EL TAMAÑO EMPRESARIAL COMO FACTOR DE DIVERSIDAD

 

Pulse aquí para acceder al índice general del libro.

Pulse aquí para bajarse el libro completo en formato PDF comprimido ZIP (2,7 Mb)

El tamaño empresarial como factor de diversidad

Alfonso Galindo Lucas

Capítulo III: OBTENCIÓN DEL FACTOR TAMAÑO

9. RESULTADOS

9.3. Análisis Factorial por Componentes Principales

De todos los diseños factoriales que se han probado, formados por un número de variables iniciales comprendido entre 28 y 15 y con un tamaño muestral mayor (añadiendo observaciones extraídas de SABI y otras no encontradas en SABI, hasta completar 1.405) o menor (con nuestra muestra de 1.160). El mejor ajuste, en términos de varianza explicada se ha dado en el modelo de 25 variables que se comenta a continuación

El primer paso fue ejecutar el comando del análisis factorial para las 28 variables que se describen en la Tabla 15, a fin de estudiar las comunalidades de cada variable. En el Cuadro 1 podemos ver en qué porcentaje el modelo factorial explica su variablidadad.

En él hemos remarcado los más bajos de los porcentajes explicados o comunalidades. La inclusión de estas variables en el modelo puede ser dudosa, especialmente la antigüedad, cuya variabilidad tan sólo viene explicada en un 35’2% por el modelo factorial, y la rentabilidad de los activos líquidos, con una comunalidad del 36’7%. De entrada, es necesario eliminar estas dos variables y volver a ejecutar el programa con 26 variables. Este paso no se muestra porque, enseguida, la baja comunalidad del ratio de apalancamiento aconseja prescindir también de esta variable.

En el subsiguiente cálculo de comunalidades (Cuadro 2), también hemos obtenido algún valor preocupante, porque no alcanza el 50% . Aun así, no va a ser eliminada la variables afectada, el horizonte de planificación, ya a que esta variable interviene en la definición de factores con un coeficiente de correlación considerable. Además, la verdadera importancia de esta variable HTEPLAN puede haberse visto afectada por la forma en que nos vino medida, como variable discreta de 4 niveles.

Un caso singular es el de la cuota de mercado, cuya variabilidad se ve satisfactoriamente identificada con el modelo, tanto por su comunalidad, como se demostrará más adelante por su correlación con el factor tamaño. Este dato es particularmente prometedor, puesto que el método de medición de la cuota de mercado no ha sido todo lo preciso que habría sido deseable, en el sentido de que subestima las cuotas de mercado de todas las empresa. Además, contamos con la limitación de que en muchos casos, la cifra de ventas de cada empresa (numerador) viene tomada de un año o dos posteriores al dato de ventas del sector (denominador), en el cálculo de la cuota de mercado. Por lo tanto, los valores de esta variable (en este caso, su logaritmo) tendrían que haber sido mayores y eso podría haber pesado en la orientación de las componentes rotadas.

Una vez vuelto a calcular el modelo, para 25 variables, es necesario comprobar si el modelo es representativo, observando el porcentaje acumulado de varianza explicada por las componentes extraídas. Aunque la variabilidad total explicada por las primeras componentes no es excesivamente alta, un 72’49% (Tabla 19) es muy buen dato, teniendo en cuenta la gran cantidad de variables consideradas y cada una de ellas con la dispersión propia de un fenómeno tan heterogéneo como la empresa .

No se muestra la matriz de componentes sin rotar, pues no es fácil interpretar ninguna de las componentes como factor característico de las empresas, de ahí que se haya procedido a una rotación, normalizando las variables, por el método Varimax. La rotación, cuyo resultado se muestra en la Tabla 20 ha convergido en 8 iteraciones. El orden en que se han obtenido las componentes empieza por la que hemos denominado “solvencia” .

En la Tabla 20 están representados en negrita las cargas factoriales correspondientes a variables de las que se puede afirmar que definen en común alguno de los factores, en función de su correlación con éstos, y que, por tanto, sirven para expresar la diversidad o caracterizar a unas empresas frente a otras. En cursiva se ha destacado correlaciones relativamente significativas entre los factores y algunas de las variables, algunas de las cuales resultan interesantes, desde el punto de vista teórico. Como es habitual, la última componente es la más difícil de interpretar.

Lo más evidente de la matriz de componentes, así como la de componentes rotados, es el carácter marcadamente “transversal” de algunas variables, como la rotación o el nivel de estudios del directivo (en sombreado). Ninguna de estas variables contribuye a definir componentes o factores, aunque no van a ser eliminadas, por no tener comunalidades excesivamente bajas.

En cambio, no tiene una alta comunalidad el horizonte de planificación, pero su correlación con el factor ORGANIZACIÓN es suficiente para considerar que se trata de una variable definitoria del mismo.

Por otra parte, la edad del directivo principal no contribuye al proceso de simplificación del número de variables, a pesar de que tiene una puntuación alta en una de las componentes. La componente en que la edad está más presente es una de las más residuales, que por sí sola sólo explica un 4’55% de la variabilidad total y cuyo significado no tiene otra interpretación que la propia variable edad. Esto se observa en el hecho de que ninguna otra variable está correlacionada con este factor.

En cuanto al nivel de estudios del directivo, en realidad, se trata de una variable de tipo ordinal, aunque aquí se esté asimilando a una variable continua, donde siempre se repiten los mismos cuatro valores; este tipo de variables no es apropiada para el análisis factorial y es tal vez la forma en que se ha medido la causa por la que el nivel de estudios posee una comunalidad baja.

