Excel Tendencia

La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos

LA HOJA DE CÁLCULO COMO HERRAMIENTA DE APOYO DOCENTE: ANÁLISIS DE TENDENCIA DE UNA SERIE DE DATOS ECONÓMICOS Bernal García, Juan Jesús. [email protected] Martínez María Dolores, Soledad María. [email protected] Sánchez García, Juan Francisco. [email protected] Departamento de Métodos Cuantitativos e Informáticos Universidad Politécnica de Cartagena RESUMEN Con frecuencia nos encontramos con la necesidad de analizar la tendencia de series históricas de datos, existiendo para ello diversos métodos estadísticos: medias móviles, regresión, suavizado exponencial, etc, pudiéndonos encontrar con que dicha serie temporal no se ajuste suficientemente a ninguno de dichos procedimientos, bien porque esté afectada por una fuerte componente estacional, o por existir problemas de variaciones de tipo exógeno. Ante tal situación, deberemos optar por el método que mejor se adecue para predecir nuestra variable económica a estudiar dependiendo de sus características. Hemos elaborado una herramienta con hoja de cálculo que tras realizar los cálculos de deflación e índices de estacionalidad, permite aplicar los distintos procedimientos, aunque no se encuentren incluidos de forma estándar en la misma, permitiéndonos decidir cuál se ajusta mejor en cada supuesto, lo que es especialmente útil para la docencia al mostrar las cualidades y desventajas de cada método. Para apreciar mejor la utilidad y operatividad de la herramienta programada, presentamos un caso práctico real que muestra los resultados de forma resumida y comparada.

XIV Jornadas de ASEPUMA y II Encuentro Internacional

1

Autores

Palabras claves: Tendencia, docencia estadística, hoja de cálculo. Clasificación JEL (Journal Economic Literature): A Área temática: Metodología y Didáctica de las Matemáticas aplicadas a la Economía y la Empresa.

1. INTRODUCCIÓN Se pretende elaborar una herramienta informática, realizada con una hoja de cálculo (HC), que permita de forma sencilla aplicar desde el tratamiento inicial de deflación y cálculo de índices de estacionalidad a los datos de partida, hasta los distintos métodos citados de forma alternativa, aunque no esté incluidos en la hoja de cálculo de forma estándar, permitiéndonos así decidir cuál de ellos se ajusta mejor en cada supuesto, convirtiéndose en una herramienta de apoyo a la enseñanza del análisis de este tipo de series temporales, de forma que los alumnos puedan comparar los resultados obtenidos de la aplicación de los diversos métodos estadísticos, observando cómo un mayor grado de ajuste en alguno de ellos, se corresponde con las características de la serie objeto de estudio: estacionalidad, componente autoregresiva, etc.. Así, por ejemplo, si trabajamos con observaciones de ventas, lo normal es que la serie temporal se vea afectada por una fuerte componente estacional, la cuál producirá “picos” que serán difíciles de seguir por una línea de tendencia. Todo ello nos va a permitir un mayor conocimiento a priori de la misma, lo que facilita a su vez la selección del método a utilizar. Para mostrar mejor la utilidad de la herramienta programada, así como su operatividad, se presenta un caso práctico real al que se aplican todos los métodos posibles, y que muestra los resultados de forma resumida y comparada. Evidentemente, el programa elaborado se convierte además en una herramienta de aprendizaje de la propia hoja de cálculo, en su ejercitación más científica. Conviene señalar también que en el análisis de las series temporales se adoptan implícitamente los siguientes supuestos [3]: a) Se considera que existe una cierta estabilidad en la estructura del fenómeno estudiado. Para que se cumpla este supuesto será necesario estudiar períodos lo más homogéneos posibles. 2

