#cargar base de datos "empresas"

BDatosempresas<-read.delim('clipboard')
BDatosempresas
names(BDatosempresas) # Nombres de variables
dim(BDatosempresas) #Dimension de la base
attach(BDatosempresas)
# Si hay problrmas al acceder al archivo Excel, abrimos el Excel y
# en la cinta archivo-opciones-avanzados y cambiar la simbologa
# de decimales.
# VARIABLES
# VA
# IN
# BDII
# AT
# VTAS
# RESERVAS
# CAPSOC
# GF
# DT
# CAAU
# ACIRC
# DCP
# DIV96
# DIV97
# ISOC
# EXISTENCIAS
# TVA
activo
# TVIN
# TVFP
# TVV

valor aadido
inmovilizado neto
beneficio despus de inters e impuestos
activo total
ventas
reservas
capital social
gastos financieros
deudas totales
capacidad de autofinanciacin
activo circulante
deudas a corto plazo
dividendo del ao anterior
dividendo actual
impuesto de sociedades
existencias
tasas de variacin con respecto al ejercicio anterior del
tasas del inmovilizado neto
de los fondos propios
de las ventas

# CALCULO DE LAS VARIABLES(RATIOS)

# Rentabilidad
R1<-VA/VTAS
R2<-VA/IN
R3<-(BDII+isoc+gf)/AT
tivo total
R4<-(BDII+isoc+gf)/VTAS
ntas
R5<-VTAS/AT
R6<-BDII/(reservas+capsoc)
ndos propios

# Valor aadido/Ventas
# Valor aadido/Inmovilizado neto
# Beneficios antes de intereses e impuestos/Ac
# Beneficios antes de intereses e impuestos/Ve
# Ventas/Activo total
# Beneficios despus de intereses e impuestos/Fo

# Expansin y necesidades de fondos para expansin

R7<-tva
# Tasa de variacin del activo total
R8<-tvin
# Tasa de variacin del inmovilizado neto
R9<-tvfp
# Tasa de variacin de los fondos propios
R10<-tvv
# Tasa de variacin de las ventas
# Estructura financiera, generacin
R11<-dt/(reservas+capsoc)
#
R12<-dcp/(dt-dcp)
#
R13<-(BDII+isoc+gf)/gf
#
stos financieros

de fondos y nivel de endeudamiento

Deudas totales/Recursos propios
Deudas a corto plazo/Deudas a largo plazo
Beneficios antes de intereses e impuestos/Ga

R14<-gf/caau
cin
R15<-AT/caau
# Liquidez
R16<-acirc/dcp
R17<-(acirc-Existencias)/dcp
orto plazo
R18<-caau/dcp
o
R19<-dcp/VTAS
Y<-DIV/BDII
mpuestos.

# Gastos financieros/Capacidad de autofinancia

# Activo total/Capacidad autofinanciacin
# Activo circulante/Deudas a corto plazo
# (Activo circulante - existencias)/Deudas a c
# Capacidad autofinanciacin/Deudas a corto plaz
# Deudas a corto plazo/Ventas
# Dividendos/Beneficios despus de intereses e i

# Exportar base de datos

BDatosRatios<-data.frame(Y,R1,R2,R3,R4,R5,R6,R7,R8,R9,R10,R11,R12,R13,R14,R15,R1
6,R17,R18,R19)
save(BDatosRatios, file="BDatosRatios.rda") #guardamos en un formato del R.
write.csv(BDatosRatios, file="BDatosRatios.csv") #guardamos en un archivo CSV.
#Buscamos la base de datos y trabajamos con ella
BDatosRatios<-read.delim('clipboard')
BDatosRatios
attach(BDatosRatios)
# 1. A travs de grficos, determine si existen datos discrepantes
# exagerados o de lo contrario
# confirme que no los hay.
# Nos sirve para mostrar en conjunto todos los box plot si se desea
par(mfrow=c(5,4))
# Hacemos las grficos de caja y mostrando tambin los outliers
boxplot(Y)
boxplot.stats(Y)
boxplot(R1)
boxplot.stats(R1)
boxplot(R2)
boxplot.stats(R2)
boxplot(R3)
boxplot.stats(R3)
boxplot(R4)
boxplot.stats(R4)
boxplot(R5)
boxplot.stats(R5)
boxplot(R6)
boxplot.stats(R6)
boxplot(R7)
boxplot.stats(R7)
boxplot(R8)
boxplot.stats(R8)
boxplot(R9)
boxplot.stats(R9)
boxplot(R10)
boxplot.stats(R10)
boxplot(R11)
boxplot.stats(R11)
boxplot(R12)
boxplot.stats(R12)
boxplot(R13)
boxplot.stats(R13)

