Relación del indicador ventas con los activos, número de

empleados y recursos propios de empresas en 15 países

desarrollados.
 Resumen

El estudio consiste en relacionar las VENTAS con los activos, número de empleados
y recursos propios. Como indicadores del tamaño medio de las empresas de 15 países
desarrollados.

Esto se logra empleado el método de regresión lineal múltiple utilizando la técnica de

regresión por paso de eliminación regresiva, tomando como variable dependiente el
logaritmo natural de las ventas y como variables dependientes el logaritmo natural de los
otros indicadores, encontrándose que la variable que incide significativamente en las ventas
son los activos.
 Planteamiento del problema y metodología a emplear

Mediante el empleo de la técnica de regresión por paso de eliminación regresiva, empleado el

software SPSS 24.0, se relaciona el indicador VENTAS, con los indicadores: activos, número de
empleados y recursos propios, de empresas de 15 países desarrollados, mediante una transformación
logarítmica de cada variable debido a que algunos valores de estas son muy grandes. Para esto se
interpretan mediante pruebas de hipótesis tablas ANOVA y de coeficientes, culminado este análisis con
la comparación de los coeficientes de determinación de cada uno de los modelos obtenidos. Además se
hace uso de graficas de regresión para mejorar la interpretación visual de las relaciones.
 Análisis Descriptivo y Análisis Estadístico

Se hizo un cambio de las variables V, A, N, R, aplicando logaritmo natural a cada

término de las columnas introduciendo las variables respectivas: Y, X1, X2, X3. Esto debido
a que los valores de las variables iniciales son muy grandes.

Modelo 1:
𝑦 = 𝛽0 + 𝛽1𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + 𝜀

Prueba del modelo:

𝐻𝑜 : 𝛽𝑖 = 0 𝑣𝑠 𝐻𝑎 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝛽𝑖 ≠ 0 𝑐𝑜𝑛 𝑖 ∈ {1,2,3}

Estadifico de prueba: F de Fisher

Tabla 1

ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 15,836 3 5,279 59,986 ,000b
Residuo ,968 11 ,088
Total 16,804 14
a. Variable dependiente: Y
b. Predictores: (Constante), X_3, X_2, X_1

De esta tabla se tiene que el p-valor = P(F(3,11) > 59,986) = 4,1901∙10-7, menor que
los niveles de significancia α ≥1%, por lo que se rechaza la hipótesis nula. Para α ≥ 0,01. Es
decir este modelo es adecuado al nivel de significancia α ≥1%.

Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Error estándar Beta t Sig.
1 (Constante) -,276 1,332 -,207 ,840
X_1 ,950 ,262 ,921 3,629 ,004
X_2 ,086 ,272 ,072 ,315 ,759
X_3 -,015 ,222 -,018 -,069 ,947
a. Variable dependiente: Y

Tomemos el parámetro correspondiente con el menor valor absoluto de t = - 0,069,

correspondiente con 𝛽3 , el coeficiente de la variable X3: Logaritmo natural de los recursos
propios.

Probemos la hipótesis:
 𝐻𝑜 : 𝛽3 = 0 𝑣𝑠 𝐻𝑎 : 𝛽3 ≠ 0

Como el p-valor =2 P(t3 < -0,069) = 0,947, mayor que los niveles de significancia α
≥1%, por lo que se acepta la hipótesis nula. Para α ≥ 0,1. De lo que se desprende en base a
la muestra que la variable X3 : Logaritmo natural de los recursos propios, no aporta
suficiente información en la predicción del número de ventas a niveles de significancia
superiores al 1%.

Eliminando la variable x3 del modelo, este nos queda:

Modelo 2:

𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝜀

Prueba del modelo:

𝐻𝑜 : 𝛽1 = 𝛽2 = 0 𝑣𝑠 𝐻𝑎 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝛽𝑖 ≠ 0 𝑐𝑜𝑛 𝑖 ∈ {1,2}

Estadifico de prueba: F de Fisher

Tabla 2

ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 15,836 2 7,918 98,114 ,000b
Residuo ,968 12 ,081
Total 16,804 14
a. Variable dependiente: Y
b. Predictores: (Constante), X_2, X_1

De esta tabla se tiene que el p-valor = P(F(2, 12) > 98,114) = 3,6631∙10-8, mayor que
los niveles de significancia α ≥1%, por lo que se rechaza la hipótesis nula. Para α ≥ 0,01. Es
decir este modelo es adecuado al nivel de significancia α ≥1%.

Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Error estándar Beta t Sig.
1 (Constante) -,212 ,917 -,232 ,821
X_1 ,939 ,200 ,910 4,691 ,001
X_2 ,077 ,232 ,065 ,333 ,745
a. Variable dependiente: Y
Tomemos el parámetro correspondiente con el menor valor t = 0,333,
correspondiente con 𝛽2 , el coeficiente de la variable X2: Logaritmo natural del número de
empleados.

