5 paper sobre ratios y su analisis estadistico multivariable

7/16/2019 5 Paper Sobre Ratios y Su Analisis Estadistico Multivariable

http://slidepdf.com/reader/full/5-paper-sobre-ratios-y-su-analisis-estadistico-multivariable 1/14

SOBRE EL DESARROLLO DEL ANALISIS MULTIVARIABLE

COMO HERRAMIENTA ESTRATEGICA E INNOVADORA

DEL

ANALISIS FINANCIERO1

Alberto Ibarra Mares

Profesor de tiempo completo en la Universidad del Norte

PHD por la Universidad Autónoma de Barcelona

Ex profesor de tiempo Completo del Instituto Tecnológico y

de Estudios Superiores de Monterrey, UNAM

y la Universidad de las Americas (México)

AGOSTO 2006

On the development of the multivariable method as strategic and innovative tool of

the financial analysis

ABSTRAC: This research presents the historic development, the presents limitations and the perspectives of the multivariable financial analysis. Its actual importance is justified because it is complement or even substituteof the traditional financial analysis or ratios analysis. However, the methodological porpoises of multivariablefinancial analysis still presents multiple disagreements among its components as: the obtention and structurationof the data base, the selection of independents and dependents variables, the determinations of the temporalunits, and the selection of the appropriate multivariable statistics method to obtain the empirical evidence. Thisarticle explains the way in which the new though of the financial analysis through the multivariable methods,giving a more complex perspective but also more efficient.

1. RESUMEN

Este trabajo presenta el desarrollo histórico, las actuales limitaciones y las perspectivas del análisis financieromultivariable. Esto se justifica por su actual importancia como complemento o incluso sustituto del análisisfinanciero tradicional basado únicamente en razones financieras o ratios2. Sin embargo, las propuestasmetodológicas del análisis financiero multivariable actualmente presentan aún múltiples desacuerdos en cadauno de sus elementos como: la obtención y estructuración de las bases de datos, la selección de las variablesindependientes y dependientes, la determinación de las unidades temporales, de análisis y el tipo de métodoestadístico multivariable más adecuado para obtener evidencia empírica. A lo largo de este artículo se explica laforma en que se ha desarrollado el nuevo pensamiento del análisis financiero a través de los métodosmultivariables, mismos que dan una perspectiva más compleja pero más eficiente a la gestión empresarial.

Palabras Clave: Análisis Multivariable y Análisis Financiero.

1 Trabajo Presentado en el XVII Congreso Internacional de Estrategia SLADE en Itapema, Santa Catarina,

Brasil2 El término “ratios”, que es sinónimo de razones financieras, será el que utilicemos a lo largo de este trabajo.

2. INTRODUCCION

La justificación del análisis multivariablecomo complemento o sustituto del análisistradicional a través de ratios y dentro delanálisis financiero contemporáneo, partedel hecho de que determinar el éxito ofracaso de una empresa constituye un tema

complejo. Esto por interactuar variosfactores simultáneamente y combinadosentre sí. Además, el principal problema enrealidad radica en determinar el pesoespecífico o la contribución marginal quetienen cada uno de esos factores dentro deun análisis financiero integral con fines

predictivos (preventivos o correctivos).



Revista de Negócios FURB: Sobre el Desarrollo del Análisis Multivariable como Herramienta Estratégica e Innovadora del

Análisis Financiero2

Los factores a los que nos referimos seexpresan como variables explicativas oindependientes dentro de ciertos modeloseconométricos con base en funcioneslineales, y son básicamente: la

rentabilidad, el crecimiento, la creación devalor, la solvencia, la estructura de capital,el grado de apalancamiento financiero y laliquidez de la empresa.

Con base en lo anterior, unametodología adecuada exige laobservación conjunta del desarrollo deéstos y otros factores a través demediciones que se obtienen mediantecoeficientes o ratios. Estos ratios a su vez

pueden representar el producto final delanálisis financiero tradicional (outputs), o

bien, la base de datos sobre la que se iniciael análisis financiero multivarible (inputs).También es importante que se intentedeterminar un perfil sobre lascaracterísticas conjuntas de esas variablesexplicativas, las cuales se muestran deforma distinta en cada empresa en funciónde que el individuo observado presente ono tal condición (Lizarraga: 1996: p. 93).

El análisis multivariable parte de laidea de que el análisis financiero eficiente para valuaciones de crecimiento yrentabilidad, la determinación optima delos niveles de liquidez y solvencia de unaempresa o la posible predicción de unaquiebra, requieren de un análisis financierocomplejo, y la investigación aplicada afenómenos complejos requiere de unanálisis dirigido a una considerablecantidad de variables (n > 2). A partir de

estos hechos se ha aceptado que lastécnicas multivariables tienen capacidad

para integrar simultáneamente una grandiversidad de variables mediante eltratamiento multidimensional de los datosy pueden utilizarse como una herramientaeficaz dentro del contexto de los negocios.

Además, con el desarrollo de lasteorías del valor, la solvencia y de losconceptos financieros que han unificadomás los criterios sobre el éxito financieroentre las empresas privadas

principalmente, y tomando como

fundamento el análisis a través de ratios, elanálisis financiero ha pasado aenriquecerse junto con el desarrollo delsoftware estadístico (SPSS, SAS, BMPD,LISREL, SPAD, MINITAB etc.), pues

proporcionan al investigador instrumentosmás potentes y eficaces para intentar llegar a evaluaciones y predicciones másconfiables.

En cuanto al desarrollo históricodel análisis financiero multivariable, estese puede dividir en cinco etapas: a) laetapa descriptiva a través del método deratios; b) el inicio de la etapa predictivacon modelos univariables; c) el inicio de laetapa predictiva con modelosmultivariables como regresiones múltiples,análisis discriminante, análisis Logit yanálisis Probit; d) los modelosmultivariables que se desarrollaron con

base en los flujos de efectivo; y por último,e) los modelos multivariables basados enel análisis factorial y de componentes

principales para seleccionar las variablesindependientes.Dentro del campo de la investigación sobre

la relación entre los ratios y los modelosmultivariables, la predicción de quiebras hasido el tema central al que se han dirigidola mayoría de los trabajos empíricos. Estose debe en parte al hecho de habersealcanzado la idea de la diferenciación delos ratios entre los diferentes períodoscontables, lo cual representó en sumomento para esta línea de estudio ladenominada: “etapa descriptiva”.Posteriormente, la idea que se desarrolló

fue la significancia de cada ratio(posibilidad de explicación de la quiebra)así como la capacidad predictiva de losratios más relevantes, lo cual dio origen ala denominada: “etapa predictiva”(Gabas:1990, p. 27).

