7.4. LA MUESTRA

La estadística inferencial establece que si obtenemos una muestra representativa de la población, entonces con los resultados es posible llevar a cabo generalizaciones sobre el conjunto total de sus elementos. En el caso de las muestras de los modelos predictivos se procura que sus características sean definidas lo más específicamente para conocer el alcance exacto de los resultados, aunque en repetidas ocasiones no se establecen límites para determinar qué se entiende por población. Según Lizarraga (1993: p.97), esto es con el fin de evitar la heterogeneidad de poblaciones que daría como resultado diferentes valores en los ratios si no se consideraran elementos tales como el sector y el tamaño al que pertenecen la muestra de empresas. Aquí el principal problema radica en la dificultad de conseguir al mismo tiempo la muestra representativa de empresas fracasadas y la anulación de los efectos negativos originados por las disparidades entre los elementos de la muestra.

También en los trabajos predictivos es común que la selección de la muestra se realice de la siguiente forma: para la submuestra de empresas fracasadas se consideran a las empresas quebradas y los datos se obtienen de la información pública, sin ningún otro tipo de análisis sobre los estados financieros. Con respecto a la submuestra de empresas con éxito empresarial, se consideran a las empresas “sanas” y se eliminan a las empresas con dificultades financieras, pues se considera que estas últimas tienden a similares comportamientos con respecto a las empresas fracasadas. Un cuestionamiento importante que presenta esta posición es que no se indica en dónde quedan comprendidas aquellas empresas que han llegado a un estado de suspensión de pagos o una un estado de crisis diferente al de la quiebra, y que además, representan una parte significativa de la población.

Mora (1994), en su estudio abordó este problema y recomendó tener en cuenta la relación de las submuestras entre empresas sanas y quebradas, pues consideró que ambas tienen diferentes porcentajes con relación a la población original, es decir, siempre existen más empresas sanas en la población. Con base en ello propuso una situación ideal que consiste en la selección aleatoria tanto de empresas sanas como de empresas quebradas. Con relación a las muestras no aleatorias, esta investigadora considera que existe una probabilidad de que una observación forme parte de la muestra con relación al valor de la variable dependiente. Es decir, en una submuestra del 50% de empresas quebradas y una submuestra del 50% de empresas sanas, la empresa quebrada tendrá siempre más probabilidades de formar parte de la muestra.

Zmijewski (1984), considera que en los casos de los modelos Logit y Probit, todos los coeficientes están afectados por la no aleatoriedad de la muestra, y por lo tanto, el hecho de que la selección de la muestra no sea aleatoria no supone una variación significativa en los resultados de las investigaciones. Mora(1994: p. 207), coincide con esta posición de Zmijewski cuando apunta que al seleccionarse una muestra aleatoria de la población, puede dar lugar a que la submuestra de empresas quebradas esté constituida por empresas de diferente tamaño y sector con respecto a la submuestra de empresas sanas, y por lo tanto, las diferencias entre los valores de las variables independientes de las muestras podrían atribuirse también a diferencias sectoriales y de tamaño, y no sólo al hecho de si la empresa está quebrada o sana.

Considerando lo anterior, en este estudio optamos por seleccionar un tamaño de empresa y sector específico para definir una población homogénea. Sin embargo, al llevar a cabo esto asumimos el problema que se origina por la disponibilidad de suficientes observaciones y elementos de la muestra para efectuar las inferencias estadísticas multivariables. En este último supuesto el analista debe evaluar las ventajas y desventajas, pues la selección de pocas empresas puede llevar a la necesidad de sólo aplicar el método del caso, o bien, utilizar sólo algunos estadísticos multivariables que nos complementen el análisis univariable.

El último supuesto fue que asumimos como punto de partida al seleccionar sólo cinco hoteles que cotizaran en bolsa y presentaran similares criterios en cuanto a la producción de su información financiera. Con esto se consideró que sí se puede obtener una muestra de empresas que presenten una armonización contable similar y estén ubicadas en unidades geográficas similares, aunque claro, reconociendo en todo momento las otras limitaciones que se presentan con una muestra pequeña. Por ejemplo, Zmijewski (1984) sostiene que se tiene que eliminar de la muestra a empresas que no tienen un conjunto completo de datos, aunque con este criterio también se obtiene una muestra sesgada, además de que las empresas con grandes probabilidades de quiebra son precisamente aquellas que tienden a producir reportes financieros incompletos. Sin embargo, también este autor considera que este sesgo parece no afectar las inferencias estadísticas o las tasas de clasificación en su conjunto, y más aún si la muestra es grande (lo cual no es nuestro caso)

Por otra parte Zmijewski (1984), opina que la aproximación a las características de la población, en cuanto a la proporción de empresas en quiebra, es necesaria para reducir el sesgo inherente en una selección basada en muestras. Para algunos analistas los estudios que utilizan el emparejamiento producen coeficientes sesgados para las variables independientes. Para este autor dichos coeficientes son completamente diferentes con respecto a aquellos que se obtienen cuando se utiliza una técnica apropiada para la diferenciación entre la muestra y las características de la población que es utilizada. Por eso Zmijewski considera que el sesgo hace más difícil de fijar el efecto de las variables individuales. Por otra parte, también considera que el sesgo es mucho menor cuando la proporción de empresas en quiebra de la muestra se aproxima a la proporción de empresas en quiebra de la población.

