Carrera de Economía

Tema:

Estrés Financiero en la Actividad Económica en el Sector de Actividades de Comercio

al por mayor y al por menor; Reparación de vehículos, automotores y motocicletas del

Ecuador. 

Periodo 2007-2017 
 

Cindy Mera 
Lorena Mina
 Profesor:

Econ. Erwin Guillén 

 Materia:

Finanzas II
 Tema: Estrés financiero en la actividad económica ecuatoriana del sector G

correspondiente al comercio por menor y por mayor de reparación de

motocicletas, autos y automotores ecuatorianos. Periodo 2007 – 2017.

Resumen

Los mercados financieros han estado muy dinámicos en los últimos periodos en

la mayoría de los países, dado por las diferentes crisis financieros por las formulaciones

políticas que afectan la economía financiera de las empresas por lo que se ha vuelto de
interés e importante cuantificar el estrés financiero. De esta forma, varios estudios se

cuestionan sobre ¿cuál es la incidencia del estrés financiero de las empresas de sector G

ante los indicadores del ROE, ROA, Rentabilidad financiera, endeudamiento del activo,

endeudamiento patrimonial, apalancamiento financiero y el impacto de la carga

financiera? Por ende, radica importante modelar el estrés de las empresas y como caso

de estudio un enfoque en el sector automotriz con técnicas estadísticas multi-variantes.

La metodología de investigación fue descriptiva correlativa y cuantitativa que

utiliza un estudio de campo de carácter no experimental de corte transversal destinado a

las empresas del sector G del Ecuador dentro del periodo 2007 – 2017. De los

resultados obtenidos se aplicó dos modelos estadísticos para determinar el estrés

financiero, siendo probit y modelo de regresión multivariada. Donde se tomó el modelo

de mejor ajuste y se concluyó con un R al cuadrado aproximado al 50% y un nivel de

significancia del 5% que las variables independientes del estudio a excepción del ROE

son significativas en modelación del estrés financiero. Por lo tanto, existe evidencia

estadística para rechazar la hipótesis nula, y afirmar que los indicadores financieros

tienen un impacto significativo en el estrés financiero.

Palabras claves: estrés financiero, indicadores, probit, regresión multivariada.

Abstract

Financial markets have been very dynamic in recent periods in most countries,

given by the different financial crises that have occurred due to the political

formulations that affect the financial economy of companies, so it has become of

interest and important quantify the financial stress that you are possessing. In this way,

several studies are questioning about what is the incidence of financial stress in G sector

companies in the face of the indicators of ROE, ROA, financial profitability, asset debt,
equity debt, financial leverage and the impact of cargo financial? Therefore, the

importance lies in modeling the financial stress of the member companies and as a case

study a focus on the automotive sector will be handled through multi-variant statistical

techniques.

The research methodology was descriptive, correlative and quantitative that uses

a cross-sectional non-experimental field study aimed at companies in the G sector of

Ecuador within the period 2007 - 2017. From the results obtained, two statistical models

were applied to determine the financial stress, being a probit and a multivariate

regression model. Where the best fit model was taken and it was concluded with an R

squared of approximately 50% and a significance level of 5% that the independent

variables of the study with the exception of ROE are significant in modeling financial

stress. Therefore, there is statistical evidence to reject the null hypothesis, and affirm

that financial indicators have a significant impact on financial stress.

Keywords: financial stress, indicators, probit, multivariate regression.

Introducción

La diversidad de investigaciones que evalúan el indicador de estrés para el

sistema financiero se han venido desarrollando en la década más reciente dadas las

crisis de los años ochenta y la crisis asiática de finales de los noventa. Las primeras

aproximaciones analizan el nivel de sensibilidad financiero con respecto a los

principales factores asociados a las distintas crisis bancarias. En el estudio de

Demirgu¨c¸-Kunt y Detragiache [CITATION Dem98 \n \t \l 2058 ] se realizó un

análisis en una muestra en naciones de potencia y en países en crecimiento durante los

años de 1980 a 1994 bajo una modelación logit multinomial, el análisis demostró que

las crisis financieras se generan cuando el entorno macro-económico es poco resistente,

principalmente cuando la inflación es elevada y el desarrollo económico es moderado.

Por otro lado, se analizó la relación entre la liberalización financiera y la fragilidad del

sistema. Los resultados mostraron que la primera incrementa la probabilidad de una

crisis bancaria, aunque en menor medida cuando el ambiente macro-económico es

sólido.

