Curs 2010-2011

Centre docent:

Facultat de Cincies Econmiques i Empresarials

Estudi: ADE/Economia. Assignatures: Introducci a l'econometria

Professores: Gemma Renart i Carme Saurina

Departament dEconomia

Prctica :Cas 3. Anlisi de la rendibilitat de la banca privada a Espanya

Temes 5 a 7. Regressi Lineal Mltiple 1.- Anlisi de la rendibilitat de la banca privada a Espanya
Utilizando informacin relativa a 98 bancos privados que operan en Espaa (Ranking de la banca privada, El Pas, Domingo 3 de Diciembre de 1995) intentamos determinar algunas de las variables que puedan influir en el beneficio neto sobre recursos propios (ROE). El archivo en el que estn los datos se denomina caso3_06.sav Ajustaremos el siguiente modelo de regresin: ROEi = 1+2MEATi+3MIATi+4CNMOi+5PLANi+6CFATi+ 7CPCTi+8CTMOi+9PRRPi+10SRGEi+11RCLIi+ui en la que:

ROE MEAT

Beneficio neto sobre recursos propios. Margen de explotacin sobre activos totales medios. El margen de explotacin es el resultado de la actividad tpica sin incluir saneamientos, excepto amortizaciones de inmovilizado. Margen de intermediacin sobre activos totales medios. El margen de intermediacin son los productos financieros y otros rendimientos menos costes y cargas asimiladas. Comisiones netas por servicios sobre margen operativo. El margen operativo es el MIAT mas el rendimiento de la cartera. Plantilla. Costes financieros sobre activos totales medios. Intereses y cargas asimiladas. Costes de personal sobre costos de transformacin. Gastos de explotacin sin incluir amortizaciones. Costes de transformacin sobre margen operativo. Provisiones para riesgos sobre recursos propios. Incluye fondos de pensiones, impuestos y otras provisiones. Saneamiento sobre recursos generados. El saneamiento son aportaciones de todo tipo para garantizar los activos. Recursos de clientes.

MIAT

CNMO

PLAN CFAT

CPCT

CTMO PRRP

SRGE

RCLI

El anlisis descriptivo proporciona los siguientes resultados: GRAPH GRAPH GRAPH GRAPH GRAPH GRAPH GRAPH GRAPH GRAPH GRAPH /SCATTERPLOT(BIVAR)=meat WITH roe. /SCATTERPLOT(BIVAR)=miat WITH roe. /SCATTERPLOT(BIVAR)=cnmo WITH roe. /SCATTERPLOT(BIVAR)=plan WITH roe. /SCATTERPLOT(BIVAR)=cfat WITH roe. /SCATTERPLOT(BIVAR)=cpct WITH roe. /SCATTERPLOT(BIVAR)=ctmo WITH roe. /SCATTERPLOT(BIVAR)=prrp WITH roe. /SCATTERPLOT(BIVAR)=srge WITH roe. /SCATTERPLOT(BIVAR)=rcli WITH roe.

Temes 5 a 7. Regressi Lineal Mltiple

40,00

40,00

20,00

20,00

0,00

0,00

roe

-20,00

roe
-20,00 -40,00 -40,00 -60,00 -15,00 -10,00 -5,00 0,00 5,00 10,00 -60,00 -5,00 0,00 5,00 10,00 15,00 20,00

meat

miat

40,00

40,00

20,00

20,00

0,00

0,00

roe

-20,00

roe
-20,00 -40,00 -40,00 -60,00 -100,00 -50,00 0,00 50,00 100,00 -60,00 0,00 5000,00 10000,00 15000,00 20000,00 25000,00

cnmo

plan

40,00

40,00

20,00

20,00

0,00

0,00

roe

-20,00

roe
-20,00 -40,00 -40,00 -60,00 0,00 2,00 4,00 6,00 8,00 10,00 12,00 -60,00 0,00 10,00 20,00 30,00 40,00 50,00 60,00

cfat

cpct

40,00

40,00

20,00

20,00

0,00

0,00

roe

-20,00

roe
-20,00 -40,00 -40,00 -60,00 -400,00 -200,00 0,00 200,00 400,00 600,00 -60,00 -50,00 0,00 50,00 100,00 150,00 200,00

ctmo

prrp

Temes 5 a 7. Regressi Lineal Mltiple

40,00

40,00

20,00

20,00

0,00

0,00

roe

roe
-20,00 -20,00 -40,00 -40,00 -60,00 -6000,00 -4000,00 -2000,00 0,00 -60,00 0,00 1000000,00 2000000,00 3000000,00 4000000,00 5000000,00 6000000,00

srge

rcli

No se observa curvatura en ninguno de los grficos, aunque s valores atpicos. La relacin entre ROE y las variables explicativas es ms bien dbil. De momento intentaremos estimar la regresin vista anteriormente, y dejaremos que el diagnstico confirme o disconfirme nuestras sospechas. Seleccionamos Analizar, Regresin, Lineal, introducimos ROE en Dependiente y todos los regresores en Independientes. Dentro de Estadsticos seleccionamos Estimaciones, Ajuste del modelo, Intervalos de confianza, Descriptivos y Diagnsticos de colinealidad. Dentro de Guardar seleccionamos Valores pronosticados: No tipificados, Distancias de Cook y Residuos: Estudentizados. Los comandos equivalentes son: REGRESSION /DESCRIPTIVES CORR /STATISTICS COEFF CI R ANOVA TOL /DEPENDENT roe /METHOD=ENTER meat miat cnmo plan cfat cpct ctmo prrp srge rcli /SAVE PRED COOK SRESID .

