Ejemplos Capítulo 6

EJEMPLO 6.1

La Bay City Seafood Company es dueña de una flota de barcos que pescan a la rastra y opera una planta procesadora de pescado. La compañia quiere hacer pronósticos puntuales y predicción del intervalo de predicción de su captura mensual de bacalao (medida en toneladas) y con el fin de pronosticar sus ingresos mínimos y máximos posibles por la venta de bacalao y planificar las operaciones de su planta procesadora de pescado. La compañía tiene registros de la captura mensual de bacalao de cada uno de los dos años anteriores (año 1 y 2). Los registros se proporcionan en la Tabla 6.1. Al graficar los datos, parecen fluctuar en forma aleatoria con respecto a un nivel promedio constante (véase la gráfica de JMP IN en la Figura 6.2). Puesto que la compañía cree en forma subjetiva que este patrón de datos continuará en el futuro, es razonable utilizar el modelo de regresión \[y_t=TR_t+\varepsilon_t\] para predecir la captura de bacalao en los meses futuros.

TABLA 6.1 Pesca de bacalao (en toneladas)
Mes Año 1 Año 2
Enero 362 276
Febrero 381 334
Marzo 317 394
Abril 297 334
Mayo 399 384
Junio 402 314
Julio 375 344
Agosto 349 337
Septiembre 386 345
Octubre 328 362
Noviembre 389 314
Diciembre 343 365

FIGURA 6.2

Gráfica para la pesca de bacalao (toneladas) contra tiempo (meses)

Resultados que se obtienen en R Studio para un análisis de regresión de los datos de pesca de bacalao usando el modelo \(y_t=\beta_0+\varepsilon_t\)

term estimate std.error statistic p.value
(Intercept) 351.291666666667 6.904493 50.8787043307644 3.83253193780029e-25
Error estándar residuos 33.820000
Intervalo al 95% Valor pronosticado Límite Inferior Límite superior
Confianza 351.2917 337.0086 365.5747
Predicción 351.2917 279.8765 422.7068

Este intervalo, significa que Bay City Seafood tiene un 95% de confianza de que la pesca de bacalao \(y_t\) en algún mes futuro estará entre 279.88 y 422.71 toneladas.

EJEMPLO 6.2

Durante los dos años anteriores, Smith’s Department Stores, Inc., ha vendido un tipo nuevo de calculadora llamada Bismark X-12. En general, las ventas de esta calculadora se han incrementado durante estos dos años. Smith’s aplica una política de inventario que pretende asegurar que sus tiendas tendrán suficientes calculadoras Bismark X-12 para cumplir en realidad con toda la demanda de ellas, y a la vez asegurar que Smith’s no destine inútilmente su dinero a pedir mucho más calculadoras de las que espera razonablemente vender. Con objeto de poner en marcha esta política de inventario en los meses futuros, Smith’s requiere tanto predicciones puntuales como intervalos de predicción para la demanda total mensual de Bismark X-12.

Los datos de la demanda mensual de la calculadora durante los dos años anteriores se muestran en la Tabla 6.2.

TABLA 6.2 Datos de las ventas de la calculadora
Mes Año 1 Año 2
Enero 197 296
Febrero 211 276
Marzo 203 305
Abril 247 308
Mayo 239 356
Junio 269 393
Julio 308 363
Agosto 262 386
Septiembre 258 443
Octubre 256 308
Noviembre 261 358
Diciembre 288 384

En la figura 6.4 se ilustra una gráfica con respecto a un nivel promedio que se incrementa en forma lineal con el tiempo. Además, Smith’s cree que esta tendencia continuará así por lo menos los dos años siguientes. Por consiguiente es razonable aplicar el modelo de regresión \[y_t=TR_t +\varepsilon_t=\beta_0+\beta_1t+\varepsilon_t\]

para pronosticar las ventas de la calculadora en los meses futuros.