Revisión de Literatura

Evolución del estrés financiero

Los mercados financieros globales han estado turbulentos en las últimas

décadas. En respuesta a las grandes crisis financieras en los países en desarrollo y

avanzados, los responsables de la formulación de políticas y los investigadores han

invertido recursos sustanciales en cuantificar el grado de estrés en el sector financiero

para comprender el grado de estrés en relación con crisis pasadas [ CITATION Agn15 \l

2058 ]. Estos esfuerzos han dado como resultado varios indicadores de estrés financiero,

índices que rastrean la evolución del sector financiero durante un largo período

[ CITATION Man20 \l 2058 ].

Inicialmente, las metodologías se basaban principalmente en una variable para

medir el nivel de estrés financiero. Por ejemplo, la pendiente de la curva de

rendimiento, el diferencial de los pagarés del Tesoro a 10 años sobre la tasa de los

fondos federales, la oferta monetaria M2 o el diferencial de crédito a corto plazo como

lo describieron Balakrishnan et. al [CITATION Bal142 \n \t \l 2058 ]. El Chicago

Board of Exchange estableció el popular índice de volatilidad (VIX) basado en los

precios de las opciones de acciones, que aún no logra capturar el grado de estrés de todo

el sistema financiero [CITATION Sah20 \l 2058 ].

Kaminsky, Lizondo y Reinhart [CITATION Kam98 \n \t \l 2058 ], por su parte,

evaluaron un estudio para las crisis en el mercado cambiario, y concluyó que la mayoría

de las crisis se generan en economías frágiles, con signos de estrés forjados por varios

sectores de la economía. Esto hace que el grado de vulnerabilidad de la economía sea un

indicador líder de crisis de mercado cambiario. En el documento se construye un

sistema de alerta temprana basado en las regularidades empíricas observadas en una

muestra de 20 países para el periodo 1970-1995, la autora propuso cuatro diferentes

formas de conformar un indicador líder y lo evalúa en términos de precisión de

pronóstico y calibración. Al final se prueba el indicador líder para la crisis asiática. Los

resultados mostraron que estas economías estaban en un nivel muy frágil, con claros

signos de estrés alrededor de 18 meses antes del colapso cambiario, lo cual infiere que

la crisis pudo haber sido pronosticada.

En 2000, Bordo, Dueker y Wheelock, citado en Al-Fayoumi, Abuzayed y

Arabiyat [CITATION AlF19 \n \t \l 2058 ], desarrollar un índice que combinaría datos

cuantitativos y cualitativos. Su índice, que cubre el período 1870-1997, reunió un

resumen de las tasas comerciales y de quiebras, las tasas de interés reales ex-post y los

diferenciales de calidad de las tasas de interés. Se utilizó un índice cualitativo basado en

fuentes descriptivas para estimar los datos del período 1790-1869 que carecían de

registros estadísticos. Para probar la metodología, el índice cualitativo se extendió hasta

1997 y se demostró que un modelo empírico era preciso basado por separado en los

índices cualitativo y cuantitativo. Sin embargo, dado que el índice se basó en datos
anuales, resultó útil analizar tendencias pasadas, pero su aplicación en el análisis de la

situación actual es limitada [ CITATION Çev18 \l 2058 ].

El índice de estabilidad financiera elaborado por el banco de inversión J.P.

Morgan utiliza diferentes componentes del riesgo global (riesgo de liquidez y crédito y

volatilidad) y los combina en un solo índice (LCVI). El riesgo de liquidez se calcula

sobre la base del diferencial entre los bonos del Tesoro de los EE. UU. En ejecución y

fuera de funcionamiento y los márgenes de swap de EE. UU. el riesgo crediticio se mide

por el diferencial entre los bonos corporativos a 10 años y los bonos del Tesoro de EE.

UU. y el riesgo de volatilidad se basa en la volatilidad de los mercados de divisas y

opciones [ CITATION Che16 \l 2058 ]. Este índice se utiliza a menudo para determinar

el nivel de riesgo en los mercados financieros mundiales [ CITATION Sin16 \l 2058 ].

La falta de métodos para medir los niveles de estrés en todo el sistema financiero

fue una de las limitaciones más importantes de estos índices [ CITATION Cev16 \l

2058 ]. El índice canadiense se construyó sobre once variables del sistema financiero

(subíndices) que cubrían los mercados considerados más importantes para la estabilidad

del sistema financiero: el sector bancario, los mercados de acciones, los mercados de

bonos y el cambio de divisas [CITATION Sou15 \l 2058 ]. Los subíndices fueron

ponderados por el tamaño relativo de los respectivos segmentos de mercado

[ CITATION Cev161 \l 2058 ]. El modelo fue probado en varias metodologías de

agregación: análisis factorial (componentes principales), evaluación comparativa

econométrica y modelos de heterocedasticidad condicional autorregresiva generalizada

(GARCH).

