Pronóstico con análisis de series temporales Lo que se prevé Forecasting es un método que se utiliza ampliamente en el análisis de series de tiempo para predecir una variable de respuesta, tales como ganancias mensuales, desempeño de las acciones, o las cifras de desempleo, durante un período de tiempo especificado. Las previsiones se basan en patrones en los datos existentes. Por ejemplo, un jefe de almacén puede modelar la cantidad de producto a fin de que los próximos 3 meses a partir de los 12 meses anteriores de órdenes. Se puede utilizar una variedad de métodos de series de tiempo, tales como el análisis de tendencias, la descomposición, o de suavizado exponencial simple, para modelar patrones en los datos y extrapolar los patrones para el futuro. Elija un método de análisis en función de si los patrones son estáticas (constante en el tiempo) o dinámica (cambio en el tiempo), la naturaleza de la tendencia y los componentes estacionales, y hasta qué punto por delante desea pronosticar. Antes de producir pronósticos adaptarse a varios modelos candidatos a los datos para determinar qué modelo es el más estable y precisa. Las previsiones para un análisis de media móvil El valor ajustado en el tiempo t es el promedio móvil descentrada en el momento t-1. Las previsiones son los valores ajustados en el origen de previsión. Si pronóstico de 10 unidades de tiempo por delante, el valor pronosticado para cada tiempo será el valor ajustado en el origen. Datos hasta el origen se utilizan para el cálculo de las medias móviles. Se puede utilizar el método lineal en movimiento mediante el cálculo de las medias medias móviles consecutivos. El método de medias móviles lineales se utiliza a menudo cuando hay una tendencia en los datos. En primer lugar, calcular y almacenar la media móvil de la serie original. Luego, calcular y almacenar la media móvil de la columna almacenada previamente para obtener una segunda media móvil. En previsión ingenua, la previsión en el tiempo t es el valor de los datos en el momento t-1. El uso del procedimiento de media móvil con un promedio móvil de longitud uno da la predicción ingenuos. Las previsiones para un solo análisis de suavizado exponencial El valor ajustado en el tiempo t es el valor suavizado en el tiempo t-1. Las previsiones son el valor ajustado en el origen de previsión. Si pronóstico de 10 unidades de tiempo por delante, el valor pronosticado para cada tiempo será el valor ajustado en el origen. Datos hasta el origen se utilizan para el alisado. En previsión ingenua, la previsión en el tiempo t es el valor de los datos en el momento t-1. Realizar suavizado exponencial simple con un peso de uno a hacer la predicción ingenuos. Las previsiones para un análisis de suavizado exponencial suavizado exponencial doble doble utiliza los componentes de nivel y la tendencia de generar pronósticos. El pronóstico para los períodos m por delante de un punto en el tiempo t es L t t mT. donde L t es el nivel y T t es la tendencia en el tiempo t. De datos de hasta el tiempo de origen pronóstico serán utilizados para el alisado. Las previsiones para el método de Winters Winters método utiliza el nivel, la tendencia y los componentes estacionales para generar pronósticos. El pronóstico para m periodos por delante de un punto en el tiempo t es: donde L t es el nivel y T t es la tendencia en el tiempo t, multiplicado por (o añadido a un modelo aditivo) el componente estacional en el mismo periodo del año anterior. Winters método utiliza los datos hasta el momento previsión de origen para generar el análisis de series de tiempo forecasts. R.13 Como este estudio establecer Crear una cuenta gratis para guardarlo. Regístrese para obtener una cuenta Crear una cuenta diferencia entre los modelos de tendencia lineal y log-lineales Interpretación del coeficiente de la pendiente b Un modelo de tendencia lineal y predice que crecerá en una cantidad constante (b) cada período. p. ej. si b 0,1, y crecerá un 0,1 en cada período de un modelo de tendencia lineal logarítmica predice que ln y crecerá en una cantidad constante (b) en cada período. Esto significa que y sí será testigo de una tasa de crecimiento constante de e - 1 en cada período. p. ej. si b 0,1 entonces la tasa de crecimiento pronosticado de y en cada período de e - 1 o 0,001005 0,10005 Prueba de errores correlacionados en los modelos de tendencia, 1- dos métodos inspeccionar la gráfica de los residuos. Si los errores parecen ser persistentes en una regresión lineal (es decir, los residuos se mantienen por encima o por debajo de la línea de tendencia durante un período prolongado de tiempo), que podrían estar positivamente correlacionadas en serie. 