En esta segunda etapa es cuandosurgen los modelos univariables con lostrabajos pioneros de Beaver (1966, 1968).Este investigador inició sus estudiosempíricos tendiendo a "descomponer" losratios a través de métodos estadísticosavanzados con el fin de aplicarlos como





una técnica que permitiera determinar lasolvencia y la liquidez real de las empresas

para posteriormente poder predecir unaquiebra. Para esto utilizó el análisisunivariable, que tiene como objetivo

principal la utilización por separado de unao varias variables independientes paraexplicar una variable dependiente.

Beaver concluyó que los datoscontables se podían utilizar para estimar lasensibilidad de los cambios en lasutilidades agregadas de todas las empresasa través del uso de una "Beta Contable".Estableció que era posible utilizar ratios

para distinguir entre empresas en quiebra yempresas sin quiebra en una medida muchomayor que la permitida por la predicciónaleatoria. Al comparar entre la capacidad

predictiva de los ratios contra los preciosde mercado, observó que se cumplía lahipótesis de la eficiencia de los mercadosde capitales al resultar ser mejores

predictores estos últimos a través de lacotización de las acciones. Creemos queBeaver tiene que ser más bien consideradocomo el pionero de la corriente que

promulga la utilidad de la informacióncontable y el uso de ratios para conocer más sobre el fracaso empresarial. Previo asus estudios los ratios habían sidoutilizados únicamente como predictoresinformales y su efectividad no había sidoempíricamente contrastada.

Beaver se basó en la hipótesis primaria que parte de que la solvencia estáligada a unas variables independientes que

pueden ser controladas. Según Bizquerra

(1989, p.4) dicha hipótesis, sencilla y conalta probabilidad de ser mejorada,representa la primera de un total de tresfases del análisis multivariable con el quese llega a la máxima sofisticación en el

proceso de datos y que puede sintetizarseen los siguientes tres tipos: a) El análisisexploratorio de los datos o estadísticadescriptiva univariable: consiste en analizar una o cada una de las variablesindependientes por separado. b) El análisiso estadística bivariable: su objetivo

consiste en buscar la relación entre pares de

variables independientes. c) El análisismultivariable: su objetivo es analizar simultáneamente tres o más variablesindependientes métricas (ratios) a través defunciones lineales de dependencia como las

siguientes:Análisis de Regresión Múltiple.Variable Dependiente Métrica; VariablesIndependientes Métricas, no Métricas:

Y1 = C1X1 + C2X2 +................CnXn

Es decir:

Fij = Fi1 Z1 + Fi2 Z2 + .........Fir Zr = ? Fim Zm

Donde:

Fij = Puntuación factorial del individuo “j” en elfactor “i”Zm= Puntuaciones individuales en cada variablecon puntuaciones estandarizadasCada Fim Zm = Es la ponderación factorial de lavariable “m” en el factor “i”

Análisis Discriminante Múltiple.Variable Dependiente No Métrica;Variables Independientes Métricas.

Zscore = C1X1 + C2X2 +................CnXn

Donde:Z = Punto de CorteVn = Coefeficiente DiscriminanteXn = Variables Independientes (Ratios Financieros)

Análisis de Correlación Canonica.Variables Dependientes Métricas y NoMétrica; Variables Independientes Métricasy No Métricas.

Y1 +Y2 +Y3 .......+Yn= X1 +X2 +X3 .......+Xn

Análisis Factorial o de ComponentesPrincipales.Siendo el Modelo de la Matriz de datoscomo:

Xij=F1i ai1 + F2i ai2 +..........+Fki aik + Ui

Donde:Xij = Puntuación del individuo i en la variable jFij = Coeficientes factorialesa = Puntuaciones factoriales

u = Factor únicoY siendo la fórmula de la Comunalidad:





h2

i = F21j + F2

2J +........... + f 2KJ

Así como el Factor Unico:

1 = h

2

+U

2

Donde:h2 = comunalidadU2 = factor único

Como podrá observarse en todosestos modelos estadísticos, las variablesindependientes cumplen la condición de ser métricas, lo cual posibilita el utilizar a losratios como base de datos y sustituir ocomplementar así el análisis financiero

tradicional.

3. ANTECEDENTES DE LOS

METODOS MULTIVARIABLES

El análisis multivariable es unconjunto de técnicas estadísticas queanalizan simultáneamente más de dosvariables en una muestra de observaciones

(Kendall: 1975). Para Cuadras (1981: p.3)

esta técnica estudia, interpreta y elabora elmaterial estadístico sobre la base de unconjunto de n >2 variables, las cuales

pueden ser de tipo cuantitativo, cualitativoo una combinación de ambas. Una de lasaplicaciones principales del análisismultivariable dentro del campo del análisisfinanciero consiste en resumir, sintetizar,correlacionar o discriminar grandesconjuntos de datos y variables en funciónde ciertos objetivos para obtener

información válida que logre una mejor comprensión del fenómeno objeto deestudio (Bizquerra:1989, p.1).

En general cualquier análisissimultáneo de más de dos variables es

parte del análisis multivariable. Sinembargo, dentro del análisis existendiversos métodos que pueden ser empleados de diferentes formas (segúnsean los datos de entrada y los resultados

o salidas). Según Ortega (1984: p. 406), elresultado de dichas aplicaciones da la

posibilidad al usuario de clasificar lassituaciones y variables. Esto mediante laobtención de relaciones entre esasvariables en términos de influencia sobrelos factores incontrolables por parte de la

empresa. Es decir, este análisis seestablece a partir de numerosos datos,relaciones y leyes operativas; investigaestructuras latentes (ocultas), y ensayadiversas formas de organizar dichos datosen estructuras conocidas y fácilmenteutilizables en dos sentidos: a)Transformándolos y presentándolos bajouna forma nueva. b) Reduciéndolos sin

perder demasiada información inicial conel objetivo de construir un resumenrelativamente exhaustivo del conjunto de

partida que es habitualmente complejo ycon informaciones redundantes.