FIGURA 6.4

Gráfica para las ventas de la calculadora en función del tiempo (meses)

Las estimaciones puntuales de mínimos cuadrados de \(\beta_1\) y \(\beta_0\) son respectivamente 8.07 y 198.02.

## Analysis of Variance Table
## 
## Response: Valor
##           Df Sum Sq Mean Sq F value    Pr(>F)    
## Tiempo     1  74974   74974  74.748 1.589e-08 ***
## Residuals 22  22067    1003                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Call:
## lm(formula = Valor ~ Tiempo, data = dc2)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -67.665 -19.227  -6.958  17.682  75.410 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 198.0290    13.3444  14.840 6.10e-13 ***
## Tiempo        8.0743     0.9339   8.646 1.59e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 31.67 on 22 degrees of freedom
## Multiple R-squared:  0.7726, Adjusted R-squared:  0.7623 
## F-statistic: 74.75 on 1 and 22 DF,  p-value: 1.589e-08
##        fit      lwr      upr
## 1 399.8877 328.6146 471.1608
## 2 407.9620 336.0080 479.9161
## 3 416.0364 343.3561 488.7167
## 4 424.1107 350.6603 497.5611

EJEMPLO 6.3

La unión de crédito de la universidad estatal, una institución de ahorro para maestros y personal de la universidad, maneja cuentas de ahorro y presta dinero a los miembros. Con objeto de planificar sus estrategias de inversión, la unión de crédito requiere tanto predicciones puntuales como intervalos de predicción de las solicitudes de préstamo al mes (en miles de dólares) que harán los profesores y el personal en los meses futuros.

La unión de crédito se lleva un registro desde hace dos años de las solicitudes de préstamos que se presentan al mes (véase Tabla 6.3).

TABLA 6.3 Solicitudes de préstamo (miles de dólares)
Mes Año 1 Año 2
Enero 297 808
Febrero 249 809
Marzo 340 867
Abril 406 855
Mayo 464 965
Junio 481 921
Julio 549 956
Agosto 553 990
Septiembre 556 1019
Octubre 642 1021
Noviembre 670 1033
Diciembre 712 1127

Una gráfica obtenida con R de los datos de las solicitudes de préstamo en función del tiempo se presenta en la Figura 6.6.

FIGURA 6.6

Gráfica de las solicitudes de préstamo (x1000 dólares) contra tiempo (meses)

Esta gráfica sugiere que las solicitudes de préstamo tienen a fluctuar con respecto a un nivel promedio que se incrementa a una tasa decreciente en el tiempo. La tendencia cuadrática de las solicitudes de préstamo es consecuente con el patrón de los miembros de la unión de crédito, y ésta supone que esta tendencia continuará en los meses futuros. Por consiguiente, parece razonable pronosticar las solicitudes de préstamo usando el modelo de regresión cuadrática \[y_t=TR_t+\varepsilon_t=\beta_0+\beta_1t+\beta_2t+\varepsilon_t\] La salida de R de un análisis de regresión de los datos de las solicitudes de préstamo usando este modelo se presenta a continuación.

## Analysis of Variance Table
## 
## Response: Valor
##             Df  Sum Sq Mean Sq  F value    Pr(>F)    
## Tiempo       1 1552596 1552596 1590.178 < 2.2e-16 ***
## I(Tiempo^2)  1   14134   14134   14.477  0.001035 ** 
## Residuals   21   20504     976                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Call:
## lm(formula = Valor ~ Tiempo + I(Tiempo^2), data = dc3)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -56.063 -17.274  -5.134  21.455  63.531 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 199.6196    20.8480   9.575 4.12e-09 ***
## Tiempo       50.9366     3.8424  13.256 1.14e-11 ***
## I(Tiempo^2)  -0.5677     0.1492  -3.805  0.00104 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 31.25 on 21 degrees of freedom
## Multiple R-squared:  0.9871, Adjusted R-squared:  0.9859 
## F-statistic: 802.3 on 2 and 21 DF,  p-value: < 2.2e-16
##        fit      lwr      upr
## 1 1118.207 1040.089 1196.324
## 2 1140.189 1057.695 1222.683