2-Utilizar las Durbin-Watson (DW) prueba Nota: Si se ha especificado correctamente un modelo de regresión, el error de regresión para un período de tiempo será correlacionada con los errores de regresión para otros períodos de tiempo modelos de series temporales Autoregresivos: Interpretación de los resultados de una reversión a la media prueba de 1 si una serie temporal se encuentra en su nivel medio-reversión, el modelo predice que su valor se mantendrá sin cambios en el próximo período de 2 si una serie temporal está actualmente por encima de su nivel medio-reversión, el modelo predice que su valor disminuirá en el próximo período de 3 si una serie temporal se encuentra actualmente por debajo de su nivel medio-reversión, el modelo predice que su valor se incrementará en el próximo período Autoregresivos modelos de series de tiempo: ¿Qué series de tiempo tienen niveles de retroceso medias finitas Todo covarianza estacionaria series de tiempo tienen un nivel-reversión a la media finita. Nota: Una serie temporal autorregresivo tendrá un nivel medio-reversión finita si el valor absoluto del coeficiente de retardo, b, es inferior a 1. Autoregresivos modelos de series temporales: regla de la cadena de la predicción, definir un proceso de previsión en la que el siguiente valor period039s como se predijo bt la ecuación de predicción se sustituye en el lado derecho de la ecuación para dar un valor predicho dos períodos por delante Nota: la regla de la cadena de la predicción se basa en un modelo de serie autorregresiva modelos de series temporales autoregresivos tiempo: Fuera de la muestra la previsión de rendimiento de los modelos autorregresivos se evalúa sobre la base de. Fuera de la muestra de capacidad de predicción de los modelos autorregresivos se evalúa sobre la base de su error cuadrático medio (RMSE) para cada modelo en cuestión se calcula en base a datos fuera de la muestra El modelo con el RMSE más bajo tiene el menor error de pronóstico y tiene los modelos de series de tiempo más predictivo POTENCIA Autoregresivos: la inestabilidad de los coeficientes de regresión, periodos de muestra 1-regresión las estimaciones de los modelos de series de tiempo sobre la base de períodos de muestra diferentes pueden ser bastante diferentes estimaciones 2-regresión obtenidos a partir de modelos basados en períodos de muestreo más largo puede ser bastante diferente de las estimaciones de los modelos basados en períodos de muestreo más cortos modelos de series temporales Autoregresivos: duración de los periodos de muestra que no hay reglas claras que definen una longitud ideal para el período de la muestra. Los analistas se ve para definir periodos de muestra como los tiempos durante los cuales importantes condiciones económicas subyacentes han permanecido sin cambios modelos sólo son válidos si la serie temporal es estacionario, por ejemplo COVARIANZA datos de un período no debe ser combinado con los datos de un período en el que flotaban como la varianza del tipo de cambio sería la diferencia en virtud de los modelos de serie temporal autorregresivo dos regímenes, cuando los tipos de cambio se fijaron: paseo aleatorio, definen un recorrido aleatorio, simple paseo aleatorio o de paseo al azar y sin una deriva, es una serie de tiempo en el que el valor de la serie en un período igual a su valor en el período anterior más un error aleatorio impredecible, donde el error tiene una varianza constante y no está correlacionado con su valor en lo que sí períodos anteriores de diferenciación primer modelo de diferenciación en primer lugar los modelos del cambio en el valor de la variable dependiente en lugar del valor de la variable en sí (xx - x) Nota: debido a que el valor esperado del término de error, es 0, el mejor el pronóstico de y es 0. Esto implica que no habrá ningún cambio en el valor de la variable primeras diferencias de la serie temporal actual x, tres características 1-covarianza estacionaria 2 con un nivel medio-reversión finito-3 con varianza finita tanto podemos utilizar la regresión lineal para modelar la serie de pasos en primeras diferencias en el pronóstico de series de tiempo: Paso 3 Si no puede encontrar la estacionalidad o cualquier cambio