Tesis doctorales de Ciencias Sociales


ANÁLISIS DE LAS DIFICULTADES FINANCIERAS DE LAS EMPRESAS EN UNA ECONOMÍA EMERGENTE: LAS BASES DE DATOS Y LAS VARIABLES INDEPENDIENTES EN EL SECTOR HOTELERO DE LA BOLSA MEXICANA DE VALORES

Alberto Ibarra Mares



Esta página muestra parte del texto pero sin formato.
Puede bajarse la tesis completa en PDF comprimido ZIP (319 páginas, 1.52 Mb) pulsando aquí

 

 

 

6.9. SELECCIÓN PRELIMINAR DE LAS VARIABLES INDEPENDIENTES ANTE LA AUSENCIA DE DATOS

A continuación hemos intentado seleccionar aquellas variables independientes que más influyen en el desarrollo económico y financiero de la empresa. Esto se hizo una vez que realizamos una revisión bibliográfica exhaustiva sobre un considerable número de artículos clásicos de esta línea de estudios, así como a través de la consulta de textos especializados en el uso de los ratios. Lo anterior nos llevó a elegir setenta y un ratios que dividimos en siete factores. Estas variables contenidas en la información contable de la base de datos se ha utilizado en numerosos trabajos, pues dichos ratios son considerados lo suficientemente relevantes para que al estimarse permitan al analista aplicar varios modelos de análisis financiero y estadístico con fines predictivos.

Hipotéticamente la serie de variables independientes tiene que aportar conclusiones rigurosas, con base en técnicas y relaciones complejas. Sin embargo, se debe tomar en cuenta que existen casos en donde considerando una sola variable independiente, ésta puede aportar un rigor similar o ligeramente inferior en lugar de utilizar varias. Por eso a partir del conjunto original de 71 ratios, seleccionamos un segundo grupo de 21 ratios, eliminando aquellos que tenían serias deficiencias en cuanto a su cálculo o ausencia de datos, o bien, las cuentas con las que se integraban no presentaban la suficiente información en cuanto a su uso exacto; tal fue el caso de la partida denominada cuentas por cobrar. Esta cuenta se utilizó no sólo para registrar aquellas deudas a favor de la empresa por concepto de ventas a crédito, sino que también se observó que integraba otras operaciones como deudas de terceros con la empresa o pagos anticipados que se efectuaron por concepto de servicios aún no erogados.

También la reducción de las variables independientes a 21 ratios obedeció a las limitaciones del tamaño muestral de la base de datos que comprende ocho años divididos en trimestres, lo que nos lleva a un total de 32 trimestres por cada una de las cinco empresas seleccionadas; lo que a su vez nos lleva a un total de 160 casos obtenidos del total de la muestra a lo largo de los ocho años (7.27 casos por variable). Según Hair (2000: p.88), para aplicar correctamente el análisis multivariable del factorial, el investigador no debe utilizar una muestra inferior a 50 casos u observaciones, y preferiblemente el tamaño muestral debe ser superior a 100 o más casos, o bien, como regla general el mínimo de observaciones a tener en cuenta tiene que ser de por lo menos un número de observaciones cinco veces mayor con respecto al número de variables analizadas.

En cuanto a la utilidad relativa de los ratios en los modelos univariables, ésta sólo puede ser medida en términos absolutos. Sus estimaciones son difíciles de interpretar cuando a la misma empresa se le aplican diferentes modelos univariables. En el caso de los modelos multivariables, la ventaja radica en poder analizar simultáneamente a un conjunto de ratios. Sin embargo, su desventaja está en que cada investigador para estimar sus modelos selecciona un grupo de variables independientes con diferentes unidades temporales, diferentes tamaños de empresas clasificadas en diversos sectores, y con bases de datos heterogéneas (tanto de estados financieros como de ratios). Esto provoca que los resultados sean difícilmente comparables y generalizables.

