Comparación de pronósticos para la dinámica del turismo en Medellín, Colombia
El turismo es un tema de interés para muchos países, pero en Colombia ha sido poco explorado. Conocer sobre periodos con mayor afluencia de turistas es importante para predecir la cobertura en servicios turísticos. En este trabajo se compara la estimación entre modelos de regresión clásica y bayesia...
- Autores:
-
Valencia Cárdenas, Marisol
Vanegas López, Juan Gabriel
Correa Morales, Juan Carlos
Restrepo Morales, Jorge Aníbal
- Tipo de recurso:
- Article of investigation
- Fecha de publicación:
- 2017
- Institución:
- Tecnológico de Antioquia
- Repositorio:
- Repositorio Tdea
- Idioma:
- spa
- OAI Identifier:
- oai:dspace.tdea.edu.co:tdea/4094
- Acceso en línea:
- https://dspace.tdea.edu.co/handle/tdea/4094
- Palabra clave:
- Demanda turística
Demande touristique
Tourism demand
Model evaluation and selection
Évaluation et sélection des modèle
Evaluación de modelos y selección
Métodos de pronóstico y predicción
Forecasting and prediction methods
Méthodes de prédiction et de prévision
Estadística bayesiana
Bayesian statistics
Statistique bayésienne
Medellín
Turismo
Tourisme
Tourism
- Rights
- openAccess
- License
- https://creativecommons.org/licenses/by-nc-sa/4.0/
| id |
RepoTdea2_105cb5e3694260fc9ba228ab73716f21 |
|---|---|
| oai_identifier_str |
oai:dspace.tdea.edu.co:tdea/4094 |
| network_acronym_str |
RepoTdea2 |
| network_name_str |
Repositorio Tdea |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Comparación de pronósticos para la dinámica del turismo en Medellín, Colombia |
| dc.title.translated.none.fl_str_mv |
Comparing forecasts for tourism dynamics in Medellín, Colombia Comparaison des prévisions pour la dynamique du tourisme dans la ville de Medellin, Colombie |
| title |
Comparación de pronósticos para la dinámica del turismo en Medellín, Colombia |
| spellingShingle |
Comparación de pronósticos para la dinámica del turismo en Medellín, Colombia Demanda turística Demande touristique Tourism demand Model evaluation and selection Évaluation et sélection des modèle Evaluación de modelos y selección Métodos de pronóstico y predicción Forecasting and prediction methods Méthodes de prédiction et de prévision Estadística bayesiana Bayesian statistics Statistique bayésienne Medellín Turismo Tourisme Tourism |
| title_short |
Comparación de pronósticos para la dinámica del turismo en Medellín, Colombia |
| title_full |
Comparación de pronósticos para la dinámica del turismo en Medellín, Colombia |
| title_fullStr |
Comparación de pronósticos para la dinámica del turismo en Medellín, Colombia |
| title_full_unstemmed |
Comparación de pronósticos para la dinámica del turismo en Medellín, Colombia |
| title_sort |
Comparación de pronósticos para la dinámica del turismo en Medellín, Colombia |
| dc.creator.fl_str_mv |
Valencia Cárdenas, Marisol Vanegas López, Juan Gabriel Correa Morales, Juan Carlos Restrepo Morales, Jorge Aníbal |
| dc.contributor.author.none.fl_str_mv |
Valencia Cárdenas, Marisol Vanegas López, Juan Gabriel Correa Morales, Juan Carlos Restrepo Morales, Jorge Aníbal |
| dc.subject.other.none.fl_str_mv |
Demanda turística Demande touristique Tourism demand |
| topic |
Demanda turística Demande touristique Tourism demand Model evaluation and selection Évaluation et sélection des modèle Evaluación de modelos y selección Métodos de pronóstico y predicción Forecasting and prediction methods Méthodes de prédiction et de prévision Estadística bayesiana Bayesian statistics Statistique bayésienne Medellín Turismo Tourisme Tourism |
| dc.subject.proposal.none.fl_str_mv |
Model evaluation and selection Évaluation et sélection des modèle Evaluación de modelos y selección Métodos de pronóstico y predicción Forecasting and prediction methods Méthodes de prédiction et de prévision Estadística bayesiana Bayesian statistics Statistique bayésienne Medellín |
