Regresion Lineal Con Series de Tiempo.

Instituto Tecnológico Superior de El
Mante
Estadística Inferencial II
Docente: Álvaro Fernando Alvizo Cruz
“Regresión lineal en las series de

tiempo”
Ibarra García Ximena
Fecha: 17-11-23
La implementación de la regresión lineal en las
series de tiempo
Hoy en día, en muchas áreas como la ingeniería, medicina, biología, entre otros,
aparecen eventos inciertos, donde los atributos de los datos tienen la forma de
series de tiempo. Desde el punto de vista del aprendizaje automático, en cada punto
de una data histórica se puede aplicar modelos de predicción. En Perú las empresas
también necesitan de herramientas de pronóstico, debido al constante desarrollo de
los mercados, lo cual genera escenarios cada vez más competitivos y cambiantes,
por lo que es necesario disponer de modelos y métodos que sean capaces de
pronosticar activos de entrada y salida.
El término regresión fue introducido por Francis Galton (1889) refiriéndose a la “ley
de la regresión universal”: Su trabajo se centraba en la descripción de los rasgos
físicos de los descendientes (una variable) a partir de los de sus padres (otra
variable).
Según Toledo Muñoz, 1994 por serie de tiempo nos referimos a datos estadísticos
que se recopilan, observan o registran en intervalos de tiempo regulares (diario,
semanal, semestral, anual, entre otros). El término serie de tiempo se aplica a los
datos registrados en forma periódica que muestran, por ejemplo, las ventas anuales
totales de almacenes
Consideremos nuevamente el modelo de regresión lineal
Yt = β1X1 + β2X2t + ... + βkXkt + ut
donde X1t
, ..., Xkt, ut son variables aleatorias (por tanto, Yt también es aleatoria).
Si disponemos de datos de series temporales, el supuesto de que las observaciones
son iid no resulta creíble. Por tanto, los resultados obtenidos en los temas
anteriores sobre las propiedades de los estimadores del modelo de regresión
lineal (MCO,
MCG, MCGF, VI) no son directamente aplicables. Sin embargo, la mayoría de esos
resultados se mantienen bajo un supuesto alternativo apropiado para datos de
series
temporales.
Ejemplo de uso: La entidad privada de salud en estudios atraviesa por un problema
que se deriva de su sistema de inventario, el cual deja a excesivo y/o falta el stock
de algunos medicamentos ya que no se lleva un control estricto de las entradas y
salidas de los productos con mayor demanda. Esto genera que el costo por
mantenimiento de inventario sea muy alto para la EPS_RP ya que existen
medicamentos que tienen fecha de caducidad y algunos que no se venden. También
se asume una perdida por cada medicamento que no hay en stock. Se presentan
casos donde un paciente requiere de un medicamento “X” y al no tener ese
medicamento; representa una pérdida para la entidad. La pérdida que asume la
EPS_RP, algunas veces es mayor a la utilidad generada por el producto. Se calcula
que aproximadamente el inventario valorizado, actualmente es de tres millones de
soles. Para resolver este problema la EPS_RP recurre a la generación de
pronósticos de ventas de medicamento para una mejor toma de decisiones a la hora
de hacer una orden de compra. Utilizando el procedimiento anteriormente
mencionado. El propósito de esta investigación es modelar y pronosticar la
demanda de los medicamentos en la EPS_RP mediante la implementación de
modelos de pronósticos teniendo en cuenta factores de influencia como la
estacionalidad y otros.
Para ello llevaron a cabo el siguiente procedimiento: para análisis de series de
tiempo según Box-Jenkins se investigan generalmente tres patrones: auto
regresión, promedios móviles y tendencias. También pueden existir observaciones
erráticas ocasionales, o "disturbios" que deben ser eliminados o corregidos. El
procedimiento requiere una secuencia de tres pasos: − Identificación, en el que se
ensayan los diferentes modelos citados. − Estimación, en el que se registran en una
secuencia temporal los valores estimados de los coeficientes. − Diagnóstico, en el
que se verifica la conveniencia del ajuste para ver si es el adecuado y si es
insuficiente, el procedimiento se vuelve a comenzar.
A continuación, se presenta el pronóstico de las 66 semanas hasta el 2011,
utilizando como data histórica la venta por semanas, desde enero del 2006 a
septiembre del 2010, del medicamento OPTIRAY VIA. En la parte superior se puede
visualizar cuanto puede variar la ventas en relación al pronóstico, empleando las
dos herramientas y diferentes métodos. En la parte inferior, podemos ver el error del
pronóstico en termino de unidades vendidas con respecto a la data histórica.
Diariamente los dueños de empresa se ven enfrentados al problema de pronosticar

