REGRESION LINEAL

La regresión lineal para pronosticar

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.

Qué es la regresión lineal y cómo te ayudará en tu pronóstico

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.
Algunos apuntes importantes sobre éste método son:

 Puedes calcular series de tiempo y relaciones causales. En el primer

caso, ubicas la demanda histórica de tu bien o servicio para que cambie en
función del tiempo. El segundo caso es cuando la variable que pronosticas
cambia en función de otra (variable causal).
 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.

Cuándo utilizar la regresión lineal

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.

 Correlación perfecta: Cuando el resultado de coeficiente es igual a 1 o -1.

En este caso existe una relación directamente proporcional entre la
demanda y el tiempo.
 Correlación fuerte: Cuando el resultado es mayor a 0.5 y menor que 1
(correlación positiva) o menor a -0.5 y mayor que -1(correlación negativa).
 Correlación débil: Valores que están entre -0.5 y 0.5.
Entre más cercano se encuentre el coeficiente de correlación a +1 o -1 más fuerte
será la tendencia y más apropiado será aplicar un modelo de regresión lineal. Por
ejemplo si la correlación es igual a 1, observaremos que la relación entre las
variables es directamente proporcional, en el sentido que si uno aumenta, la otra
también lo hará.

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.

Veamos entonces de que va el análisis de regresión.

El análisis de regresión en el pronóstico de demanda

Como hacer una regresión lineal

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. 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
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 calculo. 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
Eso tiene el siguiente aspecto:

Cuando pronosticamos, siempre queremos saber qué tan exacto es el método

que estamos utilizando, igual que una medida de error de pronóstico.
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.
Con los datos obtenidos en nuestra tabla, reemplazamos en la formula y
obtenemos:

Error estándar del estimado Sy,x: 54,79

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.
Como lo dijimos anteriormente, el coeficiente de correlación dará una medida de
asociación entre las variables X y Y

Dicho de otra forma, el coeficiente correlación en la división entre la covarianza y

el producto de las desviaciones estándar de ambas variables.

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.

La función requiere dos datos de entrada:

 Matriz 1: Señalamos las demandas por mes.

 Matriz 2: Señalamos los pronósticos por mes.

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.

Dentro de las ventajas tenemos:

• Este método estadístico revela información acerca de las estructuras de costos y
distingue entre los roles de las diferentes variables en la afectación del producto.
Los coeficientes pueden interpretarse en términos de los factores determinantes
de los costos o la forma en que los insumos contribuyen al producto.
• Se trata de una herramienta útil para estudiar e identificar las posibles relaciones
entre los cambios observados en dos conjuntos diferentes de variables.
• Suministra datos para confirmar hipótesis acerca de si dos variables están
relacionadas.
• Proporciona un medio visual para probar la fuerza de una posible relación y agilizar
la toma de decisiones. Los gráficos nos proporcionan la forma más sencilla e
intuitiva de estudiar la relación entre dos variables. Nos ofrece una cierta idea de la
naturaleza de la relación; si es lineal o no, su intensidad, así como el sentido
(negativa o positiva).
• Desarrollo de proyectos para la búsqueda de mejoras de la calidad.
Para poder crear un modelo de regresión lineal, es necesario que se cumpla con los
siguientes parámetros:
1. La relación entre las variables es lineal.
2. Los errores en la medición de las variables explicativas son independientes entre
sí.
3. Los errores tienen varianza constante.
4. Los errores tienen una esperanza matemática igual a cero (los errores de una
misma magnitud y distinto signo son equiprobables).
5. El error total es la suma de todos los errores.
Esta técnica es clave para la el análisis de la demanda, es un poco trabajosa, pero
si contamos con Minitab se facilita mucho el trabajo y los resultados son más
precisos a la realidad futura. Con esto podemos tomar decisiones abiertas y
seguras, y así minimizar los riesgos de costos y logrando los objetivos de la
empresa.