Pronóstico

Realizar predicciones basadas en los datos disponibles

La previsión es el proceso de hacer predicciones basadas en datos pasados ​​y presentes. Más tarde, estas pueden compararse (resolverse) con lo que sucede. Por ejemplo, una empresa puede estimar sus ingresos en el próximo año y luego compararlos con los resultados reales creando un análisis de varianza real. La predicción es un término similar pero más general. La previsión puede referirse a métodos estadísticos formales específicos que emplean series de tiempo , datos transversales o longitudinales , o alternativamente a métodos de juicio menos formales o al proceso de predicción y resolución en sí. El uso puede variar entre áreas de aplicación: por ejemplo, en hidrología, los términos "previsión" y "previsión" a veces se reservan para estimaciones de valores en ciertos momentos futuros específicos , mientras que el término "predicción" se usa para estimaciones más generales, como el número de veces que ocurrirán inundaciones durante un período prolongado.

El riesgo y la incertidumbre son fundamentales para la previsión y la predicción; en general, se considera una buena práctica indicar el grado de incertidumbre asociado a las previsiones. En cualquier caso, los datos deben estar actualizados para que la previsión sea lo más precisa posible. En algunos casos, los datos utilizados para predecir la variable de interés son en sí mismos una previsión. ^[1] Una previsión no debe confundirse con un presupuesto; los presupuestos son planes financieros más específicos y de plazo fijo que se utilizan para la asignación y el control de recursos, mientras que las previsiones proporcionan estimaciones del rendimiento financiero futuro, lo que permite flexibilidad y adaptabilidad a circunstancias cambiantes. Ambas herramientas son valiosas en la planificación financiera y la toma de decisiones, pero cumplen funciones diferentes.

Aplicaciones

La previsión tiene aplicaciones en una amplia gama de campos en los que las estimaciones de condiciones futuras son útiles. Según el campo, la precisión varía significativamente. Si se conocen y comprenden bien los factores relacionados con lo que se está pronosticando y hay una cantidad significativa de datos que se pueden utilizar, es probable que el valor final se acerque al pronóstico. Si no es así o si el resultado real se ve afectado por los pronósticos, la fiabilidad de los pronósticos puede ser significativamente menor. ^[2]

El cambio climático y el aumento de los precios de la energía han llevado al uso de la previsión Egain para edificios. Con ello se intenta reducir la energía necesaria para calentar el edificio, reduciendo así la emisión de gases de efecto invernadero . La previsión se utiliza en la planificación de la demanda de los clientes en las actividades cotidianas de las empresas de fabricación y distribución.

Si bien la veracidad de las predicciones sobre los rendimientos reales de las acciones se cuestiona a partir de la hipótesis del mercado eficiente , es común pronosticar tendencias económicas generales . Este tipo de análisis lo realizan tanto grupos sin fines de lucro como instituciones privadas con fines de lucro. ^{[ cita requerida ]}

La previsión de los movimientos de los tipos de cambio se consigue normalmente mediante una combinación de análisis gráfico y fundamental . Una diferencia esencial entre el análisis gráfico y el análisis económico fundamental es que los chartistas estudian únicamente la acción del precio de un mercado, mientras que los fundamentalistas intentan buscar las razones que se esconden detrás de la acción. ^[3] Las instituciones financieras asimilan la evidencia proporcionada por sus investigadores fundamentales y chartistas en una sola nota para proporcionar una proyección final sobre la moneda en cuestión. ^[4]

La previsión también se ha utilizado para predecir el desarrollo de situaciones de conflicto. ^[5] Los pronosticadores realizan investigaciones que utilizan resultados empíricos para medir la eficacia de ciertos modelos de previsión. ^[6] Sin embargo, la investigación ha demostrado que hay poca diferencia entre la precisión de las previsiones de los expertos con conocimientos sobre la situación de conflicto y las de las personas con mucho menos conocimiento. ^[7] De manera similar, los expertos en algunos estudios sostienen que el pensamiento de roles (ponerse en el lugar de otras personas para predecir sus decisiones) no contribuye a la precisión de la previsión. ^[8]

Un aspecto importante, aunque a menudo ignorado, de la previsión es la relación que mantiene con la planificación . La previsión puede describirse como la predicción de cómo será el futuro , mientras que la planificación predice cómo debería ser el futuro. ^[6] No existe un único método de previsión adecuado que se pueda utilizar. La selección de un método debe basarse en sus objetivos y sus condiciones (datos, etc.). ^[9] Un buen lugar para encontrar un método es visitando un árbol de selección. Puede encontrar un ejemplo de un árbol de selección aquí. ^[10]

La previsión tiene aplicación en muchas situaciones:

