PROYECTO SEGUNDA PARTE: SEBASTIAN

Variables
Dependiente: INDICE DE RENTABILIDAD (RENTABILIDAD).
Independientes: MOROSIDAD (MOROSIDADDELACARTERATOTAL) Y
SOLVENCIA (SOLVENCIAPATRIMONIAL).

1. Estimación del Modelo de Regresión Lineal Múltiple

Beta_1: (0.062164) => Si la cartera refinanciada y reestructurada y la morosidad son cero,

el índice de rotación de cuentas por cobrar será 0.062164

Beta_2_cartera_ref_rees: (-0.0486299) => Si la cartera refinanciada y reestructurada

aumenta en un dólar, en promedio, el índice de rotación de cuentas por cobrar disminuirá
en -0.0486299 veces; manteniendo constante la influencia de la morosidad en el índice de
rotación de cuentas por cobrar.

Beta_3_morosidad: (-0.0797336) => Si la morosidad aumenta en un punto porcentual, en

promedio, el índice de rotación de cuentas por cobrar disminuirá en -0.0797336 veces;
manteniendo constante la influencia de la cartera refinanciada y reestructurada en el índice
de rotación de cuentas por cobrar.

2. Validación del Modelo de Regresión Lineal Múltiple

Prueba de la hipótesis de la investigación

Beta_2: pendiente positiva (0.3033799)

Beta_3: pendiente positiva (0.2599695)
Pruebas estadísticas

t-Student_Beta <=> Valor crítico de la t-Student (NC= 95% => 1.96)

t-Student_Beta_1: (1.25) => El Beta_1 NO es ESTADÍSTICAMENTE

SIGNIFICATIVO, debido a que la t-Student_Beta_1 (1.25) en valores absolutos es menor
al valor crítico de la distribución de la t-Student.

t-Student_Beta_2: (-0.17) => El Beta_2 NO es ESTADÍSTICAMENTE

SIGNIFICATIVO, debido a que la t-Student_Beta_2 (-0.17) en valores absolutos es menor
al valor crítico de la distribución de la t-Student.

t-Student_Beta_3: (-0.68) => El Beta_3 NO es ESTADÍSTICAMENTE

SIGNIFICATIVO, debido a que la t-Student_Beta_3 (-0.68) en valores absolutos es menor
al valor crítico de la distribución de la t-Student.

Fisher_MRLM <=> Valor crítico de Fisher (NC= 95% => 4.00)

Fisher: (0.23) => El MRLM, en su conjunto, NO es ESTADÍSTICAMENTE

SIGNIFICATIVO, debido a que el valor de Fisher_MRLM (0.23) es menor al valor crítico
de la distribución de Fisher.

Supuestos del MRLM

Supuesto 1: Linealidad
- Para los parámetros: Los parámetros (B1, B2, B3, ..., Bk) del MRLM están elevados a la
potencia 1. Los parámetros no están multiplicados ni divididos para otro parámetro.

- Para las variables: Las variables (dependiente e independientes) del MRLM están
elevadas a la potencia 1. Las variables no están multiplicadas ni divididas para otra
variable.

Supuesto 2: Error estocástico es independiente de las variables independientes

Covarianza(U y Cartera refinanciada y reestructurada) => -0.00000000000824 // Tiende
al cero, se cumple el supuesto 2.

Covarianza(U y Morosidad) => 0.29386581 // Tiende al cero, se cumple el supuesto 2.

Supuesto 3: Media del error estocástico es cero

Media del error estocástico => -0.000000000310 //Tiende al cero, se cumple el supuesto 3.

Supuesto 4: Homocedasticidad (Heteroscedasticidad)

Primera prueba: Prueba de Park

Existe Heteroscedasticidad (no se cumple el supuesto 4) si:

- Los coeficientes o parámetros de la regresión auxiliar de Park son estadísticamente
significativos
No existe Heteroscedasticidad (se cumple el supuesto 4) si:
- Los coeficientes o parámetros de la regresión auxiliar de Park no son estadísticamente
significativos
NO existe Heteroscedasticidad – los coeficientes o parámetros de la regresión auxiliar
NO son estadísticamente significativos.