XIV Jornadas de ASEPUMA y II Encuentro Internacional

La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos

b) Los datos también han de ser homogéneos en el tiempo. Este supuesto no se da en muchas series, ya que es frecuente que las estadísticas se perfeccionen periodo a periodo con el paso del tiempo. Un caso particularmente frecuente es el cambio de base en los índices de precios, de producción, etc. En líneas generales, puede decirse que existen dos enfoques para el análisis de la tendencia: el enfoque global y el enfoque local. 1.-Cuando se ajusta una función matemática para el cálculo de la tendencia se dice que se ha estimado una tendencia global. Con este término se indica que la función empleada es válida para todos los momentos del tiempo, y además que todas las observaciones tienen igual peso en la determinación de la tendencia. Se suele aplicar el método de los mínimos cuadrados para estimar distintos tipos de tendencia. Cabe señalar que este enfoque es menos aconsejable para ser utilizado en la predicción a corto plazo. Podemos realizar el ajuste a una recta o a una curva. Normalmente las H.C. cuentan con funciones ya implementadas para las de tipo lineal y exponencial (funciones TENDENCIA y CRECIMIENTO en Excel, respectivamente), además de las macros automáticas que no solamente realizan la regresión, sino que nos informan de los parámetros de las misma, calculan errores, dibujan gráficos, etc. 2.-En los métodos de carácter local, o bien sólo se utiliza una parte de las observaciones en la determinación de la tendencia en cada momento, como es el caso de las medias móviles, o bien el peso que tiene cada observación es decreciente, al alejarnos del momento de referencia, como ocurre en los métodos de alisado exponencial y el método de Holt. Conviene señalar que, en general, en la previsión a corto plazo es más adecuado utilizar métodos con enfoque local, ya que se adaptan mejor a circunstancias cambiantes. 2.1.-La media móvil es una media aritmética que se caracteriza porque toma un valor para cada momento del tiempo y porque en su cálculo no entran todas las observaciones de la muestra disponible. Para la aplicación de este método hay que determinar su longitud, es decir, el número de observaciones que intervienen en el cálculo de cada media móvil. Se trata de un procedimiento rápido y sencillo, que además resulta muy útil para determinar a partir de él los coeficientes de estacionalidad. XIV Jornadas de ASEPUMA y II Encuentro Internacional

3

Autores

No todas las hojas de cálculo (H.C.) cuentan con comandos para realizar de forma automática las medias móviles, tanto analítica como gráficamente, pero su programación al tratarse de simples promedios no resulta tampoco muy complicada. 2.2-Los métodos de alisado exponencial son muy fáciles de aplicar y, además, por su estructura recursiva, permiten revisar las predicciones de forma automática a medida que se dispone de nueva información. Si una variable Y es sometida a un proceso de alisado exponencial se obtiene como resultado la variable alisada S. La ecuación del alisado exponencial simple podemos expresarla como: S t = αYt + (1 − α ) S t −1 siendo la constante α un número comprendido entre 0 y 1 al que se denomina coeficiente de alisado. Es conveniente que para la elección de α se analice

la

autocorrelación o dependencia entre las observaciones que ocurren en un tiempo y las que lo hacen en periodos anteriores para su determinación. Existe también el alisado exponencial doble de Brown, consistente en realizar dos operaciones de alisado consecutivas, primero sobre la serie original y seguidamente se efectuará un nuevo alisado sobre la serie resultante del primero. No todas las H.C. tienen programado el alisamiento, pero su formulación no entraña una complicación, y sugerimos utilizar el “cálculo hacia atrás” de las hojas de cálculo1, para que nos digan cuales deberían ser dichos coeficientes y así obtener, por ejemplo, el valor mínimo del error típico. 2.3.- El método propuesto por Holt es también un método de alisado exponencial que utiliza dos parámetros de alisado en lugar de uno solo. Es aplicable a series que tengan una tendencia aproximadamente lineal, y ha dado muy buenos resultados en la previsión de distintas áreas de la economía empresarial: gestión de stocks, financiación, ventas, etc. En dicho método se calculan directamente dos variables de alisado para cada momento del tiempo: S t : estimación del nivel de la serie en t b1t : estimación de la pendiente de la serie en t

1

4

Denominados “Solver” en Excel, “Analizador” en Lotus y “Optimizador” en Quattro Pro. XIV Jornadas de ASEPUMA y II Encuentro Internacional

La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos

La ecuación de nivel del método de Holt es: St = αYt + (1 − α ) St −1 siendo la ecuación de la pendiente: b1t = β ( S t − S t −1 ) + (1 − β )b1t −1 . Finalmente la predicción se obtiene a partir de:

Yˆt = S t −1 + b1t −1 dónde los valores iniciales S0 y B0 son, respectivamente, una constante y el coeficiente de la regresión lineal de los datos de partida.

