Vol. 11/ Núm. 2 2024 pág. 1945
https://doi.org/10.69639/arandu.v11i2.384
Explorando la relación entre el rendimiento financiero y el
éxito empresarial en el sector de tecnología
Exploring the relationship between financial performance and business success in the
technology sector
Carlos Cristian De la Rosa Flores
cdelarosa@uach.mx
https://orcid.org/0000-0001-8278-5283
Universidad Autónoma de Chihuahua
Chihuahua – México
Jorge Armendáriz Vega
jarmendarizv@uach.mx
https://orcid.org/0000-0002-7850-4220
Universidad Autónoma de Chihuahua
Chihuahua – México
Paúl Adrián Chávez Hernández
pchavez@uach.mx
https://orcid.org/0000-0002-2236-3828
Universidad Autónoma de Chihuahua
Chihuahua – México
Artículo recibido: 20 septiembre 2024 - Aceptado para publicación: 26 octubre 2024
Conflictos de intereses: Ninguno que declarar
RESUMEN
Numerosos expertos coinciden en que el futuro de las empresas está vinculado a la analítica de
datos, la cual permite identificar los factores que contribuyen a su éxito. El propósito de esta
investigación fue desarrollar un modelo que facilite la clasificación de las empresas exitosas,
mediante el cálculo de las principales razones financieras. Se adoptó un enfoque cuantitativo,
documental, no experimental y longitudinal. Se estudiaron 93 empresas que cotizaron en el
mercado de valores de Nasdaq entre 2005 y 2020, seleccionadas a través de un muestreo
probabilístico. A través del análisis de regresión lineal múltiple se logró explicar el 78.82% del
comportamiento de la tasa de rendimiento a través de las variables de razón corriente, razón de
margen de utilidad, razón de rendimiento sobre activos y razón de rendimiento sobre patrimonio.
Palabras clave: finanzas, tecnología, rendimiento financiero
ABSTRACT
Many experts agree that the future of companies is linked to data analytics, which allows them to
identify the factors that contribute to their success. The purpose of this research was to develop a
model that facilitates the classification of successful companies, by calculating the main financial
Vol. 11/ Núm. 2 2024 pág. 1946
ratios. A quantitative, documentary, non-experimental and longitudinal approach was adopted. 93
companies that were listed on the Nasdaq stock market between 2005 and 2020 were studied,
selected through probabilistic sampling. Through multiple linear regression analysis, it was
possible to explain 78.82% of the behavior of the rate of return through the variables of current
ratio, profit margin ratio, return on assets ratio and return on equity ratio.
Keywords: finance, technology, financial performance
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 11/ Núm. 2 2024 pág. 1947
INTRODUCCIÓN
El crecimiento acelerado de las Tecnologías de la Información y Comunicación (TIC) ha
generado avances y beneficios en diversas áreas, siendo especialmente útil en el análisis del
comportamiento de los mercados financieros, particularmente en el mercado de capitales. Dada
la volatilidad de estos mercados, es esencial realizar estudios que busquen modelos que ayuden a
reducir el riesgo para los inversionistas que destinan sus recursos a empresas que cotizan en las
bolsas de valores (Mures, 2013).
Antes de invertir, es posible examinar el perfil de las empresas que operan en estos
mercados. Además de la información que ofrecen las instituciones financieras, los inversionistas
pueden acceder a los estados financieros, ya que, para cotizar en el mercado de capitales, las
empresas deben ser públicas y, por lo tanto, tienen la obligación de publicar sus informes
financieros de forma periódica (BMV, 2018).
El análisis financiero es crucial para alcanzar uno de los objetivos principales de la
administración financiera: maximizar la riqueza de los accionistas. Las finanzas ofrecen diversas
herramientas para evaluar el rendimiento de las operaciones de la empresa, siendo las razones
financieras una de las más relevantes. Estas razones proporcionan indicadores sobre la liquidez,
rentabilidad, apalancamiento y uso eficiente de los activos (Servín y Silva, 2011).
El uso de las razones financieras facilita la comparación y el análisis de las relaciones entre
diversos elementos de la información financiera de las empresas (Ross, Westerfield y Jaffe, 2012).
