Miguel Castillo MBA

Pronsticos
TEMA 05
Miguel Castillo MBA
El problema con nuestro tiempos es que el futuro no
es lo que era antes.
Me interesa el futuro porque voy ha pasar el resto
de mi vida all.
Pensamientos
Miguel Castillo MBA
- Mtodo estadstico que analiza los datos histricos de la
demanda, para suministrar un valor estimado de esta
misma en un futuro.

- Es un mtodo mediante el cual se intenta conocer el
comportamiento futuro de alguna variable con algn grado
de certeza
Pronsticos : Definicin
Miguel Castillo MBA
Reducir la incertidumbre acerca de lo que puede
acontecer en el futuro proporcionando informacin
cercana a la realidad que permita tomar decisiones
sobre los cursos de accin a tomar tanto en el
presente como en el futuro.
IMPORTANTE:
Los pronsticos no se hacen con una bola de cristal
Pronsticos : Objetivos
Miguel Castillo MBA
Seleccin de la tcnica adecuada
La mejor tcnica es aquella que:

- Facilite la toma de decisiones en el momento
adecuado
- Que sea entendida por el que toma las decisiones
- Pase un anlisis costo-beneficio
- Cumpla con las restricciones del sistema: tiempo
disponible, datos, disponibilidad de cmputo.
- Cumpla con los criterios de: precisin, estabilidad,
objetividad


Miguel Castillo MBA
Tcnicas de
pronsticos
Promedio mvil
Ajuste exponencial
DST
Box - Jenkins
Proyecciones de tendencia
Curva de Aprendizaje
Mtodo Delphi
Investigacin de mercados
Consenso de grupo
Previsin imaginativa
Analoga histrica
Anlisis de impacto cruzado
Modelo de regresin
Modelo economtrico
Encuestas de anticipacin
Modelo input-output
Modelo input output economtrico
Indice de difusin
Indice anticipador
Anlisis de ciclo de vida
Cuantitativas Cualitativas
Causales
Miguel Castillo MBA
- Cualitativas: Utilizan informacin cualitativa
(experiencia de expertos) para desarrollar
escenarios futuros.TIL EN LARGO PLAZO

- Cuantitativas: se basan en datos numricos y utilizan
herramienta matemtica y estadstica para su
elaboracin. Suponen que el futuro puede predecirse
midiendo el pasado. CORTO PLAZO
Clasificacin de pronsticos
Miguel Castillo MBA
Tcnicas cualitativas
Subjetivas. La misma tcnica usada por dos expertos
distintos puede producir resultados diferentes.

Las mas utilizadas son:

- Investigacin de mercados.
- Analogas histricas.
- Mtodo Delphi
- Consenso general.
- Impacto cruzado.
- Anlisis de escenarios.
Miguel Castillo MBA
Informacin: Requieren de datos histricos de las
variables involucradas.
Supuesto: El patrn histrico de las variables seguir
siendo vlido en el futuro analizado.

Tcnicas cuantitativas
Las mas utilizadas son:
- Extrapolativas: ajustes de curvas y mtodos de
suavizamiento. Los patrones observados en el
pasado se proyectan al futuro.
- Serie de tiempos: mtodos de descomposicin y
modelos ARIMA (autorregresivos, integrados y
promedios mviles).
- Modelos causales: modelos economtricos
(regresin).
Miguel Castillo MBA
PROCESO
GENERADOR
INSUMOS
PRODUCTO
SISTEMA
Estos tipos de pronsticos consideran al sistema
como una caja negra y no intentan descubrir los
factores que afectan su comportamiento.
Serie de tiempos (estadsticos)
Miguel Castillo MBA
Los modelos causales incorporan las variables o factores que
podran influir en la cantidad pronosticada por el modelo. Por
ejemplo: La venta de una bebida gaseosa podra depender de la
estacin, la temperatura y la humedad promedio.
El modelo causal intenta incluir factores que pueden afectar en
nuestro pronostico.
La funcin del analista consiste en desarrollar la mejor relacin
estadstica entre la variable que se desea pronosticar y el grupo
de variables independientes.
Tcnicas causales
- Modelo de regresin
- Modelo economtrico
- Encuestas de anticipacin
- Modelo input-output
- Modelo input output
economtrico

- ndice de difusin
- ndice anticipador
- Anlisis de ciclo de vida

Miguel Castillo MBA
RELACIN ENTRE
DOS O MS
FACTORES
INSUMOS
PRODUCTO
SISTEMA
Estos tipos de pronsticos consideran que cualquier
variacin de los insumos afectar los productos del
sistema de manera predecible, suponiendo que la
relacin es constante.
Explicativo (causales)
Miguel Castillo MBA
Importante
Para hacer un buen pronstico, se necesita hacer dos
cosas:
- Seleccionar la tcnica de pronostico adecuada.
- Obtencin de datos.
Miguel Castillo MBA
- Debido a que el mundo econmico no es determinstico,
siempre estar presente lo aleatorio.
- El supuesto bsico que est detrs del uso de cualquier
tcnica de pronostico es:



- El objetivo comn en la aplicacin de tcnicas de
prediccin es minimizar tales desviaciones (e
i
) errores
en el pronstico.
- El criterio para escoger un modelo pronstico es su
exactitud. Que no es otra cosa que minimizar este error.
La exactitud en los pronsticos
Lo real = el patrn + lo aleatorio e
i
= X
i
F
i
Miguel Castillo MBA
Tipos de errores de pronsticos
- Error medio (ME)
- Desviacin absoluta media (MAD)
- Error cuadrado medio (MSE)
- Desviacin tpica de los errores (SDE)
- Error porcentual (PE
t
)
- Error porcentual medio (MPE)
- Error porcentual absoluto medio (MAPE)
Miguel Castillo MBA
Patrones en la serie de tiempos
La descomposicin clsica es un mtodo que se basa en la
suposicin de que se puede descomponer en componentes
como: tendencia, ciclo, estacionalidad y irregularidad.
Tendencia, de una serie de tiempo es el componente de
largo plazo que representa el crecimiento o disminucin en
la serie sobre un periodo amplio.
Cclico, es la fluctuacin en forma de onda alrededor de la
tendencia.
Estacionalidad, es un patrn de cambio que se repite a s
mismo ao tras ao.
Aleatorio, mide la variabilidad de las series de tiempo
despus de retirar los otros componentes.
Miguel Castillo MBA
Identificacin de patrones
La podemos realizar de dos maneras:
A travs de un grafico.
A travs del coeficiente de autocorrelacin (r
k
).
Autocorrelacin es la correlacin existente entre una
variable desfasada uno o ms periodos y la misma
variable.

