MÉTODOS ESTADÍSTICOS PARA LA ESTIMACIÓN DE INGRESOS
La estimación o proyección de ingresos futuros puede llevarse a cabo mediante
diferentes métodos estadísticos de extrapolación, entre ellos: sistema automático,
promedios móviles y de suavización exponencial, de aumento, econométricos
(e.g., método de mínimos cuadrados, modelo de regresión lineal, modelo de
correlación no lineal) y directo.
Métodos de extrapolación
Estiman la recaudación con base en su evolución en el tiempo. Es decir,
mantienen la premisa de que la recaudación está determinada por el incremento o
decremento de ella en el tiempo. Los cálculos de estimación se proyectan con
base en información histórica de los ingresos obtenidos en distintos periodos
(trimestres, semestres, años, etc.).
Sistema automático
Estima los rendimientos más probables del ejercicio futuro con base en resultados
conocidos del año anterior. En este método hay que tomar en cuenta que el
presupuesto de ingresos se encuentra en ejecución, por lo cual, no se conoce la
recaudación final del último periodo anterior al que se presupuestará; entonces, se
tomará como base los ingresos del penúltimo ejercicio fiscal para el periodo que
se pretende presupuestar.
Cabe señalar que este método fue el primero que se utilizó en la estimación de
ingresos públicos, aunque en la actualidad no se utiliza, ya que no considera el
cambio en las condiciones económicas que afectan la captación de ingresos.
Métodos de promedios
Aunque existen más métodos para pronosticar, por simplicidad presentamos
solamente dos, que consideramos los más usuales y sencillos de llevar a cabo.
Promedios Móviles
Suavización Exponencial
Estos métodos pueden utilizarse cuando:
a) Hay información disponible de la variable(s) que se está pronosticando.
b) La información puede ser cuantificada.
c) Si se considera razonable que el patrón de comportamiento del pasado continuará en el
D.R. Instituto Tecnológico y de Estudios Superiores de Monterrey, México, 2006
tiem
1
po .
futuro. Si se cuenta con una base de datos histórica y se quiere pronosticar
una variable considerando su comportamiento pasado, entonces podemos
utilizar el método de promedios móviles o el método de suavización
exponencial, que son conocidos también como métodos de series de
Método de Promedios Móviles
La utilización de esta técnica supone que la serie de tiempo es estable,
esto es, que los datos que la componen se generan sin variaciones importantes
2
entre un dato y otro (error aleatorio=0) , esto es, que el comportamiento de los
datos aunque muestren un crecimiento o un decrecimiento lo hagan con una
tendencia constante.
Cuando se usa el método de promedios móviles se está suponiendo que
todas las observaciones de la serie de tiempo son igualmente importantes para la
estimación del parámetro a pronosticar (en este caso los ingresos). De esta manera,
se utiliza como pronóstico para el siguiente periodo el promedio de los n valores de
los datos más recientes de la serie de tiempo. Utilizando una expresión matemática,
tenemos:
El término móvil indica que conforme se tienen una nueva observación de la serie
de
Σ (n valores de datos más recientes)
Promedio Móvil =
n
tiempo, se reemplaza la observación más antigua de la ecuación y se calcula un
nuevo promedio. El resultado es que el promedio se moverá, esto es, conforme se
tengan nuevos datos y se vayan sustituyendo en la fórmula, el valor del promedio irá
modificándose.
No existe una regla específica que nos indique cómo seleccionar la base del
promedio móvil n. Si la variable que se va a pronosticar no presenta variaciones
considerables, esto es, si su comportamiento es relativamente estable en el tiempo, se
recomienda que el valor de n sea grande. Por el contrario, es aconsejable un valor de n
pequeño si la variable muestra patrones cambiantes. En la práctica, los valores de n
oscilan entre 2 y 10.
El método de promedios móviles es muy útil cuando se tiene información no
desagregada y cuando no se conoce otro método más sofisticado y que
permita predecir con mayor confianza.
