La Regresión Lineal para Pronosticar La Demanda
La Regresión Lineal para Pronosticar La Demanda
La Regresión Lineal para Pronosticar La Demanda
DEMANDA
Dentro de los modelos causales o asociativos encontramos el análisis de regresión o regresión
lineal, que es un método con enfoque cuantitativo que nos permite pronosticar la demanda.
Agrupa una variable dependiente (la demanda) con una o más variables independientes a través
de una ecuación lineal.
El objetivo del análisis de regresión como método causal es pronosticar la demanda a partir de
una o más causas (variables independientes), las cuales pueden ser por ejemplo el tiempo, precios
del producto o servicio, precios de la competencia, economía del país, acciones del gobierno o
fomentos publicitarios.|
Lineal significa que los datos del periodo anterior y la proyección para el periodo futuro
que vas a obtener caen sobre una recta.
Si hablamos de una sola variable independiente, es una regresión lineal simple, contrario a
si son dos o más variables independientes, donde hablaríamos de regresión lineal
múltiple.
El análisis de regresión es pertinente cuando se evidencia una tendencia en los datos históricos del
pronóstico. ¿Cómo? Dibuja los datos de meses anteriores, los de la demanda real. Si lo estás
haciendo en Excel 2010 o superior, da click derecho sobre la serie de datos graficados y luego click
en agregar línea de tendencia. Si no, simplemente analiza la tendencia de los datos, ¿es creciente
o decreciente?
¿Cómo es la relación entre la demanda y el tiempo? Para responder esta pregunta, haremos uso
del coeficiente de correlación (r).
Este coeficiente, te permitirá entender qué tanta correlación existe entre la demanda y el tiempo.
Bien vale aclarar que este método es más útil cuando se enfoca en periodos de largo plazo. Esto
aunado a su utilidad para estimar la demanda en función de variables independientes.
La b es la inclinación de la recta.
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. Lo podemos lograr con el método de mínimos cuadrados,
que nos permite encontrar la recta que mejor se ajusta a un conjunto de datos dados. En nuestro
caso, este conjunto está dado por las ventas trimestrales (variable dependiente). La variable
independiente es el tiempo. Vamos entonces a la siguiente fórmula para determinar a y b:
La y “minúscula” es el valor y de cada punto de datos.
Conocidas las ecuaciones y el papel de las variables, vamos a calcular el pronóstico con regresión
lineal:
En la siguiente se encuentran los cálculos realizados para los 12 trimestres según lo requerido por
las ecuaciones:
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.
Veamos entonces:
Fíjate que el valor de «b» varía de 63,64 a 63,657 siendo este último el resultado si se toman todos
los decimales de las variables que participan en su cálculo. Para tener resultados más fiables
usamos el valor de «b» calculado con todos los decimales, tal como lo aprecias cuando hallamos
«a». Fíjate además que pasa lo mismo con el valor calculado de «a» y el valor que se obtiene
cuando en la operación están todos los decimales.
Con esta aclaración, puedes ver cómo se realiza el pronóstico de producción del trimestre 13.
Procedemos igual para los demás trimestres.
Y=63,657(14)+72,894=964.09
Y=63,657(15)+72,894=1027.75
Para eso hay diferentes medidas que nos dan el grado de error en un pronóstico.
Una medida apropiada para medir el error en regresión lineal es el error estándar de estimación
(Sy,x), que nos permite determinar la variabilidad en torno a la recta de regresión.
Esto lo interpretamos como una medida de la variabilidad o dispersión de los valores observados
alrededor de nuestra línea de regresión.
Otro análisis que si o si debemos realizar cuando trabajamos con un análisis de regresión, no
importa si es con un fin de pronóstico, es el cálculo del coeficiente de correlación.
Así pues, si queremos ver la correlación entre la demanda y lo pronosticado en periodos anteriores
(desde el periodo 1 hasta el 12), usamos la función COEF.DE.CORREL de excel.
El resultado de este ejercicio es r=0,975. Esto indica que la correlación es muy fuerte y positiva
porque está cercana a 1.
En otras palabras, nos conviene seguir usando este método de pronóstico para futuros períodos.