2. MODELO PRÁCTICO 2.1. Datos de partida En primer lugar presentamos los datos de partida utilizados. Si hemos mencionado que cada serie de datos puede requerir un estudio de tendencia específico, creemos que lo mejor es demostrarlo analizando una serie de datos concreta: 191 observaciones mensuales,(de enero de 1990 a

noviembre de 2005), del saldo de

ingresos por turismo en nuestro país. La idea es poder predecir los ingresos para el año 2005, comprobando que los resultados obtenidos son suficiente aproximados a los reales para dicho año. Esto permitiría realizar, en base al ajuste realizado, un modelo con HC, que permita recalcular los pronósticos del resto de los meses según se van añadiendo nuevos datos tomados de la realidad. 2.2. Medidas de ajuste Dado el carácter eminentemente docente de nuestra aplicación, hemos querido realizar el cálculo de toda una serie de medidas de ajuste, con la finalidad de poder comparar mejor los resultados obtenidos por cada método estadístico, al tiempo que el discente conozca de esta forma práctica la mayor cantidad de medidas posibles, para analizar en cada caso cuál conviene más según los datos a estudiar [2]. 1. Para validar los métodos presentados y medir la precisión de la simulación utilizaremos el error cuadrático medio (RMSE), el error absoluto medio (MAE), el error XIV Jornadas de ASEPUMA y II Encuentro Internacional

5

Autores

absoluto medio normalizado (NMAE) y el sesgo (BIAS)2. Que se pueden definir de la siguiente forma:

RMSE =

(φ i − φiobs ) 2 ∑ N i =1 N

Es el Error Medio Cuadrático (ECM) que mide las diferencias en promedio entre los valores pronosticados y observados, y dónde

φi es el valor pronosticado para la celda i φiobs es el valor observado para la celda i N es el número de valores analizados

2. Error absoluto medio o MAE: N

φi − φiobs

i =1

N

MAE = ∑

3. Si normalizamos el error absoluto medio podremos tener en cuenta el peso del error respecto al valor de la variable medida.

φi − φiobs

N

NMAE = ∑

φiobs

N

i =1

4. Esta medida nos da el sesgo que nos permite saber la tendencia a tener en cuenta o no de una variable cuantificando el error sistemático producido por el modelo. N

BIAS = ∑ i =1

(φi − φiobs ) N

5. Esta última medida es el conocido como índice de ajuste (IOA o index of

agreement) que intenta aportar información sobre el comportamiento del modelo al comparar los resultados con observaciones. N

IOA = 1 −

∑ (P − O ) i =1

N

∑( P − O i =1

2

6

i

mean

i

i

+ Oi − Omean ) 2

Pielke (1984) y Stauffer y Seaman (1990) XIV Jornadas de ASEPUMA y II Encuentro Internacional

La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos

donde: N es el número de observaciones. Pi son los valores pronosticados. Oi son los valores observados. Omean es la media de las observaciones. Dichas medidas de ajuste se calculan tanto para la serie de datos completa (año 1990-2005), como para el último año, a fin de medir no sólo el ajuste total de la serie, sino también la capacidad predictiva para un nuevo año. Además, con la herramienta “Solver” de Excel, podremos determinar, en los métodos que involucran coeficientes, qué valor de los mismos minimiza un error determinado. 2.3. Tratamiento inicial