Este método permite suavizar la serie de tiempo aunque existen otros métodos que son más eficientes en la predicción.
1 Una serie de tiempo es un conjunto de observaciones respecto a una variable, medidas
en puntos sucesivos en el tiempo o a lo largo de periodos sucesivos de tiempo. Un
análisis de una secuencia de datos se conoce como análisis de series de tiempo de una
variable.
2
El error aleatorio muestra el grado de confiabilidad con que se van a comportar los
datos. La variación del error puede ser de 0 a 1, en donde, un error aleatorio=0 muestra
una total confiabilidad del comportamiento de los datos y un error aleatorio=1 muestra
que los datos no son confiables en su comportamiento.
Suavización Exponencial
Otro método para realizar un pronóstcico es el método de suavización
exponencial. A diferencia de los promedios móviles, este método pronostica
otorgando una ponderación a los datos dependiendo del peso que tengan dentro
del cálculo del pronóstico. Esta ponderación se lleva a cabo a través de otorgarle
un valor a la constante de suavización, α, que puede ser mayor que cero y menor
que uno. Para nuestro ejemplo, utilizamos un valor de α = 0.8, por ser éste el que
mejor ajusta al pronóstico a los datos reales.
El método de suavización exponencial supone que el proceso es constante, al igual que
el método de promedios móviles. Esta técnica está diseñada para atenuar una desventaja del
método de promedios móviles, en donde los datos para calcular el promedio tienen la misma
ponderación. De manera particular, esta técnica considera que las observaciones recientes
tienen más valor, por lo que le otorga mayor peso dentro del promedio.
La suavización exponencial utiliza un promedio móvil ponderado de los
datos históricos de la serie de tiempo como pronóstico; es un caso especial de
3
promedio móvil en donde se selecciona un solo valor de ponderación . El modelo
básico de suavización exponencial se presenta a continuación:
Ft+1 = αYt + (1 - α)Ft (2)
Donde:
Ft+1 = Pronóstico de la serie de tiempo para el periodo de t + 1.
Yt = Valor real del periodo anterior al año a pronosticar.
Ft = Valor real del periodo anteanterior al año a pronosticar.
α = Constante de suavización (0 ≤ α ≤ 1).
La utilización de esta ecuación implica algunas especificaciones. El cálculo
de Ft+1 está ligado con los 2 periodos anteriores. En otras palabras, el pronóstico
de suavización exponencial en determinado periodo es (Ft+1) = al valor real de la
serie de tiempo en el periodo anterior (Yt) X la constante de suavización (α), + 1 -
la constante de suavización (α) X el periodo anteanterior (Ft).
Ft+1 = αYt + (1 - α)Ft (2)
A pesar de que la suavización exponencial nos da un pronóstico que es un promedio
ponderado de todas las operaciones pasadas, no es necesario guardar todos los datos del pasado a
fin de calcular el pronóstico para el periodo siguiente. De hecho, una vez seleccionada la
3 La ponderación se determina considerando el peso que se le asigna al valor más
reciente de la serie. Los pesos o ponderaciones para los demás valores se determinan
automáticamente, haciéndose más pequeños conforme las observaciones se alejan del
presente.
constante de suavización α, sólo se requiere de dos elementos de información para calcular el
pronóstico. La ecuación (2) muestra que con un α dado, podemos calcular el pronóstico para
el periodo t + 1 simplemente conociendo los valores reales y pronosticados de la serie de
tiempo para el periodo t, es decir, Yt y Ft.