Mostramos slo parte de los resultados, dado que la interpretacin no procede hasta que los supuestos estn verificados.
b Resumen del modelo

Modelo 1

R ,587a

R cuadrado ,344

R cuadrado corregida ,265

Error tp. de la estimacin 11,8775

a. Variables predictoras: (Constante), RCLI, CTMO, SRGE, CFAT, PRRP, MIAT, CPCT, CNMO, MEAT, PLAN b. Variable dependiente: ROE

Temes 5 a 7. Regressi Lineal Mltiple

Coeficientesa Coeficie ntes estandar izados Beta ,444 -,065 ,194 -,608 -,005 ,020 -,302 ,001 ,153 ,675 t ,203 3,369 -,504 1,775 -1,353 -,053 ,199 -2,842 ,014 1,702 1,504 Sig. ,840 ,001 ,616 ,080 ,180 ,958 ,843 ,006 ,989 ,092 ,136

(Constante) MEAT MIAT CNMO PLAN CFAT CPCT CTMO PRRP SRGE RCLI

Coeficientes no estandarizados Error tp. B 1,453 7,167 2,310 ,686 -,376 ,746 ,148 ,083 -2,20E-03 ,002 -3,93E-02 ,743 2,795E-02 ,141 -4,93E-02 ,017 9,984E-04 ,070 3,767E-03 ,002 1,028E-05 ,000

Intervalo de confianza para B al 95% Lmite Lmite inferior superior -12,802 15,708 ,947 3,674 -1,860 1,108 -,018 ,313 -,005 ,001 -1,517 1,438 -,252 ,308 -,084 -,015 -,138 ,140 -,001 ,008 ,000 ,000

Estadsticos de colinealidad Toler ancia FIV ,456 ,468 ,659 ,039 ,884 ,816 ,698 ,821 ,983 ,039 2,195 2,136 1,518 25,55 1,131 1,225 1,432 1,218 1,018 25,47

a. Variable dependiente: ROE

Empezamos con los grficos para el diagnstico de los supuestos y la presencia de valores atpicos. Estadsticos descriptivos de los residuos estudentizados (SRE_1), incluyendo asimetra y curtosis y grfico probabilstico normal de los residuos estudentizados EXAMINE SRE_1 /PLOT NPPLOT. Grfico de dispersin de los residuos con la previsin PRE_1. GRAPH /SCATTERPLOT(BIVAR)=PRE_1 WITH SRE_1. Grfico de dispersin de los residuos estudentizados con cada regresor (mostramos slo algunos de ellos). GRAPH /SCATTERPLOT(BIVAR)=meat WITH SRE_1. GRAPH /SCATTERPLOT(BIVAR)=miat WITH SRE_1. GRAPH /SCATTERPLOT(BIVAR)=cnmo WITH SRE_1. GRAPH /SCATTERPLOT(BIVAR)=plan WITH SRE_1. GRAPH /SCATTERPLOT(BIVAR)=cfat WITH SRE_1. GRAPH /SCATTERPLOT(BIVAR)=cpct WITH SRE_1. GRAPH /SCATTERPLOT(BIVAR)=ctmo WITH SRE_1. GRAPH /SCATTERPLOT(BIVAR)=prrp WITH SRE_1. GRAPH /SCATTERPLOT(BIVAR)=srge WITH SRE_1. GRAPH /SCATTERPLOT(BIVAR)=rcli WITH SRE_1. Grficos de dispersin de los residuos estudentizados y las distancias de Cook con un identificador previamente creado: COMPUTE ID = 1 . CREATE /id=CSUM(id). GRAPH /SCATTERPLOT(BIVAR)=id WITH SRE_1. GRAPH /SCATTERPLOT(BIVAR)=id WITH COO_1.