Segunda prueba: Prueba de Glejser

Existe Heteroscedasticidad (no se cumple el supuesto 4) si:

- Los coeficientes o parámetros de la regresión auxiliar de Glejser son estadísticamente
significativos
No existe Heteroscedasticidad (se cumple el supuesto 4) si:
- Los coeficientes o parámetros de la regresión auxiliar de Glejser no son estadísticamente
significativos
NO existe Heteroscedasticidad – los coeficientes o parámetros de la regresión auxiliar
NO son estadísticamente significativos.

Tercera prueba: Prueba de Koenker-Basset

Existe Heteroscedasticidad (no se cumple el supuesto 4) si:
- Los coeficientes o parámetros de la regresión auxiliar de Koenker-Basset son
significativamente diferentes de cero
No existe Heteroscedasticidad (se cumple el supuesto 4) si:
- Los coeficientes o parámetros de la regresión auxiliar de Koenker-Basset son iguales o se
acercan a cero.

NO existe Heteroscedasticidad - los coeficientes o parámetros de la regresión auxiliar son

iguales o se acercan al cero

Cuarta prueba: Prueba de Goldfeld-Quandt

Existe Heteroscedasticidad (no se cumple el supuesto 4) si:
- Si lambda es mayor al valor crítico de la distribución de Fisher
No existe Heteroscedasticidad (se cumple el supuesto 4) si:
- Si lambda es menor o igual al valor crítico de la distribución de Fisher

SI existe Heteroscedasticidad => LAMBDA = 39.72061 > 4

Lambda: (1) => No existe Heteroscedasticidad debido a que el valor de Lambda (1) es
menor al valor crítico de la distribución de Fisher. Se cumple el Supuesto 4.

Quinta prueba: Prueba de Breusch-Pagan-Godfrey

Existe Heteroscedasticidad (no se cumple el supuesto 4) si:

- Si theta es mayor al valor crítico de la distribución X2 cuadrado
- Si el p-valor es menor a 0.05 (nivel de significancia)
No existe Heteroscedasticidad (se cumple el supuesto 4) si:
- Si theta es menor o igual al valor crítico de la distribución X2 cuadrado
- Si el p-valor es mayor o igual a 0.05 (nivel de significancia)
 NO existe Heteroscedasticidad => 0.3420 > 0.05

Sexta prueba: Prueba de White

Existe Heteroscedasticidad (no se cumple el supuesto 4) si:

- Si el valor calculado de X2 cuadrado es mayor al valor crítico de la distribución X2
cuadrado
- Si el p-valor es menor a 0.05 (nivel de significancia)
No existe Heteroscedasticidad (se cumple el supuesto 4) si:
- Si el valor calculado de X2 cuadrado es menor o igual al valor crítico de la distribución
X2 cuadrado
- Si el p-valor es mayor o igual a 0.05 (nivel de significancia)

NO existe Heteroscedasticidad => 0.3285 > 0.05

Séptima prueba: Prueba de las correlaciones de Spearman

t = rs*raíz(n-2)/raíz(1-rs2)
rs(MOROSIDADDELACARTERATOTAL) = - 0.3540
rs(SOLVENCIAPATRIMONIAL) = -0.4412

t(MOROSIDADDELACARTERATOTAL) = -1.3830
t(SOLVENCIAPATRIMONIAL) = -1.7784

Existe Heteroscedasticidad (no se cumple el supuesto 4) si:

- Si el valor calculado de la t-Student es mayor al valor crítico de la distribución t-Student
- Si el p-valor es menor a 0.05 (nivel de significancia)
No existe Heteroscedasticidad (se cumple el supuesto 4) si:
- Si el valor calculado de la t-Student es menor o igual al valor crítico de la distribución t-
Student
- Si el p-valor es mayor o igual a 0.05 (nivel de significancia)

NO existe Heteroscedasticidad; t_SOLVENCIAPATRIMONIAL -1.7784 < 1.96;

-.04412 < 0.05
NO existe Heteroscedasticidad; t_MOROSIDADDELACARTERATOTAL -1.3830 >
1.96; -0.3540 > 0.05
Supuesto 5: Autocorrelación
Primera prueba: Prueba de Breusch-Godfrey

Existe Autocorrelación si:

- El valor de BG es mayor al valor crítico de la distribución X2 cuadrado
- El p-valor es menor a 0.05 (nivel de significancia)
No existe Autocorrelación si:
- El valor de BG es menor o igual al valor crítico de la distribución X2 cuadrado
- El p-valor es mayor o igual a 0.05 (nivel de significancia)
BG = (27-1)*0.8216 => BG = 21.3616
SI existe autocorrelación 0.00 < 0.05
Segunda prueba: Prueba de Durbin-Watson

n = 24
k = 2 // k = número de variables independientes
dl = 1.188
du = 1.546

0 < dl => Existe Autocorrelación Positiva => 0 < 0.2402212 < 1.188
dl < du => Zona de Indecisión
du < 2 => No existe Autocorrelación Positiva ni Negativa
2 < 4-du => No existe Autocorrelación Positiva ni Negativa
4-du < 4-dl => Zona de Indecisión
4-dl < 4 => Existe Autocorrelación Negativa
SI existe autocorrelación positiva
 Tercera prueba: Prueba de Durbin – Watson alternativo

Existe Autocorrelación si:

- El p-valor es menor a 0.05 (nivel de significancia)
No existe Autocorrelación si:
- El p-valor es mayor o igual a 0.05 (nivel de significancia)
SI existe autocorrelación 0.00 < 0.05

Cuarta prueba: Prueba de Von Neumann

Existe Autocorrelación si:

- El valor absoluto de t_VN es mayor al valor crítico de la distribución t-Student
No existe Autocorrelación si:
- El valor absoluto de t_VN es menor o igual al valor crítico de la distribución t-Student
SI existe autocorrelación 3.986373 > 1.96

Quinta prueba: Prueba de las Rachas

N = Número de observaciones (N1+N2)
N1 = Número de residuos con signos positivos
N2 = Número de residuos con signos negativos
R = Número de rachas
Li = Límite inferior del intervalo de rachas
Ls = Límite superior del intervalo de rachas
N = 24
N1 = 15
N2 = 9
R=2
Li = 7
Ls = 18
Existe Autocorrelación si:
- El número de rachas está fuera de los límites del intervalo de rachas
- Si el p-valor es menor a 0.05 (nivel de significancia)
No existe Autocorrelación si:
- El número de rachas está entre los límites del intervalo de rachas
- Si el p-valor es mayor o igual a 0.05 (nivel de significancia)

NO existe autocorrelación; 0.00 < 0.05; el número de rachas está fuera de los límites del
intervalo

Supuesto 6:
Número de observaciones debe ser mayor al número de parámetros
Número de observaciones debe ser mayor al número de variables independientes
n = 22
# de Betas = 3
# de VI =2
Se cumple el supuesto 6

Supuesto 7: Naturaleza de las variables independientes

- Valores de las variables independientes deben ser técnicamente positivos.
- Valores de las variables independientes deben ser aleatorios y variables.
- No deben existir valores extremos o atípicos en las variables independientes.
 NO se cumple el supuesto 7; existe un valore atípico
Supuesto 8: Multicolinealidad
Primera prueba: Prueba del Coeficiente de determinación