=
n
t
__
t
k n
t
__
k t
__
t
k
) Y Y (
) Y Y )( Y Y (
r
1
2
1
No se asusten, esto lo calcularemos con el SPSS
Excel con el complemento StatPlus
Miguel Castillo MBA
Los coeficientes de autocorrelacin se pueden utilizar
para identificar lo siguiente:
los datos son aleatorios?
los datos tienen una tendencia?
los datos son estacionarios?
los datos son estacionales?
Identificacin de patrones
Miguel Castillo MBA
Mes Ventas
1 123
2 130
3 125
4 138
5 145
6 142
7 141
8 146
9 147
10 157
11 150
12 160
Identificacin de
patrones con Excel
Ejemplo 01
Para esto utilizaremos el STATPLUS,
programa que se incorpora en el
Excel.
Miguel Castillo MBA
Grafico de autocorrelacin con Excel
Trabajamos con el
complemento del
Excel StatPlus
Miguel Castillo MBA
Grafico de autocorrelacin con Excel
Miguel Castillo MBA
Lag ACF Lower Upper
1 0.572 -0.566 0.566
2 0.463 -0.728 0.728
3 0.111 -0.816 0.816
4 0.016 -0.821 0.821
5 -0.033 -0.821 0.821
6 -0.102 -0.822 0.822
7 -0.250 -0.826 0.826
8 -0.328 -0.850 0.850
9 -0.466 -0.889 0.889
10 -0.250 -0.964 0.964
11 -0.232 -0.985 0.985
12 0.000 -1.002 1.002
-1.000
-0.800
-0.600
-0.400
-0.200
0.000
0.200
0.400
0.600
0.800
1.000
2 3 4 5 6 7 8 9 10 11 12
Grafico de autocorrelacin con Excel
Miguel Castillo MBA
Ao Ventas Ao Ventas
1955 3,307 1974 13,101
1956 3,556 1975 13,639
1957 3,601 1976 14,950
1958 3,721 1977 17,224
1959 4,036 1978 17,946
1960 4,134 1979 17,514
1961 4,268 1980 25,195
1962 4,578 1981 27,357
1963 5,093 1982 30,020
1964 5,716 1983 35,883
1965 6,357 1984 38,828
1966 6,769 1985 40,715
1967 7,296 1986 44,282
1968 8,178 1987 48,440
1969 8,844 1988 50,251
1970 9,251 1989 53,794
1971 10,006 1990 55,972
1972 10,991 1991 57,242
1973 12,306
Existe tendencia. Veamos que
tipo de tendencia es.
Otro ejemplo:
Ejemplo 02
Miguel Castillo MBA
Lag ACF Lower Upper
1 0.916 -0.322 0.322
2 0.826 -0.527 0.527
3 0.734 -0.648 0.648
4 0.641 -0.729 0.729
5 0.545 -0.786 0.786
6 0.455 -0.824 0.824
7 0.368 -0.849 0.849
8 0.279 -0.866 0.866
9 0.196 -0.875 0.875
10 0.126 -0.880 0.880
11 0.062 -0.882 0.882
12 0.001 -0.882 0.882
13 -0.036 -0.882 0.882
14 -0.077 -0.882 0.882
15 -0.118 -0.883 0.883
-1.000
-0.800
-0.600
-0.400
-0.200
0.000
0.200
0.400
0.600
0.800
1.000
2 3 4 5 6 7 8 9 10 11 12 13 14 15
Identificacin de patrones con Excel
Miguel Castillo MBA
Ao Trim 4 Trim 1 Trim 2 Trim 3
1984 147.6 251.8 273.1 249.1
1985 139.3 221.2 260.2 259.5
1986 140.5 245.5 298.8 287.0
1987 168.8 322.6 393.5 404.3
1988 259.7 401.1 464.6 479.7
1989 264.4 402.6 411.3 385.9
1990 232.7 309.2 310.7 293.0
1991 205.1 234.4 285.4 258.7
1992 293.2 263.7 292.5 315.2
1993 178.3 274.5 295.4 311.8
Ejemplo 03
Miguel Castillo MBA
Lag ACF Lower Upper
1 0.415 -0.310 0.310
2 0.202 -0.359 0.359
3 0.312 -0.370 0.370
4 0.683 -0.395 0.395
5 0.177 -0.495 0.495
6 -0.115 -0.501 0.501
7 -0.040 -0.504 0.504
8 0.281 -0.504 0.504
9 -0.168 -0.519 0.519
10 -0.416 -0.524 0.524
11 -0.322 -0.555 0.555
12 0.012 -0.573 0.573
13 -0.309 -0.573 0.573
14 -0.467 -0.588 0.588
15 -0.363 -0.623 0.623
-1.000
-0.800
-0.600
-0.400
-0.200
0.000
0.200
0.400
0.600
0.800
1.000
2 3 4 5 6 7 8 9 10 11 12 13 14 15
Identificacin de patrones con Excel
Miguel Castillo MBA
Tipo de pronostico vs. comportamiento
histrico de datos
Promedios mviles
Suavecimiento exponencial
Box - Jenkis
Regresi n
Suavecimiento exponencial
con tendencia
Regresin
Descomposici n de serie de
tiempos (DST).
Regresin ajustada con
estacionalidad
No aplica
Estacionarios y
tendencia suave
Tendencia
fuerte
Estacinales
Aleatorios
Comportamiento T cnica
Miguel Castillo MBA
Pronostico Ingenuo I

Est mtodo emplea como pronstico la
informacin disponible ms reciente relativa al
valor real.


