PRONÓSTICOS:

ANÁLISIS DE REGRESIÓN
BOX JENKINS

Hecho Por:
Casandra Castaños Lobato
 ¿QUÉ ES LA REGRESIÓN LINEAL?
Es un método con enfoque
cuantitativo que nos permite
pronosticar la demanda.
Agrupa una variable
dependiente (la demanda)
con una o más variables
independientes.
El análisis de regresión es
pertinente cuando se
evidencia una tendencia en
los datos históricos del
pronóstico.
EL ANÁLISIS DE REGRESIÓN EN EL
PRONÓSTICO DE DEMANDA

Esta es la ecuación de la recta. En ella:

 La b es la inclinación de la recta.

 La a es la secante o la altura en la que la recta corta al eje y.

 La X es nuestra variable independiente.

 La Y es nuestra variable dependiente, nuestro pronóstico calculado

para un periodo.
UN EJEMPLO DE REGRESIÓN LINEAL PARA
PRONOSTICAR LA DEMANDA:

Las ventas de la
empresa IngE durante los
últimos 10 trimestres son las
siguientes:

¿Cómo pronosticar la demanda

de los trimestres 13, 14 y 15 a
través de un análisis de
regresión lineal?
Lo primero es estimar los parámetros que nos permite
encontrar la recta que mejor se ajusta a un conjunto de
datos dados.

Variable Dependiente
Ventas Trimestrales

Variable independiente
Es el tiempo

• La y “minúscula” es el
valor y de cada punto
de datos.
• La n es el número de
punto de datos.
CONOCIDAS LAS ECUACIONES Y EL PAPEL
DE LAS VARIABLES, VAMOS A CALCULAR EL
PRONÓSTICO CON REGRESIÓN LINEAL:
Con los valores de la última fila de la tabla, podemos calcular a y b, con
los cuales logramos calcular los valores de la última columna (Y) que es
la recta que más se ajusta a la demanda y.
a= 63,62
b=65,83
Sin embargo, lo que necesitamos es el pronóstico de los trimestres
(periodos de tiempo) 11, 12 y 13. Tenemos todos los datos para hacerlo:
 METODOLOGÍA BOX-JENKINS
En el análisis de series de
tiempo, la metodología de Box-
Jenkins, nombrada así en honor a
los estadísticos George E. P.
Box y Gwilym Jenkins, se aplica a
los modelos autorregresivos de
media móvil ARMA o a
los modelos autorregresivos
integrados de media
móvil (ARIMA) para encontrar el
mejor ajuste de una serie
temporal de valores, a fin de que
los pronósticos sean más
acertados.
PROCESO DE LA METODOLOGÍA
BOX-JENKINS
1. Identificación tentativa del modelo

2. Estimación de los parámetros del modelo

3. Evaluación de diagnósticos para comprobar si el

modelo es adecuado; mejorar el modelo si es
necesario.

4. Generación de Pronósticos
 IDENTIFICACIÓN DEL MODELO
BOX-JENKINS
1. Estacionariedad y estacionalidad: Es determinar si la serie de
tiempo es estacionaria y si hay alguna estacionalidad significativa que
necesite ser modelada.
 Detección estacionariedad: Puede evaluarse a partir de una
secuencia de largo plazo. La secuencia ejecutada debe mostrar
ubicación y escala constante.
 Detección estacionalidad: La estacionalidad (o periodicidad)
generalmente se puede evaluar a partir de un diagrama de
autocorrelación (correlograma), de una subserie, o una trama
espectral.
2. Diferenciación para lograr estacionariedad: Ajustando una
curva y restando los valores ajustados de los datos
3. Diferenciación estacional: En la fase de identificación del modelo,
el objetivo es detectar la estacionalidad, si existe, y para identificar el
orden de los términos autorregresivos y de media móvil estacional de
temporada.
 APLICACIÓN DE LA METODOLOGÍA BOX-JENKINS
PARA PRONÓSTICO DE PRECIOS DEL TOMATE
1. Identificación del modelo
 Antes de identificar el modelo al cual se ajustan los datos, se
procedió a verificar la estacionalidad o no estacionalidad de la
serie de tiempo.
 La prueba de hipótesis se puede escribir de la siguiente
manera: H0: p= 1 y H1 p < 1; y el estadístico de prueba es τ
(tau). La regla de decisión es: rechazar H0 si τ (tau) calculada < τ
(tau) de tablas.
 La hipótesis nula es que la serie es estacionaria. Si no rechazamos
la hipótesis p= 1, entonces la serie no es estacionaria.
 Una vez que se verificó que la serie objeto de análisis es
estacionario, se procede a identificar el modelo, analizando los
correlogramas. Las autocorrelaciones decrecen hasta el rezago 3,
luego sólo los rezagos 12 y 23 son significativos. Las
autocorrelaciones parciales muestran picos en los rezagos 1, 11 y
23 mismos que parecen estadísticamente significativos.
2. Estimación de parámetros
 En la etapa de identificación se sugiere que el proceso
que generó la serie de tiempo es como máximo un
proceso AR
 Considerando los valores de t y el valor de P, tanto los
dos coeficientes auto regresivos
3. Diagnóstico comparativo
 En esta etapa se analiza y se decide si nuestro modelo es
estadísticamente adecuado
 El estadístico de prueba es Chi-cuadrada, y a un nivel de
significancia de 5% no se rechaza la hipótesis nula. En
los diferentes grupos, las correlaciones son cercanas a
cero
 Comparando los valores del estadístico de prueba
calculados con los de tablas, a un nivel de significancia
de 5% no se rechaza la hipótesis nula.
Pronóstico
Se llevó a cabo la última etapa de la metodología; en el cual, se
identificó, estimó y verificó el modelo con respecto al modelo
estimado, se realizaron pronósticos para 12 periodos mensuales,
obteniéndose los siguientes valores.
Con el modelo se hicieron pronósticos para 12 meses de diciembre de
2008 a noviembre de 2009.
dicho modelo posee dos factores auto regresivos y uno de media
móvil. Los precios actuales y futuros de esta hortaliza se pueden
explicar por sus precios en el pasado.