La elección de la constante de suavización α es crucial en la estimación de pronósticos futuros. Si la
serie de tiempo contiene una variabilidad aleatoria sustancial, se preferirá un valor pequeño como constante
de suavización. La razón de esta aseveración es que gran parte del error del pronóstico es provocado por la
variabilidad aleatoria, por lo que un valor pequeño de α permite un pronóstico mejor. Por el contrario, para una
serie de tiempo con una variabilidad aleatoria relativamente pequeña, valores más elevados de la constante
de suavización tienen la ventaja de ajustar con rapidez los pronósticos cuando ocurren errores de pronóstico y
permitiendo, por lo tanto, que el pronóstico reaccione con mayor rapidez a las condiciones cambiantes. En la
práctica, el valor de α está entre .01 y .90.
AÑO INGRESOS EGRESOS PRONÓSTICO DE PRONÓSTICO DE NIVEL DE
TOTALES TOTALES SUAVIZACIÓN SUAVIZACIÓN AHORRO
EXPONENCIAL DE EXPONENCIAL DE
LOS INGRESO LOS EGRESOS
1990 163305 162370
1991 201986 189498 163305 162370 935
1992 318774 318776 194250 184072 10177
1993 405554 412658 293869 291835 2034
1994 440775 461105 383217 388493 -5276
1995 437164 439719 429263 446583 -17 3 19
1996 537194 540698 435584 441092 -5508
1997 704574 705373 516872 520777 -3905
1998 1005745 945202 667034 668454 -1420
1999 1235665 1484561 938003 889852 48150
2000 1295535 1712623 1176133 1365619 -189487
2001 1176133 1634366 1271655 1643222 -371568
2002 1271655 1643222 1195237 1636137 -440900
2003 1195237 1636137 1256371 1641805 -385434
CUADRO 2
Utilizando la ecuación 2, sustituimos los valores correpondientes para hacer el pronóstico para
el año 1992. Sutituyendo valores nos quedaría:
Fingresos 1992 = 0.8 (201986) + (1 – 0.8)(163305)
Fegresos 1992 = 0.8 (189498) + (1 – 0.8)(162370)
El mismo procedimiento se realiza para el resto de los años y obtenemos los resultados que
aparecen en el cuadro 2. Una vez que se calculan los pronósticos de ingresos y egresos, la
diferencia entre éstos nos da el ahorro, que aparece en la última columna del mismo cuadro.
Podemos observar que el pronóstico se ajusta más a los datos reales que en el caso de los
promedios móviles. Este método nos permite realizar un pronóstico más confiable que el caso
anterior. Claramente se observa que el pronóstico tiene mejor ajuste y la diferencia entre los
valores reales y los pronosticados es mínima. Por lo tanto, este método es una mejor opción
que los promedios móviles para predecir el comportamiento futuro de los ingresos y egresos.
Método de aumento
En este método se aplica la tasa de variación observada en los últimos periodos fiscales sobre
sus recaudaciones respectivas.
La estimación se puede realizar de las siguientes maneras:
a) El promedio de las diferencias resultantes entre las recaudaciones de un año y otro,
se agrega a la recaudación del último año.
b) Estima la recaudación para un próximo ejercicio fiscal en función de la tasa de
variación observada en los últimos años. Media Geométrica.
c) Estimación a través de la tasa media de variación, la cual se aplica cuando no se
tenga la información sobre los montos de ingresos de algún periodo intermedio,
dentro del número de ejercicios fiscales considerados.
a) Estimación con base en el promedio de las diferencias resultantes entre las recaudaciones
de distintos periodos.
Años Recaudación Diferencia Anual en la Recaudación
1995 $13’000,000
1996 $22’500,000 1996-1995= $ 22’500,000 - $ 13’000,000 = $ 9’500,000
1997 $29’500,000 1997-1996= 29’500,000 - 22’500,000 = 7’000,000
1998 $50’500,000 1998-1997= 50’500,000 - 29’500,000 = 21’000,000
1999 $53’720,000 1999-1998= 53’720,000 - 50’500,000 = 3’220,000
Σ$ 40’720,000
Promediando el total de diferencias entre el número de ellas
$ 40’720,000 /4 = $ 10’180,000
Si este incremento lo agregamos a la recaudación de 1999, podemos obtener
la estimación de la recaudación para el año 2000
$ 53’720,000 + 10’180,000 = $63’900,000 Recaudación esperada para el año
2000.