Se utilizó un enfoque de ponderación crediticia debido a su mejor ajuste con los

resultados de una encuesta cualitativa realizada por el Banco de Canadá que analizó las

percepciones de los participantes del mercado sobre los períodos de tensión financiera
en Canadá. Este índice fue el primero en cubrir la mayor parte del sistema financiero y

se convirtió en una inspiración para muchos índices de estrés financiero desarrollados

posteriormente [ CITATION Oet11 \l 2058 ].

La crisis financiera mundial de 2007-2009 y los problemas bancarios y de la

deuda soberana europea que comenzaron en 2010 subrayaron la gran necesidad de

evaluar el nivel de tensión financiera y calcular un ISF [ CITATION Bra11 \l 2058 ].

Las crisis llevaron a académicos y profesionales a intensificar sus esfuerzos para

desarrollar las medidas adecuadas. Los bancos de la Reserva Federal de los EE. UU.

desarrollaron varios índices de estrés financiero para medir el estrés financiero en los

EE.UU.: (a) El índice de estrés financiero del Banco de la Reserva Federal de Kansas

City (KCFSI) en 2009, (b) el índice de estrés financiero del Banco de la Reserva Federal

de St. Louis (STFSI ) en 2010, y (c) el índice de estrés financiero (CFSI) del Banco de

la Reserva Federal de Cleveland en 2011.

Hatzius, Hooper, Mishkin, Schoenholtz, y Watson [CITATION Hat10 \n \t \l

2058 ] utilizaron datos mensuales para construir el KCFSI. Utilizaron varios criterios

para seleccionar 11 indicadores que reflejan las características clave del estrés

financiero. Cada indicador tenía que representar características de estrés financiero, para

reflejar precios o rendimientos en los mercados financieros, porque los precios y

rendimientos del mercado incorporan la mayor cantidad de información y son los más

rápidos para reflejar cambios en las condiciones financieras; estar disponible

mensualmente, de modo que pueda construirse un índice de estrés financiero mensual;

estar disponible al menos desde 1990, a fin de evaluar la capacidad del KCFSI para

identificar episodios pasados de estrés financiero [ CITATION Gri10 \l 2058 ].

Se utilizó un enfoque de análisis de componentes principales (PCA) para agregar

los indicadores de estrés. Si bien el KCFSI se basa en según los datos en todos los
procesos que aceleraron significativamente durante los períodos de estrés severo, como

fue el caso de las fallas de Bear Stearns y Lehman Brothers. En este sentido, sería

preferible un índice que refleje rápidamente la evolución del mercado, idealmente en

tiempo real. Esta limitación llevó al Banco de la Reserva Federal de St. Louis a crear un

índice de estrés financiero semanal en 2010 [ CITATION Bal142 \l 2058 ]. El cálculo

del índice utiliza siete series de tasas de interés, seis diferenciales de rendimiento y otros

cinco indicadores financieros, todos los cuales están disponibles desde 1993

[ CITATION Che16 \l 2058 ]. Tanto el STLFSI como el KCFSI utilizan el análisis de

componentes principales para la agregación. Sin embargo, el STLFSI tiene la ventaja de

que su base semanal que le permite reflejar el estado actual del sistema financiero

[ CITATION Gri10 \l 2058 ].

El índice de estrés financiero de la Federación de Cleveland (CFSI) fue

desarrollado en 2009 por M. Oet, T. Bianco, et al., este índice se basa en datos diarios

del mercado financiero para permitir evaluar los niveles de tensión actuales. El CFSI se

basa en 11 indicadores que cubren cuatro sectores financieros: mercados crediticios,

mercados de valores, divisas y mercados interbancarios. Estos sectores ofrecen una

amplia cobertura del sistema financiero y el estrés en cualquiera de ellos que puede

extenderse a todo el sector financiero. Se utilizó un método de ponderación dinámica

para capturar los cambios en la importancia relativa de cada uno de los cuatro sectores

[ CITATION Bra11 \l 2058 ].

Al ampliar la muestra a 25 países en desarrollo, Balakrishnan, Danninger,

Elekdag y Tytell [CITATION Bal142 \n \t \l 2058 ] mejoraron la metodología y

desarrollaron el Índice de estrés financiero de países emergentes (EM_FSI). Esta

investigación permitió explorar los canales de transmisión del estrés financiero entre las

economías avanzadas y en desarrollo, mejoró la calidad de los cálculos, permitió una

determinación más precisa de los eventos estresantes y brindó la posibilidad de analizar

qué factores, incluidos los factores regionales comunes, llevaron a aumentos en los

niveles de estrés en las economías en desarrollo.

