¿Que es la previsión?
La previsión se puede considerar en términos generales como un método o una técnica para estimar muchos aspectos futuros de una empresa u otra operación. Existen numerosas técnicas que se pueden utilizar para lograr el objetivo de la previsión. Por ejemplo, una empresa minorista que ha estado en el negocio durante 25 años puede pronosticar su volumen de ventas en el próximo año basándose en su experiencia durante el período de 25 años; tal técnica de pronóstico basa el pronóstico futuro en los datos pasados.
Si bien el término “pronóstico” puede parecer bastante técnico, la planificación para el futuro es un aspecto crítico de la gestión de cualquier organización, ya sea empresarial, sin fines de lucro u otra. De hecho, el éxito a largo plazo de cualquier organización está estrechamente ligado a qué tan bien la gestión de la organización es capaz de prever su futuro y desarrollar estrategias adecuadas para hacer frente a posibles escenarios futuros. La intuición, el buen juicio y la conciencia de qué tan bien va la economía pueden dar al gerente de una empresa una idea aproximada (o “sentimiento”) de lo que probablemente sucederá en el futuro. Sin embargo, no es fácil convertir un sentimiento sobre el futuro en un número preciso y útil, como el volumen de ventas del próximo año o el costo de la materia prima por unidad de producción. Los métodos de pronóstico pueden ayudar a estimar muchos de estos aspectos futuros de una operación comercial.
Suponga que se le ha pedido a un experto en pronósticos que proporcione estimaciones del volumen de ventas de un producto en particular durante los próximos cuatro trimestres. Se puede ver fácilmente que una serie de otras decisiones se verán afectadas por los pronósticos o estimaciones de los volúmenes de ventas proporcionados por el pronosticador. Claramente, dichos pronósticos afectarán los programas de producción, los planes de compra de materias primas, las políticas sobre inventarios y las cuotas de ventas. Como resultado, los pronósticos o estimaciones deficientes pueden dar lugar a una planificación deficiente y, por lo tanto, dar lugar a un aumento de los costos para la empresa.
¿Cómo se deben preparar las previsiones de volumen de ventas trimestrales? Sin duda, conviene revisar los datos de ventas reales del producto en cuestión durante períodos anteriores. Suponga que el pronosticador tiene acceso a datos de ventas reales para cada trimestre durante el período de 25 años que la empresa ha estado en el negocio. Con estos datos históricos, el pronosticador puede identificar el nivel general de ventas. También puede determinar si existe un patrón o una tendencia, como un aumento o una disminución en el volumen de ventas a lo largo del tiempo. Una revisión más a fondo de los datos puede revelar algún tipo de patrón estacional, como el pico de ventas que se produce antes de las vacaciones. Por lo tanto, al revisar los datos históricos a lo largo del tiempo, el pronosticador a menudo puede desarrollar una buena comprensión del patrón anterior de ventas. Comprender este patrón a menudo puede conducir a mejores pronósticos de las ventas futuras del producto. Además, si el pronosticador puede identificar los factores que influyen en las ventas, los datos históricos sobre estos factores (o variables) también se pueden utilizar para generar pronósticos de los volúmenes de ventas futuros.
MÉTODOS DE PRONÓSTICO
Todos los métodos de pronóstico se pueden dividir en dos categorías amplias: cualitativo y cuantitativo. Muchas técnicas de pronóstico utilizan datos históricos o pasados en forma de series de tiempo . Una serie de tiempo es simplemente un conjunto de observaciones medidas en puntos sucesivos en el tiempo o durante períodos de tiempo sucesivos. Básicamente, los pronósticos proporcionan valores futuros de la serie temporal en una variable específica, como el volumen de ventas. La división de los métodos de pronóstico en categorías cualitativas y cuantitativas se basa en la disponibilidad de datos históricos de series de tiempo.