Los orígenes del análisismultivariable se encuentran en las primerasgeneralizaciones de la correlación yregresión, en donde se establecieron las

primeras ideas del análisis de componentes principales (Pearson; 1901 y Spearman;1904). Sin embargo, el establecimiento

definitivo de la mayoría del análisismultivariable se ubica en los años treintacon los estudios de Hotelling (1931, 1933);Willes (1932, 1935); Fisher (1935, 1936);Mahalanobis (1936) y Bartlett (1939). Encuanto a la maduración de los fundamentosdel análisis multivariable, este se debe alos pioneros de la estadística moderna queinicio en Inglaterra (Galton, Pearson,Fisher, Snecodor) Posteriormente, elcentro de gravedad se desplazó hacia los

Estados Unidos (Hotelling, Wilks,Bartlett), aunque sin dejar de considerar lasaportaciones que se dieron con elnacimiento de otras escuelas tanimportantes como la escuela india(Mahalanobis, Roy, Krishnaah), la escuelafrancesa surgida en los años sesenta

(Benzecri, Lebart, Morineau, Fenelon, etc.)y la escuela sueca surgida en los añossetenta (Jöreskog y Sörborn).

A partir de Spearman (1904) seestableció el inicio del análisis factorialcuando en su estudio sobre la inteligencia





distinguió un factor general con respecto aun cierto número de factores específicos.Este autor había considerado comoantecedentes teóricos las técnicas deregresión lineal propuestas por Galton

(1888). Por otra parte, Pearson (1901) propuso el método de componentes principales como un primer paso previo para llevar a cabo las estimaciones delanálisis factorial. Posteriormente,Hotelling (1933) aplicó el método deextracción de factores mediante la técnicade componentes principales, la cual hastanuestros días se ha confirmado como unade las más aceptadas entre los diversostrabajos multivariables. La relación entrelas correlaciones y las saturaciones de lasvariables en los factores fue expuesta por Thurstone (1947). Este autor introdujo laidea de la estructura simple, así como lateoría y el método de las rotacionesfactoriales ortogonales y oblicuas con elobjetivo de obtener una estructura factorialmás sencilla para facilitar la interpretaciónde los factores. Otra aportación importanterelacionada con este tipo de análisis fue la

de Keiser (1958), quien desarrolló unaserie de procedimientos matemáticosmediante el método varimax para llevar acabo las rotaciones ortogonales, pues antesde sus trabajos dichas rotacionesúnicamente eran gráficas.

Bizquerra (1989) y Prieto (1985)indican que el análisis multivariabledistingue entre métodos predictivos ymétodos reductivos. Los primerosidentifican a un grupo de variables

independientes (predictoras), un criterio ovariable dependiente, y en ocasiones a ungrupo de variables aleatorias(intervinientes) cuyo efecto se deseamantener bajo control. Sin embargo, el

problema radica en especificar lasdependencias o correlaciones significativasentre los dos primeros tipos de variables,tal es el caso de la regresión múltiple. Conrespecto a los métodos reductivos, estosanalizan las interdependencias entre todaslas variables con el objeto de reducir almínimo el número de variables necesarias

para describir la información relevantecontenida en las observaciones.

Una clasificación también utilizada para los modelos multivariables es la quelos divide en: a) métodos descriptivos o

exploratorios (no se establece ningunahipótesis previa); y b) métodosexplicativos o confirmatorios (se basan enun marco teórico para fundamentar yvalidar empíricamente una hipótesis). Otraimportante clasificación es la que divide alos métodos en: a) métodos reductivos(análisis factorial, componentes

principales, correlación canónica, análisisde clusters, análisis de correspondencias);y b) métodos de dependencia (análisis dela varianza, análisis de la covarianza,regresión múltiple, análisis discriminante,análisis de probabilidad condicional Logity análisis de probabilidad condicionalProbit).

4. DESARROLLO DEL ANALISIS

FINANCIERO MULTIVARIABLE

Los estudios de Beaver fueron muy

importantes como antecedente del análisisfinanciero multivariable, ya que logróseparar y analizar los componentes de losratios mediante el uso de métodosestadísticos univariables y determinó lamedia de los valores de dichoscomponentes, tanto de empresas en quiebracomo de empresas sanas. Este análisissobre las medias le llevaron a la conclusiónde que la combinación de datos dentro de laforma de ratio puede “oscurecer” la

información contenida en los componentesindividuales. Beaver sugirió que los ratiostienen que aplicarse con discreción porqueno todos tienen el mismo grado decapacidad explicativa y predictiva. Estosestudios dieron paso a la idea de losmodelos multivariables llevados a cabo por

primera vez por Altman (1968). Lo que sies definitivo es que a partir de los estudiosunivariables de Beaver se demostraron las

múltiples limitaciones que presentaba el





análisis financiero tradicional basadoúnicamente en ratios.

Las ideas sobre el análisisfinanciero basado en métodosmultivariables se comenzaron a divulgar

de forma más amplia a finales de la décadade los sesenta y durante los setenta, y

posteriormente se intensificaron en lasdécadas de los ochenta en diversas partesdel mundo industrializado (Pinches yMingo: 1973; Libby: 1975; Pinches,Mingo y Caruthers: 1973, 1975; Largay yStickney: 1980; Chen y Shimerda: 1981;Gombola y Ketz: 1983; Gahlon yVigeland: 1988; Dambolena y Shulman:1988; entre otros). A partir de entonces seha continuado aplicandoininterrumpidamente una serie deherramientas cada vez más eficientes,como es el caso del análisis de regresiónmúltiple, el análisis factorial común, elanálisis de componentes principales, elanálisis discriminante, entre otros. Dentrodel campo de estudio sobre el éxito ofracaso empresarial, el trabajo de Libby(1975) representó una de las primeras

investigaciones en donde se aplicó elanálisis factorial antes de la aplicación deuna regresión o un análisis discriminante.

Los metodologías utilizadas en lasinvestigaciones que versan sobre nuevasformas de llevar a cabo el análisisfinanciero de las empresas fueronincrementando su complejidad desde lostrabajos pioneros de Beaver (1966,1968).Los estudios univariables habían

representado un camino mejor para la predicción de quiebras al lograr el modelode Beaver alcanzar una exactitud en lasclasificaciones hasta del 87%. Sinembargo, los posteriores modelosmultivariables fueron superando laexactitud de las clasificacionesunivariables al ser más precisos los ratiosfinancieros y obtener porcentajes más altosen modelos como los de Altman y Blum(95%), Edmister (93%), Ohlson (96%),Deakin (97%) y Rose y Giroux (92%).

