Portada
UNIVERSIDAD DE EL SALVADOR
FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA DE ECONOMÍA
ECONOMETRÍA
Grupo de Trabajo Numero 3-5
7/7/2021
UNIVERSIDAD DE EL SALVADOR
FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA DE ECONOMÍA
ECONOMETRÍA
TEMA DE INVESTIGACIÓN:
“MODELO ECONOMETRICO PARA ESTIMAR LOS INGRESOS DE LAS VENTAS SEMANALES DE LA EMPRESA PACO’S S.A. DE C.V. PARA EL AÑO 2021”.
DOCENTE:
MSF. Carlos Ademir Pérez Alas.
Integrantes:
ABARCA ESPINOZA, FABIO FELICIANO. AE17013.
DE JESÚS PAREDES, YESSICA CRISTINA. DP15016.
LAGOS ALAS, LUIS FERNANDO. LA18009.
PALOMO PORTILLO, JEFFERSON ENRIQUE. PP19005
RAMÍREZ URQUIZA, ALEJANDRA EUNICE. RU18002.
GRUPO:
3-5
CIUDAD UNIVERSITARIA, LUNES 14 DE JUNIO DE 2021.
Los pronósticos de ventas son la base fundamental para la elaboración de los presupuestos de otras áreas de la empresa y el control de los costos. En una empresa de servicios, el personal de operaciones utiliza los pronósticos de ventas para tomar decisiones referentes a la selección de procesos y distribución del capital dinerario y otros recursos materiales de los quedispone la empresa. La empresa que no realiza una proyección de ventas no tiene idea de la demanda potencial a la que podría enfrentarse en periodos de tiempos futuros, por lo que puede llegar a tomar decisiones precipitadas en momentos de alta demanda o momentos de escasez de demanda, y posiblemente no podría satisfacer la alta demanda debido a sus recursos limitados.
Objetivo General:
Desarrollar un modelo econométrico que permita pronosticar los ingresos por ventas semanales de la empresa Paco’s S.A. de C.V. utilizando la técnica de mínimos cuadrados ordinarios para el periodo 2016-2019.
Objetivos Especificos:
Definir las variables a estudiar para realizar el modelo econométrico y su incidencia en el aumento de ventas.
Comprobar la relación parcial entre la variable endógena y las variables exógenas presentadas en la investigación.
Registrar los datos en los que se basará el modelo a explicar la proyección de ventas para verificar las relaciones establecidas.
La empresa PACO ’S S.A. de C.V., se dedica a la gestión de fiestas y banquetes en la región metropolitana de El Salvador. Empresa que se ha visto perjudicada ante las medidas de confinamiento y parálisis económico, tomadas para combatir el Covid-19 en el año 2020, generando grandes pérdidas económicas y el cierre en dicho año. No obstante, la empresa ante la reapertura de la economía ha decidido reingresar al mercado en 2021, ofreciendo sus servicios a la misma región. Sin embargo, debido a los malos resultados del año anterior ahora cuenta con menos recursos materiales, humanos y financieros para iniciar sus actividades económicas. El gerente general de la empresa, con el fin de administrar de manera eficiente los recursos de los que dispone, desea proyectar los ingresos obtenidos de las ventas para el año 2021 tomando como base los registros de ventas reales en los últimos 4 años omitiendo el año 2020 (es decir, el periodo 2016-2019), ya que, a pesar de haber sido un mal año, asegura que en el 2021 la situación del mercado se normalizará.
Definicion de la Variable Endogena: Variable cuantitativa continua que registra el valor monetario de los ingresos que se han registrado semanalmente. La información fue obtenida por medio del General Journal Transaction de la empresa PACO’S.
Definicion de Variables Exogenas:
Número de trabajadores operativos
Variable cuantitativa discreta que registra el promedio semanal de la cantidad de trabajadores operativos que se necesitaron para prestar los servicios de banquetes.
Costo total de insumos utilizados
Variable cuantitativa continua que registra los costos totales de insumo que la empresa ha adquirido para elaborar los servicios de banquetes que la empresa PACO ’S ofrece a sus clientes.
Gasto en publicidad
Variable cuantitativa continua que registra la cantidad de dinero que ha gastado la empresa para llevar a cabo todas las estrategias de publicidad, sin distinción de los canales publicitarios.
Números de eventos realizados
Variable cuantitativa discreta que registra el número de eventos realizados es decir por cuantos eventos a la semana se le ha contratado a la empresa PACO’S para que brinden sus servicios de banquetes.
Número de personas que asisten a un evento
Variable cuantitativa discreta que registra el número de personas que asisten al evento es decir a cuantas personas sirve el banquete.
Para determinar la proyección de ingresos, su interacción entre sus variables y el resultado de dicha predicción muestra cómo emplear un modelo lineal con datos de panel y una base de datos limitada.
Por lo tanto, el modelo quedaría de esta forma:
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5 X5
Donde:
Y = Ingresos semanales
X1 = Costo total de insumo utilizados
X2 = Número de trabajadores operativos
X3 = Número de eventos realizados
X4 = Número de personas que asisten a un evento
X5 = Gasto en publicidad
Por lo tanto:
Y = β0 + β1(CT_Insumos) + β2(Trab_Operativos) + β3(N_Eventos) + β4(N_asistencia) + β5(Gasto_Publicidad)
Esperando que las variable X1, X2, X3, X4 y X5 tengan una relación positiva con el nivel de ingresos semanales.