• Gestión de la cadena de suministro y planificación de la demanda de los clientes : la previsión se puede utilizar en la gestión de la cadena de suministro para garantizar que el producto correcto esté en el lugar correcto en el momento correcto. Una previsión precisa ayudará a los minoristas a reducir el exceso de inventario y, por lo tanto, a aumentar el margen de beneficio . Una previsión precisa también les ayudará a satisfacer la demanda de los consumidores. La disciplina de la planificación de la demanda, también denominada a veces previsión de la cadena de suministro, abarca tanto la previsión estadística como un proceso de consenso. Los estudios han demostrado que las extrapolaciones son las menos precisas, mientras que las previsiones de beneficios de la empresa son las más fiables. ^{[ aclaración necesaria ] [11]}
• Pronóstico económico
• Predicción de terremotos
• Previsión de ganancias
• Pronóstico energético para la integración de energías renovables
• Finanzas contra el riesgo de impago mediante calificaciones y puntuaciones crediticias
• Previsión del uso del suelo
• Rendimiento de los jugadores y del equipo en el deporte
• Pronóstico político
• Previsión de productos
• Previsión de ventas
• Previsión tecnológica
• Previsiones de telecomunicaciones
• Planificación y previsión del transporte
• Previsión meteorológica , previsión de inundaciones y meteorología

La previsión como entrenamiento, apuesta y futarquía

En muchos casos el pronóstico es mayor o menor que una predicción del futuro.

En Superforecasting: The Art and Science of Prediction de Philip E. Tetlock , analiza la previsión como un método para mejorar la capacidad de tomar decisiones. Una persona puede calibrarse mejor ^{[ cita requerida ]} , es decir , tener cosas a las que le dé un 10 % de probabilidad de que sucedan el 10 % del tiempo. O puede pronosticar cosas con más confianza ^{[ cita requerida ]} , llegando a la misma conclusión pero antes. Algunos han afirmado que la previsión es una habilidad transferible con beneficios para otras áreas de discusión y toma de decisiones. ^{[ cita requerida ]}

Las apuestas deportivas o políticas son otra forma de hacer pronósticos. En lugar de utilizarse como asesoramiento, a los apostadores se les paga en función de si han acertado sus predicciones. Si bien las decisiones pueden tomarse en función de estas apuestas (pronósticos), la motivación principal suele ser financiera.

Por último, la futarquía es una forma de gobierno en la que se utilizan previsiones sobre el impacto de las acciones gubernamentales para decidir qué acciones se adoptan. En lugar de dar consejos, en la forma más fuerte de la futarquía se adopta automáticamente la acción con el mejor resultado previsto. ^{[ cita requerida ]}

Mejoras en las previsiones

Se han llevado a cabo proyectos de mejora de las previsiones en diversos sectores: el Proyecto de mejora de las previsiones de huracanes (HFIP) del Centro Nacional de Huracanes y el Proyecto de mejora de las previsiones eólicas patrocinado por el Departamento de Energía de los EE. UU. son ejemplos. ^[12] En relación con la gestión de la cadena de suministro, se ha utilizado el modelo de Du Pont para demostrar que un aumento de la precisión de las previsiones puede generar aumentos de las ventas y reducciones de los inventarios, los gastos operativos y el compromiso de capital de trabajo. ^[13]

Categorías de métodos de previsión

Métodos cualitativos vs. cuantitativos

Las técnicas de previsión cualitativa son subjetivas, se basan en la opinión y el juicio de los consumidores y los expertos; son adecuadas cuando no se dispone de datos históricos. Por lo general, se aplican a decisiones de mediano o largo plazo. Algunos ejemplos de métodos de previsión cualitativa son ^{[ cita requerida ]} la opinión y el juicio informados, el método Delphi , la investigación de mercado y la analogía del ciclo de vida histórico.

Los modelos de pronóstico cuantitativo se utilizan para pronosticar datos futuros en función de datos pasados. Son apropiados para usar cuando se dispone de datos numéricos pasados ​​y cuando es razonable suponer que se espera que algunos de los patrones en los datos continúen en el futuro. Estos métodos se aplican generalmente a decisiones de corto o mediano plazo. Ejemplos de métodos de pronóstico cuantitativo son ^{[ cita requerida ] demanda del último período,} promedios móviles simples y ponderados de N períodos , suavizado exponencial simple , pronóstico basado en el modelo del proceso de Poisson ^[14] e índices estacionales multiplicativos. Investigaciones anteriores muestran que diferentes métodos pueden conducir a diferentes niveles de precisión de pronóstico. Por ejemplo, se encontró que la red neuronal GMDH tenía un mejor rendimiento de pronóstico que los algoritmos de pronóstico clásicos como Single Exponential Smooth, Double Exponential Smooth, ARIMA y red neuronal de retropropagación. ^[15]

Enfoque promedio

En este enfoque, las predicciones de todos los valores futuros son iguales a la media de los datos pasados. Este enfoque se puede utilizar con cualquier tipo de datos para los que se disponga de datos pasados. En la notación de series temporales:

${\displaystyle {\hat {y}}_{T+h|T}={\bar {y}}=(y_{1}+...+y_{T})/T}$ ^[16]

¿Dónde están los datos pasados? ${\displaystyle y_{1},...,y_{T}}$

Aunque aquí se ha utilizado la notación de series temporales, el enfoque del promedio también se puede utilizar para datos transversales (cuando estamos prediciendo valores no observados; valores que no están incluidos en el conjunto de datos). En ese caso, la predicción de los valores no observados es el promedio de los valores observados.