En la Figura se muestra que las estimaciones puntuales de mínimos cuadrados de \(\beta_0\), \(\beta_1\) y \(\beta_2\) son \(\beta_0=199.62\), \(\beta_1=50.937\),y \(\beta_2=-.5677\)

EJEMPLO 6.4

En las Figuras 6.10, 6.11 y 6.12 se ilustran gráficas de los residuos ordenados en el tiempo para el modelo sin tendencia para la pesca de bacalao del ejemplo 6.1, el modelo de tendencia lineal para las ventas de la calculadora del Ejemplo 6.2 y el modelo cuadrático para las solicitudes de préstamos del Ejemplo 6.3.

FIGURA 6.10

Gráfica de residuos contra tiempo para el modelo de la pesca de bacalao

FIGURA 6.11

Gráfica de residuos contra tiempo para el modelo de las ventas de la calculadora

FIGURA 6.12

Gráfica de residuos en función del tiempo para el modelo de las solicitudes de préstamos

Ninguna de estas gráficas manifiesta un patrón cíclico muy bien definido o un patrón alternante muy bien definido. Es decir, cada gráfica de residuos probablemente represente un patrón aleatorio. La conclusión es que existe poca o ninguna autocorrelación en los modelos, y que se cumple la suposición de independencia.

EJEMPLO 6.5

Considere el análisis de las ventas de las calculadoras del Ejemplo 6.2. El modelo de tendencia lineal de este ejemplo da la ecuación de predicción \[\hat{y}_t=198.02899+8.07435t\]

Los residuos que se obtienen usando el modelo de tendencia lineal se determinan mediante la ecuación \[e_t=y_t-\hat{y}_t=y_t-(198.02899+8.07435t)\]

Por ejemplo, los tres primeros residuos son:

## [1]  -9.103333  -3.177681 -19.252029

Si queremos probar \[H_0 :los\;términos\; de\; error\; no\; están\; autocorrelacionados\] contra la hipótesis alternativa \[H_a :los\;términos\; de\; error\; están\; autocorrelacionados\; positivamente\]

el valor númerico de Durbin-Watson es 1.682

## 
##  Durbin-Watson test
## 
## data:  regresion2
## DW = 1.682, p-value = 0.1516
## alternative hypothesis: true autocorrelation is greater than 0

Para probar si hay autocorrelación positiva en \(\alpha=0.05\), usamos \(d_{L,.05}=1.27\) y \(d_{U,.05}=1.45\). Puesto que \(d=1.682>d_{U,.05}=1.45\), no rechazamos \(H_0\). Es decir, no hay evidencia de autocorrelación positiva (primer orden).

Un segundo ejemplo es la salida del ejemplo 6.3 en la que se muestra que la estadística de Durbin-Watson para el modelo de tendencia cuadrática de las solicitudes de préstamos es 2.10.

## 
##  Durbin-Watson test
## 
## data:  regresion3
## DW = 2.1, p-value = 0.4109
## alternative hypothesis: true autocorrelation is greater than 0

Como \(d=2.10>d_{U,.05}=1.55\) (observe que k=2 para el modelo de tendencia cuadrática), no rechazamos \(H_0\). De nuevo concluimos que no hay evidencia de autocorrelación positiva (primer orden).

EJEMPLO 6.6

Traveler’s Rest, Inc., administra cuatro hoteles en una ciudad del medio oeste. Se les pidió a los analistas de la división de operación que elaboraran un modelo que se pudiera usar para obtener pronósticos de corto plazo(hasta de un año) de la cantidad de habitaciones ocupadas en los hoteles. El personal requería estos pronósticos para tomar la decisión con respecto a la contratación de empleados extra para los meses de verano, pedir el material que tarda mucho en ser entregado, elaborar los presupuestos de los gastos para la publicidad local, etcétera.