Algunos de estos estudios, comolos de Altman (1968), lograron reducir elnúmero de ratios utilizados en lasinvestigaciones univariantes al aplicar elmétodo Multiple Discriminant Analysis:

MDA. Otros estudios se distinguieron por utilizar otras técnicas de análisismultivariable como: el análisisdiscriminante lineal, el análisisdiscriminante cuadrático, el análisis deregresión, el análisis de componentes

principales, el análisis factorial (paraexplicar la varianza de los ratios), elanálisis cluster (para reducir lacolinealidad), el análisis con redesneuronales, y el análisis de probabilidadcondicional Logit y Probit (los cualesconstituyen una mejor variante de laregresión múltiple, ya que sí permitendefinir a la variable dependiente cualitativacomo dicotómica o categórica)

Aunque los estudios pioneros de ladécada de los sesenta y setenta intentaronlimitar este fenómeno y capturar al mismotiempo la mayor cantidad de informaciónútil en los ratios financieros, tales métodos

actualmente se han cuestionado. Por ejemplo, Atlman (1968) analizó lasintercorrelaciones entre las variablesindependientes antes de seleccionar lasvariables finales de su modelo. El métodoque utilizó consistió sólo en analizar almismo tiempo las correlaciones entre dos

pares de variables. Este análisis bivariablede intercorrelaciones estaba muy lejos delactual concepto del análisis múltiple decorrelaciones. Por otra parte, Edmister

(1972), y Rose-Giroux (1984) fueron máslejos y utilizaron la técnica de selección“Stepwise” para determinar la contribuciónrelativa de cada variable independiente ysu correlación con otras variables delmodelo. Sin embargo, el análisis“Stepwise” aunque limitó lamulticolinealidad, el nivel de correlaciónaceptable se estableció arbitrariamente.

Respecto a los estudios mássobresalientes aplicado específicamente alas ratios financieros están losdesarrollados por: Pinches y Mingo





(1973), Libby (1975), Gombola y Ketz(1983),Gombola, Haskings, Ketz yWiiliams (1987), Largay y Stickney(1980), Gahlon y Vigeland (1988),Dambolena y Shulman (1988), Azis y

Lawson (1989). También el análisisfinanciero multivariable ha sido utilizadoen una gran variedad de estudios contablesque han sido de especial relevancia paraincrementar al análisis proyectivo sobrecasos de quiebras. Entre estos estan losdesarrollados por Pinches, Mingo yCaruthers (1973, 1975) y de Chen yShimerda (1981). Por otra parte, lostrabajos de Gombola y Ketz (1983a) asícomo los de Casey y Bartczak (1985) hansido muy importantes para los estudiossobre la posición de tesorería y el cashflow. Otros trabajos relevantes son los quese refieren a la determinación de los

principales factores a evaluar en la funciónlineal (Lo: 1986 y Zavgren: 1985).

Años después Dambolena realizóotro trabajo con Joel Shulman (1988). SuEstudio proporcionó evidencia empíricasobre el incremento de la capacidad

predicitiva cuando se incluyen variables basadas en el cash flow. Esta variable yahabía sido utilizada en otros estudios comolos de Altman (1968) y Gentry, Newbold yWhitford (1985a). En el modelo de Altmanesta variable había incrementado laexactitud predictiva del 85% al 92% unaño previo a la quiebra; y del 82% al 84%dos años previos a la quiebra. En elmodelo de Gentry et. al. se incrementó del74% al 89% y del 68 % al 76 %, uno y

dos años previos a la quiebra. Todos estosresultados les indicaron que las bases dedatos basadas en flujos de efectivo podíanincrementar el poder explicativo y

predictivo entre empresas sanas yempresas fracasadas.

Otro estudio importante que siguióla misma línea de Casey y Bartczack fue elde Abdul Azis y Gerald Lawson (1989). Suestudio se enfocó a descomponer el cashflow total para compararlo entre modelos

basados en el cash flow y en el devengo.Esto tuvo como fin comprobar si un

modelo basado únicamente en el cash flowtenía más poder predictivo. Para estoutilizaron las mismas cinco variables delmodelo Altman (1968), aplicándolas almodelo de Lawson (1985) que estaba

basado en el cash flow. Posteriormente,compararon sus resultados con los delmodelo Altman (1968) y el modeloAltman, Halderman y Narayanan (1977).

Para determinar la capacidad predictiva del modelo utilizaron el métodoestadístico Logit y el formato del estado decash flow para obtener los componentesdel cash flow total. Los resultados de sutrabajo les indicaron que su modelo no fuemejor que la Z-Score de los trabajos deAltman. Sin embargo, las diferencias enlos porcentajes de error fueron consistentescon el estudio de Casey y Bartczak (1984)y de Gentry, Newbold y Whitford (1985),los cuales habían determinado que las

bases de datos basadas en el efectivo, nomejoraban la capacidad predictiva globaldel modelo, aunque en la submuestra deempresas fracasadas observaron que simejoró la exactitud predictiva cuando los

modelos tuvieron únicamente como base alefectivo, o bien, se combinaron convariables tradicionales basadas en eldevengo.

Gentry, Newbold y Whitford, alanalizar el estudio de Ball y Foster (1982),les llamó la atención que éstos últimos ensu revisión sobre los modelos de quiebras,habían visto que en general estosutilizaban un total empirismo paraseleccionar a las variables independientes.

El modelo utilizado por estos tres autoresfue desarrollado inicialmente en 1972 por Helfert y su propósito inicial fueidentificar la relevancia de las medicionesde flujos de fondos a través de la inclusiónde ocho componentes de flujos de fondosnetos. Con estos componentes se obtuvoun 83.33% de clasificación global correcta.

A partir de principios de la décadade los setenta se iniciaron en Japón los

primeros estudios sobre análisis financieroa través de métodos multivariables en el“Nomura Research Institute” (1973).