significativo en la tendencia lineal o una tendencia exponencial media o la varianza podría ser suficiente. a-Determinar si una tendencia lineal o expontial parece más razonable por lo general mediante el trazado de la serie. b-Estimar la tendencia c-Calcular los residuos D-Use la prueba de Durbin-Watson para determinar si los residuos tienen una correlación serial significativa. Si los don039t el modelo de tendencia sería suficiente para capturar la dinámica de las series de tiempo y se puede usar el modelo para los pasos de previsión en previsión de series temporales: PASO 4 si encuentra una correlación serial significativa en los residuos usar un modelo más agresivo, tales como un modelo autorregresivo. Compruebe primero que la serie de tiempo es estacionaria covarianza Para corregir las violaciónes de estacionariedad: gtgtif la serie de tiempo tiene una tendencia lineal, primera diferencia la serie de tiempo gtgtif la serie de tiempo tiene una tendencia exponencial, tomar el logaritmo natural de la serie y la primera diferencia que gtgtif la serie de tiempo cambia significativamente durante el período de la muestra, estimar diferentes modelos de series de tiempo antes y después de la deriva gtgtif la serie tiene una estacionalidad importante, incluir una temporada Pasos retraso en previsión de series temporales: PASO 5 decidir qué modelo autorregresivo para usar después de la transformación de una prima serie de tiempo en una serie de tiempo de covarianza estacionaria 1-Estimación de un AR (1) modelo 2-prueba para ver si los residuos del modelo tienen una correlación serial significativa de 3 si no hay correlación serial significativa se puede utilizar el AR (1) modelo para pronóstico Pasos en previsión de series temporales: PASO 6 si encuentra una correlación serial significativa en los residuos en la AR (1) modelo Use una (2) modelo y la prueba de correlación serial significativa de los residuos gtgtIf ninguna correlación serial utilizar el AR AR (2 ) la correlación serial significativa modelo gtgtif mantener el aumento de la orden del modelo AR hasta que la correlación serial de los residuos ya no es pasos significativos en el pronóstico de series de tiempo: STEP 7 comprobar la estacionalidad (dos enfoques) Compruebe si hay estacionalidad 1-Graph los datos y comprobar la regularidad patrones estacionales 2-Analizar los datos para ver si las autocorrelaciones estacionales de los residuales de un modelo AR son significativos para corregir la estacionalidad, añadir un desfase temporal de las series temporales de la Plaza de modelo de previsión de series temporales: PASO 8 probar si los residuos tienen heterskedasticity condicional autorregresiva. Para la prueba de ARCH (1) errores gtgtregress los residuos al cuadrado de su modelo de series de tiempo en un valor rezagado de la gtgttest residual al cuadrado si el coeficiente de la cuadrado quedó difiere residuales significativamente de 0 gtgtIf el coeficiente de la residual quedado al cuadrado no difiere significativamente de 0, el residuo ARCH pantalla don039t y se puede confiar en los errores estándar de las estimaciones de series de tiempo gtgtif el coeficiente de la residual quedado al cuadrado difiere significativamente de 0, el uso generalizado de mínimos cuadrados u otros métodos para corregir ARCHChapter 3: al igual que la previsión de este conjunto estudio Crear una cuenta gratis para guardarlo. Regístrese para obtener una cuenta Crear una cuenta ¿Por qué es la previsión de importantes Muchas de las decisiones de gestión de la planificación de decisiones para el futuro. - Forecasts Anticipar futuras previsiones - Forecasts reducir la incertidumbre son la base de la planificación empresarial (para hacer una planificación adecuada que necesita para anticipar el futuro y reducir la incertidumbre) - A largo plazo (productos, servicios, equipar procesos.) - Short / Medio plazo: operaciones la planificación, compras, los niveles de inventario, los niveles de mano de obra. Las decisiones de planificación) realizadas de forma continua --gt misma de Operaciones de previsión y planificación jerarquía ¿Cuáles son las características de predicción - Assumes sistema causal que existía en el pasado y lo hará en el futuro (hay un comportamiento causado por una razón (datos anteriores) que puede enviar un e reproducidos) - Forecasts rara vez se quotperfectquot debido a la aleatoriedad - Forecasts son más precisos para grupos vs artículos