Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación

Marisol Valencia Cárdenas; Victor Alfonso Osorno Vásquez; Juan Carlos Salazar Uribe

doi:10.15446/rev.fac.cienc.v6n2.66085

Publicado

2017-07-01

Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación

Comparative of forecasting models: classical, bayesian and combination techniques

DOI:

https://doi.org/10.15446/rev.fac.cienc.v6n2.66085

Palabras clave:

Estadística y probabilidad, evaluación de modelos y selección, pronósticos, estadística Bayesiana (es)
Statistics and probability, model evaluation and selection, forecasting, Bayesian statistics (en)

Descargas

PDF

Autores/as

Marisol Valencia Cárdenas Institución Universitaria Tecnológico de Antioquia
Victor Alfonso Osorno Vásquez Universidad Nacional de Colombia
Juan Carlos Salazar Uribe Universidad Nacional de Colombia, Sede Medellín

Resumen (es)
Resumen (en)

En la industria de alimentos, los modelos de inventarios que contemplan una adecuada predicción de la demanda son de gran ayuda para la gestión óptima del abastecimiento, especialmente en los productos perecederos como los lácteos, debido a su corta vida útil y la importancia de su calidad relacionada con la salud. Sin embargo, algunas empresas pequeñas y medianas colombianas no cuentan con tecnología y capacidades para hacer pronósticos de sus productos, lo cual es muy importante para la planeación de producción e inventarios. En este trabajo se propone una comparación de la precisión de pronósticos de modelos estadísticos individuales y combinaciones entre éstos, usando un algoritmo multi-producto para las combinaciones aplicado a un caso de estudio de ventas del sector de lácteos. Se encuentra que un modelo individual de regresión Bayesiana con innovación es muy buena alternativa en el caso estudiado, así como dos de las técnicas de combinación usadas.

In the food industry, inventory models that provide adequate prediction of demand are useful for optimum supply management, especially in perishable products such as dairy products, because of their short shelf life and the importance of their quality related to health. However, some small and medium Colombian companies do not have the technology and capabilities to do forecasts of their products, which is very important for production and inventory planning. In this paper we propose a comparison of the precision of forecasts of individual statistical models and combinations between them, using a multi-product algorithm for the combinations applied to a case study of sales of the dairy sector. It is found that an individual model of Bayesian regression with innovation is a very good alternative in the case studied, as well as two of the combination techniques used.

Referencias

Andersson, M. & Karlson, S. (2007). Bayesian forecast combination for VAR models. Sveriges Riskbanc-Working Papers, 1-17. Disponible en: http://www.riksbank.se/Upload/Dokument_riksbank/Kat_publicerat/WorkingPapers/2007/wp216.pdf

Barrow, D. & Kourentzes, N. (2016). Distributions of forecasting errors of forecast combinations: Implications for inventory management. International Journal of Production Economics, 177, 24-33.

https://doi.org/10.1016/j.ijpe.2016.03.017

Bates, D.; Maechler, M.; Bolker, B. & Walker, S. (2015). Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical Software, 67(1), 1-48. https://doi.org/10.18637/jss.v067.i01

Bates, J. & Granger, C. (1969). The combination of forecasts. Operational Research Quraterly, 20(4), 451-468.

Bowerman, B.; Koehler, A. & O’Connell, R. (2007). Pronósticos, series de tiempo y regresión: un enfoque aplicado. México, DF: CENCAGE Learning.

Chan, C.; Kingsman, B. & Wong, H. (1999). The value of combining forecasts in inventory management a case study in banking. European Journal of Operational Research, 117(2), 199-210.

Chen, K. (2011). Combining linear and nonlinear model in forecasting tourism demand. Expert Systems with Applications, 38(8), 10368-10376. https://doi.org/10.1016/j.eswa.2011.02.049

Congdon, P. (2002). Bayesian Statistical Modelling. (U. of London, Ed.). London, England:Wiley Series in Probability and Statistics.

Doganis, P.; Alexandridis, A.; Patrinos, P. & Sarimveis, H. (2006). Time series sales forecasting for short shelf-life food products based on artificial neural networks and evolutionary computing. Journal of

Food Engineering, 75(2), 196-204. https://doi.org/10.1016/j.jfoodeng.2005.03.056

Dorie, V. (2015). Package “blme”. Disponible en: https://cran.r-project.org/

Jun-jun, G.&Ting, K. (2009). A joint decision model of inventory control and promotion optimization based on demand forecasting. Proceedings of the 2009 IEEE International Conference on Automation and Logistics, ICAL 2009, 201800(August), 119-123. IEEE. https://doi.org/10.1109/ICAL.2009.5262965

Gómez-Restrepo, J. & Cogollo-Flórez, M. (2012). Detection of Fraudulent Transactions Through a Generalized Mixed Linear Models. Ingenieria y Ciencia, 8(16), 221-237.

