UNIVERSIDAD DE MAGALLANES

FACULTAD DE CIENCIAS ECONMICAS Y JURDICAS

DEPARTAMENTO DE ADMINISTRACION Y ECONOMIA




Mtodos Prospectivos y Multivariantes

Prueba Aplicada Multivariante

Alumnos: Gabriela Balczar
Profesor: Sr. Jose Maripani




Punta Arenas, Julio 2014

1.- Construya un modelo discriminante lineal, para ello conteste a las siguientes preguntas
Principales resultados

Estadsticos descriptivos

Media Desviacin
tpica
N del anlisis
R1Liqui1 ,392745 ,1123506 66
R2Liqui2 ,266473 ,0893571 66
R3Liqui3 ,414597 ,1250649 66
R4Autof ,024133 ,0258362 66
R5RenEc ,002467 ,0142060 66
R6RenFin ,0518 ,30592 66
R7Apal ,002680 ,0150209 66
R8CosVen ,891400 ,1287154 66
R9Cash ,00852 ,009155 66
Quiebra ,42 ,498 66



En el primer cuadro de anlisis lo primero que aparece es la media, desviacin estndar y en nombre de cada una de las
variables entradas para los 66 bancos estudiados.







Matriz de correlaciones
a


R1Liqui1 R2Liqui2 R3Liqui3 R4Autof R5RenEc R6RenFin R7Apal R8CosVen R9Cash Quiebra
Correlacin R1Liqui1 1,000 ,750 ,992 ,315 ,142 ,096 ,150 -,124 ,231 -,185



R2Liqui2 ,750 1,000 ,698 -,155 ,016 ,027 ,009 -,085 ,094 -,038
R3Liqui3 ,992 ,698 1,000 ,412 ,159 ,091 ,171 -,147 ,256 -,179
R4Autof ,315 -,155 ,412 1,000 ,280 ,119 ,309 -,364 ,451 -,268
R5RenEc ,142 ,016 ,159 ,280 1,000 ,966 ,999 -,817 ,820 -,423
R6RenFin ,096 ,027 ,091 ,119 ,966 1,000 ,959 -,788 ,775 -,437
R7Apal ,150 ,009 ,171 ,309 ,999 ,959 1,000 -,819 ,825 -,424
R8CosVen -,124 -,085 -,147 -,364 -,817 -,788 -,819 1,000 -,924 ,562
R9Cash ,231 ,094 ,256 ,451 ,820 ,775 ,825 -,924 1,000 -,641
Quiebra -,185 -,038 -,179 -,268 -,423 -,437 -,424 ,562 -,641 1,000
Sig. (Unilateral)
R1Liqui1

,000 ,000 ,005 ,127 ,222 ,114 ,160 ,031 ,069
R2Liqui2 ,000

,000 ,107 ,450 ,413 ,473 ,248 ,226 ,380
R3Liqui3 ,000 ,000

,000 ,101 ,234 ,085 ,120 ,019 ,075
R4Autof ,005 ,107 ,000

,012 ,170 ,006 ,001 ,000 ,015
R5RenEc ,127 ,450 ,101 ,012

,000 ,000 ,000 ,000 ,000
R6RenFin ,222 ,413 ,234 ,170 ,000

,000 ,000 ,000 ,000
R7Apal ,114 ,473 ,085 ,006 ,000 ,000

,000 ,000 ,000
R8CosVen ,160 ,248 ,120 ,001 ,000 ,000 ,000

,000 ,000
R9Cash ,031 ,226 ,019 ,000 ,000 ,000 ,000 ,000

,000
Quiebra ,069 ,380 ,075 ,015 ,000 ,000 ,000 ,000 ,000

a. Determinante = 3,420E-011
Esta matriz de correlacin nos explica cmo se encuentran relacionadas cada una de las variables con otra variable. Su
diagonal siempre contendr el valor de 1. Si tiene un valor 0, nos indicar que no tiene ninguna relacin con esa
variable, por lo menos no lineal; es decir, pueda que tenga una relacin cuadrtica o de otro grado.
Cuando la correlacin es positiva, esto nos indica que su proyeccin de la regresin lineal va a tender a crecer
conjuntamente con la contra variable.
Cuando la correlacin es negativa, esto nos indica que su proyeccin de la regresin lineal va a tender a decrecer
conjuntamente con la contra variable.
Un examen a nuestra matriz de correlaciones, indica que hay variables que se correlacionan muy alto entre si y otras que
se correlacionan de forma moderada, y el resto de las correlaciones son muy bajas.
Ratio 1 A.C. / A.T. Liquidez
Ratio 2 (A.C. - T) / A.T. Liquidez
Ratio 3 A.C. / P.E. Liquidez
Ratio 4 R / P.E. Autofinanciacin
Ratio 5 B.N. / A.T. Rentabilidad econmica
Ratio 6 B.N. / N Rentabilidad financiera
Ratio 7 B.N. / P.E. Apalancamiento
Ratio 8 C.V. / V. B. Costo de ventas
Ratio 9 C.F. / P.E. Efectivo (Cash)