Los datos anteriores disponibles consistían en la cantidad de cuartos ocupados cada día durante los 15 años anteriores, y empezaban por el primer día de enero. Como se querían pronósticos mensuales, los datos se redujeron a promedios mensuales, dividiendo cada total mensual entre el número de días del mes. El promedio de habitaciones ocupadas en el mes para los primeros 14 de los 15 años, que se denotan mediante \(y_1,y_2,...,y_168\), se presenta en la Tabla 6.4 y se grafica en la Figura 6.15.

FIGURA 6.15

Gráfica de los promedios de las habitaciones de hotel ocupadas en un mes en 14 años

Se decidió al principio efectuar todos los análisis con los datos de los primeros 14 años, de modo que los prónosticos para el año 15 se pudieran utilizar para comprobar la validez del modelo. En la Figura 6.15 se ilustra que los promedios mensuales de cuartos ocupados siguen una fuerte tendencia y que tienen un patrón estacional en el que se ve un máximo y varios máximos relativos durante el año. También parece que la cantidad de variación estacional se incrementa con el nivel de las series temporales. Esto lleva a pensar que es necesario usar una transformación con objeto de conseguir transformar la serie para que se muestre una variación estacional constante.

En la Figura 6.16 se presenta una gráfica obtenida mediante R de las raíces cuadradas \((y_{t}^{*}=y_{t}^{^1/_2})\) de los promedios de las habitaciones ocupadas. La gráfica sugiere que la transfomración de la raíz cuadrada no es lo suficientemente fuerte como para igualar la variación estacional.

FIGURA 6.16

Gráfica de las raíces cuadradas de los promedios de las habitaciones de hotel ocupadas en un mes

En la Figura 6.17 se muestra una gráfica de las raíces cuartas \((y_{t}^{*}=y_{t}^{^1/_4})\) de los promedios de las habitaciones ocupadas. Al parecer, la transformación de la raíz cuarta genera una serie transformada con variación estacional constante.

FIGURA 6.17

Gráfica de las raíces cuartas de los promedios de las habitaciones ocupadas

En la Figura 6.18 se encuentra una gráfica de los logaritmos naturales \((y_{t}^{*}=ln(y_t))\) de los promedios de cuartos ocupados. Entonces, se podría concluir que esta transformación también iguala la variación estacional. No obstante, el examen cuidadoso de la gráfica hace pensar que la transformación logarítmica podría hacer una transformación excesiva de los datos (observe una ligera forma de embudo en la gráfica después de \(t=120\)).

FIGURA 6.18

Gráfica de los logaritmos naturales de las habitaciones ocupadas

Puesto que tanto la transformación logarítmica como la de la raíz cuarta parecen ser razonablemente eficaces, y como la transformación logarítmica se usa casi siempre, trataremos de aplicar la transformación logarítmica.

EJEMPLO 6.7

Usaremos ahora la regresión con variable ficticia para pronosticar los promedios de las habitaciones de hotel ocupadas en el mes, que se muestran en la Tabla 6.4. La gráfica de la Figura 6.15 sugiere que los promedios de ocupación se describen mediante una tendencia lineal y variación estacional creciente. La gráfica de la Figura 6.18 quiere decir que al determinar los logaritmos naturales de los promedios de ocupación se podrían igualar razonablemente bien la variación estacional. Por consiguiente, consideremos el modelo de regresión

\[ \begin{align*} y_{t}^{*}&=TR_t+SN_t+\varepsilon_t \\ &=\beta_0+\beta_1t+\beta_2M_1+\beta_3M_2+\dots+\beta_{12}M_{11}+\varepsilon_t \end{align*} \]

donde \(y_{t}^{*}=ln(y_t)\) y \(M_1,M_2,\dots,M_{11}\) son variables ficticias estacionales. Por ejemplo

\[ M_1 = \begin{cases} 1 & \text{si el periodo } t \text{ es enero} \\ 0 & \text{en otro caso} \end{cases} \]