Guo, F.; Diao, J.; Zhao, Q.; Wang, D. & Sun, Q. (2017). A double-level combination approach for demand forecasting of repairable airplane spare parts based on turnover data. Computers & Industrial Engineering, 110, 92-108. https://doi.org/10.1016/j.cie.2017.05.002

Hanke, J., & Wichern, D. (2006). Pronósticos en los negocios. Pearson Educación.

Hsiao, C. & Wan, S. (2014). Is there an optimal forecast combination? Journal of Econometrics, 178, 294-309. https://doi.org/10.1016/j.jeconom.2013.11.003

Hyndman, R.; Ahmed, R.; Athanasopoulos, G. & Shang, H. (2011). Optimal combination forecasts for hierarchical time series. Computational Statistics and Data Analysis, 55(9), 2579-2589.

https://doi.org/10.1016/j.csda.2011.03.006

Kociecki, A., Kolasa, M., & Rubaszek, M. (2012). A Bayesian method of combining judgmental and model-based density forecasts. Economic Modelling, 29(4), 1349-1355.

https://doi.org/10.1016/j.econmod.2012.03.004

McNeil, A. &Wendin, J. (2007). Bayesian inference for generalized linear mixed models of portfolio credit risk. Journal of Empirical Finance, 14(2), 131-149. https://doi.org/10.1016/j.jempfin.2006.05.002

Miller, J.; Berry, C. & Lai, C. (2007). A comparison of alternative forecasting strategies for multistage production-inventory systems. Decision Sciences, 7(4), 714-724.

Min, C. & Zellner, A. (1993). Bayesian and non-Bayesian methods for combining models and forecasts with applications to forecasting international growth rates. Journal of Econometrics, 56(1-2), 89-118.

https://doi.org/https://doi.org/10.1016/0304-4076(93)90102-B

Montoya, A.; Montoya, I. & Castellanos, O. (2010). Situación de la competitividad de las Pyme en Colombia: elementos actuales y retos. Agronomía Colombiana, 28(1), 107-117.

Muñoz, L. (2013). Cálculo del RMSE vertical del Modelo de Elevación de Superficie NEXTMap R World 30 DSM vs. la Red Geodésica de Primer Orden de Costa Rica.

Nowotarski, J.; Liu, B.; Weron, R. & Hong, T. (2016). Improving short term load forecast accuracy via combining sister forecasts. Energy, 98, 40-49. https://doi.org/10.1016/j.energy.2015.12.142

Peña, D. & Guttman, I. (1988). Bayesian approach to robustifying the Kalman filter. Bayesian Analysis of Time Series and Dynamic Linear Models, 227-254.

Petris, G. (2010). An R Package for Dynamic Linear Models. Journal of Statistical Software, 36(12), 1-16. Retrieved from http://www.jstatsoft.org/

Petris, G.; Petrone, S. & Campagnoli, P. (2009). Dynamic Linear Models with R. Disponible en:

http://www.springer.com/statistics/statistical+theory+and+methods/book/978-0-387-77237-0

R Core Team. (2014). A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. Disponible en: http://www.r-project.org/

Rodríguez, A. (2003). La realidad de la Pyme colombiana: desafío para el desarrollo (pp. 1-20). Programa Mejoramiento de las Condiciones de Entorno Empresarial, FUNDES Colombia.

Sánchez, J.; Osorio, J. & Baena, E. (2007). Algunas aproximaciones al problema de financiamiento de las Pymes en Colombia. Scientia et Technica, 13(34).

Simchi-Levi, D.; Kaminski, P. & Simchi-Levi, E. (2008). Designing and Managing the Supply Chain: concepts, strategies, and cases. New York: McGraw-Hill.

Valencia, M. (2016). Dynamic Model for the Multiproduct Inventory Optimization with Multivariate Demand. Universidad Nacional de Colombia, Sede Medellín. Disponible en:

http://www.bdigital.unal.edu.co/51516/1/43616826.2015.pdf

Valencia, M.; Correa, J.; & Díaz, F. (2015). Métodos Estadísticos Clásicos y Bayesianos para el pronóstico de demanda. Un análisis comparativo. Revista Facultad de Ciencias, 4(1), 52-67.

https://doi.org/https://doi.org/10.15446/rev.fac.cienc.v4n1.49775

Valencia, M.; Díaz, F. J. & Correa, J. C. (2015). Planeación de inventarios con demanda dinámica. Una revisión del estado del arte. Dyna, 82(190), 182-191.

https://doi.org/http://dx.doi.org/10.15446/dyna.v82n190.42828

Weiss, M. (2016). Package “GeomComb”.

