FACULTAD DE ECONOMIA Y NEGOCIOS

ESCUELA DE INGENIERIA COMERCIAL

VIA DEL MAR



MODELO DE PREDICCIN:
PRECIO DE LA ACCIN DE SONDA






Nombre: Andrs Burgos
Macarena Carrasco
ngela De La Fuente
Joselyn Garrido
Abdn Ondarza
Ramo: Econometra
Profesor: Carolina Ciervo
Fecha: 18 de Noviembre del 2011



NDICE


Introduccin... 2
Desarrollo
Descripcin de variables. 7
Modelo inicial 7
Interpretaciones del modelo inicial 10
Prueba de significancia global para el modelo inicial.. 11
Prueba de significancia individual para el modelo inicial. 11
Replanteo del modelo.. 12
Anlisis de Multicolinealidad.... 14
Anlisis de Autocorrelacin..... 15
Anlisis de Heterocedasticidad... 16
Conclusin...... 23
Bibliografa...... 24
Anexos.. 25














INTRODUCCIN

La Econometra, es la rama de la economa, que utiliza mtodos y modelos
matemticos, los cuales son utilizados para analizar, interpretar y predecir diversos
sistemas y variables econmicas, sin embargo, el mayor problema con el que se
enfrenta en la investigacin es la escasez de datos, los sesgos (Diferencia entre el
valor esperado de un estimador y el verdadero valor del parmetro) que pueden
causar los mismos y la ausencia o insuficiencia de una teora econmica adecuada.
Aun as, la econometra es la nica aproximacin cientfica al entendimiento de los
fenmenos econmicos.

Es por ello que en este informe se quiere lograr el objetivo, a travs de la
econometra, de poder predecir o estimar como distintas variables predictoras, las
cuales en este anlisis se utilizaron: tipo de cambio, IPSA, Unidad de Fomento, y el
precio de las acciones de: LAN, CAP, BCI, SOQUIMICH y CUPRUM, influirn en los
precios en que se transan las acciones de la empresa Sonda en la Bolsa de Santiago, la
cual es nuestra variable regresora a estimar. Toda la investigacin se basa en datos
diarios tanto de la variable en estudio como sus variables predictoras.

El modelo utilizado en esta investigacin es el de Regresin mltiple, el cual
considera ciertos supuestos, los cuales corroboraremos por medio de los anlisis de:
Multicolinealidad, Heterocedasticidad y autocorrelacin, por consiguiente a travs de
la observacin de estos tres anlisis se lograr concluir si las variables consideradas
(tipo de cambio, IPSA, UF, LAN, BCI, SOQUIMICH y CUPRUM) para la prediccin son o
no efectivamente correctas.





DESARROLLO


SONDA es la empresa que escogimos para realizar nuestro de prediccin, y ser el
precio de su accin la variable que queremos predecir.

Esta empresa es la mayor firma latinoamericana de Servicios TI e Integracin de
Sistemas. Fundada en Chile en 1974, SONDA es una empresa regional, contando con
una red que abarca los mercados ms importantes de Amrica Latina. La Compaa
tiene presencia directa y oficinas comerciales en Argentina, Brasil, Chile, Colombia,
Costa Rica, Ecuador, Mxico, Per y Uruguay, y cuenta con una dotacin de ms de
10.000 personas y relaciones comerciales con ms de 5.000 clientes en la regin.

La oferta de SONDA es integral y abarca Servicios de TI, Aplicaciones y
Plataformas de Hardware y Software. Adems, es el proveedor latinoamericano que
dispone de la ms completa y amplia cobertura regional, lo que permite que sus
clientes accedan al conocimiento y a la experiencia acumulada en cada uno de sus
territorios.

Para poder realizar la estimacin, se consideraron las siguientes variables y por
las razones a continuacin mencionadas:

- IPSA: Si estamos analizando los movimientos que experimentan los valores de
las acciones, siempre es adecuado y correcto compararse con la tendencia de
las acciones ms transadas de la misma plaza, por ende el ndice ms
representativo y depurado de la tendencia de ese mercado, en este caso el
IPSA. Adems SONDA se encuentra en este grupo selectivo de las 20 acciones
con mayor presencia burstil.