| dc.subject.unesco.none.fl_str_mv |
Turismo Tourisme Tourism |
| description |
El turismo es un tema de interés para muchos países, pero en Colombia ha sido poco explorado. Conocer sobre periodos con mayor afluencia de turistas es importante para predecir la cobertura en servicios turísticos. En este trabajo se compara la estimación entre modelos de regresión clásica y bayesianos para elegir la mejor alternativa de predicción de la cantidad de turistas que arribarían a la ciudad de Medellín. Se busca también determinar las variables que más inciden sobre la llegada de turistas y los modelos que permiten ajustar mejor sus dinámicas. Dentro de los resultados obtenidos se observa mejor desempeño de los modelos bayesianos versus los clásicos. Además, la variable mes es significativa para explicar las demandas por parte de turistas colombianos y extranjeros. Los periodos de mayor afluencia de turistas se presentan entre diciembre-enero y junio-julio, comportamiento que se repite anualmente, lo cual es decisivo para la planeación de recursos hoteleros. Palabras clave: demanda turística, evaluación de modelos y selección, métodos de pronóstico y predicción, estadística bayesiana, Medellín. |
| publishDate |
2017 |
| dc.date.issued.none.fl_str_mv |
2017 |
| dc.date.accessioned.none.fl_str_mv |
2023-11-13T22:18:16Z |
| dc.date.available.none.fl_str_mv |
2023-11-13T22:18:16Z |
| dc.type.spa.fl_str_mv |
Artículo de revista |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/article |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/ART |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| format |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| status_str |
publishedVersion |
| dc.identifier.issn.spa.fl_str_mv |
0120-2596 |
| dc.identifier.uri.none.fl_str_mv |
https://dspace.tdea.edu.co/handle/tdea/4094 |
| dc.identifier.eissn.spa.fl_str_mv |
2323-0622 |
| identifier_str_mv |
0120-2596 2323-0622 |
| url |
https://dspace.tdea.edu.co/handle/tdea/4094 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.citationendpage.spa.fl_str_mv |
230 |
| dc.relation.citationissue.spa.fl_str_mv |
86 |
| dc.relation.citationstartpage.spa.fl_str_mv |
199 |
| dc.relation.ispartofjournal.spa.fl_str_mv |
Lecturas de Economía |
| dc.relation.references.spa.fl_str_mv |
Agencia EFE (18 de septiempre de 2014). Informalidad del turismo en Colombia impide su crecimiento, según expertos. El Heraldo. Recuperado de: http://www.elheraldo.co/turismo/informalidad-del-turismo-encolombia-impide-su-crecimiento-segun-expertos-167437 Bes, Christian & Sethi, Suresh (1988). “Concepts of forecast and decision horizons: Applications to dynamic stochastic optimization problems”, Mathematics of Operations Research, Vol. 13, No. 2, pp. 295-310. Bonilla, Jorge Mauricio & Moreno, María Margarita (2010). Determinantes de la demanda de turismo en Colombia 2004-2007: seguridad, comercio y otros factores. Tesis de Pregrado para optar al título de Economista, Facultad de Economía, Universidad del Rosario, Colombia. Bowerman, Bruce L.; Oconnell, Richard T. & Koheler, Anne B. (2007). Pronósticos, series de tiempo y regresión: un enfoque aplicado. México: Cengage Learning Editores S.A. Brown, Robert Goodell (1959). Statistical Forecasting for Inventory Control. New York: McGraw-Hill. Brown, Robert Goodell (1963). Smoothing, Forecasting and Prediction of Discrete Time Series. New Jersey: Prentice Hall, Englewood Cliffs. Caridad y Ocerin, José María (1998). Econometria: Modelos Econométricos y series temporales. Barcelona: Editorial Reverté. Cerda, Rosa & Leguizamón, Manuel (2005). “Análisis del comportamiento de la demanda turística urbana de Colombia”, Turismo y