individuales. - Forecast precisión disminuye a medida que aumenta el tiempo horizonte de pronóstico - Buena: oportuna, precisa y fiable ¿Cuáles son los pasos en el proceso de pronóstico 1) Determinar el propósito de la previsión 2) Establecer un horizonte de tiempo 3) Reunir y analizar datos relevantes (la) 4 ) Seleccionar una técnica de pronóstico (sobre la base de los datos disponibles) 5) Prepare la previsión 6) Supervisar el pronóstico ¿Cuáles son las diferencias entre las técnicas subjetivas y objetivos de predicción de pronóstico - subjetivas se sustenta únicamente en juicios y opiniones de los expertos. Se utiliza cuando los datos no está disponible la previsión - Objetivo está constituido por 2 modelos 1) modelo de series de tiempo: utilizar datos históricos para predecir el futuro (tratan de encontrar el patrón de datos) 2) modelos asociativos / causales: usan variables explicativas para predecir el futuro (entender por qué tenemos este patrón) pronósticos subjetivos aplicable cuando no hay tiempo para reunir los datos, los datos son obsoletos o no existen datos disponibles (para productos nuevos) métodos de juicio incluyen las opiniones de ejecutivos, compuesta fuerza de ventas, encuestas de consumo, opiniones externas (expertos ) y las opiniones de los administradores y el personal (técnica Delphi) análisis de series temporales: una serie cronológica de observaciones tomadas con el tiempo. Se utiliza el comportamiento de los datos del pasado para buscar patrones. - Se Presuponen que los valores futuros sólo pueden calcularse a partir de los datos del pasado. - en Previsión de la demanda, los datos anteriores sobre la demanda se utiliza para predecir la demanda futura. -5 Componentes: nivel, tendencia, estacionalidad, variables cyclival, al azar móvil simple - Forecasts promedio son más suaves que real y el retraso valores reales de demanda periodo de tiempo - Menos: más sensible a los cambios reales, las previsiones menos suave. - Un Inconveniente: antiguos datos del pasado tiene el mismo peso que los más recientes oneor-Notes o Notes son una serie de notas introductorias sobre temas que caen bajo el título general del campo de la investigación de operaciones (OR). Ellos fueron utilizados originalmente por mí en un curso introductorio o doy en el Imperial College. Ahora están disponibles para su uso por cualquier estudiantes y profesores interesados en o está sujeto a las siguientes condiciones. Una lista completa de los temas disponibles en O-Notes se puede encontrar aquí. Introducción La previsión es la previsión de la estimación del valor de una variable (o un conjunto de variables) en algún momento en el futuro. En esta nota vamos a considerar algunos métodos para la predicción. Un ejercicio de previsión se lleva a cabo por lo general con el fin de proporcionar una ayuda a la toma de decisiones y en la planificación del futuro. Por lo general todos estos ejercicios de trabajo en la premisa de que si podemos predecir lo que el futuro será como podemos modificar nuestra conducta ahora para estar en una posición mejor, de lo que de otro modo habría sido, cuando llega el futuro. Las solicitudes de previsión incluyen: inventario de planificación / control de la producción - la previsión de la demanda de un producto nos permite controlar el stock de materias primas y productos terminados, planificar el programa de producción, etc política de inversiones - la previsión de información financiera, como las tasas de interés, tipos de cambio, precios de las acciones, el precio del oro, etc. Esta es un área en la que hasta ahora nadie ha desarrollado una técnica de pronóstico fiable (consistente y preciso) (o al menos si tienen que havent nadie les dice) la política económica - la información de previsión económica, tales como el el crecimiento de la economía, el desempleo, la tasa de inflación, etc es de vital importancia tanto para el gobierno y los negocios en la planificación para el futuro. Piense por un momento, supongamos que el hada buena apareció delante de ti y te dijo que debido a su bondad, virtud y castidad (bueno - es un cuento de hadas) que habían decidido que le conceda tres pronósticos. ¿Qué tres cosas en su vida personal / negocio que más le gustaría pronosticar Personalmente yo elegiría (en orden decreciente de importancia): la fecha de mi muerte los números ganadores en la próxima lotería nacional del Reino Unido los números ganadores de la lotería