lectura no. 8 métodos de análisis - unid · 2014-05-12 · ii.3 métodos econométricos uno de...
TRANSCRIPT
Análisis financiero
Lectura No. 8 Métodos de Análisis
Contextualización
Uno de los mayores obstáculos que se presentan en
el momento de desarrollar un modelo econométrico es
la carencia de datos, así como los sesgos o ausencia
de la totalidad de factores que pueden afectar la
variable de estudio, por lo que es necesario recordar
que los resultados son simples aproximaciones
estadísticas de una coyuntura, y no valores certeros
de esa realidad.
El análisis financiero mediante modelos
econométricos ha permitido revolucionar el concepto
de las finanzas, ya que sirve como complemento y, en
algunas situaciones, sustituye los análisis
tradicionales mediante ratios.
Es indispensable identificar la importancia de la aplicación
de los modelos econométricos en el análisis financiero.
La econometría es la rama de la economía que mediante
modelos y métodos matemáticos analiza, interpreta y
estima diversas variables que permitirán predecir ciertas
tendencias o comportamientos que influirán en la toma de
decisiones dentro de una empresa.
Antes de tomar una decisión que implique un costo de
oportunidad para una empresa es muy importante
considerar ciertos factores, como son: la tendencia del
sector, las condiciones coyunturales de la demanda, las
variables que la influencian y sus efectos, las características
de los precios relativos respecto a los bienes
complementarios o sustitutos, la volatilidad de diferentes
activos financieros, entre otros, con la finalidad de lograr el
eficaz funcionamiento de la propia empresa.
Introducción
II.2.2 El análisis discriminante
Este método comúnmente se utiliza para distinguir un conjunto de
datos con base en ciertas características, partiendo de variables
independientes y cuantificando la importancia relativa de cada una
de ellas.
El análisis discriminante predice la procedencia de un individuo del
que se desconoce de qué grupo forma parte, basándose en las
variables independientes.
II.3 Métodos econométricos
Existen actualmente diversas metodologías para
realizar estimaciones de un conjunto de datos que
se pretendan analizar para la toma de decisiones
considerando el mercado cambiante en el que
compite la entidad económica, dentro estas la mas
común es el análisis de regresión, el cual establece
una ecuación que muestra la relación existente
entre las variables independientes (Xi) y la variable
dependiente (Y).
Otra de las metodologías utilizadas es el análisis
discriminante, que permite a partir de un conjunto de
datos establecer supuestos de partida para evaluar
una condición existente de los valores resultantes
con los valores de la variable independiente, es
decir, que de una muestra permite discriminar con
base en el supuesto ciertos elementos que no
cumplan estas condiciones preestablecidas del
modelo.
II.3 Métodos econométricos
Uno de los principales defectos que presentan los modelos
lineales es que son sensitivos a la distribución marginal del
regresor cuando el condicionante medio es no lineal; en otras
palabras, resulta necesario previo a realizar la regresión mediante
el modelo establecido para el problema en cuestión definir
claramente la distribución de probabilidad de los elementos a
evaluar, esto con la finalidad de poder obtener observaciones que
sean validas para la variable objeto de estudio.
Es común que se establezca una probabilidad de una Normal
(0,1) cuando los datos son mayores a veinte elementos, ya que
se justifica bajo el supuesto de Tendencia Central.
Algunas de las características de la línea de regresión que se
obtiene mediante la ecuación de regresión muestral son:
• Pasa a través de las medias muestrales de la variable
dependiente e independiente.
II.3 Métodos econométricos
• El valor promedio o medio de la variable dependiente
estimada es igual al valor medio de la variable dependiente
observada.
• El valor de la media de los residuos es cero.
• Los residuos no están correlacionados con la variable
dependiente estimada.
• Los residuos no están correlacionados con la variable
independiente.
Recordemos que el modelo de regresión parte del supuesto
del método de mínimos cuadrados ordinarios, y por ende
todos los estimadores están expresados en términos de X y Y.
Los supuestos del modelo clásico de regresión nos van a
mostrar que tanto los indicadores muestrales se parecen a la
poblacional. Los principales son:
• El modelo de regresión es lineal en los parámetros.
• Los valores que toma el regresor son considerados fijos en
muestreo repetido, se supone no estocástica.
II.3 Métodos econométricos
• El valor medio de la perturbación es igual a cero porque se
compensan los errores.
• Las varianzas de las perturbaciones son idénticas, es decir,
existe homocedasticidad.
• No hay autocorrelación entre las perturbaciones, si existiese
correlación entre estas seria indicativo de que existe otra
variable mas importante.
• La covarianza entre la perturbación y la variable independiente
es cero.
• El número de observaciones “n” debe ser mayor que el
número de parámetros por estimar.
• En una muestra debe existir variabilidad en los valores de X.
• El modelo de regresión está correctamente especificado.
Alternativamente no hay un sesgo de especificación, esto
comúnmente se elimina con la teoría.
¿Cuál consideras que es la relación que existe entre
los métodos econométricos y el análisis financiero?
II.3 Métodos econométricos
Regresión Lineal Múltiple Hasta ahora hemos evaluado regresiones lineales
simples:
Y = β0 + β1 X1 + ε
Pero realmente los modelos econométricos tienden a
tener más de una variable explicativa, de ahí el nombre
de regresión lineal múltiple. La fórmula para su cálculo
es:
Y = β0 + β1 X1 + β2 X2 + … + β n X n + ε
En donde X1 ≠ X2 ≠ Xn se debe evitar que exista
multicolinealidad, es decir, la relación entre las
explicativas.