Obsérvese que no hemos definido una variable ficticia para diciembre. En la Figura 6.19 se dan partes pertinentes de la salida que proporciona R sobre un análisis de regresión para los datos de los promedios de ocupación en el que se usó el modelo de variable ficticia mencionado antes y se asumió que se mantienen las suposiciones de varianza constante, independencia y normalidad.

FIGURA 6.19

## Analysis of Variance Table
## 
## Response: logaritmo
##            Df  Sum Sq Mean Sq  F value    Pr(>F)    
## t           1 3.02768 3.02768 6745.285 < 2.2e-16 ***
## M1          1 0.11684 0.11684  260.304 < 2.2e-16 ***
## M2          1 0.42462 0.42462  946.007 < 2.2e-16 ***
## M3          1 0.37459 0.37459  834.528 < 2.2e-16 ***
## M4          1 0.03656 0.03656   81.444 6.594e-16 ***
## M5          1 0.08674 0.08674  193.249 < 2.2e-16 ***
## M6          1 0.02937 0.02937   65.439 1.619e-13 ***
## M7          1 0.61720 0.61720 1375.033 < 2.2e-16 ***
## M8          1 1.11360 1.11360 2480.965 < 2.2e-16 ***
## M9          1 0.06754 0.06754  150.477 < 2.2e-16 ***
## M10         1 0.08539 0.08539  190.245 < 2.2e-16 ***
## M11         1 0.08814 0.08814  196.374 < 2.2e-16 ***
## Residuals 155 0.06957 0.00045                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Durbin-Watson test
## 
## data:  mod_vf
## DW = 1.19, p-value = 1.707e-07
## alternative hypothesis: true autocorrelation is greater than 0
## 
## Call:
## lm(formula = logaritmo ~ t + M1 + M2 + M3 + M4 + M5 + M6 + M7 + 
##     M8 + M9 + M10 + M11, data = d66)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -0.059088 -0.013226  0.001383  0.014155  0.049916 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  6.288e+00  6.427e-03 978.262  < 2e-16 ***
## t            2.725e-03  3.379e-05  80.653  < 2e-16 ***
## M1          -4.161e-02  8.016e-03  -5.190 6.50e-07 ***
## M2          -1.121e-01  8.015e-03 -13.984  < 2e-16 ***
## M3          -8.446e-02  8.013e-03 -10.540  < 2e-16 ***
## M4           3.983e-02  8.012e-03   4.972 1.74e-06 ***
## M5           2.040e-02  8.011e-03   2.546   0.0119 *  
## M6           1.469e-01  8.010e-03  18.340  < 2e-16 ***
## M7           2.890e-01  8.009e-03  36.085  < 2e-16 ***
## M8           3.112e-01  8.009e-03  38.857  < 2e-16 ***
## M9           5.599e-02  8.008e-03   6.991 7.63e-11 ***
## M10          3.954e-02  8.008e-03   4.938 2.02e-06 ***
## M11         -1.122e-01  8.008e-03 -14.013  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.02119 on 155 degrees of freedom
## Multiple R-squared:  0.9887, Adjusted R-squared:  0.9878 
## F-statistic:  1127 on 12 and 155 DF,  p-value: < 2.2e-16
##         fit      lwr      upr
## 1  6.706523 6.662789 6.750258
## 2  6.638776 6.595041 6.682510
## 3  6.669121 6.625387 6.712856
## 4  6.796139 6.752404 6.839873
## 5  6.779426 6.735691 6.823160
## 6  6.908665 6.864931 6.952400
## 7  7.053504 7.009769 7.097239
## 8  7.078401 7.034667 7.122136
## 9  6.825919 6.782185 6.869654
## 10 6.812201 6.768466 6.855936
## 11 6.663167 6.619433 6.706902
## 12 6.778108 6.734373 6.821842

En la salida se muestra que el modelo es significante \((F=1126.61 \text{ y el valor } p<0.0001)\) y que la tendencia lineal y cada una de las variables ficiticias estacionales son significantes (todas las estadísticas \(t\) tienen un valor \(p\) relacionado que es menor que 0.05). Además, \(R^2=0.9897\) y \(s=0.02119\).

