,
correlaciones) consecuencias y medidas remediales (sesgo de especificación,
transformaciones, stepwise).TEMARIO
1. INTRODUCCIÓN A LOS PRONÓSTICOS (2 sesiones. Hanke, Cap. 1; Paquete de lecturas y ejercicios…; Miklos y Tello)
· La importancia de los pronósticos en la organización: planeación para el futuro inmediato y a largo plazo, toma de decisiones.
· Aspectos Históricos de los Pronósticos.
· El pronóstico como arte y ciencia: mitos y realidad, limitaciones.
· Tipos de pronóstico y enfoques para estudiar el futuro:
- Cuantitativos: Características generales. Validez y tipo de información requerida. Modelos de series de tiempo y estructurales (regresión). Simulación cuantitativa de escenarios
- Cualitativos: Características generales. Lluvia de ideas. Panel de expertos. Delphi. Árboles de decisión. Escenarios cualitativos. Planeación prospectiva: conceptos generales
· Las etapas en la realización de un pronóstico.
2. LOS DATOS (1 sesiones. Hanke, Caps. 3 y 4)
· Tipos de Datos: datos e información, series de tiempo y corte transversal.
· Escalamiento: razón, intervalo, ordinal y nominal.
· Fuentes de Datos. Primarias: encuestas, muestreo, estudios de mercado.
Secundarias: fuentes en México.
· Componentes de las Series de Tiempo: tendencia, estacionalidad, ciclo, series estacionarias.
· Patrones en los datos, correlación y autocorrelación.
3. TÉCNICAS EXTRAPOLATIVAS (6 sesiones. Hanke, Cap. 5)
· Medidas de error: MAD; MSE, MAPE, MPE.
· Modelos naive.
· Métodos de promedios: simples y móviles.
· Suavizamiento exponencial, Brown, Holt y Winters (aditivo y multiplicativo).
EXAMEN PARCIAL NO DEPARTAMENTAL
4. REVISIÓN DE CONCEPTOS DE ESTADÍSTICA (2 sesiones. Gujarati, Apéndice A; Hanke, Cap. 2).
· Histogramas y diagramas de dispersión.
· Medidas de tendencia central. dispersión y orden.
· Grados de libertad.
· Muestra y población.
· Variables aleatorias y distribuciones normal, t, c2, F.
· Inferencia estadística: pruebas de hipótesis, intervalos de confianza, significancia “p” observada y significancia “a“asignada.
· Tercer (asimetría) y cuarto (curtosis) momentos de la función de densidad de probabilidad.
· El Modelo de Regresión Lineal Simple: línea de regresión muestral y poblacional, error y residuo.
· Mínimos cuadrados ordinarios.
· Pruebas de significancia de los estimadores: error estándar y prueba t.
· Error estándar de la estimación y error estándar del pronóstico.
· Coeficiente de determinación.
· Tabla ANOVA y prueba F.
· Supuestos del modelo de regresión: naturaleza, consecuencias de la violación de los supuestos.
· Estimadores MELI.
· Pruebas de normalidad Jarque-Bera y c2 de bondad de ajuste.
· Transformación de variables y formas funcionales.
· Regresión con variables estandarizadas.
· Descomposición de series de tiempo: modelo aditivo y multiplicativo.
* * * EXAMEN PARCIAL DEPARTAMENTAL * * *
6. ANÁLISIS DE REGRESIÓN MÚLTIPLE (14 sesiones. Gujarati, Caps. 8 al 12, 15 y 16)
· Variables Predictoras y Matriz de Correlación
· El Modelo de Regresión Múltiple: Forma matricial del modelo de Regresión Múltiple, interpretación e inferencia de los coeficientes.
· Tabla ANOVA, prueba F, R2 y R2 ajustada.
· Importancia relativa de las variables y las betas estandarizadas.
·
Multicolinealidad: naturaleza,
detección (R2, signo y significancias de las ,
correlaciones) consecuencias y medidas remediales (sesgo de especificación,
transformaciones, stepwise).
· Heteroscedasticidad: naturaleza, detección (pruebas de Park, Glejser y White), consecuencias y medidas remediales (transformaciones).
· Autocorrelación: naturaleza, detección (gráficas y Durbin-Watson), consecuencias y medidas remediales (diferencias, AR y MA).
· Variables indicadoras o dummy (dos o más clases mutuamente excluyentes y no excluyentes, comparación de dos regresiones y análisis estacional).
· Regresión con variable dependiente dicótoma: modelos MLP y Logit.