Correlaciones
Las correlaciones que se muestran a continuacin son positivas y las ms altas, por ende nos indican un crecimiento conjunto
entre ellas como se mencion anteriormente. Es importante que las correlaciones sean cercanas a 1, para que el anlisis
factorial conduzca a una solucin eficiente.
R1Liqui1 R3Liqui3
La variable Ratio 1, Liquidez, est correlacionada positivamente con la variable Ratio 3, Liquidez
R2Liqui2 R1Liqui1
La variable Ratio 2, Liquidez, est correlacionada positivamente con la variable Ratio 1, Liquidez
R3Liqui3 R1Liqui1
La variable Ratio 3, Liquidez, est correlacionada positivamente con la variable Ratio 1, Liquidez
R4Autof R9Cash
La variable Ratio 4, Autofinanciacin, est correlacionada positivamente con la variable Ratio 9, Efectivo (Cash)
R5RenEc R7Apal
La variable Ratio 5, Rentabilidad Econmica, est correlacionada positivamente con la variable Ratio 7, Apalancamiento
R6RenFin R5RenEc
La variable Ratio 6, Rentabilidad Financiera, est correlacionada positivamente con la variable Ratio 5, Rentabilidad
Econmica
R8CosVen Quiebra
La variable Ratio 8, Costo de Ventas, est correlacionada positivamente con la variable Quiebra
R9Cash R7Apal
La variable Ratio 9, Efectivo (Cash), est correlacionada positivamente con la variable Ratio 7, Apalancamiento
Quiebra R8CosVen
La variable Quiebra, est correlacionada positivamente con la variable Ratio, Costo de Ventas

Niveles de Significacin

1.- La variable R1Liqui1 tiene un p-value igual a 0 con la variable 2 y 3
2.- La variable R2Liqui2 tiene un p-value igual a 0 con las variables 1 y 3
3.- La variable R3Liqui3 tiene un p-value igual a 0 con las variables 1, 2 y 4
4.- La variable R4Autof tiene un p-value igual a 0 con las variables 3 y 9
5.- La variable R5RenEc tiene un p-value igual a 0 con las variables 6, 7, 8, 9 y quiebra
6.- La variable R6RenFin tiene un p-value igual a 0 con las variables 5, 7, 8, 9 y quiebra
7.- La variable R7Apal tiene un p-value igual a 0 con las variables 5, 6, 8, 9 y quiebra
8.- La variable R9CosVen tiene un p-value igual a 0 con las variables 4, 5, 6, 7, 8 y quiebra
9.- La variable Quiebra tiene un p-value igual a 0 con las variables 5, 6, 7, 8 y 9

Estos datos nos pueden dar una idea del nmero de factores adecuados al modelo factorial que estamos realizando en
funcin de las correlaciones de las variables.









Inversa de la matriz de correlaciones

R1Liqui1 R2Liqui2 R3Liqui3 R4Autof R5RenEc R6RenFin R7Apal R8CosVen R9Cash Quiebra
R1Liqui1 420,818 -8,563 -427,995 16,699 -780,229 -18,376 802,296 -12,518 -7,880 9,318
R2Liqui2 -8,563 6,389 2,851 1,300 -94,724 7,946 89,544 2,959 -,108 -,847
R3Liqui3 -427,995 2,851 442,084 -18,925 898,618 11,607 -916,706 9,559 7,613 -8,827
R4Autof 16,699 1,300 -18,925 7,106 93,656 -1,172 -92,157 ,603 -1,328 ,504
R5RenEc -780,229 -94,724 898,618 93,656 10111,459 -424,950 -9785,384 -11,875 15,596 -1,779
R6RenFin -18,376 7,946 11,607 -1,172 -424,950 50,164 380,792 4,576 ,874 ,252
R7Apal 802,296 89,544 -916,706 -92,157 -9785,384 380,792 9502,651 9,579 -18,941 ,744
R8CosVen -12,518 2,959 9,559 ,603 -11,875 4,576 9,579 9,436 6,718 -,283
R9Cash -7,880 -,108 7,613 -1,328 15,596 ,874 -18,941 6,718 10,976 1,760
Quiebra 9,318 -,847 -8,827 ,504 -1,779 ,252 ,744 -,283 1,760 2,205