Enfoque ingenuo

Los pronósticos ingenuos son el modelo de pronóstico más rentable y proporcionan un punto de referencia con el que se pueden comparar modelos más sofisticados. Este método de pronóstico solo es adecuado para datos de series temporales . ^[16] Al utilizar el enfoque ingenuo, se producen pronósticos que son iguales al último valor observado. Este método funciona bastante bien para series temporales económicas y financieras, que a menudo tienen patrones que son difíciles de predecir de manera confiable y precisa. ^[16] Si se cree que la serie temporal tiene estacionalidad, el enfoque ingenuo estacional puede ser más apropiado cuando los pronósticos son iguales al valor de la temporada pasada. En notación de series temporales:

${\displaystyle {\hat {y}}_{T+h|T}=y_{T}}$

Método de deriva

Una variación del método ingenuo consiste en permitir que los pronósticos aumenten o disminuyan con el tiempo, donde la cantidad de cambio a lo largo del tiempo (llamada deriva ) se establece como el cambio promedio observado en los datos históricos. Por lo tanto, el pronóstico para el tiempo viene dado por ${\displaystyle T+h}$

${\displaystyle {\hat {y}}_{T+h|T}=y_{T}+{\frac {h}{T-1}}\sum _{t=2}^{T}(y_{t}-y_{t-1})=y_{T}+h\left({\frac {y_{T}-y_{1}}{T-1}}\right).}$ ^[16]

Esto equivale a trazar una línea entre la primera y la última observación y extrapolarla hacia el futuro.

Enfoque ingenuo estacional

El método ingenuo estacional tiene en cuenta la estacionalidad al establecer que cada predicción sea igual al último valor observado de la misma estación. Por ejemplo, el valor de predicción para todos los meses posteriores de abril será igual al valor anterior observado para abril. La previsión para el tiempo es ^[16] ${\displaystyle T+h}$

${\displaystyle {\hat {y}}_{T+h|T}=y_{T+h-m(k+1)}}$

donde = período estacional y es el entero más pequeño mayor que . ${\displaystyle m}$ ${\displaystyle k}$ ${\displaystyle (h-1)/m}$

El método ingenuo estacional es particularmente útil para datos que tienen un nivel muy alto de estacionalidad.

Enfoque determinista

Un enfoque determinista es cuando no hay una variable estocástica involucrada y los pronósticos dependen de las funciones y parámetros seleccionados. ^{[17] [18]} Por ejemplo, dada la función

${\displaystyle {\begin{aligned}f_{n}(x_{t})={\dfrac {1}{(1+x_{t}^{n})}}\,,\qquad n\in {\mathbb {N} },\;x\in {\mathbb {R} }.\end{aligned}}}$

El comportamiento a corto plazo y la tendencia a medio-largo plazo son ${\displaystyle x_{t}}$ ${\displaystyle y_{t}}$

${\displaystyle {\begin{aligned}{\left\{{\begin{array}{ll}x_{t+1}=\alpha f_{n}(x_{t})+\gamma \,y_{t}+\delta \\y_{t+1}=\beta \,y_{t}-\mu \,x_{t}+\eta \end{array}}\right.}\end{aligned}}}$

¿Dónde están algunos parámetros? ${\displaystyle \alpha ,\gamma ,\beta ,\mu ,\eta }$

Este enfoque se ha propuesto para simular ráfagas de actividad aparentemente estocástica, interrumpidas por períodos más tranquilos. Se supone que la presencia de un fuerte componente determinista está oculta por el ruido. El enfoque determinista es digno de mención porque puede revelar la estructura subyacente de los sistemas dinámicos, que se puede aprovechar para dirigir la dinámica hacia un régimen deseado. ^[17]

Métodos de series temporales

Los métodos de series temporales utilizan datos históricos como base para estimar resultados futuros y se basan en el supuesto de que el historial de demanda anterior es un buen indicador de la demanda futura.

