2. LIMITACIONES DEL ANÁLISIS FINANCIERO MULTIVARIABLE

Algo que llama la atención es el constatar que a la fecha muchas investigaciones continúan sin aplicar nuevas variantes en los modelos de análisis financiero multivariable y en la fase de diseño del trabajo empírico, pues se interesan más en la aplicación de las técnicas estadísticas. Sin embargo, para el trabajo del analista financiero siempre es más importante la exactitud del modelo de evaluación con respecto a la contrastación de una hipótesis o la validación rigurosa de una teoría que sólo busca demostrar una compleja habilidad en el empleo de técnicas informáticas y estadísticas que se apartan de ambientes reales. Lizarraga (1993) también coincide con la idea anterior pues considera que la sofisticación metodológica, aunque imprescindible en el avance de la técnica, transforma en ocasiones a los investigadores en sólo “especuladores estadísticos”, que fundamentados en buenos resultados tras largos procesos de contrastación de variables, no tienen en cambio una base teórica y carecen de interpretaciones económicas convincentes.

Ya Lev (1978) afirmó hace más de dos décadas que algunos modelos son inadecuados y cuando se emplean, presentan generalmente el síntoma de la falta de una teoría base, desvirtuando en experimentos excesivos con gran número de variables y de modelos matemáticos cuyos datos y resultados son difíciles de generalizar. Con respecto a esto se vuelve a recomendar que en la interpretación y validación de los resultados exista una interpretación económica y financiera para dar un sentido lógico a las causas del éxito o fracaso empresarial, y no sólo interpretaciones en términos estadísticos.

Primero lo ideal para desarrollar adecuadamente un modelo de análisis financiero multivariable sería que la contabilidad presentase en todo momento dos características fundamentales para el usuario: utilidad y confiabilidad. Sin embargo, la naturaleza propia de la técnica contable es provisional y en la práctica este sistema no refleja con exactitud la situación real de una empresa, ni tampoco el resultado contable constituye una buena medida de creación de valor dada la alta probabilidad de manipulación que puede introducirse y que se denomina efecto window dressing. Por otra parte, la estructura contable de medición es de partida defectuosa y se distorsiona aún más por la inflación, la devaluación de la moneda y la variación en las tasas de interés. Otro fenómeno importante que hace vulnerable al sistema de información empresarial es la falta de armonización contable, pues la tendencia de la técnica varía entre los diferentes países y usuarios.

Varios investigadores considerados clásicos en este campo, como Lev (1989), han venido proponiendo con poco éxito nuevos elementos para desarrollar el análisis financiero multivariable con menos énfasis en la complejidad estadística y ampliando el concepto de la contabilidad positiva. Actualmente considera que es escaso el papel que la información contable desempeña en el mercado de capitales, añadiendo que el resultado contable no constituye una buena medida de la capacidad de creación del valor de una empresa dada su alta probabilidad de manipulación. Algunos trabajos como los de Ohlson (1992), también nos sugieren acertadamente que las causas que explican el bajo contenido informativo de la información financiera se deben a que, el resultado contable anual mide la capacidad de creación del valor de las empresas en un plazo muy corto y con varios errores. Además, en el caso de los modelos basados en el análisis multivariable, cuando se utiliza a los resultados acumulados de varios ejercicios como variable explicativa o independiente, éstos aumentan el grado de error en las mediciones según lo demuestran los resultados de sus investigaciones.

Otros estudios como el de Hammer (1983), que tuvo como objetivo constatar la sensibilidad de las variables independientes a través de la utilización de tres métodos (discriminante lineal, discriminante cuadrático y logit), concluye que son las bases de datos las que determinan la selección de las variables independientes y la técnica estadística. Así también lo reconocen Won y Young (1995) quienes opinan que cualquier trabajo predictivo requiere buenas bases de datos.