MÉTODOS DE PRONÓSTICO CUALITATIVO
Las técnicas de pronóstico cualitativo generalmente emplean el juicio de expertos en el campo apropiado para generar pronósticos. Una ventaja clave de estos procedimientos es que se pueden aplicar en situaciones en las que los datos históricos simplemente no están disponibles. Además, incluso cuando se dispone de datos históricos, los cambios significativos en las condiciones ambientales que afectan a la serie de tiempo relevante pueden hacer que el uso de datos pasados sea irrelevante y cuestionable para pronosticar los valores futuros de la serie de tiempo. Considere, por ejemplo, que se dispone de datos históricos sobre las ventas de gasolina. Si el gobierno luego implementara un programa de racionamiento de gasolina, cambiando la forma en que se vende la gasolina, uno tendría que cuestionar la validez de un pronóstico de ventas de gasolina basado en datos anteriores. Los métodos de pronóstico cualitativo ofrecen una forma de generar pronósticos en tales casos. Tres métodos importantes de pronóstico cualitativo son: la técnica Delphi, la redacción de escenarios y el enfoque del tema.
TÉCNICA DELPHI.
En la técnica Delphi, se intenta desarrollar pronósticos a través del “consenso de grupo”. Por lo general, se solicita a un panel de expertos que responda a una serie de cuestionarios. A los expertos, físicamente separados y desconocidos entre sí, se les pide que respondan a un cuestionario inicial (un conjunto de preguntas). Luego, se elabora un segundo cuestionario incorporando información y opiniones de todo el grupo. Se pide a cada experto que reconsidere y revise su respuesta inicial a las preguntas. Este proceso continúa hasta que se alcanza cierto grado de consenso entre los expertos. Cabe señalar que el objetivo de la técnica Delphi no es producir una única respuesta al final. En lugar de,
ESCRITURA DEL ESCENARIO.
Bajo este enfoque, el pronosticador comienza con diferentes conjuntos de supuestos. Para cada conjunto de supuestos, se traza un escenario probable del resultado comercial. Por lo tanto, el pronosticador podría generar muchos escenarios futuros diferentes (correspondientes a los diferentes conjuntos de supuestos). El tomador de decisiones o el empresario se le presentan los diferentes escenarios y tiene que decidir qué escenario es más probable que prevalezca.
ENFOQUE SUBJETIVO.
El enfoque subjetivo permite a las personas que participan en la decisión de pronóstico llegar a un pronóstico basado en sus sentimientos e ideas subjetivos. Este enfoque se basa en la premisa de que una mente humana puede llegar a una decisión basada en factores que a menudo son muy difíciles de cuantificar. Las “sesiones de lluvia de ideas” se utilizan con frecuencia como una forma de desarrollar nuevas ideas o resolver problemas complejos. En sesiones poco organizadas, los participantes se sienten libres de la presión de sus compañeros y, lo que es más importante, pueden expresar sus puntos de vista e ideas sin temor a las críticas. Muchas corporaciones en los Estados Unidos han comenzado a utilizar cada vez más el enfoque subjetivo.
MÉTODOS DE PRONÓSTICO CUANTITATIVO
Los métodos de pronóstico cuantitativo se utilizan cuando se dispone de datos históricos sobre variables de interés; estos métodos se basan en un análisis de datos históricos sobre la serie de tiempo de la variable de interés específica y posiblemente otras series de tiempo relacionadas. Hay dos categorías principales de métodos de pronóstico cuantitativo. El primer tipo utiliza la tendencia pasada de una variable en particular para basar el pronóstico futuro de la variable. Como esta categoría de métodos de pronóstico simplemente usa series de tiempo sobre datos pasados de la variable que se está pronosticando, estas técnicas se denominan métodos de series de tiempo.
La segunda categoría de técnicas de pronóstico cuantitativo también utiliza datos históricos. Pero al pronosticar los valores futuros de una variable, el pronosticador examina las relaciones de causa y efecto de la variable con otras variables relevantes como el nivel de confianza del consumidor, los cambios en los ingresos disponibles de los consumidores, la tasa de interés a la que los consumidores pueden financiar sus ingresos. el gasto mediante préstamos y el estado de la economía representado por variables como la tasa de desempleo. Por lo tanto, esta categoría de técnicas de pronóstico utiliza series de tiempo pasadas en muchas variables relevantes para producir el pronóstico para la variable de interés. Las técnicas de pronóstico que entran en esta categoría se denominan métodos causales,
MÉTODOS DE PREVISIÓN DE SERIES DE TIEMPO.
