INTRODUCCION A LOS PRONOSTICOS: APLICACIONES, METODOS, LIBROS, REVISTAS Y SOFTWARE Pronosticar es importante: se pronostica en forma constante en los negocios, la economia, el gobiemo, las finanzas y en muchos otros campos, y es bastante lo que depende de los prondsticos. Pero hay formas buenas y malas de pronosticar. Este libro describe las formas buenas: métodos modemos, cuantitativos, estadisticos y econométricos para producir y evaluar prondsticos. 1. LOS PRONOSTICOS EN ACCION Los pronésticos se establecen a fin guiar las decisiones en una diversidad de campos. Para desa- rrollar una percepcién de la inmensa diversidad que hay en las aplicaciones de los prondsticos, describiremos algunas dreas en las que se usan y la variedad correspondiente de decisiones que se apoyan en pronésticos. 1, Planeacién y control de operaciones. Las empresas, por lo regular, pronostican sus ventas para ayudar a definir sus decisiones de administraciGn de inventarios, administracién del equipo de ventas y planeacién de la produccién, asf como de planeacién estratégica respecto alas lineas de producto, entrada a un mercado nuevo, etc. Las empresas emplean los pronés- ticos para decidir qué producir (qué producto 0 qué combinaciéa de productos se deben Producir), cundo producir (si por lo pronto se deben acumular inventarios para anticipar una gran demanda en el futuro o cuéntos tumos se debe trabajar), y dénde produc (si se debe tener una o muchas planias y dénde deben estar ubicadas). También usan los prondsticos de precios y de la disponibilidad de insumos futuros a fin de guiar sus decisiones de produccién, 2. Mercadoteenia. Los pronésticos desempefian un papel clave en muchas decisiones de mer- cadotecnia. Las decisiones de fijacién de precios, de vias de distribucién y de gastos de publicidad dependen mucho de los pronésticos de respuesta a las ventas de diversos esque- mas de mercadotecnia,Capitulo 1/ Introduccién a los pronésticos: aplicaciones, métodos, libros, revistas y software Economia. Los gobiernos y las empresas privadas que elaboran prondsticos, en todo el mundo, pronostican usualmente las principales variables econémicas, como el producto intemo bruto (PIB), el desempleo, el consumo, las inversiones, el nivel de precios y las tasas de interés. Los -gobiemos usan esos pronésticos para guiar su politica monetaria y fiscal, y las empresas priva~ ‘das para planeacidn estratégica, porque las fluctuaciones de una economia mundial tienen efectos nivel industrial y empresarial. Ademas de pronosticar variables “normales” como el PIB, a veces los economistas hacen prondsticos mas exétices, como la etapa del ciclo econémico Los cuatro estadisticos asociados con cada variable del lado derecho son el coeficiente esti- mado (“coeficiente”), su error estindar (“error estindar”), el estadistico 1 y el valor de la probabilidad correspondiente (“Prob.”). Los errores estindar de los coeficientes estimados in- ican su probable variabilidad en la muestra y, en consecuencia, su confiabilidad. El coeficiente estimado, mas © menos un error esténdar, es un intervalo de confianza de casi 68% para el 15. A veces, al coeficiente poblacional C se le llama término constante y a su estimador el término constante estimado.Capitulo 1/ Introduccién a los pronésticos: aplicaciones, métodos, libros, revistas y software 7 pardmetro poblacional verdadero, pero desconocido, y el coeficiente estimado més o menos dos errores estindar es un intervalo de confianza aproximadamente del 95%. Asi, los errores estindar de los coeficientes son grandes se traducen en intervalos de confianza amplios. Cada estadistico 1 proporciona una prueba de la hipotesis de irrelevancia de la variable: que el parémetro poblacional verdadero, pero desconocido, es cero y, en consecuencia, que la varia- ble correspondiente no contribuye al pronéstico de la regresidn y, por lo