1. ESTIMACIÓN DE LA
DEMANDA
Mario Iván Flores

2. CONTENIDO
1 Introducción
2 Análisis de Regresiónl
3 Regresión Simple
4 Regresión Múltiple
5 Problemas de Identificación,
Multilinealidad y
Autocorrelación

3. INTRODUCCIÓN
 Para saber que es lo que los
consumidores quieren se
necesita recurrir a investigar el
mercado, para recolectar datos y
después estimar la demanda
mediante un análisis de
regresión.
MARIO IVAN FLORES

4. ANÁLISIS DE REGRESIÓN
 Este análisis se usa para estimar la
demanda, la oferta, la producción , el
costo, para estudios
macroeconómicos de consumo,
inversión etc.
 Para aplicar este análisis se necesitan
datos de las variables independientes
que se consideran afectan a la
variables dependiente (demanda,
oferta, producción , etc).
MARIO IVAN FLORES

5. ANÁLISIS DE REGRESIÓN
Los datos que se pueden utilizar son: de
corte trasversal (información para un
período) y de series de tiempo (información
para varios períodos).
La aplicación del análisis requiere de
establecer la variable dependientes, las
variables independientes y la variable nula.
La variable nula no implicaciones de
relación con la variable dependiente, solo
es informativa.

6. Ecuación de Regresión
Y= a +b1X1+b2X2b3X3b4X4
Y=Variable Dependiente
a= Constante, intersección en Y
b1,2,3,4: coeficientes de la variables independientes y
nula (pendiente), que miden su impacto en la
variable dependiente.
X1,2,3=Variables independientes 1,2,3
X4= Variable nula

7. ANÁLISIS DE REGRESIÓN
Pasos del proceso del Análisis de Regresión:
1.Recolección de datos
2.Estimación de ecuación de regresión:
Normalmente mediante mínimos cuadrados
3.Revisión de signos: signo negativo significa
relación inversa entre la variable dependiente y la
independiente. Signo positivo una relación
directa entre estas variables.
4.Cálculos de coeficientes de elasticidad: se
calcula la primera derivada de la variable
dependiente, para c/variable independiente y el
resultado se multiplica por el dato de la variable
independiente dividido entre dato obtenido del
variable dependiente.

8. ANÁLISIS DE REGRESIÓN
5. Determinación de significancia
estadistica para cada coeficiente:
Permite determinar la confiabilidad de
que cada coeficiente basado en la
muestra son un fiel reflejo de la
población.
Se obtiene mediante la división
de cada coeficiente entre el
error estándar estimado: si es mayor
que 2 el coeficiente es significativo.

9. ANÁLISIS DE REGRESIÓN
6. Coeficiente de Determinación: Se calcula para
establecer el nivel explicativo que tienen las variables
independientes sobre la variable dependiente.
7. Determinación de la significancia estadística de toda
la ecuación de regresión (prueba F): Sirve para
determinar si en verdad la ecuación de regresión total
basada en la muestra es un fiel reflejo de la ecuación
de regresión de la población, o sea se pretende
establecer si el R² (coeficiente de determinación ) de la
muestra es representativa del valor explicativo de R²
para la población. Esto ocurre Si la prueba F es mayor
que los valores críticos.

10. ANÁLISIS DE REGRESIÓN
8. Superadas las pruebas antes indicadas se
da por aceptada la ecuación de regresión
obtenida de la muestra,
9. Estimación de la demanda o de cualquier
factor para el cual se hace el análisis: Se
logra sustituyendo los datos que
correspondan en las variables
independientes.

11. ANÁLISIS DE REGRESIÓN
Tipos de Modelos de Regresión:
Simple
 Múltiple.
Regresión Simple: Considera una relación lineal
entre un variable independiente y la dependiente.
Ecuación de Regresión Simple: Y= a +bX+u
Donde:
Y=Variable Dependiente
a= Constante, intersección en Y
b: Coeficientes de la variable independiente
(pendiente).
U=Factor aleatorio.

12. REGRESIÓN SIMPLE
“u” se utiliza cuando se trabaja con modelos
probabilísticos, o sea aquellos modelos en
donde existe la probabilidad de que otros
factores no incluidos en el análisis puedan
afectar a la variable dependiente (demanda).
Lo modelos determinísticos son aquellos en
los que existe la certeza de que sólo las variables
independientes incluidas en el análisis son las
que afectan a la variable dependiente (demanda).
No se necesita recurrir a “u”.

13. REGRESIÓN SIMPLE
 Estimación de la ecuación de
regresión: mediante técnicas de
ajuste, especialmente mínimos
cuadrados, utilizando calculadoras o
softwares.
 La regresión es fácil de aplicar, pero
díficilmente será suficiente para
explicar el comportamiento de un
fenómeno (variable dependiente)

14. REGRESIÓN MÚLTIPLE
 S utiliza para establecer la relación y
explicación lineal de una variable
dependiente a partir de más de una
variable.
 Ecuación de Regresión Múltiple
 Y= a +b1X1+b2X2b3X3b4X4
 Y=Variable Dependiente
 a= Constante, intersección en Y
 b1,2,3,4: coeficientes de la variables
independientes y nula (pendiente),
que miden su impacto en la variable
dependiente.

15. REGRESIÓN MÚLTIPLE
 b1,2,3,4: coeficientes de la variables
independientes y nula (pendiente),
que miden su impacto en la variable
dependiente.
 X1,2,3=Variables independientes 1,2,3
 X4= Variable nula
 La correlación múltiple es un análisis
más completo, pero sólo deben
incluirse las variables independientes
más significativas o determinantes p/
el estudio de la variable dependiente.

16. REGRESIÓN MÚLTIPLE
LA REGRESIÓN PARA PRONISTICAR:
 Una vez que se ha estimado la ecuación de
regresión con sus coeficientes, sólo se tiene
que asignar valores a las variables
independientes y se obtiene el pronóstico de
la variable dependiente (demanda).
 Cuando la relación entre las variables no es
lineal, se debe utilizar ecuaciones no
lineales, o hacer ajustes con mínimos
cuadrados solo cuando la información lo
justifique.

17. PROBLEMAS CON LA REGRESIÓN
 Problema de Identificación: situación en la
cual diversos factores afectan
simultáneamente a varios fenómenos , por
tanto no se puede aislar la influencia de
esos factores en una sola variable
dependiente.
 Multicolinealidad: tendencia de 2 o más
variables a asociarse simultáneamente para
afectar a la variable dependiente, lo que
hace difícil separar el efecto que c/una tiene
en la variable dependiente.

18. PROBLEMAS CON LA REGRESIÓN
 Problema de Autocorrelación:
situación en la cual la variable
independiente se relaciona con la
variable dependiente siguiendo un
patrón definido.