 En qué consiste el método estadístico para pronosticar el patrón de demanda.

Método Estadístico: Regresión Lineal Simple.

¿Qué es la regresión lineal?

El análisis de la regresión lineal se utiliza para predecir el valor de una variable según el valor de
otra. La variable que desea predecir se denomina variable dependiente. La variable que está
utilizando para predecir el valor de la otra variable se denomina variable independiente.

Esta forma de análisis estima los coeficientes de la ecuación lineal, involucrando una o a más
variables independientes que mejor predicen el valor de la variable dependiente. La regresión
lineal se ajusta a una línea recta o a una superficie que minimiza las discrepancias entre los valores
de salida previstos y reales.

¿Por qué es importante la regresión lineal?

Los modelos de regresión lineal son relativamente sencillos y proporcionan una fórmula
matemática fácil de interpretar que puede generar predicciones. La regresión lineal puede
aplicarse a varias áreas de la empresa y de los estudios académicos.

Descubrirá que la regresión lineal se utiliza en todo, desde las ciencias biológicas, conductuales,
ambientales y sociales hasta en los negocios. Los modelos de regresión lineal se han convertido en
una forma comprobada de predecir el futuro de forma científica y confiable. Como la regresión
lineal es un procedimiento estadístico establecido hace mucho tiempo, las propiedades de sus
modelos de regresión lineal se conocen bien y pueden enseñarse muy rápido.

Los líderes de empresas y organizaciones pueden tomar mejores decisiones con técnicas de
regresión lineal. Las organizaciones recopilan enormes cantidades de datos, y la regresión lineal les
ayuda a utilizar esos datos para gestionar mejor la realidad, en lugar de depender de la experiencia
y la intuición. Es posible tomar grandes cantidades de datos sin procesar y transformarlos en
información accionable.

La regresión lineal también puede utilizarse para proporcionar mejores insights mediante el
descubrimiento de patrones y relaciones que sus colegas ya pueden haber visto y pensado que
habían entendido. Por ejemplo, el análisis de los datos de ventas y compras puede ayudarle a
descubrir patrones de compra específicos para días o momentos determinados. Los insights que se
recopilan de los análisis de regresión pueden ayudar a que los líderes de empresas anticipen los
momentos en los cuales los productos tendrán una demanda alta.

La regresión lineal simple consiste en generar un modelo de regresión (ecuación de una recta) que
permita explicar la relación lineal que existe entre dos variables. A la variable dependiente o
respuesta se le identifica como Y y a la variable predictora o independiente como X. El análisis de
regresión lineal simple es el más utilizado y el más sencillo de todos. Se trata de estudiar el efecto
de una variable independiente sobre una única variable dependiente de la primera o que al menos
a nivel teórico hemos considerado que es dependiente. Empleando esta ecuación de regresión
lineal simple se puede realizar una estimación basándose en los datos obtenidos.

El modelo de regresión lineal simple se describe de acuerdo a la ecuación:

 Y=β0+β1X1+ϵ

Siendo β0 la ordenada en el origen, β1 la pendiente y ϵ el error aleatorio. Este último representa la

diferencia entre el valor ajustado por la recta y el valor real. Recoge el efecto de todas aquellas
variables que influyen en Y pero que no se incluyen en el modelo como predictores. Al error
aleatorio también se le conoce como residuo. En la gran mayoría de casos, los valores β0 y β1
poblacionales son desconocidos, por lo que, a partir de una muestra, se obtienen sus estimaciones
β^0 y β^1. Estas estimaciones se conocen como coeficientes de regresión o least square
coefficient estimates, ya que toman aquellos valores que minimizan la suma de cuadrados
residuales, dando lugar a la recta que pasa más cerca de todos los puntos. (Existen alternativas al
método de mínimos cuadrados para obtener las estimaciones de los coeficientes).

Donde Sy y Sx son las desviaciones típicas de cada variable y R el coeficiente de correlación. β^0 es
el valor esperado la variable Y cuando X = 0, es decir, la intersección de la recta con el eje y. Es un
dato necesario para generar la recta, pero en ocasiones, no tiene interpretación práctica
(situaciones en las que X no puede adquirir el valor 0).