Antes de discutir los métodos de series de tiempo, es útil comprender el comportamiento de las series de tiempo en términos generales. Las series de tiempo se componen de cuatro componentes separados: componente de tendencia, componente cíclico, componente estacional y componente irregular. Se considera que estos cuatro componentes proporcionan valores específicos para la serie temporal cuando se combinan.
En una serie de tiempo, las mediciones se toman en puntos sucesivos o durante períodos sucesivos. Las mediciones se pueden tomar cada hora, día, semana, mes o año, o en cualquier otro intervalo regular (o irregular). Si bien la mayoría de los datos de series de tiempo generalmente muestran algunas fluctuaciones aleatorias, la serie de tiempo aún puede mostrar cambios graduales a valores relativamente más altos o más bajos durante un período prolongado. Los pronosticadores profesionales a menudo se refieren al cambio gradual de la serie temporal como la tendencia en la serie temporal. Una tendencia surge debido a uno o más factores a largo plazo, como cambios en el tamaño de la población, cambios en las características demográficas de la población y cambios en los gustos y preferencias de los consumidores. Por ejemplo, Los fabricantes de automóviles en los Estados Unidos pueden ver que hay variaciones sustanciales en las ventas de automóviles de un mes a otro. Pero, al revisar las ventas de automóviles durante los últimos 15 a 20 años, los fabricantes de automóviles pueden descubrir un aumento gradual en el volumen de ventas anual. En este caso, la tendencia de las ventas de automóviles aumenta con el tiempo. En otro ejemplo, la tendencia puede ir disminuyendo con el tiempo. Los pronosticadores profesionales a menudo describen una tendencia creciente mediante una línea recta con pendiente ascendente y una tendencia decreciente mediante una línea recta con pendiente descendente. Sin embargo, usar una línea recta para representar una tendencia es una mera simplificación; en muchas situaciones, las tendencias no lineales pueden representar con mayor precisión la verdadera tendencia en la serie de tiempo. Al revisar las ventas de automóviles durante los últimos 15 a 20 años, los fabricantes de automóviles pueden descubrir un aumento gradual en el volumen de ventas anual. En este caso, la tendencia de las ventas de automóviles aumenta con el tiempo. En otro ejemplo, la tendencia puede ir disminuyendo con el tiempo. Los pronosticadores profesionales a menudo describen una tendencia creciente mediante una línea recta con pendiente ascendente y una tendencia decreciente mediante una línea recta con pendiente descendente. Sin embargo, usar una línea recta para representar una tendencia es una mera simplificación; en muchas situaciones, las tendencias no lineales pueden representar con mayor precisión la verdadera tendencia en la serie de tiempo. Al revisar las ventas de automóviles durante los últimos 15 a 20 años, los fabricantes de automóviles pueden descubrir un aumento gradual en el volumen de ventas anual. En este caso, la tendencia de las ventas de automóviles aumenta con el tiempo. En otro ejemplo, la tendencia puede ir disminuyendo con el tiempo. Los pronosticadores profesionales a menudo describen una tendencia creciente mediante una línea recta con pendiente ascendente y una tendencia decreciente mediante una línea recta con pendiente descendente. Sin embargo, usar una línea recta para representar una tendencia es una mera simplificación; en muchas situaciones, las tendencias no lineales pueden representar con mayor precisión la verdadera tendencia en la serie de tiempo. la tendencia puede ir disminuyendo con el tiempo. Los pronosticadores profesionales a menudo describen una tendencia creciente mediante una línea recta con pendiente ascendente y una tendencia decreciente mediante una línea recta con pendiente descendente. Sin embargo, usar una línea recta para representar una tendencia es una mera simplificación; en muchas situaciones, las tendencias no lineales pueden representar con mayor precisión la verdadera tendencia en la serie de tiempo. la tendencia puede ir disminuyendo con el tiempo. Los pronosticadores profesionales a menudo describen una tendencia creciente mediante una línea recta con pendiente ascendente y una tendencia decreciente mediante una línea recta con pendiente descendente. Sin embargo, usar una línea recta para representar una tendencia es una mera simplificación; en muchas situaciones, las tendencias no lineales pueden representar con mayor precisión la verdadera tendencia en la serie de tiempo.
