Sunteți pe pagina 1din 19

Universidad Centroamericana “José Simeón Cañas”

Maestría en Finanzas

Pronósticos en Economía y Negocios

Dr. Richard McGowan S.J.

Tarea # 3:

Caso Harley David son

“Análisis de Tendencia Simple y Medición del error”

Alumnos:

Hernández Dubón, Alvaro

Hernández Dubón, David Arturo

Martínez, Ismael Alberto

Palomares Ardon, Romeo Giovanni

Penado Alas, Fredy Josué

Fecha de entrega: 14 de Julio de 2017


Indice
1. Revenue = f(GDP) .................................................................................................................... 4
1.1 Resumen del modelo........................................................................................................... 4
1.2 ANOVA................................................................................................................................ 4
1.3 Coeficientesa ....................................................................................................................... 5
1.4 Análisis de Residuos ........................................................................................................... 5
1.4.1 Verificación de normalidad de errores ........................................................................... 5
1.4.2 Verificación de Homocedasticidad: ............................................................................... 6
1.4.3 Verificar la independencia de los residuos: ................................................................... 6
1.4.4 Cálculo de error del pronóstico ..................................................................................... 6
2. Revenue = f (Gas Price) ........................................................................................................... 6
2.1 Resumen del modelo........................................................................................................... 6
2.2 ANOVA................................................................................................................................ 7
2.3 Coeficientes......................................................................................................................... 7
2.4 Análisis de Residuos ........................................................................................................... 8
2.4.1 Verificación de normalidad de errores ........................................................................... 8
2.4.3 Verificar la independencia de los residuos: ................................................................... 8
2.4.4 Análisis de Errores ........................................................................................................ 8
3 Revenue = f(Domestic Car Sales) .............................................................................................. 9
3.1 Resumen del modelob ......................................................................................................... 9
3.2 ANOVAa .............................................................................................................................. 9
3.3 Coeficientesa ......................................................................................................................10
3.4 Analisis de Residuos ..........................................................................................................11
3.4.1 Verificación de normalidad de errores ..........................................................................11
3.4.3 Verificar la independencia de los residuos: ..................................................................11
3.4.4 Análisis de Errores. ......................................................................................................12
4. Modelo: Revenue = f(Unemployment) ......................................................................................12
4.1 Resumen del modelob ........................................................................................................12
4.2 ANOVAa .............................................................................................................................13
4.3 Coeficientesa ......................................................................................................................13
4.4 Analisis de Residuos ..........................................................................................................14
4.4.1 Verificación de normalidad de errores ..........................................................................14
4.4.2 Verificación de Homocedasticidad: ..............................................................................14
4.4.3 Verificar la independencia de los residuos: ..................................................................15
4.4.4 Calculo de los errores del pronostico. ..........................................................................15
5 Modelo: Revenue = f(Trend) .....................................................................................................15
5.1 Resumen del modelob ........................................................................................................15
5.2 ANOVAa .............................................................................................................................16
5.3 Coeficientesa ......................................................................................................................17
5.4 Analisis de Residuos ..........................................................................................................17
5.4.1 Verificación de normalidad de errores ..........................................................................18
5.4.2 Verificación de Homocedasticidad: ..............................................................................18
5.4.3 Verificar la independencia de los residuos: ..................................................................18
5.4.4 Calculo de los errores del pronostico ...........................................................................18
6. Resumen .................................................................................................................................18
1. Revenue = f(GDP)

1.1 Resumen del modelo

Error estándar
R cuadrado de la
Modelo R R cuadrado ajustado estimación Durbin-Watson

1 .659a .434 .424 219.319700 1.066

a. Predictores: (Constante), GDP

b. Variable dependiente: Revenue

 El Estadístico Durwin-Watson es de 1.066 por lo tanto existe auto correlación positiva y los datos
son estadísticamente dependientes entre sí, ya que se encuentra por debajo del rango 1.2 < DW <
2.8
 El coeficiente de R cuadrado Es de 0.434, lo que nos indica que el 43.4% de la variación de
Revenue es explicada por la variación de la variable GDP.