• Promedio móvil
• Promedio móvil ponderado
• Suavizado exponencial
• Promedio móvil autorregresivo (ARMA) (los pronósticos dependen de los valores pasados ​​de la variable que se pronostica y de los errores de predicción pasados)
• Promedio móvil autorregresivo integrado (ARIMA) (ARMA sobre el cambio de período a período en la variable de pronóstico)

por ejemplo, Box-Jenkins

ARIMA estacional o SARIMA o ARIMARCH,

• Extrapolación
• Predicción lineal
• Estimación de tendencia (predicción de la variable como una función lineal o polinómica del tiempo)
• Curva de crecimiento (estadísticas)
• Red neuronal recurrente

Métodos relacionales

Algunos métodos de pronóstico intentan identificar los factores subyacentes que podrían influir en la variable que se está pronosticando. Por ejemplo, incluir información sobre los patrones climáticos podría mejorar la capacidad de un modelo para predecir las ventas de paraguas. Los modelos de pronóstico a menudo tienen en cuenta las variaciones estacionales regulares. Además del clima, dichas variaciones también pueden deberse a las festividades y las costumbres: por ejemplo, se podría predecir que las ventas de indumentaria de fútbol universitario serán mayores durante la temporada de fútbol que durante la temporada baja. ^[19]

Varios métodos informales utilizados en la previsión causal no se basan únicamente en los resultados de algoritmos matemáticos , sino que utilizan el criterio del pronosticador. Algunos pronósticos tienen en cuenta las relaciones pasadas entre variables: si una variable, por ejemplo, ha estado relacionada de manera aproximadamente lineal con otra durante un largo período de tiempo, puede ser adecuado extrapolar esa relación al futuro, sin comprender necesariamente las razones de la relación.

Los métodos causales incluyen:

• El análisis de regresión incluye un amplio grupo de métodos para predecir valores futuros de una variable utilizando información sobre otras variables. Estos métodos incluyen técnicas paramétricas (lineales o no lineales) y no paramétricas .
• Media móvil autorregresiva con entradas exógenas (ARMAX) ^[20]

Los modelos de pronóstico cuantitativo suelen compararse entre sí mediante la comparación de su error cuadrático medio dentro o fuera de la muestra , aunque algunos investigadores han desaconsejado esta medida. ^[21] Los distintos enfoques de pronóstico tienen distintos niveles de precisión. Por ejemplo, en un contexto se descubrió que el GMDH tiene una precisión de pronóstico mayor que el ARIMA tradicional. ^[22]

Métodos de juicio

Los métodos de previsión basados ​​en juicios incorporan juicios intuitivos, opiniones y estimaciones subjetivas de probabilidad . La previsión basada en juicios se utiliza en casos en los que no se dispone de datos históricos o en condiciones de mercado completamente nuevas y únicas. ^[23]

Los métodos de juicio incluyen:

• Previsiones compuestas ^{[ cita requerida ]}
• El método de Cooke ^{[ cita requerida ]}
• Método Delphi
• Pronóstico por analogía
• Construcción de escenarios
• Encuestas estadísticas
• Previsión tecnológica

Métodos de inteligencia artificial

• Redes neuronales artificiales
• Método grupal de manejo de datos
• Máquinas de vectores de soporte

A menudo, hoy en día, esto lo llevan a cabo programas especializados con etiquetas vagas.

• Minería de datos
• Aprendizaje automático
• Reconocimiento de patrones

Extrapolación geométrica con predicción de errores

Se puede crear con 3 puntos de una secuencia y el “momento” o “índice”. Este tipo de extrapolación tiene una precisión del 100% en las predicciones en un gran porcentaje de bases de datos de series conocidas (OEIS). ^[24]

Otros métodos

• Causalidad de Granger
• Simulación
• Mercado de predicciones
• Pronóstico probabilístico y pronóstico de conjunto

Precisión de las previsiones

El error de previsión (también conocido como residual ) es la diferencia entre el valor real y el valor previsto para el período correspondiente:

${\displaystyle \ E_{t}=Y_{t}-F_{t}}$

donde E es el error de pronóstico en el período t, Y es el valor real en el período t y F es el pronóstico para el período t.

Un buen método de pronóstico arrojará residuos que no estén correlacionados . Si existen correlaciones entre los valores residuales, entonces queda información en los residuos que se debe utilizar para calcular pronósticos. Esto se puede lograr calculando el valor esperado de un residuo como una función de los residuos pasados ​​conocidos y ajustando el pronóstico por la cantidad en que este valor esperado difiere de cero.

Un buen método de pronóstico también tendrá una media cero . Si los residuos tienen una media distinta de cero, entonces los pronósticos están sesgados y se pueden mejorar ajustando la técnica de pronóstico mediante una constante aditiva que sea igual a la media de los residuos no ajustados.

Medidas de error agregado:

Errores dependientes de la escala

El error de pronóstico, E, está en la misma escala que los datos, por lo tanto, estas medidas de precisión dependen de la escala y no se pueden utilizar para hacer comparaciones entre series en diferentes escalas.