Temes 5 a 7. Regressi Lineal Mltiple

Descriptivos Studentized Residual Media Intervalo de confianza para la media al 95% Media recortada al 5% Mediana Varianza Desv. tp. Mnimo Mximo Rango Amplitud intercuartil Asimetra Curtosis Estadstico -,0073920 -,2395397 ,2247557 ,0545560 ,0956665 1,285 1,1334240 -4,50138 4,61100 9,11239 ,80263 -,776 6,696 Error tp. ,1169038

Lmite inferior Lmite superior

,249 ,493

Grfico Q-Q normal de Studentized Residual

5,00000

3 2,50000 2

Normal esperado

Studentized Residual

0,00000

-2,50000 -1

-2 -5,00000

-3 -4 -2 0 2 4 6 -40,00000 -20,00000 0,00000 20,00000

Valor observado

Unstandardized Predicted Value

Studentized Residual

-2

Studentized Residual
-10 0 10

-2

-4

-4

-6 -20

-6 -10000 0 10000 20000 30000

MEAT

PLAN

Temes 5 a 7. Regressi Lineal Mltiple

6 93 4 60 2
6 8

10 30 93

Studentized Residual

52 45 43

-4

Cook's Distance

-2

34 39

43

-6 0 20 40 60 80 100

-2 0 20 40 60 80 100

CSUM(ID)

CSUM(ID)

El supuesto de normalidad no se cumple (grfico claramente no normal, cocientes entre asimetra y curtosis y sus respectivos errores estndar superiores a 2 en valor absoluto). Para una muestra grande como la que nos ocupa, la nica consecuencia prctica de la no normalidad es que invalida los intervalos de previsin, pues stos se refieren a una nica observacin, con lo que no es de aplicacin el teorema central del lmite. El grfico de los residuos estudentizados con la previsin, no muestra ninguna pendiente clara, con lo que la homocedasticidad parece cumplirse. Los grficos de los residuos con los regresores no muestran ninguna curvatura clara. No es necesario, pues, transformar las variables. S se observan posibles valores atpicos. El valor crtico para los residuos con N=94 es Z donde =1-0,951/94 = 0,00054; redondeando, Z = 3,5. La presencia de valores no slo atpicos sino comparativamente muy influyentes se confirma en el grfico de las distancias de Cook. Realizaremos un anlisis de sensibilidad eliminando las tres observaciones con distancia de Cook mayor. Entramos en Datos Seleccionar casos, si se satisface la condicin y entramos la condicin id ~= 30 & id ~= 93 & id ~= 43, o bien los comandos: USE ALL. COMPUTE filter_$=(id ~= 30 & id ~= 93 & id ~= 43). FILTER BY filter_$. EXECUTE . Supongamos que estas tres observaciones corresponden a bancos de un tipo diferente de los restantes. En este caso, si los resultados tras omitirlos difieren mucho de los anteriores, est justificado descartar los resultados anteriores y continuar trabajando sin esas tres observaciones a partir de ahora:
Correlaciones

ROE MEAT MIAT CNMO PLAN CFAT CPCT CTMO PRRP SRGE RCLI

ROE 1,000 ,592 ,176 -,123 ,086 ,040 ,119 -,600 -,159 -,087 ,120

MEAT ,592 1,000 ,613 -,187 -,007 -,153 -,064 -,800 -,296 -,009 ,000

MIAT CNMO PLAN CFAT CPCT CTMO PRRP SRGE RCLI ,176 -,123 ,086 ,040 ,119 -,600 -,159 -,087 ,120 ,613 -,187 -,007 -,153 -,064 -,800 -,296 -,009 ,000 1,000 -,311 -,092 -,195 -,165 -,242 ,044 -,079 -,107 -,311 1,000 ,069 ,196 ,298 ,216 -,004 ,122 ,054 -,092 ,069 1,000 ,090 ,187 -,062 ,090 ,058 ,979 -,195 ,196 ,090 1,000 ,238 ,012 -,102 ,067 ,107 -,165 ,298 ,187 ,238 1,000 -,050 ,083 ,088 ,176 -,242 ,216 -,062 ,012 -,050 1,000 ,215 -,119 -,085 ,044 -,004 ,090 -,102 ,083 ,215 1,000 -,055 ,054 -,079 ,122 ,058 ,067 ,088 -,119 -,055 1,000 ,036 -,107 ,054 ,979 ,107 ,176 -,085 ,054 ,036 1,000

Temes 5 a 7. Regressi Lineal Mltiple

b Resumen del modelo

Modelo 1

R ,689a

R cuadrado ,475

R cuadrado corregida ,410

Error tp. de la estimacin 10,0526

a. Variables predictoras: (Constante), RCLI, MEAT, SRGE, CFAT, CNMO, PRRP, CPCT, MIAT, CTMO, PLAN b. Variable dependiente: ROE
ANOVAb Suma de cuadrados 7323,951 8084,343 15408,294 Media cuadrtica 732,395 101,054

Modelo 1

gl 10 80 90

Regresin Residual Total

F 7,248

Sig. ,000a

a. Variables predictoras: (Constante), RCLI, MEAT, SRGE, CFAT, CNMO, PRRP, CPCT, MIAT, CTMO, PLAN b. Variable dependiente: ROE