tanto, se puede omiti. Una forma de probar la irrelevancia de la variable con, digamos, un 5% de probabilidad de rechazarla en forma incorrecta, ¢s comprobar si el cero esta fuera del intervalo de confianza de 95% para el parimetro. En caso afirmativo, se rechaza la irrelevancia. El estadistico # es tan solo la relacién del cocficiente estimado entre su error estindar, asi que si cero se encuentra fuera del intervalo de confianza de 95%, el estadistico t debe tener un valor absoluto mayor que 2. En consecuencia, se puede probar répidamente la irrelevancia, a nivel de confianza de 5%, viendo si el valor absoluto del estadistico ¢ es mayor que 2.'* Por ultimo, relacionado con cada estadistico hay mma probabilidad, que es la probabilidad de obtencr un valor absoluto del estadistico # cuando menos tan grande, en valor absoluto, al que se obtuvo, suponiendo que es verdadera la hipdtesis de irrelevancia. Asi si ¢ fuera igual a 2, el valor corresponciiente de probabilidad seria aproximadamente igual a 0.05. Cuanto menor es la probabilidad, mis fuerte es la evidencia en contra de la irrelevancia. No hay un valor magico de corte, pero por lo regular se considera que probabilididades menores que 0. son fuerte evidencia ‘en contra de la imrelevancia, y cuando son menores que 0.05, esa evidencia es mis fuerte. Esas probabilidades son utiles porque pueden eliminar la necesidad de consultar las tablas de la distri- bbucidn 1. Esto iltimo lo hace la computadora y nos proporciona el nivel de significancia al cual se puede rechazar la irelevancia, Ahora interpretaremos los coeficientes estimados, los errores estindar, los estadisticos t y la probabilidad. El estimador de la ordenada al origen es 10, aproximadamente, de modo que six! x2 son cero, nuestro mejor pronéstico de y seria 10. Es mas, la ordenada al origen se calcula con ‘mucha exactitud, ya que el error estdndar, igual a 0.15, es pequeiio. Un intervalo de confianza aproximado de 95% de la ordenada poblacional verdadera, pero desconocida, es 10 + 2(0.15), 0 sea [9.70, 10.30]. Cero queda muy lejos del intervalo, asi que el estadistico 1 correspondiente ¢€s inmenso y la probabilidad es cero con exactitud de cuatro decimales. Elcoeficiente estimado de-x1 es 1.06, y su error estandar otra vez es pequeiio en relacién con el tamafio del cocficiente estimado; por consiguiente, el estadistico t es grande y la probabilidad, €s pequefia. El coeficiente es positivo, de forma que y tiende a crecer cuando x1 aumenta, De hecho, la interpretacién del coeficiente estimado, 1.06, es que si todo lo demas se mantiene constante, se pronostica que un aumento de una unidad en x1 produciré un aumento de y igual a 1.06 unidades. El cocficiente estimado de x2 es -0.45. Su error estindar és mayor que el de los otros coeficientes y su estadistico £ es el més pequetio. Sin embargo, el error estindar sigue siendo pequeiio y el valor absoluto de ¢ sigue siendo mayor que 2, con una probabilidad pequefia, menor gue 2%. fin consecuencia, a los niveles convencionales de probabilidad, se rechaza la hipdtesis de que 12 no contribuye a la regresién de prondstico, El coeficiente estimado es negativo, de modo que y tiende a decrecer cuando x2 aumenta, Se pronostica que un aumento unitario de x2 producira una disminucidn de 0.45 unidades de y. A continuacién se presentan diversas medidas estadisticas de diagnéstico que ayudan a eva- tuar los resultados de la regresiOn. Algunas de ellas se discutirén con detalle posteriormente. Por el momento, las describiremos en forma breve. 