneladas.
14. 14FÁTIMA PONCE REGALADO
EVALUACIÓN DE LA PREDICCIÓN (1/2)
Si la muestra para la predicción es: j=n+1, n+2,..., n+h
yt = el valor actual e,
^
yt = el valor predicho en el período t.
n+h ^
RMSE = Root Mean Squared Error ( yt - yt )
2
/ h
t=n+1
Estos estadísticos están expresados en las mismas unidades
de medida que la variable dependiente, por lo que dependen
de la escala de la variable dependiente, debido a ello
deberían ser empleados cuando la dependiente es la misma en
ambos modelos. A menor error es mejor la predicción.
n+h ^
MAE = Mean Absolute Error yt - yt / h
t=n+1
15. 15FÁTIMA PONCE REGALADO
EVALUACIÓN DE LA PREDICCIÓN (2/2)
Estos estadísticos son escala invariante, y permiten comparar
entre modelos que se refieren a variables diferentes, con
distintas unidades de medida.
El coeficiente de desigualdad de Theil siempre caerá entre 0 y
1, cuando es 0 significa que hay un perfecto ajuste predictivo.
n+h ^
MAPE = Mean Absolute Percentage Error 100* [ (yt - yt) / yt ] / h
t=n+1
n+h ^
( yt - yt )
2
/ h
t=n+1
Theil Inequality Coefficient ---------------------------------------------------------
n+h ^ n+h
yt
2
/ h + yt
2
/ h
t=n+1 t=n+1
16. 16FÁTIMA PONCE REGALADO
EJERCICIO
Suponga que en tiene un par de modelos para inversión
y los resultados fuesen los siguientes:
Método de Predicción
Estadístico Modelo 1 Modelo 2
(con 2 variables) (con 3 variables)
Raíz del ECM 100.6197 100.4208
EAM 87.8588 85.6936
EAMP 250.3380 191.0574
“U” de Theil 0.1110 0.1108
18. 18FÁTIMA PONCE REGALADO
SERIE DE TIEMPO
Es un conjunto de observaciones (datos) de una
variable medida a lo largo del tiempo (durante varios
periodos).
Es cualquier grupo de información estadística que se
acumula a intervalos regulares.
Ejemplos:
Ventas mensuales de una empresa.
Inflación mensual.
Tráfico diario móvil-móvil.
19. 19FÁTIMA PONCE REGALADO
ANÁLISIS DE SERIES DE TIEMPO
El análisis de series de tiempo es un método cuantitativo
que se emplea para determinar patrones de
comportamiento en los datos recolectados a través del
tiempo.
5000
5500
6000
6500
7000
7500
8000
8500
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
Serie de Consumo Mensual
20. 20FÁTIMA PONCE REGALADO
COMPONENTES DE UNA SERIE DE TIEMPO
De acuerdo al Modelo Clásico General de Análisis de
Descomposición de las Series de Tiempo, toda serie está
compuesta de:
Tendencia (T): Componente a largo plazo.
Estacionalidad (E), Patrón de cambio que ocurre
periódicamente, si la periodicidad de la serie es < a 1 año.
Ciclo (C): Fluctuación o dinámica que no es explicada ni
por la tendencia ni por la estacionalidad.
Componente irregular (I): Variabilidad debido al azar que
se observa después de retirar los otros componentes.
21. 21FÁTIMA PONCE REGALADO
Tendencia (variación secular) se refiere al comportamiento
de largo plazo de la serie durante un periodo de tiempo.
TENDENCIA Y CICLO
El ciclo es el componente de corto plazo, es la
diferencia entre los valores observados y su tendencia.
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
22. 22FÁTIMA PONCE REGALADO
Razones para estudiar las tendencias:
Describir el patrón histórico de a serie: Por ejemplo
se puede utilizar un patrón pasado para evaluar el
éxito de una política anterior, o la efectividad de un
programa implementado en la empresa.
Proyectar patrones de tendencias pasadas al futuro.
Eliminar el componente de tendencia de la serie.
TENDENCIA o COMPONENTE SECULAR
23. 23FÁTIMA PONCE REGALADO
I. AJUSTE A LA TENDENCIA
Una de las maneras más simples de pronóstico de series
temporales es ajustar los datos a una tendencia y extrapolar
la tendencia al futuro.
a) Tendencia Lineal.
b) Tendencia No Lineal:
- Cuadrática
- Exponencial.
Al usar estas tres especificaciones la diferencia de los
resultados no es muy grande cuando el número de
observaciones es reducido. Sin embargo, ésta crece a
medida que aumenta el número de observaciones.
MÉTODOS PARA REALIZAR PRONÓSTICOS
24. 24FÁTIMA PONCE REGALADO
Las tendencias pueden ser rectas (lineal):
^
Y = a + b X, donde X es la variable tendencia.
TENDENCIAS
O curvas (No lineal: cuadráticas, logarítmicas, exponenciales
polinómicas):
^
Y = a + b X + cX2
Una vez que se estima la tendencia se puede tener la
predicción de la variable en estudio.
25. 25FÁTIMA PONCE REGALADO
Se emplea cuando se piensa que una ST cambia en
promedio en cantidades iguales de un período a otro:
Y = a + b t + u
t es cualquier valor del tiempo seleccionado, y cambia de 1 en 1.
I. TENDENCIA LINEAL
^
Se estima por MCO: Y = 1 + 1.5 t (en miles de S/.)
t aumenta una unidad cada año.
Esto podría servir para predecir los valores de cualquier t:
Para t=12 Y12 = 1 + 1.5 (12) = 19.