KMO y prueba de Bartlett
Medida de adecuacin muestral de Kaiser-Meyer-Olkin. ,690
Prueba de esfericidad de
Bartlett
Chi-cuadrado aproximado 1466,193
gl 45
Sig. ,000

La medida de adecuacin muestral de Kaiser-Meyer-Olkin (KMO) con un valorde 0.690 cercano a uno nos indica que el
anlisis factorial es adecuado.
Adems la prueba de Esfericidad de Barlett contrasta la hiptesis nula de que la matriz de correlacin observada es en
realidad una matriz identidad, con un p-valor de 0, rechazamos la hiptesis nula, es decir, las variables estn
relacionadas entre s y por tanto tiene sentido realizar un anlisis factorial.
Con esto terminamos el estudio previo y pasamos a realizar el Anlisis Factorial. Comenzamos con el mtodo de anlisis
de componentes principales como mtodo de extraccin y rotacin varimax. A continuacin vamos a comentar las tablas
resultantes.







Matrices anti-imagen

R1Liqui1 R2Liqui2 R3Liqui3 R4Autof R5RenEc R6RenFin R7Apal R8CosVen R9Cash Quiebra




Covarianza anti-imagen
R1Liqui1 ,002 -,003 -,002 ,006 ,000 -,001 ,000 -,003 -,002 ,010
R2Liqui2 -,003 ,157 ,001 ,029 -,001 ,025 ,001 ,049 -,002 -,060
R3Liqui3 -,002 ,001 ,002 -,006 ,000 ,001 ,000 ,002 ,002 -,009
R4Autof ,006 ,029 -,006 ,141 ,001 -,003 -,001 ,009 -,017 ,032
R5RenEc ,000 -,001 ,000 ,001 9,890E-005 -,001 ,000 ,000 ,000 -7,980E-005
R6RenFin -,001 ,025 ,001 -,003 -,001 ,020 ,001 ,010 ,002 ,002
R7Apal ,000 ,001 ,000 -,001 ,000 ,001 ,000 ,000 ,000 3,551E-005
R8CosVen -,003 ,049 ,002 ,009 ,000 ,010 ,000 ,106 ,065 -,014
R9Cash -,002 -,002 ,002 -,017 ,000 ,002 ,000 ,065 ,091 ,073
Quiebra ,010 -,060 -,009 ,032 -7,980E-005 ,002 3,551E-005 -,014 ,073 ,454
Correlacin anti-imagen
R1Liqui1 ,534
a
-,165 -,992 ,305 -,378 -,126 ,401 -,199 -,116 ,306
R2Liqui2 -,165 ,599
a
,054 ,193 -,373 ,444 ,363 ,381 -,013 -,226
R3Liqui3 -,992 ,054 ,532
a
-,338 ,425 ,078 -,447 ,148 ,109 -,283
R4Autof ,305 ,193 -,338 ,622
a
,349 -,062 -,355 ,074 -,150 ,127
R5RenEc -,378 -,373 ,425 ,349 ,648
a
-,597 -,998 -,038 ,047 -,012
R6RenFin -,126 ,444 ,078 -,062 -,597 ,780
a
,552 ,210 ,037 ,024
R7Apal ,401 ,363 -,447 -,355 -,998 ,552 ,651
a
,032 -,059 ,005
R8CosVen -,199 ,381 ,148 ,074 -,038 ,210 ,032 ,826
a
,660 -,062
R9Cash -,116 -,013 ,109 -,150 ,047 ,037 -,059 ,660 ,852
a
,358
Quiebra ,306 -,226 -,283 ,127 -,012 ,024 ,005 -,062 ,358 ,791
a

a. Medida de adecuacin muestral
Los valores de la covarianza anti-imagen que figuran en la diagonal representan el valor de lo que cada variable tiene
como propio e individual, es decir, lo que no comparte con el resto de las variables. As, por ejemplo, la variable Quiebra
presenta un valor de 0,454 de propiedad individual y nica frente al 0,141 que presenta la variable R4Autof, lo que
implica que la primera comparte menos informacin con el resto que la segunda.
Por lo tanto estos valores tachados a la diagonal nos representan la unicidad de cada variable en el modelo.