1.2 ANOVA

Suma de Media
Modelo cuadrados gl cuadrática F Sig.

1 Regresión 2210526.817 1 2210526.817 45.956 .000b

Residuo 2886067.859 60 48101.131

Total 5096594.677 61

a. Variable dependiente: Revenue

b. Predictores: (Constante), GDP


Se rechaza la hipótesis nula dado que la significancia del modelo es <0,05 por lo tanto existe relación lineal
entre las variables.

1.3 Coeficientesa

Coeficientes
Coeficientes no estandarizados estandarizados

Modelo B Error estándar Beta t Sig.

1 (Constante) 150.984 173.157 .872 .387

GDP .083 .012 .659 6.779 .000

a. Variable dependiente: Revenue


Se rechaza la hipótesis nula dado que la significancia del estadístico t <0.05, por lo que la variable GDP es
estadísticamente significativa o distinto cero.

Dado que el modelo es estadísticamente significativo, así como la variable, el modelo de regresión lineal
que representa se detalla a continuación:

Ecuación de Regresión lineal

Revenue = 150.984 + 0.083*GDP

1.4 Análisis de Residuos

1.4.1 Verificación de normalidad de errores


a. Cantidad de puntos positivos y negativos son aproximadamente iguales (29 negativos y 33
positivos)
b. No se observan puntos extremos fuera del rango +/– 3 sigma.
1.4.2 Verificación de Homocedasticidad:
la varianza no se mantiene constante a lo largo del tiempo

1.4.3 Verificar la independencia de los residuos:

El Estadístico Durwin Watson < 1.2 por lo tanto existe auto correlación positiva y los datos son
estadísticamente dependientes entre sí.

1.4.4 Cálculo de error del pronóstico

Valor
Revenue Revenue absoluto Cuadrado del
Periodo t Observado GDP Pronosticado Error del error error
Q3 2015 63 1317.43 18141.9 1656.7577 -339.3277 339.3277 115143.288
Q4 2015 64 1180.635 18222.8 1663.4724 -482.8374 482.8374 233131.9548
Q1 2016 65 1750 18281.6 1668.3528 81.6472 81.6472 6666.265268
Q2 2016 66 1861 18450.1 1682.3383 178.6617 178.6617 31920.00305
MAD MSE
270.62 96715.38

2. Revenue = f (Gas Price)

2.1 Resumen del modelo

Modelo R R cuadrado R cuadrado Error típ. de la Durbin-


corregida estimación Watson

1 .619a .384 .374 228.787488 .876

a. Variables predictoras: (Constante), Gasoline_Price

b. Variable dependiente: Revenue


 Dado que el valor del estadístico Durbin Watson es menor a 1.2 se puede concluir que los
residuos están auto correlacionados de manera positiva.
 En cuanto al R²; se determina que los cambios en las ganancias están explicados en un 37%
por los cambios en el precio de la gasolina.

2.2 ANOVA

Modelo Suma de gl Media F Sig.


cuadrados cuadrática

1 Regresión 1955971.786 1 1955971.786 37.368 .000b

Residual 3140622.891 60 52343.715

Total 5096594.677 61

a. Variable dependiente: Revenue

b. Variables predictoras: (Constante), Gasoline_Price


El modelo en general está bien especificado. El p-value de F es menor al 5%; por tanto, se rechaza
H0 que establece que el modelo y sus coeficientes son iguales a 0.

2.3 Coeficientes

Modelo Coeficientes no Coeficientes t Sig.


estandarizados tipificados

B Error típ. Beta

1 (Constante) 764.738 93.740 8.158 .000

Gasoline_Pric 212.553 34.771 .619 6.113 .000


e

a. Variable dependiente: Revenue

Coeficiente de la variable “Gasoline_Price” es estadísticamente significativa; pues su p-value es menor al 5% y por

tanto tanto se rechaza H0 que establece que el coeficiente es igual a 0.


2.4 Análisis de Residuos

2.4.1 Verificación de normalidad de errores


a. Cantidad de puntos positivos y negativos son aproximadamente iguales
b. No se observan puntos extremos fuera del rango +/– 3 sigma.

