Content Validity Assessment

Dentro de las múltiples posibilidades para establecer un modelo, conviene conocer cuáles pueden retroalimentarse, efecto para el cual se debe abordar su revisión sistemática. En primera medida, los modelos de proyección tienen como fundamento la iteración y, así mismo, las series.

 Predicción por análisis de series temporales.

El análisis de series temporales consiste en la proyección de tendencias calculadas sobre datos antiguos sobre los cuales se asume la posibilidad de que se repitan en el futuro. Sin embargo, a mayor horizonte de proyección que se calcule, como es el caso de esta

investigación, hay que asociar mayores márgenes de error puesto que dichas proyecciones suelen desconocer la intervención de factores exógenos.

 Modelos de medias móvil: suave y exponencial

Se comportan como promedios de periodos y se componen de tres elementos: de nivel, de tendencia y de temporada. Su comportamiento está dado por los componentes presentes y por la naturaleza de la variación, es decir, si ésta es constante o variante. Las variaciones de estas medias móviles están dadas por la presencia o ausencia de tendencia y de estaciones de análisis que constituyen perfiles.

 Modelos de procesos estocásticos de tiempo discreto y continuo

En ocasiones, los datos de series temporales pueden presentar perfiles más complejos para los cuales los modelos predominantes de suavizado exponencial dejan de ser adecuados. Los modelos de procesos estocásticos que pueden ser formulados en tiempo discreto o continuo son alternativas más avanzadas que pueden usarse para modelar estas estructuras complejas. Estos modelos son formulaciones matemáticas de procesos que obedecen a métodos probabilísticos estadísticos específicos y por lo tanto arrojan una serie de resultados para cada período en un lapso dado.

Modelos

 Discretos o Box-Genking

Se caracterizan porque las cantidades que toman los distintos valores de los parámetros son enteros entre 0 y 1. Gracias a su carácter estocástico, pueden ser simulados siempre y cuando se conozcan sus parámetros. Su limitación es que deben considerar funciones de correlación entre variables para poder aproximar la demanda. Para el caso: Auto regressive (AR), Autoregressive Moving Average (ARMA), Autoregressive Integrated Moving Average (ARIMA).

 Los modelos continuos formulados bajo conceptos de movimientos brownianos

geométricos (GBM)

Se pueden usar de dos maneras: la primera, en el caso de que los datos históricos estén disponibles se estiman valores de volatilidad o medida del salto. En el segundo caso, cuando no hay datos disponibles, se procede a calcular datos comparables o se hacen supuestos sobre el comportamiento de los valores de parámetros.

A pesar de su versatilidad no hay muchos casos en los que se hayan aplicado modelos con procesos estocásticos.

6.3.1 Regresión temporal o modelos econométricos

El modelo de regresión produce proyecciones con base en las relaciones entre la demanda de agua y sus determinantes. Estos pueden ser construidos utilizando datos de sección transversal, datos de series temporales o datos de panel. Los modelos transversales permiten evaluar el impacto de las variables de política que pueden utilizarse para controlar la demanda. Por

ejemplo, conocer el impacto del precio en la demanda de agua puede ayudarnos a comprender su influencia, así como proponer un esquema de tarifas para conservar el agua (Arbués F. G.-V.-E., 2003). A lo largo de esta línea de investigación, (Arbues V. , SAGE Journals, 2006) utilizó el modelo de demanda para probar la sensibilidad de la demanda residencial al precio, o su

elasticidad precio de demanda, como un medio para influir en el costo del agua para la gestión de la demanda en Zaragoza. (Arbués F. G.-V.-E., 2003) Presenta una referencia rápida sobre las variables, la especificación del modelo, los conjuntos de datos y los problemas de estimación comúnmente encontrados en el modelado de la demanda de agua para fines de gestión de la demanda:

 En algunas series temporales la principal variable es el tiempo y se parte de una regresión lineal múltiple que se puede hacer más compleja y completa a medida que se aumenta el número de variables. A veces, una mezcla de determinantes de la demanda, el tiempo y sus polinomios, así como otras variables indicadoras, se utilizan en modelos de regresión de series temporales mixtas, tal como se observa en otros estudios (Brekke, 2002).

 El error asociado al empleo de esta modelación, estaría asociado a la correlación entre las series de datos (Burney, 2001)

6.3.2 Enfoques basados en escenarios y sistemas de apoyo a las decisiones

Este método contempla la proyección de demanda de agua bajo ciertos escenarios donde hay que contemplar la incertidumbre de combinaciones discretas de variables independientes (Feng, 2007), (Froukh, Decision-Support System for Domestic Water Demand Forecasting and Management, 2001), (Jain, A decision support system for drought characterization and management., 2001) . Esto implica una gran ventaja para las necesidades puntuales de una región. Además, los enfoques pueden ser administrados por software definidos, derivados de varios métodos que generan combinaciones de modelos dentro de los cuales el regulador puede elegir el que más se adapte a sus necesidades; un ejemplo de esta herramienta es el IWR-MAIN (Mohamed, (2010a)), (Mohamed M. &.-M., (2010b)). Al respecto, describimos:

6.3.3 Redes artificiales neuronales (ANN)

Las redes neuronales artificiales (ANN) y las técnicas de la lógica difusa para pronosticar la demanda de agua, son métodos no paramétricos (Billings, 2008), ya que no se puede asumir que la distribución de los datos es cubierta por algún método, pueden usarse tanto para modelos de regresión como para series de tiempo, pero no requieren adherencia a los supuestos que forman la base de estos métodos. Sin embargo, identificar primero la arquitectura óptima requiere la determinación de la estructura de una serie temporal o de regresión univariante (Pulido, 2009). Los componentes estructurales del conjunto de datos se determinan utilizando información basada en periodos de estimación, mientras que las previsiones se producen y se comparan con un conjunto de datos de espera (período de espera).

 Proyecciones compuestas o modelos híbridos

Algunas referencias reportan relativa aplicabilidad de modelos híbridos que parten en su mayoría de modelos básicos que pueden ser relativamente sencillos (Jentgen, 2007), donde se emplean fórmulas que usan valores de modelos individuales para una proyección dada; un término de optimización por regresión de mínimos cuadrados y, un intercepto.

En general, se usan modelos híbridos con el fin de abordar la mayor cantidad de aspectos de la proyección deseada, (Clemen, 1989).