En estadstica, este modelo se le conoce como
modelo de la caminata aleatoria.
La diferencia entre el error (MAPE MSE)
obtenido de un mtodo ms formal de prediccin y
el obtenido al emplear el mtodo ingenuo I
proporciona una medida del mejoramiento obtenible
mediante el uso de dicho mtodo formal de
prediccin.
F
t
+ 1 = X
t
Miguel Castillo MBA
Semana Ventas Pronstico Error
Error
absoluto
Error
porcentual
absoluto
Error
cuadrado
1 9
2 8 9 -1 1 12.5% 1
3 9 8 1 1 11.1% 1
4 12 9 3 3 25.0% 9
5 9 12 -3 3 33.3% 9
6 12 9 3 3 25.0% 9
7 11 12 -1 1 9.1% 1
8 7 11 -4 4 57.1% 16
9 13 7 6 6 46.2% 36
10 9 13 -4 4 44.4% 16
11 11 9 2 2 18.2% 4
12 10 11 -1 1 10.0% 1
0.091 2.636 26.5% 9.364 PROMEDIO
ME 0.091
MAD 2.636
MAPE 26.5%
MSE 9.364
Ejemplo 04
Miguel Castillo MBA
Uno de los problemas al que los gerentes se enfrentan es el
relativo a la preparacin de pronsticos de corto plazo para
un gran cantidad de situaciones diferentes.
Considerase la situacin a la que se enfrenta el directivo
que peridicamente ha de hacer previsiones de las
existencias de centenares de productos. Cada semana, o
cada mes, ha de disponerse de previsiones actualizadas de
muchas existencias para un horizonte de tiempo breve.
En muchas de estas situaciones no es prctico desarrollar y
aplicar un mtodo refinado de prediccin para cada
artculo.
El directivo que deba emprender esta tarea tal vez utilice
alguna forma de suavizacin de serie cronolgica.
Promedios mviles y suavizacin exponencial
Miguel Castillo MBA
En todos los mtodos de suavizacin de series
cronolgicas se emplea alguna forma de promedio
ponderado de observaciones anteriores para suavizar los
movimientos ascendentes o descendentes.
Veremos los siguientes tcnicas bsicas de suavizacin:
Medias mviles
Suavizacin exponencial simple
Suavizacin exponencial de Holt
Suavizacin exponencial de Winters

Promedios mviles y suavizacin exponencial
Miguel Castillo MBA
Medias (promedios) mviles
Un promedio mvil se obtiene encontrando la media de un
conjunto especfico de valores y emplendolo despus
para pronosticar el siguiente periodo.
Entre mayor sea el orden del promedio mvil, mayor ser
el efecto de atenuacin.
Entre menor sea el nmero, se dar ms peso a los
periodos recientes.
Es ms deseable un nmero pequeo cuando hay cambios
sbitos en el nivel de la serie.
De qu depende si al calcular el promedio mvil, se use,
tres cuatro cinco periodos?. Se utilizara aquella que
tenga el menor error de pronostico.
Miguel Castillo MBA
Trimestre Ventas Trimestre Ventas
1988-1 500 1991-3 250
1988-2 350 1991-4 550
1988-3 250 1992-1 550
1988-4 400 1992-2 400
1989-1 450 1992-3 350
1989-2 350 1992-4 600
1989-3 200 1993-1 750
1989-4 300 1993-2 500
1990-1 350 1993-3 400
1990-2 200 1993-4 650
1990-3 150 1994-1 850
1990-4 400 1994-2 600
1991-1 550 1994-3 450
1991-2 350 1994-4 700
Ejemplo 05
Miguel Castillo MBA
Promedio moviles con DS:POM
1
2
Miguel Castillo MBA
3
4
5
Promedio moviles con DS:POM
Miguel Castillo MBA
Promedio mviles con DS:POM
Que fcil !
Se observan:
Errores de pronsticos
Pronostico
Grafico
Que se puede pedir !
Miguel Castillo MBA
Promedio mviles
La preguntas clave para el pronostico con promedio
mviles:
Cuntos periodos debo promediar
para obtener el mejor pronostico?
Miguel Castillo MBA
Suavizacin exponencial simple
Utiliza solamente valores previos de una serie cronolgica para
predecir valores futuros de la misma serie.
Se recomienda cuando los datos no presentan ninguna tendencia
ni estacionalidad.
El valor de prediccin para un periodo cualquiera es la media
ponderada de todos los valores previos conocidos, los pesos
disminuyen geomtricamente a medida que retrocede el tiempo.


Utiliza solamente valores previos de una serie cronolgica para
predecir valores futuros de la misma serie.
Se recomienda cuando los datos no presentan ninguna tendencia ni
estacionalidad.
El valor de prediccin para un periodo cualquiera es la media
ponderada de todos los valores previos conocidos, los pesos
disminuyen geomtricamente a medida que retrocede el tiempo.
F
t+1
= F
t
+ o (X
t
F
t
) F
t+1
= o X
t
+ (1 o) F
t
Donde:
F
t+1
valor de previsin para el perodo t+1
o Constante de suavizacin.
X
t
Valor real (en el perodo t)
F
t
valor de previsin suavizado para perodo t
F
t+1
= F
t
+ o (X
t
F
t
) F
t+1
= o X
t
+ (1 o) F
t
Miguel Castillo MBA
Este mtodo elimina la necesidad de almacenar los
valores histricos de la variable.
El nico aspecto que debe recordarse es que para el
primer periodo no est disponible ningn pronstico
previo.
En este caso, el valor del primer punto de datos (real) se
puede emplear como el primer pronostico.
La constante de suavizacin determina el nivel de
uniformidad y la velocidad de reaccin a las diferencias
entre las proyecciones y las ocurrencias reales.
El valor de o est determinado tanto por la naturaleza
del producto como por el sentido del gerente.
Suavizacin exponencial simple
Miguel Castillo MBA
Mes Ventas
Ene 20
Feb 24
Mar 27
Abr 31
May 37
Jun 47
Jul 53
Ago 62
Set 54
Oct 36
Nov 22
Dic 29
QU HACEMOS?

Lo primero, definir
cuanto es el valor de o,
en nuestro ejemplo,
supongamos que o = 0.5
Ejemplo 06
Miguel Castillo MBA
Que fcil con
el DS POM !
Suavizacin exponencial simple
Miguel Castillo MBA
Suavizacin exponencial simple
y con el Excel?
Miguel Castillo MBA
La preguntas clave para el pronostico con suavizacin
exponencial simple:
Qu valor de o debo utilizar para
obtener el mejor pronostico?
Suavizacin exponencial simple
Miguel Castillo MBA
Suavizacin exponencial lineal (SE de Holt)
Se utiliza cuando se comprueba que existe una
tendencia en la serie.
Utilizaremos el siguiente modelo:
F
t+k
= L
t
+ k T
t