Los datos necesarios para calcular estos indicadores provienen de los estados financieros emitidos
por las empresas, que incluyen el estado de resultados, el balance general y el estado de flujo de
efectivo.Aunque hay diferentes opiniones sobre la relevancia y, en ocasiones, sobre los métodos
para calcular las razones financieras, autores reconocidos como Ross, Westerfield y Jaffe (2012),
Block, Hirt y Danielsen (2013), y Gitman y Zutter (2015) coinciden en que estos indicadores
siempre serán de gran relevancia para un correcto análisis financiero.
No obstante, todas las empresas experimentan altibajos con el tiempo, lo que significa que
no todas logran el mismo crecimiento o éxito. Por lo tanto, es vital analizar los indicadores
financieros para clasificar las empresas según sus similitudes, facilitando así la toma de decisiones
de inversión. Las crisis financieras recientes han demostrado su capacidad para afectar a distintos
sectores empresariales, incluso llevándolos a la quiebra, como ocurrió durante la crisis de las
empresas de internet en 2001 y la crisis hipotecaria de 2008 en Estados Unidos (Salgado, 2017).
Para enfrentar los efectos negativos de estos eventos y mantenerse exitosamente en el
mercado, la estabilidad financiera de cada empresa es fundamental (De la Rosa Flores, 2021).
Otros autores han realizado investigaciones encaminadas a conocer la relación entre indicadores
financieros y el performance de las empresas, tal como lo es la investigación de Quiroga (2016),
titulada “Aplicación de dos técnicas del análisis multivariado en el mercado de valores”, “Análisis
Vol. 11/ Núm. 2 2024 pág. 1948
de componentes principales funcionales en series de tiempo económicas” (Chávez, 2015),
“Aplicación de técnicas estadísticas multivariantes en el tratamiento de la información
económico- financiera”, (Mures, 2013), “Selección de índices financieros mediante técnicas
estadísticas de los análisis multivariantes” de Pérez (2013), “Alternative accounting measures as
predictors of failure”, (Beaver, 1968) y “Accounting ratios and the prediction of failure: some
behavioral evidence” (Libby, 1975).
Al recopilar información sobre empresas disponibles para invertir y datos sobre las
condiciones del mercado, los inversionistas deben analizar cuidadosamente esta información para
decidir dónde invertir su capital, considerando la relación entre riesgo y rendimiento en su
decisión final (Gutiérrez & Medina, 2018).
Dado que hay una amplia variedad de empresas atractivas para la inversión en los mercados
financieros, contar con metodologías para analizar su desempeño financiero puede acelerar la
toma de decisiones de inversión, minimizando así el riesgo (Contreras, Bronfman, & Arenas,
2015). Desarrollar un modelo capaz de identificar las razones financieras que contribuyen al éxito
de una empresa que cotiza en bolsa y clasificar dichas razones sería sumamente beneficioso, tanto
para los inversores que buscan obtener un retorno de su inversión como para otras empresas que
deseen replicar el camino hacia el éxito marcado por sus pares.
El propósito de esta investigación fue desarrollar un modelo que permita conocer las
principales razones financieras que influyen en empresas de éxito que cotizan en el sector bursátil
de tecnología,
MATERIALES Y MÉTODOS
La investigación fue de tipo no experimental, dado que no se alteraron las variables de
estudio y se trabajó únicamente con los estados financieros de las empresas analizadas. El diseño
fue longitudinal y correlacional-causal. Se considera longitudinal porque se recopilaron datos de
los últimos 15 años de las empresas en estudio, que cotizan en la bolsa de valores del Nasdaq.
Además, es correlacional-causal, ya que se exploró la relación de causa y efecto entre las 12
variables independientes y la variable dependiente.
El marco muestral de la investigación fue la bolsa de valores del Nasdaq, que cuenta con
una población de aproximadamente 3,300 empresas que cotizan en ella.
La unidad de análisis estuvo conformada por las empresas que han cotizado en el Nasdaq
y cumplen con las siguientes características:
1. Pertenecen a los sectores de tecnología, farmacéutica, biotecnología o servicios
financieros.
