El presente trabajo ha sido realizado de acuerdo a los reglamentos de la UNIVERSIDAD ESAN por: Series de Tiempo

[pic 1]

Universidad ESAN

MBA Arequipa XIV

Datos Generales Del Curso

Asignatura:         Análisis de Datos para la Gerencia

Área Académica:        Operaciones y Tecnologías de Información

Datos Del Profesor

Nombre:         Tomas Minauro La Torre

E-mail:         tminauro@esan.edu.pe     

El presente trabajo ha sido realizado de acuerdo a los reglamentos de la UNIVERSIDAD ESAN por:

Roberto Delgado García

Elvis Gustavo Mamani Nina

Fernando Mengoa Quintanilla

Mauricio Rodríguez Manrique

Arequipa, 19 de Noviembre del 2016

Aplicación de modelo de Regresión para el caso de Series de Tiempo

Datos

[pic 2]

[pic 3]

Se procederá a realizar el análisis de regresión con las variables dadas, para obtener un nivel de ingresos futuros:

[pic 4]

La ecuación de regresión seria la siguiente:

Ingresos = -27.72 + 1.47 (Año) + 0.002 (Uso) + 27.51 (Cargo) - 0.0001 (Clientes)

Interpretando:

• Quiere decir que cuando el uso suba un kilowatt-hora, nuestro ingreso aumentara en 0.002 millones de dólares mientras las otras variables se mantengan constantes.
• También podemos decir que cuando el cargo suba un centavo/kw-hora nuestro ingreso aumentara en 27.51 millones de dólares.

Adicionalmente a este análisis realizamos la correlación para ver el nivel de relación que tiene las variables en mención:

[pic 5]

Podemos ver que en este modelo existe colinealidad, ya que las variables tienen altos porcentajes de relación entre sí, se realizara un modelo predictivo para tratar que la colinealidad afecte lo menos posible nuestro análisis.

Para empezara definiremos una hipótesis para corroborar los datos de nuestra primera regresión y ver si podemos eliminar variables que no seas significativas para el valor buscado.

[pic 6]

[pic 7]

Al ser cargo la única variable que tiene un p-value menor a nuestro alfa de 5%, se queda en nuestra ecuación, empezaremos eliminando las variables para encontrar la mejor combinación de variables, empezaremos eliminando clientes:

[pic 8]

En este segundo análisis podemos ver como al eliminar la variable clientes los p-values de las variables están mas alineados, podemos ver que el coeficiente de correlación no ha variado lo cual nos indica el poco valor que tenía la variable clientes en nuestro análisis de regresión múltiple.

...