La previsión es el proceso de hacer predicciones basadas en datos pasados y presentes. Posteriormente estos pueden compararse (resolverse) con lo que sucede. Por ejemplo, una empresa podría estimar sus ingresos para el próximo año y luego compararlos con los resultados reales creando un análisis de variación real. La predicción es un término similar pero más general. Los pronósticos pueden 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 según las áreas de aplicación: por ejemplo, en hidrología los términos "predicción" y "pronóstico" a veces se reservan para estimaciones de valores en determinados momentos futuros específicos , mientras que el término "predicción" se utiliza para estimaciones más generales, como el número de veces que se producirán 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 los pronósticos. 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 ellos mismos pronosticados. [1] No debe confundirse una previsión con un presupuesto; Los presupuestos son planes financieros más específicos a plazo fijo que se utilizan para la asignación y el control de recursos, mientras que los pronósticos proporcionan estimaciones del desempeño 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.
La previsión tiene aplicaciones en una amplia gama de campos donde las estimaciones de las condiciones futuras son útiles. Dependiendo del campo, la precisión varía significativamente. Si los factores que se relacionan con lo que se pronostica se conocen y se comprenden bien y hay una cantidad significativa de datos que se pueden utilizar, es probable que el valor final se acerque al pronóstico. Si este no es el caso o si el resultado real se ve afectado por los pronósticos, la confiabilidad 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 Egain Forecasting para los 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 los negocios cotidianos de las empresas de fabricación y distribución.
Si bien la veracidad de las predicciones sobre los rendimientos reales de las acciones se cuestiona mediante referencia a la hipótesis del mercado eficiente , el pronóstico de tendencias económicas amplias es común. Este tipo de análisis lo realizan tanto grupos sin fines de lucro como instituciones privadas con fines de lucro. [ cita necesaria ]
La previsión de los movimientos cambiarios normalmente se logra mediante una combinación de gráficos y análisis fundamental . Una diferencia esencial entre el análisis gráfico y el análisis económico fundamental es que los cartistas estudian sólo la acción del precio de un mercado, mientras que los fundamentalistas intentan buscar las razones 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 efectividad de ciertos modelos de pronóstico. [6] Sin embargo, las investigaciones han demostrado que hay poca diferencia entre la precisión de los pronósticos de expertos conocedores de la situación de conflicto y los de personas que sabían mucho menos. [7] De manera similar, los expertos en algunos estudios sostienen que el pensamiento de rol (ponerse en el lugar de otras personas para pronosticar sus decisiones) no contribuye a la precisión del pronóstico. [8]
Un aspecto importante, aunque a menudo ignorado, de la previsión es la relación que mantiene con la planificación . La previsión puede describirse como una 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 a 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 árbol de selección aquí. [10]
La previsión tiene aplicación en muchas situaciones:
En varios casos, el pronóstico es más o menos 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 necesaria ] , es decir , tener cosas a las que le dan un 10% de credibilidad que sucedan el 10% del tiempo. O pueden pronosticar las cosas con más confianza [ cita necesaria ] y llegar a la misma conclusión pero antes. Algunos han afirmado que la previsión es una habilidad transferible con beneficios a otras áreas de discusión y toma de decisiones. [ cita necesaria ]
Apostar en deportes o política es otra forma de previsión. En lugar de utilizarse como consejo, a los apostadores se les paga en función de si predijeron correctamente. Si bien se pueden tomar decisiones en base a estas apuestas (previsiones), la motivación principal es generalmente financiera.
Finalmente, la futarquía es una forma de gobierno en la que se utilizan pronósticos del impacto de la acción gubernamental para decidir qué acciones se toman. En lugar de dar consejos, en la forma más fuerte de la futarquía, se toma automáticamente la acción con el mejor resultado previsto. [ cita necesaria ]
Se han llevado a cabo proyectos de mejora de pronósticos en varios sectores: el Proyecto de Mejoramiento del Pronóstico de Huracanes (HFIP) del Centro Nacional de Huracanes y el Proyecto de Mejoramiento del Pronóstico de Vientos patrocinado por el Departamento de Energía de Estados Unidos son ejemplos. [12] En relación con la gestión de la cadena de suministro, el modelo de Du Pont se ha utilizado para mostrar que un aumento en la precisión del pronóstico puede generar aumentos en las ventas y reducciones en el inventario, los gastos operativos y el compromiso de capital de trabajo. [13]
Las técnicas de pronóstico cualitativo son subjetivas y se basan en la opinión y el juicio de consumidores y expertos; son apropiados cuando no se dispone de datos anteriores. Generalmente se aplican a decisiones de mediano o largo plazo. Ejemplos de métodos de pronóstico cualitativo son [ cita necesaria ] opinión y juicio informados, el método Delphi , investigación de mercado y analogía histórica del ciclo de vida.
