Ecuación de Demanda de Producto frente a Inversión en I+D

Identificación de Variables y Parámetros en la Ecuación

En el estudio de modelos econométricos, es fundamental distinguir los componentes que integran la ecuación:

• Variables observables: Son aquellas que pueden medirse o cuantificarse directamente, como Y (demanda) y X₁ (inversión).
• Variables no observables: Aquellas que no pueden medirse de forma directa, como el término de error (ε), que recoge factores no incluidos en el modelo.
• Variables endógenas: Son aquellas cuyos valores son determinados por el propio modelo. Un ejemplo clásico es la relación entre precio y demanda, donde los cambios en una variable afectan intrínsecamente a la otra. En este caso, Y actúa como variable endógena.
• Variables exógenas: Son variables independientes que influyen en el modelo pero no se ven afectadas por él. Por ejemplo, las heladas en una explotación vitivinícola influyen en la producción de uva, pero la producción no afecta a las heladas. Aquí, X₁ es la variable exógena.
• Parámetros: Son los coeficientes constantes que cuantifican la magnitud de la relación entre las variables, representados habitualmente como β₀ (intercepto) y β₁ (pendiente).

Clasificación del Modelo según su Estructura y Temporalidad

El modelo puede clasificarse bajo distintos criterios técnicos:

Según el número de ecuaciones:

• Uniecuacionales: Incluyen una sola variable endógena, como en el caso descrito con Y.
• Multiecuacionales: Incluyen varias variables endógenas interrelacionadas.

Según la forma funcional:

• Lineales: Representan una combinación lineal de variables independientes, sin exponentes distintos a la unidad.
• No lineales: Las variables o parámetros no siguen una relación de proporcionalidad lineal.

Según el periodo temporal:

• Estáticos: Se refieren a un único momento del tiempo (t).
• Dinámicos: Analizan la evolución y el comportamiento de las variables a lo largo del tiempo.

Tipología de los Modelos Econométricos

Dependiendo de la naturaleza de los datos observados, las mediciones se clasifican en:

• Series temporales: Recogen observaciones de una misma variable a lo largo del tiempo, como las exportaciones anuales de una empresa aeroespacial.
• Corte transversal (Cross-section): Incluyen datos de distintas variables en un mismo instante temporal, como los datos de un censo poblacional.
• Datos de panel: Combinan ambos enfoques, incorporando observaciones temporales de múltiples variables simultáneamente (ej. producto, zona geográfica y canal de venta).

Modelo Econométrico de una Línea Aérea

Fases de un Modelo Econométrico y Estado de Situación

Las fases habituales para el desarrollo de un modelo sólido son:

1. Formulación de la teoría o hipótesis.
2. Especificación del modelo matemático.
3. Planteamiento econométrico.
4. Obtención y depuración de datos.
5. Estimación de parámetros.
6. Validación y diagnóstico.
7. Interpretación y predicción.

Actualmente, la aerolínea se encuentra en la fase de especificación y recogida de datos. Se han identificado las variables, pero aún no se ha procedido a la estimación formal ni a la validación.

Crítica técnica: El tamaño muestral es insuficiente. Contar con solo 15 observaciones es inadecuado para un modelo con múltiples variables explicativas, especialmente si se incluyen variables cualitativas (dummies), lo que reduce drásticamente los grados de libertad y compromete la fiabilidad estadística.

Asimismo, no es recomendable incluir todas las variables de forma indiscriminada. Es imperativo justificar su relevancia teórica y realizar pruebas de multicolinealidad.

Detección de Comportamientos Anómalos

Si la línea aérea está detectando comportamientos extraños, se sitúa en la fase de validación y diagnóstico. En esta etapa, tras la estimación, se evalúa si el modelo cumple los supuestos clásicos de regresión.