Error absoluto medio (MAE) o desviación absoluta media (MAD): ${\displaystyle \ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}}$

Error cuadrático medio (MSE) o error cuadrático medio de predicción (MSPE): ${\displaystyle \ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$

Error cuadrático medio (RMSE): ${\displaystyle \ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}}$

Promedio de errores (E): ${\displaystyle \ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}}$

Errores porcentuales

Estos se utilizan con más frecuencia para comparar el rendimiento de los pronósticos entre diferentes conjuntos de datos porque son independientes de la escala. Sin embargo, tienen la desventaja de ser extremadamente grandes o indefinidos si Y es cercano o igual a cero.

Error porcentual absoluto medio (MAPE): ${\displaystyle \ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}}$

Desviación porcentual absoluta media (MAPD): ${\displaystyle \ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}}$

Errores escalados

Hyndman y Koehler (2006) propusieron utilizar errores escalados como alternativa a los errores porcentuales.

Error absoluto medio escalado (MASE): ${\displaystyle MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}}$

donde m = período estacional o 1 si no es estacional

Otras medidas

Habilidad de pronóstico (SS): ${\displaystyle \ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}}$

Los analistas y profesionales de negocios a veces utilizan una terminología diferente. Se refieren al PMAD como MAPE, aunque lo calculan como un MAPE ponderado por volumen. Para obtener más información, consulte Cálculo de la precisión de la previsión de la demanda .

Al comparar la precisión de diferentes métodos de pronóstico en un conjunto de datos específico, las medidas de error agregado se comparan entre sí y se prefiere el método que produce el menor error.

Conjuntos de entrenamiento y prueba

Al evaluar la calidad de los pronósticos, no es válido analizar qué tan bien se ajusta un modelo a los datos históricos; la precisión de los pronósticos solo se puede determinar considerando qué tan bien se desempeña un modelo con datos nuevos que no se usaron al ajustar el modelo. Al elegir modelos, es común utilizar una parte de los datos disponibles para el ajuste y usar el resto de los datos para probar el modelo, como se hizo en los ejemplos anteriores. ^[25]

Validación cruzada

La validación cruzada es una versión más sofisticada del entrenamiento de un conjunto de pruebas.

Para datos transversales , un enfoque de validación cruzada funciona de la siguiente manera:

1. Seleccione la observación i para el conjunto de prueba y utilice las observaciones restantes en el conjunto de entrenamiento. Calcule el error en la observación de prueba.
2. Repita el paso anterior para i = 1,2,..., N donde N es el número total de observaciones.
3. Calcular las medidas de precisión del pronóstico en función de los errores obtenidos.

Esto permite un uso eficiente de los datos disponibles, ya que solo se omite una observación en cada paso.

En el caso de los datos de series temporales, el conjunto de entrenamiento solo puede incluir observaciones anteriores al conjunto de prueba. Por lo tanto, no se pueden utilizar observaciones futuras para elaborar el pronóstico. Supongamos que se necesitan k observaciones para producir un pronóstico confiable; entonces, el proceso funciona de la siguiente manera:

1. Partiendo de i = 1, seleccione la observación k + i para el conjunto de prueba y utilice las observaciones en los momentos 1, 2, ..., k+i –1 para estimar el modelo de pronóstico. Calcule el error en el pronóstico para k+i .
2. Repita el paso anterior para i = 2,..., T–k donde T es el número total de observaciones.
3. Calcule la precisión del pronóstico teniendo en cuenta todos los errores.

Este procedimiento a veces se conoce como "origen de pronóstico móvil" porque el "origen" ( k+i -1) en el que se basa el pronóstico avanza en el tiempo. ^[25] Además, los pronósticos de dos pasos por delante o, en general, de p pasos por delante se pueden calcular pronosticando primero el valor inmediatamente después del conjunto de entrenamiento y luego usando este valor con los valores del conjunto de entrenamiento para pronosticar dos períodos por delante, etc.

Véase también

• Cálculo de la precisión de la previsión de la demanda
• Previsiones de consenso
• Error de pronóstico
• Previsibilidad
• Intervalos de predicción , similares a los intervalos de confianza
• Previsión de clases de referencia

Estacionalidad y comportamiento cíclico

Estacionalidad

La estacionalidad es una característica de una serie temporal en la que los datos experimentan cambios regulares y predecibles que se repiten cada año calendario. Cualquier cambio o patrón predecible en una serie temporal que se repite o recurre durante un período de un año puede decirse que es estacional. Es común en muchas situaciones, como en una tienda de comestibles ^[26] o incluso en la oficina de un médico forense ^[27] , que la demanda dependa del día de la semana. En tales situaciones, el procedimiento de pronóstico calcula el índice estacional de la "temporada" (siete estaciones, una para cada día), que es la relación entre la demanda promedio de esa temporada (que se calcula mediante el promedio móvil o el suavizado exponencial utilizando datos históricos correspondientes solo a esa temporada) y la demanda promedio de todas las estaciones. Un índice mayor que 1 indica que la demanda es mayor que el promedio; un índice menor que 1 indica que la demanda es menor que el promedio.

