1. APLICACIÓN DE TÉCNICAS ECONOMÉTRICAS Y MACHINE LEARNING PARA SERIES DE TIEMPO UNIVARIADAS EN UNA ESCUELA PROFESIONAL DE UNA UNIVERSIDAD PÚBLICA
- Author
-
Alfonso Ramón Chung Pinzás, Jorge Luís Inche Mitma, Alfonso Ramón Chung Pinzás, and Jorge Luís Inche Mitma
- Abstract
El presente artículo tiene como objetivo mostrar la aplicación de herramientas econométricas y machine learning en el contexto de gestión de una escuela profesional a fin de establecer un modelo de pronóstico para series de tiempo que permita determinar la cantidad de posibles alumnos matriculados por ciclo, en este caso se tomó como prueba el curso de Química Orgánica de la escuela profesional mencionada, para ello se probaron tres metodologías: redes neuronales aplicadas a series de tiempos, ARIMA y Holt Winters. La primera de las tres metodologías mencionadas pertenece al campo de machine learning y las dos restantes son ampliamente utilizadas en econometría. Se utilizó las librerías nnetar, auto.arima y HW de R (a través de RStudio) para el procesamiento de datos, para la selección se utilizó el indicador error cuadrático medio o RMSE por sus siglas en inglés, resultando el modelo generado por Holt Winters como el de mejor ajuste. La serie de datos abraca el periodo comprendido entre 2009-II hasta 2021-I, además se dividió la serie en dos partes: una de entrenamiento y otra de prueba. La principal contribución radica en presentar nuevos campos de aplicación de la econometría y machine learning, esta vez orientado a la gestión de las escuelas profesionales en las universidades públicas y de cómo se puede aprovechar el potencial de estas herramientas predictivas a fin de lograr un mejor servicio tanto para docentes como alumnos. Asimismo, se espera que esta publicación abra nuevos campos de investigación para este tipo de instituciones., El presente artículo tiene como objetivo mostrar la aplicación de herramientas econométricas y machine learning en el contexto de gestión de una escuela profesional a fin de establecer un modelo de pronóstico para series de tiempo que permita determinar la cantidad de posibles alumnos matriculados por ciclo, en este caso se tomó como prueba el curso de Química Orgánica de la escuela profesional mencionada, para ello se probaron tres metodologías: redes neuronales aplicadas a series de tiempos, ARIMA y Holt Winters. La primera de las tres metodologías mencionadas pertenece al campo de machine learning y las dos restantes son ampliamente utilizadas en econometría. Se utilizó las librerías nnetar, auto.arima y HW de R (a través de RStudio) para el procesamiento de datos, para la selección se utilizó el indicador error cuadrático medio o RMSE por sus siglas en inglés, resultando el modelo generado por Holt Winters como el de mejor ajuste. La serie de datos abraca el periodo comprendido entre 2009-II hasta 2021-I, además se dividió la serie en dos partes: una de entrenamiento y otra de prueba. La principal contribución radica en presentar nuevos campos de aplicación de la econometría y machine learning, esta vez orientado a la gestión de las escuelas profesionales en las universidades públicas y de cómo se puede aprovechar el potencial de estas herramientas predictivas a fin de lograr un mejor servicio tanto para docentes como alumnos. Asimismo, se espera que esta publicación abra nuevos campos de investigación para este tipo de instituciones.
- Published
- 2023