Sociedad, Vol. 4, pp. 70-98. Chen, Kuan-Yu (2011). “Combining linear and nonlinear model in forecasting tourism demand”, Expert Systems with Applications, Vol. 38, No. 8, pp. 10368-10376. Choi, T.; Li, D. & Yan, H. (2003). “Optimal two-stage ordering policy with Bayesian information updating”, Journal of the Operational Research Society, Vol. 54, No. 8, pp. 846-859. Claveria, Oscar & Torra, Salvador (2014). “Forecasting tourism demand to Catalonia: Neural networks vs. time series models”, Economic Modelling, Vol. 36, pp. 220-228. Cohen, Rochelle & Dunford, Fraser (1986). “Forecasting for Inventory Control: An Example of When ‘Simple’ Means ‘Better”’, Interfaces, Vol. 16, No. 6, pp. 95-99. Croston, J.D. (1972). “Forecasting and stock control for intermittent demands”, Operational Research Quarterly, Vol. 42, No. 3, pp. 289-303. Crouch, Goeffrey (1995). “A meta-analysis of tourism demand”, Annals of tourism research, Vol. 22, No. 1, pp. 103-118. De Mol, Christine; Giannone, Domenico & Reichlin, Lucrezia (2008). “Forecasting using a large number of predictors: Is Bayesian shrinkage a valid alternative to principal components?”, Journal of Econometrics, Vol. 146, No. 2, pp. 318-328. Fei, Xiang; Lu, Chung-Cheng & Liu, Ke (2011). “A bayesian dynamic linear model approach for real-time short-term freeway travel time prediction”, Transportation Research Part C: Emerging Technologies, Vol. 19, No. 6, pp. 1306-1318. Galvis, Luis Armando & Aguilera, María Modesta (1999). “Determinantes de la demanda por turismo hacia Cartagena, 1987-1998”, Lecturas de Economía, No. 51, pp. 47-87. Gelman, Andrew; Carlin, John; Stern, Hal & Rubin, Donald (2004). Bayesian Data Analysis (2nd Ed.). Boca Raton, FL: CRC Press, Taylor & Francis Group. Gill, Jeff (2007). Bayesian methods: A social and behavioral sciences approach (2nd Ed.). United States of America: Chapman & Hall. Guizzardi, Andrea & Mazzocchi, Mario (2010). “Tourism demand for Italy and the business cycle”, Tourism Management, Vol. 31, No. 3, pp. 367-377. Guizzardi, Andrea & Stacchini, Annalisa (2015). “Real-time forecasting regional tourism with business sentiment surveys”, Tourism Management, Vol. 47, pp. 213-223. Gutiérrez, Valentina & Vidal, Carlos (2008) “Modelos de gestión de inventarios en cadenas de abastecimiento: Revisión de la literatura”, Revista Facultad de Ingenieria, Vol. 43, pp. 134-149. Harrison, J. & Stevens, C. (1976). “Bayesian Forecasting”, Journal of the Royal Statistical Society. Series B (Methodological), Vol. 38, No. 3, pp. 205-247. Hellström, Jörgen (2002). “Count data modelling and tourism demand”, Umeå Economic Studies, No. 584. Swedend: Umeå University. Hillier, Frederik & Hillier, Mark (2007). Métodos cuantitativos para administración (3th Ed). México D.F.: McGraw-Hill. Kolasa, Stephan (2016). “Evaluating predictive count data distributions in retail sales forecasting”, International Journal of Forecasting, Vol. 32, No. 3, pp. 788-803. Li, Gang; Song, Haiyan & Witt, Stephen (2005). “Recent developments in econometric modeling and forecasting”, Journal of Travel Research, Vol. 44, No. 1, pp. 82-99. Lim, Christine (1999). “A meta-analytic review of international tourism demand”, Journal of Travel Research, Vol. 37, No. 3, pp. 273-284. Liu, Xiangyun; Peng, Hongqin; Bai, Yun; Zhu, Yujun & Liao, Lueling (2014). “Tourism Flows Prediction based on an Improved Grey GM(1,1) Model”, Procedia - Social and Behavioral Sciences, Vol. 138, pp. 767-775. López, Ledys & Márquez, José Ignacio (2012). “Proyecto de observatorio de turismo para Medellín y Antioquia”, Revista Soluciones de Posgrado EIA, Vol. 5, No. 9, pp. 79-96. Martin, Andrew; Quinn, Kevin & Park, Jong (2011). “MCMCpack: Markov Chain Monte Carlo in R.”, Journal of Statistical Software, Vol. 42, No. 9, pp. 1-21. Neelamegham, Ramya & Chintagunta, Pradeep (1999). “A Bayesian model to forecast new product performance in domestic and international markets”, Marketing Science,Vol. 18, No. 2, pp. 115-136. Peng, Bo; Song, Haiyan & Crouch, Geoffrey (2014). “A meta-analysis of international tourism demand forecasting and implications for practice”, Tourism Management, Vol. 45, pp. 181-193. Petris, Giovanni; Petrone, Sonia & Campagnoli, Patrizia (2009). Dynamic Linear Models with R. New York: Springer. Samaratunga, Chand; Sethi, Suresh & Zhou, Xun Yu (1997). “Computational evaluation of hierarchical production control policies for stochastic manufacturing systems”, Operations Research, Vol. 45, No. 2, pp. 258-274. Sarimveis, Haralambos; Patrinos, Panagiotis; Tarantilis, Chris & Kiranoudis, Chris (2008). “Dynamic modeling and control of supply chain systems: A review”, Computers & Operations Research, Vol. 35, No. 11, pp. 3530-3561. Shoesmith, G.L. & Pinder, J.P. (2001). “Potential Inventory Cost Reductions Using Advanced Time Series Forecasting Techniques”, Journal of the Operational Research Society, Vol. 52, No. 11, pp. 1267-1275. Song, Haiyan & Li, Gang (2008). “Tourism demand modelling and forecasting–A review of recent research”, Tourism Management, Vol. 29, No. 2, pp. 203-220. Song, Haiyan; Gao, Bastian Z. & Lin, Vera (2013). “Combining statistical and judgmental forecasts via a web-based tourism demand forecasting system”, International Journal of Forecasting, Vol. 29, No. 2, pp. 295-310. Syntetos, Aris; Babai, M. Zied; Lengu, David & Altay, Nezih (2011). “Distributional assumptions for parametric forecasting of intermittent demand”. In: Altay, Nezih & Litteral, Lewis (Eds.), Service Parts Management. Demand Forecasting and Inventory Control (pp. 31-52). London: Springer. Valencia, Marisol (2016). Dynamic model for the multiproduct inventory optimization with multivariate demand. Tesis para optar al título de: PhD en Ingeniería-Industria y organizaciones, Facultad de Minas, Escuela de Ingeniería de la Organización, Universidad Nacional de Colombia. Vidal, Carlos; Londoño, Julio & Contreras, Fernando (2004) “Aplicación de Modelos de Inventarios en una Cadena de Abastecimiento de Productos de Consumo Masivo con una Bodega y N Puntos de Venta”, Ingeniería y Competitividad, Vol. 6, No. 1, pp. 35-52. Wallström, Peter & Segerstedt, Anders (2010). “Evaluation of forecasting error measurements and techniques for intermittent demand”, International Journal of Production Economics, Vol. 128, No. 2, pp. 625-636. West, Mike & Harrison, Jeff (1997). Bayesian Forecasting and Dynamic Models (2nd Ed.). New York. USA. : Springer Series in Statistics. Witt, Stephen & Witt, Christine (1995). “Forecasting tourism demand: A review of empirical research”, International Journal of Forecasting, Vol. 11, No. 3, pp. 447-475. Zellner, Arnold (1996). An introduction to bayesian inference in econometrics (2nd Ed.). Canadá: Wiley Classics Library. Zhou, Ting; Bonham, Carl & Gangnes, Byron (2007). “Modelling the supply and demand for tourism: a fully identified VECM approach”, Working Papers, No. 2007-17. Department of Economics, University of Hawaii at Manoa. |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
32 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.city.none.fl_str_mv |
Medellín, Colombia |
| dc.publisher.spa.fl_str_mv |
Universidad de Antioquia |
| dc.publisher.place.spa.fl_str_mv |
Colombia |
| dc.source.spa.fl_str_mv |
https://revistas.udea.edu.co/index.php/lecturasdeeconomia/article/view/327072 |
| institution |
Tecnológico de Antioquia |
| bitstream.url.fl_str_mv |
