Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2. EL ESTUDIO DE MERCADO
(+) (-) (-) (+) (+) Px: Precio del bien o servicio
P
O (Px, r, w, ) r: Precio del factor capital
w: Precio de la mano de obra
E0 K: Capital
P0
: Tecnología
D
Unidades del bien
Q0 Q o Servicio
Interesa saber qué pasa con esta estructura con el paso del tiempo …
El Proyecto en la Estructura de Mercado
PROYECTO
PROVEEDOR DISTRIBUIDOR CONSUMIDOR
COMPETIDOR
1. El Proveedor, dependencia presente y proyectada
La Distribución:
Efecto indirecto sobre el flujo de caja (incrementa costos).
Los márgenes que agrega el intermediario (para cubrir costos y su
utilidad) incide en el precio que paga el consumidor.
Para medir su impacto, es necesario efectuar una selección
estimativa de intermediarios que serán utilizados si el proyecto se
implementa.
La Promoción:
Cada alternativa de promoción lleva asociados costos y beneficios
diferentes que deben compararse para elegir la mejor alternativa.
Una forma de medirlos es utilizar un % sobre ventas esperadas.
3.5 Estimaciones de Demanda
20
0
-9 -8 -7 -6 -5 -4 -3 -2 -1 0
Variante 1: Se proyecta pensando que el último valor es el más
representativo de su comportamiento futuro, por lo tanto se lo repite en
los próximos cinco años.
0
-9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5
La fórmula a utilizar:
Yˆi a bX i Xi = t
a y bx b
( X x )(Y y )
i i
( X x)
i
2
110
100
90
80
70 Valor de X
Tendencia
60
-9 -8 -7 -6 -5 -4 -3 -2 -1 0
Tendencia: Y = 112.96+3,3697 X
Predicción
Sobre la base de esta fórmula debe hacerse la proyección. Ya
conocido valor de los parámetros, procedemos a proyectar para
los próximos 5 años
Modelo: Ŷ = 112.963636364 + 3.3696969697*X
Con Eviews: En Workfile: para los próximos 5 años
Proc/Structure/Resize Current Page
Aumentar T, en este caso: de 2020 a 2025 OK
Proc/Set Sample.
Se amplia el tamaño de la muestra. Sale @all OK
La siguiente es introducir valores de X.
Para ello: En Work File sombrear: Y y X Open/as Group
ClicK en Edit+/-
Introduce valores de: X : 1,2….5
A continuación estime el modelo:
En la pantalla de Equation: Proc /Forecast o directamente Forecast
Aparece y OK Aparece línea de predicción Y en el otro figura
aparece: yf
130
120
110
100
90
80
70
11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Y YF
En el cuadro de Group:
View/Graph/Line y
Simbol OK
Options:
Modelo selección/selección de modelo)/
Akaike Info Criterion.
Pronostico de Serie Y:
Aceptar
Luego de presionar Aceptar. Softwar corre varios modelos.
Resultados:
Nos entrega el mejor modelo y grafica: logaritmo y tomo las primeras diferencias.
Probo 225 modelos ARIMA: (0.4) (1,0): MA(4) y la parte estacionaridad AR(1). Akaike
menor del modelo seleccionado: -6.383 de 225 modelos que ha corrido.
Luego de presionar Aceptar, software correr varios modelos.
Resultados:
Luego el
mejor modelo
01 AR contra
04 MA.
Diferentes
modelos que
ha corrido; en
la primera
aparece el
modelo
seleccionado
Tabla de criterio de Akaike: (0,4)(1,0) es el menor que
corresponde al modelo MA(4) en la parte regular y en la
Identificado el mejor modelo MA(4) en la parte regular y en la
parte estacional AR(1). Sobre ella seleccionar Y y YF /
Open/As Group.
La columna YF
muestra valores
proyectados para
los próximos 10
semestres o 5
años.
Estimada la demanda
total, se pronostica la
demanda para el
proyecto (% a captar)
bajo un escenario
moderado (10% en 1º
año, 15% en 2º año,..).
En función a la
estrategia a diseñar.
View/Graph/ Mixed (Mixto)
Métodos Causales: Metodo Econometrico
Las Series de Tiempo se basan en el análisis del comportamiento
de una sola variable a través del tiempo, mientras que los métodos
causales toman en consideración el análisis de más de una
variable.
Se basan en antecedentes cuantitativos históricos.
Los más usados son:
Método de predicción Descripción
Análisis de regresión o Un modelo de regresión considera una o más variables
independientes que explican el comportamiento de otra,
Modelos
llamada dependiente. Un modelo econométrico describe el
Econométricos funcionamiento de un sistema económico a través de un
conjunto de ecuaciones simultaneas.
De nuevo, en la ventana de
Work file: Doble Click en
RACTIVA Y PBI: observamos
falta de datos para los próximos
05 años.
En la ventana Series PRECIO Workfile
Proc /Automatic ARIMA Foreccasting.
