Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
40
35
30
25
20
15
10
0
2000 2005 2010 2015 2020
45
40 y = 1.1404x - 2261.7
R² = 0.9385
35
30
25
20
15
10
0
2000 2005 2010 2015 2020
2) Curva de tendencia
• Obtenemos la siguiente ecuación:
Y = 1.1404 X – 2261.7 / R2 = 0.94
• En este caso, Y = Ventas / X = Año
• Es decir: Ventas = 1.1404 (Año) – 2261.7
2) Curva de tendencia
• Si queremos pronosticar las ventas, bastará con
que reemplacemos el año en X y obtendremos
un valor para las ventas.
• Ejm: Ventas del 2019 (miles) = 1.1404 (2019) –
2261.7=40.77
• Note que podemos pronosticar más años.
2) Curva de tendencia
• El valor de R2 representa el coeficiente de
“bondad de ajuste”.
• Nos indica qué tan buena es la ecuación para
explicar el comportamiento de las ventas.
• Específicamente, representa el % de la varianza
de las ventas que es explicado por la ecuación.
• R2 toma valores entre 0 y 1.
• R2 = 0.94. Entonces la ecuación explica el 94%
de la varianza de las ventas (% alto).
Pronósticos causales
Pronósticos causales
• Pronóstico de una variable “dependiente” (Y)
utilizando información de variables
“independientes” (X).
• Las variables independientes explican la variable
dependiente.
• Se debe primero hallar la relación causal entre la
variable dependiente y las variables
independientes.
Pronósticos causales
• El crecimiento de la demanda (unidades
vendidas) de un producto depende del
crecimiento de la economía.
• El crecimiento de la demanda puede ser
expresado como una función del crecimiento del
PBI.
• Una vez que estimamos una ecuación, podemos
pronosticar el futuro, a partir de proyecciones
del PBI.
• Ejemplos: Ver Casos 3, 4, 5
Pronósticos causales
• La siguiente tabla muestra datos de crecimiento
de ventas y de PBI.
PBI Ventas
2005 6.60% 6%
2006 7.80% 5.40%
2007 8.10% 4.70%
2008 6.10% 1.90%
2009 0.10% -1.30%
2010 3.50% 3.20%
2011 6.00% 5.40%
2012 6.30% 4.70%
2013 6.50% 5.10%
2014 2.40% 3.10%
2015 2.30% 3.00%
2016 3.10% 3.05%
2017 2.50% 2.90%
2018 2.90% 3.10%
Pronósticos causales
• Podemos hacer el gráfico de dispersión y ver si
existe una relación clara entre crecimiento de
ventas y crecimiento de PBI.
• Podemos además trazar una línea de tendencia.
• Además, podemos estimar la ecuación de la línea
y el R2.
7%
6% y = 0.6027x + 0.0083
R² = 0.6237
5%
4%
3%
2%
1%
0%
0.00% 2.00% 4.00% 6.00% 8.00% 10.00%
-1%
-2%
Pronósticos causales
• En este caso, la ecuación es:
% Ventas = 0.6027 (% PBI) + 0.0083
• Si contamos con pronósticos de PBI, podríamos
pronosticar las ventas para los próximos años.
• Ejm: Si se estima que el PBI crezca el 2019 en
3%, entonces podemos pronosticar que las
ventas crecerán en 0.6027 (3%) + 0.0083 =
2.6%.
Pronósticos causales
• Alternativamente, podemos utilizar el siguiente
método.
• Opciones: ANALISIS DE DATOS /
REGRESION.
• Identificamos qué variable es Y, y cuáles son X.
• Esta opción nos dará los coeficientes de la
ecuación.
Resumen
Pronósticos causales
Estadísticas de la regresión
Coeficiente de correlación
0.7897589 múltiple
Coeficiente de0.62371912
determinación R^2
R^2 ajustado 0.59236238
Error típico 0.01196045
Observaciones 14
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 1 0.00284546 0.00284546 19.8910703 0.00077922
Residuos 12 0.00171663 0.00014305
Total 13 0.00456209
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%Inferior 95.0%Superior 95.0%
Intercepción 0.00825531 0.00697272 1.18394289 0.25935779 -0.00693695 0.02344757 -0.00693695 0.02344757
Variable X 1 0.60268802 0.13513364 4.45994062 0.00077922 0.3082571 0.89711893 0.3082571 0.89711893
Pronósticos causales
• Será particularmente importante la última tabla.
• En esa tabla, aparecen los mismos coeficientes:
0.0083 y 0.6027.
• Note que 0.0083 aparece como “Intercepción” y
0.6027 aparece como “X1”.
• Intercepto es el valor que va solo en la ecuación.
• X1 se refiere al % PBI.
• Esto significa que:
% Ventas =0.0083 + 0.6027 %PBI.
Pronósticos causales
• La ventaja de este método es que podemos
incorporar varias variables X al mismo tiempo.
• Podríamos tener, por ejemplo, una ecuación de
las ventas que dependa no solo del PBI sino
además de otras variables que influyen sobre las
ventas (Tasa de interés, competencia, etc).
Pronósticos causales
• Podemos además hacer “pruebas de hipótesis”
para determinar si el efecto de una variable X en
Y es estadísticamente significativo (si la variable
X es importante o no).
Pronósticos causales
• Modelo: %Ventas = a + b %PBI
• Testearemos la hipótesis:
b=0
• Si se acepta esta hipótesis, entonces PBI no tiene
impacto significativo en las ventas.
• Si se rechaza esta hipótesis, entonces PBI tiene
impacto significativo en las ventas.
Pronósticos causales
• Nos fijaremos en el valor “Probabilidad.”
• Si este valor es menor que 0.05 (5%), entonces
podemos decir que con un 95% de confianza el
coeficiente de X es diferente de cero.
• En esta tabla, el valor de la probabilidad para X1
es 0.00077< 0.05. Por lo tanto, el % PBI tiene un
efecto significativo en el % Ventas.
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%
Intercepción 0.00825531 0.00697272 1.18394289 0.25935779 -0.00693695 0.02344757
Variable X 1 0.60268802 0.13513364 4.45994062 0.00077922 0.3082571 0.89711893
Pronósticos causales
• Similarmente, nos podemos fijar en los valores
“Inferior 95%” y “Superior 95%”.
• Estos valores representan el intervalo de
confianza al 95% para el coeficiente de X1.
• Es decir, el coeficiente se encuentra con un 95%
de confianza entre 0.3 y 0.89.