https://dspace.tdea.edu.co/bitstream/tdea/4094/4/Comparing%20forecasts%20for%20tourism%20dynamics%20in%20Medell%c3%adn%2c%20Colombia.pdf.jpg https://dspace.tdea.edu.co/bitstream/tdea/4094/3/Comparing%20forecasts%20for%20tourism%20dynamics%20in%20Medell%c3%adn%2c%20Colombia.pdf.txt https://dspace.tdea.edu.co/bitstream/tdea/4094/2/license.txt https://dspace.tdea.edu.co/bitstream/tdea/4094/1/Comparing%20forecasts%20for%20tourism%20dynamics%20in%20Medell%c3%adn%2c%20Colombia.pdf |
| bitstream.checksum.fl_str_mv |
abaf2ff5e429e4fd5b265b040d667b1e 1ec56ee36225e741a0e769f69bd544c3 2f9959eaf5b71fae44bbf9ec84150c7a 8907e0b2877c7a596ded318fefa86cb1 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Tecnologico de Antioquia |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1812189146945421312 |
| spelling |
Valencia Cárdenas, Marisol7d8db2ff-5466-4ebb-a8b6-daf0bdc169d8Vanegas López, Juan Gabriel06b45ca3-001c-4ffc-bdd8-53d760752726Correa Morales, Juan Carlos80dd1582-58bc-447f-85ba-6aaadd85c30aRestrepo Morales, Jorge Aníbal150531c3-ca5b-413b-b0b8-7fb4d96b75402023-11-13T22:18:16Z2023-11-13T22:18:16Z20170120-2596https://dspace.tdea.edu.co/handle/tdea/40942323-0622El turismo es un tema de interés para muchos países, pero en Colombia ha sido poco explorado. Conocer sobre periodos con mayor afluencia de turistas es importante para predecir la cobertura en servicios turísticos. En este trabajo se compara la estimación entre modelos de regresión clásica y bayesianos para elegir la mejor alternativa de predicción de la cantidad de turistas que arribarían a la ciudad de Medellín. Se busca también determinar las variables que más inciden sobre la llegada de turistas y los modelos que permiten ajustar mejor sus dinámicas. Dentro de los resultados obtenidos se observa mejor desempeño de los modelos bayesianos versus los clásicos. Además, la variable mes es significativa para explicar las demandas por parte de turistas colombianos y extranjeros. Los periodos de mayor afluencia de turistas se presentan entre diciembre-enero y junio-julio, comportamiento que se repite anualmente, lo cual es decisivo para la planeación de recursos hoteleros. Palabras clave: demanda turística, evaluación de modelos y selección, métodos de pronóstico y predicción, estadística bayesiana, Medellín.Tourism is a topic of interest to many economies around the world, but it has received limited attention in Colombia. Knowing theperiods of larger tourist inflows is important for predicting coverage in services for tourists. In this paper, we compare the estimation betweenclassical and Bayesian regression in order to choose the best alternative to predict the number of tourist arrivals to Medellin. We also identifythe most significant variables affecting the influx of tourists and the models providing better fit to the associated dynamics. According to ourresults, the Bayesian approach shows better estimates than the classic one. In addition, the variable month is significant to explain the demandsfor both Colombians and foreigners. The periods with the highest incidence of visits to the city are December-January and June-July, a patternthat repeats itself every year, which is crucial for planning hotel resources.Keywords:tourism demand, model evaluation and selection, forecasting and prediction methods, Bayesian statistics, MedellínLe tourisme est un sujet de recherche dans des nombreux pays, mais en Colombie il reste peu exploré. Par exemple, le fait deconnaitre les périodes de l’année avec les plus de touristes permet de mieux prédire la couverture des services touristiques. Cet article établi unecomparaison entre les estimations issues à partir des modèles classiques et des modèles de régression bayésienne, afin de choisir la meilleureméthode de prédire le nombre de touristes qui arrivent à la ville de Medellin. L’article vise également une étude de la détermination des variablesqui expliquent l’arrivée des touristes, afin d’identifier les modèles qui mieux