2.4.2 Verificación de Homocedasticidad:


la varianza no se mantiene constante a lo largo del tiempo

2.4.3 Verificar la independencia de los residuos:


El valor del estadístico Durbin Watson es menor a 1.2 y por tanto se concluye que los residuos están auto
correlacionados.

2.4.4 Análisis de Errores


Revenue Gas Revenue Valor absoluto Cuadrado del
Periodo t Observado Price Pronosticado Error del error error
Q3
2015 63 1317.43 2.689 1,336.29 -18.86 18.86 355.81
Q4
2015 64 1180.635 2.264 1,245.96 -65.33 65.325 4,267.09
Q1
2016 65 1750 2 1,189.84 560.16 560.16 313,774.74
Q2
2016 66 1861 2.351 1,264.45 596.55 596.55 355,871.78
MAD MSE
310.22 168567.36
3 Revenue = f(Domestic Car Sales)

3.1 Resumen del modelob

Error estándar
R cuadrado de la Durbin-
Modelo R R cuadrado ajustado estimación Watson

1 .135a .018 .002 288.786072 .700

a. Predictores: (Constante), US_Dom_Auto_Sales

b. Variable dependiente: Revenue

El estadístico Durbin – Watson es de 0.700, por lo tanto, hay uno auto correlación positiva, lo que significa que los
datos son estadísticamente dependientes, ya que están fuera del rango
1.2 < D.W.< 2.8.

El coeficiente R cuadrado es de 0.018, lo que nos indica que el 1.8% de la variación en la variable Revenue es
explicada por la variación en la variable Domestic Car Sales.

3.2 ANOVAa

Suma de Media
Modelo cuadrados gl cuadrática F Sig.

1 Regresión 92750.943 1 92750.943 1.112 .296b

Residuo 5003843.734 60 83397.396

Total 5096594.677 61

a. Variable dependiente: Revenue

b. Predictores: (Constante), US_Dom_Auto_Sales


No se rechaza la Ho, dado que la significancia del estadístico F es mayor a 0.05 por lo que en general el

modelo no es estadísticamente significativo o diferente de cero.

3.3 Coeficientesa

Coeficiente
s
Coeficientes no estandariza
estandarizados dos

Error
Modelo B estándar Beta t Sig.

1 (Constante) 1517.905 200.956 7.553 .000

US_Dom_Auto_Sa -.160 .152 -.135 -1.055 .296


les

a. Variable dependiente: Revenue

la variable independiente US Dom Auto Sales no es estadísticamente significativa o diferente de cero No

se rechaza la Ho, dado que la significancia del estadístico t es mayor a 0.05, por lo que.

Ecuación de regresión lineal:

· Revenue = 1517.905 - 0.160 (US Dom Auto Sales)

Dado que el modelo no es estadísticamente significativo y la variable independiente US Dom Auto Sales
tampoco es estadísticamente significativa, la ecuación anteriormente definida, no describe el
comportamiento de la variable dependiente Revenue.
3.4 Analisis de Residuos

3.4.1 Verificación de normalidad de errores


a. Cantidad de puntos positivos y negativos son aproximadamente iguales
b. No se observan puntos extremos fuera del rango +/– 3 sigma.

3.4.2 Verificación de Homocedasticidad:


la varianza no se mantiene constante a lo largo del tiempo

3.4.3 Verificar la independencia de los residuos:


Verificar de independencia de residuos: El estadístico Durbin – Watson es de 0.700, por lo tanto, hay uno auto
correlación positiva, lo que significa que los datos son estadísticamente dependientes, ya que están fuera del
rango 1.2 < D.W.< 2.8.
3.4.4 Análisis de Errores.