En cuanto a las relaciones empíricas entre los ratios, hasta la fecha no existe suficiente consistencia entre los diferentes modelos predictivos. Esto se debe principalmente a problemas tales como: la inexactitud de los diferentes modelos propuestos, los diferente criterios de selección y clasificación de los ratios, las distintas ponderaciones que los investigadores dan a las variables independientes, la diferencia de las poblaciones de ratios entre los modelos y a las relaciones empíricas que éstos mantienen. Para constatar estos problemas, Jiménez (1996) intentó desarrollar una clasificación de ratios, asociándolos a los diferentes factores propuestos en varios trabajos predictivos. La clasificación que obtuvo permitió observar que de los treinta y siete ratios contables incluidos en los modelos seleccionados, diez correspondían al factor retorno de la inversión; quince eran de endeudamiento, ocho de apalancamiento, y siete de cobertura de deuda, siete eran de liquidez, y cinco correspondían a la intensidad de capital. Los anteriores resultados le sugirieron al autor que existe una inestabilidad que se debe básicamente a la existencia de relaciones empíricas entre los ratios.

Algunos de los primeros estudios sobre quiebras también han sido criticados por su falta de teoría para guiar la selección de las variables predictivas. Varios de estos estudios, incluidos los de Altman (1968), Edmister (1972), Deakin (1972) y Ohlson (1980), entre muchos otros, han utilizado ratios basados sobre su amplia aceptación en la literatura. Otros estudios, como los de Beaver (1966) y Blum (1974), seleccionaron a los ratios basados sobre la teoría de la empresa de Helfert. Sin embargo, la gran mayoría de trabajos simplemente han considerado los ratios de otros investigadores sin un previo análisis multivariable de éstos, pues su fin principal radica en la aplicación de técnicas estadísticas predictivas y no reductivas.

En general, la selección al azar de los predictores puede dar como resultado información poco importante acerca de la condición financiera de la empresa al no incorporar datos sobre todas las facetas de su actuación. Esto no representa ningún problema, siempre y cuando el propósito de los modelos se dirija a la explicación o capacidad de predicción de un tipo particular de información, o bien, al ensayo de un método estadístico en particular como es el caso de este estudio. Dentro de estos supuestos de partida, incluso mucha información financiera detallada puede solamente llegar a confundir la interpretación del modelo.

Otro problema creado por la selección al azar de los ratios, es el potencial de multicolinealidad que puede darse dentro del modelo. Los modelos multivariables que utilizan ratios financieros son muy susceptibles de presentar problemas de multicolinealidad, dado que los ratios generalmente son combinaciones de la muestra del conjunto de datos o medidas contables. La multicolinealidad puede resultar en inexactitud, así como en estimaciones inestables de los coeficientes del modelo y sus variabilidades. Además, los valores relativos de las variables no pueden ser determinados porque diversas variables independientes pueden estar calculadas con atributos semejantes (Blum: 1974).

Con respecto a esto, Johanson (1970: p.1168) critica la frecuente selección de variables independientes colineales en los estudios que utilizan la técnica del MDA, pues opina que el supuesto de mutualidad de ratios financieros necesarios para el análisis discriminante multivariable no es dominante. Para él, el uso de altas correlaciones de múltiples ratios es redundante e introduce inestabilidad dentro de los coeficientes de las funciones para las diferentes muestras, además de que genera una gran cantidad de errores para estos coeficientes. Por su parte Horrigan (1965) sostiene que los problemas presentes de colinealidad son también oportunidades para el investigador, pues cuando se presenta este fenómeno con los ratios financieros, permite al analista contar con la máxima información contenida en los ratios (aunque sea redundante) para posteriormente ser capturados y reducidos a un pequeño número de factores a través de técnicas multivariables.