expliquent sa dynamique. Les résultats obtenus montrent quela performance des modèles bayésiens est beaucoup mieux que celle des modèles classiques. En outre, la variable « mois » est significatif dansl’étude de la demande des services touristiques, aussi dans le cas des touristes colombiens qu’étrangers. Les périodes de l’année avec le plusd’affluence sont Décembre-Janvier et Juin-Juillet. Il ságit d’une information très utile à la planification des ressources hôteliers.Mots-clés:demande de services touristiques, évaluation et sélection des modèles, méthodes de prédiction et de prévision, statistique bayésienne,Medellin32 páginasapplication/pdfspaUniversidad de AntioquiaColombiahttps://creativecommons.org/licenses/by-nc-sa/4.0/Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://revistas.udea.edu.co/index.php/lecturasdeeconomia/article/view/327072Demanda turísticaDemande touristiqueTourism demandModel evaluation and selectionÉvaluation et sélection des modèleEvaluación de modelos y selecciónMétodos de pronóstico y predicciónForecasting and prediction methodsMéthodes de prédiction et de prévisionEstadística bayesianaBayesian statisticsStatistique bayésienneMedellínTurismoTourismeTourismComparación de pronósticos para la dinámica del turismo en Medellín, ColombiaComparing forecasts for tourism dynamics in Medellín, ColombiaComparaison des prévisions pour la dynamique du tourisme dans la ville de Medellin, ColombieArtículo de revistahttp://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Medellín, Colombia23086199Lecturas de EconomíaAgencia EFE (18 de septiempre de 2014). Informalidad del turismo en Colombia impide su crecimiento, según expertos. El Heraldo. Recuperado de: http://www.elheraldo.co/turismo/informalidad-del-turismo-encolombia-impide-su-crecimiento-segun-expertos-167437Bes, Christian & Sethi, Suresh (1988). “Concepts of forecast and decision horizons: Applications to dynamic stochastic optimization problems”, Mathematics of Operations Research, Vol. 13, No. 2, pp. 295-310.Bonilla, Jorge Mauricio & Moreno, María Margarita (2010). Determinantes de la demanda de turismo en Colombia 2004-2007: seguridad, comercio y otros factores. Tesis de Pregrado para optar al título de Economista, Facultad de Economía, Universidad del Rosario, Colombia.Bowerman, Bruce L.; Oconnell, Richard T. & Koheler, Anne B. (2007). Pronósticos, series de tiempo y regresión: un enfoque aplicado. México: Cengage Learning Editores S.A.Brown, Robert Goodell (1959). Statistical Forecasting for Inventory Control. New York: McGraw-Hill.Brown, Robert Goodell (1963). Smoothing, Forecasting and Prediction of Discrete Time Series. New Jersey: Prentice Hall, Englewood Cliffs.Caridad y Ocerin, José María (1998). Econometria: Modelos Econométricos y series temporales. Barcelona: Editorial Reverté.Cerda, Rosa & Leguizamón, Manuel (2005). “Análisis del comportamiento de la demanda turística urbana de Colombia”, Turismo y Sociedad, Vol. 4, pp. 70-98.Chen, Kuan-Yu (2011). “Combining linear and nonlinear model in forecasting tourism demand”, Expert Systems with Applications, Vol. 38, No. 8, pp. 10368-10376.Choi, T.; Li, D. & Yan, H. (2003). “Optimal two-stage ordering policy with Bayesian information updating”, Journal of the Operational Research Society, Vol. 54, No. 8, pp. 846-859.Claveria, Oscar & Torra, Salvador (2014). “Forecasting tourism demand to Catalonia: Neural networks vs. time series models”, Economic Modelling, Vol. 36, pp. 220-228.Cohen, Rochelle & Dunford, Fraser (1986). “Forecasting for Inventory Control: An Example of When ‘Simple’ Means ‘Better”’, Interfaces, Vol. 16, No. 6, pp. 95-99.Croston, J.D. (1972). “Forecasting and stock control for intermittent demands”, Operational Research Quarterly, Vol. 42, No. 3, pp. 289-303.Crouch, Goeffrey (1995). “A