- Tipo de cambio: Ingresamos esta variable a nuestro modelo, fundamentados
en la historia que presenta SONDA, en donde podemos ver importantes
negocios en diferentes mercados o pases, por tanto, una parte importante de
los ingresos y costos de la empresa estn denominados en otras monedas y se
toma al dlar como eje del mercado cambiario. Por otra parte los hardware
estn valorizados en esa moneda as como los royalties por uso de software.

- Unidad de Fomento: Una parte de los ingresos de este tipo de prestadores
de servicios se transa en U.F. (pesos indexados a la inflacin domstica con un mes de
desfase) por tanto es vlido pensar en que podra existir relacin entre la inflacin y
los resultados de la empresa y los resultados de esta. En definitiva, deberan ser el
sustento que mueve el precio de esta accin en las bolsas. Por otra parte, al estar los
estados financieros indexados a la inflacin va la correccin monetaria, mayor
relacin puede existir.

- LAN; CAP; BCI; SOQUIMICH y CUPRUM: Encontramos razonable considerar
empresas de diferentes sectores de la economa que adems tuvieran relacin con
nuestra empresa.
Entre ellas, una empresa de servicios (LAN), una industrial (CAP), una bancaria
(BCI), una minera indexada a la produccin de alimentos (SOQUIMICH) y una de
inversiones (CUPRUM) para analizar varios sectores de la economa nacional. A todas
ellas, SONDA les suministra sus sistemas informticos, tanto para la produccin
operacin, as como para los sistemas administrativos, as tambin como de equipos
de cmputo y respaldos va leasing operativo o arriendo, por lo que se espera que
ocurra con estas compaas es que afecten el valor de la accin de SONDA, puesto
que afectan a los ingresos y potenciales costos de la compaa.





Descripcin de las variables

- Variable regresada:
Y: Precio accin de SONDA (pesos)

- Variables predictoras:
X1: IPSA (ptos.)
X2: Tipo de cambio (pesos)
X3: Unidad de Fomento (pesos)
X4: Precio accin LAN Airlines (pesos)
X5: Precio accin CAP (pesos)
X6: Precio accin BCI (pesos)
X7: Precio accin SOQUIMICH B (pesos)
X8: Precio accin CUPRUM (pesos)


Modelo inicial

A continuacin se presentan los datos obtenidos al realizar una regresin
mltiple con las variables consideradas en el punto anterior, segn el modelo
propuesto a continuacin:

Y = + IPSA + Tipo de cambio + UF + LAN + CAP + BCI + SoquimichB +
CUPRUM +

Nuestra tesis es que al aumentar el precio de las acciones utilizadas en el modelo,
el precio de la accin estudiada, tambin lo haga.



Se considera adems que el anlisis se realizar bajos los supuestos de regresin
mltiple:

1) Valor medio de es igual a cero
2) No correlacin lineal
3) Homocedasticidad
4) Covarianza entre
i
y cada
variable X igual a cero
5) No hay sesgo de especificacin: El
modelo est correctamente
especificado
6) No hay colinealidad exacta entre las
variables X, es decir, no hay relacin
lineal exacta entre X
2
y X
3



Con el fin de realizar una estimacin adecuada y representativa del precio de la
accin en estudio, utilizaremos como herramienta de trabajo el software Minitab en
conjunto con Excel, y las funciones que estos poseen.

Mediante este mtodo, se busca la relacin existente entre las diferentes
variables explicativas y la variable regresada, proponiendo una ecuacin que permita
explicar el comportamiento de esta ltima en funcin del mejor subconjunto de
variables independientes, es decir, encontrar el mejor modelo explicativo.