Para realizar una evaluación a priori de la serie a analizar, se han calculado una serie de estadísticos (tabla 1) y se han deflactado las cifras para poder trabajar en euros constantes, lo cual se realizó utilizando una tabla de índice de precios al consumo (IPC) extraídos de la página Web del INE. ESTADÍSTICOS (Serie Deflactada) Observaciones: 191 Max: 2.563.937,74 € Min: 463.392,60 € Oscilación: 2.100.545,14 € Media: 1.273.028,46 € Destip: 526.624,24 € Varianza: 2,77E+11 C.Pearson: 41,37% Mediana: 1.115.146,17 € Tabla 1

En el gráfico 1 representamos la serie de datos utilizada, antes y después de ser deflactada. En el caso de que los datos analizados no pudiesen ser objeto de deflación, sustituiríamos en la columna correspondiente al IPC los valores por unos.

XIV Jornadas de ASEPUMA y II Encuentro Internacional

7

Autores

Ingresos Turisticos (90-05) 4.000.000,00 3.500.000,00 3.000.000,00 2.500.000,00 2.000.000,00 1.500.000,00 1.000.000,00 500.000,00

Y Deflactada

2005M10

2005M03

2004M08

2004M01

2003M06

2002M11

2002M04

2001M09

2001M02

2000M07

1999M12

1999M05

1998M10

1998M03

1997M08

1997M01

1996M06

1995M11

1995M04

1994M09

1994M02

1993M07

1992M12

1992M05

1991M10

1991M03

1990M08

1990M01

-

Y

Gráfico 1

A priori, como primer diagnóstico podemos decir que se observa que la serie tiene una varianza muy alta, así como una componente tendencial con un crecimiento continuo hasta el año 2001 a partir del cual decrece, como se comprueba en los datos anualizados (gráfico 2). No obstante, para comprobar que existe tendencia, podemos realizar las diferencias entre valores consecutivos y observar que al ser estos representados, la línea es oscilatoria alrededor del cero (gráfico 3) [1]. Se trata por tanto de una serie de ajuste complejo, lo cuál, dado el carácter docente de nuestro modelo, puede ser beneficioso para mostrar así a nuestros alumnos la ventajas de utilizar la técnica más conveniente en cada caso.

Ingresos/año 25.000.000,00 € 20.000.000,00 € 15.000.000,00 € 10.000.000,00 € 5.000.000,00 €

2005

2004

2003

2002

2001

2000

1999

1998

1997

1996

1995

1994

1993

1992

1991

1990

0,00 €

Gráfico 2

8

XIV Jornadas de ASEPUMA y II Encuentro Internacional

La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos

Serie Diferencias 1.000.000,00 800.000,00 600.000,00 400.000,00 200.000,00 -200.000,00 -400.000,00 -600.000,00 -800.000,00 -1.000.000,00

Gráfico 3

2.4. Métodos Utilizados

El fichero elaborado en Excel [5] presenta distintas hojas etiquetadas según el método utilizado (figura 1), estando todas ellas estructuradas de la misma forma para facilitar el aprendizaje del alumno y su manejo. Dicha estructura comienza con una columna que contiene los datos de la serie a analizar, deflactada, si éste es el caso, seguida de otras que contienen los pasos intermedios necesarios para poder calcular las medidas de ajuste antes señaladas. Para una mejor visualización de la bondad del mismo, se realizan también sendos gráficos que muestran la serie original y la resultante de aplicar la técnica correspondiente, tanto para la serie completa como para la predicción del año 2005.

Figura 1

2.4.1.Medias Móviles La primera técnica aplicada fue la de medias móviles trimestrales (Tabla 2. Tanto analítica como gráficamente se puede comprobar como este tipo de predicción resulta insatisfactorio, con errores ECM cercanos al 19%, dado que la predicción no XIV Jornadas de ASEPUMA y II Encuentro Internacional

9

Autores

sigue los picos de las ventas reales. También se muestra el gráfico 4, con la predicción realizada para el año 2005.

