ANALISIS FACTORIAL DE RATIOS FINANCIEROS PARA EMPRESAS DEL SECTOR AGROINDUSTRIAL

Curso: Herramientas Financieras avanzadas para una Gestin Eficiente

Alumnos: Beatriz Jenny Ascarruz Herrera Jos Luis Picoaga Romero Alessadro Rioja

Lima, 2011

Introduccin Dada la gran cantidad de datos que pueden tomarse como insumo en los procesos de anlisis de la informacin financiera encaminados a facilitar la toma de decisiones de inversin y crdito, parece lgico tratar, en primer lugar, de establecer un conjunto reducido de variables que resulte fcil de comprender, sencillo de manejar y fiable y que permita obtener conclusiones consistentes. A tal fin, es de vital importancia que la reduccin en el nmero de variables no conlleve una prdida significativa de informacin. Son numerosos los estudios empricos que han aplicado tcnicas estadsticas de anlisis multivariante con el fin de establecer una clasificacin de ratios tratando de determinar cules de ellos presentan un comportamiento anlogo y, por consiguiente, aportan un contenido informativo similar. En ocasiones el objetivo es determinar un conjunto reducido de vatios significativos que se introducen como variables explicativas en un modelo predictivo para prever situaciones de quiebra, fusiones y adquisiciones, la calificacin de los bonos emitidos por una empresa, etc. En este sentido, el presente trabajo busca

Para ello, el trabajo se divide en 4 partes, en donde en la primera parte, se menciona sobre el objeto de utilizacin del Anlisis Factorial, en la segunda parte se menciona sobre la data a utilizar en el presente trabajo, en la tercera parte, se realiza la aplicacin del anlisis factorial y la contrastacin de la hiptesis y finalmente en la ltima parte se mencionan las conclusiones y recomendaciones.

ANALISIS FACTORIAL RATIOS FINANCIEROS PARA EMPRESAS DEL SECTOR AGORINDUSTRIAL I. Anlisis Factorial Es una tcnica estadstica multivariada cuyo principal propsito es sintetizar las interrelaciones observadas entre un conjunto de variables en una forma concisa y segura como una ayuda a la construccin de nuevos conceptos y teoras. Para ello utiliza un conjunto de variables aleatorias inobservables, que llamaremos factores comunes, de forma que todas las covarianzas o correlaciones son explicadas por dichos factores y cualquier porcin de la varianza inexplicada por los factores comunes se asigna a trminos de error residuales que llamaremos factores nicos o especficos. El Anlisis Factorial puede ser exploratorio o confirmatorio. El anlisis exploratorio se caracteriza porque no se conocen a priori el nmero de factores y es en la aplicacin emprica donde se determina este nmero. Por el contrario, en el anlisis de tipo confirmatorio los factores estn fijados a priori, utilizndose contrastes de hiptesis para su corroboracin. En el presente trabajo nos centraremos en realizar el Anlisis Exploratorio. II. Anlisis de la Data

La informacin consiste en los ratios financieros de 15 empresas del sector agroindustrial, la cual se divide en rubros tales como:

Ratios de Actividad: reflejan el comportamiento de ..

 Ratios de Liquidez: presenta indicadores que reflejan la solvencia de una empresa. Ratios de Endeudamiento: presenta el grado de apalancamiento de una empresa. Ratios de Rentabilidad: presenta los niveles de rentabilidad respecto al patrimonio o activos.