Aunque una serie de tiempo a menudo puede mostrar una tendencia durante un período prolongado, también puede mostrar secuencias alternas de puntos que se encuentran por encima y por debajo de la línea de tendencia. Cualquier secuencia recurrente de puntos por encima y por debajo de la línea de tendencia que dure más de un año se considera que constituye el componente cíclico de la serie de tiempo, es decir, estas observaciones en la serie de tiempo se desvían de la tendencia debido a fluctuaciones cíclicas (fluctuaciones que se repiten a intervalos de más de un año). La serie temporal de la producción agregada de la economía (denominada producto interior bruto real) proporciona un buen ejemplo de una serie temporal que muestra un comportamiento cíclico. Mientras que la línea de tendencia del producto interno bruto (PIB) tiene pendiente positiva, el crecimiento del producto muestra un comportamiento cíclico alrededor de la línea de tendencia. Este comportamiento cíclico del PIB ha sido denominado ciclos económicos por los economistas.
El componente estacional es similar al componente cíclico en que ambos se refieren a algunas fluctuaciones regulares en una serie de tiempo. Sin embargo, existe una diferencia clave. Si bien los componentes cíclicos de una serie temporal se identifican mediante el análisis de los movimientos de varios años en los datos históricos, los componentes estacionales capturan el patrón regular de variabilidad en la serie temporal dentro de períodos de un año. Muchas variables económicas muestran patrones estacionales. Por ejemplo, los fabricantes de piscinas experimentan bajas ventas en los meses de otoño e invierno, pero son testigos de un pico de ventas de piscinas durante los meses de primavera y verano. Los fabricantes de equipos de remoción de nieve, por otro lado, experimentan el patrón de ventas anual exactamente opuesto.
El componente irregular de la serie temporal representa el residuo que queda en una observación de la serie temporal una vez extraídos los efectos debidos a los componentes tendencial, cíclico y estacional. Se considera que los componentes de tendencia, cíclicos y estacionales explican las variaciones sistemáticas en las series de tiempo. Por tanto, el componente irregular explica la variabilidad aleatoria en la serie temporal. Las variaciones aleatorias en la serie de tiempo son, a su vez, causadas por factores de corto plazo, no anticipados y no recurrentes que afectan la serie de tiempo. El componente irregular de la serie temporal, por naturaleza, no se puede predecir de antemano.
PREVISIÓN DE SERIES DE TIEMPO UTILIZANDO MÉTODOS DE SUAVIZADO.
Los métodos de suavizado son apropiados cuando una serie de tiempo no muestra efectos significativos de componentes de tendencia, cíclicos o estacionales (a menudo llamados series de tiempo estable). En tal caso, el objetivo es suavizar el componente irregular de la serie de tiempo mediante un proceso de promediado. Una vez suavizada la serie de tiempo, se utiliza para generar pronósticos.