2. Cotizaron entre del año 2005 al 2020.
Vol. 11/ Núm. 2 2024 pág. 1949
El tamaño de la muestra se obtuvo mediante un muestreo no probabilístico, con un nivel de
confianza del 95% y un margen de error máximo del 10%. El cálculo detallado se presenta en la
tabla 1.
Tabla 1
Cálculo de la muestra
Población
N =
3,300
Alfa (Máximo error tipo I)
α =
0.05
Nivel de Confianza
1-ɑ =
0.95
Valor Z
Z =
1.96
Probabilidad de éxito
p =
0.5
Complemento de p
q =
0.5
Precisión
d =
0.10
Tamaño de la muestra
n =
93
Fuente: Elaboración propia con el paquete estadístico SAS
Para el estudio se emplearon 12 razones financieras de las 93 empresas seleccionadas,
calculadas a partir de los estados financieros de periodos semestrales. Se analizó un total de 15
años, comenzando con la obtención de los indicadores financieros de manera semestral, para
luego calcular un promedio anual. La codificación utilizada para ingresar los datos en el programa
estadístico SAS, en relación con las razones financieras, se presenta en la tabla 2
Tabla 2
Codificación de razones financieras
Razones de liquidez
Razones de actividad
RC
RRI
Razón de rotación de inventario
RA
RRDI
Razón de días de venta en
inventario
RCXC
Razón de rotación de cuentas por
cobrar
RDCXC
Razón de días en cuentas por
cobrar
RRA
Razón de rotación de activos
totales
Razones de rentabilidad
Razones de apalancamiento
RMU
RAT
Razón de margen de deuda total
ROA
RCI
Razón de cobertura de intereses
ROE
Fuente: Elaboración propia
Vol. 11/ Núm. 2 2024 pág. 1950
Para determinar si una empresa ha tenido éxito, se estableció que su tasa de rendimiento
anual debía superar en al menos un 50% la tasa de rendimiento anual del índice NASDAQ durante
los últimos 15 años.
Con base en esto, se formaron dos grupos de empresas:
• Grupo de éxito
• Grupo de no éxito
Para clasificar a una empresa como exitosa o no, se calculó la media geométrica de
rendimiento tanto del índice Nasdaq-100 como de las 93 empresas en estudio. El criterio de éxito
fue el siguiente:
Si la media geométrica de rendimiento de una empresa era al menos un 50% mayor que la
media geométrica del índice Nasdaq-100, se consideraba que pertenecía al grupo de empresas
exitosas.
La tasa de crecimiento anual para las empresas que cotizan en el Nasdaq fue del 9.91%,
basada en el crecimiento del índice Nasdaq-100 durante los 15 años analizados. Por lo tanto, para
ser agrupada entre las empresas exitosas, una empresa debía tener una tasa de crecimiento de al
menos 14.85%. Tras calcular la media geométrica de crecimiento para las 93 empresas, se
identificaron 25 que superaron en al menos un 50% el crecimiento general del índice. La tabla 3
presenta estas 25 empresas clasificadas en el grupo de éxito
Tabla 3
Empresas del grupo de éxito
Tasa de rendimiento anual
Empresa
28.67%
ILMN
26.80%
REGN
24.71%
NVO
23.76%
NVDA
22.43%
HEI
21.73%
ASML
21.18%
EW
20.75%
VRTX
19.54%
IDXX
18.92%
QDEL
17.96%
CSX
17.73%
RMD
17.49%
ROP
17.29%
GIB
17.21%
TSM
17.18%
DHX
Vol. 11/ Núm. 2 2024 pág. 1951
16.66%
OKE
16.42%
DHR
16.21%
EL
15.78%
ATVI
15.8%
NEE
15.36%
INCY
14.96%
GILD
14.89%
WAB
14.83%
LHX
Fuente: Elaboración propia con el paquete estadístico SAS
RESULTADOS Y DISCUSIÓN
En la fase inicial de la investigación, se recopilaron un total de 1,116 observaciones
(correspondientes a 12 razones financieras promediadas anualmente para cada una de las 93
empresas seleccionadas). La tabla 4 presenta los estadísticos descriptivos de las 12 variables
independientes analizadas en el estudio.
Tabla 4
Estadísticos descriptivos
Variable
Conteo
total
Media
Desv.Est.