Comportamiento cíclico

El comportamiento cíclico de los datos se produce cuando se producen fluctuaciones regulares en los datos que suelen durar un intervalo de al menos dos años y cuando no se puede predeterminar la duración del ciclo actual. El comportamiento cíclico no debe confundirse con el comportamiento estacional. Las fluctuaciones estacionales siguen un patrón constante cada año, por lo que siempre se conoce el período. Por ejemplo, durante el período navideño, los inventarios de las tiendas tienden a aumentar para prepararse para los compradores navideños. Como ejemplo de comportamiento cíclico, la población de un ecosistema natural particular exhibirá un comportamiento cíclico cuando la población disminuya a medida que disminuya su fuente natural de alimentos y, una vez que la población sea baja, la fuente de alimentos se recuperará y la población comenzará a aumentar nuevamente. Los datos cíclicos no se pueden explicar utilizando el ajuste estacional ordinario, ya que no tienen un período fijo.

Limitaciones

Las limitaciones plantean barreras más allá de las cuales los métodos de pronóstico no pueden predecir de manera confiable. Hay muchos eventos y valores que no se pueden pronosticar de manera confiable. Eventos como el lanzamiento de un dado o los resultados de la lotería no se pueden pronosticar porque son eventos aleatorios y no existe una relación significativa en los datos. Cuando los factores que conducen a lo que se está pronosticando no se conocen o no se comprenden bien, como en los mercados de acciones y divisas, los pronósticos a menudo son inexactos o erróneos, ya que no hay suficientes datos sobre todo lo que afecta a estos mercados para que los pronósticos sean confiables; además, los resultados de los pronósticos de estos mercados cambian el comportamiento de los involucrados en el mercado, lo que reduce aún más la precisión de los pronósticos. ^[2]

El concepto de "predicciones autodestructivas" se refiere a la forma en que algunas predicciones pueden debilitarse a sí mismas al influir en el comportamiento social. ^[28] Esto se debe a que "los predictores son parte del contexto social sobre el que intentan hacer una predicción y pueden influir en ese contexto en el proceso". ^[28] Por ejemplo, una predicción de que un gran porcentaje de una población se infectará con VIH en función de las tendencias existentes puede hacer que más personas eviten el comportamiento riesgoso y, por lo tanto, reduzcan la tasa de infección por VIH, invalidando la predicción (que podría haber seguido siendo correcta si no se hubiera conocido públicamente). O bien, una predicción de que la ciberseguridad se convertirá en un problema importante puede hacer que las organizaciones implementen más medidas de seguridad cibernética, limitando así el problema.

Límites de desempeño de las ecuaciones de dinámica de fluidos

Como propuso Edward Lorenz en 1963, las previsiones meteorológicas a largo plazo, es decir, las realizadas con un margen de dos semanas o más, son imposibles de predecir definitivamente el estado de la atmósfera, debido a la naturaleza caótica de las ecuaciones de dinámica de fluidos involucradas. Los errores extremadamente pequeños en los datos iniciales, como las temperaturas y los vientos, dentro de los modelos numéricos se duplican cada cinco días. ^[29]

Véase también

• Acelerando el cambio
• Previsión del flujo de caja
• Cliodinámica
• Planificación, previsión y reposición colaborativas
• Lluvia de ideas asistida por computadora
• Predicción de terremotos
• Pronóstico económico
• Previsión energética
• Sesgo de pronóstico
• Prospectiva (estudios futuros)
• Espectro de frecuencia
• Estudios de futuros
• Futurología
• Onda de Kondratiev
• Mínimos cuadrados
• Análisis espectral de mínimos cuadrados
• Sesgo de optimismo
• Planificación
• Predicción
• Análisis predictivo
• Gestión de riesgos
• Planificación de escenarios
• Ola de gasto
• Previsión estratégica
• Previsión tecnológica
• La trampa de Tucídides
• Serie temporal
• Pronóstico del tiempo
• Previsión de energía eólica