En esta regresión β1 muestra el cambio de “Y” cuando
X1 cambia una unidad, manteniendo las demás
constantes, y β0 continua siendo el intercepto, pero
estas cambian en una regresión múltiple al introducirle
X2 hasta Xn, ya que la pendiente y el intercepto
cambian para ajustarse a los datos de la dispersión.
II.3 Métodos econométricos
Para estas ecuaciones de regresión lineal múltiple
el coeficiente de determinación múltiple (R2
Múltiple) muestra en que porcentaje las
variaciones de Y son explicadas por las variaciones
de todas las X, con una R2 igual a 0.80 es un nivel
aceptable de relación. Existe un indicador
alternativo que sería la R2 ajustada que elimina el
problema de R2, que al aumentar más valores
aumente esta, lo que en el caso de R2 ajustada
solamente aumentara cuando las variables
explicativas tengan relación con Y. Si la R2
ajustada es igual a 1, quiere decir que existe un
ajuste perfecto y la β0 tiene un valor distinto a las
otras Betas, aun cuando todos los valores sean
significativos.
Si todas las Betas son igual a cero y β0 es igual a
un valor, entonces β0 no debe estar en el modelo.
Conclusión
Podemos concluir que la econometría utiliza datos,
métodos de inferencia estadística y modelos estructurales
y descriptivos para la resolución de problemas
económicos y empresariales.
Los modelos econométricos son representaciones
simplificadas de la realidad, por lo que hay que estar
conscientes de que pueden conllevar a errores de
especificación.
La utilidad y eficacia de los modelos dependerá en gran
medida de los supuestos de partida que se establezcan,
así como de la calidad de los datos utilizados en la
regresión y del sustento conceptual que se especifique
para las variables del modelo.
Para aprender más
Métodos econométricos
Dentro del análisis de la regresión
debemos considerar al coeficiente de
correlación
(R) que nos muestra el grado de
asociación lineal entre las variables, este
se encuentra entre -1 < R < 1, mientras
más se acerque a estos mas fuerte será la
relación, pero si fuera R = -1 o 1, seria
perfecta. Si se aproxima a cero es menos
débil, pero si fuera igual a cero no habría
relación lineal. Por ejemplo si se obtuviera
una R = 0.995, estaría casi sobre una
recta.
Para aprender más
Por otro lado, el coeficiente de determinación (R2)
nos muestra el porcentaje de variación de la
dependiente que es explicado por la independiente,
este se encuentra entre 0 < R2 < 1, es decir, explica las
relaciones no lineales. Si por ejemplo tuviéramos una
R2 igual a cero o se aproxima a cero, la variable X no
explicaría a Y, o la explica muy poco, es decir, que
existen más variables afectando a Y. Una R2 igual a 0.8
en adelante se considera aceptable.
La R2 es una medida de bondad de ajuste, por lo que
nos dice que tan buena es la regresión obtenida. Por
ejemplo, si con la siguiente función de inversión:
Inversión Real (Y) = Formación Bruta de Capital Fijo +
Variación de existencias cetes. Si se obtuviera una R2 =
0.496, estaría indicando que la relación no es tan
buena, ya que solamente el 49.6% de variación de la
inversión son explicadas por las variaciones de
existencias en cetes.
Para aprender más
Regresión Lineal Múltiple
Error estándar de la estimación
Existe de igual forma otro elemento adicional a considerar dentro de los modelos de regresión
que es el error estándar de la estimación, que se puede definir como el promedio de las
desviaciones de los datos observados con respecto a los datos estimados, en otras palabras,
es la medida promedio en que se alejan los datos de la recta estimada.
Por ejemplo: el error estándar de β0 (ee β0) sería el promedio de las desviaciones de las β0 de
esa población (es la desviación de las β0 muestrales alrededor de la β0 poblacional), siempre
que la población sea normal, y esto aplica exactamente igual para ee β1.
Hay ocasiones que dentro de un modelo de regresión tenemos variables que no son métricas,
sino que solamente se pueden evaluar por presencia o ausencia.
Para aprender más
Este tipo de variables son conocidas como dicotómicas o dummys, que miden las variables
cualitativas y las hacen cuantitativas, dando dos soluciones 0 o 1.
Por ejemplo para la siguiente ecuación donde Q está en función del precio y del género.
Q = f (precio, género)
En este caso el género será nuestra variable dummy:
• Ausencia = 0 = Femenino
• Presencia = 1 = Masculino
Una vez realizada la regresión se obtendría la siguiente ecuación:
Q = β0 + β1 Precio + β2 Dummy
Q = 30 – 2 Precio + 10 Dummy
En este caso tendríamos dos
opciones:
Q = 30 – 2 Precio + 10 (0) =
Femenino
Q = 30 – 2 Precio + 10 (1) =
Masculino
Referencias
•Hair, J., Anderson, R., Tatham, R. y Black, W. (1999). Análisis Multivariante. Madrid:
Prentice Hall.
•Law, M. y Kelton, D. (2000). Simulating Modeling and Analysis. USA: McGraw-Hill.
•Martínez, R. (2000). El análisis multivariante en la investigación científica. Madrid: La
Muralla.