L
t
= o X
t
+ (1- o)(L
t-1
+ T
t-1
)
T
t
= | (L
t
L
t-1
) + (1- |) T
t-1
El modelo de Hot nos permite pronosticar hasta k
periodos en el futuro.
o y | son parmetros de ponderacin, entre 0 y 1.
L indica el nivel a largo plazo y T indica la tendencia.
Miguel Castillo MBA
Qu hacemos?
Trimestre
Utilidad /
accin
1 -0.2
2 0.1
3 0.05
4 0.15
5 0.22
6 0.35
7 0.37
8 0.42
9 0.37
10 0.53
11 0.59
12 0.65
Ejemplo 07
Miguel Castillo MBA
QU FACIL CON
EL DS POM
SEL (SE de Holt) con DS:POM
Miguel Castillo MBA
SEL (SE de Holt) con Excel
Miguel Castillo MBA
La preguntas clave para el pronostico con suavizacin
exponencial lineal (SE de Holt):
Qu valor de o y | debo utilizar
para obtener el mejor pronostico?
Suavizacin exponencial lineal (SE de Holt)
Miguel Castillo MBA
Suavizacin exponencial de Winters
Se utiliza cuando se comprueba que existe una tendencia y
estacionalidad en la serie.
1 t 1 t t t
T ) 1 ( ) S S ( T

| + | =
L t
t
t
t
I ) 1 (
S
X
I

+ =
Valor suavizado de la serie
desestacionalizada.
Valor suavizado de la tendencia
Valor suavizado del factor estacional
L duracin de la estacionalidad.
m L t t t m t
I ) m T S ( F
+ +
+ =
) T S )( 1 (
I
X
S
1 t 1 t
L t
t
t

+ o + o =
Funcin para calcular el
pronostico de Winters
Miguel Castillo MBA
1 2 3 4
1982 362 385 432 341
1983 382 409 493 387
1984 473 513 582 474
1985 544 582 681 557
1986 628 707 773 592
1987 627 725 854 661
TRIMESTRE
AO
Ejemplo 08
Miguel Castillo MBA
341
441
541
641
741
841
941
1,041
1,141
0 5 10 15 20 25 30
Obs. Forecast Lower Upper
25 745.1 698.4 791.9
26 807.1 759.4 854.8
27 918.6 869.8 967.3
28 719.5 669.7 769.4
Seasonal Indices
1 0.966
2 1.023
3 1.139
4 0.873
S.E. de Winters con Excel
Miguel Castillo MBA
La preguntas clave para el pronostico con suavizacin
exponencial de Winters:
Qu valor de o , | y debo
utilizar para obtener el mejor
pronostico?
Suavizacin exponencial de Winters
Miguel Castillo MBA
Descomposicin de serie de tiempos
Se puede definir a una serie de tiempo como una
secuencia de datos numricos cada uno de los cuales se
asocia con un instante especfico de tiempo.
Se puede pensar que una serie de tiempo est formada
por varias componentes que obedecen a causas
diferentes. Estas componentes son la tendencia (T), la
(S), la cclica (C) y la irregular (I), ms un trmino
aleatorio. En trminos matemticos esto se puede
expresar como:


La descomposicin de las series de tiempos significa
identificar y separar los datos de la series de tiempos
en esos componentes.
t t t t t
u I C S T f Y + = ) , , , (
Miguel Castillo MBA
Tendencia: movimiento suave, de largo plazo, generalmente
asociado a causas estructurales del fenmeno en estudio; como
aumento o disminucin de la poblacin, cambios en las
condiciones econmicas, mejora en la organizacin econmica,
poltica y social, efectos de cambios en cuestiones de salud,
educacin, seguridad social, entre otros. Los efectos de la
tendencia se notan en lapsos largos con relacin al perodo de
observacin.

Ciclo: oscilacin casi peridica que dura 3, 5, 11, 13, etc. aos
originada por diversas causas. Algunas series de tiempo exhiben
variaciones con perodos fijos debidas a causas fsicas, como el
caso de las variaciones diarias de temperatura. Otras exhiben
oscilaciones que no tienen un perodo fijo, pero que pueden ser
predecibles, frecuentemente observado en series econmicas.
Descomposicin de serie de tiempos
Miguel Castillo MBA
Estacionalidad: movimientos recurrentes, intraanuales,
peridicos o aproximadamente peridicos debido a causas
como sucesin de estaciones, presencia de temporadas o
festividades anuales. Se puede decir entonces, que las
fluctuaciones estacionales
son aquellas que aparecen de una manera recurrente y con
periodicidad anual.

Irregular: movimientos recurrentes que responden a una
acumulacin de causas, o que no tienen una causa especfica.
Descomposicin de serie de tiempos
Miguel Castillo MBA
Surge ahora el problema de estimar cada uno de estos
componentes, es decir, se desea estimar que parte del valor
de la serie de tiempo Y
t
, para cualquier tiempo dado t, puede
atribuirse a la tendencia, a los factores estacionales, a los
factores cclicos o a una variacin aleatoria o irregular.

Para poder estimar cada componente primero se debe hacer
supuestos a cerca de como estn relacionados estos
componentes. Estos supuestos conforman el llamado modelo
de la serie de tiempo.

Descomposicin de serie de tiempos
Miguel Castillo MBA
Los modelos de series de tiempo se clasifican en dos
categoras, el modelo aditivo y el multiplicativo.

El modelo aditivo se supone que las componentes son
independientes entre si.


El modelo multiplicativo se supone que los cuatro
componentes estn relacionados entre s, manteniendo la
posibilidad de que las componentes provengan de causas
bsicas diferentes.

Descomposicin de serie de tiempos
Y
t
= T
t
+C
t
+ S
t
+ u
t
Y
t
= T
t
* C
t
* S
t
* u
t
Miguel Castillo MBA
1. Identificar los factores estacionales.
2. Determinar los factores de tendencia.
3. Determinar los factores cclicos.
4. Obtener ms estimaciones de los valores de ciclo
de tendencia.
5. Preparar un pronstico para un tiempo deseado.
Descomposicin de serie de tiempos
Los pasos a seguir para realizar la descomposicin de
serie, es la siguiente:
Miguel Castillo MBA
Veamos el siguiente ejemplo:
1 2 3 4
1977 3,017.60 3,043.54 2,094.35 2,809.84
1978 3,274.80 3,163.28 2,114.31 3,024.57
1979 3,327.48 3,493.48 2,439.93 3,490.79
1980 3,685.08 3,661.23 2,378.43 3,459.55
1981 3,849.63 3,701.18 2,642.38 3,585.52
1982 4,078.66 3,907.06 2,828.46 4,089.50
1983 4,339.61 4,148.60 2,916.45 4,084.64
1984 4,242.42 3,997.58 2,881.01 4,036.23
1985 4,360.33 4,360.53 3,172.18 4,223.76
1986 4,690.48 4,694.48 3,342.35 4,577.63
1987 4,965.46 5,026.05 3,470.14 4,525.94
1988 5,258.71 5,189.58 3,596.76 3,881.60
TRIMESTRE
AO
Ejemplo 09
Miguel Castillo MBA
Aplicar un promedio mvil anual (en teora, un promedio anual, no
tiene problemas de estacionalidad).
Aplicar un promedio mvil centrado.
Encontrar la razn de estacionalidad.
Encontrar el ndice estacional.
Aplicar los ndices de estacionalidad.