Referencias

1. French, Jordan (2017). "El CAPM del viajero en el tiempo". Revista de analistas de inversiones . 46 (2): 81–96. doi :10.1080/10293523.2016.1255469. S2CID  157962452.
2. Previsión: principios y práctica.
3. Helen Allen; Mark P. Taylor (1990). "Gráficos, ruido y fundamentos en el mercado de divisas de Londres". The Economic Journal . 100 (400): 49–59. doi :10.2307/2234183. JSTOR  2234183.
4. Libra esterlina en vivo. "Previsiones del euro de investigadores institucionales", una lista de previsiones del tipo de cambio recopiladas que abarcan el análisis técnico y fundamental del mercado de divisas.
5. T. Chadefaux (2014). "Señales de alerta temprana de guerra en las noticias". Journal of Peace Research, 51(1), 5-18
6. J. Scott Armstrong; Kesten C. Green; Andreas Graefe (2010). "Respuestas a preguntas frecuentes" (PDF) . Archivado desde el original (PDF) el 2012-07-11 . Consultado el 2012-01-23 .
7. Kesten C. Greene; J. Scott Armstrong (2007). "El Ombudsman: el valor de la experiencia para predecir decisiones en conflictos" (PDF) . Interfaces : 1–12. Archivado desde el original (PDF) el 2010-06-20 . Consultado el 29 de diciembre de 2011 .
8. Kesten C. Green; J. Scott Armstrong (1975). "Pensamiento de roles: ponerse en el lugar de otras personas para predecir decisiones en conflictos". Revista internacional de previsión . 39 : 111–116. SSRN  1596623.
9. "Preguntas frecuentes". Forecastingprinciples.com. 14 de febrero de 1998. Consultado el 28 de agosto de 2012 .
10. "Árbol de selección". Forecastingprinciples.com. 14 de febrero de 1998. Consultado el 28 de agosto de 2012 .
11. J. Scott Armstrong (1983). "Precisión relativa de los métodos de juicio y extrapolación en la previsión de las ganancias anuales" (PDF) . Journal of Forecasting . 2 (4): 437–447. doi :10.1002/for.3980020411. S2CID  16462529.
12. Departamento de Energía, Proyecto de mejora de las previsiones eólicas (WFIP): una asociación público-privada para abordar las necesidades de previsión de la energía eólica, publicado el 30 de octubre de 2015, consultado el 9 de diciembre de 2022
13. Logility, Inc. (2016), Beyond Basic Forecasting, consultado el 9 de diciembre de 2022
14. Mahmud, Tahmida; Hasan, Mahmudul; Chakraborty, Anirban; Roy-Chowdhury, Amit (19 de agosto de 2016). Un modelo de proceso de Poisson para la previsión de actividades . Conferencia internacional IEEE sobre procesamiento de imágenes (ICIP) de 2016. IEEE. doi :10.1109/ICIP.2016.7532978.
15. Li, Rita Yi Man; Fong, Simon; Chong, Kyle Weng Sang (2017). "Pronóstico de los REIT y los índices bursátiles: método de grupo de manejo de datos, enfoque de red neuronal". Revista de investigación inmobiliaria de la Cuenca del Pacífico . 23 (2): 123–160. doi :10.1080/14445921.2016.1225149. S2CID  157150897.
16. Hyndman, Rob J; Athanasopoulos, George. "2.3 Algunos métodos de pronóstico simples". Pronóstico: principios y práctica . OTexts. Archivado desde el original el 13 de agosto de 2017 . Consultado el 16 de marzo de 2018 .
17. Stoop, Ruedi; Orlando, Giuseppe; Bufalo, Michele; Della Rossa, Fabio (18 de noviembre de 2022). "Explotación de características deterministas en datos aparentemente estocásticos". Scientific Reports . 12 (1): 19843. Bibcode :2022NatSR..1219843S. doi : 10.1038/s41598-022-23212-x . hdl : 11311/1233353 . ISSN  2045-2322. PMC 9674651 . PMID  36400910. 
18. Orlando, Giuseppe; Bufalo, Michele; Stoop, Ruedi (1 de febrero de 2022). "Aspectos deterministas de los mercados financieros modelados por una ecuación de baja dimensión". Scientific Reports . 12 (1): 1693. Bibcode :2022NatSR..12.1693O. doi : 10.1038/s41598-022-05765-z . hdl : 20.500.11850/531723 . ISSN  2045-2322. PMC 8807815 . PMID  35105929. 
19. Steven Nahmias; Tava Lennon Olsen (15 de enero de 2015). Análisis de producción y operaciones: séptima edición. Waveland Press. ISBN 978-1-4786-2824-8.
20. Ellis, Kimberly (2008). Planificación de la producción y control de inventarios Virginia Tech . McGraw Hill. ISBN 978-0-390-87106-0.
21. J. Scott Armstrong y Fred Collopy (1992). "Medidas de error para generalizar sobre métodos de pronóstico: comparaciones empíricas" (PDF) . Revista internacional de pronóstico . 8 : 69–80. CiteSeerX 10.1.1.423.508 . doi :10.1016/0169-2070(92)90008-w. Archivado desde el original (PDF) el 2012-02-06. 
22. 16. Li, Rita Yi Man, Fong, S., Chong, WS (2017) Pronóstico de los REIT y los índices bursátiles: método de grupo de manejo de datos, enfoque de red neuronal, Pacific Rim Property Research Journal, 23(2), 1-38
23. Hyndman, Rob J; Athanasopoulos, George. "3.1 Introducción". Pronóstico: principios y práctica . OTexts . Consultado el 16 de marzo de 2018 .
24. V. Nos (2 de junio de 2021). «Probnet: extrapolación geométrica de secuencias enteras con predicción de errores». Hackage . Haskell. Archivado desde el original el 14 de agosto de 2022. Consultado el 6 de diciembre de 2022 .
25. "2.5 Evaluación de la precisión de los pronósticos". OTexts . Consultado el 14 de mayo de 2016 .
26. Erhun, F.; Tayur, S. (2003). "Optimización del costo total de entrega en toda la empresa en un minorista de comestibles". Investigación de operaciones . 51 (3): 343. doi : 10.1287/opre.51.3.343.14953 .
27. Omalu, BI; Shakir, AM; Lindner, JL; Tayur, SR (2007). "La previsión como herramienta de gestión de operaciones en la oficina de un médico forense". Journal of Health Management . 9 : 75–84. doi :10.1177/097206340700900105. S2CID  73325253.
28. Overland, Indra (1 de marzo de 2019). "La geopolítica de las energías renovables: desmitificando cuatro mitos emergentes". Investigación energética y ciencias sociales . 49 : 36–40. doi : 10.1016/j.erss.2018.10.018 . hdl : 11250/2579292 . ISSN  2214-6296.
29. Cox, John D. (2002). Vigilantes de tormentas . John Wiley & Sons, Inc., págs. 222-224. ISBN 978-0-471-38108-2.