16. Sil tamafio de muestra es pequetio o si se desea un nivel de significancia distinto del 5%, se debe consultar una tabla de valores critics de la dstribucién18 Capitulo 1/ Introduccién a los pronésticos: aplicaciones, métodos, libros, revistas y software Media de la variable dependiente 10.23 La media muestral de la variable dependiente es ae bw y= 7d» Este estadistico mide la tendencia central o ubicacién de y. Desviacién estandar de la variable dependiente 1.49 La desviacién estindar muestral de la variable dependiente cs igual a Lory T-1 Este estadistico mide la dispersion o escala de y. ‘Suma de cuadrados de los residuales 43.70 Minimizar la suma del cuadrado de los residuales (o la suma de os residuales elevados al cuadrado), 5c] objetivo de Ia estimacién de minimos cuadrados. Por consiguiente, ¢s natural proporcionar el valor rminimo de la suma de los residuales elevados al cuadrado. Por si mismo no tiene mucha importancia, pero sirve como dato para otros diagnésticos que describiremos brevemente y también es util para comparar modelos y probar hipétesis. La formula es: scR= Logaritmo de la verosimilitud 0 Log. verosimilitud -65.86 La funcién de verosimilitud es la funcién de densidad conjunta de los datos, considerada como fancién de los parémetros del modelo. En consecuencia, una estrategia natural de estimacién, Hamada estimacién de maxima verosimilitud, es determinar (y usar como estimadores), los valores de los parimetros que maximizan la funcién de verosimilitud. Después de todo, debido a su construccién, esos valores de los pardmetros maximizan la probabilidad de obtener los datos {que realmente se obtuvieron. Una situacién importante es cuado las perturbaciones de la regresion tienen distribucién normal, en este caso la maximizacién de la funcién de verosimilitud equivale a minimizar la suma de los residuales elevados al cuadrado; en consecuencia, los estimadores ‘méximo verosimiles de los parimetros son idénticos a los estimuladores minimo cuadraticos. La cantidad indicada es el valor méximo del logaritmo de la funcién verosimilitud. Al igual que la suma del cuadrado de las residuales, este valor no tiene aplicacién directa, pero es util para comparar modelos y comprobar hipotesis. No usaremos directamente la funcién de verosimilitud, en su luger utilizaremos la suma de los residuales elevados al cuadrado.Capitulo 1/ Introduccién a los pronésticos: aplicaciones, métodos, libros, revistas y software 19 Estadistico F 30.89 Se emplea el estadistico F para comprobar la hipdtesis de que los coeficientes de todas las variables en la regresion, excepto la ordenada al origen, son cero."” Es decir, se comprueba si, consideradas como un conjunto, las variables incluidas en ¢! modelo de pronéstico tienen algin valor predictivo. Esto difiere del estadistico f, usado para examinar el valor predictivo de cada una de las variables."* Si ninguna de las variables tiene valor predictivo, el estadistico F sigue una distribucién F con k~ | y T—k grados de libertad. La formula es SCR, - SCR/(k-1) F SCR/(T-8 en donde SCR, , es la suma del cuadrado de los residuales procedentes de una regresion restrin- gida a una sola variable: la ordenada al origen. Asi, la prueba se Iieva a cabo examinando cuanto ‘aumenta SCR, si se eliminan todas las variables excepto la constante. Si aumenta mucho, quiere decir que cuando menos una de ellas tiene posibilidades predictivas. Probabilidad (estadistico F) 0.000000* La probabilidad asociada al estadistico F expresa el nivel de significancia al cual se puede rechazar, la hip6tesis de que el conjunto de las variables de! lado derecho no tiene valor predictivo. En este caso, el valor no se distingue de cero, por lo que se rechaza en forma abrumadora la hipétesis, EE de la regresi6n 0.99 Si conociéramos los elementos de B, los errores de nuestro pronéstico serian los valores €, ‘con varianza 0”, Nos gustaria contar con un estimador de 6°, porque nos indica si es probable que los errores de pronéstico o grandes o pequefios. Los residuales obscrvados, los valores de e, son de hecho los estimadores de las perturbaciones no observadas de la poblacién, de los valores €,- ‘Asi, la varianza muestral de las e, que representamos por s* (se lee “ese euadrada”), es un estimador natural de 0°. ses un estimador de la dispersidn de las perturbaciones en la regresién y, por consiguiente, se usa para evaluar la bondad de ajuste del modelo, al igual que la magnitud de los errores de ‘También se denomina p-value 17, Noqueremosrestingira cero laordenadaal origen, porque de acuerdo con thipétess de que todoslos, dems coefiientesson cero, la ordenada sera igual al promedtio dey el cual porlogeneral no escero. 