b) Estimación en base a la tasa de variación en el tiempo. Media Geométrica
AÑOS RECAUDACIÓN TASA DE VARIACION
1995 $ 13’ 000,000
1996 22’500,000 1996 – 1995 = 22’500,000 - 13’000,000 X 100 / 13’000,000 = 73.07%
1997 29’500,000 1997 – 1996 = 29’500,000 - 22’500,000 X 100 / 22’500,000 = 31.11%
1998 50’500,000 1998 – 1997 = 50’500,000 - 29’500,000 X 100 / 29’500,000 = 71.18%
1999 53’720,000 1999 – 1998 = 53’720,000 - 50’500,000 X 100 / 50’500,000 = 6.37%
n
M.G= (x 1 )(x 2 )(x 3 )(xi)
M.G = Media Geométrica
n = Número de Periodos x n = Tasas
de Variación.
M.G.= 4 (7307.)(3111.)(7118.)(6.37)
M.G.= 4 1030',71010.
M.G.= 3186%.
Aplicando esta tasa a la recaudación de 1994, obtenemos el incremento esperado en la
recaudación para el año 2000
$ 53’720,000 x .3186 = $17’836.00
$ 53’720,000 + $17’836.00 = $ 70’835,192.00
Recaudación estimada para el año 2000.
c) Estimación a través de la tasa media de variación
En el caso de que se carezca de información sobre la recaudación específica de un periodo
intermedio de los considerados se puede obtener una tasa de cambio promedio, aplicando la
siguiente formula.
Pn
r =n −1
Po
r = Tasa de cambio porcentual observada en la recaudación en un período de tiempo determinado.
n = número de años comprendidos en el periodo observado.
Po = Ingresos esperados al finalizar el periodo.
Pn = Ingresos obtenidos al inicio del periodo total a analizar
r = 4 53'720,000 −1
13'000,000
r = 4 4.1312 −1
r = 1.4257 −1
r = .4257 = Tasa de variación promedio
$ 53’720,000 x .4257 = 22’872,133
$ 53’720,000 + 22’872,133 = 76,592,133 Recaudación estimada para el año
2000.
Métodos econométricos
Mediante el uso de este método es factible medir el grado de confiabilidad de la relación existente entre
variables tributarias, económicas y administrativas.
Así por ejemplo, si se aplicara un aumento en un impuesto, se produciría una transferencia de recursos del
sector privado al sector público. Con la aplicación de métodos econométricos es factible medir, con base en
datos para un período de tiempo, la relación existente entre la recaudación y las modificaciones en la estructura
del impuesto. El cálculo de la recaudación estará en función del
nivel de las tasas que se apliquen; de la base imponible del tributo; y del efecto conjunto
de ambos, sobre las variables Así por ejemplo, si se aplicara un aumento en un impuesto,
se produciría una transferencia de recursos del sector
De igual forma, es factible medir futuros niveles de recaudación con base en
cambios en variables, tales como cambios en el Producto Interno Bruto, Consumo
Privado, Sueldos y Salarios, etc.
Igualmente, podrían realizarse estimaciones vinculando el monto de las
recaudaciones a variables representativas del grado de eficiencia de la
administración tributaria, como por ejemplo porcentajes de evasión, estructura
administrativa dedicada a la recaudación, número de empleados, etc.
Algunos modelos econométricos que se pueden aplicar son los siguientes:
• Modelo de Regresión Lineal
• Método de Mínimos Cuadrados
• Modelos de Correlación no Lineal.
Análisis de Regresión
El análisis de regresión implica que se determine una relación entre una variable
dependiente (ingresos) y una variable independiente (por ejemplo impuestos). Este método
implica la verificación de la relación de las variables asociadas con la teoría económica. El
esquema 1 muestra el proceso que debe seguirse cuando se utiliza una regresión.