Coeficientesa Coeficie ntes estanda rizados Beta ,740 -,285 -,095 -,539 ,090 ,122 -,068 ,098 -,101 ,584 t -,600 3,148 -2,009 -,984 -1,297 1,016 1,361 -,367 1,013 -1,176 1,408 Sig. ,550 ,002 ,048 ,328 ,198 ,313 ,177 ,715 ,314 ,243 ,163

(Constante) MEAT MIAT CNMO PLAN CFAT CPCT CTMO PRRP SRGE RCLI

Coeficientes no estandarizados Error B tp. -4,468 7,449 4,478 1,422 -1,600 ,796 -8,31E-02 ,084 -1,82E-03 ,001 ,658 ,648 ,166 ,122 -1,52E-02 ,041 6,474E-02 ,064 -1,07E-02 ,009 8,285E-06 ,000

Intervalo de confianza para B al 95% Lmite Lmite inferior superior -19,291 10,355 1,647 7,309 -3,185 -,015 -,251 ,085 -,005 ,001 -,631 1,947 -,077 ,409 -,097 ,067 -,062 ,192 -,029 ,007 ,000 ,000

Estadsticos de colinealidad Tolera ncia FIV ,119 ,325 ,701 ,038 ,841 ,821 ,191 ,706 ,898 ,038 8,420 3,075 1,427 26,341 1,189 1,218 5,224 1,415 1,114 26,277

a. Variable dependiente: ROE

Temes 5 a 7. Regressi Lineal Mltiple

Descriptivos Studentized Residual Media Intervalo de confianza para la media al 95% Media recortada al 5% Mediana Varianza Desv. tp. Mnimo Mximo Rango Amplitud intercuartil Asimetra Curtosis Estadstico -,0110688 -,2200968 ,1979593 ,0759231 ,1310422 1,007 1,0036875 -4,12979 3,52930 7,65909 ,53435 -1,751 8,403 Error tp. ,1052150

Lmite inferior Lmite superior

,253 ,500

,3

Grfico Q-Q normal de Studentized Residual

,2
2

Normal esperado

,1

Cook's Distance

-1

0,0

-2

-,1 0 20 40 60 80 100

-3 -4 -2 0 2 4

Valor observado

CSUM(ID)

No mostramos todos los grficos de residuos, que tienen aspecto parecido a los vistos anteriormente. Es de notar que las diferencias en algunos coeficientes atribuidas a la eliminacin de las tres observaciones son grandes. Incluso alguna variable antes no significativa pasa a serlo y viceversa. El grfico de la distancia de Cook no muestra observaciones que destaquen de un modo espectacular. El supuesto de normalidad sigue sin cumplirse, con las limitaciones mencionadas arriba pero que no afectan a los contrastes para decidir la especificacin del modelo, que interpretamos conjuntamente con la multicolinealidad. La F global del modelo nos permite afirmar que algn efecto es significativo (rechazamos H0: 2=3=...=11=0 con un riesgo casi nulo). Si miramos los contrastes individuales vemos que son significativos los parmetros asociados a MEAT y MIAT (al 5%). No podemos concluir nada respecto a los efectos de las restantes variables. Incluso dos variables tienen un estadstico t inferior a la unidad en valor absoluto (CNMO y CTMO), con lo que su eliminacin del modelo podra mejorar la eficiencia de las estimaciones de los restantes coeficientes.

Instrumentos para detectar problemas de multicolinealidad: a) Matriz de correlaciones. El primer instrumento de deteccin de la multicolinealidad es la matriz de correlaciones entre las variables explicativas incluidas en la regresin. En nuestro caso, las parejas de variables MEAT-CTMO y PLAN-RCLI presentan correlaciones preocupantemente elevadas.

