MÉTODOS DE PRONÓSTICO CAUSAL: ANÁLISIS DE REGRESIÓN Y CORRELACIÓN

Se pueden considerar muchos factores en un análisis causal. Por ejemplo, las ventas de un
producto pueden estar relacionadas con el presupuesto para publicidad de la empresa, el
precio, los precios de los competidores y las estrategias promocionales, o aun las tasas
económicas y de desempleo. En este caso, las ventas serian llamadas variable dependiente y
las otras variables serían llamadas variables independientes. El trabajo de administrador es el
de desarrollar la mejor relación estadística entre las ventas y las variables independientes. El
modelo de pronóstico causal cuantitativo más común es el análisis de regresión lineal.

USO DEL ANÁLISIS DE REGRESIÓN PARA PRONOSTICAR

Se puede utilizar el mismo modelo matemático que se empleó en el método de mínimos

cuadrados para proyectar la tendencia, al llevar a cabo el análisis de regresión lineal. Las
variables dependientes que se desean pronosticar seguirán siendo las y. pero ahora la variable
independiente, x, no es el tiempo.

^y =a+bx

Donde:

^y = valor de la variable dependiente, ene este caso ventas.

a = intersección con el eje y

b = pendiente de la línea de regresión

x= la variable independiente

EJEMPLO 8

El dueño de una compañía que construye oficinas, al paso del tiempo, la compañía se ha
percatado que el volumen de dólares de su trabajo de renovación es dependiente de la
nómina en el área de Detroit. La siguiente tabla enumera ingresos y la cantidad de dinero
ganada por los trabajadores asalariados en Detroit durante los años 1988 – 1993.

VENTAS DE NODEL NÓMINA LOCAL

($ 000 000), y ($ 000 000), X

2.0 1

3.0 3

2.5 4

2.0 2

2.0 1
 3.5 7

La administración de la empresa desea establecer una relación matemática que le ayude a

predecir las ventas. Primero, necesitan determinar si existe una relación de línea recta (lineal)
entre la nómina del área y las ventas, para imprimir los datos conocidos en un diagrama.

A partir de los seis puntos de datos se puede apreciar que existe una ligera relación positiva
entre la variable independiente, la nómina y la variable dependiente; las ventas. Mientras la
nómina se incrementa, las ventas de la empresa tienden a ser mayores.

Se puede encontrar una ecuación matemática al utilizar el sistema de regresión por mínimos
cuadrados.

VENTAS, y NÓMINA, x x2 xy

2.0 1 1 2.0

3.0 3 9 9.0

2.5 4 16 9.0

2.0 2 4 4.0

2.0 1 1 2.0

3.5 7 49 24.5

∑y=15.0 ∑x=18 ∑x^2=80 ∑xy=51.5

∑ x 18
x́= = =3
6 6
 ∑ y 15
ý= = =2.5
6 6

∑ xy −n x́ ý 51.5−( 6 )( 3 )(2.5)
b= = =0.25
∑ x 2−n x́ 2 80− ( 6 ) (3 )2

a= ý−b x́ =2.5−(2.5) ( 3 ) =1.75

La ecuación de regresión estimada, por lo tanto, es:

^y =1.75+ 0.25 x

O,

Ventas = 1.75 + 0.25 nómina

Si la cámara local de comercio predice que la nómina del área de Detroit en donde esta la
compañía será de $600 millones, el año próximo es posible estimar las ventas de la empresa
con la ecuación de regresión:

Ventas (en cientos de miles) = 1.75+ 0.25 (6) = 1.75 + 1.50 = 3.25

Ventas= $325 000

La parte final del ejemplo 8 ilustra una debilidad importante en los métodos casuales como la
regresión. Aun cuando se tenga una ecuación de regresión calculada, es necesario ofrecer un
pronóstico de la variable independiente x (en este caso, nómina) antes de estimar la variable
dependiente y para el siguiente periodo de tiempo. Aunque esto no es un problema para todos
los pronósticos, es de suponer la dificultad para determinar los valores futuros de algunas
variables independientes comunes (tales como tasas de desempleo, producto nacional bruto,
índices de precios, y así sucesivamente).

ERROR ESTÁNDAR DEL ESTIMADO

El pronóstico de $325 000 para las ventas de la empresa en el ejemplo 8 es llamado un punto
estimado y. el punto estimado es en realidad la media, o valor esperado, de una distribución
de valores de ventas posibles. La siguiente figura ilustra este concepto.

Para medir la exactitud, Sxy. A esto se le llama desviación estándar de la regresión. La ecuación
que esta a continuación, es una ecuación similar a la encontrada en la mayoría de los libros de
estadística para calcular la desviación estándar de una media aritmética:

∑( y− y c )2
√
Sy , x=
n−2

Donde:

y= el valor-y para cada punto de dato.

y c = el valor calculado para la variable dependiente, a partir de la ecuación de regresión.

n= el número de puntos de datos.

La ecuación siguiente puede parecer más compleja, pero es en realidad una versión más fácil
de la ecuación anterior. Cualquiera de las fórmulas ofrece el mismo resultado y puede ser
utilizado al preparar los inventarios de predicción alrededor del punto estimado.

