DEPARTAMENTO DE MÉTODOS QUANTITATIVOS

Transcrição

1 DEPARTAMENTO DE MÉTODOS QUANTITATIVOS DISCIPLINA: MÉTODOS DE PREVISÃO DOCUMENTO DE APRESENTAÇÃO LICENCIATURA DE MARKETING ANO LECTIVO 2005/06

2 Métodos de Previsão Ano lectivo: 2005/ º ano; 2.º semestre I. Objectivos «Métodos de previsão» é uma disciplina de métodos quantitativos aplicados e enquadra-se no âmbito da licenciatura em Marketing como disciplina complementar de aquisição de competências para a análise e compreensão dos dados económicos e sociais, das variáveis e das relações estruturais ou conjecturais entre as mesmas. A previsão, em particular a previsão de vendas, é um auxiliar precioso da decisão pois permite que esta não seja tomada ao acaso. Ao nível da empresa ou de qualquer organização, a previsão deve ser devidamente integrada na tomada de decisões e considerada como um meio e não como um fim. Um dos grandes objectivos da previsão é permitir que quem decide compreenda melhor as incertezas do futuro e os seus riscos associados quando planeiam ou tomam as decisões. II. Programa 1. INTRODUÇÃO METODOLÓGICA 2. MODELOS DE PREVISÃO CAUSAIS 2.1. O MODELO DE REGRESSÃO LINEAR SIMPLES - O Modelo - Os pressupostos do modelo - A Estimação dos Parâmetros o método dos mínimos quadrados (OLS) - Propriedades do estimador OLS O Teorema Gauss-Markov - Testes sobre os coeficientes de regressão - Intervalos de confiança para os coeficientes de regressão - O coeficiente de determinação R2 e o Teste F - Aplicação do modelo - a previsão - Um exemplo numérico - Resolução de alguns exemplos utilizando o software SPSS e análise de outputs 2

3 2.2. O MODELO DE REGRESSÃO LINEAR MÚLTIPLA - O Modelo linear geral - Pressupostos do Modelo - O significado dos coeficientes de regressão parcial - A estimação OLS e ML dos coeficientes de regressão parcial - Testes de hipóteses acerca dos coeficientes de regressão parcial - O coeficiente de determinação R 2 e o coeficiente de determinação ajustado R 2 - Testar a significância global do modelo - A contribuição marginal de uma variável explicativa - Coeficientes de correlação parcial e part - Variáveis explicativas binárias (dummy variables) - Multicolinearidade - Heteroscedasticidade dos resíduos - Autocorrelação dos resíduos - O problema dos erros de especificação - Melhorar o modelo através da análise dos resíduos: outliers e observações influents - A construção do modelo: efeito moderador - Prever usando o modelo RLM - Exemplos - Resolução de alguns exemplos utilizando o software SPSS e análise de outputs 3. PREVISÃO DE SUCESSÕES CRONOLÓGICAS 3.1. MÉTODOS SIMPLES DE EXTRAPOLAÇÃO, MÉDIAS MÓVEIS, ALISAMENTO EXPONENCIAL E DECOMPOSIÇÃO 3.2. A METODOLOGIA DE BOX-JENKINS PARA PREVISÃO DE SUCESSÕES CRONOLÓGICAS - Modelos determinísticos e estocásticos - Sucessões estacionárias e não estacionárias - A função de autocorrelação - Os processos homogéneos não estacionários - Estacionaridade e a função de autocorrelação - Sazonalidade e a função de autocorrelação - Os modelos lineares AR, MA, ARMA, ARIMA e SARIMA - Resolução de exemplos com o SPSS III. Método pedagógico As aulas são do tipo teórico-práticas. Haverá, ainda, aulas de prática laboratorial de informática. Software de aplicação: SPSS 3

