Métodos de Pronóstico Causales

La premisa básica sobre la que se construyen los métodos causales para pronósticos es que el nivel de la variable pronosticada se deriva del nivel de otras variables relacionadas. Por ejemplo, si se sabe que el servicio al cliente tiene un efecto positivo sobre las ventas, entonces al conocer el nivel proporcionado del servicio al cliente podrá proyectarse el nivel de las ventas. Podríamos decir que el servicio "causa" las ventas. En la medida que puedan describirse adecuadas relaciones de causa y efecto, los modelos causales pueden ser bastante buenos para anticipar cambios mayores en las series de tiempo y para pronosticar de manera precisa sobre un periodo de mediano a largo.

Los modelos causales vienen en una variedad de formas: estadísticos, en el caso de los modelos de regresión y econométricos; y descriptivos, como en el caso de los modelos de entrada-salida, ciclo de vida y simulación por computadora. Cada modelo deriva su validez a partir de los patrones de información histórica que establecen la asociación entre las variables para predicción y la variable que se pronosticará.

Un problema principal con esta categoría de modelos de pronóstico es que con frecuencia resulta difícil encontrar verdaderas variables causales. Cuando se encuentran, su asociación con la variable que se pronosticará con frecuencia es preocupantemente baja. Las variables causales que guían a la variable de pronóstico en el tiempo son incluso más dificiles de encontrar. Con demasiada frecuencia, el tiempo para adquirir la información para las variables conducentes consume todo el tiempo o la mayor parte del periodo de uno a seis meses, en el que se encuentran que tales variables dirigen al pronóstico. Los modelos basados en técnicas de regresión y económicas pueden experimentar un error de pronósico importante debido a estos problemas.