L’analisi della domanda

(seconda parte)

Lezione 4
 Stima della domanda del
prodotto (1)

OBIETTIVO:
previsione della domanda
all’istante (t+1) sulla base dei dati
storici disponibili sino all’istante t
 Stima della domanda del
prodotto (2)
Metodi quantitativi per stimare la
domanda
Modello causale:
Qdi = f (Pi, Pn-i, Y,
 necessità di una…)
base dati importante
 individua una relazione tra variabili
dipendenti ed indipendenti
Modello autocorrelato:
Qdi, (t) = f (Qdi, (t),Qdi, (t-1), Qdi, (t-
2), …)
 dati facilmente reperibili
 indicazioni sulla tendenza futura
sulla base dell’andamento passato
 Elasticità della domanda
Un modello causale con reddito e prezzo
quali variabili indipendenti permette
d’identificare
due importanti coefficienti

Elasticità della Elasticità della

domanda rispetto al domanda rispetto al
prezzo: reddito:
dQ P dQ Y
EQd , P = ⋅ EQd ,Y = ⋅
dP Q dY Q

Domanda elastica: E > 1 Bene molto prociclico: E >

Domanda rigida: E< 1
1 Bene prociclico: 0 > E > 1
Bene anticiclico: E < 0
 I modelli causali (1)
Modello con una sola variabile
dipendente
Metodo più semplice, ma utile per stime di
breve e brevissimo periodo:

Regressione semplice (lineare):

Qd = a + bx

Ad esempio, la quantità di
batterie per auto (QB)
nell’anno t è correlata al QBt = a + bI t − 2
numero di immatricolazioni di 2
anni prima
 I modelli causali (2)
Metodo di regressione più n
usato è quello dei minimi
quadrati, ovvero
SSE = ∑ ( yi − yi )
ˆ 2

i =1
minimizzare la somma dei
quadrati degli errori

La bontà della stima è indicata da:

n

Coefficiente di
SSR =
∑ i
( ˆ
y − y ) 2

determinazione r 2
= i =1
SST n

∑( y
i =1
i − y) 2
 I modelli causali (3)
Modello con m variabili dipendenti

Metodo per stime di medio/lungo periodo:

Regressione multipla:
Qdi = f (x1, x2, …, xm)
 I modelli causali (4)

ESEMPIO
Stima della domanda di polizze assicurative
come dipendente da:
 il loro prezzo,
 il prezzo delle polizze dei concorrenti,
 il reddito medio delle famiglie
 I modelli causali (5)
Base dati
 I modelli causali (6)
Output della
regressione
 I modelli causali (7)

Qd = -2,12(Px) + 1,03(Px conc.) +

3,09(Reddito)
 il futuro prezzo medio dei concorrenti
= 960
 il futuro reddito medio previsto = 440
 l’impresa decidere di praticare un P =
970
Valore previsto Qd = 408,08

Con un errore standard = 59,06, possiamo

prevedere, con un intervallo di confidenza del
95%, che le vendite future saranno comprese tra
Qd1 = 289,95 e Qd2 = 526,19
 I modelli causali (8)
Stima dell’elasticità della domanda rispetto al
prezzo
dQ p 958,75
EQd , P = ⋅ = −2,12 * = −5,82
dp Q 348,975
Stima dell’elasticità incrociata della domanda

dQ pconc 972,5
EQd , P = ⋅ = −1,03 * = 2,87
dpconc Q 348,975
Stima dell’elasticità della domanda rispetto al
reddito
dQ Y 408,65
EQd , P = ⋅ = 3,08 * = 3,62
dY Q 348,975
 I modelli autocorrelati (1)
Oggetto: analisi delle serie storiche,
ovvero una raccolta di dati ottenuta
dall’osservazione del comportamento di una
varabile ad istanti periodici di tempo

La natura di una serie storica può essere analizzata

attraverso lo studio di quattro componenti:
 componente di trend (variazione regolare
delle vendite nel tempo)
 componente ciclica di lungo periodo (es.
ciclo economico)
 componente stagionale, o di breve periodo
 variazioni irregolari/residuali dovute ad
eventi specifici od imprevedibili (shock)
 I modelli autocorrelati (2)
Non sempre i dati temporali hanno lo stesso
peso (quelli più recenti posso essere più
significativi)

Per isolare il trend si utilizza la tecnica

della media mobile: sostituzione del
valore reale con quello medio di n periodi

Exponential smoothing: maggiore peso

attribuito alle osservazioni più recenti
rispetto a quelle più vecchie