Veamos, con el Excel................... A TRABAJAR !!
Descomposicin de serie de tiempos
Miguel Castillo MBA
DST con Excel - Grafico
Ventas
-
1,000.00
2,000.00
3,000.00
4,000.00
5,000.00
6,000.00
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
Ventas
Miguel Castillo MBA
Tri Ventas PM PMC RE IE
Ventas
destacionalizadas
Tri Ventas PM PMC RE IE
Ventas
destacionalizadas
77-1 3,017.60 1.116 2,704.58 83-1 4,339.61 3,851.54 3,821.35 1.136 1.116 3,889.45
77-2 3,043.54 1.092 2,786.30 83-2 4,148.60 3,873.54 3,862.54 1.074 1.092 3,797.97
77-3 2,094.35 2,741.33 0.761 2,750.78 83-3 2,916.45 3,872.33 3,872.93 0.753 0.761 3,830.54
77-4 2,809.84 2,805.63 2,773.48 1.013 1.031 2,726.48 83-4 4,084.64 3,848.03 3,860.18 1.058 1.031 3,963.47
78-1 3,274.80 2,835.57 2,820.60 1.161 1.116 2,935.10 84-1 4,242.42 3,810.27 3,829.15 1.108 1.116 3,802.34
78-2 3,163.28 2,840.56 2,838.06 1.115 1.092 2,895.92 84-2 3,997.58 3,801.41 3,805.84 1.050 1.092 3,659.71
78-3 2,114.31 2,894.24 2,867.40 0.737 0.761 2,776.99 84-3 2,881.01 3,789.31 3,795.36 0.759 0.761 3,784.00
78-4 3,024.57 2,907.41 2,900.83 1.043 1.031 2,934.84 84-4 4,036.23 3,818.79 3,804.05 1.061 1.031 3,916.49
79-1 3,327.48 2,989.96 2,948.69 1.128 1.116 2,982.31 85-1 4,360.33 3,909.53 3,864.16 1.128 1.116 3,908.02
79-2 3,493.48 3,071.37 3,030.66 1.153 1.092 3,198.22 85-2 4,360.53 3,982.32 3,945.92 1.105 1.092 3,991.98
79-3 2,439.93 3,187.92 3,129.64 0.780 0.761 3,204.67 85-3 3,172.18 4,029.20 4,005.76 0.792 0.761 4,166.43
79-4 3,490.79 3,277.32 3,232.62 1.080 1.031 3,387.23 85-4 4,223.76 4,111.74 4,070.47 1.038 1.031 4,098.46
80-1 3,685.08 3,319.26 3,298.29 1.117 1.116 3,302.82 86-1 4,690.48 4,195.23 4,153.48 1.129 1.116 4,203.92
80-2 3,661.23 3,303.88 3,311.57 1.106 1.092 3,351.79 86-2 4,694.48 4,237.77 4,216.50 1.113 1.092 4,297.71
80-3 2,378.43 3,296.07 3,299.98 0.721 0.761 3,123.89 86-3 3,342.35 4,326.24 4,282.00 0.781 0.761 4,389.93
80-4 3,459.55 3,337.21 3,316.64 1.043 1.031 3,356.92 86-4 4,577.63 4,394.98 4,360.61 1.050 1.031 4,441.83
81-1 3,849.63 3,347.20 3,342.20 1.152 1.116 3,450.30 87-1 4,965.46 4,477.87 4,436.43 1.119 1.116 4,450.38
81-2 3,701.18 3,413.19 3,380.19 1.095 1.092 3,388.36 87-2 5,026.05 4,509.82 4,493.85 1.118 1.092 4,601.25
81-3 2,642.38 3,444.68 3,428.93 0.771 0.761 3,470.57 87-3 3,470.14 4,496.90 4,503.36 0.771 0.761 4,557.78
81-4 3,585.52 3,501.94 3,473.31 1.032 1.031 3,479.15 87-4 4,525.94 4,570.21 4,533.55 0.998 1.031 4,391.67
82-1 4,078.66 3,553.41 3,527.67 1.156 1.116 3,655.57 88-1 5,258.71 4,611.09 4,590.65 1.146 1.116 4,713.21
82-2 3,907.06 3,599.93 3,576.67 1.092 1.092 3,576.84 88-2 5,189.58 4,642.75 4,626.92 1.122 1.092 4,750.96
82-3 2,828.46 3,725.92 3,662.92 0.772 0.761 3,714.98 88-3 3,596.76 4,481.66 4,562.21 0.788 0.761 4,724.08
82-4 4,089.50 3,791.16 3,758.54 1.088 1.031 3,968.18 88-4 3,881.60 1.031 3,766.45
DST con Excel - Calculos
Miguel Castillo MBA
Formulas que se utilizan en el Excel
DST con Excel ndices de estacionalidad
Miguel Castillo MBA
Formulas que se utilizan para calcular el ndice de
estacionalidad en el Excel
DST con Excel ndices de estacionalidad
Miguel Castillo MBA
0.00
1,000.00
2,000.00
3,000.00
4,000.00
5,000.00
6,000.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Ventas
Ventas destacionalizadas
Observen Uds. Las ventas destacionalizadas, ya no muestran
la estacionalidad y tiene un comportamiento uniforme, el
mismo que si se puede proyectar aplicando en anlisis de
regresin.
DST con Excel
Miguel Castillo MBA
Se escoge el
mtodo
descomposicin
multiplicativa
(estacional).
Y luego se
selecciona 4
como nmero de
estaciones.
DST con DS:POM
Miguel Castillo MBA
DST con DS:POM
Miguel Castillo MBA
DST con DS:POM
Miguel Castillo MBA
2094.35
2594.35
3094.35
3594.35
4094.35
4594.35
5094.35
5594.35
0 10 20 30 40
Ventas Adjusted
Seasonal Indices
1 1.121
2 1.094
3 0.754
4 1.031
DST con Excel - StatPlus
Miguel Castillo MBA
Modelos de regresin
Una cosa es ajustar un modelo a una serie de tiempos;
otra, totalmente diferente, es proponer otras variables
que se relacionen a la serie de datos de inters y
desarrollar un modelo que exprese la forma en que se
relaciona diversas variables.