Existe Multicolinealidad si: El r2 es mayor a 0.80 y los coeficientes de la regresión no

son estadísticamente significativos.
No existe Multicolinealidad si: El r2 es menor o igual a 0.80 y los coeficientes de la
regresión son estadísticamente significativos.
NO existe multicolinealidad r 2 = 0.3605
 Segunda prueba: Prueba del Coeficiente de correlación

Existe Multicolinealidad si: El r entre dos variables independientes es mayor a 0.80

No existe Multicolinealidad si: El r entre dos variables independientes es menor o igual a
0.80
NO existe multicolinealidad r = - 0.1406

Tercera prueba: Prueba del Gráfico de dispersión

NO existe multicolinealidad

Cuarta prueba: Prueba de Klein (Regresiones auxiliares)

Existe Multicolinealidad si: El r2 de la regresión original es significativamente diferente
al r2 de la regresión auxiliar
No existe Multicolinealidad si: El r2 de la regresión original no es significativamente
diferente al r2 de la regresión auxiliar
NO existe multicolinealidad: original (0.3605); auxiliar (0.3605)

Quinta prueba: Prueba del Factor de la Inflación de la Varianza

r2_cartera_ref_rees = 0.0249
FIV cartera_ref_rees = 1.03 => FIV = 1/1-r2
r2_morosidad = 0.0249
FIV morosidad = 1.03 => FIV = 1/1-r2

Existe Multicolinealidad si: El FIV es mayor a 10

No existe Multicolinealidad si: El FIV es menor o igual a 10

NO existe multicolinealidad 1.03 < 10

Sexta prueba: Prueba del Índice de Tolerancia

TOL = 1/FIV
TOL cartera_ref_rees = 1/1.03 = 0.970873786
TOL morosidad = 1/1.03 = 0.970873786
Existe Multicolinealidad si: El TOL es cercano a 0
No existe Multicolinealidad si: El TOL es cercano 1
NO existe multicolinealidad 0.961538 es cercano a 1

Séptima prueba: Prueba de Farrar-Glauber

n = Número de observaciones
k = Número de variables independientes
ln|r| = Logaritmo natural de la determinante de la matriz de correlaciones de las variables
independientes

X^2(calculado) = -[(n-1)-((2k+5)/6)*ln|r|]
X^2(calculado) = -[(24-1)-(2*2+5)/6)*ln|0.1579|]
X^2(calculado) = -[(23)-(1.5)*(- 1.84579336)]
X^2(calculado) = - 25.76869

X^2(crítico) = (k*(k-1))/2
X^2(crítico) = (2*(2-1))/2
X^2(crítico) = 1 grado de libertad y 95% de nivel de confianza (5%, nivel de significancia)
X^2(crítico) = 3.841

Existe Multicolinealidad si: El chi-cuadrado calculado es mayor al valor crítico de chi-

cuadrado
No existe Multicolinealidad si: El chi-cuadrado calculado es menor o igual al valor
crítico de chi-cuadrado
NO existe multicolinealidad
X^2(calculado) = -25.76869 < X^2(crítico) = 3.841

Octava prueba: Prueba de Theil

Mt = r2 - Sumatoria[(r2-r2_rec_Exportaciones)+(r2-r2_rec_Inflacin)]
Mt = 0.3004 - Sumatoria[(0.3004-0.3907)+(0.3004-0.3907)]
Mt = 0.3004 – (- 0.1806)
Mt = 0.481
Existe Multicolinealidad si: El Mt es significativamente mayor a cero
No existe Multicolinealidad si: El Mt es menor o cercano a cero

NO existe multicolinealidad => Mt = 0.481

Novena prueba: Prueba de Belsley, Kuh y Welsch

IC = v_máximo/v_mínimo
IC = 1.62508 / 0.374922
IC = 4.3344

Existe Multicolinealidad si: El IC es mayor a 30

No existe Multicolinealidad si: El IC es menor o igual a 30
NO existe multicolinealidad 4.3344 < 30

k = Raíz[(v_máximo)/(v_mínimo)]
k = Raíz[(1.62508 / 0.374922)]
k = 2.0819
Existe Multicolinealidad si: El k es mayor a 5
No existe Multicolinealidad si: El k es menor o igual a 5