US Dom Valor
Revenue Auto Revenue absoluto Cuadrado del
Periodo t Observado Sales Pronosticado Error del error error
Q3 2015 63 1317.43 1425.1 1289.889 27.541 27.541 758.506681
Q4 2015 64 1180.635 1307.6 1308.689 -128.054 128.054 16397.82692
Q1 2016 65 1750 1292.3 1311.137 438.863 438.863 192600.7328
Q2 2016 66 1861 1367.9 1299.041 561.959 561.959 315797.9177
MAD MSE
289.10 131388.75

4. Modelo: Revenue = f(Unemployment)

4.1 Resumen del modelob

Error estándar
R cuadrado de la Durbin-
Modelo R R cuadrado ajustado estimación Watson

1 .083a .007 -.010 290.448231 .611

a. Predictores: (Constante), Unemployment

b. Variable dependiente: Revenue

El Estadístico Durbin-Watson es de 0.611, por lo tanto, hay una auto correlación positiva, lo que significa

que los datos son estadísticamente dependientes, ya que están fuera de rango 1.2<D.W.<2.8

El coeficiente R cuadrado es de 0.007, lo que nos indica que el 0.7% de la variación variable Revenue es

explicada por la variación de la variable Unemployment.


4.2 ANOVAa

Suma de Media
Modelo cuadrados gl cuadrática F Sig.

1 Regresión 34984.180 1 34984.180 .415 .522b

Residuo 5061610.497 60 84360.175

Total 5096594.677 61

a. Variable dependiente: Revenue

b. Predictores: (Constante), Unemployment

No se rechaza los Ho, dado que la significancia del estadístico F es mayor a 0.05, por lo que en general el
modelo no es estadísticamente significativo o diferente de cero.

4.3 Coeficientesa

Coeficientes
Coeficientes no estandarizad
estandarizados os

Error
Modelo B estándar Beta t Sig.

1 (Constante) 1225.427 135.724 9.029 .000

Unemployme 13.260 20.590 .083 .644 .522


nt

a. Variable dependiente: Revenue


No se rechaza la Ho, dado que la significancia del estadístico t es mayor a 0.05, por lo que la variable independiente
Unemployment no es estadísticamente significativa o diferente de cero.

Ecuación de regresión lineal:


Revenue = 1225.42 + 13.26 (Unemployment)

Dado que el modelo no es estadísticamente significativo y la variable independiente Unemployment no es


estadísticamente significativo, la ecuación anteriormente definida, no describe el comportamiento de la variable
dependiente Revenue.

4.4 Analisis de Residuos

4.4.1 Verificación de normalidad de errores


a. Cantidad de puntos positivos y negativos son aproximadamente iguales
b. No se observan puntos extremos fuera del rango +/– 3 sigma.

4.4.2 Verificación de Homocedasticidad:


la varianza no se mantiene constante a lo largo del tiempo
4.4.3 Verificar la independencia de los residuos:
El Estadístico Durbin-Watson es de 0.611, por lo tanto, hay una auto correlación positiva, lo que significa

que los datos son estadísticamente dependientes, ya que están fuera de rango 1.2<D.W.<2.8

El coeficiente R cuadrado es de 0.007, lo que nos indica que el 0.7% de la variación variable Revenue es

explicada por la variación de la variable Unemployment.

4.4.4 Calculo de los errores del pronostico.

Valor
Revenue Revenue absoluto Cuadrado del
Periodo t Observado Unemployment Pronosticado Error del error error

Q3 2015 63 1317.43 5.233 1294.80958 22.62042 22.62042 511.683401

Q4 2015 64 1180.635 4.8 1289.068 -108.433 108.433 11757.71549

Q1 2016 65 1750 5.2 1294.372 455.628 455.628 207596.8744

Q2 2016 66 1861 4.767 1288.63042 572.36958 572.36958 327606.9361


MAD MSE
289.76 136868.30

5 Modelo: Revenue = f(Trend)

5.1 Resumen del modelob

Error estándar
R cuadrado de la Durbin-
Modelo R R cuadrado ajustado estimación Watson

1 .601a .361 .350 233.033433 .941

a. Predictores: (Constante), Trend


b. Variable dependiente: Revenue

El Estadístico Durbin-Watson es de 0.941, por lo tanto, hay una auto correlación positiva, lo que significa que los
datos son estadísticamente dependientes, ya que están fuera de rango 1.2<D.W.<2.8
El coeficiente R cuadrado es de 0.361, lo que nos indica que el 36.1% de la variación variable Revenue es explicada
por la variación de la variable Trend.