En 2009, el Banco Central Europeo desarrolló su propio índice de estrés

financiero. El índice se aplicó a una muestra de 28 países, 10 clasificados como

economías avanzadas y 18 como países en desarrollo. Los datos brutos del mercado

financiero utilizados por el BCE se estandarizaron, transformaron logarítmicamente y se

agregaron para tres mercados clave: renta fija, renta variable y divisas. La contribución

más destacada del índice del BCE fue que también creó el Índice Global de Turbulencia

Financiera para evaluar el grado medio de estrés en las economías más avanzadas del

mundo [ CITATION Bal142 \l 2058 ].

En particular, Grimaldi [CITATION Gri10 \n \t \l 2058 ] desarrolló un índice

de estrés financiero para 13 países de la OCDE. En 2015, ampliaron la cobertura del

índice a 29 países. Los autores intentaron determinar los indicadores clave para medir el

estrés financiero. Las variables que utilizaron se estandarizaron restando la media y

dividiendo por la desviación estándar. El índice se construyó como la suma no

ponderada de variables estandarizadas. Los autores también intentaron establecer un

método para pronosticar el estrés financiero basado en variables macro-financieras. Los

resultados demostraron que es difícil predecir con precisión las tensiones financieras en

general, con la excepción del crecimiento del crédito, que tiene una buena capacidad de

predicción para la mayoría de los países. Al mismo tiempo, algunas variables que son

aceptables como variables predictivas en determinadas economías no producen

pronósticos precisos en otros casos.

Haefcke y Skarholt [CITATION Hae11 \n \t \l 2058 ] crearon el Índice de

estrés financiero sueco (SFSI) utilizando 14 indicadores diarios agregados en cinco

subíndices: mercados monetarios, mercados de bonos, mercado de divisas, mercados de

valores y sector bancario. Estos subíndices fueron ponderados por el tamaño del sector

respectivo en el sistema financiero y su matriz de correlación cruzada variable en el

tiempo. Este método de agregación se seleccionó finalmente comparando el producto

con los resultados de encuestas de expertos.

Hollo, Kremer y Lo Duca [CITATION Hol12 \n \t \l 2058 ] del (Banco Central

Europa ECB) desarrollaron e introdujeron en 2012 un nuevo índice semanal, el

Composite Indicator of Systemic Stress (CISS). El índice es importante porque refleja el

nivel de tensión actual en el sistema financiero de la zona del euro. El índice CISS

marcó un avance metodológico al utilizar la teoría de la cartera para agregar cinco

subíndices, que, a su vez, se basan en 15 indicadores financieros independientes. La

agregación implica correlaciones cruzadas variables en el tiempo entre subíndices, lo

que produce un nivel de índice más alto cuando el estrés se manifiesta en varios

mercados simultáneamente. Por lo tanto, el índice refleja la noción de que es más

probable que el estrés financiero sea sistémico si se extiende a varios mercados; estrés

financiero sistémico pone a toda la economía en mayor riesgo de inestabilidad.

En resumen, la investigación para medir el nivel de estrés en el sistema

financiero ha avanzado significativamente. El punto de partida fue un índice o índices

simples de un solo parámetro para mercados únicos. Los enfoques más recientes se han

basado en un conjunto de variables que cubren la mayor parte o todo el sistema

financiero. Las técnicas de agregación de índices también han variado, desde

ponderaciones iguales hasta ponderaciones basadas en el tamaño relativo de los

segmentos del mercado o un análisis de componentes principales [ CITATION Hol12 \l

2058 ]. Al construir nuestro FSI para Ucrania, se desarrolló un indicador compuesto que
cubra varios segmentos del mercado financiero, en línea con los hallazgos y

recomendaciones de trabajos de investigación recientes.

Objetivos de la investigación

El objetivo principal de este proyecto es analizar el sector G correspondiente al

comercio por menor y por mayor de reparación de motocicletas, autos y automotores

ecuatorianos desde un enfoque financiero comprendidas entre el periodo 2007 hasta

2017. Para este fin se hacen explícitos los siguientes objetivos específicos:

 Modelar el estrés financiero de las empresas integrantes del sector

automotriz a través de técnicas estadísticas multi-variantes.