NO existe multicolinealidad 2.0819 < 5

Supuesto 9: Sesgo de especificación
Se obtuvo sesgo de especificación puesto que se incumplieron algunas pruebas.
Coeficiente de determinación del MRLM

r2= 0.3004
- El grado de bondad de ajuste del MRLM es bajo.
- La cartera MOROSIDADDELACARTERATOTAL y SOLVENCIAPATRIMONIAL
explican que en un 30.04% el comportamiento del índice de RENTABILIDAD.

Análisis de Correlación del Modelo Lineal Múltiple

r_rotacion_cartera_ref_rees = - 0.1249

r_rotacion_morosidad = 0.3385

- El grado de asociación lineal entre la tasa de rentabilidad, el índice de morosidad y la

solvencia es negativa y baja.

- El grado de asociación lineal entre la tasa de rentabilidad, el índice de morosidad y la

solvencia es positiva y baja.
 Especificación del Modelo Econométrico de Regresión Estandarizado Múltiple

Se aplica el modelo de regresión estandarizado múltiple a las variables dependiente

“Índice de rentabilidad” y de las variables independientes “Morosidad” y “Solvencia”.
Además, se transforma a las variables lineales en estandarizadas.

ZY = _1 + _2 Z X + _3 Z X + 

Y = Índice de rotación de cuentas por cobrar

Β_1 = Intercepto, constante

Β_2 Z X = Pendiente Cartera refinanciada y reestructurada

B_3 Z X = Pendiente Morosidad

û = Error estocástico

 Utilización la base de datos Cooperativa Mushuc Runa.

- Transformación de las variables lineales a estandarizadas.

 Estimación del Modelo de Regresión Estandarizado Múltiple

- INTERPRETACION. –

Beta_1 = 0.00000000991=> Si la Morosidad Estandarizada y la Solvencia

ESTANDARIZADA son cero, la rentabilidad ESTANDARIZADA será de - 0.
00000000991 DESVIACIONES ESTÁNDAR.
Beta_2_z_Morosidad = -0.0473363=> Si la Morosidad ESTANDARIZADA
incrementa en 1, en promedio el índice de rentabilidad ESTANDARIZADO disminuirá
en -0.0473363 DESVIACIONES ESTÁNDAR; manteniendo constante la solvencia
ESTANDARIZADA en el índice de rentabilidad ESTANDARIZADO.
Beta_3_z_Solvencia = -0.5911371=> Si la solvencia ESTANDARIZADA incrementa
en 1 DESVIACIÓN ESTÁNDAR, en promedio el índice de rentabilidad
ESTANDARIZADO disminuirá en -0.5911371 DESVIACIONES ESTÁNDAR;
manteniendo constante la morosidad ESTANDARIZADA y el índice de rentabilidad
ESTANDARIZADO.

Validación del Modelo de Regresión Estandarizado Múltiple

Prueba de la hipótesis de la investigación
Beta_2: pendiente negativa (-0.0473363)
Beta_3: pendiente negativa (-0.5911371)
Pruebas estadísticas
t-Student_Beta <=> Valor crítico de la t-Student (NC= 95% => 1.96)
 t-Student_Beta_1: (0.00) => El Beta_1 NO ES ESTADÍSTICAMENTE
SIGNIFICATIVO, debido a que la t-Student_Beta_1 (0.00) en valores absolutos es
menor al valor crítico de la distribución de la t-Student.
t-Student_Beta_2: (-0.25) => El Beta_2 NO ES ESTADÍSTICAMENTE
SIGNIFICATIVO, debido a que la t-Student_Beta_2 (-0.25) en valores absolutos es
menor al valor crítico de la distribución de la t-Student.
t-Student_Beta_3: (-3.18) => El Beta_3 NO ES ESTADÍSTICAMENTE
SIGNIFICATIVO, debido a que la t-Student_Beta_2 (-3.18) en valores absolutos es
mayor al valor crítico de la distribución de la t-Student.