18. En el caso degenerado cuando s6lo hay una variable en el lado derecho, los est icos Fy t ‘contienen exactamente la misma informacién y F = ¢?, Pero cuando hay dos variables o mas en el lado derecho, las hipétesis que se prueban son distintas y F#"”20 Capitulo 1/ Introduccién a los pronésticos: aplicaciones, métodos, libros, revistas y software pronéstico que probablemente se cometen. Cuanto mayor es s" es peor el ajuste del modelo y sera probable cometer errores de prondstico mas grandes. Es necesario corregir as” por los ‘grados de libertad, con el fin de obtener un buen estimador de la varianza de los errores de pronésticos fuera de Ia muestra, con base en los residuales dentro de la muestra. El error estandar de la regresién (EER) contiene la misma informacién; como es un estimador de 6 y no de 6°, tan solo se usa s y no s® para representarlo, La formula es: FERNS NSB/AT-) Es més fécil interpretar el error estandar de la regresién, que s’, porque sus unidades son las mismas que las de las e, mientras que las unidades de s* no lo son. Si las e estan en d6lares, las e* ys? estén en délares al cuadrado. Si se saca raiz cuadrada al final del procedimiento, el BER reconvierte las unidades a délares. Con frecuencia es interesante comparar el error estindar de la regresién con la media de la variable dependiente. Como regla aproximada, el EER de un buen modelo de prondstico no debe ser mayor que el 10.0 15% de la media de la variable dependiente. Para este modelo en particular, el EER es, aproximadamente, cl 10% de la media de la variable dependiente, asi que apenas alcanza a calificar. En ocasiones, también es interesante comparar el error estandar de la regresién (o algo pare- cido) con la desviacién estindar de la variable dependiente (0 algo parecido). El error estindar de Ia regresién es un estimador de la desviacién estindar de los errores de pronéstico en el modelo de regresion y la desviacion estindar de la variable dependiente es un estimador de la desviacién estindar de los errores de pronéstico del modelo més sencillo de pronéstico, en el cual el prondstico en cada periodo es tan solo igual a. Sila relacién es pequefia, Is variables en el modelo parecen muy adecuadas para predecir y. Las medidas de R cuadrada, las cuales descri- biremos a continuacién, se basan precisamente en este concepto. R cuadrada 0.58 Sien la regresién se incluye una ordenada al origen, como casi siempre se hace, R cuadrada debe estar entre cero y uno, En ese caso, R cuadrada (que por lo general se escribe R?), es el porcentaje de la varianza de y explicada por las variables incluidas en la regresién. R? mide el éxito de la ecuacién de regresién, dentro de la muestra, para predecir y, asi, se usa mucho como una com- probacién rapida de la bondad de ajuste, o de la capacidad de pronéstico de y basado, en las variables que incluye la regresidn. En este caso, R? es de 58% aproximadamente buena pero no la gran cosa, La formula es: r Dorn? ‘Se puede definir a R* cn una forma mas elaborada como sigue:(Caphtulo 1/ Introduccion a los pronésticos: aplicaciones, métodos, Sbeos, revistas y software 21 Re1- con lo cual se aclara que el numerador en la fraccién se acerca mucho a $¢y que el denominador ‘se aproxima mucho a la varianza muestral de y. Rcuadrada ajustada 0.56 La interpretacién de la R cuadrada ajustada es igual a la de R®, pero la formula es un poco