Temes 5 a 7. Regressi Lineal Mltiple

Ntese que los coeficientes de correlacin simple slo permiten detectar la relacin entre pares de variables explicativas. Relaciones entre ms de dos variables explicativas pueden detectarse utilizando el FIV y la tolerancia. b) Significacin conjunta vs significacin individual Cuando el modelo es conjuntamente significativo pero la mayora de las estimaciones de los parmetros no lo son individualmente, como en nuestro caso, es muy probable, aunque no seguro, que tengamos un importante problema de multicolinealidad. Al aumentar las varianzas de los estimadores y, por tanto, sus errores estndar, los valores de los estadsticos t de Student se hacen muy pequeos. En trminos estadsticos, la potencia del los contrastes disminuye y la amplitud de los intervalos de confianza aumenta. Puede ocurrir, por tanto, que parmetros que son muy distintos de cero en la poblacin no sean significativos. c) Factor de inflacin de la varianza, FIV y tolerancia Los FIV, en particular los asociados a las variables PLAN y RCLI, son muy elevados, sugiriendo un importante problema de multicolinealidad (orientativamente, valores superiores a 10 denotan multicolinealidda grave, y superiores a 20 gravsima). De acuerdo con esto, sus tolerancias (1/FIV) son tambin bajas (orientativamente, valores inferiores a 0,1 denotan multicolinealidda grave, y inferiores a 0,05 gravsima). Posibles soluciones a la multicolinealidad: Ninguna de las soluciones propuestas para el problema de la multicolinealidad suele resultar plenamente satisfactoria. a) Omisin de las variables correlacionadas La solucin ms obvia consiste en omitir del modelo aquellas variables que no resultaron estadsticamente significativas, y que adems: - O bien tengan poca importancia terica: sera el caso por ejemplo de PLAN, plantilla, puesto que los gastos de personal ya vienen recogidos en la variable CPCT, con lo que es dudoso qu papel puede jugar la plantilla sobre la rentabilidad. - O bien tengan un valor del estadstico t inferior a la unidad: con lo que su eliminacin, causar una reduccin de la varianza sustancial que compensar los sesgos causados por su eliminacin en caso de que resultara ser relevante en la poblacin. Los beneficios de la eliminacin de esas variables sern tanto mayores cuanto mayor sea su FIV. Si se eliminan dos o ms variables simultneamente, debe contrastarse su significacin conjuntamente. En cualquier caso, lo ms recomendable es eliminar una variable cada vez. Podra ser que al eliminar una variable, alguna de las otras candidatas a ser eliminadas mejoraran su significacin. b) Transformacin de algunas variables. Nos encontramos con que tanto la plantilla (PLAN) como los recursos de los clientes (RCLI) estn medidos en trminos absolutos y por lo tanto ambos reflejan el tamao de la entidad; por esto estn correlacionadas: las entidades grandes tienen valores grandes de ambas y las pequeas valores pequeos en ambas. Una transformacin que podra tener sentido es mantener RCLI como variable indicadora del volumen de la entidad y definir una nueva variable PLAN/RCLI como medida de la intensidad de uso del factor trabajo, por los efectos que pudiera tener sobre los costes de personal. Empezaremos por eliminar las dos variables con |t|<1, que son CNMO y CTMO. Una vez eliminadas contrastaremos su significacin conjunta: H0: CNMO=CTMO=0. Observe el aumento de la R2 ajustada tras la eliminacin de las variables (al contrario que R2 sin ajustar, que

10

Temes 5 a 7. Regressi Lineal Mltiple

siempre disminuye al eliminar variables). Es un sntoma adicional de la poca relevancia de las variables.
Resumen del modelo R cuadrado corregida ,412 Error tp. de la estimacin 10,0291

Modelo 1

R ,682a

R cuadrado ,465

a. Variables predictoras: (Constante), RCLI, MEAT, SRGE, CFAT, CPCT, PRRP, MIAT, PLAN
ANOVAb Suma de cuadrados 7160,524 8247,771 15408,294 Media cuadrtica 895,065 100,583

Modelo 1

gl 8 82 90

Regresin Residual Total

F 8,899

Sig. ,000a

a. Variables predictoras: (Constante), RCLI, MEAT, SRGE, CFAT, CPCT, PRRP, MIAT, PLAN b. Variable dependiente: ROE
Coeficientesa Coeficie ntes estanda rizados Beta ,815 -,289 -,600 ,086 ,101 ,109 -,100 ,648 t -1,033 7,145 -2,614 -1,466 ,998 1,174 1,190 -1,215 1,585 Sig. ,305 ,000 ,011 ,147 ,321 ,244 ,237 ,228 ,117

(Constante) MEAT MIAT PLAN CFAT CPCT PRRP SRGE RCLI

Coeficientes no estandarizados Error B tp. -6,395 6,189 4,934 ,691 -1,620 ,620 -2,02E-03 ,001 ,629 ,631 ,138 ,117 7,246E-02 ,061 -1,07E-02 ,009 9,184E-06 ,000

Intervalo de confianza para B al 95% Lmite Lmite inferior superior -18,707 5,918 3,560 6,308 -2,853 -,387 -,005 ,001 -,625 1,884 -,096 ,372 -,049 ,194 -,028 ,007 ,000 ,000

Estadsticos de colinealidad Toler ancia FIV ,501 ,534 ,039 ,883 ,880 ,774 ,967 ,039 1,994 1,871 25,688 1,132 1,136 1,291 1,034 25,586

a. Variable dependiente: ROE

Dos regresores tienen todavia FIV muy altos. En nuestro caso el modelo restringido es el modelo sin los dos regresores, el modelo general el modelo inicial, q es igual a 2 (nmero de igualdades contenidas en H0) y n-k es igual a 80, los grados de libertad del modelo general:

( SCresidual* SCresidual ) / q ( 8247 8084 ) / 2 F= = = 0 ,81 SCresidual /( n k ) 8084 / 80

donde el asterisco hace referencia al modelo restringido. El valor del estadstico es menor que el valor crtico al 5% (F2,80,5% 3,1), con lo que no rechazamos H0, con lo que la eliminacin de ambos regresores es razonable, y continuamos a partir del modelo restringido.