Comunalidades

Inicial Extraccin
R1Liqui1 1,000 ,971
R2Liqui2 1,000 ,900
R3Liqui3 1,000 ,969
R4Autof 1,000 ,917
R5RenEc 1,000 ,937
R6RenFin 1,000 ,945
R7Apal 1,000 ,933
R8CosVen 1,000 ,851
R9Cash 1,000 ,899
Quiebra 1,000 ,433
Mtodo de extraccin: Anlisis de
Componentes principales.

El proceso matemtico por el que se desarrolla la eleccin de las componentes principales de una muestra, se realiza a
partir de una matriz de correlaciones, de donde, y a travs de la aplicacin del anlisis factorial correspondiente, se
extrae otra que se denomina factorial. Las columnas de esta ltima matriz representan a un factor y las filas coinciden en
nmero con el total de variables observadas. A cada elemento de esta matriz factorial se le denomina ponderacin
factorial, y son interpretados como ndices de correlacin entre las filas y las columnas, indicando as el peso que cada
variable asigna a cada factor. Esta tabla contiene la comunalidad inicial que se realiza calculando para cada variable la
correlacin mltiple al cuadrado entre esa variable y las restantes incluidas en el anlisis.
La comunalidad despus de la extraccin nos indica la proporcin de varianza explicada por los componentes. Toma
valores entre 0 y 1. Los valores cercanos a 1 indican que la varianza queda totalmente explicada por los factores
seleccionados. Los valores cercanos a 0 indican que los factores no explican la variabilidad de la variable.
Con respecto a la tabla, los valores ms cercanos a 1 son las variables 1 a la 9, donde nos indica que la varianza queda
totalmente explicada por los factores seleccionados. Un caso diferente es para la variable quiebra, con un valor no tan
cercano a 1, con 0,433.


Varianza total explicada
Componente Autovalores iniciales Sumas de las saturaciones al cuadrado de la extraccin Suma de las saturaciones al cuadrado de la rotacin
Total % de la varianza % acumulado Total % de la varianza % acumulado Total % de la varianza % acumulado
1 5,092 50,923 50,923 5,092 50,923 50,923 4,709 47,085 47,085
2 2,555 25,547 76,470 2,555 25,547 76,470 2,643 26,427 73,512
3 1,108 11,080 87,549 1,108 11,080 87,549 1,404 14,037 87,549
4 ,734 7,339 94,888

5 ,331 3,312 98,200

6 ,094 ,937 99,137

7 ,060 ,603 99,740

8 ,025 ,246 99,986

9 ,001 ,014 99,999

10 5,059E-005 ,001 100,000

Mtodo de extraccin: Anlisis de Componentes principales.


Considerando la tabla anterior podemos decidir con cuantos componentes o factores nos vamos a quedar. Existen reglas
para saber el nmero ms adecuado a conservar, por ejemplo, la que se conoce como Criterio de Kaiser que indica que
hay que conservar los componentes principales cuyos valores propios son mayores que la unidad, aunque el criterio ms
utilizado es el de observar el porcentaje de varianza total explicada por cada componente o factor, y cuando ste llega a
un porcentaje acumulado considerado alto normalmente cerca del ochenta por ciento, significa que el nmero de factores
es suficiente.
En nuestro modelo podemos comprobar, y as lo hemos sealado, que a partir de la componente nmero tres el
autovalor comienza a ser inferior a la unidad aunque en esta componente todava mantiene un valor alto.
Los autovalores nos expresan la cantidad de varianza total que est explicada por cada factor. El primer factor explica un
50.92% de la varianza total, el segundo factor explica el 25.54% de la varianza, por tanto los dos primeros factores
explican el 76.47% del total de varianza.
Se han seleccionado tres factores correspondientes a los autovalores mayores que 1, el porcentaje total de varianza
explicada por los tres factores seleccionados es del 87,54%, por lo que podemos considerar que ste puede ser un valor
lo suficientemente alto para estimar que cuatro es un nmero de factores suficiente