Además, como era de sospechar, hemos comprobado que no varía apenas el modelo (antes al contrario, se incrementa ligeramente su representatividad) si prescindimos de las variables liquidez inmediata y número de empleados, dada su práctica identidad con otras dos variables del modelo: Liquidez y número de empleados, respectivamente. No se muestra el modelo de 23 variables precisamente por esta enorme similitud con el de 25.

Estas variables, liquidez inmediata, número de empleados y edad del directivo, pueden ser excluidas del proceso de reducción de información, puesto que no aportan nada al mismo. Sin embargo, el modelo de 25 variables recoge un gran porcentaje de variabilidad explicada del conjunto de datos y resume un gran número de variables.

Existen variables que no definen ninguna componente, pero no son las que tienen comunalidades más bajas. Así pues, no seguimos eliminando variables del modelo factorial. Este es el de mayor varianza total explicada de cuantos hemos probado, así que nos abstendremos de eliminar las variables más “transversales”, pues asumimos que este comportamiento aleatorio explica parte del 27’51% de variabilidad restante.

Se podría seguir eliminando variables y componentes y, sobre todo, se podría alterar el orden de estas últimas, haciendo que las variables que finalmente participen en el análisis estén más correlacionadas con un fenómeno en concreto. Por ejemplo, a la vista de la matriz de correlaciones (Tabla 16), la introducción de la variable liquidez inmediata ha podido suponer una redundancia. De la misma forma, la conservación del número de empleados, junto con el gasto de personal ha podido influir en que las componentes solvencia y tamaño expliquen, conjuntamente, un 36% de la variabilidad y ocupen, respectivamente, el primer y segundo lugar en importancia. Hemos comprobado que la exclusión de esas dos variables reduce en un punto porcentual la variabilidad total explicada por el tamaño, pero no altera su segundo lugar en importancia, justo después de la solvencia.

A medida que se reduce el número de variables, se incrementa la varianza total explicada por el modelo, pero ese porcentaje está referido tan sólo a las variables que se han tomado como iniciales, que cada vez son menos. Por ejemplo, si eliminamos la rotación, edad del directivo, estudios del directivo, gasto de FP, liquidez inmediata y número de empleados, nos quedaremos con un modelo de 19 variables, cuya variabilidad total puede quedar explicada en un 73% por seis factores. Hemos preferido recoger 25 variables, con una pérdida de información similar, algo inferior en medio punto porcentual y con dos factores más, de forma que el tamaño quede especificado de una forma más restringida.

En cualquiera de los casos, la representatividad del modelo definitivo nos permite tomar como variable definitoria del tamaño la combinación lineal que aparece como segunda componente en el modelo. El tamaño de cada empresa vendría dado por la “puntuación” de la observación correspondiente en la variable TAMAÑO, que es una combinación lineal de los subrogados ACTIVO, VENTAS, CUOTAMDO, GPERSON Y EMPLEO.

Los resultados nos permiten rechazar la hipótesis H3, puesto que la mayoría de los subrogados tradicionales del tamaño (no todos, puesto que el valor añadido tiene una puntuación baja) tienden a agruparse juntos en la misma componente ortogonal. Por lo tanto, definen un mismo fenómeno.

Sin embargo, el rechazo de la hipótesis H4 debe realizarse asumiendo ciertas reservas, puesto que todos los sucedáneos del tamaño que aparecen en la Tabla 20 con una carga factorial suficiente alcanzan una cifra similar y bastante alta. Esto indica que, aunque ninguno de los subrogados actuales es la definición indiscutible del tamaño, cualquiera de ellos puede ser un buen subrogado del mismo, con la ventaja de que sería más fácil cuantificar el tamaño en términos de éstos que de la componente TAMAÑO.

Rechazamos, por último, la quinta hipótesis, gracias al carácter ortogonal de la rotación. Esto permite comprobar que aquellas variables que tienen puntuación alta en el factor tamaño, las puntuaciones en el resto de factores extraídos es muy baja.

 

 

Grupo EUMEDNET de la Universidad de Málaga Mensajes cristianos

Venta, Reparación y Liberación de Teléfonos Móviles
Enciclopedia Virtual
Economistas Diccionarios Presentaciones multimedia y vídeos Manual Economía
Biblioteca Virtual
Libros Gratis Tesis Doctorales Textos de autores clásicos y grandes economistas
Revistas
Contribuciones a la Economía, Revista Académica Virtual
Contribuciones a las Ciencias Sociales
Observatorio de la Economía Latinoamericana
Revista Caribeña de las Ciencias Sociales
Revista Atlante. Cuadernos de Educación
Otras revistas

Servicios
Publicar sus textos Tienda virtual del grupo Eumednet Congresos Académicos - Inscripción - Solicitar Actas - Organizar un Simposio Crear una revista Novedades - Suscribirse al Boletín de Novedades
 
Todo en eumed.net:
Eumed.net

Congresos Internacionales


¿Qué son?
 ¿Cómo funcionan?

 

15 al 29 de
julio
X Congreso EUMEDNET sobre
Turismo y Desarrollo




Aún está a tiempo de inscribirse en el congreso como participante-espectador.


Próximos congresos

 

06 al 20 de
octubre
I Congreso EUMEDNET sobre
Políticas públicas ante la crisis de las commodities

10 al 25 de
noviembre
I Congreso EUMEDNET sobre
Migración y Desarrollo

12 al 30 de
diciembre
I Congreso EUMEDNET sobre
Economía y Cambio Climático

 

 

 

 

Encuentros de economia internacionales a traves de internet


Este sitio web está mantenido por el grupo de investigación eumednet con el apoyo de Servicios Académicos Internacionales S.C.

Volver a la página principal de eumednet