Varianza
Coef.
Var
Mínimo
Máximo
RC
93
2.161
1.215
1.475
56.19
0.544
5.325
RA
93
1.4336
0.8691
0.7553
60.62
0.3046
4.7397
RRI
93
8.41
12.34
152.37
146.75
1.1
77.18
RRDI
93
89.14
66.96
4483.96
75.12
4.73
332.08
RCXC
93
14.01
64.23
4125.61
458.43
2.03
626.13
RDCXC
93
68.47
65.1
4238.31
95.09
18.22
475.8
RRA
93
10.6901
0.3659
0.1339
53.02
0.191
2.3786
RMU
93
39.673
7.754
60.126
61.19
0.88
34.086
ROA
93
69.198
5.971
35.654
72.83
1.159
45.3
ROE
93
19.02
14.43
208.2
75.87
2.49
82.72
RAT
93
9.3578
0.2023
0.0409
56.54
0.0066
1.2478
RCI
93
4.742
1.002
1.004
21.12
1.092
9.04
Fuente: Elaboración propia con el paquete estadístico SAS
En esta sección del análisis, se llevó a cabo un análisis de regresión lineal múltiple, donde
las 12 razones financieras se usaron como variables independientes, y la tasa de rendimiento anual
de las empresas de éxito se consideró como la variable dependiente. Antes de realizar el análisis,
se verificó la matriz de correlaciones, que se presenta en la tabla 43. Esta tabla muestra las
Vol. 11/ Núm. 2 2024 pág. 1952
relaciones entre las variables, junto con sus valores de significancia. Se puede notar una fuerte
correlación positiva entre las variables independientes RCA, RA, RMU, ROA y ROE con la
variable dependiente RENDIMIENTO, todas con significancia estadística (P-value<0.05).
Además, se observa una fuerte relación entre las variables RC y RA, lo que sugiere la posibilidad
de problemas de multicolinealidad en el modelo que se está desarrollando.
Tabla 5
Matriz de correlaciones de Pearson
RE
ND
RC
RA
RRI
RR
DI
RC
XC
RDC
XC
RR
A
RM
U
RO
A
RO
E
RA
T
RCI
REN
D
CC
1
0.88
4
0.07
8
-
0.15
9
0.19
1
0.0
97
-
0.08
7
0.08
4
0.78
9
0.80
1
0.7
12
-
0.13
5
-
0.02
6
P-
valu
e
0.00
4
0.00
2
0.13
1
0.06
8
0.3
57
0.40
8
0.42
4
0.00
2
0.00
1
0.0
04
0.2
0.80
3
RC
CC
0.8
84
1
.850
**
-
.278
**
.416
**
0.0
82
.347
**
-
0.13
2
.383
**
.488
**
.23
8*
-
0.10
2
-
.408
**
P-
valu
e
0.0
04
0
0.00
7
0
0.4
38
0.00
1
0.20
9
0
0
0.0
22
0.33
5
0
RA
CC
0.0
78
.850
**
1
-
.233
*
.373
**
0.1
18
.249
*
-
0.13
9
.398
**
.471
**
0.2
-
0.14
1
-
.359
**
P-
valu
e
0.0
02
0
0.02
6
0
0.2
61
0.01
7
0.18
7
0
0
0.0
56
0.17
9
0
RRI
CC
-
0.1
59
-
.278
**
-
.233
*
1
-
.471
**
-
0.0
02
-0.05
-
0.00
6
-
0.14
-
0.10
2
-
0.0
51
0.07
6
0.08
8
P-
valu
e
0.1
31
0.00
7
0.02
6
0
0.9
84
0.63
8
0.95
4
0.18
3
0.33
5
0.6
27
0.46
9
0.40
7
RRD
I
CC
0.1
91
.416
**
.373
**
-
.471
**
1
-
0.0
81
0.02
4
-
0.12
.405
**
.244
*
0.1
01
-
.300
**
-
0.12
9
P-
valu
e
