123
124
Tabla 4.1
Resumen de estadísticos de las pruebas de normalidad por variable.
Nombre de la variable
Prueba de Kolmogórov-
Smirnov
Prueba de Simetría Prueba de Curtosis Z Simetría12
Z Curtosis13 Estadístico Error tip. Estadístico Error tip.
Medida Zombi (EIR). 0.000 -0.221 0.11 -0.011 0.219 -2.0073 -0.0499
Comportamiento
Estratégico Proactivo. 0.000 -0.215 0.11 0.139 0.219
2.3181 3.0515
Concentración de
Mercado. 0.001 0.495 0.11 -0.200 0.219 4.4960 -0.9082
Barreras de entrada. 0.000 0.603 0.11 0.419 0.219 5.4770 1.9028
Ciclo de vida 0.000 -0.199 0.11 -0.558 0.219 -1.8075 -2.5341
Elaboración propia a partir de los resultados del software estadístico SPSS.
Resulta importante aclarar, que los estadísticos utilizados para asumir el precepto de normalidad son los estadísticos de asimetría y de curtosis, los cuales usualmente toman como punto de corte los valores de ±0.500 (Hair, Anderson, Tatham, & Black, 2007; C. Martínez, 2012), sin embargo, dos de los estadísticos de variables distintas exceden este umbral. Por ello, se recurre a autores como Fama (1965), quien utiliza un rango de ±1.000 como límite de simetría de un conjunto de datos relacionados con información financiera.
Dentro de la curtosis, se recurre al umbral de ±1.000 mencionado por Blanca, Alarcón, Arnau, Bono y Bendayan (2017), quienes realizaron pruebas con 1308 distribuciones de datos de ciencias sociales, comprobando que los estadísticos dentro del rango referido ofrecen resultados confiables. Éstos criterios, también fueron empleados por Brown y Warner (1985), quienes utilizaron un rango similar para el diagnóstico de normalidad de la cotización de la acción y el rendimiento de
12 La prueba estadística de normalidad Zsimetria se obtuvo mediante la fórmula 𝑠𝑖𝑚𝑒𝑡𝑟í𝑎
√6 𝑁⁄ (Hair, et al., 2007, pp. 65).
13 La prueba estadística de normalidad Zcurtosis se obtuvo mediante la fórmula 𝑐𝑢𝑟𝑡𝑜𝑠𝑖𝑠
√24 𝑁⁄ (Hair, et al., 2007, pp. 65).
125 la misma. La información completa del análisis descriptivo de los datos se encuentra en el Anexo B.
La variable medida zombi fue normalizada mediante la aplicación de la fórmula propuesta por Hoshi (2006, pp. 36), quien utilizó el ratio de exceso de pago de intereses (EIR); cuyo resultado se interpreta de forma similar al método CHK, es decir, si la valoración es negativa la empresa es categorizada como zombi, en caso contrario, se toma como empresa normal.
𝐸𝐼𝑅 =
𝑅𝐶𝑖,𝑗−𝑅𝐴𝑖,𝑗 𝑅𝐶𝑖,𝑗+𝑅𝐴𝑖,𝑗⁄2 (4.1)
En donde:
RC = Pago real de intereses de la empresa.
RA = Pago de interés mínimo esperado.
Cabe señalar que el resultado de EIR oscila entre – 2 y + 2, lo que ayuda a obtener estadísticos de simetría y curtosis aceptables, -0.221 y -0.011 respectivamente, lo cual es indicio que la curva de normalidad que se dibuja tiene una simetría negativa y muy pequeña platicurtosis (ver Figura 4).
Figura 4: Histograma y curva de normalidad, variable Comportamiento zombi.
126
Tabla 4.2
Estadísticos descriptivos, variable Medida Zombi
Variable Medida Zombi Normalizada
Mínimo -2.00
Máximo 2.00
Media .3318
Desviación típica 1.0026
Varianza 1.0000
Fuente: elaboración propia.
La variable Comportamiento estratégico proactivo no requirió ser modificada puesto que presentó estadísticos adecuados, en relación con la prueba de normalidad con valores de 0.255 y 0.668 para simetría y curtosis, respectivamente.
En otras palabras, la curva de la distribución de datos presenta una ligera asimetría negativa y tiene una forma leptocúrtica (ver Figura 5).