También fueron precursores de la escuela japonesa investigadores tan importantescomo: Toda (1974); Itoh (1977); Ohta(1978); Tamaka y Nakagi (1974);Murakami (1979); Igarashi (1979); Ozeki

y Ohno (1980). Todos ellos utilizaron losmodelos de predicción multivariable através de funciones discriminantes aexcepción de Tamaka y Nakagi queutilizaron el análisis de componentes

principales y el análisis cluster. Uno de lostrabajos que más llamó la atención fue elde Takahashi y kurokawua (1985). Ésteresultó interesante por la importancia y elenfoque que prestaba a las bases de datoscontables.

Takahashi y kurokawuaconsideraron que el poder predictivo delanálisis aumentaba si se utilizaban comovariables tanto a los ratios como a lascantidades absolutas, basados amboselementos en datos de estados financierossobre la base de efectivo (“cash based”).También destacaban en su estudio losnumerosos casos que se dan en Japón,donde los reportes de los auditores de las

empresas quebradas muestran“excepciones” o “reservas” dado elimportante efecto del window dressing quese presume existe en las bases de datoscontables (op. cit. p. 231).

Como ya apuntamos, a partir de1968 y como consecuencia de los estudiosde Beaver, varios investigadorescomenzaron a trabajar con modelosmultivariables con el objetivo de poder determinar con más precisión qué empresas

se dirigían hacia la quiebra y cuales otrasno. Entre estos estudios destacan losconducidos por Altman (1968, 1977, 1978,1979, 1981, 1984, 1988, 1993, 1994a,1994b, 1995, 1996, etc.) Este investigador amplió el análisis univariable al introducir

por primera vez múltiples predictores dequiebra mediante el Análisis DiscriminanteMúltiple (MDA). A través de los añosAltman ha llegado a ser considerado por gran número de expertos como elinvestigador que más ha contribuido aldesarrollo de la relativamente nueva teoría

de la solvencia, sobre todo al haber creadoel modelo original de la “Z-Score” (1977).

Z-Score de Altman

Z = 1.2X1 + 1.4X2 + 3.3.X3 + 0.6X4 + 1.0X5

Donde:Z = Indicador Global o Sintético Z-Score (OveralIndex)X1 = Ratio de Liquidez (capital circulante neto* /activo total).X2 = Ratio de Rentabilidad Acumulada (beneficiosno distribuidos / activo total).X3 = Ratio de Rentabilidad (beneficios antes deintereses e impuestos. / activo total) .X4 = Ratio de Estructura Financiera (valor demercado de fondos propios / valor contable de los

pasivos)X5 = Tasa de Rotación de Capital (ventas netas /activo total).

Actualmente las grandes empresas, ysobretodo las financieras, utilizan el “ZetaCredit Risk System” o “Zeta CreditScoring Model” que fue producto de suinvestigación y que continua desarrollandola “Zeta Services Inc.”, una de las

principales firmas que comercializa

sistemas de análisis financiero crediticiotales como: “ Advantage FinancialSystems”, “Trust Division of the FirstUnion Bank”, “Datastream”, “PerformanceAnalisys Services Ltd”, etc.

En 1984 a través de la revista “Studies in Banking and Finance” (NorthHolland; Vol. 8, No.2), Altman editó unaserie de 20 artículos que intentaron

perfeccionar un modelo de análisisfinanciero para medir el riesgo de las

compañías (“Company and Country Risk Models”). Estos estudios se hicieron en

países altamente industrializados como:Alemania, Australia, Francia, Italia, Israel,Japón y el Reino Unido. Para 1988, en estamisma revista (Vol. 7) se volvieron aeditar otras investigaciones realizadas en

países con economías emergentes talescomo: España, Finlandia, Grecia, India,Malasia, Singapur, Turquía y Uruguay.

Posteriormente, durante susinvestigaciones en México con Hartzcel yPeck (1995), Altman adaptó el modelo





original de su Z-Score para economíasemergentes con el fin de proponer unnuevo indicador global predictivoexclusivo para este tipo de mercados. Aeste nuevo indicador lo denominó:

“Emerging Market Scoring Model” (EMSModel). Este autor reconoció que larealidad indicaba que en los paísesemergentes existía una serie de riesgosadicionales cuantitativos que el análisistradicional no consideraba. Tal era el casodel riesgo de la moneda y el riesgoindustrial que impedía frecuentementeconstruir un modelo de análisis financieroespecífico para la muestra de empresasubicadas en las economías emergentes.

Altman participó tambiéndirectamente en las investigaciones para laconstrucción de los modelos de análisismultivariables de: Australia, Brasil,Canadá, Corea del Sur e Italia. En estos

países se encontró con toda una serie deopiniones diferentes sobre el peso quedebería dársele a cada una de las variablesexplicativas contenidas en el modelo.Actualmente, Altman también es asesor de

numerosas agencias gubernamentales einstituciones financieras que desarrollanmodelos de análisis financieromultivariable.

Durante 1979 Baidya y Ribeiro, junto con Altman aplicaron el modelo de laZ-Score a la difícil experiencia financieraBrasileña que se presentó durante ladécada de los setenta. Este estudio se llevo

bajo un ambiente caracterizado por porcentajes de inflación muy altos. Baidya

y Ribeiro concluyeron que el modelo deanálisis financiero de Altman queaplicaron en su estudio, en el caso deeconomías emergentes presentaba

problemas fundamentales en cuanto a lacalidad y disponibilidad para obtener basesde datos fiables. En general los trabajos deAltman y de otros pioneros del nuevoconcepto del análisis financieromultivariable, se fueron desarrollando bajoun nuevo entorno tecnológico que se inicióa finales de los años sesenta cuando secontó con un uso más significativo de las

computadoras y el grado de maduración delas escuelas estadísticas repercutiódirectamente en el desarrollo de lastécnicas multivariables.

5. LIMITACIONES DEL ANALISISFINANCIERO MULTIVARIABLE

Algo que llama la atención es elconstatar que a la fecha muchasinvestigaciones continúan sin aplicar nuevas variantes en los modelos de análisisfinanciero multivariable y en la fase dediseño del trabajo empírico, pues seinteresan más en la aplicación de lastécnicas estadísticas. Sin embargo, para eltrabajo del analista financiero siempre esmás importante la exactitud del modelo deevaluación con respecto a la contrastaciónde una hipótesis o la validación rigurosa deuna teoría que sólo busca demostrar unacompleja habilidad en el empleo detécnicas informáticas y estadísticas que seapartan de ambientes reales. Lizarraga(1993) también coincide con la ideaanterior pues considera que la sofisticación

metodológica, aunque imprescindible en elavance de la técnica, transforma enocasiones a los investigadores en sólo“especuladores estadísticos”, quefundamentados en buenos resultados traslargos procesos de contrastación devariables, no tienen en cambio una baseteórica y carecen de interpretacioneseconómicas convincentes.