Los objetivos clave en esta fase son:

• Identificación de outliers: Detectar valores atípicos que distorsionan la tendencia.
• Comprobación de supuestos: Verificar la homocedasticidad, ausencia de autocorrelación y normalidad de los residuos.
• Contrastes de significación: Aplicar el test t (individual) y el test F (global) para determinar la relevancia de los regresores.
• Robustez: Asegurar que el modelo sea estable ante pequeñas variaciones en los datos.

Evaluación de la Ecuación Propuesta por Minitab

La ecuación final propuesta es: Ventas = 306 – 80,1 X₁ + 7,92 X₁²

Bajo un análisis riguroso, el modelo presenta limitaciones:

• Significación débil: El valor p de 0,097 sugiere que la relación es significativa solo al 10%, lo cual es insuficiente para estándares de alta precisión.
• Bajo poder explicativo: Un R² del 32,19% indica que casi el 68% de la variabilidad de las ventas queda sin explicar por el modelo.
• Especificación: Aunque el término cuadrático (X₁²) sugiere una relación no lineal, la omisión de otras variables relevantes indica un posible sesgo por variable omitida.

Recomendaciones: Analizar residuos, ampliar la base de datos y revisar la especificación antes de su uso operativo.

Caso Práctico: Electrodomésticos La Ribera

Definición de Variables en Minitab

Para realizar el análisis en el software Minitab, se deben definir correctamente los roles de las variables:

• Variable de respuesta (Y): Es la variable dependiente. En este caso, representa las ventas de secadoras de alta gama.
• Variables predictoras (X): Son las variables independientes que explican el fenómeno, tales como la inversión publicitaria (número de anuncios) y el precio de venta.

Interpretación del Coeficiente de Determinación (R²)

El R² mide el porcentaje de variación de la variable dependiente (Y) que es explicado por el modelo. En este caso, el valor obtenido indica que el modelo explica el 78,15% de la variabilidad de las ventas, lo cual representa un ajuste satisfactorio para la toma de decisiones comerciales.

Análisis de Residuos y Valores Ajustados

El valor ajustado es la estimación que ofrece el modelo al sustituir los valores de X en la ecuación. Los residuos representan la diferencia entre el valor real observado y la predicción del modelo (error).

Ejemplo: Si el modelo predice 25 unidades y el valor real es 25, el residuo es cero. Si predice 38 pero el valor real es 18, el residuo es -20.

La observación de la gráfica de residuos es vital: los puntos deben distribuirse de forma aleatoria alrededor del eje cero. Patrones en forma de embudo o curvas sugieren que el modelo requiere ajustes adicionales.

Caso Práctico: Empresalia Asesoría S.L.

Predicción de Altas de Contratos: Metodología en Excel

Para un escenario de 1500 mesas de terraza (regresión simple), la vía más ágil es Microsoft Excel:

1. Insertar un diagrama de dispersión con los datos históricos.
2. Agregar una línea de tendencia lineal.
3. Activar la opción «Presentar ecuación en el gráfico».
4. Sustituir X = 1500 en la ecuación obtenida para hallar el número estimado de contratos.

Análisis Avanzado de Residuos

Aunque Excel es rápido para la predicción, Minitab es superior para el diagnóstico. El asistente de regresión de Minitab genera automáticamente un informe de residuos que permite identificar patrones de autocorrelación o heterocedasticidad de forma visual y estadística, algo que Excel no realiza de manera nativa.

Comparativa del Coeficiente de Determinación

Es importante destacar que el valor numérico del coeficiente de determinación es idéntico independientemente del software utilizado. Las diferencias son puramente terminológicas y de visualización:

• Excel: Lo denomina R² y se visualiza comúnmente sobre el gráfico de dispersión.
• Minitab: Lo etiqueta como R-cuad. en sus informes detallados.

En ambos casos, un valor del 90% significaría que el modelo explica el 90% de la variabilidad de la variable dependiente Y, garantizando una alta fiabilidad en el ajuste de los datos.