MEDIA MOVIL TRIMESTRAL Datos Totales: Promedio: 1.273.028,46 ECM (RMSE): 241.297,77 18,95% MAE: 198.543,19 NMAE: 15,2% BIAS: 3.000,34 Pronóstico: Promedio: ECM (RMSE): MAE: NMAE: BIAS: IOA:

2.005 1.446.703,03 308.869,05 21,35% 261.731,24 18,2% 33.687,07 98,81%

Tabla 2

MV3:2005 2.500.000,00 2.000.000,00 1.500.000,00 1.000.000,00 500.000,00

Y_deflac

2005M11

2005M10

2005M09

2005M08

2005M07

2005M06

2005M05

2005M04

2005M03

2005M02

2005M01

-

MV 3 meses

Gráfico 4

A modo de prueba didáctica se realizan también análisis de medias móviles de orden 4 (cuatrimestrales), de orden 6 o semestrales y de orden 12 o mensuales, pero se observan errores superiores al caso trimestral, siendo del 25,57%, 34,75% y 34,48% respectivamente.

10

XIV Jornadas de ASEPUMA y II Encuentro Internacional

La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos

A partir de las medias móviles de orden 12 obtendremos la componente de tendencia ya que trabajamos con una serie de datos mensuales. Los índices de estacionalidad se muestran en la Tabla 3, observándose como crece la cifra entre los meses de mayo y octubre, meses tradicionalmente con un mayor tráfico de turistas en nuestro país [4]. INDICES DE ESTACIONALIDAD 0,74 Enero 0,67 Febrero 0,73

Marzo

0,81

Abril

1,06

Mayo

1,17

Junio

1,46

Julio

1,57

Agosto

1,30

Septiembre

1,11

Octubre

0,74

Noviembre

0,62

Diciembre

Tabla 3

2.4.2. Regresión A la hora de realizar una regresión lineal, se puede recurrir en Excel a dos procedimientos ya citados. Por un lado utilizando las funciones predefinidas mencionadas anteriormente como por ejemplo la de TENDENCIA, o bien mediante al “Análisis de datos”. Nosotros hemos añadido la posibilidad de estimar los parámetros mediante la fórmula matricial: (X`X)-1X´Y que nos daría una formulación similar a la que sigue: MMULT(MMULT(MINVERSA(MMULT(TRANSPONER(xe);xe));TRANSPONER(xe));Y))

lo que permite una mayor automatización que la opción anterior y que nos sirve además para mostrar a los alumnos, cómo operar con matrices (Tabla 4). Realizaremos aquí los tres procedimientos para que el alumno vea la metodología de aplicación de cada uno de ellos, encontrándonos, como era de esperar a la vista de los datos, que el ajuste no es bueno ya que el ECM es de 30,7%.

XIV Jornadas de ASEPUMA y II Encuentro Internacional

11

Autores

-1

(X`X) X´Y=

784.774,61

(Constante)

5.085,98

X

Tabla 4

Se realizaron pruebas considerando la estacionalidad, filtrando las predicciones de la regresión lineal y la tendencia mediante los respectivos índices mensuales anteriormente calculados, conseguimos de esta forma un error algo menor, un ECM del 11.36% y del 11.65% para la regresión lineal y la tendencia respectivamente, según se aprecia claramente en el gráfico 5, siendo peor para la predicción anual del 2005. R.L.(Estacionalidad) 3.000.000,00 2.500.000,00 2.000.000,00 1.500.000,00 1.000.000,00 500.000,00

Y_deflac

RLM*Esta

Gráfico 5

La siguiente hoja realiza una regresión exponencial utilizando la función predefinida CRECIMIENTO, pero que en este caso concreto no hace mejorar el ajuste, dado que la serie a estudiar tiene componentes que no son solo regresivas (gráfico 6). Si aplicamos estacionalidad encontramos una pequeña mejora, pasando el ECM del 31,5 al 13,71%.