El método de promedios móviles es probablemente la técnica de suavizado más utilizada. Para suavizar la serie de tiempo, este método utiliza el promedio de varios puntos o períodos de datos contiguos. Este proceso de promediado utiliza observaciones superpuestas para generar promedios. Suponga que un pronosticador desea generar promedios móviles de tres períodos. El pronosticador tomaría las primeras tres observaciones de la serie de tiempo y calcularía el promedio. Luego, el pronosticador descartaría la primera observación y calcularía el promedio de las siguientes tres observaciones. Este proceso continuará hasta que se calculen los promedios de tres períodos con base en los datos disponibles de toda la serie de tiempo. El término “en movimiento” se refiere a la forma en que se calculan los promedios: el pronosticador se mueve hacia arriba o hacia abajo en la serie de tiempo para seleccionar observaciones y calcular un promedio de un número fijo de observaciones. En el ejemplo de tres períodos, el método de promedios móviles utilizaría el promedio de las tres observaciones más recientes de datos en la serie de tiempo como pronóstico para el período siguiente. Este valor pronosticado para el próximo período, junto con las dos últimas observaciones de la serie de tiempo histórica, arrojaría un promedio que puede usarse como pronóstico para el segundo período en el futuro. el método de promedios móviles utilizaría el promedio de las tres observaciones de datos más recientes en la serie de tiempo como pronóstico para el próximo período. Este valor pronosticado para el próximo período, junto con las dos últimas observaciones de la serie de tiempo histórica, arrojaría un promedio que puede usarse como pronóstico para el segundo período en el futuro. el método de promedios móviles utilizaría el promedio de las tres observaciones de datos más recientes en la serie de tiempo como pronóstico para el próximo período. Este valor pronosticado para el próximo período, junto con las dos últimas observaciones de la serie de tiempo histórica, arrojaría un promedio que puede usarse como pronóstico para el segundo período en el futuro.
El cálculo de una media móvil de tres períodos se puede ilustrar de la siguiente manera. Suponga que un pronosticador quiere pronosticar el volumen de ventas de automóviles fabricados en Estados Unidos en los Estados Unidos para el próximo año. Las ventas de autos fabricados en Estados Unidos en los Estados Unidos durante los tres años anteriores fueron: 1.3 millones, 900,000 y 1.1 millones (la observación más reciente se reporta primero). El promedio móvil de tres períodos en este caso es de 1,1 millones de automóviles (es decir: [(1,3 + 0,90 + 1,1) / 3 = 1,1]). Con base en los promedios móviles de tres períodos, el pronóstico puede predecir que es más probable que 1,1 millones de automóviles fabricados en Estados Unidos se vendan en los Estados Unidos el próximo año.
Al calcular los promedios móviles para generar pronósticos, el pronosticador puede experimentar con promedios móviles de diferentes longitudes. El pronosticador elegirá la longitud que arroje la mayor precisión para los pronósticos generados.
tomar un promedio simple de los errores de pronóstico a lo largo del tiempo no capturará la verdadera magnitud de los errores de pronóstico; los grandes errores positivos pueden simplemente anular los grandes errores negativos, dando una impresión engañosa sobre la precisión de los pronósticos generados. Como resultado, los pronosticadores suelen utilizar el error cuadrático medio para medir el error de pronóstico. El error cuadrático medio, o MSE, es el promedio de la suma de los errores cuadráticos de pronóstico. Esta medida, al tomar los cuadrados de los errores de pronóstico, elimina la posibilidad de que se cancelen los errores negativos y positivos. Como resultado, los pronosticadores suelen utilizar el error cuadrático medio para medir el error de pronóstico. El error cuadrático medio, o MSE, es el promedio de la suma de los errores cuadráticos de pronóstico. Esta medida, al tomar los cuadrados de los errores de pronóstico, elimina la posibilidad de que se cancelen los errores negativos y positivos. Como resultado, los pronosticadores suelen utilizar el error cuadrático medio para medir el error de pronóstico. El error cuadrático medio, o MSE, es el promedio de la suma de los errores cuadráticos de pronóstico. Esta medida, al tomar los cuadrados de los errores de pronóstico, elimina la posibilidad de que se cancelen los errores negativos y positivos.
Al seleccionar la longitud de las medias móviles, un pronosticador puede emplear la medida MSE para determinar el número de valores que se incluirán en el cálculo de las medias móviles. El pronosticador experimenta con diferentes longitudes para generar promedios móviles y luego calcula los errores de pronóstico (y los errores cuadrados medios asociados) para cada longitud utilizada en el cálculo de promedios móviles. Luego, el pronosticador puede elegir la longitud que minimice el error cuadrático medio de los pronósticos generados.