EJEMPLO 6.8

Considere una vez más el pronóstico de los promedios de los cuartos de hotel ocupados en el mes, que se presentan en la Tabla 6.4. Puesto que al parecer esta serie temporal tiene una tendencia lineal y variación estacional creciente, consideremos el modelo de regresión trigonométrica \[y_{t}^{*}=\beta_0+\beta_1t+\beta_2sin\left( \frac{2 \pi t}{12} \right)+\beta_3cos\left( \frac{2 \pi t}{12} \right)+\beta_4sin\left( \frac{4 \pi t}{12} \right)+\beta_5cos\left( \frac{4 \pi t}{12} \right)+\varepsilon_t\] donde \(y_{t}^{*}=ln(y_t)\).

En la Figura 6.20 se proporcionan partes pertinentes de la salida de R que se obtienen cuando este modelo se ajusta a los promedios de los cuartos ocupados en el mes.

FIGURA 6.20

## Analysis of Variance Table
## 
## Response: logaritmo
##                     Df  Sum Sq Mean Sq  F value    Pr(>F)    
## t                    1 3.02768 3.02768 964.7294 < 2.2e-16 ***
## sin(2 * pi * t/12)   1 0.85606 0.85606 272.7720 < 2.2e-16 ***
## cos(2 * pi * t/12)   1 1.34676 1.34676 429.1263 < 2.2e-16 ***
## sin(4 * pi * t/12)   1 0.36869 0.36869 117.4773 < 2.2e-16 ***
## cos(4 * pi * t/12)   1 0.03025 0.03025   9.6387  0.002249 ** 
## Residuals          162 0.50842 0.00314                       
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Durbin-Watson test
## 
## data:  mod_trig
## DW = 2.6303, p-value = 0.9999
## alternative hypothesis: true autocorrelation is greater than 0
## 
## Call:
## lm(formula = logaritmo ~ t + sin(2 * pi * t/12) + cos(2 * pi * 
##     t/12) + sin(4 * pi * t/12) + cos(4 * pi * t/12), data = d66)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -0.100881 -0.045403 -0.002315  0.047136  0.122679 
## 
## Coefficients:
##                      Estimate Std. Error t value Pr(>|t|)    
## (Intercept)         6.3327488  0.0086962 728.222  < 2e-16 ***
## t                   0.0027354  0.0000893  30.630  < 2e-16 ***
## sin(2 * pi * t/12) -0.1009242  0.0061215 -16.487  < 2e-16 ***
## cos(2 * pi * t/12) -0.1266548  0.0061131 -20.719  < 2e-16 ***
## sin(4 * pi * t/12)  0.0662648  0.0061144  10.838  < 2e-16 ***
## cos(4 * pi * t/12)  0.0189788  0.0061131   3.105  0.00225 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.05602 on 162 degrees of freedom
## Multiple R-squared:  0.9172, Adjusted R-squared:  0.9146 
## F-statistic: 358.7 on 5 and 162 DF,  p-value: < 2.2e-16
##         fit      lwr      upr
## 1  6.701754 6.588462 6.815045
## 2  6.694928 6.581546 6.808310
## 3  6.680593 6.567186 6.794000
## 4  6.712280 6.598898 6.825662
## 5  6.817294 6.703936 6.930651
## 6  6.954336 6.840972 7.067700
## 7  7.038463 6.925074 7.151851
## 8  7.012801 6.899406 7.126197
## 9  6.898854 6.785483 7.012225
## 10 6.776843 6.663497 6.890189
## 11 6.715258 6.601887 6.828628
## 12 6.717439 6.603974 6.830903