4 IV. Sistema de avaliação A avaliação contínua será feita mediante a apresentação e discussão de dois trabalhos de grupo (20% + 20%) e da realização de um teste (60%). Os alunos que não obtiverem 8 valores no teste e média de 10 na avaliação final, vão a exame final. V. Bibliografia recomendada Textos de Apoio Apontamentos das aulas. CASOS PRÁTICOS: LAVEX1(regressão linear simples); LAVEX2 (regressão linear múltipla); GELADEX1 (modelo de alisamento exponencial); GELADEX2 (modelo de decomposição) e GELADEX3 ( modelo SARIMA). Referências Regressão Linear Sincich, Terry (1996). Business Statistics by Example, 5 th ed., Prentice-Hall eds., caps. 12 e 13 Newbold, Paul (1991). Statistics for Business and Economics, 3 rd ed., Prentice Hall eds., Caps12-14 Pestana, M. H. e J. N. Gageiro (2003). Análise de Dados para Ciências Sociais. A Complementaridade do SPSS, 3ª ed. Edições Sílabo. Cap.11. Gujarati, Damodar (1995). Basic Econometrics, McGraw-Hill International Editions, 3 rd ed. Pindick, R. e D. Rubinfield (1996). Econometric Models and Economic Forecasts, McGraw- Hill International Editions, 4 th ed., Caps 1-8. Magalhães, Manuela (1994). Regressão Múltipla: Um método para explicação e previsão. Temas em Métodos Quantitativos para Gestão, n.º 13, GIESTA, ISCTE Sucessões cronológicas Sincich, Terry (1996). Business Statistics by Example, 5 th ed., Prentice-Hall, cap. 16 Newbold, Paul (1991) Statistics for Business and Economics, 3 rd ed., Prentice Hall eds., 4

5 Cap 17. Magalhães, Manuela (1994). Métodos de Previsão para Gestão: Métodos Simples de Extrapolação, Alisamento e Decomposição de Sucessões cronológicas. Temas em Métodos Quantitativos para Gestão, n.º 12, GIESTA, ISCTE Magalhães, Manuela (1993). Métodos de Previsão para Gestão:A Metodologia de Box- Jenkins para Análise e Previsão de Sucessões Cronológicas. Temas em Métodos Quantitativos para Gestão, n.º 11, GIESTA, ISCTE Pindick, R. e D. Rubinfield (1996). Econometric Models and Economic Forecasts, McGraw- Hill International Editions, 4 th ed., Caps Bowerman, B.L. e O Connell, R.T. (1993) Forecasting and Time Series.An Applied Approach, 3 rd ed. California, Belmont:Duxbury Press. Referências complementares Makridakis, S. e Wheelwright, S.C. (1981) The Handbook of Forecasting. A Managers Guide, New York:Wiley. Makridakis, S., Wheelwright, S.C. e McGee, V.E. (1983) Forecasting Methods and Applications, 2 nd ed. New York:Wiley. Bowerman, B.L. e O Connell, R.T. (1993) Forecasting and Time Series.An Applied Approach, 3 rd ed. California, Belmont:Duxbury Press. VI. Corpo docente Prof. Doutora Manuela Magalhães Hill 5

6 Grupo II: Actividades planeadas Programação de actividades docentes Data Actividades planeadas (temas) 16 Fevereiro 2004 Introdução Metodológica 1-3/Março Modelo de regressão linear simples: o modelo e os pressupostos; A estimação dos parâmetros 8-10/Março Inferência estatística sobre o modelo de regressão linear simples 15-17/Março Aplicação do modelo A previsão 22-24/Março Modelo de regressão linear múltipla: As hipóteses do modelo; Estimação OLS e ML Coeficientes beta, de regressão parcial e part. Multicolinearidade 29-31/Março Variáveis explicativas qualitativas 19-21/Abril Heteroscedasticidade; Autocorrelação dos resíduos Outliers Abril Efeito moderador 3-5/Maio Sucessões cronológicas. O modelo de médias móveis e de alisamento exponencial 10-12/Maio O método de decomposição. SPSS 17-19/Maio Introdução aos modelos AR, MA e ARMA 24-26/Maio O modelo ARIMA 31 Maio 2 Junho Exercícios e revisão da matéria 6