Ingresando todos los datos al software estadstico, los resultados obtenidos son
los siguientes:








Estadsticas de la regresin
Coeficiente de correlacin
mltiple 0,918231
Coeficiente de determinacin
R^2 0,84314816

R^2 ajustado 0,83798431

Error tpico 33,8749641

Observaciones 252


ANLISIS DE VARIANZA


Grados de
libertad
Suma de
cuadrados
Promedio de
los cuadrados
F
Valor crtico de
F
Regresin 8 1498919,28 187364,91 163,27909 3,37677E-93

Residuos 243 278845,706 1147,51319

Total 251 1777764,98


Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%
Superior
95%
Intercepcin -7809,24313 758,699827 -10,2929286 7,4103E-21 -9303,710619 -6314,77563
IPSA 0,16434705 0,02165739 7,58849676 6,8932E-13 0,12168687 0,20700722
Tipo de Cambio 0,56559206 0,25090547 2,25420376 0,02507477 0,071364884 1,05981924
UNIDAD DE FOMENTO 0,33889041 0,03325905 10,1894195 1,5646E-20 0,273377586 0,40440323
LAN AIRLINES 0,01758728 0,00465839 3,77539609 0,00020087 0,008411294 0,02676326
CAP -0,01487858 0,0038816 -3,83310966 0,00016121 -0,022524454 -0,00723272
BCI -0,00023909 0,00102707 -0,23278638 0,81612324 -0,002262195 0,00178402
SOQUIMICH B 0,00705265 0,00248491 2,83818561 0,00492053 0,002157927 0,01194737
CUPRUM 0,02040818 0,00190512 10,7122768 3,4893E-22 0,01665552 0,02416084

El modelo estimado ser:

Y = -7809,24313 + 0.16434705xIPSA + 0,56559206xTipo de cambio +
0,33889041xUF + 0,01758728xLAN - 0,01487858xCAP - 0,00023909xBCI +
0,00705265xSoquimichB + 0,02040818xCUPRUM






Interpretaciones del modelo inicial

- : El valor de este parmetro nos indica que el valor piso del precio de la
accin de SONDA ser de $-7.809 app. Siendo el resto de los parmetros igual a
cero. Sin embargo, sabemos que el precio de una accin no puede tomar
valores negativos, por lo que el valor piso de esta accin ser de $0.
- : Ante el aumento de un punto del valor del IPSA, el precio de SONDA
aumentar en $0.164 app. Siendo el resto de las variables constantes.
- : Ante el aumento de un punto del valor del Tipo de cambio, el precio de
SONDA aumentar en $0.56559 app. Siendo el resto de las variables
constantes.
- : Ante el aumento de un punto del valor de la UF, el precio de SONDA
aumentar en $0.33889 app. Siendo el resto de las variables constantes.
- : Ante el aumento de un punto del valor de LAN, el precio de SONDA
aumentar en $0.017587 app. Siendo el resto de las variables constantes.
- : Ante el aumento de un punto del valor de CAP, el precio de SONDA
disminuir en $0,01487858 app. Siendo el resto de las variables constantes.
- : Ante el aumento de un punto del valor de BCI, el precio de SONDA
disminuir en $0,00023909 app. Siendo el resto de las variables constantes.
- : Ante el aumento de un punto del valor de SoquimichB, el precio de SONDA
aumentar en $0,00705265 app. Siendo el resto de las variables constantes.
- : Ante el aumento de un punto del valor de CUPRUM, el precio de SONDA
aumentar en $0,02040818 app. Siendo el resto de las variables constantes.
- R ajustado: Nos indica que el ajuste del modelo es de aproximadamente un
83,8%, considerando que el mnimo planteado para este anlisis es de un 60%,
podemos decir que en primera instancia, nuestro modelo est bien ajustado.




Prueba de significancia global para el modelo inicial

Este anlisis lo realizaremos bajo las pruebas F se significancia global,
considerando un nivel de significancia () de un 5%, y mediante las siguientes
hiptesis:

H: = =======0
H: = ======0

En los datos obtenidos por medio de los software nos indican que el valor crtico
de F=3,37677E-93 es mucho menor al =0,05, por lo que se rechaza H, lo que implica
que las variables son significativas en forma conjunta.


Prueba de significancia individual para el modelo inicial

Ahora se realizar un anlisis de significancia individual para cada uno de los
parmetros, para as observar si estos son significativos para el modelo. Para esto se
considerarn los valores de las probabilidades de cada parmetro, obtenidas por
medio del software, y se compararn con el valor de significancia de un 5%, de ser
menor que nuestro , podemos rechazar la hiptesis nula y decir que nuestro
parmetro es significativo para el modelo.