nacional del Reino Unido después de que una medida que se puede ver en mi lista de algunas previsiones tiene consecuencias de vida o muerte. También está claro que para hacer ciertas predicciones, por ejemplo, la fecha de mi muerte, que podría (en ausencia de la hada buena para ayudarnos) recoger algunos datos para permitir un mayor conocimiento, y por lo tanto es de esperar más precisa, prevé un hecho. Por ejemplo podemos fijarnos en la esperanza de vida para los académicos varones británicos de mediana edad (no-fumador, bebedor, no ejerce). También podemos realizar pruebas médicas. El punto a destacar aquí es que la recopilación de los datos pertinentes, pueden conducir a una mejor predicción. Por supuesto, puede que no, que podría haber sido atropellado por un coche el día después de este escrito y por lo tanto estar muerto ya. De hecho en lo personal creo que (el pronóstico más aún) que las empresas que ofrecen la inmortalidad Web (digital) serán un área de gran crecimiento de la empresa en la primera parte del siglo 21. Recuerde que usted vio aquí primero Tipos de problemas / Métodos de previsión Una forma de clasificar los problemas de predicción es considerar la escala de tiempo involucrado en el pronóstico es decir, qué tan lejos hacia el futuro que estamos tratando de pronosticar. A corto, medio y largo plazo son las categorías habituales, pero el significado real de cada variarán de acuerdo con la situación que se está estudiando, por ejemplo, en la previsión de la demanda de energía con el fin de construir centrales eléctricas 5-10 años sería a corto plazo y 50 años serían a largo plazo, mientras que en previsión de la demanda del consumidor en muchas situaciones de negocios hasta 6 meses sería de corta duración y más de un par de años a largo plazo. La siguiente tabla muestra la escala de tiempo asociado a las decisiones de negocios. La razón básica de la clasificación anterior es que los diferentes métodos de pronóstico se aplican en cada situación, por ejemplo, un método de pronóstico que sea apropiado para la previsión de ventas el próximo mes (un pronóstico a corto plazo), probablemente sería un método inadecuado para la previsión de ventas dentro de cinco años (un pronóstico a largo plazo). En particular, la nota aquí que el uso de números (datos) a la que se aplican las técnicas cuantitativas típicamente varía de muy alto para el pronóstico a corto plazo a muy bajo para el pronóstico a largo plazo cuando se trata de situaciones de negocios. Métodos de previsión se pueden clasificar en varias categorías diferentes: los métodos cualitativos -, donde no existe un modelo matemático formal, a menudo debido a que los datos disponibles no se cree que sean representativos de los futuros (a largo plazo de predicción) los métodos de regresión - una extensión de regresión lineal, donde una variable se cree que está relacionada linealmente con una serie de otras variables independientes múltiples métodos de ecuaciones - donde hay una serie de variables dependientes que interactúan entre sí a través de una serie de ecuaciones (como en los modelos económicos) métodos de series temporales - en los que tenemos una única variable que cambia con el tiempo y cuyos valores futuros están relacionados de alguna manera a sus valores pasados. Consideraremos cada uno de estos métodos a su vez. Métodos cualitativos Los métodos de este tipo se utilizan principalmente en situaciones donde no se juzga que no hay datos anteriores pertinentes (números) en la que un pronóstico se puede basar y suelen referirse a la predicción a largo plazo. Un enfoque de este tipo es la técnica Delphi. Los antiguos griegos tenían un enfoque muy lógico para la previsión y pensaban que las mejores personas para preguntar sobre el futuro eran seres sobrenaturales, dioses. En el oráculo de Delfos en la antigua Grecia preguntas a los dioses fueron contestadas por medio de una mujer de más de cincuenta años que vivía separada de su marido y se vistió con una ropa doncellas. Si usted quiere que su pregunta respondida había que: proporcionar un poco de torta proporcionar un animal para el sacrificio y se bañan con el medio de un resorte. Después de esto el medio se sentaba en un trípode en una habitación en el sótano en el templo, masticar hojas de laurel y responder a su pregunta (a menudo en el verso ambigua). Por tanto, es legítimo preguntarse si, en el fondo de un sótano en algún lugar, hay un funcionario del gobierno