Los modelos de pronóstico cuantitativo se utilizan para pronosticar datos futuros en función de datos pasados. Son apropiados para su uso 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 suelen aplicarse a decisiones de corto o mediano plazo. Ejemplos de métodos de pronóstico cuantitativo son [ cita necesaria ] demanda del último período, promedios móviles de período N simples y ponderados , suavizado exponencial simple , pronóstico basado en el modelo de proceso de Poisson [14] e índices estacionales multiplicativos. Investigaciones anteriores muestran que diferentes métodos pueden conducir a diferentes niveles de precisión en los pronósticos. Por ejemplo, se descubrió que la red neuronal GMDH tiene un mejor rendimiento de pronóstico que los algoritmos de pronóstico clásicos, como Single Exponential Smooth, Double Exponential Smooth, ARIMA y la red neuronal de retropropagación. [15]
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 donde haya datos anteriores disponibles. En notación de series de tiempo:
¿Dónde están los datos pasados?
Aunque aquí se ha utilizado la notación de series de tiempo, el enfoque promedio también se puede utilizar para datos transversales (cuando predecimos valores no observados; valores que no están incluidos en el conjunto de datos). Entonces, la predicción para valores no observados es el promedio de los valores observados.
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 sólo es adecuado para datos de series de tiempo . [16] Utilizando 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 de tiempo:
Una variación del método ingenuo es 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. Entonces el pronóstico para el tiempo está dado por
Esto equivale a trazar una línea entre la primera y la última observación y extrapolarla al futuro.
El método ingenuo estacional tiene en cuenta la estacionalidad estableciendo que cada predicción sea igual al último valor observado de la misma temporada. Por ejemplo, el valor de predicción para todos los meses posteriores de abril será igual al valor anterior observado para abril. El pronóstico para el tiempo es [16]
donde = período estacional y es el número entero más pequeño mayor que .
El método ingenuo estacional es particularmente útil para datos que tienen un nivel muy alto de estacionalidad.
Un enfoque determinista es cuando no hay ninguna variable estocástica involucrada y los pronósticos dependen de las funciones y parámetros seleccionados. [17] [18] Por ejemplo, dada la función
El comportamiento de corto plazo y la tendencia de mediano-largo plazo son
¿Dónde están algunos parámetros?
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 ingrediente determinista queda oculta por el ruido. El enfoque determinista es digno de mención ya que puede revelar la estructura subyacente de los sistemas dinámicos, que puede explotarse para dirigir la dinámica hacia un régimen deseado. [17]
Los métodos de series de tiempo utilizan datos históricos como base para estimar resultados futuros. Se basan en el supuesto de que la historia de la demanda pasada es un buen indicador de la demanda futura.
Algunos métodos de pronóstico intentan identificar los factores subyacentes que podrían influir en la variable que se pronostica. Por ejemplo, incluir información sobre patrones climáticos podría mejorar la capacidad de un modelo para predecir las ventas globales. Los modelos de pronóstico a menudo tienen en cuenta variaciones estacionales regulares. Además del clima, estas variaciones también pueden deberse a días festivos y costumbres: por ejemplo, se podría predecir que las ventas de indumentaria de fútbol universitario serán mayores durante la temporada de fútbol que fuera de temporada. [19]
Varios métodos informales utilizados en el pronóstico causal no se basan únicamente en el resultado de algoritmos matemáticos , sino que utilizan el juicio del pronosticador. Algunos pronósticos tienen en cuenta relaciones pasadas entre variables: si una variable, por ejemplo, ha estado relacionada aproximadamente linealmente con otra durante un largo período de tiempo, puede ser apropiado extrapolar dicha relación al futuro, sin necesariamente comprender las razones de su existencia. la relación.
Los métodos causales incluyen:
Los modelos de pronóstico cuantitativo a menudo se comparan entre sí comparando su error cuadrático medio dentro o fuera de la muestra , aunque algunos investigadores han desaconsejado esto. [21] Los diferentes enfoques de previsión tienen diferentes niveles de precisión. Por ejemplo, en un contexto se descubrió que GMDH tiene una mayor precisión de pronóstico que el ARIMA tradicional. [22]
Los métodos de pronóstico basados en criterios incorporan juicios intuitivos, opiniones y estimaciones de probabilidad subjetiva. El pronóstico crítico se utiliza en los casos en que faltan datos históricos o durante condiciones de mercado completamente nuevas y únicas. [23]
Los métodos de juicio incluyen:
A menudo esto se hace hoy en día mediante programas especializados vagamente etiquetados
Se puede crear con 3 puntos de una secuencia y el "momento" o "índice". Este tipo de extrapolación tiene un 100% de precisión en las predicciones en un gran porcentaje de bases de datos de series conocidas (OEIS). [24]
El error de pronóstico (también conocido como residual ) es la diferencia entre el valor real y el valor pronosticado para el período correspondiente:
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 producirá residuos que no están correlacionados . Si existen correlaciones entre los valores residuales, entonces queda información en los residuos que debería utilizarse para calcular los pronósticos. Esto se puede lograr calculando el valor esperado de un residuo como función de los residuos pasados conocidos y ajustando el pronóstico por la cantidad en la que este valor esperado difiere de cero.