Encontramos que el modelo es significante \((F=358.75 \text{ y el valor } p<0.0001)\) y que la tendencia lineal y cada uno de los términos de seno y coseno son significantes (cada estadística \(t\) tiene un valor \(p\) relacionado que es menor que 0.05). Además, \(R^2=0.9172\) y \(s=0.05602\)

EJEMPLO 6.9

Western Steakhouses, una cadena de restaurantes, abrió hace 15 años. Desde entonces, cada año se registró el número de restaurantes \((y_t)\) en operación. Un analista de la compañía quiere predecir la cantidad de sucursales que estarán en operación el año próximo a partir de dichos datos.

TABLA 6.5 Aperturas de Western Steakhouse en los últimos 15 años
\(Año(t)\) \(y_t\) \(ln(y_t)\)
1 11 2.398
2 14 2.639
3 16 2.773
4 22 3.091
5 28 3.332
6 36 3.584
7 46 3.829
8 67 4.205
9 82 4.407
10 99 4.595
11 119 4.779
12 156 5.050
13 257 5.549
14 284 5.649
15 403 5.999

Los datos de los restaurantes \((y_t)\) están graficados contra el tiempo \((t)\) en la Figura 6.22. Esta gráfica muestra un incremento exponencial que recuerda al de las gráficas de la Figura 6.21 donde \(\beta_1\) es mayor que 1.

FIGURA 6.22

Gráfica para las aperturas de nuevos Western Steakhouse contra tiempo (años)

Esto sugiere que el modelo \[y_t=\beta_0(\beta_{1}^{t})\varepsilon_t\] podría ser apropiado. Los logaritmos naturales de los datos de los restaurantes \(ln(y_t)\) se proporcionan el la Tabla 6.5 y se grafican en la Figura 6.23.

FIGURA 6.23

Gráfica para los logaritmos naturales de las aperturas de los restaurantes Western Steakhouse

Esta gráfica hace pensar que la relación entre \(ln(y_t)\) y \(t\) es lineal. Al aplicar la transformación logarítmica al modelo \[y_t=\beta_0(\beta_{1}^{t})\varepsilon_t\] se obtiene \[ln(y_t)=ln(\beta_0)+tln(\beta_1)+ln(\varepsilon)\] Al definir \(\alpha_0=ln(\beta_0), \alpha_1=ln(\beta_1), y \hspace{0.4cm} u_t=ln(\varepsilon_t),\) se llega a \[ln(y_t)=\alpha_0+\alpha_1t+u_t\] Cuando este modelo se ajusta a los datos de los restaurantes Western Steakhouse, R proporciona la salida que se ilustra en la Figura 6.24.

FIGURA 6.24

Salida de un análisis de regresión de los datos de Western Steakhouse usando un modelo de una curva de crecimiento

## Analysis of Variance Table
## 
## Response: lny_t
##           Df  Sum Sq Mean Sq F value    Pr(>F)    
## Año        1 18.4752 18.4752  3241.2 < 2.2e-16 ***
## Residuals 13  0.0741  0.0057                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
##  Durbin-Watson test
## 
## data:  mod_log
## DW = 1.874, p-value = 0.2857
## alternative hypothesis: true autocorrelation is greater than 0
## 
## Call:
## lm(formula = lny_t ~ Año, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -0.1169 -0.0417 -0.0175  0.0629  0.1394 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 2.070295   0.041023   50.47 2.66e-16 ***
## Año         0.256871   0.004512   56.93  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.0755 on 13 degrees of freedom
## Multiple R-squared:  0.996,  Adjusted R-squared:  0.9957 
## F-statistic:  3241 on 1 and 13 DF,  p-value: < 2.2e-16
##        fit      lwr      upr
## 1 6.180238 5.994609 6.365868