Las medias móviles ponderadas son una variante de las medias móviles. En el método de promedios móviles, cada observación de datos recibe el mismo peso. En el método de promedios móviles ponderados, se asignan diferentes pesos a las observaciones de los datos que se utilizan para calcular los promedios móviles. Supongamos, una vez más, que un pronosticador desea generar promedios móviles de tres períodos. Bajo el método de promedios móviles ponderados, los tres puntos de datos recibirían diferentes pesos antes de que se calcule el promedio. Generalmente, la observación más reciente recibe el peso máximo, y el peso asignado disminuye para los valores de datos más antiguos.
El cálculo de una media móvil ponderada de tres períodos se puede ilustrar de la siguiente manera. Suponga, una vez más, que un pronosticador quiere pronosticar el volumen de ventas de automóviles fabricados en Estados Unidos en los Estados Unidos para el próximo año. Las ventas de autos fabricados en Estados Unidos para los Estados Unidos durante los tres años anteriores fueron: 1.3 millones, 900,000 y 1.1 millones (la observación más reciente se reporta primero). Una estimación del promedio móvil ponderado de tres períodos en este ejemplo puede ser igual a 1.133 millones de automóviles (es decir, [1 (3/6) x (1.3) + (2/6) x (0.90) + (1/6 ) x (1,1)} / 3 = 1,133]). Con base en los promedios móviles ponderados de tres períodos, el pronóstico puede predecir que es más probable que 1,133 millones de automóviles fabricados en Estados Unidos se vendan en los Estados Unidos durante el próximo año.
El suavizado exponencial es algo más difícil matemáticamente. Sin embargo, en esencia, el suavizado exponencial también utiliza el concepto de promedio ponderado, en forma de promedio ponderado de todas las observaciones pasadas, tal como está contenido en la serie de tiempo relevante, para generar pronósticos para el siguiente período. El término “suavizado exponencial” proviene del hecho de que este método emplea un esquema de ponderación para los valores históricos de los datos que es de naturaleza exponencial. En términos ordinarios, un esquema de ponderación exponencial asigna la ponderación máxima a la observación más reciente y las ponderaciones disminuyen de manera sistemática a medida que se incluyen observaciones más antiguas y más antiguas.
PRONÓSTICO DE SERIES DE TIEMPO MEDIANTE PROYECCIÓN DE TENDENCIAS.
Este método utiliza la tendencia subyacente a largo plazo de una serie temporal de datos para pronosticar sus valores futuros. Suponga que un pronosticador tiene datos sobre las ventas de automóviles fabricados en Estados Unidos en los Estados Unidos durante los últimos 25 años. Los datos de series de tiempo sobre las ventas de automóviles en EE. UU. Se pueden trazar y examinar visualmente. Lo más probable es que la serie temporal de ventas de automóviles muestre un crecimiento gradual en el volumen de ventas, a pesar de los movimientos “hacia arriba” y “hacia abajo” de un año a otro. La tendencia puede ser lineal (aproximada por una línea recta) o no lineal (aproximada por una curva o una línea no lineal). Muy a menudo, los pronosticadores asumen una tendencia lineal; por supuesto, si se asume una tendencia lineal cuando, de hecho, existe una tendencia no lineal, esta tergiversación puede llevar a pronósticos sumamente inexactos. Suponga que la serie de tiempo sobre las ventas de automóviles fabricados en Estados Unidos es en realidad lineal y, por lo tanto, puede representarse mediante una línea recta. Las técnicas matemáticas se utilizan para encontrar la línea recta que representa con mayor precisión la serie de tiempo en las ventas de automóviles. Esta línea relaciona las ventas a diferentes puntos a lo largo del tiempo. Si asumimos además que la tendencia pasada continuará en el futuro, los valores futuros de las series de tiempo (pronósticos) pueden inferirse de la línea recta basada en los datos pasados. Cabe recordar que los pronósticos basados en este método también deben juzgarse sobre la base de una medida de errores de pronóstico. Se puede continuar asumiendo que el pronosticador usa el error cuadrático medio discutido anteriormente. Las técnicas matemáticas se utilizan para encontrar la línea recta que representa con mayor precisión la serie de tiempo en las ventas de automóviles. Esta línea relaciona