11

Temes 5 a 7. Regressi Lineal Mltiple

En el caso de que las restricciones sean nicamente eliminacin de regresores, el estadstico F puede tambin obtenerse como:

( R2 R2 ) / q ( 0,475 0,465 ) / 2 F= = = 0,81 2 ( 1 R ) /( n k ) 0,525 / 80

idntico al anterior, salvo redondeo. Nota: debe usarse R2 sin ajustar. Tras los cambios, un nuevo regresor presenta un estadstico t inferior a la unidad en valor absoluto. Es normal que la realizacin de un cambio en el modelo refleje la conveniencia de realizar otros. Eliminamos CFAT. En este caso, no es necesario realizar una prueba conjunta, ya que, al tratarse de un nico regresor eliminado, el estadstico t=0,998 nos sirve para contrastar la hiptesis H0: CFAT =0. De hecho, si calculamos la prueba F en este caso nos dar F=0,9982=0,996, lo que nos lleva a la aceptacin de la hiptesis nula. (t82,0,0252 ;F1,82,0,054). Comprubelo. En cualquier caso, la eliminacin del regresor es razonable, y el nuevo modelo a partir del cual continuaremos es:
Resumen del modelo R cuadrado corregida ,413 Error tp. de la estimacin 10,0289

Modelo 1

R ,677a

R cuadrado ,458

a. Variables predictoras: (Constante), RCLI, MEAT, SRGE, CPCT, PRRP, MIAT, PLAN

ANOVAb Suma de cuadrados 7060,302 8347,992 15408,294 Media cuadrtica 1008,615 100,578

Modelo 1

gl 7 83 90

Regresin Residual Total

F 10,028

Sig. ,000a

a. Variables predictoras: (Constante), RCLI, MEAT, SRGE, CPCT, PRRP, MIAT, PLAN b. Variable dependiente: ROE
Coeficientesa Coeficie ntes estanda rizados

Coeficientes no estandarizados Error tp. 5,676 ,685 ,620 ,001 ,115 ,060 ,009 ,000

Intervalo de confianza para B al 95% Lmite inferior -15,219 3,486 -2,869 -,005 -,064 -,056 -,028 ,000 Lmite superior 7,358 6,211 -,405 ,001 ,392 ,183 ,007 ,000

Estadsticos de colinealidad Toler ancia ,509 ,535 ,039 ,926 ,791 ,969 ,039

Modelo 1

(Constante) MEAT MIAT PLAN CPCT PRRP SRGE RCLI

B -3,931 4,848 -1,637 -2,12E-03 ,164 6,356E-02 -1,03E-02 9,680E-06

Beta ,801 -,292 -,630 ,120 ,096 -,096 ,683

t -,693 7,076 -2,642 -1,542 1,433 1,055 -1,175 1,677

Sig. ,490 ,000 ,010 ,127 ,156 ,294 ,243 ,097

FIV 1,963 1,870 25,554 1,079 1,264 1,032 25,397

a. Variable dependiente: ROE

12

Temes 5 a 7. Regressi Lineal Mltiple

Dos variables siguen teniendo FIV muy altos. Los regresores eliminados no eran los que ms contribuan a causar el problema de la multicolinealidad, con lo que ste queda en gran parte pendiente de resolucin. Intentaremos transformar la variable plantilla, que s es responsable de la multicolinealidad en gran parte, de la manera discutida en la solucin b). COMPUTE plan_rel = plan/rcli . EXECUTE . Substituimos la plantilla original por la transformada. Mantenemos RCLI. REGRESSION /DESCRIPTIVES CORR /STATISTICS COEFF OUTS CI R ANOVA TOL /DEPENDENT roe /METHOD=ENTER meat miat plan_rel cpct prrp srge rcli /SAVE PRED COOK SRESID .

Resumen del modelo R cuadrado corregida ,396 Error tp. de la estimacin 10,1713

Modelo 1

R ,665a

R cuadrado ,443

a. Variables predictoras: (Constante), RCLI, MEAT, SRGE, PLAN_REL, CPCT, PRRP, MIAT ANOVAb Suma de cuadrados 6821,581 8586,713 15408,294 Media cuadrtica 974,512 103,454

Modelo 1

gl 7 83 90

Regresin Residual Total

F 9,420

Sig. ,000a

a. Variables predictoras: (Constante), RCLI, MEAT, SRGE, PLAN_REL, CPCT, PRRP, MIAT b. Variable dependiente: ROE
Coeficientesa Coeficie ntes estanda rizados Beta ,806 -,303 ,005 ,113 ,073 -,112 ,069 t -,534 7,010 -2,709 ,060 1,319 ,804 -1,355 ,813 Sig. ,595 ,000 ,008 ,952 ,191 ,424 ,179 ,418

(Constante) MEAT MIAT PLAN_REL CPCT PRRP SRGE RCLI

Coeficientes no estandarizados Error B tp. -3,121 5,846 4,880 ,696 -1,702 ,628 1,687 27,902 ,154 ,117 4,867E-02 ,061 -1,20E-02 ,009 9,714E-07 ,000