Probemos la hipótesis:
 𝐻𝑜 : 𝛽2 = 0 𝑣𝑠 𝐻𝑎 : 𝛽2 ≠ 0

Como el p-valor =2 P(t2 > 0,333) = 0,745, mayor que los niveles de significancia α
≥1%, por lo que se acepta la hipótesis nula. Para α ≥ 0,01. De lo que se desprende en base a
la muestra que la variable X2 : Logaritmo natural del número de empleados, no aporta
suficiente información en la predicción del número de ventas a niveles de significancia
superiores al 1%.

Eliminando la variable X2 del modelo, este nos queda:

Modelo 3:

𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝜀

Prueba del modelo:

𝐻𝑜 : 𝛽1 = 0 𝑣𝑠 𝐻𝑎 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝛽1 ≠ 0

Estadifico de prueba: F de Fisher

Tabla 3

ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 15,827 1 15,827 210,512 ,000b
Residuo ,977 13 ,075
Total 16,804 14
a. Variable dependiente: Y
b. Predictores: (Constante), X_1

De esta tabla se tiene que el p-valor = P(F1,3) > 210,512) = 2,0799∙10-9, mayor que
los niveles de significancia α ≥1%, por lo que se rechaza la hipótesis nula. Para α ≥ 0,01. Es
decir este modelo es adecuado al nivel de significancia α ≥1%.

Coeficientesa
Coeficientes
Coeficientes no estandarizados estandarizados
Modelo B Error estándar Beta t Sig.
1 (Constante) ,064 ,380 ,168 ,869
X_1 1,001 ,069 ,970 14,509 ,000
a. Variable dependiente: Y

Por lo que el modelo más adecuado encontrado por el método regresivo es:

𝑦̂ = 𝛽̂0 + 𝛽̂1 𝑥1
Sustituyendo:

𝑦̂ = 0,064 + 1,001𝑥1

De lo anterior se puede concluir que la variable que inside significativamente sobre

las ventas (V) de las empresas es el activo (A).

Haciendo el diagrama de dispersión de Y contra X1.

Por lo que existe relación lineal, entre Y y X1.

Resumen del modelo

R cuadrado Error estándar
Modelo R R cuadrado ajustado de la estimación
1 ,994a ,987 ,984 104,27263
2 ,993b ,987 ,985 100,39848
3 ,992c ,984 ,983 106,32238
a. Predictores: (Constante), R, N, A
b. Predictores: (Constante), R, A
c. Predictores: (Constante), A

Del resumen del modelo se puede observar que la variación del coeficiente de
determinación en cada uno de los modelos obtenidos, ha variado poco por lo que se puede
considerar que el modelo lineal 3 es el adecuado.

Implicaciones o explicación de los resultados

Puesto que el modelo 3 encontrado por la técnica de regresión por paso de
eliminación regresiva, es significativo para 𝛼 ≥ 1% siendo Y = ln(V), x1 = ln(A), se tiene
que:
 𝑦̂ = 0,064 + 1,001𝑥1 ⇒ ln(𝑉̂ ) = 0,064 + 1,001ln(𝐴)
1,001 )
⇒ 𝑒 ln(𝑉̂) = 𝑒 0,064+1,001ln(𝐴) ⇒ 𝑉̂ = 𝑒 0,064 𝑒 ln(𝐴
⇒ 𝑉̂ = 1,066𝐴1,001

Por lo que podemos establecer que existe evidencia significativa a niveles de al

menos 1%, de que los activos afectan las ventas en las empresas de los 15 países
desarrollados con un coeficiente de determinación del 98,4%.
 Conclusiones y Recomendaciones

Del coeficiente de determinación del modelo 3 se puede concluir que el 98,4%

de las variaciones del logaritmo natural de las ventas son explicadas por las
variaciones del logaritmo natural de los activos. Además, se puede observar que la
relación entre las ventas y los activos es aproximadamente lineal, con lo que podemos
sugerir que el volumen de ventas es aproximadamente 1,066 veces el valor de los
activos. El resto de los indicadores empleados parecen no incidir en el volumen de
ventas. En cuanto a las gráficas estas confirman la información encontrada.
Se sugiere estudiar la correlación entre las variables independientes del
modelo completo.
 Bibliografía
 William Mendenhall, Robert J. Beaver y Barbara M. Beaver: Introducción a la probabilidad
y estadística. México, CENGAGE, 2010.
 Wackerly, Dennis D. y William Mendenhall: Estadística Matemática con Aplicaciones.
México, CENGAGE, 2010.