EJEMPLO 6.10

En el ejemplo 6.7 se consideró el análisis de los promedios de los cuartos de hotel ocupados al mes, que se proporcionan en la Tabla 6.4, para el que se usó el modelo de regresión con variable ficticia \[y_{t}^{*}=\beta_0+\beta_1t+\beta_2M_1+\beta_3M_2+\dots+\beta_{12}M_{11}+\varepsilon_t\] donde \[y_{t}^{*}=ln(y_t)\] Recuerde que la estadística de Durbin-Watson sugiere que los términos de error podrían estar autocorrelacionados. Por lo tanto, considere el modelo \[y_{t}^{*}=\beta_0+\beta_1t+\beta_2M_1+\beta_3M_2+\dots+\beta_{12}M_{11}+\varepsilon_t\] donde \[\varepsilon_t=\phi_1\varepsilon_{t-1}+a_t\]

En este caso, \(a_t\) es un choque aleatorio o perturbación aleatoria con media cero que satisface las suposiciones de varianza constante, independencia y normalidad. Es decir, suponemos que \(\varepsilon_t\) queda descrito con un proceso autorregresivo de primer orden. En la Figura 6.25 se proporcionan partes pertinentes de la salida que ofrece R para analizar los promedios registrados de los cuartos de hotel ocupados, usando este modelo.

Figura 6.25

## 
## Call:
## lm(formula = logaritmo ~ t + M1 + M2 + M3 + M4 + M5 + M6 + M7 + 
##     M8 + M9 + M10 + M11, data = d66)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -0.059088 -0.013226  0.001383  0.014155  0.049916 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  6.288e+00  6.427e-03 978.262  < 2e-16 ***
## t            2.725e-03  3.379e-05  80.653  < 2e-16 ***
## M1          -4.161e-02  8.016e-03  -5.190 6.50e-07 ***
## M2          -1.121e-01  8.015e-03 -13.984  < 2e-16 ***
## M3          -8.446e-02  8.013e-03 -10.540  < 2e-16 ***
## M4           3.983e-02  8.012e-03   4.972 1.74e-06 ***
## M5           2.040e-02  8.011e-03   2.546   0.0119 *  
## M6           1.469e-01  8.010e-03  18.340  < 2e-16 ***
## M7           2.890e-01  8.009e-03  36.085  < 2e-16 ***
## M8           3.112e-01  8.009e-03  38.857  < 2e-16 ***
## M9           5.599e-02  8.008e-03   6.991 7.63e-11 ***
## M10          3.954e-02  8.008e-03   4.938 2.02e-06 ***
## M11         -1.122e-01  8.008e-03 -14.013  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.02119 on 155 degrees of freedom
## Multiple R-squared:  0.9887, Adjusted R-squared:  0.9878 
## F-statistic:  1127 on 12 and 155 DF,  p-value: < 2.2e-16
## 
## Call:
## arima(x = residuals_ts, order = c(1, 0, 0))
## 
## Coefficients:
##          ar1  intercept
##       0.3998     0.0000
## s.e.  0.0715     0.0024
## 
## sigma^2 estimated as 0.0003491:  log likelihood = 430.2,  aic = -854.39
## 
## Training set error measures:
##                        ME       RMSE        MAE      MPE     MAPE      MASE
## Training set 9.237206e-05 0.01868298 0.01529926 151.8286 258.1754 0.8516907
##                     ACF1
## Training set -0.04171669
## Time Series:
## Start = 169 
## End = 180 
## Frequency = 1 
##        1        2        3        4        5        6        7        8 
## 6.760561 6.755822 6.755563 6.757096 6.759344 6.761879 6.764528 6.767223 
##        9       10       11       12 
## 6.769936 6.772656 6.775380 6.778104