Hipótesis

Con relación al objetivo de la investigación desarrollado a lo largo del presente

artículo, hace referencia a ¿cuál es la incidencia del estrés financiero de las empresas de

sector G ante los indicadores del ROE, ROA, Rentabilidad financiera, endeudamiento

del activo, ¿endeudamiento patrimonial, apalancamiento financiero y el impacto de la

carga financiera? Para argumentar y dar solución a esta pregunta de investigación se

toma en cuenta los modelos estadísticos que se plantearon en la siguiente hipótesis:

H1: Los indicadores de ROE, ROA, Rentabilidad financiera, endeudamiento del

activo, endeudamiento patrimonial, apalancamiento financiero y el impacto de la carga

financiera influyen en el estrés financiero de las empresas del sector G.

Diseño de Investigación

El aporte que ha significado para la presente investigación la recopilación

información de indicadores financieros de varios periodos de tiempo (Arboleda, 2018;

Bateman, Colin & Bigham, 2002; Ullauri, 2016), lo cual conduce a clasificar el diseño

de este trabajo como no experimental. Hernández, Fernández y Baptista [CITATION

Her09 \n \t \l 12298 ] catalogó esta clase de investigación como la caracterización de

un hecho o fenómeno.

Por ende, se considera como una investigación descriptiva que utiliza un estudio

de campo de carácter no experimental de corte transversal destinado a las empresas del

sector G dentro del periodo 2007 - 2017. La recopilación de toda esta información es de

vital importancia para tabular los resultados obtenidos de fuentes secundarias oficiales

con el fin de tener un resultado final que permita modelar el estrés financiero mediante

una simulación de distintas variables financieras.

Tipo de Investigación

Sabino [CITATION Sab86 \n \t \l 12298 ] caracterizó a la investigación

cuantitativa como una manera estructurada de agrupar y valorar información obtenida

de fuentes diferentes. Dicha investigación abarca el uso de instrumentos informáticos,

estadísticos y matemáticos para el alcance de los resultados. Su objetivo es la

cuantificación del problema, para buscar qué tan generalizado se encuentra, a través del

hallazgo de resultados previstos para una población mayor o muestra.

Hernández, Fernández y Baptista [CITATION Her09 \n \t \l 12298 ] añadieron

que las herramientas de recolección de información de una investigación de esta clase

son fuentes primarias o secundarias. Con enfoque cuantitativo, debido a que se realizará

recolección y análisis de datos en función de variables numéricas que permitan estudiar

su comportamiento a través del tiempo, es decir por periodos de tiempo.

Alcance de Investigación
 El alcance del estudio es de tipo correlativo, puesto que ejecuta un análisis sobre

la relación que mantiene una variable con otras, donde incide los indicadores

financieros con el estrés financista de las empresas automotrices. Se plantea la

investigación de la lógica deductiva, en vista intenta probar un modelo estadístico que

describa el comportamiento de estas variables con el estrés financiero y cómo este

puede ser pronosticado para periodos futuros.

Población de estudio y tamaño de la muestra

La población objeto de estudio del presente trabajo de investigación ha sido el

sector G correspondiente al comercio por menor y por mayor de reparación de

motocicletas, autos y automotores ecuatorianos.

Arrondo [CITATION Arr13 \n \t \l 1033 ] afirmó que con respecto al muestreo,

no existe un tamaño exacto, indistintamente de los objetivos que se persigan, las

condiciones y las características de la población de la cual será objeto de estimaciones.

Entre más grande una muestra no necesariamente será más precisa y con menos error,

porque puede causar alteraciones en el control de la recogida de datos y como

consecuencia adicionando más gastos de recursos de tiempo en la investigación. En

consecuencia, enfatiza que no existe un tamaño adecuado de la muestra. Por tal motivo,

en la presente investigación se determinó realizar los análisis correspondientes de todas

las empresas del sector G.

Técnica de recogida de datos

Para el análisis de datos se estructuró un conteo entidad por entidad durante el

periodo 2007 hasta el 2017 correspondiente al sector G, en el cual se construyó un

variable que representará si ésta presenta bajos o altos niveles de estrés, lo cual fue

necesario un análisis estadístico de medias de cada entidad que vaya acorde con los
 umbrales financieros determinados en la Tabla 1, es decir, si cumple con la umbral del

ROA se le asigna 1 haciendo referencia a un bajo nivel de estrés financiera. Este análisis

radica a cada variable independiente del estudio, y posteriormente se calcula la media

entre los umbrales determinadas.