H: =0
H: 0

H: = 0
H: 0

H: =0
H: 0

H: =0
H: 0

H: =0
H: 0

H: =0
H: 0

H: =0
H: 0

H: =0
H: 0


H: =0 H: 0

El programa nos entrega los siguientes valores de probabilidad para cada
parmetro:

Parmetros Probabilidad
7,41032E-21
6,89316E-13
0,025074771
1,56459E-20
0,000200873
0,000161214
0,81612324
0,004920528
3,48927E-22


Finalmente nos encontramos que para el parmetro , el valor de la probabilidad
es mayor al valor de significancia, por ende, podemos decir que existe evidencia muestral
suficiente para no se rechazar H para este parmetro. Por lo tanto el intercepto y las
variables: IPSA, Tipo de cambio, UF, LAN, CAP, SoquimichB y CUPRUM son significativas de
forma individual en el modelo.


Replanteo del modelo

Luego de depurar por significancia debemos replantear nuestro modelo, que
luego de eliminar la variable BCI nos queda:

Y = -7809,24313 + 0.16434705xIPSA + 0,56559206xTipo de cambio +
0,33889041xUF + 0,01758728xLAN - 0,01487858xCAP + 0,00705265xSoquimichB +
0,02040818xCUPRUM


Estadsticas de la regresin

Coeficiente de correlacin
mltiple
0,91821195

Coeficiente de determinacin
R^2
0,84311318

R^2 ajustado 0,83861233

Error tpico 33,8092461

Observaciones 252


ANLISIS DE VARIANZA


Grados de
libertad
Suma de
cuadrados
Promedio de
los
cuadrados
F
Valor crtico
de F
Regresin 7 1498857,09 214122,442 187,323048 2,4416E-94

Residuos 244 278907,889 1143,06512

Total 251 1777764,98


Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%
Superior
95%
Intercepcin -7807,16563 757,175547 -10,3109057 6,3154E-21 -9298,60004 -6315,73121
IPSA 0,16387027 0,0215185 7,61531924 5,7663E-13 0,12148455 0,206256
Tipo de Cambio 0,56536403 0,2504168 2,25769204 0,02484935 0,07210954 1,05861852
UNIDAD DE FOMENTO 0,33886998 0,03319441 10,2086456 1,3233E-20 0,27348582 0,40425414
LAN AIRLINES 0,01752984 0,00464283 3,77568086 0,00020047 0,0083847 0,02667498
CAP -0,01494394 0,00386392 -3,86756106 0,00014106 -0,02255483 -0,00733305
SOQUIMICH B 0,00698998 0,0024655 2,83512118 0,00496481 0,00213361 0,01184635
CUPRUM 0,02031272 0,00185686 10,9393044 6,3258E-23 0,01665521 0,02397024


Luego del replanteo, podemos decir que al depurar por significancia, nuestro
ajuste aumenta levemente debido a la eliminacin de una variable, quedando en un
83,86%.







Anlisis de Multicolinealidad

Este anlisis nos permite identificar si dos variables predictoras nos estn
entregando la misma informacin, por ende solo dejaremos, de este par de variables,
la que nos explique de mejor forma a nuestra variable regresora.

Luego de depurar por significancia, debemos depurar por multicolinealidad, lo
que significa que debemos examinar los coeficientes de correlacin parcial entre par
de variables. Considerando un lmite de un 85%.

Variables
Coeficiente de
determinacin R^2
Coeficiente de
determinacin R^2 (%)
IPSA v.s Tipo de Cambio 4,35348E-05 0,00%
IPSA v.s U.F 0,379168799 37,92%
IPSA v.s LAN Airlines 0,584173082 58,42%
IPSA v.s CAP 0,800963596 80,10%
IPSA v.s Soquimich B 0,003065051 0,31%
IPSA v.s Cuprum 0,110650567 11,07%
Tipo de Cambio v.s UF 0,172868494 17,29%
Tipo de cambio v.s LAN Airlines 0,055207305 5,52%
Tipo de Cambio v.s CAP 0,0018824 0,19%
Tipo de cambio v.s Soquimich B 0,289188689 28,92%
Tipo de Cambio v.s Cuprum 0,012267331 1,23%
UF v.s LAN Airlines 0,426342183 42,63%
UF v.s CAP 0,593413602 59,34%
UF v.s Soquimich B 0,469458288 46,95%
UF v.s Cuprum 0,057572066 5,76%
LAN Airlines v.s CAP 0,438697572 43,87%
LAN Airlines v.s Soquimich B 0,081092687 8,11%
LAN Airlines v.s Cuprum 0,013822216 1,38%
CAP v.s Soquimich B 0,033531414 3,35%
CAP v.s Cuprum 0,28263502 28,26%
Socomich B v.s Cuprum 0,023825524 2,38%