El grfico de sedimentacin sirve para determinar el nmero ptimo de factores. Propuesto por Cattell (1966), consiste
en una representacin grfica del tamao de los autovalores. Como vemos en la grfica los autovalores residuales se
encuentran en la parte derecha del grfico, frente a la parte izquierda que representa una fuerte pendiente formada por
los tres autovalores que explican la mayor parte de la varianza disponible.
Segn este criterio se retienen todas las componentes que estn situadas previamente a la zona de sedimentacin,
entendiendo por esta la parte del grfico en la que los componentes empiezan a no presentar pendientes fuertes, que
como ya hemos mencionado para los datos obtenidos podemos comprobar que puede ser a partir de la componente tres.

Matriz de componentes
a


Componente
1 2 3
R9Cash ,940 -,081 -,096
R7Apal ,932 -,212 ,140
R5RenEc ,928 -,219 ,168
R8CosVen -,907 ,170 -,001
R6RenFin ,887 -,261 ,300
Quiebra -,621 ,021 ,217
R1Liqui1 ,351 ,921 -,006
R3Liqui3 ,371 ,906 -,099
R2Liqui2 ,169 ,811 ,463
R4Autof ,443 ,178 -,830
Mtodo de extraccin: Anlisis de componentes
principales.
a. 3 componentes extrados
La tabla muestra la matriz de estructura factorial. Los valores indican las correlaciones entre las variables originales y
cada uno de los factores.
El primer factor tiene una correlacin con las variables R9 Cash con 0,940, R7Apal con 0,932, R5RenEc con 0,928 y
R6RenFin con 0,887.
El segundo factor est relacionado con las variables R1Liqui1 0,921, R3Liqui3 0.906 y R2Liqui2 0.811.
El tercer factor tiene una correlacin con la variable R2Liqui2 con 0,463

Correlaciones reproducidas



R1Liqui1 R2Liqui2 R3Liqui3 R4Autof R5RenEc R6RenFin R7Apal R8CosVen R9Cash Quiebra
Correlacin reproducida
R1Liqui1 ,971
a
,803 ,965 ,324 ,123 ,069 ,131 -,162 ,256 -,200
R2Liqui2 ,803 ,900
a
,751 -,166 ,057 ,077 ,050 -,016 ,048 ,013
R3Liqui3 ,965 ,751 ,969
a
,408 ,130 ,063 ,140 -,183 ,285 -,233
R4Autof ,324 -,166 ,408 ,917
a
,232 ,097 ,259 -,371 ,481 -,451
R5RenEc ,123 ,057 ,130 ,232 ,937
a
,931 ,935 -,879 ,873 -,544
R6RenFin ,069 ,077 ,063 ,097 ,931 ,945
a
,924 -,849 ,826 -,492
R7Apal ,131 ,050 ,140 ,259 ,935 ,924 ,933
a
-,881 ,879 -,553
R8CosVen -,162 -,016 -,183 -,371 -,879 -,849 -,881 ,851
a
-,866 ,567
R9Cash ,256 ,048 ,285 ,481 ,873 ,826 ,879 -,866 ,899
a
-,606
Quiebra -,200 ,013 -,233 -,451 -,544 -,492 -,553 ,567 -,606 ,433
a