listinta. La R? ajustada incorpora correcciones de acuerdo con los grados de libertad que se usaron para ajustar el modelo, para tratar de compensar una apariencia muy optimista del buen ajuste o de la capacidad de pronéstico de y, si se emplean muchas variables en el lado derecho y se selecciona entonces el “modelo dptimo”. En consecuencia, la R? ajustada es una medida de la bondad de ajuste mds fiable que la R?. Siempre que haya més de una variable en el lado derecho del modelo ajustado, la R? ajustada es menor que la R?; en este caso, sin embargo, las dos son bastante parecidas (56% y 58%). La R? ajustada se denota con frecuencia por R?y su formula es: en la que kes el niimero de variables en el lado derecho, incluyendo al término constante, En este aso, e] numerador en la fraccién es s? y el denominador es la varianza muestral de y. Criterio de informacién de Akaike 0.03 El eriterio de informacién de Akaike 0 C/A, es en verdad un estimador de la varianza del error de pronéstico fuera de la muestra, igual que s?, pero penaliza més los grados de libertad. Se usa para elegir entre modelos alternos de prondstico, La formula es: Criterio de Schwarz 0.15 El criterio de informacién de Schwarz, 0 CiS,es una alternativa del C/A y tiene la misma interpretacién, pero penaliza todavia mis los grados de libertad. Su formula es:2 Capitulo 1/ Introduccion a los pronésticos: aplicaciones, métodos, libros, revistas y software cis-7 @) ‘A medida que surjan en nuestras descripciones, presentaremos en forma detallada la suma del cuadrado de los residuales, el error estindar de la regresiOn, R?, R? ajustada, CIA y CIS; las relaciones entre ellos y el papel que juegan en la seleccién de los modelos de prondstico. Por lo cual, por el momento, ya no profundizaremos mas en ellos. Estadistico Durbin-Watson 1.97 ‘Ya mencionamos antes que nos interesa examinar si hay tendencias en nuestros errores de pro- néstico, porque tales errores en un buen modelo de prondstico deben ser imposibles de pronosti- car. El estadistico Durbin-Watson prueba la existencia de correlaciones a través del tiempo, lo que se llama correlacién serial o correlacién en serie, en las perturbaciones de la regresi6n. Si icar los errores cometidos en un modelo de prondstico, se puede mejorar el pronéstico si se pronostican los errores de] mismo. La prueba de Durbin-Watson funciona dentro del contexto del modelo 1, ~ BB, xe, £,= O84, v2N (0,0 Las perturbaciones de la regresién se correlacionan en serie cuando @ # 0. La hipétesis que interesa es que @ = 0. Cuando esto sucede se obtienen condiciones idcales, pero cuando @ #0, la perturbacién presentan correlacion serial. En forma més especifica, cuando @ #0 se dice que €, sigue un proceso autorregresivo de orden 1, o AR(1) para abreviar.” Si @ > 0, las perturbaciones tienen correlacion serial positiva y si @ <0, tienen correlacién serial negativa, Por lo regular, la correlacién serial positiva es la alternativa revelante en los negocios y'en la economia, La formula del estadistico Durbin-Watson (DW) es. De) Di Sitodo esté bien, el DW deberia ser aproximadamente igual a 2; si es menor que 2, hay evidencia de correlacién serial positiva. Como regla facil, si DW es menor que 1.5 habra motivo de alarma y se deben consultar las tablas del estadistico DW, que vienen en muchos textos de estadistica y de econometria. En este caso particular el estadistico de Durbin-Watson se aproxima mucho a 2, asi que no hay evidencia de correlacién serial en los residuales. 