las ventas a diferentes puntos a lo largo del tiempo. Si asumimos además que la tendencia pasada continuará en el futuro, los valores futuros de las series de tiempo (pronósticos) pueden inferirse de la línea recta basada en los datos pasados. Cabe recordar que los pronósticos basados en este método también deben juzgarse sobre la base de una medida de errores de pronóstico. Se puede continuar asumiendo que el pronosticador usa el error cuadrático medio discutido anteriormente. Las técnicas matemáticas se utilizan para encontrar la línea recta que representa con mayor precisión la serie de tiempo en las ventas de automóviles. Esta línea relaciona las ventas a diferentes puntos a lo largo del tiempo. Si asumimos además que la tendencia pasada continuará en el futuro, los valores futuros de las series de tiempo (pronósticos) pueden inferirse de la línea recta basada en los datos pasados. Cabe recordar que los pronósticos basados en este método también deben juzgarse sobre la base de una medida de errores de pronóstico. Se puede continuar asumiendo que el pronosticador usa el error cuadrático medio discutido anteriormente. Los valores futuros de las series de tiempo (pronósticos) se pueden inferir de la línea recta en base a los datos pasados. Cabe recordar que los pronósticos basados en este método también deben juzgarse sobre la base de una medida de errores de pronóstico. Se puede continuar asumiendo que el pronosticador usa el error cuadrático medio discutido anteriormente. Los valores futuros de las series de tiempo (pronósticos) se pueden inferir de la línea recta en función de los datos pasados. Cabe recordar que los pronósticos basados en este método también deben juzgarse sobre la base de una medida de errores de pronóstico. Se puede continuar asumiendo que el pronosticador usa el error cuadrático medio discutido anteriormente.
PRONÓSTICO DE SERIES DE TIEMPO UTILIZANDO COMPONENTES DE TENDENCIA Y TEMPORADA.
Este método es una variante del método de proyección de tendencias, que utiliza el componente estacional de una serie de tiempo además del componente de tendencia. Este método elimina el efecto estacional o el componente estacional de la serie temporal. Este paso a menudo se denomina desestacionalización de la serie temporal.
Una vez que se ha desestacionalizado una serie de tiempo, solo tendrá un componente de tendencia. El método de proyección de tendencias se puede emplear para identificar una tendencia en línea recta que represente bien los datos de la serie temporal. Luego, utilizando esta línea de tendencia, se generan pronósticos para períodos futuros. El último paso de este método es reincorporar el componente estacional de la serie de tiempo (usando lo que se conoce como índice estacional) para ajustar los pronósticos basados únicamente en la tendencia. De esta manera, los pronósticos generados se componen tanto de los componentes tendenciales como estacionales. Normalmente, se esperará que estos pronósticos sean más precisos que los que se basan puramente en la proyección de tendencias.
MÉTODO CAUSAL DE PRONÓSTICO.
Como se mencionó anteriormente, los métodos causales utilizan la relación de causa y efecto entre la variable cuyos valores futuros se pronostican y otras variables o factores relacionados. El método causal ampliamente conocido se llama análisis de regresión, una técnica estadística que se utiliza para desarrollar un modelo matemático que muestra cómo se relacionan un conjunto de variables. Esta relación matemática se puede utilizar para generar pronósticos. En la terminología utilizada en los contextos de análisis de regresión, la variable que se está pronosticando se llama variable dependiente o de respuesta. La variable o variables que ayudan a pronosticar los valores de la variable dependiente se denominan variables independientes o predictoras. El análisis de regresión que emplea una variable dependiente y una variable independiente y aproxima la relación entre estas dos variables mediante una línea recta se denomina regresión lineal simple. El análisis de regresión que utiliza dos o más variables independientes para pronosticar los valores de la variable dependiente se denomina análisis de regresión múltiple. A continuación, se presenta brevemente la técnica de pronóstico que utiliza análisis de regresión para el caso de regresión lineal simple.