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 + β5 X5 + ε
El error incluye todas las variables omitidas dentro del análisis como la cantidad de empresas competidoras, el número de alianzas que posee la empresa, etc.
library(readxl)
# Carga de datos
datos_paco<- read_excel("C:\\Users\\Emerson\\Downloads\\datos_pacos_final.xlsx")library(stargazer)
options(scipen = 999999)
modelo_proyeccion_ventas<-lm(formula = Ingresos~CT_Insumos+Trab_Operativos+N_Eventos+N_asistencia+Gasto_Publicidad,data = datos_paco)
stargazer(modelo_proyeccion_ventas,title = "Modelo de Proyección de Ventas Semanales",type = "text",digits = 8)##
## Modelo de Proyección de Ventas Semanales
## ===================================================
## Dependent variable:
## -------------------------------
## Ingresos
## ---------------------------------------------------
## CT_Insumos 1.26025100***
## (0.07958016)
##
## Trab_Operativos 53.58230000***
## (11.80974000)
##
## N_Eventos 64.67166000**
## (32.02345000)
##
## N_asistencia 1.84468800***
## (0.31124290)
##
## Gasto_Publicidad 3.15870800**
## (1.45070200)
##
## Constant -253.26660000***
## (95.18973000)
##
## ---------------------------------------------------
## Observations 208
## R2 0.96326420
## Adjusted R2 0.96235490
## Residual Std. Error 664.43740000 (df = 202)
## F Statistic 1,059.34400000*** (df = 5; 202)
## ===================================================
## Note: *p<0.1; **p<0.05; ***p<0.01Prueba de Normalidad de los residuos
library(fitdistrplus)
library(stargazer)
fit_normal<-fitdist(data = modelo_proyeccion_ventas$residuals,distr = "norm")
plot(fit_normal)
##
## Jarque-Bera test for normality
##
## data: modelo_proyeccion_ventas$residuals
## JB = 182.89, p-value < 0.00000000000000022Asumiendo un nivel de significancia del 5%, al aplicar la prueba JB, por el método del Pvalue se tiene que 0.00000000000000022 < 0.05, por lo que se rechaza H0. y se aporta evidencia de que los residuos no siguen una distribución normal.
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: modelo_proyeccion_ventas$residuals
## D = 0.12403, p-value = 0.00000002939Para un nivel de significancia del 5%, al aplicar la prueba KS, se tiene, por el método del Pvalue que 0.00000002939 < 0.05, por lo que se rechaza H0, esto aporta evidencia de que los residuos no siguen una distribución normal.
##
## Shapiro-Wilk normality test
##
## data: modelo_proyeccion_ventas$residuals
## W = 0.90938, p-value = 0.000000000592Para un nivel de significancia del 5%, al aplicar la prueba SW, se tiene, por el método del Pvalue que 0.000000000592 < 0.05, por lo que se rechaza H0, esto aporta evidencia de que los residuos no siguen una distribución normal.
Utilizando la librería “mctest”
##
## Call:
## eigprop(mod = modelo_proyeccion_ventas)
##
## Eigenvalues CI (Intercept) CT_Insumos Trab_Operativos N_Eventos
## 1 5.2993 1.0000 0.0062 0.0017 0.0034 0.0040
## 2 0.3559 3.8586 0.4626 0.0098 0.0096 0.0018
## 3 0.1461 6.0227 0.0248 0.0002 0.2653 0.4809
## 4 0.1009 7.2464 0.0418 0.0130 0.0003 0.0328
## 5 0.0650 9.0302 0.4320 0.1168 0.6242 0.4661
## 6 0.0327 12.7283 0.0327 0.8585 0.0973 0.0144
## N_asistencia Gasto_Publicidad
## 1 0.0022 0.0037
## 2 0.0099 0.0442
## 3 0.0242 0.0011
## 4 0.2011 0.7188
## 5 0.0856 0.0216
## 6 0.6771 0.2107
##
## ===============================
## Row 6==> CT_Insumos, proportion 0.858488 >= 0.50
## Row 5==> Trab_Operativos, proportion 0.624160 >= 0.50
## Row 6==> N_asistencia, proportion 0.677064 >= 0.50
## Row 4==> Gasto_Publicidad, proportion 0.718770 >= 0.50Puesto que el Índice de Condición es de 12.7283, K(x) <30, se detecta un nivel de colinealidad leve.
X_mat<-model.matrix(modelo_proyeccion_ventas)
m<-ncol(X_mat[,-1])
n<-nrow(X_mat[,-1])
Zn<-scale(X_mat[,-1])
R<-(t(Zn)%*%Zn)*(1/(n-1))
determinante_R<-det(R)
chi_FG<--(n-1-(2*m+5)/6)*log(determinante_R)
print(chi_FG)## [1] 1036.942## [1] 18.30704INTERPRETACIÓN: Como chi_FG ≥ VC se rechaza H0, por lo tanto hay evidencia de colinealidad en los regresores.