Intervalo de confianza para B al 95% Lmite Lmite inferior superior -14,748 8,507 3,495 6,265 -2,951 -,452 -53,809 57,183 -,078 ,387 -,072 ,169 -,030 ,006 ,000 ,000

Estadsticos de colinealidad Tolera ncia FIV ,508 ,535 ,947 ,915 ,806 ,983 ,946 1,970 1,869 1,056 1,093 1,241 1,017 1,057

a. Variable dependiente: ROE

13

Temes 5 a 7. Regressi Lineal Mltiple

Este modelo no puede comparase con el anterior por medio de contrastes, puesto que no estn anidados, aunque s puede observarse que la reduccin en el R2 ajustado es mnima. Los FIV son todos muy bajos. Algunas variables aparecen con |t|<1 y procedemos a eliminarlas, lo que nos lleva al siguiente modelo final. REGRESSION /DESCRIPTIVES CORR /STATISTICS COEFF OUTS CI R ANOVA TOL /DEPENDENT roe /METHOD=ENTER meat miat cpct srge /SAVE PRED COOK SRESID .

Resumen del modelo R cuadrado corregida ,407 Error tp. de la estimacin 10,0788

Modelo 1

R ,658a

R cuadrado ,433

a. Variables predictoras: (Constante), SRGE, MEAT, CPCT, MIAT

ANOVAb Suma de cuadrados 6672,277 8736,017 15408,294 Media cuadrtica 1668,069 101,582

Modelo 1

gl 4 86 90

Regresin Residual Total

F 16,421

Sig. ,000a

a. Variables predictoras: (Constante), SRGE, MEAT, CPCT, MIAT b. Variable dependiente: ROE
Coeficientesa Coefici entes estand arizado s Beta ,774 -,285 ,132 -,114 t -,614 7,514 -2,732 1,594 -1,396 Sig. ,541 ,000 ,008 ,115 ,166

(Constante) MEAT MIAT CPCT SRGE

Coeficientes no estandarizados Error B tp. -3,475 5,663 4,683 ,623 -1,600 ,586 ,180 ,113 -1,22E-02 ,009

Intervalo de confianza para B al 95% Lmite Lmite inferior superior -14,733 7,782 3,444 5,923 -2,764 -,436 -,044 ,404 -,030 ,005

Estadsticos de colinealidad Toler ancia FIV ,622 ,605 ,965 ,986 1,608 1,654 1,036 1,014

a. Variable dependiente: ROE

Los FIV son francamente bajos. Debemos contrastar la significacin conjunta de los regresores omitidos. El valor del estadstico es menor que el valor crtico al 95% (F3,83,5% 2,7), con lo que no

F=

( SCerror * SCerror ) / q (8736 8587) / 3 = = 0,48 SCerror /(n k ) 8587 / 83

14

Temes 5 a 7. Regressi Lineal Mltiple

rechazamos H0, con lo que la eliminacin de los tres regresores es razonable. Antes de proceder a la interpretacin, realicemos cuidadosamente los grficos de diagnstico. EXAMINE SRE_6 /PLOT NPPLOT. GRAPH /SCATTERPLOT(BIVAR)=PRE_6 WITH SRE_6. GRAPH /SCATTERPLOT(BIVAR)=meat WITH SRE_6. GRAPH /SCATTERPLOT(BIVAR)=miat WITH SRE_6. GRAPH /SCATTERPLOT(BIVAR)=cpct WITH SRE_6. GRAPH /SCATTERPLOT(BIVAR)=srge WITH SRE_6. GRAPH /SCATTERPLOT(BIVAR)=id WITH SRE_6. GRAPH /SCATTERPLOT(BIVAR)=id WITH COO_6.

Descriptivos Studentized Residual Media Intervalo de confianza para la media al 95% Media recortada al 5% Mediana Varianza Desv. tp. Mnimo Mximo Rango Amplitud intercuartil Asimetra Curtosis Estadstico -,0076188 -,2203901 ,2051525 ,0877287 ,0848348 1,044 1,0216614 -4,12764 3,21359 7,34123 ,54273 -1,852 7,412 Error tp. ,1070992

Lmite inferior Lmite superior

,253 ,500

4,00000

Grfico Q-Q normal de Studentized Residual

2,00000

Studentized Residual

0,00000

Normal esperado

-2,00000

-1 -4,00000 -2

-3 -6 -4 -2 0 2 4

-6,00000 -40,00000 -20,00000 0,00000 20,00000

Valor observado

Unstandardized Predicted Value

15

Temes 5 a 7. Regressi Lineal Mltiple

4

Studentized Residual

Studentized Residual
0 10

-2

-2

-4

-4

-6 -10

-6 -10 0 10 20

MEAT

MIAT

4
4

2
2

0
0

Studentized Residual

Studentized Residual
0 10 20 30 40 50 60

-2

-2

-4

-4

-6

-6 -400 -200 0 200 400 600 800

CPCT

SRGE

,6

,5

2
,4

0
,3

Studentized Residual

-2

,2

Cook's Distance
60 80 100

,1

-4

39 45

0,0 -,1 0 20 40 60 80 100

-6 0 20 40

CSUM(ID)