El horizonte de proyección no debe ser muy largo a lo más
se dice que debe ser a n/2 períodos futuros.
En EXCEL emplear PRONOSTICO o TENDENCIA
26. 26FÁTIMA PONCE REGALADO
A veces las series muestran un comportamiento
cuadrático de la tendencia.
Vt = a + b1t + b2t2
Un valor positivo de b2 implica que las ventas crecen a
través del tiempo a ritmo creciente, si fuera negativo el
crecimiento sería lento.
Este es un caso especial de la lineal cuando b2 es cero.
Si al correr la regresión resulta que los valores de las
pruebas son mejores, esta especificación sería mejor:
Vt = 101.8 + 7.0t + 0.12t2
II.1 TENDENCIA CUADRÁTICA:
II. TENDENCIA NO LINEAL
27. 27FÁTIMA PONCE REGALADO
Para algunas variables una curva exponencial brinda
un mejor ajuste que una cuadrática:
Vt = αβt
Se toma logaritmos a los dos lados de la ecuación y se
transforma en lineal para estimar por MCO:
Log Vt = Log α + Log(βt)
Log Vt = a + b t
II.2 TENDENCIA EXPONENCIAL
II. TENDENCIA NO LINEAL
Mide el cambio porcentual en V
para cada cambio unitario en t
^
Si por ejemplo: log Vt = 4.652 + 0.08t
La tasa de crecimiento anual de las ventas es de 8%.
28. 28FÁTIMA PONCE REGALADO
Si resultado de la regresión: Log Vt = 4.652 + 0.08t
Para encontrar los valores de α y β debemos tomar el
antilogaritmo de cada coeficiente:
α = antilogaritmo (4.652)= 104.8
β = antilogaritmo (0.08)= 1.083.
Los valores de los coeficiente son la elasticidad con
respecto a la variable.
Vt = 104.8(1.083)t
II.2 TENDENCIA EXPONENCIAL
II. TENDENCIA NO LINEAL
29. 29FÁTIMA PONCE REGALADO
La variación o componente cíclico es el componente de
la serie de tiempo que tiende a oscilar por arriba o por
debajo de la línea de tendencia secular en períodos
mayores a un año.
Una vez que se estimó la tendencia, el ciclo es el
residuo:
^
Residuo de la estimación = e = Y - Y
COMPONENTE CÍCLICO
30. 30FÁTIMA PONCE REGALADO
EJERCICIO
¿Cómo se comporta la serie?
Tiene Tendencia?,
Tiene Ciclo?,
Tiene Estacionalidad?
EN EXCEL, para tendencia:
Predecir aplicando TENDENCIA LINEAL:
=TENDENCIA(conocido_y,[conocido_x],[nueva_matriz_x])
Predecir aplicando PRONOSTICO:
=PRONOSTICO(x,conocido_y,conocido_x)
5000
5500
6000
6500
7000
7500
8000
8500
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
Consumo Mensual de Energía (ENERGIA)
31. 31FÁTIMA PONCE REGALADO
TENDENCIA EN EVIEWS
Se tiene la serie ENERGIA en archivo de Eviews.
Estimar la tendencia lineal por MCO:
Quick / Estimate Equation
Escribir la ecuación a
estimar
@trend= es una
serie de tendencia
que va de 0 a n.
Energía c @trend
2007M1 2011M12
32. 32FÁTIMA PONCE REGALADO
EJERCICIO
Dependent Variable: ENERGIA
Method: Least Squares
Sample: 2007M01 2011M12
Included observations: 60
Variable Coefficient Std. Error t-Statistic Prob.
C 6399.787 78.11741 81.92524 0.0000
@TREND 23.79784 2.283621 10.42110 0.0000
R-squared 0.651859 Mean dependent var 7101.823
Adjusted R-squared 0.645857 S.D. dependent var 514.7668
S.E. of regression 306.3373 Akaike info criterion 14.32002
Sum squared resid 5442867. Schwarz criterion 14.38983
Log likelihood -427.6005 Hannan-Quinn criter. 14.34732
F-statistic 108.5993 Durbin-Watson stat 1.579609
Prob(F-statistic) 0.000000
Tendencia lineal positiva.
Energía crece en promedio
cada mes 23.8 unidades
^
Energía= 6399.8 + 23.8 TREND
34. 34FÁTIMA PONCE REGALADO
PARA DESESTACIONALIZAR LA SERIE
Abrir la serie ENERGIA (doble clik)
Proc/ Seasonal Adjusment/ Moving Average Methods
35. 35FÁTIMA PONCE REGALADO
PARA DESESTACIONALIZAR LA SERIE
Aparecerá esta pantalla,
dar ok.
Sample: 2007M01 2011M12
Included observations: 60
Ratio to Moving Average
Original Series: ENERGIA
Adjusted Series: ENERGIASA
Scaling Factors:
1 0.967026
2 0.901475
3 1.004988
4 0.981262
5 1.030312
6 0.994126
7 1.018350
8 1.029697
9 1.001085
10 1.036060
11 1.012289
12 1.031538
ENERGIASA=Serie energía desestacionalizada
36. 36FÁTIMA PONCE REGALADO
PARA DESESTACIONALIZAR LA SERIE
Pedir la grafica de
las 2 series:
ENERGIA: Serie
original
ENERGIASA: Serie
desestacionalizada,
es más suave, tiene
menos picos.
5,600
6,000
6,400
6,800
7,200
7,600
8,000
8,400
2007 2008 2009 2010 2011
ENERGIA ENERGIASA