Si deseamos que determine logaritmo o
no, optar: Auto (None/log).
ARIMA: definir diferenciación máxima:
Mx: differencing 2, máximo elemento
autoregresivo, Max AR(4) max. medias
moviles MA(4), Estacionariedad: Max
SAR (0), Max SMA(0).
Periodicity (1)
Luego: corregí la muestra: hasta 2020,
pronostico: Forecast length: 5
Options:
Modelo selección/selección de modelo)/
Akaike Info Criterion.
Aceptar
En la ventana Series PBI Workfile
Proc /Automatic ARIMA Foreccasting.
Si deseamos que determine logaritmo o
no, optar: Auto (None/log).
ARIMA: definir diferenciación máxima:
Mx: differencing 2 Oreden(2), máximo
elemento autoregresivo, Max AR(4)
max. medias moviles MA(4),
Estacionariedad: Max SAR (0), Max
SMA(0).
Periodicity (1)
Luego: corregí la muestra: hasta 2010
S2, pronostico: Forecast length: 5
Options:
Modelo selección/selección de modelo)/
Akaike Info Criterion.
Aceptar
Luego de seleccionar Las variables: doble click en DHOSPED,
PRECIO, PRECIO_F y PBI, PBI F / Open/As Group.
La columna
PRECIO_ F y
PBI_ F, ya
muestran
valores
proyectados
para los
próximos 5
años.
CONSTRUCCIÓN DEL MODELO ECONOMÉTRICO:
Modelo Inicial Dependent Variable: DHOSPED
Method: Least Squares
ANALSISI DE Date: 02/16/21 Time: 10:48
MULTICOLINEALI Sample (adjusted): 2007 2020
Included observations: 14 after adjustments
DAD
Variable Coefficient Std. Error t-Statistic Prob.
PRECIO_F -1770.430 344.1282 -5.144680 0.0003
Se 0bserva: PBI_F 0.017041 0.003274 5.205083 0.0003
C 125384.0 15945.02 7.863519 0.0000
Significatividad
R-squared 0.962440 Mean dependent var 112463.3
individual de Adjusted R-squared 0.955610 S.D. dependent var 11610.96
variables S.E. of regression 2446.293 Akaike info criterion 18.62994
Sum squared resid 65827842 Schwarz criterion 18.76689
explicativas con (p- Log likelihood -127.4096 Hannan-Quinn criter. 18.61727
valor) < 0.05, y a laF-statistic 140.9310 Durbin-Watson stat 0.553176
Prob(F-statistic) 0.000000
vez un R2 =
F-statisticalto.
0.962440 = 140.9310 elevado o con (p-valor F-statistic =
0000000) muy pequeño, nos lleva a aceptar la hipótesis de
significatividad conjunta de los parámetros del modelo. (esto nos
muestra ausencia de multicolinealidad en el modelo). Sin
embargo coeficiente de Precio_F no explica adecuadamente en
Modelo Econométrico 2
Dependent Variable: LOG(DHOSPED)
ANALSISI DE Method: Least Squares
MULTICOLINEALIDAD Date: 02/16/21 Time: 10:50
Se 0bserva: Sample (adjusted): 2007 2020
Included observations: 14 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
Significatividad C 6.661651 1.028406 6.477646 0.0000
individual de variables LOG(PRECIO_F) -0.316952 0.075820 -4.180324 0.0015
explicativas con (p- LOG(PBI_F) 0.413011 0.056479 7.312593 0.0000
valor) < 0.05, y a la vez R-squared 0.962297 Mean dependent var 11.62521
un R2 = 0.962297 alto. Adjusted R-squared 0.955442 S.D. dependent var 0.106745
S.E. of regression 0.022533 Akaike info criterion -4.560298
.
Sum squared resid 0.005585 Schwarz criterion -4.423357
F-statistic = 140.3767 Log likelihood 34.92208 Hannan-Quinn criter. -4.572974
elevado o con (p-valor F-statistic 140.3767 Durbin-Watson stat 0.539906
F-statistic = 0000000) Prob(F-statistic) 0.000000
muy pequeño, nos lleva
a aceptar la hipótesis de
significatividad conjunta
de los parámetros del
Los coeficientes
modelo. (esto de variables explicativas explican adecuadamente
nos
en términos
muestra económicos.
la ausencia de
multicolinealidad en el
Modelo 2
ANALSISI DE
HETEROSCEDASTICIDAD
-.02
LOG(DHOSPED) Residuals
auto correlación.
Modelo 2
ANALSISI DE
AUTOCORRELACION
3). CONTRASTE POR
CORRELOGRAMA
View/Residual
Diagnostics/Correlogram-Q-
statistics
Aparece
mbrear: PRESTAMO, RACTIVA y PBI Open/as Equation
parece
En el cuadro de
Group
View/Graph/
Line y Simbol
OK
140,000
130,000
120,000
110,000
100,000
90,000
80,000
06 08 10 12 14 16 18 20 22 24
DHOSPED DHOSPEDF