12

XIV Jornadas de ASEPUMA y II Encuentro Internacional

2005M10

2005M03

2004M08

2004M01

2003M06

2002M11

2002M04

2001M09

2001M02

2000M07

1999M12

1999M05

1998M10

1998M03

1997M08

1997M01

1996M06

1995M11

1995M04

1994M09

1994M02

1993M07

1992M12

1992M05

1991M10

1991M03

1990M08

1990M01

-

La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos

Crecimiento 3.000.000,00 2.500.000,00 2.000.000,00 1.500.000,00 1.000.000,00 500.000,00

Y_deflac

2005M10

2005M01

2004M04

2003M07

2002M10

2002M01

2001M04

2000M07

1999M10

1999M01

1998M04

1997M07

1996M10

1996M01

1995M04

1994M07

1993M10

1993M01

1992M04

1991M07

1990M10

1990M01

-

Crecimiento

Gráfico 6

2.4.3. Alisamiento exponencial El método que se probó seguidamente fue el del alisamiento exponencial, donde con un coeficiente típico del 0,7, se obtuvo un error del 6,88%, siendo este análisis sensiblemente mejor que las técnicas anteriores.

Aunque Excel lleva incorporada en los complementos de “Análisis de datos” la posibilidad de realizar de forma automática la “Suavización exponencial”, hemos de aclarar que la fórmula no coincide con la presentada en la introducción, respondiendo en este caso a: St= (α-1)Yt-1+α St-1 tomando siempre la referencia al valor anterior, tanto de la serie como de la serie original como de la suavizada. El error en este caso es mayor, ECM igual a 22,93%, y la representación gráfica la realiza esta herramienta de forma automática (grafico 7).

XIV Jornadas de ASEPUMA y II Encuentro Internacional

13

Autores

Suavización exponencial 3.000.000,00 2.500.000,00

Valor

2.000.000,00 1.500.000,00 1.000.000,00 500.000,00 1

11

21

31

41

51

61

71

81

91 101 111 121 131 141 151 161 171 181 191

Punto de datos Real

Pronóstico

Gráfico 7

La hoja siguiente aplica el denominado “alisamiento Doble” o de Brown, consistente en aplicar de forma reiterada el alisado exponencial. Se obtuvo de esta forma una pequeña mejora en el ajuste, para un mismo valor de α=0,7, obteniéndose un ECM de 5,9% (gráficos 8 y 9).

ALISADO DOBLE 3.000.000,00 2.500.000,00 2.000.000,00 1.500.000,00 1.000.000,00 500.000,00

Y_deflac

2005M05

2004M09

2004M01

2003M05

2002M09

2002M01

2001M05

2000M09

2000M01

1999M05

1998M09

1998M01

1997M05

1996M09

1996M01

1995M05

1994M09

1994M01

1993M05

1992M09

1992M01

1991M05

1990M09

1990M01

-

Alisa 2

Gráfico 8

14

XIV Jornadas de ASEPUMA y II Encuentro Internacional

La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos

Alisado Doble (2005) 2.500.000,00 2.000.000,00 1.500.000,00 1.000.000,00 500.000,00

Alisa 2

2005M11

2005M10

2005M09

2005M08

2005M07

2005M06

2005M05

2005M04

2005M03

2005M02

2005M01

-

Y_deflac

Gráfico 9

Si añadimos al alisado simple y al doble los índices de estacionalidad, se observa un empeoramiento en el ajuste de la serie original y en la predicción del año 2005. 2.4.4. Holt-Winter Tal y como se ha mencionado, hay casos en los que no es suficiente con emplear una constante de suavización, por ello se programó el método de Holt, tras la determinación previa de las constantes de la regresión lineal, no obteniéndose mejores resultados que para el alisamiento general ya que para unos coeficientes α=0,9 y ß=0,1 conseguimos un ECM del 21%. Se intentó mejorar el ajuste a través de la determinación mediante el “Solver” de los coeficientes que minimizaran el error, pero no se encuentran mejores soluciones. En el gráfico 10 se muestra la predicción para el último año.