R T SF A C R S A IO IN N IE O R t sa 3 /1 /2 0 aio l 1 2 0 9
R T SD A T ID D A IO E C IV A V r c nd V n sT ta s(% aia i e e ta o le ) V r c nd l M rg nBu ( ) aia i e a e r to % R ta i d l A tiv T ta o c n e c o o l R T SD L U E A IO E IQ ID Z R z nC r n a orie te Pu b A id r ea c a P r d P m d d C b n a( a ) eio o ro e io e o ra z d s R ta i d In e taio (d s o c n e v n r s a ) P r d P m d d P g s(d s eio o ro e io e a o a ) D ra i d l C lod L u e (d s u c n e ic e iq id z a ) R T SD E D U A IE T A IO E N E D M N O A a n a ie to p la c m n P trim n N to/ A tiv T ta (% a o io e c o o l ) C n e tr c nd D u ae e C r P z (% o c n a i e e d n l oto la o ) P s oC rr n / Po . M n u l d V n s a iv o ie te r m e s a e e ta P s oT ta / Po . Mn u l d V n s a iv o l r m e s a e e ta R T SD R N A IL A A IO E E T B ID D R n b a s beP trim n a u liz d ( ) e ta ilid d o r a o io n a a a % M rg nBu ( ) a e r to % M rg nO ea o( ) a e p r tiv % M rg nN to(% a e e ) R n b a s beA tiv e ta ilid d o r c o U a N ta/ P tr o io tilid d e a im n

En el Anexo 01 se adjunta el detalle de la informacin utilizada.

III. Aplicacin del Anlisis Factorial

Para la realizacin del Anlisis Factorial se deben seguir los siguientes pasos: 1. Formulacin del problema En esta parte del trabajo se abordara la seleccin de las variables a analizar as como la de los elementos de la poblacin

en la que dichas variables van a ser observadas. En nuestro caso se analizaran variables que sean cuantitativas continuas.

2. Anlisis de la matriz de correlacin La finalidad de este anlisis es comprobar si sus caractersticas son las ms adecuadas para realizar un Anlisis Factorial. Uno de los requisitos que debe cumplirse para que el Anlisis Factorial tenga sentido es que las variables estn altamente intercorrelacionadas. Por lo cual, si las correlaciones entre todas las variables son bajas, el Anlisis Factorial tal vez no sea apropiado. Este paso ser importante para continuar con el presente anlisis. Una posible forma de examinar la matriz de correlaciones es mediante el test de esfericidad de Bartlett que contrasta, bajo la hiptesis de normalidad multivariante, si la matriz de correlacin de las variables observadas, es la identidad. Si una matriz de correlacin es la identidad significa que las intercorrelaciones entre las variables son cero. Para poder realizar dicha prueba de hiptesis se siguen los siguientes pasos previos: a. Estandarizacin de los datos: La estandarizacin de datos de los ratios se realiza a travs de Xij = (Xij )/ sj Al estandarizar los datos X en X se cumple que cov(X) = correl(X) lo cual facilita la interpretacin de Q. Originalmente nuestra matriz de datos de los Ratios Financieros era:

Obtenemos la siguiente matriz de datos estandarizada:

b. Calcular cov(X) , y

c. Anlisis de matriz de correlacin

Una vez estandarizado la matriz X, se aplicar el Test de Barlet, el cual, determina si las correlaciones entre las variables son lo suficientemente grandes y por ende se pueden encontrar un menor nmero de factores que expliquen estas correlaciones. Para ello, si se confirma la hiptesis nula ( H0: |R|= 1 o R = I ) significa que las variables no estn correlacionadas (bajo un cierto nivel de significancia ). El test de esfericidad de Bartlett se obtiene a partir de una transformacin del determinante de la matriz de correlacin. El estadstico de dicho test viene dado por: dR = -[n-1-(1/6)*(2p+5)]*ln |R| > X2,p*(p-1)/2

es el nivel de significancia representado por el rea de la curva y p*(p-1)/2 son los grados de libertad. Supongamos un nivel de significancia de 0.05 y en este caso tenemos p*(p-1)/2 =3. Entonces tenemos: dR = 8.4289 > X2,p*(p-1)/2 = 7.8147 Por lo tanto el modelo permite extraer k factores representativos con k < p

d.