de mascar hoja de laurel, que se emplea para pronosticar el crecimiento económico, el éxito electoral, etc. Tal vez hay reflexionar por un momento, ¿cree que hacer pronósticos de la manera usada en Delphi lleva a predicciones exactas o no de investigación científica reciente (New Scientist, 1 de septiembre de 2001) indica que el medio puede haber sido quothighquot como consecuencia de la inhalación de vapores de hidrocarburos, específicamente de etileno, que emanan de una falla geológica debajo el templo. Hoy en día la técnica Delphi tiene un significado diferente. Se trata de pedir a un grupo de expertos para llegar a un consenso de opinión en cuanto a lo que depara el futuro. Subyace la idea de usar los expertos es la creencia de que su visión del futuro será mejor que el de los no expertos (como las personas elegidas al azar en la calle). Consideremos - qué tipos de expertos elegiría usted si estuviera tratando de predecir lo que el mundo será como dentro de 50 años En un estudio Delphi los expertos están consultados por separado para evitar algunos de los prejuicios que pudieran derivarse estaban todos reunidos, p. ej la dominación de un individuo resulto, opiniones divergentes (pero válidos) no se expresa por temor a la humillación. Una pregunta típica podría ser quotIn qué año (o nunca) qué se puede esperar de tránsito rápido automatizado de haber llegado a ser común en las principales ciudades de Europequot. Las respuestas se ensamblan en forma de una distribución de años, con comentarios adjuntos, y se hace recircular para proporcionar estimaciones revisadas. Este proceso se repite hasta que una visión de consenso surge. Claramente tal método tiene muchas deficiencias, pero por otro lado hay una mejor manera de conseguir una visión del futuro si no tenemos los datos relevantes (números) que se necesitarían si tuviéramos que aplicar algunas de las técnicas más cuantitativo en forma de una ejemplo de esto se hizo un estudio Delphi publicado en la revista Science en octubre de 1967, que trató de mirar hacia el futuro (ahora, por supuesto, somos muchos años pasados 1967 para que podamos ver lo bien que pronostican). Muchas preguntas se hicieron en cuanto a cuando pueda pasar algo así como una selección de estas preguntas se dan a continuación. Para cada pregunta que le damos la respuesta cuartil superior, el tiempo en el que 75 de los expertos cree que algo habría sucedido. tránsito rápido automatizado, superior respuesta cuartil 1985, es decir, 75 de las expertas preguntó en 1967 pensó que para 1985 habría generalizado de tránsito rápido automatizado en la mayoría de las áreas urbanas, dicen que a cualquier persona que viva en Londres El uso generalizado de las máquinas de enseñar sofisticados, cuartil superior respuesta 1990, es decir 75 de los expertos formuladas en 1967 pensó que para 1990 se decidió la utilización generalizada de las máquinas de enseñar sofisticados, dicen que a cualquier persona que trabaja en un uso generalizado del Reino Unido de la escuela / universidad de los servicios robot, superior respuesta cuartil 1995, es decir 75 de los expertos formuladas en 1967 pensaban que en 1995 se decidió la utilización generalizada de los servicios robot está claro que estas previsiones, al menos, eran muy inexacta. De hecho mirando por encima de todo el conjunto de previsiones de muchos de los 25 pronósticos realizados (sobre todos los aspectos de la vida / sociedad en el futuro después de 1967) eran muy impreciso. Esto nos lleva a nuestro primer punto clave, estamos interesados en la diferencia entre la previsión inicial y el resultado final, es decir, en el error de pronóstico. Sin embargo, en 1967, cuando se realizó este estudio Delphi, ¿qué otro enfoque alternativo tuvimos que si hubiéramos deseado para responder a estas preguntas En muchos aspectos, la cuestión que debemos abordar en relación con el pronóstico no es si un determinado método da buenas perspectivas (exactos) pero si es el mejor método disponible - si se trata entonces qué opción tenemos acerca de su uso Esto nos lleva a nuestro segundo punto clave, tenemos que utilizar el (mejor) método de pronóstico más adecuado, incluso si sabemos que (históricamente ) no da predicciones precisas. Los métodos de regresión Usted probablemente ya han cumplido la regresión lineal en una línea recta de la forma y a bx se ajustó a los datos. Es posible ampliar el método para tratar con más de una variable independiente