9. La prueba de Durbin-Watson pretende ser muy buena para detectar correlacién en serie del tipo ‘AR(1), Hay muchos tipos de correlacin en serie y los describiremos con detalle en el capitulo 7.Capitulo 1/ Introduccién a los pronésticos: aplicaciones, métodos, libros, revistas y software 23 Figura A.4 Grifica de los residuales dela regresim de y sobre r1 y x2 Después de correr una regresin se aconseja evaluar la adecuacién de! modelo, para ello, se grafican y examinan los datos reales (y), los valores ajustados (}) y los residuales (¢,). Con frecuencia nos referiremos a esas grificas, que se unen en una sola, como grafica de los residuales.” En la figura A.4 se ven las graficas de los residuales para la regresién de y a partir dex] y.x2, Los valores actuales (lineas corias) y los valores ajustados (ineas largas), aparecen en la parte superior de la grafica y su escala esta ala derecha, Los valores ajustados siguen bastante bien a los valores reales. Los residuales aparecen en la parte inferior de la gréfica (Iinea conti- nua), su escala esté ala izquierda. Es importante hacer notar que las escalas difieren; los valores de ¢, son bastante menores y menos variables que los de y, 0 de 3, Se traza la linea de cero, pasando por los residuales, para tener comparacién visual. No hay tendencia apreciable entre alos. PROBLEMAS Y EXTENSIONES. 1, (Semintica de la regresidn.) El andlisis de regresiOn es tan importante y hay tantas personas que lo usan con mucha frecuencia, que a través de los aos han evolucionado algunos térmi- nos, sirviendo todos ellos para los mismos fines. Usted los encontrara en sus consultas, de modo que es importante tomarlos en cuenta. A continuacién citaremos algunos ejemplos. a) Minimos cuadrados ordinarios, minimos cuadrados y sus abreviaturas: MCO 0 OLS (por sus siglas en inglés: Ordinary Least Squares) y MC 0 LS (por sus siglas en inglés), respectivamente (aunque a veces la abreviatura en ingles, LS de least squares, también se usa para indicar cuadrados minimos no lineales).. b) _y, variable izquierda, regresando, variable dependiente o variable endégena. ©) x, variables derechas, regresores, variables independientes, variables exdgenas, predictores, d) Probabilidad, p-value, nivel marginal de significancia. e) Criterio de Schwarz, criterio de informacién de Schwarz, CIS, criterio de informacién de Bayes, CIB. 20, Sinembargo, « veces diremos “grfica de los residuales” para indicar una gréfica de los residusles solos, El significado que se pretende quedara claro por el contexto.Capitulo 1/ Introduccion a los pronésticos: aplicaciones, métodos, libros, revistas y software (Regresién con y sin un término constante.) Veamos de nuevo la figura A.2, una grifica de y en funcién de x1, con la linea de regresién ajustada superpuesta. a) b) °) @ ‘Al ajustar esa Linea de regresién se incluy6 un término constante. ;Cémo se puede ase- gurar esto? Suponga que no se hubiera incluido un término constante. ;Cémo se veria esa gréfica? Casi siempre se incluye un término constante al estimar las rogresiones. {Por qué? Cuando, si es que hay alguna vez, podria usted tratar de excluir el término constante? (Valores deseados de los estadistioos de diagnéstico.) Para cada uno de los estadisticos de diag- néstico que aparecen abajo, indique si, cuando lo demas permancce igual, el estadistico en ccuestién, es “cuanto més grande, mejor”, “cuanto més pequeto, mejor” o ninguna de las dos altemnativas. Explique su tazonamiento. (Sugerencia: tenga cuidado, piense antes de contestar y asegirese de calificar bien sus respuestas.) a) b) °) d °) f) 8) hy i) k) i m) n) 9) P) Coeficiente Error estandar Estadistico ¢ Probabilidad del estadistico t Rcvadrada R cundrada ajustada Error estindar de la regresién Suma del cuadrado de los residuales Logaritmo de la verosimilitud Estadistico Durbin-Watson Media de la variable dependiente Desviacién estindar de la variable dependiente Criterio de informacién de Akaike Criterio de informacién Schwarz Estadistico F Probabilidad del estadistico F |. (Perturbaciones de la regresi6n: sesgo, curtosis y normalidad.) a) La asimetria o sesgo mide la asimeiria de una distribucion. Si una distribucidn es simé- trica, el sesgo vale cero. Cuanto mayor es el valor