0.0
68
0
0
0
0.4
42
0.81
9
0.25
3
0
0.01
9
0.3
39
0.00
4
0.22
2
RCX
C
CC
0.0
97
0.08
2
0.11
8
-
0.00
2
-
0.08
1
1
-
0.08
9
-
0.03
.285
**
0.16
9
0.0
3
-
0.14
2
-
0.06
3
P-
valu
e
0.3
57
0.43
8
0.26
1
0.98
4
0.44
2
0.39
9
0.77
6
0.00
6
0.10
8
0.7
74
0.17
8
0.55
Vol. 11/ Núm. 2 2024 pág. 1953
RDC
XC
CC
-
0.0
87
.347
**
.249
*
-
0.05
0.02
4
-
0.0
89
1
-
0.15
7
-
0.16
2
0.14
5
.62
6**
.592
**
-
.533
**
P-
valu
e
0.4
08
0.00
1
0.01
7
0.63
8
0.81
9
0.3
99
0.13
5
0.12
3
0.16
7
0
0
0
RRA
CC
0.0
84
-
0.13
2
-
0.13
9
-
0.00
6
-
0.12
-
0.0
3
-
0.15
7
1
-
.376
**
0.10
2
0.0
74
-
0.13
3
0.03
7
P-
valu
e
0.4
24
0.20
9
0.18
7
0.95
4
0.25
3
0.7
76
0.13
5
0
0.33
4
0.4
82
0.20
7
0.72
3
RM
U
CC
0.7
89
.383
**
.398
**
-
0.14
.405
**
.28
5**
-
0.16
2
-
.376
**
1
.525
**
0.1
03
-
.396
**
-
0.14
9
P-
valu
e
0.0
02
0
0
0.18
3
0
0.0
06
0.12
3
0
0
0.3
29
0
0.15
8
ROA
CC
0.8
01
.488
**
.471
**
-
0.10
2
.244
*
0.1
69
0.14
5
0.10
2
.525
**
1
.38
8**
-
0.13
2
-
.311
**
P-
valu
e
0.0
01
0
0
0.33
5
0.01
9
0.1
08
0.16
7
0.33
4
0
0
0.21
1
0.00
3
ROE
CC
0.7
12
.238
*
0.2
-
0.05
1
0.10
1
0.0
3
.626
**
0.07
4
0.10
3
.388
**
1
.463
**
-
0.15
P-
valu
e
0.0
04
0.02
2
0.05
6
0.62
7
0.33
9
0.7
74
0
0.48
2
0.32
9
0
0
0.15
4
RAT
CC
-
0.1
35
-
0.10
2
-
0.14
1
0.07
6
-
.300
**
-
0.1
42
.592
**
-
0.13
3
-
.396
**
-
0.13
2
.46
3**
1
0.06
7
P-
valu
e
0.2
0.33
5
0.17
9
0.46
9
0.00
4
0.1
78
0
0.20
7
0
0.21
1
0
0.52
3
RCI
CC
-
0.0
26
-
.408
**
-
.359
**
0.08
8
-
0.12
9
-
0.0
63
-
.533
**
0.03
7
-
0.14
9
-
.311
**
-
0.1
5
0.06
7
1
P-
valu
e
0.8
03
0
0
0.40
7
0.22
2
0.5
5
0
0.72
3
0.15
8
0.00
3
0.1
54
0.52
3
Fuente: Elaboración propia con el paquete estadístico SAS
Después de ejecutar el modelo de regresión lineal, se procedió a validar los supuestos del
mismo, los cuales se ilustran en la tabla 3. En términos generales, se puede notar que los datos
tienden a seguir una distribución normal, ya que la mayoría de las observaciones se ajustan
Vol. 11/ Núm. 2 2024 pág. 1954
adecuadamente en la gráfica de probabilidad normal. Además, el supuesto de homogeneidad de
varianzas se cumple, como se puede observar en el gráfico de residuos, donde no se presenta una
tendencia en los residuos generados por el modelo de regresión. El histograma creado también
muestra una inclinación hacia una distribución normal, y el gráfico de residuos frente al orden no
indica la presencia de estacionalidad en los datos. Todo esto sugiere que es viable realizar el
análisis de regresión múltiple.