5.2 ANOVAa

Suma de
Modelo cuadrados gl Media cuadrática F Sig.

1 Regresión 1838319.827 1 1838319.827 33.852 .000b

Residuo 3258274.849 60 54304.581

Total 5096594.677 61

a. Variable dependiente: Revenue

b. Predictores: (Constante), Trend

Se rechaza la Ho, dado que la significancia del estadístico F es menor a 0.05, por lo que en general el
modelo es estadísticamente significativo o igual a cero.
5.3 Coeficientesa

Coeficientes
Coeficientes no estandarizad
estandarizados os

Error
Modelo B estándar Beta t Sig.

1 (Constante 1006.443 59.914 16.798 .000


)

Trend 9.622 1.654 .601 5.818 .000

a. Variable dependiente: Revenue

Se rechaza la Ho, dado que la significancia del estadístico t es menor a 0.05, por lo que la variable
independiente trend es estadísticamente significativa o igual a cero.
Ecuación de regresión lineal:
· Revenue = 1006.44 + 9.62 (Trend)
Dado que el modelo es estadísticamente significativo y la variable independiente Trend es
estadísticamente significativo, la ecuación anteriormente definida, describe el comportamiento de la
variable dependiente Revenue.

5.4 Analisis de Residuos

Análisis:
5.4.1 Verificación de normalidad de errores
a. Cantidad de puntos positivos y negativos son aproximadamente iguales
b. No se observan puntos extremos fuera del rango +/– 3 sigma.

5.4.2 Verificación de Homocedasticidad:


la varianza no se mantiene constante a lo largo del tiempo

5.4.3 Verificar la independencia de los residuos:


El Estadístico Durbin-Watson es de 0.941, por lo tanto, hay una auto correlación positiva, lo que significa que los

datos son estadísticamente dependientes, ya que están fuera de rango 1.2<D.W.<2.8

5.4.4 Calculo de los errores del pronostico

Valor
Revenue Revenue absoluto del Cuadrado del
Periodo t Observado Trend Pronosticado Error error error
Q3 2015 63 1317.43 63 1612.5 -295.07 295.07 87066.3049
Q4 2015 64 1180.635 64 1622.12 -441.485 441.485 194909.0052
Q1 2016 65 1750 65 1631.74 118.26 118.26 13985.4276
Q2 2016 66 1861 66 1641.36 219.64 219.64 48241.7296
MAD MSE
268.61 86050.62

6. Resumen
Cumplimiento de
Cumplimiento de independencia de
Cumplimiento de normalidad
homocedasticidad residuos (no auto
correlación)
Se observan
Grado de
Grado de Cantidad de puntos puntos La varianza se Estadístico Durbin-
significancia de la
significancia R^2 positivos y negativos extremos fuera mantiene constante a Watson > a 1.2 y
variable
del modelo son aproximadamente del rango de lo largo del tiempo <2.8
independiente
Modelo iguales +/- 3 sigmas MAD MSE
Revenue = f(GDP) 0.000 0.000 0.434 Si No No No 270.62 96715.38
Revenue = f (Gas
Price) 0.000 0.000 0.384 Si No No No 310.22 168568.55
Revenue = f
(Domestic Car
Sales) 0.296 0.296 0.018 Si No No No 289.10 131388.75
Revenue =
f(Unemployment) 0.522 0.522 0.007 Si No Si No 289.76 136868.30
Revenue =
f(Trend) 0.000 0.000 0.361 Si No No No 268.61 86050.62

¿Se cumplen todos los supuestos de OLS en cada uno de los modelos? ¿Qué supuestos han sido violados? ¿Qué modelo recomendaría? Guarde el MAD y el MSE para
su mejor modelo de regresión simple, pues lo ocupará al final del caso cuando se comparen todos los modelos y se deba seleccionar el mejor.

¿Se cumplen todos los supuestos de OLS en cada uno de los modelos? No
¿Qué modelo recomendaría? Ninguno
Revenue =
En base al MAD y MSE, cuál es el mejor modelo f(Trend)