Fuentes

• Armstrong, J. Scott , ed. (2001). Principios de previsión: un manual para investigadores y profesionales . Norwell, Massachusetts: Kluwer Academic Publishers. ISBN 978-0-7923-7930-0.
• Ellis, Kimberly (2010). Planificación de la producción y control de inventarios . McGraw-Hill. ISBN 978-0-412-03471-8.
• Geisser, Seymour (junio de 1993). Inferencia predictiva: una introducción . Chapman & Hall, CRC Press. ISBN 978-0-390-87106-0.
• Gilchrist, Warren (1976). Pronóstico estadístico . Londres: John Wiley & Sons. ISBN 978-0-471-99403-9.
• Hyndman, Rob J. ; Koehler, Anne B. (octubre–diciembre de 2006). "Otra mirada a las medidas de precisión de los pronósticos" (PDF) . Revista Internacional de Pronósticos . 22 (4): 679–688. CiteSeerX  10.1.1.154.9771 . doi :10.1016/j.ijforecast.2006.03.001.
• Makridakis, Spyros; Wheelwrigt, Steven; Hyndman, Rob J. (1998). Pronóstico: métodos y aplicaciones . John Wiley & Sons. ISBN 978-0-471-53233-0.
• Malakooti, ​​Behnam (febrero de 2014). Sistemas de producción y operaciones con objetivos múltiples . John Wiley & Sons. ISBN 978-0-470-03732-4.
• Kaligasidis, Angela Sasic; Taesler, Roger; Andersson, Cari; Nord, Margitta (agosto de 2006). "Control mejorado de la previsión meteorológica de los sistemas de calefacción de los edificios". En Fazio, Paul (ed.). Investigación en física e ingeniería de la construcción . Taylor & Francis, CRC Press. págs. 951–958. ISBN 978-0-415-41675-7.
• Kress, George J.; Snyder, John (mayo de 1994). Técnicas de previsión y análisis de mercado: un enfoque práctico . Quorum Books. ISBN 978-0-89930-835-7.
• Rescher, Nicholas (1998). Predicción del futuro: Introducción a la teoría de la previsión . State University of New York Press. ISBN 978-0-7914-3553-3.
• Taesler, Roger (1991). "Gestión del clima y la energía en los edificios". Energía y edificios . 15 (1–2): 599–608. Bibcode :1991EneBu..16..599T. doi :10.1016/0378-7788(91)90028-2.
• Turchin, Peter (2007). "Predicción científica en sociología histórica: Ibn Khaldun se encuentra con Al Saud". Historia y matemáticas: dinámica histórica y desarrollo de sociedades complejas . Moscú: KomKniga. pp. 9–38. ISBN 978-5-484-01002-8.
• Patente estadounidense 6098893, Berglund, Ulf Stefan y Lundberg, Bjorn Henry, "Sistema de control de confort que incorpora datos de pronóstico del tiempo y un método para operar dicho sistema", emitida el 8 de agosto de 2000  .

Enlaces externos

• Medios relacionados con Predicción en Wikimedia Commons
• Principios de previsión: "Previsión basada en evidencia"
• Instituto Internacional de Pronosticadores
• Introducción al análisis de series de tiempo (Manual de estadística de ingeniería) - Una guía práctica para el análisis y pronóstico de series de tiempo
• Análisis de series temporales
• Pronóstico global con indicadores financieros
• Investigación sobre precursores electromagnéticos de terremotos
• Ciencia de la previsión y teoría de la previsión