Análisis financiero. Lectura No. 7 Métodos de Análisis

Transcripción

1 Análisis financiero Lectura No. 7 Métodos de Análisis

2 Contextualización Los diferentes métodos de análisis que se pueden utilizar para evaluar y, en su defecto, emitir un diagnostico de una empresa cambian gradualmente dependiendo del grado de análisis y de las variables que se integren a los modelos. En el caso de los métodos estadísticos es importante enfatizar que al trabajar con valores muestrales se obtienen resultados que representan aproximaciones de la realidad, y no son valores exactos.

3 Introducción Es importante analizar los valores que integran un modelo de regresión lineal y analizara su aplicación en el análisis financiero. Los modelos de regresión son métodos estadísticos que modelan la relación entre una variable dependiente o endógena (Y), que es considerada nuestra variable en la investigación, y una serie de variables independientes, explicativas o exógenas (Xi), que son elementos manipulables que permiten observar como incide sobre la expresión de la variable dependiente. Dentro de estos modelos se adiciona un término aleatorio (ε), que se asocia con el error que se ocasiona por no considerar en su totalidad todos los factores que pueden influir directamente en la variable dependiente de la regresión.

4 II.2 Modelos estadísticos II.2.1 Modelos de regresión Un modelo de regresión lineal básico se ejemplifica mediante la siguiente ecuación explicita en Y: Y = β0 + β1 X1 + β2 X2 + + βn Xn + ε Donde la β0 es la intersección o termino constante, es decir, corta al eje explicativo, mostrando el valor exacto de la variable explicita con un valor de Xi de cero. El análisis de regresión es la forma de encontrar si dos o mas variables están relacionadas entre si, considerando que vamos a obtener resultados estadísticos para Y, con específicos para X. Por lo tanto, podemos decir que la variable dependiente es estocástica o aleatoria y la variable independiente es no estocástica.

5 II.2 Modelos estadísticos Ejemplifiquemos este modelo mediante la siguiente ecuación: Y = X Ahora, que pasaría con el valor de Y, si X cambiara a 12.5 unidades. Suponiendo que el primer valor de X fuera de 10 unidades. Caso 1 Y = (10) Y = Caso 2 Y = (22.5) Y = Se puede concluir que al incrementar X en 12.5, la variable dependiente disminuye, es decir, existe una relación inversa entre ambas variables.

6 II.2 Modelos estadísticos El análisis de regresión lineal es útil para encontrar la ecuación que mejor se ajusta a una dispersión de datos. Es importante resaltar que la dispersión se presenta porque existen más factores que influyen en el modelo especificado y además, hay que considerar que siempre existirá dispersión ya que son rectas de regresión muestral y no poblacionales. El resultado de la regresión no es matemáticamente exacto o puntual debido a que son resultados estadísticos o aproximaciones a la realidad; donde la recta puede mostrarnos un valor y en la realidad pudo haber sido otro. Existe dentro del modelo de regresión el Error o Perturbación (ε) que lo podemos definir como la distancia que existe entre los datos de la regresión lineal y el dato observado en la realidad.

7 II.2 Modelos estadísticos La grafica nos muestra un ejemplo de una recta de regresión muestral que explica mejor los datos, ajustándose a los que presentan menores diferencias o errores.

8 II.2 Modelos estadísticos Para poder obtener las ecuaciones de regresión se pueden emplear diversas metodologías: 1) Mínimos cuadrados ordinarios (mco) 2) Máxima Verosimilitud(mv); o bien 3) Método de los momentos.

9 II.2 Modelos estadísticos La metodología mas empleada es la de Mínimos Cuadrados Ordinarios (MCO), la cual consiste en encontrar las menores distancias entre la recta y los puntos.1 Explicado de otra forma, busca los menores errores o diferencias. Los estimadores de MCO están expresados en términos de las variables independientes y dependientes, siendo estimadores puntuales. Al final, los resultados obtenidos nos van a mostrar que tanto los indicadores muestrales se parecen a la poblacional y, por otro lado, se debe especificar correctamente el modelo, con la finalidad de disminuir el sesgo de especificación ocasionado por la causalidad.