meta-analysis of tourism demand”, Annals of tourism research, Vol. 22, No. 1, pp. 103-118.De Mol, Christine; Giannone, Domenico & Reichlin, Lucrezia (2008). “Forecasting using a large number of predictors: Is Bayesian shrinkage a valid alternative to principal components?”, Journal of Econometrics, Vol. 146, No. 2, pp. 318-328.Fei, Xiang; Lu, Chung-Cheng & Liu, Ke (2011). “A bayesian dynamic linear model approach for real-time short-term freeway travel time prediction”, Transportation Research Part C: Emerging Technologies, Vol. 19, No. 6, pp. 1306-1318.Galvis, Luis Armando & Aguilera, María Modesta (1999). “Determinantes de la demanda por turismo hacia Cartagena, 1987-1998”, Lecturas de Economía, No. 51, pp. 47-87.Gelman, Andrew; Carlin, John; Stern, Hal & Rubin, Donald (2004). Bayesian Data Analysis (2nd Ed.). Boca Raton, FL: CRC Press, Taylor & Francis Group.Gill, Jeff (2007). Bayesian methods: A social and behavioral sciences approach (2nd Ed.). United States of America: Chapman & Hall.Guizzardi, Andrea & Mazzocchi, Mario (2010). “Tourism demand for Italy and the business cycle”, Tourism Management, Vol. 31, No. 3, pp. 367-377.Guizzardi, Andrea & Stacchini, Annalisa (2015). “Real-time forecasting regional tourism with business sentiment surveys”, Tourism Management, Vol. 47, pp. 213-223.Gutiérrez, Valentina & Vidal, Carlos (2008) “Modelos de gestión de inventarios en cadenas de abastecimiento: Revisión de la literatura”, Revista Facultad de Ingenieria, Vol. 43, pp. 134-149.Harrison, J. & Stevens, C. (1976). “Bayesian Forecasting”, Journal of the Royal Statistical Society. Series B (Methodological), Vol. 38, No. 3, pp. 205-247.Hellström, Jörgen (2002). “Count data modelling and tourism demand”, Umeå Economic Studies, No. 584. Swedend: Umeå University.Hillier, Frederik & Hillier, Mark (2007). Métodos cuantitativos para administración (3th Ed). México D.F.: McGraw-Hill.Kolasa, Stephan (2016). “Evaluating predictive count data distributions in retail sales forecasting”, International Journal of Forecasting, Vol. 32, No. 3, pp. 788-803.Li, Gang; Song, Haiyan & Witt, Stephen (2005). “Recent developments in econometric modeling and forecasting”, Journal of Travel Research, Vol. 44, No. 1, pp. 82-99.Lim, Christine (1999). “A meta-analytic review of international tourism demand”, Journal of Travel Research, Vol. 37, No. 3, pp. 273-284.Liu, Xiangyun; Peng, Hongqin; Bai, Yun; Zhu, Yujun & Liao, Lueling (2014). “Tourism Flows Prediction based on an Improved Grey GM(1,1) Model”, Procedia - Social and Behavioral Sciences, Vol. 138, pp. 767-775.López, Ledys & Márquez, José Ignacio (2012). “Proyecto de observatorio de turismo para Medellín y Antioquia”, Revista Soluciones de Posgrado EIA, Vol. 5, No. 9, pp. 79-96.Martin, Andrew; Quinn, Kevin & Park, Jong (2011). “MCMCpack: Markov Chain Monte Carlo in R.”, Journal of Statistical Software, Vol. 42, No. 9, pp. 1-21.Neelamegham, Ramya & Chintagunta, Pradeep (1999). “A Bayesian model to forecast new product performance in domestic and international markets”, Marketing Science,Vol. 18, No. 2, pp. 115-136.Peng, Bo; Song, Haiyan & Crouch, Geoffrey (2014). “A meta-analysis of international tourism demand forecasting and implications for practice”, Tourism Management, Vol. 45, pp. 181-193.Petris, Giovanni; Petrone, Sonia & Campagnoli, Patrizia (2009). Dynamic Linear Models with R. New York: Springer.Samaratunga, Chand; Sethi, Suresh & Zhou, Xun Yu (1997). “Computational evaluation of hierarchical production control policies for stochastic manufacturing systems”, Operations Research, Vol. 45, No. 2, pp. 258-274.Sarimveis, Haralambos; Patrinos, Panagiotis; Tarantilis, Chris & Kiranoudis, Chris (2008). “Dynamic modeling and control of supply chain systems: A review”, Computers & Operations Research, Vol. 