Residual
b

R1Liqui1

-,053 ,027 -,009 ,019 ,027 ,019 ,038 -,025 ,015
R2Liqui2 -,053

-,054 ,011 -,041 -,049 -,042 -,069 ,046 -,051
R3Liqui3 ,027 -,054

,005 ,029 ,028 ,030 ,036 -,029 ,054
R4Autof -,009 ,011 ,005

,048 ,022 ,050 ,007 -,030 ,183
R5RenEc ,019 -,041 ,029 ,048

,036 ,065 ,062 -,053 ,122
R6RenFin ,027 -,049 ,028 ,022 ,036

,035 ,060 -,051 ,055
R7Apal ,019 -,042 ,030 ,050 ,065 ,035

,062 -,054 ,129
R8CosVen ,038 -,069 ,036 ,007 ,062 ,060 ,062

-,058 -,005
R9Cash -,025 ,046 -,029 -,030 -,053 -,051 -,054 -,058

-,035
Quiebra ,015 -,051 ,054 ,183 ,122 ,055 ,129 -,005 -,035

Mtodo de extraccin: Anlisis de Componentes principales.
a. Comunalidades reproducidas
b. Los residuos se calculan entre las correlaciones observadas y reproducidas. Hay 18 (40,0%) residuales no redundantes con valores absolutos mayores que 0,05.
En esta tabla se muestra la matriz de correlaciones reproducidas que se obtiene a partir de la solucin factorial
calculada. En la diagonal podemos observar que se encuentran las comunalidades finales.
Se incluye tambin la matriz residual formada por las diferencias entre las correlaciones observadas y las reproducidas.
Si el anlisis es bueno los residuos deben ser pequeos, en nuestro caso tenemos residuos del 40%.
Esto puede deberse a que se hubiera extrado un nmero insuficiente de factores, y que consecuentemente la estructura
factorial no fuera capaz de reproducir de forma adecuada la matriz de correlaciones observadas.
Tambin pudo haber ocurrido que las correlaciones observadas estuvieran mal estimadas, o bien, el modelo factorial no
es pertinente para analizar datos, es decir, pueden estar no linealmente relacionados.






















Matriz de componentes rotados
a


Componente
1 2 3
R6RenFin ,968 ,017 -,088
R5RenEc ,966 ,042 ,054
R7Apal ,961 ,044 ,083
R8CosVen -,895 -,052 -,215
R9Cash ,881 ,125 ,327
Quiebra -,540 -,085 -,367
R1Liqui1 ,074 ,959 ,214
R3Liqui3 ,077 ,932 ,306
R2Liqui2 ,037 ,900 -,297
R4Autof ,183 ,116 ,933
Mtodo de extraccin: Anlisis de componentes
principales.
Mtodo de rotacin: Normalizacin Varimax con
Kaiser.
a. La rotacin ha convergido en 4 iteraciones.

En la presentamos la matriz de componentes rotados, mostrando los valores situados por encima de 0,5 para as lograr
una mejor exposicin de las variables iniciales obtenidas para cada componente.
Una vez que se han obtenido las componentes podemos lograr definir las puntuaciones factoriales mediante una
estimacin para cada uno de los sujetos en cada factor extrado, para as valorar qu situacin tiene ese sujeto frente a
estas nuevas variables que hemos construido a partir de la reduccin de las variables iniciales introducidas en el
anlisis. Cuando se utiliza el mtodo de extraccin de factores utilizando las componentes principales, las puntuaciones
obtenidas se calculan a partir de la solucin factorial. Dicha solucin es ortogonal por lo que las puntuaciones tambin lo
son.
Se obtiene finalmente la matriz de coeficientes para el clculo de las puntuaciones factoriales que contiene las
ponderaciones para cada variable para poder calcular las puntuaciones factoriales. Mediante estos coeficientes
estimados podemos construir una ecuacin lineal para cada una de las componentes extradas, basadas en las variables
y las puntuaciones factoriales.


Matriz de transformacin de las componentes
Componente 1 2 3
1 ,936 ,235 ,262
2 -,275 ,953 ,126
3 ,220 ,190 -,957
Mtodo de extraccin: Anlisis de componentes
principales.
Mtodo de rotacin: Normalizacin Varimax con
Kaiser.







Matriz de coeficientes para el clculo de las
puntuaciones en las componentes

Componente
1 2 3
R1Liqui1 -,036 ,359 ,069
R2Liqui2 ,036 ,390 -,351
R3Liqui3 -,049 ,338 ,149
R4Autof -,102 -,056 ,749
R5RenEc ,228 -,010 -,109
R6RenFin ,251 -,005 -,226
R7Apal ,222 -,012 -,083
R8CosVen -,185 ,021 -,038
R9Cash ,162 -,003 ,127
Quiebra -,073 ,016 -,218
Mtodo de extraccin: Anlisis de componentes
principales.
Mtodo de rotacin: Normalizacin Varimax con
Kaiser.
Puntuaciones de componentes.

La matriz de coeficientes para el clculo de las puntuaciones factoriales que contiene las ponderaciones para cada
variable para poder calcular las puntuaciones factoriales. Mediante estos coeficientes estimados podemos construir una
ecuacin lineal para cada una de las componentes extradas, basadas en las variables y las puntuaciones factoriales.







Matriz de covarianza de las puntuaciones de las
componentes
Componente 1 2 3
1 1,000 ,000 ,000
2 ,000 1,000 ,000
3 ,000 ,000 1,000
Mtodo de extraccin: Anlisis de componentes
principales.
Mtodo de rotacin: Normalizacin Varimax con
Kaiser.
Puntuaciones de componentes.

