Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
2Activity
0 of .
Results for:
No results containing your search query
P. 1
Capitulo II

Capitulo II

Ratings: (0)|Views: 54 |Likes:
Published by Ana Lapato

More info:

Published by: Ana Lapato on Jun 17, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

01/30/2013

pdf

text

original

 
CCAAPPIITTUULLOOIIII 
SERIES DE TIEMPO
1º INTRODUCCIÓN
 La mayoría de las empresas y agentes económicos precisan realizarpredicciones sobre el comportamiento de su evolución y del entorno donde actúan.Estas predicciones se utilizan para tomar decisiones operativas y, a veces,estratégicas.El conocimiento de acontecimientos futuros estará obviamente afectado de unalto grado de incertidumbre, lo que implica la utilización de probabilidades asociadasal proceso de predicción, y de modelos estadísticos y econométricos.
1.1. REGRESIÓN ESPURIA
 Este problema surge porque si las dos series de tiempo involucradas presentantendencias fuertes (movimientos sostenidos hacia arriba o hacia abajo), el alto R
2
 observado se debe a la presencia de la tendencia y no a la verdadera relación entre lasdos. Por consiguiente es muy importante averiguar si la relación entre las variableseconómicas es verdadera o es espuria.Como lo han sugerido Granger y Newbold : una buena regla práctica parasospechar que la regresión estimada sufre de regresión espuria es que R
2
> D-W.Cuando las series de tiempo son no estacionarias, no se debe depender de losvalores "t" estimados. Si las series de tiempo están cointegradas, entonces losresultados de la regresión estimada pueden no ser espurios y las pruebas "t" y "F"usuales son válidas. Como lo afirma Granger: "Una prueba de cointegración puedeser considerada como una prueba previa para evitar situaciones de regresión espuria".Por ejemplo: Se tiene las series anuales (1936-1972) del PNB nominal enEstados Unidos (datos en miles de millones de dólares), y de la Incidencia delmelanoma en la población masculina (datos ajustados de edad) en el estado deConnecticut.
020040060080001234561940194519501955196019651970GNPMELANOMA
 
Observando los gráficos, ambas series mantienen una relación lineal.Conceptualmente resulta absurdo relacionarlas.
1002003004005006007008000 1 2 3 4 5 6MELANOMA
      G      N      P
 
 
Dependent Variable: GNPMethod: Least SquaresSimple: 1936 1972Included observations: 37Variable Coefficient Std. Error t-Statistic Prob.C 118.5659 23.72897 4.996675 0.0000MELAMONA 118.9808 7.814147 15.22633 0.0000R-squared 0.868836 Mean dependent var 443.6730Adjusted R-squared 0.865088 S.D. dependent var 171.4417Log likelihood -204.7517 F-statistic 231.8413Durbin-Watson stat 0.879122 Prob(F-statistic) 0.000000
La estimación de una regresión en donde el PNB actúa como variableendógena y la incidencia de melanoma como variable explicativa nos muestra que:* Todos los coeficientes son estadísticamente significativos, y el R
2
(86.7%) esmuy elevado.* El coeficiente estimado implica que, si aumentara la incidencia de melanomaen un caso, cabría esperar un aumento del PNB de 119.000 millones dedólares.
 
Si relacionamos las variables en primeras diferencias, la tendencia sueledesaparecer y, con ella, la relación espúrea.
-0.50.00.51.01.52.0-60-40-2002040601940194519501955196019651970D(MELANOMA)D(GNP)
 
Dependent Variable: D(GNP)Method: Least SquaresSample (adjusted): 1937 1972Included observations: 36 after adjustmentsVariable Coefficient Std. Error t-Statistic Prob.C 16.56841 3.179332 5.211287 0.0000D(MELAMONA) 0.706295 6.585765 0.107246 0.9152R-squared 0.000338 Mean dependent var 16.65278Log likelihood -155.0594 F-statistic 0.011502Durbin-Watson stat 1.262415 Prob(F-statistic) 0.915224
-60-40-200204060-0.5 0.0 0.5 1.0 1.5 2.0D(MELAMONA)
      D      (      G      N      P      )
 
Consecuentemente, la relación de regresión entre las variables transformadasno resulta significativa
1.2. TIPOS DE PREDICCIONES
 Según el horizonte de predicción se clasifican:1 º Inmediato, hasta 3 mese, para decisiones operativas, control presupuestario.Por ejemplo: gestión de inventarios en establecimientos detallistas.Corto Plazo de 3 a 12 meses, para tomar las decisiones operativas, controlpresupuestario o decisiones de compra. Por ejemplo: Compra de bienes detemporada para venta al por menor.Medio Plazo, comprendidas entre 1 y 3 años, para las decisiones estratégicas.Por ejemplo: Leasing de plantas y equipos, formación de empleados paranuevos procesos.Largo Plazo, de 3 a 10 años, para las decisiones estratégicas incluyendo las deexpansión. Por ejemplo: investigación y desarrollo, compra de activos,adquisiciones y absorciones.Muy Largo Plazo, mayor a 10 años, para las decisiones estratégicasincluyendo aquellas de cambio de las características principales de la empresa.Por ejemplo: predicción tecnológica en apoyo de investigación y desarrollo yplanificación estratégica.
1.3. CLASIFICACIÓN DE LAS TÉCNICAS DE PREVISIÓN
 Históricas, la evolución de una magnitud tiene inercia temporal, lo quepermite construir un modelo basado en el análisis de series temporales.Causales, se basa en la interrelación entre varias variables; en un modeloeconométrico o en un modelo de variables latentes, algunas magnitudes soncausa de las variaciones de otras, y se pueden usar como predictores.Otros, como las encuestas de opinión a expertos, método Delphi, previsionespor consumo y otras técnicas subjetivas.
1.4. TIPO DE PREVISIÓN DE LOS MODELOS
 Según a las situaciones a las que se aplican tenemos:Medios Escasos:Corto Plazo.- La técnica de alisado exponencial, Medias móviles, ModelosNaïve y Desestacionalización.Medio Plazo.- Ajuste de tendencia.Largo plazo.- Curva en S.

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->