Fisher_MREM <=> Valor crítico de Fisher (NC= 95% => 4.00)

Fisher: (5.36) => El MRLM, en su conjunto, es ESTADÍSTICAMENTE

SIGNIFICATIVO, debido a que el valor de Fisher_MRLM (5.36) es mayor al valor
crítico de la distribución de Fisher.

 Supuestos del MREM

Supuesto 1: Linealidad
- Para los parámetros: Los parámetros (B1, B2, B3, ..., Bk) del MREM están elevados a la
potencia 1. Los parámetros no están multiplicados ni divididos para otro parámetro.
- Para las variables: Las variables (dependiente e independientes) del MREM están
elevadas a la potencia 1. Las variables no están multiplicadas ni divididas para otra
variable. Se cumple el supuesto 1
Supuesto 2: Error estocástico es independiente de las variables independientes

Covarianza(U y z_MOROSIDADDELACARTERATOTAL) => 0.3451704// tiende al

cero, se cumple el supuesto 2.
Covarianza(U y z_SOLVENCIAPATRIMONIAL) => 0.3451704 // tiende al cero, se
cumple el supuesto 2.
Supuesto 3: Media del error estocástico es cero

Media del error estocástico => -0.00000000288 //Tiende al cero, se cumple el supuesto 3.

Supuesto 4: Homocedasticidad (Heteroscedasticidad)

Quinta prueba: Prueba de Breusch-Pagan-Godfrey

Existe Heteroscedasticidad (no se cumple el supuesto 4) si:

- Si theta es mayor al valor crítico de la distribución X2 cuadrado
- Si el p-valor es menor a 0.05 (nivel de significancia)
No existe Heteroscedasticidad (se cumple el supuesto 4) si:
- Si theta es menor o igual al valor crítico de la distribución X2 cuadrado
- Si el p-valor es mayor o igual a 0.05 (nivel de significancia)

NO existe Heteroscedasticidad 0.3420 > 0.05

Supuesto 5: Autocorrelación
Supuesto 6:
Número de observaciones debe ser mayor al número de parámetros
Número de observaciones debe ser mayor al número de variables independientes
n = 22
# de Betas = 3
# de VI =2
Se cumple el supuesto 6
Supuesto 7: Naturaleza de las variables independientes
- Valores de las variables independientes deben ser técnicamente positivos.
- Valores de las variables independientes deben ser aleatorios y variables.
- No deben existir valores extremos o atípicos en las variables independientes.
Supuesto 8: Multicolinealidad
Primera prueba: Prueba del Coeficiente de determinación

Existe Multicolinealidad si: El r2 es mayor a 0.2004 y los coeficientes de la regresión no

son estadísticamente significativos.
No existe Multicolinealidad si: El r2 es menor o igual a 0.2004 y los coeficientes de la
regresión son estadísticamente significativos.
NO existe multicolinealidad r 2 = 0.3004

Supuesto 9: Sesgo de especificación

Se obtuvo sesgo de especificación puesto que se incumplieron algunas pruebas.
Análisis de Correlación del Modelo Estandarizado Múltiple

r_ z_RENTABILIDAD z_ MOROSIDADDELACARTERA = - 0.1249

r_ z_RENTABILIDAD z_SOLVENCIAPATRIMONIAL = 0.3365

- El grado de asociación estandarizado entre el índice de rotación de cuentas por cobrar y

la cartera refinanciada y reestructurada es negativo y bajo.

- El grado de asociación estandarizado entre el índice de rotación de cuentas por cobrar y

la morosidad es negativo y bajo.