Tabla 1. Variables independientes y umbrales para cálculo del estrés financiero

Variables Umbrales % Criterios Nombre de la variable

ROA 3% Mayor Retorno sobre Activos
Retorno Operacional sobre
ROE 5% Mayor Patrimonio
RF 5% Mayor Rentabilidad Financiera
Endeudamiento del Activo (EA) 50% Menor Pasivos total /Activo total
Endeudamiento Patrimonial (EP) 50% Mayor Pasivo total / Patrimonio
(Utilidad antes de
Impuestos /Patrimonio) /
(Utilidad antes de impuestos
Endeudamiento financiero (AF) 1 Mayor e intereses /Activo Total)
Efecto en la proporción o carga
Financiera (ICF) 10% Menor Gastos en finanzas / Ventas

Nota: Se aplica por cada variable. Si cumple, 1 = bajo estrés financiero. No cumple, 0 = alto estrés

financiero

Análisis de datos

Para el análisis de datos se aplica técnicas estadísticas de modelos de

probabilidad como: modelo probit y modelo de regresión múltiple. Para la tabulación de

los datos se utiliza el programa estadístico Stata. A continuación, se describe cada uno

de los modelos de regresión múltiple:

Modelo 1:
Prob [ Estrés=1/ X 1 , X 2 , X n ] =G(β 0+ β1 EA 1 + β 2 EP 2 + β 3 AF 3 + β 4 ICF 4 + β 5 ROA 5 + β 6 ROE 6 + β 7 RF 7 )

Modelo 2: Estrés=β0 + β 1 ¿

De los modelos planteados se tiene que el ln EA es el logaritmo del

endeudamiento del activo, el ln EPes el endeudamiento del patrimonio, el ln AF es el

apalancamiento financiero, el ln ICF es el logaritmo del impacto de la carga financiera,

ln ROA es el logaritmo del ROA y ln RF el logaritmo de la rentabilidad financiera,

como variables independientes y como variable dependiente en ambos modelos se

encuentra el estrés financiero.

Resultados Modelo 1: Probit

Tabla 2. Estadísticos Modelo Probit

Probit regression     Number of obs 111.618
LR chi2(6) 4.16
Prob > chi2 0.6550
Log likelihood = -258.05401 Pseudo R2 0.0080
Correctly classified 99.97%

ESTRÉS Coef. Std. Err. z P>z [95% Conf. Interval]

EA 7.2e-08 .00047 0.02 0.99 -.00091 .00093
EP .00013 5.6e-07 2.28 0.02 1.8e-07 .00024
AF 3.0e-12 2.3e-11 0.00 0.99 -4.4e-11 4.4e-11
ICF 8.6e-08 .00095 0.01 0.99 -.0001854 .0001872
ROA 7.33e-07 .00089 0.01 0.99 -.000174 .0001755
ROE .0012619 .00517 2.44 0.02 .0002483 .0022755
RF -.0005638 .00258 -0.22 0.83 -.0056226 .0044951
_cons 3.48 .05099 68.25 0.00 3.38 3.58

Tabla 3. Efectos marginales

Marginal effects after probit              
y = Pr(ESTRÉS) (predict)
= 1
Variable dy/dx Std. Err. z P>z [ 95% C.I. ] X
EA 0 0 . . 0 0 162.135
EP 0 0 . . 0 0 106.26
AF 0 0 . . 0 0 1.6e+12
ICF 0 0 . . 0 0 5261.45
ROA 0 0 . . 0 0 127.171
ROE 0 0 . . 0 0 4.0e+12
RF 0 0 . .   0   0 .654785

Se contempla en el modelo 1 probit que la variable EP y ROE son significativas

al 5%, el resto variables independientes representan no significancia en el modelo

planteado. De tal manera, que la hipótesis de estudio solo el endeudamiento sobre el

patrimonio y la rentabilidad operacional patrimonial tiene impacto en explicar el estrés

financiero, mientras que el resto de las variables quedan descartas dentro del estudio. se

mantienen. Además, este modelo mantiene un nivel de robustez correspondiente a la

correlación del 99,97% de tal manera que explicativo.

Resultados Modelo 2: Regresión Múltiple

Tabla 4. Estadísticos de regresión lineal múltiple

Linear regression       Number of obs 39950
F(6, 39943) 5153.59
Prob > F 0.0000
R-squared 0.4870
Root MSE .09041
    Robust        
ESTRÉS Coef. Std. Err. t P>t [95% Conf. Interval]
lEA .033372 .0025178 13.25 0.00 .0284369 .038307
lEP -.0409546 .0020455 -20.02 0.00 -.0449638 -.0369453
lAF -.0067153 .0000926 -72.53 0.00 -.0068967 -.0065338
lICF -.0113951 .00026 -43.83 0.00 -.0119046 -.0108855
lROA .0064408 .0020741 3.11 0.00 .0023754 .0105061
lRF .051008 .0019841 25.71 0.00 .0471191 .0548969
_cons .7609702 .0019044 399.59 0.00 .7572375 .7647028