De cualquier forma, Horrigan (1965) previene que los ratios deben ser cuidadosamente seleccionados para evitar la multicolinealidad. Ya, algunos intentos fueron hechos en los estudios primarios sobre las quiebras para evitar la multicolinealidad. Por ejemplo, Altman (1968) analizó las correlaciones entre las variables independientes antes de seleccionar las variables finales para su modelo. Sin embargo, su método fue cuestionado porque únicamente analizó las correlaciones entre dos variables en un momento del tiempo. Los análisis de las correlaciones bivariables no son considerados tan adecuados como el análisis de las correlaciones multivariables. En el caso de Edmister (1972) o Rose y Giroux (1984), han utilizado la técnica de selección “stepwise” para determinar cuales ratios deben integrarse al modelo, basados sobre la contribución relativa de cada uno de ellos y su correlación con las variables ya dentro del modelo. La técnica “stepwise” generalmente ha ayudado a limitar la multicolinealidad, aunque se reconoce que ésta es un tanto arbitraria pues el investigador, según Edmister (1972), debe decidir que nivel de correlación es aceptable.

Para analizar los 71 ratios con respecto a sus factores, inicialmente éstos los dividimos en siete componentes, pero posteriormente agrupamos sus respectivos ratios en tres nuevos factores considerando que a nivel teórico varios de ellos guardan una mayor relación entre sí, quedando incluidos en el primer factor los ratios de rentabilidad, productividad y eficiencia (ratios R1 al R27); en el segundo grupo quedaron comprendidos los ratios de liquidez y cash flow (ratios R28 al R50); y por último, en el tercer grupo se relacionaron los ratios de solvencia y endeudamiento (ratios R51 al R71). De esta forma se superó el requisito de cinco casos por variable, aunque por la presencia de datos ausentes en gran número de ratios, la selección de las 21 variables finales para aplicar el análisis de componentes principales se tuvo que llevar a cabo por simple inspección (Ver cuadro 6.10).

Es importante aclarar que se presentaron datos ausentes en gran número de ratios, que combinados con la limitación en cuanto a los datos disponibles de empresas que cotizan en Bolsa, impidieron llevar a cabo la aplicación del análisis factorial sobre el conjunto total de ratios. Sin embargo, quedó establecido un marco teórico importante de variables independientes que puede ser utilizado más adelante una vez que se superen las dificultades del tamaño muestral. Para ello, actualmente estamos llevando a cabo una actualización y ampliación de la base de datos original en la Universidad de las Américas de Puebla, utilizando el sistema de información “ECONOMATICA” y las más recientes bases de datos que está proporcionando la Bolsa Mexicana de Valores. Por otra parte, esta misma base de datos se está también ampliando longitudinalmente, considerando los estados financieros intermedios mensuales para aplicar el análisis factorial por empresa. Esto nos permitirá alcanzar en el corto plazo un total de 96 casos obtenidos durante los ocho años que comprendió el primer estudio que presentamos en la investigación doctoral. Además, al actualizar el cuarto trimestre del año 2000, contaremos para finales de este año con un total de 11 años, es decir, 132 casos por empresa. Esto representará un total de 660 casos pertenecientes a la muestra original de 5 empresas.

Por otra parte, también estamos trabajando en la ampliación de la muestra, al emparejar el número de empresas sanas con el número de empresas fracasadas. Esto nos dará en una primera etapa una muestra de 5 empresas de servicios sanas y una muestra de 5 empresas fracasadas, con una unidad temporal de 1990 al 2000, es decir: un total de 440 casos trimestrales y 1320 casos mensuales. A continuación presentamos el número total de los ratios originales, y posteriormente se presentan los 21 ratios que finalmente se seleccionaron para aplicar el análisis factorial. (Ver Cuadro 6.11.).


Grupo EUMEDNET de la Universidad de Málaga Mensajes cristianos

Venta, Reparación y Liberación de Teléfonos Móviles
Enciclopedia Virtual
Biblioteca Virtual
Servicios
 
Todo en 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