XIV Jornadas de ASEPUMA y II Encuentro Internacional

15

Autores

Holt 2005 3.000.000,00 2.500.000,00 2.000.000,00 1.500.000,00 1.000.000,00 500.000,00

"Real"

2005M11

2005M10

2005M09

2005M08

2005M07

2005M06

2005M05

2005M04

2005M03

2005M02

2005M01

-

"Holt"

Gráfico 10

2.4.5. Simulación tabular

Finalmente se analizó como podríamos servirnos de la simulación estocástica, para predecir las ventas, programándose el modelo de simulación con H.C. que crea una distribución tabular de frecuencias, mediante un “conteo“ por escalones en la serie temporal de partida, (función: FRECUENCIA(Datos;Grupos)), a partir de la cual se realizan n tiradas de simulación (tabla 5). ei 463.392,60 813.483,60 1.163.574,60 1.513.665,60 1.863.756,60 2.213.847,60

es

f

813.483,60 1.163.574,60 1.513.665,60 1.863.756,60 2.213.847,60 2.563.937,74

38 63 32 26 16 16

Aleat

191

ftr 0,20 0,33 0,17 0,14 0,08 0,08

fa 0,00 0,20 0,53 0,70 0,83 0,92 1,00

mc 638.438,00 988.529,00 1.338.620,00 1.688.711,00 2.038.802,00 2.388.893,00

Ingresos Tur. €

0,12296

638.438 Tabla 5

Podemos entonces afirmar que las predicciones obtenidas a nivel mensual no son válidas, lo que parece lógico, dada la componente tendencial y estacional existente. Ahora bien, el método puede ser perfectamente utilizado en el caso de existir variaciones aleatorias de la variable (u otras de tipo exógeno) o si se desea utilizar para realizar predicciones más globales, por ejemplo para dar un pronóstico de la cifra total anual a estimar. En cualquier caso, se trata de enseñar al discente a elaborar tablas de 16

XIV Jornadas de ASEPUMA y II Encuentro Internacional

La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos

frecuencias que sigan una determinada distribución estadística, a partir de series de datos reales. El gráfico 11 presenta una de las tiradas aleatorias que sí consigue una magnífica semejanza entre la distribución real y la simulada. SIMULACIÓN 0,4 0,4 0,3 0,3 0,2 0,2 0,1 0,1 0,0 813.484

1.163.575

1.513.666

1.863.757

frs

2.213.848

2.563.938

frt

Gráfico 11

2.5. Tabla comparativa de resultados

A la hora de seleccionar finalmente el método a aconsejar3, en una hoja se realiza el estudio comparativo, tanto para la serie completa como para el último ejercicio. Se ha programado de forma que automáticamente nos informe el valor del ECM mínimo y a que técnica corresponde (tabla 6), que en este caso resulta ser la del alisado doble de Brown.

3

Queda abierto el fichero para introducir en ulteriores estudios modelos del tipo ARIMA y poder así también establecer comparaciones con los mismos. XIV Jornadas de ASEPUMA y II Encuentro Internacional

17

Autores Datos Totales:

MV3

ECM (RMSE): MAE: NMAE: BIAS:

-

Pronóstico: ECM (RMSE): MAE: NMAE: BIAS: IOA:

-

RLM

241.297,77 18,95% 198.543,19 15,17% 3.000,34 MV3 2.005

Alisa

444.122,61 99.505,63 30,70% 6,88% 6.467.534,76 1.398.077,02 28,79% 6,39% 0,00 977,95 RLM Alisa 2.005 2.005

308.869,05 21,35% 261.731,24 18,22% 33.687,07 98,81%

604.370,61 41,78% 529.472,72 30,67% 284.063,40 96,22%

Alisa Doble

Holt

85.330,74 291.549,97 5,90% 20,15% 1.398.077,02 4.003.651,13 6,37% 19,18% 1.731,68 1.273,59 Alisa Doble Holt 2.005 2.500

130.776,41 9,04% 105.691,08 7,37% 11.301,43 99,79%

Todo

Mínimo:

5,90%

Alisa Doble

2005

Mínimo:

7,36%

Alisa Doble

106.428,74 7,36% 105.691,08 7,37% 13.309,87 99,86%

340.033,02 23,50% 265.385,27 22,49% 83.288,19 98,54%

Tabla 6

También se le ha formulado la posibilidad de que nos proporcionen información También se le ha formulado la posibilidad de que nos proporciones información sobre RLM_Esta Tenden_Esta Creci*Estacio Alisa_Esta Alisa2_Esta Pronóstic o 2005 ECM (RMSE):