Tabla 5. Matriz de Coeficientes y correlaciones

Variable m1 m2 m3 m4 m5 m6***
lEA -.01191989 .08350317 .07886782 .06510742 -.01598144 .03337195
.00064808 .00103148 .00133918 .00180107 .00155685 .00251785
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
lEP -.0404454 -.03670371 -.03542571 .00790918 -.04095456
.00050092 .00063357 .00073068 .0006485 .0020455
0.0000 0.0000 0.0000 0.0000 0.0000
lAF -.00529792 -.00534693 -.00464395 -.00671526
.00010061 .00009924 .0000682 .00009258
0.0000 0.0000 0.0000 0.0000
lICF -.01579368 -.01218407 -.01139509
.00039811 .00026241 .00025997
0.0000 0.0000 0.0000
lROA .05831982 .00644076
.00049695 .00207413
0.0000 0.0019
lRF .05100798
.00198411
0.0000
_cons .57669732 .69500508 .69643589 .63661179 .76017641 .76097017
.00064902 .00128322 .00149289 .00245551 .00191953 .00190439
  0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
Nota: Corrida de 6 modelos de regresión múltiple, donde fue seleccionado el MRM con mejor ajuste
 De acuerdo con los resultados obtenidos en la Tabla 4 se evalúa que el modelo

dos cuenta un nivel de significancia al 5% en todas las variables planteadas en el estudio

para determinar el estrés financiero. La única variable que no se integró dentro del

modelo 2 fue el ROA puesto que no tenía significancia al 5%.

Además, el R al cuadrado representa el 49%, cercano al 50% por ende, existe un

buen índice de robustez y explicación del modelo. Entonces, los indicadores de ROA,

Rentabilidad financiera, endeudamiento del activo, endeudamiento patrimonial,

apalancamiento financiero y el impacto de la carga financiera influyen

significativamente en el estrés financiero de las empresas del sector G. Finalmente, se

realizó los test de multicolinealidad y exogeneidad que determinaron los residuos en los

modeles planteados de los cuales, no existe regresores endógenos y los niveles de

residuos son de 0,01 menor a un nivel de 0,05 significativa. Por lo tanto, se concluye

que no existe problemas de multicolinealidad y exogeneidad entre las variables

independientes del estudio.

Al evaluar los dos modelos, se tiene que el mejor modelo para explicar el estrés

financiero es correspondiente a la regresión lineal múltiple puesto que todas las

variables planteadas al estudio son significativas al 5% y R al cuadrado es cercano al

50%, sin embargo, para llegar a este nivel de significancia se tuvo que omitir la variable

ROE puesto que no se ajustó a la modelación de la variable dependiente. De tal manera

que la ecuación del modelo quedaría:

Modelo 2: Estrés=0,761+ 0,033 ¿

Al analizar la ecuación y sus coeficientes, se observa que las empresas del sector

que no cuenten con los resultados financieros para a mantener un estrés del 0,76,

mientras más cercano sea a 1 se las pondera como organizaciones de bajo estrés
financiero. Además, existe una relación positiva entre las variables de endeudamiento y

rentabilidad, es decir, que mientras menor sea la capacidad de depender de sus

acreedores y mayor incremente los ratios de rentabilidad menor va a ser su nivel de

estrés financiero siendo de esta manera más próximo a 1. Por otra parte, los índices de

endeudamiento patrimonial, apalancamiento financiero e impacto de la carga financiera

tienen una relación inversa al estrés financiero, de tal manera que mientras más se

incremente estos índices descritos, las empresas presentarás elevados niveles de estrés

financiero siendo más próximo a 0.

Conclusiones

La metodología de investigación fue descriptiva correlativa y cuantitativa que

utiliza un estudio de campo de carácter no experimental de corte transversal destinado a

las empresas del sector G dentro del periodo 2007 – 2017.

De los resultados obtenidos se aplicó dos modelos estadísticos para determinar el

estrés financiero. De tal forma que el modelo 1 corresponde al probit de la cual solo dos

variables de estudio fueron significas sin embargo este modelo cuenta con un índice de

correlación del 99% siendo alto y robusto para la explicación de las variables. Por otra

parte, el modelo 2 se aplica regresión lineal multivariada donde las variables

independientes se convierten en variables logarítmicas para posteriormente aplicar los

estadísticos regresores multivariados. De las técnicas estadística, con un R al cuadrado

aproximado al 50% y al 5% de significancia todas las variables a excepción del ROE

son significativas en modelación del estrés financiero. Por lo tanto, existe evidencia

estadística para rechazar la hipótesis nula, y afirmar que los indicadores de ROA,

Rentabilidad financiera, endeudamiento del activo, endeudamiento patrimonial,

apalancamiento financiero y el impacto de la carga financiera influyen

significativamente en el estrés financiero de las empresas del sector G durante los

periodos 2007 hasta 2017.