Ya Lev (1978) afirmó hace más dedos décadas que algunos modelos son

inadecuados y cuando se emplean, presentan generalmente el síntoma de lafalta de una teoría base, desvirtuando enexperimentos excesivos con gran númerode variables y de modelos matemáticoscuyos datos y resultados son difíciles degeneralizar. Con respecto a esto se vuelvea recomendar que en la interpretación yvalidación de los resultados exista unainterpretación económica y financiera para

dar un sentido lógico a las causas del éxito





o fracaso empresarial, y no sólointerpretaciones en términos estadísticos.

Primero lo ideal para desarrollar adecuadamente un modelo de análisisfinanciero multivariable sería que la

contabilidad presentase en todo momentodos características fundamentales para elusuario: utilidad y confiabilidad. Sinembargo, la naturaleza propia de la técnicacontable es provisional y en la práctica estesistema no refleja con exactitud lasituación real de una empresa, ni tampocoel resultado contable constituye una buenamedida de creación de valor dada la alta

probabilidad de manipulación que puedeintroducirse y que se denomina efectowindow dressing. Por otra parte, laestructura contable de medición es de

partida defectuosa y se distorsiona aún más por la inflación, la devaluación de lamoneda y la variación en las tasas deinterés. Otro fenómeno importante quehace vulnerable al sistema de informaciónempresarial es la falta de armonizacióncontable, pues la tendencia de la técnicavaría entre los diferentes países y usuarios.

Varios investigadores consideradosclásicos en este campo, como Lev (1989),han venido proponiendo con poco éxitonuevos elementos para desarrollar elanálisis financiero multivariable conmenos énfasis en la complejidadestadística y ampliando el concepto de lacontabilidad positiva. Actualmenteconsidera que es escaso el papel que lainformación contable desempeña en elmercado de capitales, añadiendo que el

resultado contable no constituye una buenamedida de la capacidad de creación delvalor de una empresa dada su alta

probabilidad de manipulación. Algunostrabajos como los de Ohlson (1992),también nos sugieren acertadamente quelas causas que explican el bajo contenidoinformativo de la información financiera sedeben a que, el resultado contable anualmide la capacidad de creación del valor delas empresas en un plazo muy corto y convarios errores. Además, en el caso de losmodelos basados en el análisis

multivariable, cuando se utiliza a losresultados acumulados de varios ejercicioscomo variable explicativa o independiente,éstos aumentan el grado de error en lasmediciones según lo demuestran los

resultados de sus investigaciones.Otros estudios como el de Hammer

(1983), que tuvo como objetivo constatar lasensibilidad de las variables independientesa través de la utilización de tres métodos(discriminante lineal, discriminantecuadrático y logit), concluye que son las

bases de datos las que determinan laselección de las variables independientes yla técnica estadística. Así también loreconocen Won y Young (1995) quienesopinan que cualquier trabajo predictivorequiere buenas bases de datos.

Sobre las bases de datos y en elcontexto específico del análisis financieromultivariable, se coincide con la postura deHair (2000) sobre que: el análisismultivariable requiere previamente unexamen riguroso de los datos por lainfluencia de atípicos, violaciones de lossupuestos y la ausencia de datos que puede

llevar a la pérdida de varias variablesindependientes y provocar con ello efectossustancialmente diferentes en losresultados. Pero como el examen de las

bases de datos es complejo y lleva tiempo,es común que se descuide este importanteaspecto por parte del analista. Sin embargo,un análisis eficiente de las bases llevarásiempre a una mejor evaluación o

predicción, soluciones más eficaces a los problemas de los datos ausentes,

identificación de casos atípicos y lacomprobación de los supuestos subyacentesen los modelos multivariables. Los datosausentes tienen efectos negativos encualquier investigación y son producto dela introducción o estimación de los datos.Los casos atípicos son magnitudesextremas que tienen influencia negativa oilógica en los resultados. Por último, esnecesario considerar los supuestos que

puedan subyacer en un análisismultivariable, lo cual sólo es posible si secuenta con la experiencia o la asesoría de





un especialista para analizar e interpretar los estados financieros.

Hasta ahora tampoco se haalcanzado un acuerdo sobre cuál es elmejor método para extraer los factores

para integrar las variables independientesEn cuanto a los tipos de análisis factorialde componentes principales existen dostipos: el exploratorio y el confirmatorio.En el primero no se conocen los factores a

priori y éstos se determinan a través delmétodo del valor propio (eigenvalue). Encambio en el segundo, los factores que seestablecen a priori contienen a lasvariables independientes originales, siendoel número de estas últimas mayor que elnúmero de factores seleccionados.

En general, el análisis factorialexploratorio se aplica cuando se tiene undesconocimiento teórico del objeto deestudio, y por lo tanto, el analista no tieneque formular ninguna hipótesis conrespecto a la distribución de los pesosfactoriales, pues éstos se deducirán a partir de los datos cumpliendo con los principiosde simplicidad y parsimonia. En cambio,

en el análisis factorial confirmatorio sí secuenta con información sobre las variablesy sus intercorrelaciones, con lo cual seformulan hipótesis a priori que pueden ser contrastadas. Es decir, el análisisconfirmatorio exige una hipótesis previasobre el número de factores comunes, asícomo de las relaciones de dependenciaentre cada variable con cada uno de losfactores.