Un buen método de pronóstico también tendrá media cero . Si los residuos tienen una media distinta de cero, entonces los pronósticos están sesgados y pueden mejorarse ajustando la técnica de pronóstico mediante una constante aditiva que sea igual a la media de los residuos no ajustados.
Medidas de error agregado:
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):
Error cuadrático medio (MSE) o error de predicción cuadrático medio (MSPE):
Error cuadrático medio (RMSE):
Promedio de Errores (E):
Se utilizan con más frecuencia para comparar el rendimiento de las previsiones 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):
Desviación porcentual absoluta media (MAPD):
Hyndman y Koehler (2006) propusieron utilizar errores escalados como alternativa a los errores porcentuales.
Error escalado absoluto medio (MASE):
donde m = período estacional o 1 si no estacional
Habilidad de pronóstico (SS):
Los pronosticadores y profesionales de negocios a veces utilizan 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 del pronóstico 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 produzca el menor error.
Al evaluar la calidad de los pronósticos, no es válido observar qué tan bien se ajusta un modelo a los datos históricos; La precisión de los pronósticos sólo puede determinarse considerando qué tan bien se desempeña un modelo con datos nuevos que no se utilizaron al ajustar el modelo. Al elegir modelos, es común utilizar una parte de los datos disponibles para el ajuste y utilizar el resto de los datos para probar el modelo, como se hizo en los ejemplos anteriores. [25]
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:
Esto hace un uso eficiente de los datos disponibles, ya que solo se omite una observación en cada paso.
Para datos de series de tiempo, el conjunto de entrenamiento solo puede incluir observaciones anteriores al conjunto de prueba. Por lo tanto, no se pueden utilizar observaciones futuras para construir el pronóstico. Supongamos que se necesitan k observaciones para producir un pronóstico confiable; entonces el proceso funciona de la siguiente manera:
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, se pueden calcular pronósticos de dos pasos adelante o, en general, p -paso adelante pronosticando primero el valor inmediatamente después del conjunto de entrenamiento, luego usando este valor con los valores del conjunto de entrenamiento para pronosticar dos períodos adelante, etc.
Ver también
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. Se puede decir que cualquier cambio o patrón predecible en una serie temporal que se repite o se repite durante un período de un año es estacional. Es común en muchas situaciones –como en una tienda de comestibles [26] o incluso en un consultorio 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 temporadas, una para cada día) que es la relación de la demanda promedio de esa temporada (que se calcula mediante media móvil o suavizado exponencial utilizando datos históricos correspondientes). solo para esa temporada) a la demanda promedio en todas las temporadas. Un índice superior a 1 indica que la demanda es superior a la media; un índice menor que 1 indica que la demanda es menor que el promedio.
El comportamiento cíclico de los datos se produce cuando se producen fluctuaciones regulares en los datos, que normalmente duran un intervalo de al menos dos años, y cuando la duración del ciclo actual no puede predeterminarse. 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 disminuye a medida que disminuye su fuente natural de alimento, y una vez que la población es baja, la fuente de alimento se recuperará y la población comenzará a aumentar nuevamente. Los datos cíclicos no pueden contabilizarse utilizando el ajuste estacional ordinario ya que no son de período fijo.
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 la tirada 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 pronostica no se conocen o no se comprenden bien, como en los mercados bursátiles y de divisas, los pronósticos a menudo son inexactos o incorrectos porque no hay suficientes datos sobre todo lo que afecta a estos mercados para que los pronósticos sean confiables, en Además, los resultados de los pronósticos de estos mercados cambian el comportamiento de quienes participan 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 socavarse a sí mismas al influir en el comportamiento social. [28] Esto se debe a que "los predictores son parte del contexto social sobre el cual están tratando de hacer una predicción y pueden influir en ese contexto en el proceso". [28] Por ejemplo, un pronóstico de que un gran porcentaje de una población se infectará con el VIH basándose en las tendencias existentes puede hacer que más personas eviten conductas de riesgo y, por lo tanto, reduzcan la tasa de infección por el VIH, invalidando el pronóstico (que podría haber seguido siendo correcto si no había sido 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.
Como propuso Edward Lorenz en 1963, los pronósticos meteorológicos a largo plazo, aquellos realizados en un rango 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 temperaturas y vientos, dentro de los modelos numéricos se duplican cada cinco días. [29]
{{cite book}}
: |website=
ignorado ( ayuda )