Hallazgos Gestión Cuantitativa

[pic 1][pic 2]

[pic 3]

[pic 4][pic 5]

Reporte de Hallazgos

La problemática está basada en descubrir cuáles indicadores macroeconómicos del país inciden en el nivel de ventas de autos nuevos, para determinar las condiciones óptimas de entrada al mercado de ventas de automóviles.

La base de datos utilizada fue obtenida de diferentes reportes mensuales de los principales indicadores macroeconómicos del Banco Central, tomando como año de inicio el 2011 y el año de término el 2021 (para contar con la misma cantidad de datos por año, tomando los meses desde enero a diciembre). Luego, fueron recopilados en una base de datos propia, elaborada en un archivo excel.

Se definieron las siguientes variables tomadas de la base de datos:

• Ventas: Ventas de autos nuevos, metodología 2011, ANAC.
• Desempleo: Tasa de desempleo nacional.
• Billetes: Total billetes en circulación.

Para entender mejor cómo se distribuyen las ventas de autos nuevos a nivel nacional se realizó un gráfico de frecuencia, el cual permite elegir rangos para un mayor análisis de normalidad en las ventas (mientras más Bins se tome, tendrá más estimación la frecuencia).

 La técnica utilizada es la de regresión lineal múltiple con dos regresores k=2 (Desempleo y Billetes), el modelo tiene la forma:[pic 6]

De esta forma se calcula la relación que tiene la variable dependiente (y) con las variables explicativas (x1 y x2).

Por lo tanto, nuestro Dashboard tiene la finalidad de pronosticar las ventas de vehículos a nivel nacional con diferentes tasas de desempleo y cantidades de billetes en circulación. Además, se agrega a la predicción diferentes grados de certeza (niveles de confianza).

En las pruebas, se obtuvieron los siguientes datos:

[pic 7]

Aunque el modelo muestra un R2 cercano a 0, el p-value es bajo, mucho menor a 0,05. Lo cual indica que es altamente significativo. Además, se destaca que la variable desempleo tiene coeficiente negativo, indicando que existe una proporcionalidad inversa entre nivel de desempleo y nivel de ventas.

Adicionalmente, se muestra que la media de los residuos es cercana a 0, por lo que los valores no están auto correlacionados.

En las pruebas de Hipótesis:

H0 = los errores son independientes

H1 = los errores no son independientes

[pic 8]

Lo que indica que no hay correlación.

En conclusión, si el VIF es menor que 2 se cumple con el supuesto de no multicolinealidad.

Si hay multicolinealidad:

1. Combinar predictores altamente correlacionados en un solo índice.
2. Eliminar predictores.
3. Usar ridge regression

En el modelo analizado, las dos variables explicativas no presentan multicolinealidad.

Cabe mencionar que se probó la regresión con una tercera variable explicativa (IPC), sin embargo, no fue estadísticamente significativa y generaba problema de multicolinealidad, dejando el modelo poco representativo. Finalmente se optó por eliminarla.

...