La matriz de las covarianzas de las puntuaciones factoriales se presenta en la Tabla anterior, contiene en la diagonal
principal la varianza de las puntuaciones factoriales que son iguales a uno y las covarianzas entre pares de factores. Si
vale cero, eso significa que son completamente independientes entre s, es decir no existe correlacin entre ellas. En el
mtodo de componentes principales se obtienen las puntuaciones factoriales reales, es decir, no son estimadas sino que
se calculan directamente a partir de las variables originales.






Bondad del Modelo
Como se ha comprobado, el anlisis de componentes principales nos permite descubrir y priorizar los atributos con los
que deber contar una pgina en la red reduciendo la informacin redundante que pueda existir entre los mismos. La
identificacin de estas componentes, nos permite conocer cules son los aspectos sobre los que se ha de incidir ms
para que dicha pgina tenga una estructura adecuada y resulte eficaz, logrando as generar en los clientes potenciales
mayor confianza y satisfaccin.
Mediante el anlisis de componentes principales hemos comprobado que efectivamente los atributos planteados se
pueden resumir finalmente en cuatro factores que eliminan la informacin redundante segn las caractersticas
presentadas, obteniendo ecuaciones lineales para cada uno de ellos
Identifique cuales son las variables ms importantes para determinar la situacin de quiebra
Con respecto a las variables ms importantes para determinar la situacin de quiebra, se puede determinar a travs del
cuadro que corresponde a las correlaciones, especficamente en la correlacin. Ah se puede observar que la variable
obtiene una correlacin negativa en la mayora de las variables menos en la de Costo de Venta, es con la nica variable
con la que crece conjuntamente. Con el resto de las variables existe un decrecimiento conjunto, que puede explicar el
porqu de la situacin de quiebra de las empresas y cuales son aquellas variables que intervienen en este resultado.



2.- Construya un modelo que se estime mediante una regresin logstica para discriminar entre grupos.
Interprete los resultados.



Resumen del procesamiento de los casos
Casos no ponderados
a
N Porcentaje
Casos seleccionados
Incluidos en el anlisis 66 100,0
Casos perdidos 0 ,0
Total 66 100,0
Casos no seleccionados 0 ,0
Total 66 100,0
a. Si est activada la ponderacin, consulte la tabla de clasificacin para ver el
nmero total de casos.

Muestra la tabla de resumen de procesamiento de casos, que resume el nmero de casos incluidos y excluidos en el
anlisis, en total y por muestras de entrenamiento, comprobacin y reservadas. Este cuadro nos muestra los 66 casos
incluidos en el anlisis, y no se muestran casos perdidos.

Codificacin de la variable
dependiente
Valor original Valor interno
No 0
Si 1






Tabla de clasificacin
a,b


Observado Pronosticado

Quiebra Porcentaje
correcto
No Si
Paso 0
Quiebra
No 38 0 100,0
Si 28 0 ,0
Porcentaje global

57,6
a. En el modelo se incluye una constante.
b. El valor de corte es ,500


Variables en la ecuacin

B E.T. Wald gl Sig. Exp(B)
Paso 0 Constante -,305 ,249 1,503 1 ,220 ,737











Variables que no estn en la ecuacin

Puntuacin gl Sig.
Paso 0
Variables
R1Liqui1 2,252 1 ,133
R2Liqui2 ,098 1 ,755
R3Liqui3 2,112 1 ,146
R4Autof 4,744 1 ,029
R5RenEc 11,791 1 ,001
R6RenFin 12,596 1 ,000
R7Apal 11,840 1 ,001
R8CosVen 20,816 1 ,000
R9Cash 27,113 1 ,000
Estadsticos globales 36,068 9 ,000


Pruebas omnibus sobre los coeficientes del modelo

Chi cuadrado gl Sig.
Paso 1
Paso 68,165 9 ,000
Bloque 68,165 9 ,000
Modelo 68,165 9 ,000

Como puede verse en la tabla de la Prueba Omnibus, el programa nos ofrece tres entradas:
Paso, Bloque y Modelo.
- La fila primera (PASO) es la correspondiente al cambio de verosimilitud (de -2LL) entre pasos sucesivos en la
construccin del modelo, contrastando la H0 de que los coeficientes de las variables aadidas en el ltimo paso son cero.
- La segunda fila (BLOQUE) es el cambio en -2LL entre bloques de entrada sucesivos durante la construccin del
modelo. Si como es habitual en la prctica se introducen las variables en un solo bloque, el Chi Cuadrado del Bloque es
el mismo que el Chi Cuadrado del Modelo.
- La tercera fila (MODELO) es la diferencia entre el valor de -2LL para el modelo slocon la constante y el valor de -2LL
para el modelo actual.


