ANALISIS FACTORIAL DE RATIOS FINANCIEROS PARA EMPRESAS DEL SECTOR AGROINDUSTRIAL

Curso: Herramientas Financieras avanzadas para una Gestión Eficiente

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

Lima, 2011

Introducción Dada la gran cantidad de datos que pueden tomarse como insumo en los procesos de análisis de la información financiera encaminados a facilitar la toma de decisiones de inversión y crédito. por consiguiente. es de vital importancia que la reducción en el número de variables no conlleve una pérdida significativa de información. en la tercera parte. sencillo de manejar y fiable y que permita obtener conclusiones consistentes. la calificación de los bonos emitidos por una empresa. etc. parece lógico tratar. el trabajo se divide en 4 partes. el presente trabajo busca …… Para ello. en primer lugar. A tal fin. fusiones y adquisiciones. de establecer un conjunto reducido de variables que resulte fácil de comprender. Son numerosos los estudios empíricos que han aplicado técnicas estadísticas de análisis multivariante con el fin de establecer una clasificación de ratios tratando de determinar cuáles de ellos presentan un comportamiento análogo y. se realiza la aplicación del análisis factorial y la contrastación de la hipótesis y finalmente en la última parte se mencionan las conclusiones y recomendaciones. se menciona sobre el objeto de utilización del Análisis Factorial. En este sentido. 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. . en la segunda parte se menciona sobre la data a utilizar en el presente trabajo. aportan un contenido informativo similar. en donde en la primera parte.

II. de forma que todas las covarianzas o correlaciones son explicadas por dichos factores y cualquier porción de la varianza inexplicada por los factores comunes se asigna a términos de error residuales que llamaremos factores únicos o específicos. Por el contrario. Análisis de la Data La información consiste en los ratios financieros de 15 empresas del sector agroindustrial. Análisis Factorial Es una técnica estadística multivariada cuyo principal propósito es sintetizar las interrelaciones observadas entre un conjunto de variables en una forma concisa y segura como una ayuda a la construcción de nuevos conceptos y teorías. la cual se divide en rubros tales como:  Ratios de Actividad: reflejan el comportamiento de …. En el presente trabajo nos centraremos en realizar el Análisis Exploratorio. . que llamaremos factores comunes. Para ello utiliza un conjunto de variables aleatorias inobservables. en el análisis de tipo confirmatorio los factores están fijados a priori. El análisis exploratorio se caracteriza porque no se conocen a priori el número de factores y es en la aplicación empírica donde se determina este número.ANALISIS FACTORIAL RATIOS FINANCIEROS PARA EMPRESAS DEL SECTOR AGORINDUSTRIAL I. utilizándose contrastes de hipótesis para su corroboración.. El Análisis Factorial puede ser exploratorio o confirmatorio.

Formulación del problema En esta parte del trabajo se abordara la selección de las variables a analizar así como la de los elementos de la población . 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 . Aplicación del Análisis Factorial Para la realización del Análisis Factorial se deben seguir los siguientes pasos: 1.  Ratios de Rentabilidad: presenta los niveles de rentabilidad respecto al patrimonio o activos. 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 información utilizada.  Ratios de Endeudamiento: presenta el grado de apalancamiento de una empresa. Ratios de Liquidez: presenta indicadores que reflejan la solvencia de una empresa. III. 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 ió e e ta o le ) V r c nd l M rg nBu ( ) aia ió e a e r to % R ta ió 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 ó orie te Pu b A id r ea c a P r d P m d d C b n a( ía ) eio o ro e io e o ra z d s R ta ió d In e taio (d s o c n e v n r s ía ) P r d P m d d P g s(d s eio o ro e io e a o ía ) D ra ió d l C lod L u e (d s u c n e ic e iq id z ía ) 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 ió e e d n l oto la o ) P s oC rr n / Po .

Estandarización de los datos: La estandarización de datos de los ratios se realiza a través de X’ij = (Xij )/ sj Al estandarizar los datos X en X’ se cumple que cov(X’) = correl(X) lo cual facilita la interpretación de Q. En nuestro caso se analizaran variables que sean cuantitativas continuas. Uno de los requisitos que debe cumplirse para que el Análisis Factorial tenga sentido es que las variables estén altamente intercorrelacionadas. si la matriz de correlación de las variables observadas. Una posible forma de examinar la matriz de correlaciones es mediante el test de esfericidad de Bartlett que contrasta. Originalmente nuestra matriz de datos de los Ratios Financieros era: . Análisis de la matriz de correlación La finalidad de este análisis es comprobar si sus características son las más adecuadas para realizar un Análisis Factorial. el Análisis Factorial tal vez no sea apropiado. Por lo cual. Si una matriz de correlación es la identidad significa que las intercorrelaciones entre las variables son cero. es la identidad. bajo la hipótesis de normalidad multivariante. si las correlaciones entre todas las variables son bajas. Este paso será importante para continuar con el presente análisis. 2.en la que dichas variables van a ser observadas. Para poder realizar dicha prueba de hipótesis se siguen los siguientes pasos previos: a.

Análisis de matriz de correlación . Calcular cov(X) . Γ y Λ c.Obtenemos la siguiente matriz de datos estandarizada: b.