Figura 1
Gráficas de residuos
Fuente: Elaboración propia con el paquete estadístico SAS
Para avanzar en la validación de las variables a incluir en el modelo de análisis de regresión
múltiple, la tabla 44 presenta los resultados del ANOVA. Según estos resultados, cinco de las
doce variables independientes muestran significancia estadística (P-values < 0.05), lo que indica
que las otras ocho variables que no alcanzaron significancia no influencian la variable
dependiente. No obstante, para evaluar la eficacia del modelo, es fundamental considerar otros
indicadores estadísticos, como el coeficiente de determinación.
Tabla 6
ANOVA de regresión lineal
Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
Regresión
12
0.123789
0.010316
3.3
0.001
RC
1
0.064063
0.064063
20.47
0.001
RA
1
0.051703
0.051703
16.52
0.002
Vol. 11/ Núm. 2 2024 pág. 1955
RRI
1
0.000976
0.000976
0.31
0.578
RRDI
1
0.000025
0.000025
0.01
0.929
RCXC
1
0.000427
0.000427
0.14
0.713
RDCXC
1
0.003971
0.003971
1.27
0.263
RRA
1
0.002871
0.002871
0.92
0.341
RMU
1
0.004417
0.004417
15.41
0.002
ROA
1
0.000607
0.000607
14.33
0.002
ROE
1
0.003271
0.003271
10.98
0.004
RAT
1
0.0034
0.0034
1.09
0.3
RCI
1
0.001569
0.001569
0.5
0.481
Fuente: Elaboración propia con el paquete estadístico SAS
Casi al concluir la validación del análisis de regresión lineal múltiple, la tabla 45 muestra
los coeficientes de regresión del modelo obtenido. Solo los coeficientes de las variables RC, RA,
RMU, ROA y ROE presentan significancia estadística, lo que permite elaborar la ecuación final
del modelo. Sin embargo, se observa que las variables RC y RA tienen valores VIF superiores a
1, lo que indica la presencia de problemas de multicolinealidad, es decir, estas variables están
correlacionadas entre sí, lo que requiere realizar ajustes en el modelo.
Tabla 7
Significancia de coeficientes de regresión
Término
Coef
Valor p
VIF
Constante
0.0678
0.263
RC
0.464
0.001
1.29
RA
0.535
0.002
1.75
RRI
-0.000306
0.578
0.34
RRDI
0.000011
0.929
0.86
RCXC
0.000036
0.713
0.18
RDCXC
-0.000251
0.263
0.52
RRA
0.0219
0.341
0.05
RMU
0.167
0.002
0.45
ROA
0.65
0.002
0.23
ROE
0.721
0.004
0.39
RAT
0.0528
0.3
0.43
RCI
-0.00664
0.481
0.22
Fuente: Elaboración propia con el paquete estadístico SAS
Finalmente, se calcularon el coeficiente de determinación y el coeficiente de determinación
ajustado, cuyos resultados se presentan en la tabla 46. El coeficiente de determinación indica el
porcentaje de variabilidad de la variable dependiente que puede ser explicado por todas las
variables independientes. Por otro lado, el coeficiente de determinación ajustado se interpreta de
manera similar, pero considera los ajustes necesarios por la inclusión de más variables en el
modelo. Así, al evaluar el coeficiente de determinación ajustado con las 12 variables analizadas,
Vol. 11/ Núm. 2 2024 pág. 1956
se observa que explican el 48.55% de la variabilidad total. Dado que el análisis identificó variables
no significativas y problemas de multicolinealidad, se decidió repetir el análisis de regresión,
realizando ajustes en el número de variables a utilizar.
Tabla 8
Coeficiente de determinación
R-Cuadrada
R-Cuadrada (ajustado)
63.37%
60.25%
Fuente: Elaboración propia con el paquete estadístico SAS
Tras realizar nuevamente el análisis de regresión múltiple, se encontró que las 4 variables
empleadas son estadísticamente significativas, todas con P-values menores a 0.05, lo que indica
que deben ser incorporadas en el modelo. Es importante señalar que las variables RC y RA
causaron problemas de multicolinealidad, por lo que se decidió incluir solo la variable RC, debido
a su mayor correlación con la variable dependiente.