Resumen del modelo
Paso -2 log de la
verosimilitud
R cuadrado de
Cox y Snell
R cuadrado de
Nagelkerke
1 21,810
a
,644 ,865
a. La estimacin ha finalizado en el nmero de iteracin 11
porque las estimaciones de los parmetros han cambiado
en menos de ,001.

Seguidamente se aportan tres medidas RESUMEN DE LOS MODELOS, complementarias a la anterior, para evaluar de
forma global su validez: la primera es el valor del -2LL y las otras dos son Coeficientes de Determinacin (R2), parecidos
al que se obtiene en Regresin Lineal, que expresan la proporcin (en tanto por uno) de la variacin explicada por el
modelo. Un modelo perfecto tendra un valor de -2LL muy pequeo (idealmente cero) y un R2 cercano a uno (idealmente
uno).
-2 log de la verosimilitud (-2LL) mide hasta qu punto un modelo se ajusta bien a los datos. El resultado de esta
medicin recibe tambin el nombre de "desviacin". Cuanto ms pequeo sea el valor, mejor ser el ajuste.
La R cuadrado de Cox y Snell es un coeficiente de determinacin generalizado que se utiliza para estimar la
proporcin de varianza de la variable dependiente explicada por las variables predictoras (independientes). La R
cuadrado de Cox y Snell se basa en la comparacin del log de la verosimilitud (LL) para el modelo respecto al log
de la verosimilitud (LL) para un modelo de lnea base. Sus valores oscilan entre 0 y 1. En nuestro caso es un valor
muy discreto (0,039) que indica que slo el 3,9% de la variacin de la variable dependiente es explicada por la
variable incluida en el modelo.
La R cuadrado de Nagelkerke es una versin corregida de la R cuadrado de Cox y Snell. La R cuadrado de Cox y
Snell tiene un valor mximo inferior a 1, incluso para un modelo "perfecto". La R cuadrado de Nagelkerke corrige
la escala del estadstico para cubrir el rango completo de 0 a 1.

Tabla de clasificacin
a


Observado Pronosticado

Quiebra Porcentaje
correcto
No Si
Paso 1
Quiebra
No 35 3 92,1
Si 0 28 100,0
Porcentaje global

95,5
a. El valor de corte es ,500

En la tabla de clasificacin podemos comprobar que nuestro modelo tiene una especificidad alta (92,1%).
Podemos comprobar como nuestro modelo calcula unas probabilidades de Y menores de 0,5 para todos los casos, por
los que los clasifica como NO (Estado de Quiebra).




Variables en la ecuacin

B E.T. Wald gl Sig. Exp(B)
Paso 1
a

R1Liqui1 -317,556 238,029 1,780 1 ,182 ,000
R2Liqui2 17,067 22,242 ,589 1 ,443 25820075,012
R3Liqui3 287,710 221,153 1,692 1 ,193 8,928E+124
R4Autof -51,346 65,667 ,611 1 ,434 ,000
R5RenEc 594,454 10441,661 ,003 1 ,955 1,472E+258
R6RenFin -14,471 43,677 ,110 1 ,740 ,000
R7Apal -435,110 9617,291 ,002 1 ,964 ,000
R8CosVen -4,332 34,305 ,016 1 ,900 ,013
R9Cash -1203,093 616,290 3,811 1 ,051 ,000
Constante 15,431 32,853 ,221 1 ,639 5029183,572
a. Variable(s) introducida(s) en el paso 1: R1Liqui1, R2Liqui2, R3Liqui3, R4Autof, R5RenEc, R6RenFin,
R7Apal, R8CosVen, R9Cash.

En el cuadro anterior se muestran las variables que dejar en la ecuacin, sus coeficientes de regresin con sus
correspondientes errores estndar, el valor del estadstico de Wald para evaluar la hiptesis nula (Pi=0), la significacin
estadstica asociada, y el valor de la OR (exp(B)) con sus intervalos de confianza.