Referencias bibliográficas

Agnello, L., Castro, V., Tovar, J., & Sousa, R. (2015). Financial stress and sovereign

debt composition. Applied Economics Letters, 23(9), 678-683. doi:10-

1080/13504851

Al-Fayoumi, N., Abuzayed, B., & Arabiyat, T. (2019). The banking sector, stress and

financial crisis: symmetric and asymmetric analysis. Applied Economics Letters,

1603-1611. doi:10.1080/13504851

Arrondo, V. M. (2013). El tamaño de la muestra. Obtenido de

http://asignatura.us.es/dadpsico/apuntes/TamMuestra.pdf

Balakrishnan, R., Danniger, S., Elekdag, S., & Tytell, I. (2014). The transmission of

financial stress from advanced to emerging economies. Emerg. Mark. Finance

Trade, 47(2), 40-68.

Brave, S., & Butters, A. (2011). Monitoring financial stability: A financial conditions

index approach. Economic Perspectives, 35(1), 1-22.

Cevih, E., Dibooglu, S., & Kenc, T. (2016). Financial stress and economic activity in

some emerging Asian economies. Research in International Business and

Finance, 127-139. doi:10.1016

Cevik, E., Kirci-Cevik, N., & Dibooglu, S. (2016). Global Liquidity and Financial

Stress: Evidence from Major Emerging Economies. Emerging Markets Finance

and Trade, 2790-2807. doi:1540-496X

Çevik, N., Koç, A., & Dibooglu, S. (2018). The Relationship Between Price Stability

and Financial Stability: Evidence From Major Emerging Economies. Global

Economic Review, 25-45. doi:10.1080/1226508X

Chen, W., Hamori, S., & Kinkyo, T. (2016). Banking sector resilience to financial

spillovers. Applied Economics Letters, 422-426. doi:10.1080/13504851

Demirguc-Kunt, A., & Detragiache, E. (1998). The Determinants of Banking Crises in

Developing and Developed Countries. IMF Staff Papers, 45(1), 81-109.

Grimaldi, M. (2010). Detecting and Interpreting Financial Stress in the Euro Area. ECB

Working, 1214, 1-66.

Haefcke, S., & Skarhol, A. (2011). A Swedish Financial Stress Index. Suecia:

Stockholm School of Economics.

Hammoudeh, S., Joong, W., & Sarafrazi, S. (2015). Sources of Fluctuations in Islamic,

U.S., EU, and Asia Equity Markets: The Roles of Economic Uncertainty,

Interest Rates, and Stock Indexes. Emerging Markets Finance and Trade, 1195-

1209. doi:1540-496X

Hatzius, J., Hooper, P., Mishkin, F., Schoenholtz, K., & Watson, M. (2010). Financial

Conditions Indexes: A Fresh Look after the Financial Crisis. National Bureau of

Economic Research, 1-58.

Hernádez, R., Fernández, C., & Baptista, P. (2009). Metodología de la Investigación.

México: McGraw-Hill Interamericana Editores S.A.

Holló, D., Kremer, M., & Lo Duca, M. (2012). CISS – A Composite Indicator of

Systemic Stress in the Financial System. European Central Bank, 1-47.

Kaminsky, G., Lizondo, S., & Reinhart, C. (1998). Leading Indicators of Currency

Crises. IMF Staff Papers, 45(1), 1-49. doi:10.1596/1813

Mansour, L., Dagher, L., & Hariri, S. (2020). Not the usual suspects: Critical indicators

in a dollarized country's Financial Stress Index. Finance Research Letters, 32, 1-

6. doi:101175

Oet, M., Eiben, R., Bianco, T., Gramlich, D., & Ong, S. (2011). Financial Stress Index:

Identification of Systemic Risk Conditions. 24th Australasian Finance and

Banking Conference 2011, 1-58. doi:10.2139

Sabino. (1992). El proceso de Investigación. Buenos Aires: Ediciones Lumen.

Sahoo, J. (2020). Financial stress index, growth and price stability in India: some recent

evidence. Transnational Corporations Review, 1-16.

doi:10.1080/19186444.2020.1768789

Singh, A., & Singh, M. (2016). Investigating impact of financial stress on FII flows in

Indian equity market. Cogent Business & Management, 1-8.

doi:10.1080/23311975