Palabras clave
fuzzy regression
fuzzy linear programming
regresión lineal
regresión borrosa
programación lineal borrosa
Cómo citar
Resumen
El objetivo del trabajo es presentar la técnica de regresión borrosa y mostrar su aplicación con un ejemplo práctico, para tal propósito, se comparará la ejecución de las técnicas tanto de regresión usual así como la de algunos modelos de regresión borrosa para el estudio del íconfianza del consumidor usada como variable respuesta respecto de la cotización del dólar considerada como variable independiente. Se proporciona una pequeña introducción a las diferentes metodologías utilizadas. Se reportan los resultados obtenidos de los algoritmos de regresión: el usual por mínimos cuadrados ordinarios y 2 de regresión borrosa. Para todos los casos, se reportan las instancias generadas con los datos históricos oficiales y se realiza la comparación entre estos. Finalmente se reporta los resultados numéricos obtenidos por los diferentes métodos.
Citas
De Andrés Sánchez, J.; Terceño Gómez, A. (2002) “Programación matemática y regresión lineal con instrumentos de la teoría de los subconjuntos borrosos”. Departamento de Gestión de Empresas, Facultad de Ciencias Económicas y Empresariales. Universidad Rovira i Virgili, Tarragona.
De Andrés Sánchez, J.; Terceño Gómez, A. (2003) “Estimating a term structure of interest rates for fuzzy financial pricing by using 3 fuzzy regression methods”, Fuzzy Sets and Systems 139(2): 313–331.
De Andrés Sánchez, J.; Terceño Gómez, A. (2003a) “La utilización de la regression borrosa para la predicción económica: Un análisis comparativo con mı́nimos cuadrados ordinarios”, Departamento de Gestión de Empresas, Facultad de Ciencias Económicas y Empresariales. Universidad Rovira i Virgili, Tarragona.
de-los-Cobos-Silva, S.G.; Goddard Close, J.; Gutiérrez-Andrade, M.A.; Terceño Gómez, A. (2005) “Comparación de métodos de regresión usual, borrosa y de pronóstico, para tramos carreteros: caso de estudio”, XII Congreso de la Sociedad Internacional de Gestión Empresarial Fuzzy (SIGEF): 517–527.
de-los-Cobos-Silva, S.G.; Gutiérrez-Andrade, M.A.; Lara Velázquez, P. (2010) “Análisis borroso del impacto del ı́ndice de inflación y de la cotización dólar sobre el ı́ndice de confianza en México”, Revista Estocástica: Finanzas y Riesgo (por publicarse).
Buckley , J.J; Qu, Y. (1990) “On using α-cuts to evaluate fuzzy equations”, Fuzzy Sets and Systems 38(3): 309–312.
Dubois, D.; Prade, H. (1980) “Fuzzy Sets and Systems: Theory and Aplications”. Academic Press, New York.
Fedrizzi, M.; Fedrizzi, M.; Ostasiewics, W. (1993) “Towards fuzzy modelling in economics”, Fuzzy Sets and Systems 54(3): 259–268.
Johnston, J. (1987) Métodos de Econometría. Vicens Vives, Barcelona.
Kaufmann, A.; Gil Aluja, J.; Terceño, A. (1994) Matemática para la Economı́a y la Gestión de Empresas. Foro Científico, Barcelona.
Sakawa, M.; Yano, H. (1992) “Fuzzy regression and its applications”, in: J. Kacprzyk & M. Fedrizzi (Eds.) Fuzzy Regression Analysis, Physica-Verlag, Heidelberg: 91–101.
Savic, D.; Pedrycz, W. (1992) “Fuzzy linear models: construction and evaluation”, in: J. Kacprzyk & M. Fedrizzi (Eds.) Fuzzy Regression Analysis, Physica-Verlag, Heidelberg: 47–60.
Tanaka, H. (1987) “Fuzzy data analysis by possibilistic linear models”, Fuzzy Sets and Systems 24: 363–375.
Tanaka, H.; Ishibuchi, H. (1992) “A possibilistic regression analysis based on linear programming”, in: J. Kacprzyk & M. Fedrizzi (Eds.) Fuzzy Regression Analysis, Physica-Verlag, Heidelberg: 47–60.
Wang, H.F.; Tsaur, R.C. (2000) “Insight of a fuzzy regression model”, Fuzzy Sets and Systems 112(3): 355–369.
Yen, K.K.; Ghoshray, S.; Roig, G. (1999) “A linear regression model using triangular fuzzy number coefficients”, Fuzzy Sets and Systems 106(2): 167–177.
http://www.banxico.org.mx/PortalesEspecializados/tiposCambio/ consultado el 10-Ene-2010, 2:25, p.m.
http://dgcnesyp.inegi.org.mx/cgi-win/bdieintsi.exe/NIVA050001#ARBOL consultado el 10-Ene-2010, 3:25, p.m.