X. Supongamos que tenemos k variables independientes X 1. X 2. X k entonces podemos acomodar la línea de regresión Esta extensión de la técnica de regresión lineal básica que se conoce como regresión múltiple. Claramente conocer la línea de regresión nos permite pronosticar valores dados Y para el X i i1,2. k. Múltiples métodos de ecuaciones Los métodos de este tipo se utilizan con frecuencia en modelos económicos (econometría) donde hay muchas variables dependientes que interactúan entre sí a través de una serie de ecuaciones, la forma de que viene dada por la teoría económica. Éste es un punto importante. La teoría económica nos da una idea de las relaciones estructurales básicas entre las variables. La relación numérica exacta entre las variables a menudo debe deducirse mediante el examen de los datos. Como ejemplo, consideremos el siguiente modelo simple, dejar que: X renta personal Y el gasto personal que la tasa r interés inversión personal de la teoría económica suponer que tenemos y la ecuación de equilibrio Aquí tenemos 3 ecuaciones en 4 variables (X, Y, I, r ) y por lo tanto para resolver estas ecuaciones una de las variables deben tener un valor. La variable de modo elegido se conoce como una variable exógena debido a que su valor se determina fuera del sistema de ecuaciones, mientras que las restantes variables se llaman variables endógenas ya que sus valores se determinan dentro del sistema de ecuaciones, por ejemplo, en nuestro modelo que podríamos considerar la tasa de interés r como la variable exógena y estar interesado en la forma de X, Y y que cambian a medida que alteramos r. Por lo general, las constantes a 1, a 2, b 1, b 2 no se conocen con exactitud y deben estimarse a partir de datos (un procedimiento complejo). Tenga en cuenta también que estas constantes, probablemente será diferente para los distintos grupos de personas, por ejemplo, urbana / rural, hombres / mujeres, solteros / casados, etc. Un ejemplo de un modelo econométrico de este tipo es el modelo del Reino Unido Tesoro de la economía, que contiene muchas variables (cada uno con un subíndice de tiempo), ecuaciones complicadas, y se utiliza para mirar el efecto de las variaciones de tipos de interés, cambios en los impuestos, los movimientos de los precios del petróleo, etc. Por ejemplo la ecuación Tesoro británico New Scientist, 31 de octubre de 1993 al predecir el gasto del consumidor se ve así: t período de tiempo (un cuarto) de que se trata el cambio en la variable entre D este cuarto y último trimestre C gasto de consumo no duraderos para el trimestre de que se trate T tasa de desempleo y el ingreso real disponible ajustado para la pérdida de la inflación sobre los activos financieros índice de inflación P para el total de los gastos de consumo NFW activos financieros netos del sector personales GPW riqueza física bruta de el sector personales Si hace clic aquí encontrará un modelo que le permite jugar con la economía del Reino Unido. Históricamente técnicas econométricas / métodos tienden a tener grandes errores de predicción para pronosticar las economías nacionales en el medio plazo. Sin embargo recordar uno de nuestros puntos clave anteriores: tenemos que utilizar el (mejor) método de pronóstico más adecuado, incluso si sabemos que (históricamente) no da predicciones precisas. Se puede argumentar que tales técnicas son la mejor manera más adecuada / de hacer previsiones económicas. Métodos de series temporales / Métodos de análisis de este tipo se refieren a una variable que cambia con el tiempo y que se puede decir que depender solamente de la hora actual y los valores anteriores que tomó (es decir, que no dependen de otras variables o factores externos). Si Y t es el valor de la variable en el tiempo t entonces la ecuación para Y t es decir, el valor de la variable en el tiempo t es puramente una función de sus valores y el tiempo anteriores, no hay otras variables / factores son de relevancia. El propósito del análisis de series de tiempo es descubrir la naturaleza de la función f y por lo tanto nos permitirá predecir valores de Y t. Métodos de series temporales son especialmente buenos para la predicción a corto plazo que, dentro de lo razonable, el comportamiento pasado de una variable en particular es un buen indicador de su comportamiento futuro, al menos en el corto plazo. El ejemplo típico es aquí previsión de la demanda a corto plazo. Tenga en cuenta la diferencia entre la