Suponga que un pronosticador tiene datos sobre las ventas de automóviles fabricados en Estados Unidos en los Estados Unidos durante los últimos 25 años. El pronosticador también ha identificado que la venta de automóviles está relacionada con el ingreso real disponible de las personas (en términos generales, el ingreso después de pagar los impuestos sobre la renta, ajustado por la tasa de inflación). El pronosticador también tiene disponible la serie temporal (de los últimos 25 años) sobre la renta real disponible. Los datos de la serie de tiempo sobre las ventas de automóviles en EE. UU. Se pueden graficar con los datos de la serie de tiempo sobre el ingreso disponible real, por lo que se pueden examinar visualmente. Lo más probable es que el auto i Las series temporales de ventas mostrarían un crecimiento gradual en el volumen de ventas a medida que aumenta el ingreso real disponible, a pesar de la falta ocasional de consistencia, es decir, a veces, las ventas de automóviles pueden caer incluso cuando aumenta el ingreso real disponible. La relación entre las dos variables (ventas de automóviles como variable dependiente y renta real disponible como variable independiente) puede ser lineal (aproximada por una línea recta) o no lineal (aproximada por una curva o una línea no lineal). Suponga que la relación entre la serie de tiempo sobre las ventas de automóviles fabricados en Estados Unidos y el ingreso real disponible de los consumidores es en realidad lineal y, por lo tanto, puede representarse mediante una línea recta.
Se utiliza una técnica matemática bastante rigurosa para encontrar la línea recta que representa con mayor precisión la relación entre la serie temporal de las ventas de automóviles y el ingreso disponible. La intuición detrás de la técnica matemática empleada para llegar a la línea recta apropiada es la siguiente. Imagine que la relación entre las dos series de tiempo se ha trazado en papel. La trama constará de una dispersión (o nube) de puntos. Cada punto del gráfico representa un par de observaciones sobre las ventas de automóviles y el ingreso disponible (es decir, las ventas de automóviles correspondientes al nivel dado del ingreso disponible real en cualquier año). La dispersión de puntos (similar al método de series de tiempo discutido anteriormente) puede tener una deriva hacia arriba o hacia abajo. Es decir, la relación entre las ventas de automóviles y el ingreso real disponible puede aproximarse mediante una línea recta con pendiente ascendente o descendente. Con toda probabilidad, el análisis de regresión en el presente ejemplo producirá una línea recta con pendiente ascendente: a medida que aumenta el ingreso disponible, también lo hace el volumen de ventas de automóviles.
Llegar a la línea recta más precisa es la clave. Presumiblemente, se pueden dibujar muchas líneas rectas a través de la dispersión de puntos en la gráfica. Sin embargo, no todos ellos representarán la relación por igual: algunos estarán más cerca de la mayoría de los puntos y otros estarán muy lejos de la mayoría de los puntos de la dispersión. El análisis de regresión luego emplea una técnica matemática. Se dibujan diferentes líneas rectas a través de los datos. Se examinan las desviaciones de los valores reales de los puntos de datos en el gráfico de los valores correspondientes indicados por la línea recta elegida en cualquier caso. La suma de los cuadrados de estas desviaciones captura la esencia de qué tan cerca está una línea recta de los puntos de datos. La línea con la suma mínima de desviaciones al cuadrado (denominada “mínimos cuadrados”
Una vez identificada la línea de regresión y asumiendo que la relación basada en los datos pasados continuará, los valores futuros de la variable dependiente (pronósticos) se pueden inferir de la línea recta con base en los datos pasados. Si el pronosticador tiene una idea de cuál puede ser el ingreso disponible real en el próximo año, se puede generar un pronóstico para las ventas futuras de automóviles. Cabe recordar que los pronósticos basados en este método también deben juzgarse sobre la base de una medida de errores de pronóstico. Se puede continuar asumiendo que el pronosticador usa el error cuadrático medio discutido anteriormente. Además de usar errores de pronóstico, el análisis de regresión usa formas adicionales de analizar la efectividad de la línea de regresión estimada en el pronóstico.