También la validación de los

modelos de análisis financierosmultivariables presentan serios problemas

por el bajo nivel teórico que existe sobre lasolvencia. Además de las múltiplesdeficiencias metodológicas contenidas enlos modelos, así como la falta de obtenciónde eficientes resultados de evaluación y

predicción en empresas que se dirigenhacia la quiebra. Recordemos que el

principal objetivo de los modelos deevaluación y predicción es la detecciónoportuna de empresas que tenderán aquebrar en el futuro y su utilidad práctica

sólo es patente cuando dichos modelos soncapaces de distinguir entre empresas que“no fracasan” y tiene éxito (aunque

presenten síntomas de fracaso empresarial)y empresas que sí fracasan (aunque no

quiebren).En general todas estas limitaciones

impiden a los investigadores y analistasfinancieros partir de un estándar devariables independientes y dependientescomo el propuesto por Altman. Además,en repetidas ocasiones los estudios no

parten de bases de datos y muestras yareducidas para el desarrollo de susrespectivos modelos, pues no existe unenfoque sistemático único. Esto trae comoresultado que cada vez que se inicia unmodelo se tiene que partir de un grannúmero de variables independientes paraaplicar la técnica de reducción de datoscon pequeñas variaciones. En otros casosse parte con criterios totalmente diferentesaunque se trate del mismo sector y tamañode empresas analizadas. A partir del hechode que en varios de los componentes queintegran los modelos multivariables no

existe hasta la fecha un acuerdogeneralizado, la selección adecuada de latécnica multivariable para un modelo deanálisis financiero está en función

principalmente de la forma genérica que presenta la variable dependiente y la basede datos con la que se calculan lasvariables independientes.

7. CONCLUSIONES

La conclusión principal a la que seha llegado es que en general los modelosde análisis financiero multivariable

presentan dos fases para su desarrollo queson muy complejas y de igual importancia.Sin embargo, en la primera de ellas pocose ha trabajado en términos de una estrecharelación conceptual-empírica. La primerafase comprende el estudio y estructuracióndetallada de la base de datos para evitar el

efecto window dressing, mantener lautilidad y confiabilidad del sistema





contable a través de los años para sucomparabilidad, y llegar al máximo gradode armonización conceptual entre losdiferentes estados financieros utilizados.

Continuando con esta fase, el

siguiente paso consiste en que con la basede datos se debe proceder siempre aestimar un conjunto de ratios financieros

previamente seleccionados y sustentadostodos y cada uno de ellos dentro de unmarco teórico bien fundamentado, el cualtambién incluya la definición conceptualde la variable dependiente. Si esto se hacumplido, sólo entonces se debería

proceder a utilizar un método multivariablereductivo para determinar un conjunto defactores y eliminar al mismo tiempoaquellos ratios que presenten una altamulticolinealidad. Esto con el fin de llegar a obtener los ratios finales querepresentarán a los factores con base en sualta correlación entre cada factor y cadaratio emparejado. Una vez llevado a cabolo anterior, consideramos que es de sumaimportancia que al factor se le asigne unnombre clave de acuerdo al marco teórico

que presentó originalmente el ratio para suinterpretación financiera.

Para concluir con esta síntesis sobre lametodología propuesta, se recomienda no

pasar por alto la importancia que conllevaseleccionar adecuadamente el sector de launidad de análisis, la unidad temporal, lamuestra y la unidad geográfica. Sinembargo, de no ser posible llevar con éxitoel desarrollo de la primera fase en términos

generales, consideramos quedefinitivamente no se debería proceder aldesarrollo de la segunda fase, pues elmodelo de análisis multivariableadolecería de partida de un sustentoconceptual y empírico necesario.

En cuanto a la segunda fase delmodelo, consiste en determinar la variabledependiente de forma categórica onumérica, e incorporar en una funciónlineal los ratios seleccionados comovariables independientes, asignándoles una

ponderación individual a cada uno de ellos

con el fin de aplicar un métodomultivariable clasificatorio para obtener

porcentajes de exactitud y errores predictivos “ex-ante” o “ex-post”.

La combinación adecuada y

constante de nuevos estudios con base enflujos de efectivo, valores bursátiles,valores de mercado y valores contablescon base en el devengo, puede llevarnos auna mayor exactitud de diagnostico como

predictiva. La descomposición cada vezmás exacta de los elementos del cash flowtotal y la incorporación de la informacióncontenida en los componentes de losmúltiplos de mercado puede proporcionar al modelo financiero multivariable nuevasvariables independientes que incrementenla exactitud marginal, y por qué no, llegar tal vez a proponer un nuevo factor dentrode las funciones lineales. Para esto sedeberán desarrollar nuevas propuestas deratios financieros basados en una sólidateoría que habrá nuevas oportunidades alinvestigador.

La nueva tendencia metodológica parece indicar que hay que intentar sumar

o restar variables o componentes a losactuales modelos financieros dentro delsistema del devengo para incrementar el

poder explicativo y predictivo del modelo.Así lo constatan un gran número deinvestigaciones que están estableciendonuevas bases. Por ejemplo, los trabajos deDambolena y Khoury inciados en losochenta han desarrollado modelos cuyo

principal atributo es su estabilidad ydinamicidad a través del tiempo y el

mantenimiento del nivel explicativo de losrazones financieras o ratios dentro de losdiversos tipos de funciones lineales.

BIBLIOGRAFIA

Altman Edward I. (1968): "Financial Ratios,Discriminant Analysis and the Prediction of Corporate Bankrupcy"; The Journal of Finance;September; pp. 589-609. Altman (1978): "FinancialApplications of Discriminant Analysis a

Clasification”; Journal of Financial and QuantitativeAnalysis; pp. 185-205. Altman Edward, Baida

Tara and Rivero Dias Luis Manoel (1979):





"Assesing Potential Financial Problems for Firmsun Brazil”; Journal of International BusinessStudies; pp. 9-24. Altman, Ho Eom Young and

Wom Kim Dong (1994): "Distress Classification of Korean Firms”; April; Working Papers Series; NewYork University Salomon Center (S-94-7). Altman

and Haldeman Robert (1995): "Corporate CreditScoring Models: Approaches and Standars for Successful Implementation”; February; WorkingPapers Series; New York University SalomonCenter (S-95-6). Altman and Narayanan Paul

(1996): "Business Failure Classification Models: AnInternational Survey”; June; Working Papers Series; New York University Salomon Center (S-96-34 )

Azis Abdul and Gerald H. Lawson (1989): “Cashflow Reporting and Financial Distress Models:Testing of Hypotheses"; Financial Management;Spring; pp. 55-63.

Beaver William (1966): "Financial Ratios asPredictors of Failure"; Empirical Research inAccounting: Selected Studies, Supplement toJournal of Accounting Research, pp 71-111. Beaver

(1968): “Alternative Accounting Measures asPredictors of Failure”; The Accounting Review;January, pp. 112-122.