2
∑ ( y ) −a ∑ y−b∑ xy
Sy , x=
√ n−2

EJEMPLO 9

Calcular el error estándar de la estimación para los datos de la empresa en el ejemplo 8. El

único número necesario que no está disponible para resolver Syx es ∑ y 2. Una suma rápida
revela que ∑ y 2 = 39.5. Por lo tanto:

2
∑ ( y ) −a ∑ y−b∑ xy
Sy , x=
√ n−2
 39.5−1.75 ( 15.0 )−0.25 (51.5) = 0.306 (en $ cientos de miles)
Sy , x=
√ 6−2

El error estándar del estimado es entonces de $30 600 en ventas.

COEFICIENTES DE CORRELACIÓN PARA REGRESIÓN LINEAL

La ecuación de regresión es una forma de expresar la naturaleza de la relación entre dos

variables. La ecuación muestra cómo una de las variables se relaciona con el valor y los
cambios en otra variable.

Otra forma de evaluar la relación entre dos variables es mediante el cálculo del coeficiente de
correlación. Esta medida expresa el grado o fuerza de la relación lineal. Generalmente definida
como r, el coeficiente de correlación puede ser cualquier número entre +1 y -1. La figura
siguiente ilustra cómo puede aparecer la diferencia entre valores de r.

Para calcular r se utiliza casi la misma información que se necesito anteriormente para calcular
a y b para la línea de regresión. La ecuación para r es:
 n ∑ xy−∑ x ∑ y
r=
2 2 (2.11)
√ [ n∑ x −( ∑ x ) ][ n∑ y −(∑ y ) ]
2 2

EJEMPLO 10.

En el ejemplo 8 observamos la relación entre las ventas de edificios de oficina de la empresa

Construcción y la nómina en Detroit. Ahora, para calcular el coeficiente de correlación para los
datos mostrados, únicamente es necesario adicionar una columna más de cálculos (para y^2) y
aplicar entonces la ecuación para r.

y x x2 xy y2

2.0 1 1 2.0 4.0

3.0 3 9 9.0 9.0

2.5 4 16 10.0 6.25

2.0 2 4 4.0 4.0

2.0 1 1 2.0 4.0

3.5 7 49 24.5 12.25

∑y=15.0 ∑x=18 ∑ x 2=80 ∑xy=51.5 ∑ y 2=39.5

( 6 )( 51.5 ) −( 18 ) (15.0) 309−270 39

r= = = =0.901
2 2
√ [ ( 6 ) ( 80 ) −( 18 ) ][ ( 6 )( 39.5 ) −( 15.0 ) ] √( 156 ) (12) √1879
El valor de 0.901 para r aparenta ser una correlación significativa y ayuda a confirmar la
estrecha relación entre las dos variables.

Aunque el coeficiente de correlación es la medida más utilizada para describir la relación entre
dos variables, existe otra medida. Se le llama coeficiente de determinación. Es sencillamente,
el cuadrado del coeficiente de correlación, es decir r 2. El valor de r 2 será siempre un número
positivo en el rango de 0<=r 2<= 1. El coeficiente de determinación es el porcentaje de
variación en la variable dependiente (y) que es explicada por la ecuación de regresión. En el
caso de la empresa, el valor de r 2es de 0.81 (0.9012 = 0.811), e indica que el 81% de la
variación total por medio por medio de la ecuación de regresión.

ANÁLISIS DE REGRESIÓN MÚLTIPLE

La regresión múltiple es una extensión práctica del modelo que se ha observado. Permite la
construcción de un modelo con algunas variables independientes. Por ejemplo, si la empresa
de Construcción deseara incluir el promedio de las tasas de interés anual en su modelo de
pronóstico de ventas de renovación, la ecuación adecuada sería:

^y =a+b1 x 1+ b2 x 2

Donde:

^y = la variable dependiente, ventas

a= intersección-y

b 1 y b2= pendientes de la línea de regresión.

x 1 y x 2= valores de las dos variables independientes, nómina del área y tasas de interés,
respectivamente.

Las matemáticas de la regresión múltiple se convierte en algo complejo (y a menudo asignada

a la computadora), así que se dejan las fórmulas para a, b1 y b2 a los textos de estadística.

EJEMPLO 11

La nueva línea de correlación múltiple para la empresa de Construcción, calculada por medio
de Software en computadora, es:

^y =1.80+ 0.30 x 1−5.0 x 2

También se encuentra que el nuevo coeficiente de correlación es 0.96, que implica la inclusión
de la variable x 2, las tasas de interés, y adiciona más fuerza a la relación lineal.
Ahora se puede estimar las ventas de la empresa si se sustituyen los valores para la nómina del
siguiente año y la tasa de interés. Si la nómina de Detroit será de $600 millones y la tasa de
interés será de 0.12 (12%), las ventas se pronosticaran como:

Ventas ($ciento de miles) = 1.80 + 0.30 (6) – 5.0 (0.12) = 1.8 + 1.8 – 0.6 = 3.00

Ventas = $300 000