Modelo de regresión lineal generalizada GARMA adoptado en la industria turística de Dinamarca

Área de la Ciencia:

• Análisis de las series temporales
• Economía del turismo
• Modelado estadístico

Sus antecedentes:

• Los datos turísticos a menudo muestran una estacionalidad compleja y efectos de memoria larga.
• La comprensión de estos patrones es crucial para la previsión precisa y la gestión de los recursos.
• Es posible que los modelos existentes no reflejen plenamente la dinámica temporal matizada del turismo.

Objetivo del estudio:

• Investigar las características de la estacionalidad en los datos de las series temporales de turismo.
• Proponer y evaluar modelos estadísticos avanzados para capturar la memoria larga y las características estacionales.
• Identificar el modelo óptimo para el análisis y la previsión de datos turísticos.

Principales métodos:

• Análisis de los datos turísticos de Dinamarca, centrados en el alquiler de habitaciones de hotel.
• Utilizando la función de autocorrelación (ACF) y gráficos de periodogramas para identificar la memoria larga.
• Desarrollo y comparación de modelos de regresión lineal generalizada GARMA (GLRGARMA) y SARMA (GLRSARMA).
• Incorporación de distribuciones generalizadas de Poisson (GP) para una mayor flexibilidad del modelo.
• Emplear un enfoque bayesiano para el ajuste dentro de la muestra y el pronóstico fuera de la muestra.

Principales resultados:

• La memoria larga de Gegenbauer y las características estacionales se identificaron claramente en los datos de turismo.
• El modelo GLRGARMA demostró un rendimiento superior en el manejo de series temporales con memoria larga Gegenbauer.
• La inclusión de una variable explicativa con un efecto esponja periódico mejoró significativamente el rendimiento del modelo.
• Los criterios de selección del modelo confirmaron la superioridad del modelo GLRGARMA.

Conclusiones:

• El modelo GLRGARMA es muy eficaz para analizar los datos de series temporales de turismo con la memoria larga de Gegenbauer.
• El modelado preciso de la estacionalidad y la memoria larga es esencial para un pronóstico turístico sólido.
• Las variables explicativas con efectos periódicos pueden mejorar sustancialmente el poder predictivo de los modelos turísticos.