Yelland, P. (2010). Bayesian forecasting of parts demand. International Journal of Forecasting, 26(2), 374-

https://doi.org/10.1016/j.ijforecast.2009.11.001

Zotteri, G. & Kalchschmidt, M. (2007). A model for selecting the appropriate level of aggregation in forecasting processes. International Journal of Production Economics, 108(1), 74-83. https://doi.org/10.1016/j.ijpe.2006.12.030

Cómo citar

APA

Valencia Cárdenas, M., Osorno Vásquez, V. A. y Salazar Uribe, J. C. (2017). Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación. Revista de la Facultad de Ciencias, 6(2), 124–140. https://doi.org/10.15446/rev.fac.cienc.v6n2.66085

ACM

[1]

Valencia Cárdenas, M., Osorno Vásquez, V.A. y Salazar Uribe, J.C. 2017. Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación. Revista de la Facultad de Ciencias. 6, 2 (jul. 2017), 124–140. DOI:https://doi.org/10.15446/rev.fac.cienc.v6n2.66085.

ACS

(1)

Valencia Cárdenas, M.; Osorno Vásquez, V. A.; Salazar Uribe, J. C. Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación. Rev. Fac. Cienc. 2017, 6, 124-140.

ABNT

VALENCIA CÁRDENAS, M.; OSORNO VÁSQUEZ, V. A.; SALAZAR URIBE, J. C. Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación. Revista de la Facultad de Ciencias, [S. l.], v. 6, n. 2, p. 124–140, 2017. DOI: 10.15446/rev.fac.cienc.v6n2.66085. Disponível em: https://revistas.unal.edu.co/index.php/rfc/article/view/66085. Acesso em: 18 abr. 2025.

Chicago

Valencia Cárdenas, Marisol, Victor Alfonso Osorno Vásquez, y Juan Carlos Salazar Uribe. 2017. «Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación». Revista De La Facultad De Ciencias 6 (2):124-40. https://doi.org/10.15446/rev.fac.cienc.v6n2.66085.

Harvard

Valencia Cárdenas, M., Osorno Vásquez, V. A. y Salazar Uribe, J. C. (2017) «Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación», Revista de la Facultad de Ciencias, 6(2), pp. 124–140. doi: 10.15446/rev.fac.cienc.v6n2.66085.

IEEE

[1]

M. Valencia Cárdenas, V. A. Osorno Vásquez, y J. C. Salazar Uribe, «Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación», Rev. Fac. Cienc., vol. 6, n.º 2, pp. 124–140, jul. 2017.

MLA

Valencia Cárdenas, M., V. A. Osorno Vásquez, y J. C. Salazar Uribe. «Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación». Revista de la Facultad de Ciencias, vol. 6, n.º 2, julio de 2017, pp. 124-40, doi:10.15446/rev.fac.cienc.v6n2.66085.

Turabian

Valencia Cárdenas, Marisol, Victor Alfonso Osorno Vásquez, y Juan Carlos Salazar Uribe. «Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación». Revista de la Facultad de Ciencias 6, no. 2 (julio 1, 2017): 124–140. Accedido abril 18, 2025. https://revistas.unal.edu.co/index.php/rfc/article/view/66085.

Vancouver

1.

Valencia Cárdenas M, Osorno Vásquez VA, Salazar Uribe JC. Comparativo de modelos de pronóstico: clásicos, bayesianos y técnicas de combinación. Rev. Fac. Cienc. [Internet]. 1 de julio de 2017 [citado 18 de abril de 2025];6(2):124-40. Disponible en: https://revistas.unal.edu.co/index.php/rfc/article/view/66085

Descargar cita

CrossRef Cited-by

0

Dimensions

PlumX

Captures
Mendeley - Readers: 5

Visitas a la página del resumen del artículo

800

Descargas

Licencia

Derechos de autor 2017 Revista de la Facultad de Ciencias

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Los autores o titulares del derecho de autor de cada artículo confieren a la Revista de la Facultad de Ciencias de la Universidad Nacional de Colombia una autorización no exclusiva, limitada y gratuita sobre el artículo que una vez evaluado y aprobado se envía para su posterior publicación ajustándose a las siguientes características:

1. Se remite la versión corregida de acuerdo con las sugerencias de los evaluadores y se aclara que el artículo mencionado se trata de un documento inédito sobre el que se tienen los derechos que se autorizan y se asume total responsabilidad por el contenido de su obra ante la Revista de la Facultad de Ciencias, la Universidad Nacional de Colombia y ante terceros.

2. La autorización conferida a la revista estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo de la Revista de la Facultad de Ciencias en el Sistema Open Journal Systems y en la página principal de la revista (https://revistas.unal.edu.co/index.php/rfc/index), así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.

3. Los autores autorizan a la Revista de la Facultad de Ciencias de la Universidad Nacional de Colombia para publicar el documento en el formato en que sea requerido (impreso, digital, electrónico o cualquier otro conocido o por conocer) y autorizan a la Revista de la Facultad de Ciencias para incluir la obra en los índices y buscadores que estimen necesarios para promover su difusión.

4. Los autores aceptan que la autorización se hace a título gratuito, por lo tanto renuncian a recibir emolumento alguno por la publicación, distribución, comunicación pública y cualquier otro uso que se haga en los términos de la presente autorización.

5. Todos los contenidos de la Revista de la Facultad de Ciencias, están publicados bajo la Licencia Creative Commons Atribución – No comercial – Sin Derivar 4.0.