MAE: NMAE:

BIAS: IOA:

2.005

2.005

2.005 2.005

2.005

Holt_Esta

2.005

361.668,6 497.193,0 4 419.201,48 431.166,68 2 460.908,84 433.116,91 25,00% 28,98% 29,80% 34,37% 31,86% 29,94% 346.895,1 371.610,4 3 406.210,21 418.519,74 0 105.691,08 363.144,22 21,06% 23,58% 24,04% 23,20% 7,37% 30,39% 346.895,1 178.624,0 3 406.210,21 418.519,74 4 153.938,93 36.277,61 98,73% 98,35% 98,27% 97,54% 97,42% 97,75% CON ESTACIONALIDAD RLM_Est Tenden_Est Creci*Estaci Alisa_Est Alisa2_Est a a o a a Holt_Esta MEJOR MEJOR MEJOR FALSO FALSO FALSO MEJOR MEJOR MEJOR FALSO FALSO FALSO Tabla 7

si el aplicar estacionalidad a las series proporciona un mejor ajuste. (Tabla 7). Finalmente se pueden realizar comparativas en modo gráfico entre los distintos métodos utilizados, (gráfico 12). 18

XIV Jornadas de ASEPUMA y II Encuentro Internacional

La hoja de cálculo como herramienta de apoyo docente: análisis de tendencia de una serie de datos económicos

Compartiva 2005 2.500.000,00

2.000.000,00

1.500.000,00

1.000.000,00

500.000,00

Y (deflac)

Alisa

Holt

2005M11

2005M10

2005M09

2005M08

2005M07

2005M06

2005M05

2005M04

2005M03

2005M02

2005M01

-

Alisa Doble

Gráfico 12

Existe una forma de mejorar la predicción del año 2005, consistente en ir reajustando la misma al añadir cada mes transcurrido el dato real obtenido en ese mes, de esta forma el modelo en hoja de cálculo se recalcula y mejora el ajuste. Para mayor comodidad en la introducción de datos, sugerimos la utilización de la herramienta de datos “Formularios”, incluida en Excel (figura 2 ).

XIV Jornadas de ASEPUMA y II Encuentro Internacional

19

Autores

Figura 2

3. CONCLUSIONES Queda patente cómo la aplicación conjunta de los métodos estadísticos de predicción y de las utilidades informáticas de cálculo, pueden ser una herramienta de planificación asequible y eficaz al decisor empresarial que se decida a aplicarlas, al tiempo que un instrumento de apoyo a la enseñanza conjunta de la estadística y la informática de gestión.

4. REFERENCIAS BIBLIOGRÁFICAS •

[1]

Fernández,

L.

“Curso

:

Investigación

de

Operaciones”

http://home.ubalt.edu/ntsbarsh/stat-data/Forecasts.htm#rInferCond

y

http://tarwi.lamolina.edu.pe/~leojeri/Descomposic.doc •

[2] Jorba Casellas, Oriol. Tesis Doctoral “Simulación de los campos de viento de la Península Ibérica y el área geográfica de Catalunya con alta resolución espacial para distintas

situaciones

meteorológicas

típicas”

http://www.tdx.cesca.es/TESIS_UPC/AVAILABLE/TDX-0317105174201//11Ojc11de12.pdf •

[3] Peña, D. (2005). “Análisis de Series Temporales”. Alianza Editorial.

•

[4]

http://www.uam.es/personal_pdi/economicas/rmc/documentos/Apendice.PDF.

“Técnicas Cuantitativas Elementales de Previsión Univariante (II)”. Apéndice 1: Tratamiento de la estacionalidad. •

20

[5] Walkenbach, J. (2004) “El Libro de Excel 2003”. Ed. Anaya Multimedia.

XIV Jornadas de ASEPUMA y II Encuentro Internacional