Regresin es un conjunto de tcnicas que son usadas para
establecer una relacin entre una variable cuantitativa
llamada variable dependiente (Y) y una o ms variables
independientes (X) llamadas variables predictoras. La
ecuacin que representa la relacin es llamada el modelo
de regresin.
Miguel Castillo MBA
Modelos de regresin simple
Y = f (X)

Modelos de regresin mltiple
Y = f ( X
1
, X
2
, ....., X
n
)
Modelos de regresin
Los modelos de regresin los clasificaremos en dos
tipos:
Miguel Castillo MBA
Regresin simple
El anlisis de regresin simple es una herramienta
estadstica que nos permite estimar la relacin
matemtica existente entre una variable dependiente
(denominada generalmente Y) y una nica variable
independiente (expresada comnmente X).
La variable dependiente es aquella que queremos
realizar una previsin.
Si a la relacin entre las dos variables (X Y) es una
lnea, estamos hablando de modelos de regresin
lineal, que son los que se utilizan con mayor
frecuencia.
Miguel Castillo MBA
El modelo matemtico que se ajusta a una recta, es el
siguiente:


|
1
seala la tasa de cambio de Y por unidad de X.
La interseccin |
o
es el valor que adquiere la variable
dependiente Y cuando X es cero.
c del modelo representa un trmino de error.
Y = |
o
+ |
1
X + c
Regresin simple
Miguel Castillo MBA
Nuestro problema es determinar los valores de b
o
y b
1

de manera que la ecuacin resultante se ajusten a los
datos de la mejor manera posible.
La tcnica que se utiliza con mayor frecuencia es MCO
(mnimos cuadrados ordinarios).
|
o
y |
1
son parmetros de la poblacin que se estiman
tpicamente mediante datos muestrales. Los
estadsticos muestrales son b
o
y b
1
, en consecuencia el
modelo muestral es:
Y = b
o
+ b
1
X
Regresin simple
Miguel Castillo MBA
X Y X Y X Y X Y
10 8.04 10 9.14 10 7.46 8 6.58
8 6.95 8 8.14 8 6.77 8 5.76
13 7.58 13 8.74 13 12.74 8 7.71
9 8.81 9 8.77 9 7.11 8 8.84
11 8.33 11 9.26 11 7.81 8 8.47
14 9.96 14 8.1 14 8.84 8 7.04
6 7.24 6 6.13 6 6.08 8 5.25
4 4.26 4 3.1 4 5.39 19 12.5
12 10.84 12 9.13 12 8.15 8 5.56
7 4.82 7 7.26 7 6.42 8 7.91
5 5.68 5 4.74 5 5.73 8 6.89
CONJUNTO D CONJUNTO C CONJUNTO B CONJUNTO A
Qu tienen de comn estos conjuntos de datos?
Ejemplo 10
Miguel Castillo MBA
Que los resultados de la regresin de todas ellas se
expresan con la siguiente ecuacin de MCO:



ES POSIBLE ESTO?

Veamos la representacin grafica de cada uno de
ellas
Y = 3 + 0.5 X
Regresin simple
Miguel Castillo MBA
0
2
4
6
8
10
12
0 5 10 15
X
Y
0
2
4
6
8
10
12
0 5 10 15
X
Y
Conjunto A
Conjunto B
0
2
4
6
8
10
12
14
0 5 10 15
X
Y
Conjunto C
0
2
4
6
8
10
12
14
0 5 10 15 20
X
Y
Conjunto D
Qu opinan ahora?
Regresin simple
Miguel Castillo MBA
Una buena leccin:

La visualizacin de los datos nos permite percibir
notables diferencias que no aparecen en los
estadsticos descriptivos.
Regresin simple
Miguel Castillo MBA
Pasos a seguir en una regresin lineal
Diagrama de dispersin.
Calcular el coeficiente de correlacin y
determinacin.
Prueba de significancia del coeficiente de
correlacin.
Anlisis de regresin.
Error estndar de estimacin
Miguel Castillo MBA
Veamos el siguiente ejemplo:
Se trata de la renta personal disponible desde 1980 a
1989 en forma trimestral. Se pide hacer una previsin
con un modelo de regresin lineal.
Ao T1 T2 T3 T4
1980 2,742.9 2,692.0 2,722.5 2,777.0
1981 2,783.7 2,776.7 2,841.1 2,808.8
1982 2,795.0 2,824.8 2,829.0 2,832.6
1983 2,843.6 2,867.0 2,903.0 2,960.6
1984 3,033.2 3,065.9 3,102.7 3,118.5
1985 3,123.6 3,189.6 3,156.5 3,178.7
1986 3,227.5 3,281.4 3,272.6 3,266.2
1987 3,295.2 3,241.7 3,285.7 3,335.8
1988 3,380.1 3,386.3 3,407.5 3,443.1
1989 3,473.9 3,450.9 3,466.9 3,493.0
Ejemplo 11
Miguel Castillo MBA
0.0
500.0
1,000.0
1,500.0
2,000.0
2,500.0
3,000.0
3,500.0
4,000.0
0 10 20 30 40 50
Regresin simple
El grafico de dispersin, me indica que si existe
correlacin en los datos y por lo tanto, si procede
hacer el anlisis de regresin.
Miguel Castillo MBA
1
2
3
RL con Excel
Miguel Castillo MBA
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0.98681297
Coeficiente de determinacin R^2 0.97379984
R^2 ajustado 0.97311036
Error tpico 42.2586114
Observaciones 40
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadradosF Valor crtico de F
Regresin 1 2522201.84 2522201.84 1412.37296 1.1546E-31
Residuos 38 67860.0289 1785.79023
Total 39 2590061.86
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%Superior 95.0%
Intercepcin 2645.97615 13.6179091 194.301206 1.4286E-58 2618.40814 2673.54417 2618.40814 2673.54417
TRI 21.7533583 0.57883078 37.5815508 1.1546E-31 20.5815767 22.92514 20.5815767 22.92514
-100
0
100
0 10 20 30 40 50
Regresin con Excel
r
2
=0.97379, es un buen coeficiente
de determinacin, eso me indica que
la correlacin es muy intensa.
r=0.9866, es un buen coeficiente de
correlacin, eso me indica que si
existe correlacin.
Miguel Castillo MBA
Se determino que r = 0.9366 y que este coeficiente de correlacin
es muy bueno, pero ahora resulta la siguiente interrogante:
podra ser que la correlacin de la poblacin sea nula en realidad?
Esto significa que r se debi al azar.