Tabla 9
ANOVA de regresión lineal (2)
Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
Regresión
4
0.058561
0.01464
4.08
0.004
RC
1
0.014365
0.014365
4
0.000
RMU
1
0.003009
0.003009
3.84
0.000
ROA
1
0.002154
0.002154
3.62
0.000
ROE
1
0.003476
0.003476
2.97
0.040
Fuente: Elaboración propia con el paquete estadístico SAS
Con el análisis renovado, se generan nuevos coeficientes de regresión que son validados al
mostrar significancia estadística (P-Value<0.05). Así, la ecuación final del modelo de regresión
lineal múltiple se establece de la siguiente manera:
REND = 1.20 + .1226 RC + 0.902 RMU + 0.409 ROA + 0.522 ROE + e
Como resultado del análisis de regresión múltiple que incorpora las cuatro variables
mencionadas anteriormente, se observa una mejora significativa en el coeficiente de
determinación y en el coeficiente de determinación ajustado. Ambos coeficientes, siendo muy
similares, logran casi explicar el 80% de la variabilidad total de la variable dependiente. En la
tabla 49, el valor del R-Cuadrada se presenta en 79.87%, mientras que el R-Cuadrada ajustado se
sitúa en 78.82%.
Tabla 10
Coeficiente de determinación (2)
R-Cuadrada
R-Cuadrada (ajustado)
79.87%
78.82%
Fuente: Elaboración propia con el paquete estadístico SAS
Vol. 11/ Núm. 2 2024 pág. 1957
CONCLUSIONES
El análisis final realizado fue el de regresión lineal múltiple. Primero, se llevó a cabo una
matriz de correlaciones utilizando las 12 variables independientes, que correspondían a razones
financieras, y como variable dependiente se tomó la tasa de rendimiento de cada empresa. En un
primer paso, se calculó la matriz de correlaciones para todas las variables involucradas en el
análisis. Luego se generaron la gráfica de probabilidad normal, el histograma, y los gráficos de
residuos frente a ajustes y residuos frente a orden, lo que confirmó la viabilidad de utilizar esta
técnica estadística. El análisis ANOVA de la regresión lineal reveló que la razón corriente, la
razón ácida, la razón de margen de utilidad, la razón de rendimiento sobre activos y la razón de
rendimiento sobre patrimonio mostraron significancia estadística, lo que permitió la construcción
de la ecuación final del modelo. Sin embargo, se identificó que las variables razón corriente y
razón ácida presentaban valores VIF superiores a 1, indicando problemas de multicolinealidad.
Este primer análisis determinó que, según el coeficiente de determinación, las variables del
modelo explicaron el 60.25% de la variabilidad de la tasa de rendimiento, lo que llevó a decidir
realizar un nuevo análisis utilizando solo las variables significativas. En la segunda ejecución del
análisis se optó por incluir únicamente la razón corriente, la razón de margen de utilidad, la razón
de rendimiento sobre activos y la razón de rendimiento sobre patrimonio. Se eliminó la razón
ácida del análisis debido a su alta correlación con la razón corriente, que generó un problema de
multicolinealidad. Sin embargo, se mantuvo la razón corriente en el análisis porque mostró una
correlación más fuerte con la variable dependiente. Las demás variables no se incluyeron en este
segundo análisis debido a su falta de significancia estadística en el ANOVA. Con estos ajustes,
el modelo de regresión lineal múltiple logró explicar el 78.82% del comportamiento de la tasa de
rendimiento a través de las variables de razón corriente, razón de margen de utilidad, razón de
rendimiento sobre activos y razón de rendimiento sobre patrimonio.
Vol. 11/ Núm. 2 2024 pág. 1958
REFERENCIAS
Beaver, W. (1968). Alternative Accounting Measures as Predictors of Failure. The Accounting
Review, 43, 113-122. Obtenido de www.jstor.org/stable/244122
Block , S., Hirt, G., & Danielsen, B. (2013). Fundamentos de administración financiera. México
D.F.: McGraw-Hill.
BMV. (1 de 12 de 2018). Bolsa Mexicana de Valores. Obtenido de
https://www.bmv.com.mx/es/mercados/capitales
Cardona, O. J. (2015). Análisis de indicadores financieros del sector manufacturero del cuero y
marroquinería. Informador técnico, 79(2), 156-168. doi:
https://doi.org/10.23850/22565035.160
Chávez, C. (2015). Análisis de componentes principales funcionales en series de tiempo
económicas. Revista Internacional de Gestión del Conocimiento y la Tecnología, 3, 5-9.