boxplot(R14)
boxplot.stats(R14)
boxplot(R15)
boxplot.stats(R15)
boxplot(R16)
boxplot.stats(R16)
boxplot(R17)
boxplot.stats(R17)
boxplot(R18)
boxplot.stats(R18)
boxplot(R19)
boxplot.stats(R19)
# Analizamos todas las variables, para determinar outliers
# en todas las variables.
boxplot(BDatosRatios, use.cols=TRUE)
Luego de limpiar la base de datos bdatos cargamos la nueva base de Excel
BDatosRatiosf<-read.delim('clipboard')
attach(BDatosRatiosf)
# 2. Realizar el anlisis de normalidad con las pruebas mnimas:
# COEF. KURTOSIS, COEF. SESGADEZ, JARQUE-BERA, QQPLOT en la
# variable endgena y hacer interpretaciones y las modificaciones necesarias.
# DETERMINE SI LA ENDGENA PERMANECE INALTERABLE O NO.
# NORMALIDAD ENDOGENA EN R
# Ahora analizaremos la normalidad de nuestra variable endgena
# Normalidad: histograma-qqplot-lnea sobre el qqplot
hist(Y)
qqnorm(Y)
qqline(Y)
# Hacemos un histograma de la variable endgena en R
hist(Y,breaks=50,freq=F,main=)
curve(dnorm,add=T)
# Utilizamos la prueba de normalidad Shapiro-Wilk
shapiro.test(Y)
# data: Y
# W = 0.59475, p-value = 3.503e-11
# El p-valor es menor a 0.05 (nivel de confianza) entonces
# la hiptesis nula es rechazada
# (se concluye que los datos no vienen de una distribucin normal).
# Instalamos el paquete de datos fBasicsy despus lo cargamos
install.packages("fBasics")
library(fBasics)
# Calculamos la asimetria y la curtosis
skewness(Y)
# Asimetria hacia la derecha por ser valor positivo
kurtosis(Y)
# Es mayor a 3 por lo que es una leptocurtica
# Si se acepta la normalidad de la variable endgena grficamente.

# Instalar paquete tseries, luego cargamos el paquete

install.packages("tseries")
library(tseries)
#Calculamos el estadistico de prueba del test de jarque-bera
# jarque.bera.test(Y)
# X-squared = 3.8411, df = 2, p-value = 0.1465
# No se rechaza Ho, los errores del modelo se distribuyen aprox. normal
#
#
#
#
#

3.Con la variable endgena obtenida, analice la relacin lineal las exgenas para
ser incluidas en el modelo lineal.
Determine cules de las exgenas quedan en el modelo
Determine si alguna de las exgenas muestra fuerte relacin con la
endgena como para ser transformada.

# Relacin lineal entre endgena y exgenas

#Ahora procedemos a ver los grficos de dispersin y la matriz de correlaciones
pairs(BDatosRatiosf) # GRAFICOS DE DISPERSION
#(no se visualiza muy bien)
cor(BDatosRatiosf) #MATRIZ DE CORRELACIONES
# De otro modo, grfico x grfico
# Grafico de dispersion de la variable endogena Y con
# cada una de las variables exogenas
# grafica de
plot(R1,Y)
# grafica de
plot(R2,Y)
# grafica de
plot(R3,Y)
# grafica de
plot(R4,Y)
# grafica de
plot(R5,Y)
# grafica de
plot(R6,Y)
# grafica de
plot(R7,Y)
# grafica de
plot(R8,Y)
# grafica de
plot(R9,Y)
# grafica de
plot(R10,Y)
# grafica de
plot(R19,Y)
# grafica de

dispersion de Y con R1
dispersion de Y con R2
dispersion de Y con R3
dispersion de Y con R4
dispersion de Y con R5
dispersion de Y con R6
dispersion de Y con R7
dispersion de Y con R8
dispersion de Y con R9
dispersion de Y con R10
dispersion de Y con R11
dispersion de Y con R19

# Y nos damos cuenta que la variable endgena Y

# tiene mas relacin con las variables exgenas R9,R10,R11,R13 Y R15.
# Tambin se puede ver que hay una posible existencia de posible multicolinealidad
# entre R16 Y R17.
# Mostramos los coeficientes del modelo lineal de la variable endgena Y con todas
las variables exgenas

modelo_1<- lm(Y~R1+R2+R3+R4+R5+R6+R7+R8+R9+R10+R11+R12+R13+R14
+R15+R16+R17+R18+R19,BDatosRatiosf)
#Analisis de relacin de la variable endgena con las variables exogenas
anova(modelo_1)
summary(modelo_1)
aov(modelo_1)
#Valores ajustados y residuales de la variable endgena Y
modelo_1$fitted
modelo_1$resid
#Al final el modelo quedara de la siguiente manera
modelo_1<- lm(Y~R9+R11,BDatosRatiosf)
anova(modelo_1)
#Se estandariza los residuales(Residuales estandarizados) - histograma de los ri
- boxplot de los ri
ri<-rstandard(modelo_1)
hist(ri)
#Tiene una forma de normal estandar.
boxplot(ri)
# Normalidad de los residuales estandarizados - Q-Q plot de los residuales estan
darizados
library(fBasics)
library(tseries)
jarque.bera.test(Y)
qqnorm(ri)
qqline(ri)
# Homocedasticidad-prueba Score
install.packages("car")
library(car)
ncvTest(modelo_1)
# PRUEBAS DE HOMOCEDASTICIDAD
par(mfrow=c(2,2))
plot(lm(Y~ R1+R2+R3+R4+R5+R6+R7+R8+R9+R10+R11+R12+R13+R14
+R15+R16+R17+R18+R19), BDatosRatiosf)