En general y ante estos problemas Zmijewski (1984) examinó conceptual y empíricamente dos vías para estimar las muestras en los modelos predictvos. La primera alternativa se refiere a seleccionar a las empresas de una muestra, observando primero la variable dependiente y basándose sobre el conocimiento de la probabilidad de que una empresa entre en dicha muestra con base en los atributos de la variable depenediente (topic of choice–based sample biases). La segunda alternativa es utilizando “datos completos”. Sus resultados le mostraron claramente a Zmijewski que la utilización de alguna de estas vías en general no afecta las inferencias estadísticas o los porcentajes de clasificación del modelo financiero predictivo.

Por otra parte, Wong y Young (1995) en su estudio advierten que es muy frecuente que en muchas de las muestras se incluyan empresas privadas, empresas que son propiedad del gobierno o empresas que están subsidiadas; sin tomar en cuenta que existe una estructura financiera muy diferente entre cada una de ellas por la forma de su financiamiento propio y ajeno, así como el sector al que pertenecen. Además, como ya lo apuntaban Baidya y Ribeiro (1979), en gran medida esta diversidad de empresas está condicionada de forma diferente por las variables macroeconómicas del país donde están ubicadas. Sin embargo, en el trabajo de estos últimos autores, para la muestra se seleccionaron empresas que se dedicaban a fabricar vestidos, productos metálicos, productos de madera, productos de pulpa y papel, motores de vehículos, productos de plástico, metales básicos y empresas constructoras. Como en anteriores ocasiones, hemos de apuntar lo heterogéneo de este tipo de muestras, que posteriormente se refleja en una base de datos con criterios contables muy diferentes, pues al tener sobre todo inventarios y activos muy diversos, los sistemas de valuación y amortización son poco comparables.

La conclusión a la que llegamos en cuanto a la muestra fue que es mejor no llevar a cabo para este trabajo una muestra aleatoria dada la escasez de datos. Además, se consideró que al principio de cualquier trabajo no se debe establecer como requisito indispensable efectuar un proceso de emparejamiento, pues hemos visto que varios estudios revelan que el emparejamiento entre las empresas fracasadas con las empresas sanas, aunque sea de su mismo sector y tamaño, no necesariamente proporcionan mayor representatividad ni incorporan elementos significativos o variables explicativas determinantes en los modelos predictivos. Ohlson (1980) ya había apuntado esto al proponer por primera vez que las muestras se podían seleccionar sin el emparejamiento y sin necesidad de cumplir las diferentes proporciones existentes entre los grupos de empresas de la población. También nos hemos basado en el hecho de que siempre es mayor el número de empresas sanas con respecto a las fracasadas, y esto sí que tiene un efecto de distorsión en el momento en que se aplica un muestreo aleatorio con el posterior emparejamiento, ya que siempre las posibilidades tenderán a ser mayores para que salga seleccionada una empresa fracasada con respecto a una empresa sana en cada una de las submuestras.

Por último, se observó que en el caso de las empresas fracasadas resulta muy difícil de tener acceso a la información contable, pues en los juzgados o en los registros mercantiles, así como en la propia empresa, existe poca disponibilidad para dar a conocer este tipo de información. Además, aun cuando se logra acceder a las anteriores instancias, predomina una gran burocracia y el acceso generalizado a las bases de datos resulta poco efectivo dada la falta de estos. A partir de esto, y volviendo a recordar que estamos iniciando un amplio estudio a largo plazo sobre un sector en específico, se consideró más conveniente acudir a la Bolsa Mexicana de Valores (BMV), en donde la información contable además de que por ley es pública y se obtiene a precios muy accesibles, existen criterios muy concretos en cuanto a las empresas que forman los grupos de sanas y fracasadas.

Nuestra muestra seleccionada consiste en cinco hoteles que pertenecen al sector servicios y forman parte de un total de 240 empresas que representan la población total que cotiza en la Bolsa Mexicana de Valores. En el caso del hotel Situr, esta empresa actualmente está en suspensión de pagos, por lo que sus acciones no se negocian en el mercado bursátil. Sin embargo, continúa inscrita en la BMV, presentando hasta la fecha estados financieros trimestrales de acuerdo a los criterios de la Comisión Nacional Bancaria y de Valores.