demanda y las ventas - la demanda es lo que quieren los clientes - las ventas es lo que vendemos, y los dos pueden ser diferentes. En términos gráficos la trama de Y t contra t es como se muestra a continuación. El propósito del análisis es discernir alguna relación entre los valores de Y t observados hasta el momento con el fin de que podamos pronosticar los futuros valores de Y t. Nos ocuparemos de dos técnicas de análisis de series temporales en detalle y mencionar brevemente un método más sofisticado. Una media móvil, muy simple, el método para la predicción de series de tiempo es tomar una media móvil (también conocido como promedio móvil ponderado). El promedio móvil (m t) durante los últimos períodos L terminan en el período t se calcula tomando el promedio de los valores correspondientes a los períodos t-L1, L2 camiseta, t-L3. t-1, t modo que para pronosticar el uso de la media móvil se dice que el pronóstico para todos los períodos más allá de t es sólo tm (aunque por lo general sólo pronóstico para un futuro inmediato, la actualización de la media móvil como la observación real para ese período de que se disponga ). Consideremos el siguiente ejemplo: la demanda de un producto durante 6 meses se muestra a continuación - el cálculo de la media móvil de tres meses para cada mes y pronosticar la demanda para el mes 7. Ahora no podemos calcular un promedio móvil de tres meses hasta que tengamos al menos 3 observaciones - es decir, sólo es posible calcular un promedio de tales mes 3 en adelante. El promedio móvil de 3 meses viene dada por: 3 m (42 41 43) / 3 42 y el promedio móvil de los otros meses viene dada por: Utilizamos m 6 como el pronóstico para el mes 7. De ahí la previsión de la demanda para el mes 7 es 3670 unidades. La entrada de paquete para este problema se muestra a continuación. La salida del paquete para un promedio móvil de tres meses se muestra a continuación. La elección entre las previsiones Un problema con esta previsión es simple - lo bueno es que por ejemplo también podríamos producir un pronóstico de demanda para el mes 7 usando una media móvil de dos meses. Esto daría a la siguiente: ¿Quieres esta previsión (m 6 3600 unidades) ser mejor que nuestra previsión de la demanda actual de 3670 unidades En lugar de intentar adivinar cuál es el pronóstico mejor que podemos abordar el problema de manera lógica. De hecho, como se verá más adelante, ya tenemos suficiente información para hacer una elección lógica entre las previsiones si observamos que la información de manera adecuada. En un intento para decidir qué tan buen previsión es que tenemos la siguiente lógica. Tenga en cuenta la media móvil de tres meses dado anteriormente y fingir por un momento que sólo teníamos datos de demanda para los tres primeros meses, entonces podríamos calcular el promedio móvil de 3 meses (m3) hasta 42 (ver más arriba). Este sería nuestro pronóstico para el mes 4. Sin embargo, en el mes 4, el resultado es en realidad 38, por lo que tenemos una diferencia (error) definido por: señalar aquí que igualmente podríamos definir como resultado de errores en pronósticos. Eso sería simplemente cambiar el signo de los errores, no sus valores absolutos. De hecho notar que aquí si se inspecciona la salida del paquete se verá que lo hace precisamente eso. En el mes 4 tenemos un pronóstico para el mes de 5 m 4 40,7, pero un resultado para el mes 5 de 35 que conduce a un error de 5,7 40,7-35. En el mes 5 tenemos un pronóstico para el mes de 6 m 5 38.7 pero un resultado para el mes 6 de 37 que conduce a un error de 38,7-37 1.7. Por lo tanto podemos construir la siguiente tabla: La construcción de la misma mesa para la media móvil de dos mes tenemos: La comparación de estas dos tablas se puede observar que los términos de error nos dan una medida de lo bien que los métodos de pronóstico (dos o tres mes promedio en movimiento) habría sido si las usamos para pronosticar un período (mes), por delante de los datos históricos que tenemos. En un mundo ideal nos gustaría un método de pronóstico para el que todos los errores son cero, esto nos dará confianza (probablemente mucha confianza) que nuestro pronóstico para el mes 7 es probable que sea correcta. Evidentemente, en el mundo real, estamos muy poco probable que conseguir una situación en la que todos los errores son cero. Es realmente difícil de ver (como en este caso) dos series de términos de error y compararlas.
No comments:
Post a Comment