Obtenido de https://www.upo.es/revistas/index.php/gecontec/article/view/1694
Contreras, O. E., Bronfman, R. S., & Arenas, C. E. (2015). Estrategia de inversión optimizando
la relación rentabilidad-riesgo: evidencia en el mercado accionario colombiano. Estudios
Gerenciales, 31(137), 383-392. doi: https://doi.org/10.1016/j.estger.2015.07.005
De la Rosa Flores, C. C., Ordóñez Parada , A. I., Cabrera Ramos , C., & Berroterán Martínez , V.
(2021). Estadística multivariada aplicada a la clasificación de empresas que cotizan en la
Bolsa Mexicana de Valores. Revista mexicana de economía y finanzas, 16(1). doi:
https://doi.org/10.21919/remef.v16i1.452
Gitman, L., & Zutter, C. (2015). Principios de administración financiera (12 ed.). México:
Pearson.
Gutiérrez, S. D., & Medina, H. S. (2018). Estimación robusta de la matriz de covarianza para la
selección óptima de portafolios de inversión. DYNA, 85, 328-336. doi:
http://dx.doi.org/10.15446/dyna.v85n207.74883
Libby, R. (1975). Accounting Ratios and the Prediction of Failure: Some Behavioral Evidence.
Journal of Accounting Research. doi: https://doi.org/10.2307/2490653
Mures, Q. J. (2013). Aplicación de técnicas estadísticas multivariantes en el tratamiento de
información económico-financiera. Estadística española, 55, 337-364. Obtenido de
https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUK
EwiOsvqst4HoAhUEPK0KHSYPCwQQFjAAegQIBRAB&url=https%3A%2F%2Fdial
net.unirioja.es%2Fdescarga%2Farticulo%2F6014736.pdf&usg=AOvVaw2OygpmoPwl
ajExKJBgQtn0
Núñez, C. C., & Escobedo, L. D. (2011). Uso correcto del análisis clúster en la caracterización de
germoplasma vegetal. Agronomía Mesoamericana, 2, 415-427. doi:
https://doi.org/10.15517/am.v22i2.8746
Vol. 11/ Núm. 2 2024 pág. 1959
Pérez Grau, S. L. (2013). Sélección de índices financieros mediante técnicas estadísticas del
análisis multivariante. Entramado, 9. Obtenido de
http://www.scielo.org.co/pdf/entra/v9n1/v9n1a08.pdf
Quiroga, J. C. (2016). Aplicación de dos técnicas del análisis multivariado en el mercado de
valores mexicano. Revista de métodos cuantitativos para la economía y la empresa, 104-
119. Obtenido de
https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=2ahUK
Ewj6r-
OtuIHoAhUI2qwKHSuCDUoQFjAAegQIBBAB&url=https%3A%2F%2Fwww.upo.es
%2Frevistas%2Findex.php%2FRevMetCuant%2Farticle%2Fview%2F2341%2F1917&
usg=AOvVaw0PRH339XLfie-HwKYkrN-C
Ross, S., Westerfield, R., & Jaffe, J. (2012). Finanzas corporativas (9 ed.). México: Mc Graw
Hill.
Salgado, M. (2017). La Crisis Del Crédito Hipotecario Subprime: Una Revisión. Realidad, 128,
243-60. doi: https://doi.org/10.5377/realidad.v0i128.3249
SAS. (2020). SAS Documentation. Obtenido de
https://documentation.sas.com/?docsetId=statug&docsetTarget=statug_cluster_syntax0
1.htm&docsetVersion=15.1&locale=en
Servín y Silva, F. H. (2011). Estimación de la volatilidad de los precios de las acciones de la BMV
mediante el modelo CARR: El caso de AMX-L. Contaduría Y Administración, 234, 173-
96. Obtenido de http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0186-
10422011000200009
Zulaica, P. C. (2013). Financial inclusion index: proposal of a multidimensional measure for
Mexico. Revista Mexicana de Economía y Finanzas, 8, 157-180. doi:
https://doi.org/10.21919/remef.v8i2.46