Bayesian Dynamic Model and Predictive Statistical Models

Authors

  • Antonio Boada Universidad Simón Bolívar

DOI:

https://doi.org/10.15665/rde.v15i1.547

Keywords:

Bayesian model, Waste Analysis, Bayesian prediction, Automated Estimate

Abstract

This paper, a practical application, proven through actual data, how the Bayesian Dynamic Linear Model Order 1 can be applied directly to the random waste from a multiple regression model Classic Static, thus creating an interesting addition is exposed for predictive statistical models. This Bayesian component generates a retro factor that feeds on waste (difference between predictions and actual historical values), adjusted according to the most recent historical information, all of them automatically and without the need to continually adjusts the Multiple Regression coefficients, generating an increase in the strength and stability of such models for prediction automated tools companies. This article provides a case of how Bayesian statistics can be an excellent complement to the techniques of classical frequentist statistics.

Resumen 

Mediante este artículo, se expone una aplicación práctica, comprobada a través de datos reales, de cómo el Modelo Lineal Dinámico Bayesiano de Orden 1, puede ser aplicado directamente sobre los residuos aleatorios provenientes de un Modelo Clásico de Regresión Múltiple Estático, generando así un complemento interesante para los modelos estadísticos predictivos. Este componente bayesiano, genera un factor que se retro alimenta de los residuos (diferencia entre las predicciones y los valores históricos reales), ajustándose según la información histórica más reciente, todo ellos de forma automatizada y sin necesidad de ajustar continuamente los coeficientes de Regresión Múltiple, lo que genera un incremento en la robustez y estabilidad de dichos modelos para herramientas automatizadas de predicción en empresas. Este artículo establece un caso de cómo la estadística bayesiana puede ser un excelente complemento para las técnicas de las estadística clásica frecuentista.

Resumo 

Através deste artigo, uma aplicação prática, comprovada através de dados reais, como o modelo linear dinâmico Bayesian Ordem 1 pode ser aplicado diretamente sobre os resíduos aleatória de um modelo clássico de regressão múltipla estático, gerando assim um suplemento exposta interessante para os modelos estatísticos preditivos. Este componente Bayesian gera um fator que retro alimenta de resíduos (diferença entre as previsões e os valores históricos reais), ajustado de acordo com as últimas informações históricas, todas elas automaticamente e sem a necessidade de ajustar continuamente os coeficientes de regressão múltipla , gerando um aumento na força e estabilidade de tais modelos para ferramentas de previsão automatizada empresas. Este artigo fornece um exemplo de como as estatísticas Bayesian pode ser um excelente complemento para as técnicas de estatística freqüentista clássicos.

Author Biography

Antonio Boada, Universidad Simón Bolívar

Profesor Asociado. Dedicación Exclusiva. Departamento de Formación General y Ciencias Básicas. Universidad Simón Bolívar, Sede Litoral.

References

Barrera, C. J. & Correa, J. C. (2008) Distribución predictiva bayesiana para modelos de pruebas de vida vía MCMC. Revista Colombiana de Estadística, (31)(2), 145–155.

Boada, A. J. & De Vasconcelos, D. (2013) Modelo estadístico de regresión múltiple, columna vertebral para predecir en empresas multinacionales con estilo de venta por catálogo. Revista Lasallista, (10)(1), 112 - 127.

Boada, A. & Mayorca, R. (2011) Planificación de Demanda, en Empresas con Estilo de Venta por Catálogo. Revista Lasallista, (8)(2), 124 - 135.

Bolstad, W. M. (2007) Introduction to Bayesian Statistics. Hamilton, NZ: Wiley.

Casado, R. & Montalvo F. (1998) Diseño de un Modelo Estadístico Predictivo, para las ventas, en unidades, de las diferentes líneas de labiales en barras de Avon Cosmetics de Venezuela C.A. (Trabajo de Grado). Caracas: Biblioteca de la Universidad Metropolitana (Físico). Escuela de Ciencias Administrativas.

Chambers, J. M. & Trevor J. Hastie (1992) Statistical Models in S. New York: Wadsworth & Brooks/Cole.

Chase, R.; Jacobs, R. & Aquilano, N. (2005) Administración de la Producción y Operaciones para una Ventaja Competitiva. Buenos Aires: McGraw Hill.

Diebold, F. X. (1998) Elements of Forecasting. San Diego: South Western College Publishing.

Malhotra, N. K. (1997) Marketing Research: An Applied Orientation. Georgia, ATL: Prentice Hall.

Klepacki, L. (2005) AVON La construcción de un imperio femenino. México: Editorial: Aguilar Kotler, P.

Armstrong, G. (1994) Mercadotecnia. México: Pearson.

Levin, Richard & David Rubin (1996). Estadística para Administradores. Buenos Aires: Prentice Hall.

Montgomery, D.; Peck, E. & Vinning, G. (2006) Introducción al Análisis de Regresión Lineal. México: Continental.

Pericchi, L. R. (2002) Análisis de Decisión, Inferencia y Predicción Estadística Bayesiana. Caracas: Universidad Simón Bolívar.

Schiffman, L. & Kanuk, L. (2010) Comportamiento del Consumidor. México: Pearson.

Tatsuoka, M. M. (1991) Multivariate Analysis: Techniques for Educational and Psychological Research. Chapaign: University of Illinois.

Valencia C., Marisol & Correa M., Juan C. (2013) Un Modelo Dinámico Bayesiano para el Pronóstico de Energía Diaria. Revista Ingeniería Industrial, (12)(2), 7-17.

Webster, A. L. (2000) Applied Statidtics for Business and Economics. New York: McGraw - Hill.

West, M. & Harrison, J. (1989) Bayesian Forecasting and Dynamic Models. New York: Springer - Verlag.

Downloads

Published

2016-12-18

How to Cite

Boada, A. (2016). Bayesian Dynamic Model and Predictive Statistical Models. Dimensión Empresarial, 15(1), 33 - 52. https://doi.org/10.15665/rde.v15i1.547

Issue

Section

RESEARCH RESULTS ARTICLES