absoluto del estadistico de sesgo, mas asimétrica es la distribucién. Un valor positivo grande indica que el extremo o cola de la derecha es largo y un valor negativo grande indica un extremo izquierdo largo. El sesgo poblacional se define como sigue: EC » sae ok en donde 5 =VE(y-11)’ ¥ L = EQ), El sesgo se estima a partir de una muestra de datos, remplazando la esperanza matemitica con los promedios muestrales de forma que en dondeCapitulo 1/ Introduccién a los pronésticos: aplicaciones, métodos, libros, revistas y software 25 b) Lacurtosis de una variable aleatoria es una medida del espesor de las colas de su curva de distribucién, en relacién con el de la distribucién normal. La curtosis de una variable alcatoria normal es igual a 3. Si la curtosis es mayor que 3 indica que los extremos son “gordos” o equivalentemente, que la distribucién es leptocirrtica, esto es, la distribu- cin tiene mayor masa de probabilidad en los extremos que la distribucién normal." La curtosis poblacional se define como sigue: Eat oe La curtosis se estima a partir de una mmestra de datos al sustituir las esperanzas mate- ‘miticas con los promedios muestrales. 1 ¥(5-7* TRO? ©) Elestadistico de prueba de Jarque-Bera (JB) combina la informacién sobre el sesgo y la curtosis, para producir una prueba general de normalidad. Este es, ‘en donde Tes el nimero de observaciones.” De acuerdo con la hipdtesis nula, de que las ‘observaciones son independientes y normaimente distribuidas, | estadistico de Jarque- Bera se distribuye como una variable aleatoria ji cuadrada, con dos grados de libertad en muestras grandes. 4) Existen otras pruebas de normalidad, como la de Kolomgorov-Smirmnov, y pueden usar- se, claro esté. En este libro usaremos la de Jarque-Bera, por su simplicidad y su descom- posicién, cémoda ¢ intuitiva, en asimetria y leptocurtosis. NOTAS BIBLIOGRAFICAS Y COMPUTACIONALES: Véase, en el libro de Wonnacott y Wonnacott (1990), o en cualquier otro de introduccién a la estadistica, una descripcién més completa de la teoria de la regresién y las tablas de puntos de significancia de las distribuciones normal, t, Fy de Durbin-Watson. Hay docenas de paquetes computacionales —aun las hojas de célculo— con la regresion lineal implementada, La mayoria incluye en forma automética una ordenada al origen, a menos ‘que explicitamente se pida lo contrario, esto es, construyen ¢ incluyen en forma automética una. variable C. 21. N. del T:: Cuando la distribucién esté més concentrada en el centro, se dice que es platietirtica y la variable tiene platicurtosis. 22. La formula es para una serie temporal observada. Si la serie corresponde a las residuales de un ‘modelo, T'se debe remplazar con T— &, siendo kel nimero de pardmetros estimados.Capitulo 1/ Introducoién a los pronésticos: aplicaciones, métodos, libros, revistas y software (CONCEPTOS A REVISAR Anélisis de regresién lineal Sesgo o asimetria Bondad de ajuste Correlacién serial o en serie Correlacién serial positiva Criterio de informacién de Akaike Criterio de informacién de Schwarz Curtosis Desviacién estindar muestral de la variable dependiente Dispersion Error estindar Error estindar de la regresién Esperanza condicional Estadistico Durbin-Watson Estadistico F Estadistico ¢ Estimacién maximo verosimil Funcién de regresion Funcién de verosimilitud Grafica de los residuales Leptocurtosis Minimos cuadrados ordinarios Modelo poblacional Modelo de regresién lineal multiple Ordenada de la regresion Parémetros Pendiente de la regresion Perturbacién ‘Media muestral de la variable dependiente Prueba de Jarque-Bera Reundrada Rcuadrada ajustada Regresién lineal simple Residuales, residuos 0 errores de prondstico en (dentro de) la muestra 2 ‘Suma del cuadrado de los residuales Tendencia ‘Término constante Valor de probabilidad del estadistico F ‘Valores ajustados 0 pronésticos ‘en (dentro de) la muestra