10 Conclusión Los modelos estadísticos son expresiones simbólicas representadas en forma de igualdades a manera de diseño experimental, y con supuestos claramente especificados que permiten identificar las restricciones que existen entre las variables, en el caso concreto de la regresión nos indica los diferentes factores que modifican a la variable de respuesta. La regresión en sí misma, no define causalidad, es decir, no te dice quien es causa y quien efecto, por eso es importante desarrollar supuestos previos que sustenten el modelo de la regresión. Es de igual manera importante aclarar que no es lo mismo el termino de correlación y regresión, ya que el primero nos dice que tan fuerte es la relación entre las variables, y el segundo si existe alguna relación entre ellas.

11 Para aprender más Elementos que intervienen en el modelo de regresión Para poder comprender todos los elementos que intervienen en la especificación de un modelo de regresión y al mismo tiempo vislumbrar la utilidad de este en el análisis financiero de una empresa, supongamos la resolución del siguiente caso. La empresa El Cisne presenta los siguientes datos históricos de gastos de publicidad y ventas

12 Lo que realmente quiere conocer la empresa es la relación que existe entre ambas variables y, al mismo tiempo, encontrar el modelo que explica dicha relación. Existen actualmente distintos paquetes informaticos que permiten obtener estos valores como el Statistical Package for the Social Sciences (spss), el cual tiene la capacidad de trabajar con bases de datos grandes. También se puede utilizar Excel para obtener dichos datos, los pasos a seguir son: Ingresar la tabla de información en una hoja de Excel nueva: Para aprender más

13 Posteriormente se debe habilitar el comando de Análisis de datos, para esto se deben realizar los siguientes pasos: 1. Hacer clic en el botón de Microsoft Office y, a continuación, hacer clic en Opciones de Excel. 2. Hacer clic en Complementos y, en el cuadro Administrar, seleccionar Complementos de Excel. 3. Hacer clic en Ir. 4. En el cuadro Complementos disponibles, activar la casilla de verificación Herramientas para análisis y, a continuación, hacer clic en Aceptar. Una vez habilitado el comando, dar clic sobre la opción de regresión: Para aprender más

14 Se habilitara la pantalla para que se especifiquen los valores de la variable explicativa, que en este caso son los Gastos de Publicidad y de la variable dependiente, que serian las Ventas. De igual forma, se tienen que habilitar todas las casillas que se planean analizar. En este caso son: rótulos, nivel de confianza, residuos y curva de regresión ajustada. Para aprender más

15 Una vez realizado este paso, se anexaran las tablas con la información que se especifico en la función de regresión. Para aprender más

16 Para aprender más Con base en esta información se podrá construir la ecuación de regresión para este modelo: Y = β0 + β1 X1 Y = -83, , X La relación entre ambas variables es directa, por lo tanto, si los Gastos de Publicidad aumentan en una unidad, las ventas aumentaran en 9, Una vez que se cuenta con la ecuación de la regresión, se pueden realizar estimaciones suponiendo diversos escenarios, por ejemplo, que pasaría si la empresa decidiera gastar en publicidad el próximo ano 65 (millones): Y = -83, , (65) Y = 531,

17 Para aprender más La empresa estaría esperando obtener por el gasto en publicidad unas ventas de 531, Un dato relevante de analizar es el R2, que es el coeficiente de determinación, el cual nos indica el porcentaje de variación de la dependiente que es explicado por la independiente. En este caso el 98,10% de variación de las ventas son explicados por las variaciones de los Gastos de Publicidad, para el modelo especificado. Se puede sugerir que siempre que R2 sea igual o mayor a 0,8 es aceptable.

18 Referencias Exeberria, J. (1999). Regresión múltiple. Madrid: La Muralla. Gujarati, D. (2003). Econometría. México: McGraw-Hill.

19