8147 Por lo tanto el modelo permite extraer k factores representativos con k < p d.p*(p-1)/2 = 7.p*(p-1)/2 α es el nivel de significancia representado por el área de la curva y p*(p-1)/2 son los grados de libertad. determina si las correlaciones entre las variables son lo suficientemente grandes y por ende se pueden encontrar un menor número de factores que expliquen estas correlaciones. Extracción de factores Una vez que se ha determinado que el Análisis Factorial es una técnica apropiada para analizar los datos.05 y en este caso tenemos p*(p-1)/2 =3. se aplicará el Test de Barlet. el cual. debe .Una vez estandarizado la matriz X. Supongamos un nivel de significancia de 0. El estadístico de dicho test viene dado por: dR = -[n-1-(1/6)*(2p+5)]*ln |R| > X2α. Para ello.4289 > X2α. Entonces tenemos: dR = 8. si se confirma la hipótesis nula ( H0: |Rρ|= 1 o Rρ = I ) significa que las variables no están correlacionadas (bajo un cierto nivel de significancia α). El test de esfericidad de Bartlett se obtiene a partir de una transformación del determinante de la matriz de correlación.

seleccionarse el método adecuado para la extracción de los factores. Determinación del número de factores Uno de los criterios es el de la proporción de varianza explicada (porcentaje acumulado): Observamos que el primer factor explica el 66% lo cual no es suficiente (se recomienda al menos 75% ). de las que usaremos el Método de Componentes Principales. Sumando las dos primeras componentes se explica más del 99% de toda la varianza por lo que 2 factores es más que suficiente en este caso.6605 primera componente. La varianza explicada por la p3=0. es el % de varianza explicada por la proporción p2=0.0034 es el % de componente. Se calcula Q’ = ΓΛ1/2 4. aplicando dicho criterio tenemos: La proporción p1=0. En este sentido. Existen diversos métodos para obtener los factores comunes. La proporción varianza explicada por la tercera Luego de extraer los dos primeros factores a partir de las componentes principales obtenemos Q: .3361 es el % de segunda componente.

varianzas explicadas (comunalidades) y proporciones explicadas por el modelo. cargas factoriales (Q). mientras que las 2 variables restantes (Marketing y Recursos Humanos) están más correlacionadas o dependen en mayor medida del factor 1.Podemos observar que la primera variable (Finanzas) está mas correlacionada o depende en mayor medida del factor 2. Esto significa que el factor 1 es la “Habilidad Verbal” y el factor 2 es la “Habilidad Cuantitativa” para confirmar los supuestos que teníamos acerca de los pesos que cada variable le asigna a cada factor. . se puede deducir que la “Habilidad Verbal” contribuye mayormente a explicar la varianza de los datos con un 66% frente a los 33. Dado que los factores están ordenados en base a la cantidad de varianza explicada que aporte cada uno. Hallamos la varianza no explicada Ψ mediante la diagonal de S QQT Hacemos la tabla resumen indicando las varianzas observadas.6% que explica el factor “Habilidad Cuantitativa”.

5. . Validación 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%. Este debería ser mínimo y se espera que no supere un valor de 0. Si el porcentaje de la varianza total no explicada por el modelo es mayor al 5% esto significaría que el modelo no se ajusta adecuadamente a los datos. Para calcularlo usaremos la siguiente fórmula: Como los valores fuera de la diagonal no han sido obviados por este método se espera que haya un error residual de aquellos valores.01 o algún porcentaje de la suma de varianzas explicadas por el modelo.

0102 entonces λ3^2 = 0. Rotacion de factores Si los pesos de Q no están claramente sesgados hacia uno sólo o pocos factores se requeriría rotar. 7.05. En este caso podemos observar que ninguno de los residuos supera 0.00010404 > 0. por lo que podemos concluir que el ajuste es bueno. Además podemos observar que se cumple la desigualdad indicada debido a que λ3 = 0. Este está incluido en Matlab.05.Podemos observar que el error residual es mucho menor que 0. 6. Se recomienda el método de VARIMAX.000053237 Otro criterio es que ninguno de estos residuos de la matriz residual supere un cierto valor en valor absoluto. Cálculo de puntuaciones factoriales y selección de las variables representativas .01 por lo que esto nos indica un buen ajuste. digamos 0. Interpretación de factores 8.

Se emplea el método de regresión para estimar los puntajes de los factores para cada uno de los datos y los coeficientes para los puntajes.0151*X1 + 0. Se tiene las siguientes funciones para los puntajes factoriales: Modelo sin Rotación VARIMAX f1 = 0.5027*X3 Verbal) (Habilidad .5017*X2 + 0.

5015*X3 (Habilidad Verbal) f2 = 0.0697*X2 + Cuantitativa) 0.0510*X3 (Habilidad Cuantitativa) Modelo con Rotación VARIMAX f1= -0. Conclusiones y Recomendaciones V.0070*X1 + 0.0809*X2 + 0.f2 = 0.9914*X1 .0.5034*X2 + 0.0.0622*X3 (Habilidad IV. Anexos ANEXO 01: DATA UTILIZADA PARA EL ANALISIS FACTORIAL .9913*X1 .