35, No. 11, pp. 3530-3561.Shoesmith, G.L. & Pinder, J.P. (2001). “Potential Inventory Cost Reductions Using Advanced Time Series Forecasting Techniques”, Journal of the Operational Research Society, Vol. 52, No. 11, pp. 1267-1275.Song, Haiyan & Li, Gang (2008). “Tourism demand modelling and forecasting–A review of recent research”, Tourism Management, Vol. 29, No. 2, pp. 203-220.Song, Haiyan; Gao, Bastian Z. & Lin, Vera (2013). “Combining statistical and judgmental forecasts via a web-based tourism demand forecasting system”, International Journal of Forecasting, Vol. 29, No. 2, pp. 295-310.Syntetos, Aris; Babai, M. Zied; Lengu, David & Altay, Nezih (2011). “Distributional assumptions for parametric forecasting of intermittent demand”. In: Altay, Nezih & Litteral, Lewis (Eds.), Service Parts Management. Demand Forecasting and Inventory Control (pp. 31-52). London: Springer.Valencia, Marisol (2016). Dynamic model for the multiproduct inventory optimization with multivariate demand. Tesis para optar al título de: PhD en Ingeniería-Industria y organizaciones, Facultad de Minas, Escuela de Ingeniería de la Organización, Universidad Nacional de Colombia.Vidal, Carlos; Londoño, Julio & Contreras, Fernando (2004) “Aplicación de Modelos de Inventarios en una Cadena de Abastecimiento de Productos de Consumo Masivo con una Bodega y N Puntos de Venta”, Ingeniería y Competitividad, Vol. 6, No. 1, pp. 35-52.Wallström, Peter & Segerstedt, Anders (2010). “Evaluation of forecasting error measurements and techniques for intermittent demand”, International Journal of Production Economics, Vol. 128, No. 2, pp. 625-636.West, Mike & Harrison, Jeff (1997). Bayesian Forecasting and Dynamic Models (2nd Ed.). New York. USA. : Springer Series in Statistics.Witt, Stephen & Witt, Christine (1995). “Forecasting tourism demand: A review of empirical research”, International Journal of Forecasting, Vol. 11, No. 3, pp. 447-475.Zellner, Arnold (1996). An introduction to bayesian inference in econometrics (2nd Ed.). Canadá: Wiley Classics Library.Zhou, Ting; Bonham, Carl & Gangnes, Byron (2007). “Modelling the supply and demand for tourism: a fully identified VECM approach”, Working Papers, No. 2007-17. Department of Economics, University of Hawaii at Manoa.THUMBNAILComparing forecasts for tourism dynamics in Medellín, Colombia.pdf.jpgComparing forecasts for tourism dynamics in Medellín, Colombia.pdf.jpgGenerated Thumbnailimage/jpeg5840https://dspace.tdea.edu.co/bitstream/tdea/4094/4/Comparing%20forecasts%20for%20tourism%20dynamics%20in%20Medell%c3%adn%2c%20Colombia.pdf.jpgabaf2ff5e429e4fd5b265b040d667b1eMD54open accessTEXTComparing forecasts for tourism dynamics in Medellín, Colombia.pdf.txtComparing forecasts for tourism dynamics in Medellín, Colombia.pdf.txtExtracted texttext/plain55087https://dspace.tdea.edu.co/bitstream/tdea/4094/3/Comparing%20forecasts%20for%20tourism%20dynamics%20in%20Medell%c3%adn%2c%20Colombia.pdf.txt1ec56ee36225e741a0e769f69bd544c3MD53open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-814828https://dspace.tdea.edu.co/bitstream/tdea/4094/2/license.txt2f9959eaf5b71fae44bbf9ec84150c7aMD52open accessORIGINALComparing forecasts for tourism dynamics in Medellín, Colombia.pdfComparing forecasts for tourism dynamics in Medellín, Colombia.pdfapplication/pdf401750https://dspace.tdea.edu.co/bitstream/tdea/4094/1/Comparing%20forecasts%20for%20tourism%20dynamics%20in%20Medell%c3%adn%2c%20Colombia.pdf8907e0b2877c7a596ded318fefa86cb1MD51open accesstdea/4094oai:dspace.tdea.edu.co:tdea/40942023-11-14 03:00:35.518An error occurred on the license name.|||https://creativecommons.org/licenses/by-nc-sa/4.0/open accessRepositorio Institucional Tecnologico de Antioquiabdigital@metabiblioteca.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 |