Lectura Acerca de la Regresión lineal

La regresión, conocida en ocasiones como “línea de mejor ajuste”, es una técnica

estadística para intentar ajustar una línea a partir de un conjunto de puntos
mediante el uso del mínimo error cuadrado total entre los puntos reales y los
puntos sobre la línea. Una de las bondades de la regresión es que permite
determinar ecuaciones de líneas de tendencia.

Estacionalidad
Como cabe suponer, un pronóstico de línea recta calculado utilizando un modelo
de regresión lineal no muestra la estacionalidad de la información; Para incorporar
la estacionalidad en el pronóstico es necesario desarrollar multiplicadores
estacionales. Para hacer esto primero encontramos la proporción de la demanda
real respecto del pronóstico.

ERRORES DE PRONÓSTICO
Al principio del capítulo se mencionó que todo pronóstico debe contener dos
números: el pronóstico en sí mismo y el estimado de error. Toda vez que la
primera regla del pronóstico es que es probable que la proyección sea incorrecta,
una pregunta clave es: “¿qué tan incorrecta puede ser?” Responder esta
interrogante es muy importante desde el punto de vista de la planificación y el
control, dado que representa un factor fundamental para dirigir el negocio. Podría
ser necesario implementar métodos de planificación de un inventario temporal, de
capacidad del almacenamiento temporal u otros para ajustar la demanda real que
difiera de la pronosticada.
Existen varias técnicas importantes para calcular el error. Entre las más útiles se
incluyen:
Error promedio de pronóstico (MFE, por sus siglas en inglés, Mean Forecast
Error).
Como su nombre lo indica, este número se calcula a partir del error de pronóstico
promedio matemático sobre un periodo específico. La fórmula es:

Hemos visto el término (At _ Ft) con anterioridad. Representa la diferencia entre la
demanda real y el pronóstico para cualquier periodo, y también se le conoce como
error de pronóstico. El MFE implica sumar todos los errores de pronóstico
individuales, y dividirlos entre el número total de errores. La importancia de este
número no radica en su valor real, sino en su signo: si es positivo, indica que la
demanda real fue mayor al pronóstico sobre el rango de números incluidos. Otra
forma de explicar esto es que el método de pronóstico se sesgó sobre el extremo
inferior. Si su signo es negativo, naturalmente, significa que los pronósticos fueron
mayores que la demanda en promedio, lo que implica que el método de pronóstico
se sesgó sobre el extremo superior. Por este motivo, el MFE en ocasiones se
conoce también como pronóstico de sesgo.

Desviación Media Absoluta (MAD, por sus siglas en inglés, Mean Absolute
Deviation).
Una vez más, la fórmula puede deducirse a partir del nombre del término.
Literalmente significa el promedio de las desviaciones absolutas matemáticas de
los errores de pronóstico (desviaciones). La fórmula, por lo tanto, es:

Esto representa un número muy importante, ya que nos indica el error de

pronóstico promedio (siempre positivo) sobre el periodo en cuestión.

Señal de seguimiento. Similar al concepto de límites de control para las tablas de

control de proceso estadístico, la señal de seguimiento proporciona un límite un
tanto
subjetivo para que el método de pronóstico se “desvíe” antes de emprender
alguna acción.
Se calcula a partir del MFE y el MAD:
Señal de seguimiento = (n*MFE)/MAD
En algunos casos esta fórmula se escribe utilizando la “suma corrida de los
errores de
pronóstico”, término conocido por sus siglas en inglés, RSFE (Sum of the Forecast
Errors). La fórmula entonces se convierte en:
Señal de seguimiento = RSFE/MAD

Este número claramente es una proporción sin valor unitario; solamente se utiliza
como una señal. Una regla empírica para el uso de la señal de seguimiento es que
si el valor de la misma es mayor que 4 o menor que _4, el método de pronóstico
pudiera no ser efectivo para el seguimiento de la demanda sobre el periodo en
cuestión.
Solamente constituye un aviso para analizar y ajustar el método de pronóstico
según sea necesario.
La señal de seguimiento hace hincapié en una importante disyuntiva: evaluar y
modificar el método de pronóstico con demasiada frecuencia sería costoso y
probablemente consumiría mucho tiempo pero, ¿qué tanto es “con demasiada
frecuencia”?
En la misma línea, permitir que el método proceda demasiado tiempo sin
evaluación podría producir un serio deterioro de los pronósticos. La señal de
seguimiento, por lo tanto, permite averiguar, de manera sistemática, en qué
oportunidades debe evaluarse o no el método de pronóstico.

EJERCICIO PARA HACER EN CLASE

El patrón de demanda de 10 periodos para cierto producto se presenta como 127,
113, 121, 123, 117, 109, 131, 115, 127 y 118. Pronostique la demanda para el
periodo 11, utilizando cada uno de los siguientes métodos: promedio móvil de 3
meses; promedio móvil ponderado de 3 meses con pesos de 0.2, 0.3 y 0.5;
suavización exponencial con una constante de suavización de 0.3, y regresión
lineal. Calcule el MEF y MAD para cada método, a fin de determinar el método que
sería preferible de acuerdo con las circunstancias. También calcule el sesgo en la
información, si existe, para los cuatro métodos, y explique su significado.
El valor de pronóstico inicial de suavización exponencial de 115