Luego de revisar el coeficiente de correlacin, para cada par de variables,
podemos decir que no se presenta multicolinealidad entre las variables del modelo.


Anlisis de Autocorrelacin

Para analizar la autocorrelacin de las variables utilizaremos el test de Durbin-
Watson, para esto se realiza la siguiente dcima:

H
0
: = 0 (independencia de los residuos) v/s
H
1
: 0 (dependencia de los residuos)

Del software Minitab se obtiene la siguiente informacin entregada: Estadstico
D-W = 0,357859 para un nivel de significancia del 5%, n=252, k= 6 se obtiene segn
tabla, sin embargo como los datos de la tabla solo llegan hasta un N=200:
d
L
= 1,707 y d
U
= 1,831

Por lo tanto como d < d
L
se rechaza la Hiptesis nula, existe evidencia estadstica
para suponer que los residuos presentan autocorrelacin positiva.

Por otro lado a partir del estadstico Durbin-Watson, se puede obtener el
coeficiente de autocorrelacin simple igual a 0,821071 lo que nos indica que existe
una alta asociacin entre los residuos.

A continuacin utilizaremos test de Rachas para verificar la informacin obtenida
anteriormente mediante Durbin- Watson.

H
0
: La secuencia de datos es aleatoria (no hay correlacin en los residuos)
v/s
H
1
: La secuencia de datos no es aleatoria (hay correlacin en los residuos)

R: Nmero de rachas
N
1
: Nmero de residuos positivos
N
2
: Nmero de residuos negativos
N: Nmero de observaciones en anlisis
0

N
1
= 131 N
2
= 121 R = 42

[]

[]

E [R] = 126,8 V[R] = 62,55

A partir de estos datos se puede determinar el siguiente intervalo de confianza:

[ [] []] =

[ ]

Igual a [111,3; 142, 3]

Dado que R no se encuentra dentro del Intervalo, por lo tanto existe evidencia
muestral suficiente para rechaza la Hiptesis Nula y se puede concluir que hay
presencia de autocorrelacin de los residuos. Lo que coincide con lo obtenido con la
prueba de Durbin-Watson. (Anexo 1)


Anlisis de Heterocedasticidad

Se realiza una primera inspeccin analizando los grficos de los residuos
estandarizados versus cada variable explicativa del modelo para tener una idea a
priori de presencia de heterocedasticidad.








Segn lo observado en las grficas anteriores, y considerando lo expuesto en el
libro Gujarati de Econometra, podemos inferir no hay un patrn sistemtico entre las
dos variables, lo cual sugiere que posiblemente no hay heterocedasticidad en los

datos. Para verificar lo observado segn el mtodo grfico, se realizar el contraste de
Golfeldt y Quandt.

Para ello se establece la siguiente docima:

H
0
: Ausencia de Heterocedasticidad v/s H
1
: Presencia de heterocedasticidad

Luego se ordena cada variable de menor a menor para luego eliminar las n/3
observaciones centrales. Se realiza la regresin para cada uno de los grupos. En este
caso n = 252, el grupo 1 se formara de los 84 primeros datos y el grupo dos por los 84
ltimos datos.

El estadgrafo para cada caso corresponde al cuociente entre los SC de las
regresiones de cada grupo, el que es contrastado con la distribucin de F, que se
detalla a continuacin

.

1. IPSA
- Primeras 84 observaciones

- ltimas 84 observaciones


Estadgrafo: E =


=

= 1,886 F (81; 81 ; 0,95) = 1,448

Luego, como E > F, entonces no se acepta la Hiptesis nula, es decir, existe
evidencia estadstica que indica presencia de heterocedasticidad.