el nivel futuro de su actividad económica. Pronósticos de ventas, utilidades,
inversiones y costos entre otros, se constituyen en elementos importantes de la
planificación de los negocios; sin embargo, para lograrlos, se necesita conocer y
disponer de información confiable y suficiente del pasado; estudiarla y detectar
tendencias, variaciones cíclicas y estaciónales, con el fin de poderlas reproducir a
través de modelos estadísticos. Este campo de los modelos estadísticos ha crecido
al mismo ritmo del desarrollo de los computadores de tal forma, que existe una gran
cantidad de modelos de pronósticos. Unos sencillos, y de gran despliegue en los
textos clásicos de la Estadística básica, los tradicionales de la regresión múltiple,
otros más sofisticados como los modelos de series temporales.
Pronosticar es fundamental en las pequeñas y medianas empresas pymes puesto
que las predicciones se pueden incorporar al proceso de toma de decisiones
inteligentes. En particular, estas pequeñas empresas requieren pronósticos de
muchos hechos y situaciones en todas las fases de su producción. En el sitio de
trabajo del dueño, deben estar disponibles pronósticos confiables de las ventas para
poder planificar las estrategias de la producción. En un programa de producción se
requieren las predicciones de la demanda de cada producto. Estas proyecciones se
elaboran para periodos concretos que pueden ser días específicos, semanas o
meses. Estas estimaciones permiten a los propietarios poder planificar la producción
y el mantenimiento del inventario. Los pronósticos de la demanda para cada
producto se pueden leer en pronósticos de cantidades necesarias de materia prima,
de modo que las compras se puedan planificar
El modelo de regresión lineal es el apropiado para realizar pronósticos cuando la
tendencia es lineal. El objetivo del modelo de regresión de dos variables, el lineal,
es la comprensión de la naturaleza probabilística del modelo de regresión de tal
manera que, a partir de un valor observado de X (variable independiente), logremos
observar varios valores posibles de Y (variable dependiente). El ejemplo
desarrollado por Zuwaylif considera las ventas hipotéticas efectuadas en millones
de pesos mensualmente. Estas probablemente variarán cada año, debido a la
situación cambiante de los negocios, las preferencias de los clientes, la
competencia, y en general, a los hechos que acompañan el desarrollo normal de las
empresas. A no ser que se disponga de información adicional, supondremos que
para cada observación de X (años), los comportamientos de Y (ventas) diferirán de
forma aleatoria. Usamos ε como componente de “error” aleatorio.
Para tal efecto se tomó una serie con periodicidad
mensual del valor hipotético de las ventas mensuales
de la empresa XX entre enero de 1999 y diciembre del
2003. A continuación, se obtuvo el total de las ventas
anuales en millones de pesos.
A partir de los datos obtenidos que se presentan en la
Tabla Nº.1 y realizando un cambio de base para la
variable tiempo, como es tomar el año 1999 como
periodo cero “0”, el año 2000 como 1 y así sucesivamente hasta el último periodo
de estudio, se obtiene la ecuación de regresión lineal. Yt = β1X1 + β2X2t + ... +
βkXkt + ut.
El objetivo de obtener esta ecuación radica en que a partir de los datos reales
mensuales podamos obtener los resultados anuales, con el fin de estudiar y verificar
la tendencia secular; es decir, el movimiento de la serie de tiempo en el periodo
analizado y de esta manera predecir las ventas anuales en años futuros. Estas
estimaciones serán razonables si existe una regularidad estadística que haya
prevalecido en el pasado y continúe manifestándose aproximadamente de la misma
forma en el futuro. Estas predicciones deben ser consideradas como información
aproximada, razón de peso para la construcción de los respectivos intervalos de
confianza dentro de los cuales se espera que esté el valor real de la variable de
estudio, con una confianza que establezca el propio investigador.
Bibliografía:
Sarmiento, E. M. (2008). Predicción con series de tiempo y

regresión. Panorama, 2(4), 36-58.
Serpa, C. C., Muguértegui, D. P., Beteta, J. M. E., Poma, E. L., Vargas, E. P., &
Apaza, G. M. (2011). Evaluar la capacidad predictiva de los métodos series de
tiempo, regresión lineal y RNA Poda exhaustiva considerando el mínimo margen
de error, una aplicación a la demanda. Revista de Investigación Business
Intelligence, 1(1).

Regresion Lineal Con Series de Tiempo.

Cargado por

Copyright:

Formatos disponibles

Regresion Lineal Con Series de Tiempo.

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Regresion Lineal Con Series de Tiempo.

Cargado por

Copyright:

Formatos disponibles

Instituto Tecnológico Superior de El

Docente: Álvaro Fernando Alvizo Cruz

“Regresión lineal en las series de

Ibarra García Ximena

Diariamente los dueños de empresa se ven enfrentados al problema de pronosticar

Sarmiento, E. M. (2008). Predicción con series de tiempo y

También podría gustarte