CSUM(ID)

Sigue sin observarse curvatura ni heterocedasticidad. Algunas observaciones siguen presentando residuos estudentizados muy elevados y por lo tanto parece que no quedan bien explicados por el modelo: la banca Jover y el banco de Vitoria, con un ROE mucho ms bajo de lo previsto. Si fusemos expertos en el sector, estudiaramos estos bancos a fondo para determinar la causa de este fenmeno. Podra ocurrir que ambos bancos tuvieran caractersticas comunes, que podran incluirse en el modelo como variables adicionales. No encontramos valores de la distancia de Cook que sobresalgan de forma tan destacada como para los tres bancos ya eliminados. Persiste la no normalidad, que invalidara los intervalos de previsin, que por lo tanto no realizamos. El R2 ajustado es del 41%, con lo que hemos de ser conscientes que gran parte de la variabilidad queda por explicar, posiblemente debido a la omisin de variables relevantes de las

16

Temes 5 a 7. Regressi Lineal Mltiple

que no se dispone (las variables de las que s se dispone las hemos podido contrastar, con lo que, si faltan variables, son otras). Slo MEAT y MIAT son estadsticamente significativas al 5%, con lo que son las nicas que podemos afirmar que tienen un efecto sobre la variable dependiente. Los efectos de las dos restantes no estn claros, aunque las mantenemos en el modelo porque, al tener un estadstico t mayor a la unidad, pueden contribuir a mejorar la calidad de la estimacin de los parmetros. Por lo que respecta al poder explicativo de las variables, aquellas con un estadstico t mayor en valor absoluto son aquellas que causaran una mayor reduccin en R2 si fueran omitidas, en primer lugar MEAT y en segundo MIAT. Por lo que respecta a los efectos, podemos interpretar los coeficientes de regresin estandarizados, que nos dicen en cuntas desviaciones tipo aumenta el valor esperado de ROE cuando el valor del regresor aumenta en una desviacin tipo y los dems se mantienen constantes. Tambin en este sentido MEAT y MIAT son las que tienen un efecto mayor, MEAT con signo positivo y MIAT con signo negativo. Debemos tener en cuenta las definiciones de MEAT y MIAT: MEAT es la suma de todos los mrgenes ordinarios sobre activos y MIAT el margen slo de intermediacin sobre activos. Por lo tanto: El coeficiente de MEAT se interpreta como el efecto del aumento del margen total ordinario sobre los activos en una unidad cuando el margen de intermediacin se mantiene constante. Por lo tanto, equivale al efecto del aumento en una unidad de los otros mrgenes. Este efecto est entre un aumento de 3,4 y 5,9 unidades de la variable ROE. El coeficiente de MIAT se interpreta como el efecto del aumento del margen de intermediacin sobre los activos en una unidad cuando el margen total se mantiene constante, es decir, es el efecto del aumento en una unidad del margen de intermediacin acompaado de la reduccin en una unidad de los otros mrgenes. Su signo negativo implica que los otros mrgenes tienen un efecto mayor sobre la variable dependiente que los mrgenes de intermediacin. Este efecto est entre una disminucin de 0,4 y 2,7 unidades de la variable ROE. No interpretamos los signos de los regresores no significativos, sobre los cuales no tenemos certidumbre. Si alguno de estos regresores no significativos careciera de sentido bajo un punto de vista terico, debera ser eliminado. No parece ser este el caso. Por ltimo, veamos qu sucede cuando eliminamos del modelo una variable relevante: el R2 se reduce substancialmente y se sesga el efecto de las variables que quedan en el modelo. Si eliminamos MIAT:
Resumen del modelo R cuadrado corregida ,363 Error tp. de la estimacin 10,4465

Modelo 1

R ,620a

R cuadrado ,384

a. Variables predictoras: (Constante), SRGE, MEAT, CPCT

17

Temes 5 a 7. Regressi Lineal Mltiple

Coeficientesa Coeficie ntes estanda rizados Beta ,601 ,166 -,096 t -1,923 7,130 1,962 -1,139 Sig. ,058 ,000 ,053 ,258

(Constante) MEAT CPCT SRGE

Coeficientes no estandarizados Error B tp. -10,172 5,291 3,640 ,510 ,227 ,116 -1,03E-02 ,009

Intervalo de confianza para B al 95% Lmite Lmite inferior superior -20,689 ,344 2,625 4,654 -,003 ,456 -,028 ,008

Estadsticos de colinealidad Tolera ncia FIV ,996 ,988 ,992 1,004 1,012 1,008

a. Variable dependiente: ROE

18