2. Tipo de cambio
- Primeras 84 observaciones

- ltimas 84 observaciones


Estadgrafo: E =


=

= 2,2146 F (81; 81 ; 0,95) = 1,448

Luego, como E > F, entonces no se acepta la Hiptesis nula, es decir, existe
evidencia estadstica que indica presencia de heterocedasticidad.

3. Unidad de Fomento
- Primeras 84 observaciones

- ltimas84 observaciones


Estadgrafo: E =


=

= 2,496 F (81; 81 ; 0,95) = 1,448

Luego, como E > F, entonces no se acepta la Hiptesis nula, es decir, existe
evidencia estadstica que indica presencia de heterocedasticidad.

4. LAN
- Primeras 84 observaciones

- ltimas 84 observaciones


Estadgrafo: E =


=

= 2,4744 F (81; 81 ; 0,95) = 1,448

Luego, como E > F, entonces no se acepta la Hiptesis nula, es decir, existe
evidencia estadstica que indica presencia de heterocedasticidad.

5. CAP
- Primeras 84 observaciones




- ltimas 84 observaciones


Estadgrafo: E =


=

= 2,3187 F (81; 81 ; 0,95) = 1,448

Luego, como E > F, entonces no se acepta la Hiptesis nula, es decir, existe
evidencia estadstica que indica presencia de heterocedasticidad.

6. Soquimich B
- Primeras 84 observaciones

- ltimas84 observaciones


Estadgrafo: E =


=

= 2,3156 F (81; 81 ; 0,95) = 1,448

Luego, como E > F, entonces no se acepta la Hiptesis nula, es decir, existe
evidencia estadstica que indica presencia de heterocedasticidad.




7. CUPRUM
- Primeras 84 observaciones

- ltimas84 observaciones


Estadgrafo: E =


=

= 2,277 F (81; 81 ; 0,95) = 1,448

Luego, como E > F, entonces no se acepta la Hiptesis nula, es decir, existe
evidencia estadstica que indica presencia de heterocedasticidad.

La prueba de Golfeldt y Quandt nos indica, a diferencia de lo observado en las
pruebas grficas, que si nos encontramos en presencia de heterocedasticidad en el
modelo, de hecho en todas las variables, por lo que a pesar de que se podran realizar
correcciones para este modelo, la recomendacin ptima, es de replantear las
variables predictoras y realizar un nuevo modelo y su respectivo anlisis.









CONCLUSIN


Luego de analizado el proceso, nuestro objetivo principal de encontrar un modelo
que pudiese predecir el precio de la accin de SONDA, se ve truncado, as como la tesis de
que al aumentar el precio de las otras acciones involucradas, el precio de nuestra accin
tambin aumentara, esto, posiblemente por las variables consideradas para este anlisis.

Los estadsticos de correlacin y luego el anlisis de significancia global e individual
nos deja un modelo propuesto con variables como el IPSA, el Tipo de cambio y el precio de
otras acciones que son transadas en la bolsa, al igual que SONDA, y que adems son
clientes de sta empresa, nos deja un modelo que a priori podra servirnos para estimar lo
que se busca. Sin embargo, luego de realizar los anlisis que nos permiten corroborar los
supuestos en los que se basa la regresin mltiple, nos indican que nuestro modelo viola
estos supuestos, el de heterocedasticidad y de autocorrelacin, lo que finalmente nos
seala que el modelo luego de depurado por multicolinealidad y finalmente propuesto no
es eficiente ni significativo.

En conclusin, podemos decir que no basta con contar con los mejores programas
matemticos, ni saber realizar una regresin y todos sus anlisis, para poder estimar
modelos. Como hemos visto en este trabajo, lo ms importante es recopilar buenos datos
mustrales, as como definir variables apropiadas para la estimacin, de lo contrario,
todas las herramientas antes mencionadas no lograrn buenos resultados.







BIBLIOGRAFA


- Libro de Econometra, Damodar N. Gujarati
- http://webdelprofesor.ula.ve/economia/dramirez/MICRO/FORMATO_PDF/Mat
erialeconometria/Autocorrelacion.pdf
- www.bolsadesantiago.com
- www.bovalpo.cl
- www.bcentral.cl





















ANEXOS

1- Anexo 1: Anlisis de residuos