Extraccin de factores

Una vez que se ha determinado que el Anlisis Factorial es una tcnica apropiada para analizar los datos, debe

seleccionarse el mtodo adecuado para la extraccin de los factores. Existen diversos mtodos para obtener los factores comunes, de las que usaremos el Mtodo de Componentes Principales. Se calcula Q = 1/2

4. Determinacin del nmero de factores Uno de los criterios es el de la proporcin de varianza explicada (porcentaje acumulado): Observamos que el primer factor explica el 66% lo cual no es suficiente (se recomienda al menos 75% ). Sumando las dos primeras componentes se explica ms del 99% de toda la varianza por lo que 2 factores es ms que suficiente en este caso. En este sentido, aplicando dicho criterio tenemos:

La proporcin p1=0.6605 primera componente. La varianza explicada por la p3=0.0034 es el % de componente.

es el % de varianza explicada por la proporcin p2=0.3361 es el % de segunda componente. La proporcin varianza explicada por la tercera

Luego de extraer los dos primeros factores a partir de las componentes principales obtenemos Q:

Podemos observar que la primera variable (Finanzas) est mas correlacionada o depende en mayor medida del factor 2, mientras que las 2 variables restantes (Marketing y Recursos Humanos) estn ms correlacionadas o dependen en mayor medida del factor 1. Esto significa que el factor 1 es la Habilidad Verbal y el factor 2 es la Habilidad Cuantitativa para confirmar los supuestos que tenamos acerca de los pesos que cada variable le asigna a cada factor. Dado que los factores estn ordenados en base a la cantidad de varianza explicada que aporte cada uno, se puede deducir que la Habilidad Verbal contribuye mayormente a explicar la varianza de los datos con un 66% frente a los 33.6% que explica el factor Habilidad Cuantitativa.

Hallamos la varianza no explicada mediante la diagonal de S QQT

Hacemos la tabla resumen indicando las varianzas observadas, cargas factoriales (Q), varianzas explicadas (comunalidades) y proporciones explicadas por el modelo.

5. Validacin del modelo

Para validar el modelo se puede comparar los residuos del modelo factorial o varianza no explicada por el modelo obtenido frente a un nivel de 5%. Si el porcentaje de la varianza total no explicada por el modelo es mayor al 5% esto significara que el modelo no se ajusta adecuadamente a los datos.

Para calcularlo usaremos la siguiente frmula:

Como los valores fuera de la diagonal no han sido obviados por este mtodo se espera que haya un error residual de aquellos valores. Este debera ser mnimo y se espera que no supere un valor de 0.01 o algn porcentaje de la suma de varianzas explicadas por el modelo.

Podemos observar que el error residual es mucho menor que 0.01 por lo que esto nos indica un buen ajuste. Adems podemos observar que se cumple la desigualdad indicada debido a que 3 = 0.0102 entonces 3^2 = 0.00010404 > 0.000053237

Otro criterio es que ninguno de estos residuos de la matriz residual supere un cierto valor en valor absoluto, digamos 0.05. En este caso podemos observar que ninguno de los residuos supera 0.05, por lo que podemos concluir que el ajuste es bueno. 6. Rotacion de factores Si los pesos de Q no estn claramente sesgados hacia uno slo o pocos factores se requerira rotar. Se recomienda el mtodo de VARIMAX. Este est incluido en Matlab.

7. Interpretacin de factores

8. Clculo de puntuaciones factoriales y seleccin de las variables representativas

Se emplea el mtodo de regresin para estimar los puntajes de los factores para cada uno de los datos y los coeficientes para los puntajes.

Se tiene las siguientes funciones para los puntajes factoriales:

Modelo sin Rotacin VARIMAX f1 = 0.0151*X1 + 0.5017*X2 + 0.5027*X3 Verbal) (Habilidad

f2 = 0.9913*X1 - 0.0809*X2 + 0.0510*X3 (Habilidad Cuantitativa)

Modelo con Rotacin VARIMAX f1= -0.0070*X1 + 0.5034*X2 + 0.5015*X3 (Habilidad Verbal) f2 = 0.9914*X1 - 0.0697*X2 + Cuantitativa) 0.0622*X3 (Habilidad

IV.

Conclusiones y Recomendaciones

V. Anexos

ANEXO 01: DATA UTILIZADA PARA EL ANALISIS FACTORIAL