Blum Marc (1974): "Failing CompanyDiscriminant Analysis"; Journal of AccountingResearch; Spring; pp. 1-25.

Bowen Robert M., David Burgstahler and Lane

A. Daley (1987): "Incremental Information Contentof Acrcrual vs. Cash Flows"; Accounting Review;Octuber; pp. 723-747

Casey Cornelius J. (1980): “The Usefulness of Accounting Ratios for Subjetcts´ Predictions of Corporate failure: Replication and Extensions”;Journal of Accounting Research; Autumn; pp. 603-613.

Casey and Norman J. Bartczak (1984): " Cash

Flow - It's Not the Bottom Line", Harvard BusinessReview; july-august; pp. 61-66.

Dambolena Ismael and Khoury Sakis (1980): “Ratio Stability and Corporate Failure”; The Journalof Fianance; September; Dambolena and Joel M.

Shulman (1988): “A primary Rule for DetectingBankruptcy: Watch the Cash"; Financial AnalysisJournal, (september - octuber) , pp. 74-78.

Deakin Edward B. (1972): "A DiscriminantAnalysis of Predictors of Business Failure"; Journalof Accounting Research; Spring; pp. 167-179.

Edmister Robert O. (1972): "An Empirical Test of Financial Ratio. Analysis for Small Business FailurePrediction"; Journal of Financial and QuantitativeAnalysis; March; pp. 1477-1493.

Gabás Trigo Francisco y Apellániz Gómez

Paloma (1994): “Capacidad Predictiva de losComponentes del Beneficio: Flujos de Tesorería yAjustes Corto-Largo Plazo”; Revista Española deFinanciación y Contabilidad; No. 78; enero-marzo; pp. 107-142.

Garcia-Ayuso Covarsí Manuel y Jiménez

Cardoso Sergio (1996): “Una Reflexión Críticasobre el Concepto y Ambito del Análisis Financieroy los Objetivos de la Investigación en Materia deAnálisis de la Información Financiera”, RevistaEspañola de Financiación y Contabilidad; Vol.XXV, No. 87; abril-mayo.

Gentry James A., Newbold Paul and Whitford

David T. (1985): "Classifying Bankrupt Firms withFunds Flow Components", Journal of AccountingResearch; Spring; pp. 146-160.

Gombola Michael and J. Edward Ketz (1983):“A Note of Cash Flow and Classification Patterns of Financial Ratios"; Financial Management; Winter; pp. 55-65. Gombola, Mark Haskings, Edward

Ketz and David Williams (1987): “Cash Flow inBankrupcy Prediction"; The Accounting Review:

January; pp.105-114.Horrigan James (1965): “Some Empirical Bases of Financial Ratio Analysis"; The Accounting Review;July; pp. 558-568. Horrigan (1966): "TheDetermitation of Long-Term Credit Standing withFinancial Ratios"; Empirical Research inAccounting, Selected Studies, Supplement of Journal of Accounting Research; pp. 44-62.

Jiménez Cardoso Sergio Manuel (1996): “UnaEvaluación Crítica de la Investigación EmpíricaDesarrollada en Torno a la Solvencia Empresarial”;

Revista Española de Financiación y Contabilidad;Vol. XXV, No. 87; abril-junio; pp. 459-479.

Joy O. Maurice and John O. Tollefson (1975): “On the Finanacial Applications of DiscriminatAnalysis”; Journal of Financial and QuantitativeAnalysis; december; pp. 723-739.

Laffarga Joaquina y Pina Vicente (1995): “LaUtilidad del Análisis Multivariante para Evaluar laGestión Continuada de la Empresa”; RevistaEspañola de Financiación y Contabilidad; Vol.XXIV, No. 84; abril-junio; pp. 727-748





Lev Baruch and Sunder Shyam (1979): “Methological Issues in the Use of FinancialRatios”; Journal of Accounting and Economics; pp.187-210.

Libby Robert (1975): “Accounting Ratios and The

Prediction of Failure: Some Behavioral Evidence”;Journal of Accounting Research; spring; pp. 150-161.

Lo W. Andrew (1986): “Logit vs. DiscriminantAnalysis: A Specification Test and Application toCorporate Bankruptcies”; Journal of Econometrics; pp. 151-178.

Ohlson James A. (1980): "Finanacial Ratios andthe Probabilistic Prediction of Bankruptcy"; Journalof Accounting Research; Spring; pp. 109-131.

Pinches George, Mingo Kent and CaruthersKent (1973): “The Stability of Financial PatternsIndustrial Organization”; The Journal of Finance; pp. 389-396.

Rose Peter and Giroux Gary A. (1984):“Predicitng Corporate Bankruptcy: An Analyticaland Empirical Evaluation"; Review of Business andEconomic Research; Spring; pp.1-12.

Swanson Eric and Tybout James ( 1988):

“Industrial Bankrupcy Determinants in Argentina”;

Studies in Banking and Finance; Vol 7; pp. 1-25.Taffler R. J. and H. Tisshaw (1977): “Going,Going, Going-Four Factors Wich Predict”;Accountancy; pp. 50. Taffler (1984): “EmpiricalModels for The Monitoring of U.K. Corporations”;Journal of Banking and Finance; pp. 199-227.

Takahashi Kichinosuke and Kurokawa

Yukiharu (1984): “Corporate BankruptcyPrediction in Japan”; Journal of Banking andFinance; Vol. 8.; pp. 230-247.

Watts Ross and Zimmerman Jerold (1978):“Towards Positive Theory of the Determination of Accounting Standars"; The Accounting Review;January. Watts and Zimmerman (1990): “PositiveAccountingTheory: A ten Year Perspective”; TheAccounting Review; january; pp. 131-153.

Zavgren Christine V. (1985): “Assessing theVulnerability to Failure of American IndustrialFirms: A Logistic Analysis"; Journal of Business,Finance and Accounting; Spring; pp. 19-45.

Zmijewski Mark (1984): “Methological IssuesRealted to the Estimation of Financial Distress

Prediction Models"; Supplement to The Journal of Accounting Research; pp. 59-82.

Key words: Multivariable Method and FinancialAnalysis

5 paper sobre ratios y su analisis estadistico multivariable

Documents