Figura 5: Histograma y curva de normalidad, variable Nivel de proactividad estratégica
Tabla 4.3
Estadísticos descriptivos, variable comportamiento estratégico proactivo Variable Comportamiento estratégico proactivo
Mínimo 1
Máximo 16
Media 8.1858
Desviación típica 2.9581
Varianza 7.497
Fuente: elaboración propia.
127 En lo que respecta a la variable Cuota de mercado, requirió una transformación para mejorar los estadísticos de normalidad, particularmente se utiliza el Logaritmo natural (LN), la cual presenta una asimetría positiva con un estadístico de .495 aun aceptable, y su curva es platicurtica, con un valor de curtosis de -0.2 (ver Figura 6).
Figura 6: Histograma y curva de normalidad, variable Competitividad de mercado
Tabla 4.4
Estadísticos descriptivos, variable Cuota de mercado.
Variable Cuota relativa de mercado
Mínimo -11.7148
Máximo 0.00
Media -5.5356
Desviación típica 2.4789
Varianza 6.145
Fuente: elaboración propia
En lo referente a la variable Barreras de entrada, se recurrió al cálculo de la raíz cuadrada de cada observación que compone la serie de datos para mejorar los estadísticos de normalidad, puntualmente se obtuvo un estadístico de simetría de 0.603, referente a una asimetría positiva, mientras que el estadístico de curtosis
128
ascendió a 0.419, lo que representa a una curva de normalidad leptocúrtica (ver Figura 7).
Figura 7: Histograma y curva de normalidad, variable Barreras de entrada
Tabla 4.5
Estadísticos descriptivos, variable Barreras de entrada.
Variable Comportamiento estratégico proactivo
Mínimo .0095
Máximo 2.1489
Media .9046
Desviación típica .4325
Varianza .187
Fuente: elaboración propia.
Tal y como se observa en los estadísticos descriptivos, especialmente en las pruebas de normalidad, se puede aceptar que las variables pueden ser usadas para aplicar técnicas de análisis multivariante de datos y poder realizar las pruebas de las hipótesis planteadas en la sección del Marco Teórico. Continuando con los estadísticos previos, retomando que se procedió a comprobar el análisis de los supuestos de autocorrelación y heteroscedasticidad para panel de datos. La tabla 4.6 muestra los resultados con los que se puede determinar la existencia o no de los mismos.
129 Tabla 4.6
Resultados de las pruebas estadísticas de autocorrelación y heteroscedasticidad para panel de datos.
Prueba de autocorrelación para datos de panel de Wooldridge H0: No existe autocorrelación (No rechazada)
Estadístico F 0.234
Significancia estadística 0.6299
Test modificado de Wald para diagnosticar heteroscedasticidad14 H0: No existe problema de heteroscedasticidad (Rechazada)
Estadístico chi2 2.1
Significancia estadística 0.000
Fuente: elaboración propia a partir de los resultados obtenidos en el software estadístico Stata.
De acuerdo con Drukker (2003), la prueba de autocorrelación de Wooldridge se desempeña mejor cuando se presenta heterocedasticidad en el panel (más adelante se presenta la evaluación de este supuesto); por ello, se ejecuta dicha prueba la cual, trabaja bajo la hipótesis alternativa de que existe autocorrelación entre las variables. Tal y como muestra la tabla 4.6, la prueba estadística ofrece evidencia que no permite rechazar la hipótesis nula, por lo tanto, se asume que no existe autocorrelación entre las variables del panel (Drukker, 2003).
Sin embargo, la prueba modificada de Wald arroja evidencia de que el panel presenta heteroscedasticidad, lo cual obliga a no utilizar el método tradicional de análisis de datos de panel. Tomando en cuenta el problema de heteroscedasticidad diagnosticado para el panel de datos y siguiendo las recomendaciones de Beck y Katz (1995); Gujarati y Porter (2010) y Reed y Ye (2011), se opta por un análisis de datos de panel por OLS y errores estándar de panel corregidos (PCSE).
14 La prueba modificada de Wald para diagnosticar heteroscedasticidad solo puede ser ejecutado en un modelo de análisis de datos de panel tradicional con efectos fijos.
130