Para contestar esta pregunta, planteamos la siguiente hiptesis:

Ho: p = o (la correlacin en la poblacin es nula)
Ha: p = o (la correlacin en la poblacin no es nula)

Para esta prueba de hiptesis, utilizaremos la ANOVA, y la regla es
muy sencilla: si Prueba F es mayor que el valor critico de F, se
rechaza la Ho, caso contrario se acepta.
Regresin con Excel
Miguel Castillo MBA
En nuestro caso la prueba F = 1412.37 y es mucho mayor que valor
critico de F = 1.15 E
-31
, por lo tanto se rechaza la H
0
, es decir, la
correlacin entre las dos variables es real y no se debe al azar.
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0.98681297
Coeficiente de determinacin R^2 0.97379984
R^2 ajustado 0.97311036
Error tpico 42.2586114
Observaciones 40
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadradosF Valor crtico de F
Regresin 1 2522201.84 2522201.84 1412.37296 1.1546E-31
Residuos 38 67860.0289 1785.79023
Total 39 2590061.86
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%Superior 95.0%
Intercepcin 2645.97615 13.6179091 194.301206 1.4286E-58 2618.40814 2673.54417 2618.40814 2673.54417
TRI 21.7533583 0.57883078 37.5815508 1.1546E-31 20.5815767 22.92514 20.5815767 22.92514
-100
0
100
0 10 20 30 40 50
Regresin con Excel
Miguel Castillo MBA
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0.98681297
Coeficiente de determinacin R^2 0.97379984
R^2 ajustado 0.97311036
Error tpico 42.2586114
Observaciones 40
ANLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadradosF Valor crtico de F
Regresin 1 2522201.84 2522201.84 1412.37296 1.1546E-31
Residuos 38 67860.0289 1785.79023
Total 39 2590061.86
Coeficientes Error tpico Estadstico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%Superior 95.0%
Intercepcin 2645.97615 13.6179091 194.301206 1.4286E-58 2618.40814 2673.54417 2618.40814 2673.54417
TRI 21.7533583 0.57883078 37.5815508 1.1546E-31 20.5815767 22.92514 20.5815767 22.92514
-100
0
100
0 10 20 30 40 50
Regresin con Excel
La funcin de regresin seria:
Tri 21.753 2645.976 Ventas + =
Miguel Castillo MBA
Regresin con DS:POM
Miguel Castillo MBA
Regresin con DS:POM
Miguel Castillo MBA
Suponga que el Sr. Juan observa el precio y volumen de
galones de leche de 10 semanas elegidas en forma
aleatoria. Podr el seor Jun pronosticar el volumen de
ventas a partir del precio de galn de la leche?
SEMANA VENTAS PRECIO
1 10 1.3
2 6 2
3 5 1.7
4 12 1.5
5 10 1.6
6 15 1.2
7 5 1.6
8 12 1.4
9 17 1
10 20 1.1
Ventas en miles de galones
Precio de venta por galon
Lo resuelven?
Ejemplo 12
Miguel Castillo MBA
El seor Juan se enfrenta al
problema de formular un
pronstico que no es del todo
preciso. El puede explicar casi
el 75% de la varianza total del
volumen de ventas de galones
de leche vendidos mediante el
uso de una variable
independiente. Para ser mas
preciso, debe encontrar otra
variable de prediccin que le
permita explicar mas la
varianza total.
SEMANA VENTAS PRECIO PUBLICIDAD
1 10 1.3 9
2 6 2 7
3 5 1.7 5
4 12 1.5 14
5 10 1.6 15
6 15 1.2 12
7 5 1.6 6
8 12 1.4 10
9 17 1 15
10 20 1.1 21
Ventas en miles de galones
Precio de venta por galon
Publicidad en ciento de dolares
MEJORO SU PRONOSTICO?
Ejemplo 13
Miguel Castillo MBA
Diagrama de dispersin mltiple.
Calcular el coeficiente de correlacin y
determinacin.
Prueba de significancia del coeficiente de
correlacin.
Anlisis de regresin.
Error estndar de estimacin.
Prueba de significancia de los coeficientes de
regresin.
Pasos a seguir en una regresin lineal
mltiple
Miguel Castillo MBA
Reporte del Excel de una regresin
mltiple
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0.9653645
Coeficiente de determinacin R^2 0.9319286
R^2 ajustado 0.9124796
Error tpico 1.5071964
Observaciones 10
ANLISIS DE VARIANZA
Grados de
libertad
Suma de
cuadrados
Promedio
de los
F
Valor crtico
de F
Regresin 2 217.69851 108.8493 47.9165743 8.23E-05
Residuos 7 15.901487 2.271641
Total 9 233.6
Coeficientes Error tpico Estadstico t Probabilidad
Inferior
95%
Superior
95%
Inferior
95.0%
Superior
95.0%
Intercepcin 16.406365 4.3425193 3.778075 0.00690962 6.1379459 26.674784 6.1379459 26.674784
Precio -8.24758 2.1960572 -3.75563 0.00711547 -13.440426 -3.054734 -13.440426 -3.0547338
Publicidad 0.5851009 0.1336718 4.377145 0.00324572 0.2690175 0.9011843 0.2690175 0.9011843
Miguel Castillo MBA
Regresin lineal mltiple
r
2
=0.932, es un buen coeficiente de
determinacin, eso me indica que la
correlacin es muy intensa.
r=0.965, es un buen coeficiente de
correlacin, eso me indica que si
existe correlacin.
Como la prueba F es mayor que el valor critico de F, entonces, la
correlacin es real.
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0.9653645
Coeficiente de determinacin R^2 0.9319286
R^2 ajustado 0.9124796
Error tpico 1.5071964
Observaciones 10
ANLISIS DE VARIANZA
Grados de
libertad
Suma de
cuadrados
Promedio
de los
F
Valor crtico
de F
Regresin 2 217.69851 108.8493 47.9165743 8.23E-05
Residuos 7 15.901487 2.271641
Total 9 233.6
Coeficientes Error tpico Estadstico t Probabilidad
Inferior
95%
Superior
95%
Inferior
95.0%
Superior
95.0%
Intercepcin 16.406365 4.3425193 3.778075 0.00690962 6.1379459 26.674784 6.1379459 26.674784
