Uso del modelo lineal generalizado para el pronóstico del número de visitas a museos en México: comparación entre regresión lineal ordinaria y regresión de Poisson

Abstract

Es de gran interés para los establecimientos, que ofrecen un producto o servicio, por ejemplo los museos, conocer la cantidad de posibles visitas en función de otras variables que los clientes realizarán en un periodo de tiempo específico. Esto con la finalidad de evaluar el grado de demanda que se tiene y al mismo tiempo, evaluar si las estrategias de difusión están funcionando o de lo contrario, tomar decisiones más acertadas para mejorar la calidad de atención y satisfacción con los visitantes. Para implementar el modelo lineal generalizado para estimar el número de visitas anuales a museos en territorio mexicano, en función de variables predictoras se utilizó una base de datos de 110 museos tomados del Instituto Nacional de Estadística y Geografía (INEGI) de los años 2017 y 2018. Los modelos empleados fueron la regresión lineal ordinaria (RLO) y la regresión de Poisson (RP) y estos se aplicaron sobre todas las componentes principales de once variables predictoras (página web, capacidad de recepción y atención, temática principal, colección permanente, titularidad, entrada, cuota adulto, descuentos, tipo de visitas, días abiertos del año y exposiciones temporales) para contrarrestar la multiconlinealidad. Además, se midió el coeficiente de determinación (R2) entre los datos observados y estimados para determinar el modelo con el mejor ajuste. Las funciones se usaron para estimar el número de visitas de los años 2019 y 2020. Con el modelo que mejor ajuste dio, se realizó un análisis de errores de estimación. Comparando los datos observados de los años 2017 y 2018 con los resultados estimados con las funciones características de cada modelo, los coeficientes de determinación fueron 0.61 para la RLO y 0.86 para la RP, respectivamente. Para los años 2019 y 2020, los coeficientes de determinación que se obtuvieron fueron: 0.68 y 0.31 para la RLO, y 0.87 y 0.84 para la RP, respectivamente. El máximo error de estimación que se registró fue de entre 10 001 y 20 000 visitas anuales. Se muestra que el modelo más adecuado para el pronóstico de futuras visitas anuales a cualquier museo en México es la regresión de Poisson. Se cree que el alto ajuste a los datos observados con este modelo se debe a que estos no contaban con un exceso de ceros y además cumplían con el supuesto de equidispersión. Finalmente, con la función característica propuesta, se puede estimar el número de visitas anuales con un error máximo del alrededor del 10 %, lo cual es bajo en comparación al número máximo de visitas anuales que recibe un museo.