Figura 1. Descripción Esquemática de los pasos que supone la utilización del
Teoría o modelo económico
Modelo econométrico o enunciado de la
Información previa teoría económica en forma verificable Datos
empíricamente
Prueba de cualesquiera de las
hipótesis sugeridas por el modelo
Uso del modelo para predicciones y
políticas
Estimación del modelo
La fórmula general de regresión entre la variable dependiente y y la variable independiente x
está dada como
Y = b0 + b1x + b2x²+...+ bnxⁿ + ε
donde b0, b1... bn son parámetros desconocidos. El error aleatorio ε tiene una media
cero y una desviación estándar constante.
La forma más simples del modelo de regresión supone que la variable
dependiente varía linealmente con el tiempo, es decir
Y* = a + bx (3)
La constante a y b se determinan de los datos de la serie de tiempo con base en el criterio de
los mínimos cuadrados ordinarios (MCO), que busca minimizar la suma del cuadrado de las
diferencias entre los valores observados y estimados4. Esto quiere decir que utilizando MCO
obtenemos la función lineal óptima que garantiza la mejor estimación de las variables que
queremos pronosticar. Haciendo las manipulaciones algebraicas, se obtiene la siguiente
solución:
a= Σ Y–bΣX (5)
n n
Σ
b= n Σ XY - X ΣY
(4)
n ΣX²- ( ΣX)²
En estas ecuaciones se muestra que primero tenemos que calcular el valor
de b para después poder calcular el valor de a.
Una vez que se tienen calculados los valores de a y b, tenemos que establecer
5
si los valores encontrados son válidos . Para hacerlo, necesitamos calcular el
coeficiente de correlación, r, que nos ayudará a establecer la validez de las variables
estimadas. El índice r se calcula de acuerdo con la siguiente ecuación:
r= b nΣ x² – (Σ x) ²
nΣ y² – ( Σ y) ²
Donde –1 ≤ r ≤. Si r = ± 1, entonces ocurre un ajuste lineal perfecto entre x
y y. En general, entre más cercano sea el valor de r a 1, mejor será el ajuste
lineal. Si r = 0, entonces y y x pueden ser independientes. Realmente, r = 0 es
sólo una condición necesaria pero no suficiente para la independencia, ya que es
posible que dos variables dependientes arrojen una resultado r = 0.
Cualquiera de las opciones que presentamos anteriormente, nos ayuda a elaborar
un pronóstico confiable de las variables que vamos a considerar para determinar
el pronóstico de los ingresos futuros de un municipio. La elección dependerá,
como ya lo señalamos, de las condiciones de cada ayuntamiento. Sea cual sea el
método que se elija, se podrá establecer un pronóstico adecuado de las variables
que se consideren.
4 La suma del cuadrado de las desviaciones entre los valores observados y los valores
estimados está dado por:
S = ∑(yi – a – bxi)²
Los valores de a y b se determinan al resolver las siguientes condiciones necesarias para la
minimización de S, es decir,
∂S/∂a = -2∑ (yi – a – bxi) = 0
∂S/∂b = -2∑ (yi – a – bxi)xi = 0
5 Cuando utilizamos el método de mínimos cuadrados ordinarios, decimos que los valores
de a y b son válidos para cualquier distribución probabilística de yi.
Sin embargo, una limitación para la aplicación de este método es la falta de
información estadística adecuada, y el costo de obtenerla, por parte de las
Tesorerías Municipales, para la aplicación de modelos econométricos.
Análisis del método directo
Existe un modelo intermedio que vincula en cierta medida al modelo del método
de aumento, el cual pretende incorporar en forma directa, el análisis de la
recaudación en el tiempo y el comportamiento esperado de las variables que
afectan la base impositiva de los ingresos.
Este método demanda un conocimiento de la estructura de cada ingreso, en lo
que hace a la base imponible y sus tasas.