Una recta de regresión puede emplearse para diferentes propósitos y dependiendo de ellos es
necesario satisfacer distintas condiciones. En caso de querer medir la relación lineal entre dos
variables, la recta de regresión lo va a indicar de forma directa (ya que calcula la correlación). Sin
embargo, en caso de querer predecir el valor de una variable en función de la otra, no solo se
necesita calcular la recta, sino que además hay que asegurar que el modelo sea bueno.

Condiciones para la regresión lineal.

1. Linealidad: La relación entre ambas variables debe ser lineal. Para comprobarlo se puede
recurrir a:
 Graficar ambas variables a la vez (scatterplot o diagrama de dispersión),
superponiendo la recta del modelo generado por regresión lineal.
 Calcular los residuos para cada observación acorde al modelo generado y
graficarlos (scatterplot). Deben distribuirse de forma aleatoria en torno al valor 0.
 2. Distribución Normal de los residuos: Los residuos se tiene que distribuir de forma normal,
con media igual a 0. Esto se puede comprobar con un histograma, con la distribución de
cuantiles (qqnorm() + qqline()) o con un test de hipótesis de normalidad. Los valores
extremos suelen ser una causa frecuente por la que se viola la condición de normalidad.

3. Varianza de residuos constante (homocedasticidad): La varianza de los residuos ha de ser

aproximadamente constante a lo largo del eje X. Se puede comprobar mediante gráficos
(scatterplot) de los residuos de cada observación (formas cónicas son un claro indicio de
falta de homocedasticidad) o mediante contraste de hipótesis mediante el test de
Breusch-Pagan.

4. Valores atípicos y de alta influencia: Hay que estudiar con detenimiento los valores
atípicos o extremos ya que pueden generar una falsa correlación que realmente no existe,
u ocultar una existente. (Ver descripción detallada en la sección de apuntes varios).

5. Independencia, Autocorrelación: Las observaciones deben ser independientes unas de

otras. Esto es importante tenerlo en cuenta cuando se trata de mediciones temporales.
Puede detectarse estudiando si los residuos siguen un patrón o tendencia. Otro caso
frecuente es el de tener varias mediciones para un mismo sujeto. En estos casos, primero
se obtiene la media de cada uno y después se ajusta el modelo empleando las medias.

Dado que las condiciones se verifican a partir de los residuos, primero se suele generar el modelo
y después se valida. De hecho, el ajuste de un modelo debe verse como un proceso iterativo en el
que se ajusta un modelo inicial, se evalúa mediante sus residuos y se mejora. Así hasta llegar a un
modelo óptimo.

Por ejemplo, puede usarse a la hora de predecir accidentes mortales de tráfico en un país. La
variable de respuesta Y sería el país y se compararía con la población, que sería la variable
predictora X.
Otro ejemplo podría ser una empresa minorista necesita predecir las cifras de ventas para el
próximo mes (o la variable dependiente). Es difícil saberlo, ya que existen muchas variables en
torno a ese número (las variables independientes): el clima, el lanzamiento de un nuevo
modelo, lo que hacen sus competidores o el trabajo de mantenimiento que se realiza en el
pavimento exterior.

Muchos pueden tener una opinión, como Bob de cuentas o Rachel, que ha trabajado en el piso
de ventas durante diez años. Pero el análisis de regresión clasifica todas las variables medibles
e indicará lógicamente cuál tendrá un impacto. El análisis le dice qué factores influirán en las
ventas y cómo interactuarán las variables entre sí, lo cual ayudará a la empresa a tomar
mejores decisiones basadas en datos.

En este ejemplo de una empresa minorista, la variable dependiente son las ventas y las
variables independientes son el clima, el comportamiento de la competencia, el
mantenimiento de las aceras y los lanzamientos de nuevos modelos.

https://www.ibm.com/mx-es/analytics/learn/linear-regression

https://www.tibco.com/es/reference-center/what-is-regression-analysis