LA REGRESIÓN LINEAL PARA PRONOSTICAR LA DEMANDA
Dentro de los modelos causales o asociativos encontramos el análisis de regresión o regresión lineal, que es un método con enfoque cuantitativo que nos permite pronosticar la demanda. Agrupa una variable dependiente (la demanda) con una o más variables independientes a través de una ecuación lineal. Te puede interesar: métodos cuantitativos de pronóstico !l ob"etivo del análisis de regresión como método causal es pronosticar la demanda a partir de una o más causas (variables independientes), las cuales pueden ser por e"emplo el tiempo, precios del produc producto to o servic servicio io,, precio precios s de la compet competenc encia, ia, econom econom#a #a del pa#s, pa#s, accio acciones nes del del gobie gobierno rno o fomentos publicitarios. publicitarios. Algunos apuntes apuntes importantes sobre sobre éste método son: son: $
$ $ $
%ued %uedes es calcu calcula larr seri series es de tiem tiempo po & rela relaci cion ones es causa causale les. s. !n el prime primerr caso caso,, ubic ubicas as la dema demand nda a 'istórica de tu bien o servicio para que cambie en función del tiempo. !l segundo caso es cuando la variable que pronosticas cambia en función de otra (variable causal). ineal ineal signi signific fica a que los los datos datos del perio periodo do anter anterior ior & la pro&e pro&ecci cción ón para para el perio periodo do futuro futuro que vas vas a obtener caen sobre una recta. i 'abla 'ablamos mos de una una sola varia variable ble indep indepen endie diente nte,, es una regresi regresión ón lineal lineal simpl simple, e, contra contrario rio a si son dos o más variables independientes, donde 'ablar#amos de regresión lineal m*ltiple. !s más más *til *til cuando cuando se se enfoca enfoca en en period periodos os de largo largo pla+o. pla+o. !sto !sto aunado aunado a su utilidad utilidad para para estima estimarr la demanda en función de variables independientes. eamos entonces de que va el análisis de regresión:
!sta es la ecuación de la recta. !n ella: $ a b es la inclinación de la recta. $ a a es es la la sec secan ante te o la al altu tura ra en la qu que e la la rec recta ta co cort rta a al al e"e e"e &. $ a - es nu nuestra va variable in independiente. $ a es es nues nuestr tra a vari variab able le dep depen endi dien ente te,, nues nuestr tro o pron pronós ósti tico co cal calcu cula lado do par para a un un peri period odo. o. /omo 'acer una regresión lineal 0n e"emplo de regresión lineal para pronosticar la demanda: as ventas de la empresa 1ng! durante los *ltimos 23 trimestres son las siguientes:
4/ómo pronosticar la demanda de los trimestres 25, 26 & 27 a través de un análisis de regresión lineal8 o primero es estimar los parámetros. o podemos lograr con el método de m#nimos cuadrados, que nos permite encontrar la recta que me"or se a"usta a un con"unto de datos dados. !n nuestro caso, este con"unto está dado por las ventas trimestrales (variable dependiente). a variable independiente es el tiempo. amos entonces a la siguiente fórmula para determinar a & b:
$ a & 9min*scula es el valor & de cada punto de datos. $ a n es el n*mero de punto de datos.
/onocidas las ecuaciones & el papel de las variables, vamos acalcular el pronóstico con regresión lineal: !n la siguiente se encuentran los cálculos reali+ados para los 2; trimestres seg*n lo requerido por las ecuaciones:
/on los valores de la *ltima fila de la tabla, podemos calcular a & b, con los cuales logramos calcular los valores de la *ltima columna () que es la recta que más se a"usta a la demanda &. $ $
a< 5,; b<7,=5
in embargo, lo que necesitamos es el pronóstico de los trimestres (periodos de tiempo) 22, 2; & 25. Tenemos todos los datos para 'acerlo:
/uando pronosticamos, siempre queremos saber qué tan e>acto es el método que estamos utili+ando, igual que una medida de error de pronóstico. %ara eso 'a& diferentes medidas que nos dan el grado de error en un pronóstico. 0na medida apropiada para medir el error en regresión lineal es el error estándar de estimación ( &, >), que nos permite determinar la variabilidad en torno a la recta de regresión.
/on los datos obtenidos en nuestra tabla, reempla+amos en la formula & obtenemos: !rror estándar del estimado &, >: 76,?@ !sto lo interpretamos como una medida de la variabilidad o dispersión de los valores observados alrededor de nuestra l#nea de regresión.