Precio -8.24758 2.1960572 -3.75563 0.00711547 -13.440426 -3.054734 -13.440426 -3.0547338
Publicidad 0.5851009 0.1336718 4.377145 0.00324572 0.2690175 0.9011843 0.2690175 0.9011843
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0.9653645
Coeficiente de determinacin R^2 0.9319286
R^2 ajustado 0.9124796
Error tpico 1.5071964
Observaciones 10
ANLISIS DE VARIANZA
Grados de
libertad
Suma de
cuadrados
Promedio
de los
F
Valor crtico
de F
Regresin 2 217.69851 108.8493 47.9165743 8.23E-05
Residuos 7 15.901487 2.271641
Total 9 233.6
Coeficientes Error tpico Estadstico t Probabilidad
Inferior
95%
Superior
95%
Inferior
95.0%
Superior
95.0%
Intercepcin 16.406365 4.3425193 3.778075 0.00690962 6.1379459 26.674784 6.1379459 26.674784
Precio -8.24758 2.1960572 -3.75563 0.00711547 -13.440426 -3.054734 -13.440426 -3.0547338
Publicidad 0.5851009 0.1336718 4.377145 0.00324572 0.2690175 0.9011843 0.2690175 0.9011843
Miguel Castillo MBA
Regresin lineal mltiple
La funcin de regresin es:
Publicidad 0.585 Precio 8.248 16.406 Ventas + =
Observe usted, que la probabilidad p de las variables precio y
publicidad son 0.007 y 0.003 respectivamente y ambas son
menores que o (0.05), por lo tanto, los coeficientes de estas
variables si son significativos. Dicho de otra manera, las variables
precio y publicidad si aportan en el modelo de regresin.
Resumen
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0.9653645
Coeficiente de determinacin R^2 0.9319286
R^2 ajustado 0.9124796
Error tpico 1.5071964
Observaciones 10
ANLISIS DE VARIANZA
Grados de
libertad
Suma de
cuadrados
Promedio
de los
F
Valor crtico
de F
Regresin 2 217.69851 108.8493 47.9165743 8.23E-05
Residuos 7 15.901487 2.271641
Total 9 233.6
Coeficientes Error tpico Estadstico t Probabilidad
Inferior
95%
Superior
95%
Inferior
95.0%
Superior
95.0%
Intercepcin 16.406365 4.3425193 3.778075 0.00690962 6.1379459 26.674784 6.1379459 26.674784
Precio -8.24758 2.1960572 -3.75563 0.00711547 -13.440426 -3.054734 -13.440426 -3.0547338
Publicidad 0.5851009 0.1336718 4.377145 0.00324572 0.2690175 0.9011843 0.2690175 0.9011843
Miguel Castillo MBA
Estacionalidad y regresin mltiple
El mtodo de regresin mltiple, en forma normal, no
me permite explicar la estacionalidad de una variable.
Generalmente, la estacionalidad se da en funcin de las
estaciones, pero no siempre se da as, por ejemplo: en
fiestas patrias se suele gastar mas en viajes.
El mtodo de regresin lineal con el uso de una variable
ficticia, me puede explicar la estacionalidad o cualquier
otro atributo cualitativo.
Miguel Castillo MBA
Deseamos
pronosticar el inicio
de construccin de
las casas del
programa mini
vivienda. Esta
generalmente
depende de la tasa
hipotecaria.
CVP en miles
dlares
TH %
TRIMEST CVP TH TRIMEST CVP TH
1980-1 150,900 13.7300 1985-3 295,000 12.1367
1980-2 203,300 14.4333 1985-4 244,100 11.7267
1980-3 272,600 12.6500 1986-1 234,100 10.5567
1980-4 225,300 14.2633 1986-2 371,400 10.2533
1981-1 166,500 15.1433 1986-3 325,400 10.2400
1981-2 229,900 16.2267 1986-4 250,600 9.6600
1981-3 184,800 17.4267 1987-1 241,400 9.1433
1981-4 124,100 17.7333 1987-2 346,500 10.3233
1982-1 113,600 17.4167 1987-3 321,300 10.5000
1982-2 178,200 16.7567 1987-4 237,100 10.8533
1982-3 186,700 16.1733 1988-1 219,700 10.0833
1982-4 184,100 14.0200 1988-2 323,700 10.3733
1983-1 202,900 13.0500 1988-3 293,400 10.5033
1983-2 322,300 12.7600 1988-4 244,600 10.3933
1983-3 307,500 13.6533 1989-1 212,700 10.8033
1983-4 234,800 13.4667 1989-2 302,100 10.6733
1984-1 236,500 13.3300 1989-3 272,100 10.0000
1984-2 332,600 14.0033 1989-4 216,500 9.8200
1984-3 280,300 14.4967 1990-1 217,000 10.1233
1984-4 234,700 13.6500 1990-2 271,300 10.3367
1985-1 215,300 13.0567 1990-3 233,000 10.1067
1985-2 317,900 12.7767 1990-4 173,600 9.9533
Ejemplo 14
Miguel Castillo MBA
Nuestros datos son trimestrales. Para explicar y medir esta
estacionalidad con un modelo de regresin, utilizaremos tres
variables ficticias: T2 para el segundo trimestre, T3 para el
tercero y T4 para el cuarto.
Las codificamos de la siguiente manera:
T2 = 1 para todos los segundos trimestres y 0 para los dems
T3 = 1 para todos los terceros trimestres y 0 para los dems
T4 = 1 para todos los cuartos trimestres y 0 para los dems
El nmero de variables ficticias estacinales que es preciso usar
depender de los datos. Existe, sin embargo, una norma
importante. Si en nuestra serie de datos tenemos un nmero P
de periodos, no podemos emplear ms de P-1 variables ficticias
estacinales.
Estacionalidad y regresin multiple
Miguel Castillo MBA
En nuestro ejemplo tenemos:
TRIMEST CVP TH T2 T3 T4
1980-1 150,900 13.7300 0 0 0
1980-2 203,300 14.4333 1 0 0
1980-3 272,600 12.6500 0 1 0
1980-4 225,300 14.2633 0 0 1
1981-1 166,500 15.1433 0 0 0
1981-2 229,900 16.2267 1 0 0
1981-3 184,800 17.4267 0 1 0
1981-4 124,100 17.7333 0 0 1
1982-1 113,600 17.4167 0 0 0
1982-2 178,200 16.7567 1 0 0
1990-1 217,000 10.1233 0 0 0
1990-2 271,300 10.3367 1 0 0
1990-3 233,000 10.1067 0 1 0
1990-4 173,600 9.9533 0 0 1
Y realizamos la regresin mltiple que ya conocemos y listo.
Estacionalidad y regresin multiple