Sobre las bases de datos y en el contexto específico del análisis financiero multivariable, se coincide con la postura de Hair (2000) sobre que: el análisis multivariable requiere previamente un examen riguroso de los datos por la influencia de atípicos, violaciones de los supuestos y la ausencia de datos que puede llevar a la pérdida de varias variables independientes y provocar con ello efectos sustancialmente diferentes en los resultados. Pero como el examen de las bases de datos es complejo y lleva tiempo, es común que se descuide este importante aspecto por parte del analista. Sin embargo, un análisis eficiente de las bases llevará siempre a una mejor evaluación o predicción, soluciones más eficaces a los problemas de los datos ausentes, identificación de casos atípicos y la comprobación de los supuestos subyacentes en los modelos multivariables. Los datos ausentes tienen efectos negativos en cualquier investigación y son producto de la introducción o estimación de los datos. Los casos atípicos son magnitudes extremas que tienen influencia negativa o ilógica en los resultados. Por último, es necesario considerar los supuestos que puedan subyacer en un análisis multivariable, lo cual sólo es posible si se cuenta con la experiencia o la asesoría de un especialista para analizar e interpretar los estados financieros.

Hasta ahora tampoco se ha alcanzado un acuerdo sobre cuál es el mejor método para extraer los factores para integrar las variables independientes En cuanto a los tipos de análisis factorial de componentes principales existen dos tipos: el exploratorio y el confirmatorio. En el primero no se conocen los factores a priori y éstos se determinan a través del método del valor propio (eigenvalue). En cambio en el segundo, los factores que se establecen a priori contienen a las variables independientes originales, siendo el número de estas últimas mayor que el número de factores seleccionados.

En general, el análisis factorial exploratorio se aplica cuando se tiene un desconocimiento teórico del objeto de estudio, y por lo tanto, el analista no tiene que formular ninguna hipótesis con respecto a la distribución de los pesos factoriales, pues éstos se deducirán a partir de los datos cumpliendo con los principios de simplicidad y parsimonia. En cambio, en el análisis factorial confirmatorio sí se cuenta con información sobre las variables y sus intercorrelaciones, con lo cual se formulan hipótesis a priori que pueden ser contrastadas. Es decir, el análisis confirmatorio exige una hipótesis previa sobre el número de factores comunes, así como de las relaciones de dependencia entre cada variable con cada uno de los factores.

También la validación de los modelos de análisis financieros multivariables presentan serios problemas por el bajo nivel teórico que existe sobre la solvencia. Además de las múltiples deficiencias metodológicas contenidas en los modelos, así como la falta de obtención de eficientes resultados de evaluación y predicción en empresas que se dirigen hacia la quiebra. Recordemos que el principal objetivo de los modelos de evaluación y predicción es la detección oportuna de empresas que tenderán a quebrar en el futuro y su utilidad práctica sólo es patente cuando dichos modelos son capaces de distinguir entre empresas que “no fracasan” y tiene éxito (aunque presenten síntomas de fracaso empresarial) y empresas que sí fracasan (aunque no quiebren).

En general todas estas limitaciones impiden a los investigadores y analistas financieros partir de un estándar de variables independientes y dependientes como el propuesto por Altman. Además, en repetidas ocasiones los estudios no parten de bases de datos y muestras ya reducidas para el desarrollo de sus respectivos modelos, pues no existe un enfoque sistemático único. Esto trae como resultado que cada vez que se inicia un modelo se tiene que partir de un gran número de variables independientes para aplicar la técnica de reducción de datos con pequeñas variaciones. En otros casos se parte con criterios totalmente diferentes aunque se trate del mismo sector y tamaño de empresas analizadas. A partir del hecho de que en varios de los componentes que integran los modelos multivariables no existe hasta la fecha un acuerdo generalizado, la selección adecuada de la técnica multivariable para un modelo de análisis financiero está en función principalmente de la forma genérica que presenta la variable dependiente y la base de datos con la que se calculan las variables independientes.

La conclusión principal a la que se ha llegado es que en general los modelos de análisis financiero multivariable presentan dos fases para su desarrollo que son muy complejas y de igual importancia. Sin embargo, en la primera de ellas poco se ha trabajado en términos de una estrecha relación conceptual-empírica. La primera fase comprende el estudio y estructuración detallada de la base de datos para evitar el efecto window dressing, mantener la utilidad y confiabilidad del sistema contable a través de los años para su comparabilidad, y llegar al máximo grado de armonización conceptual entre los diferentes estados financieros utilizados.

Continuando con esta fase, el siguiente paso consiste en que con la base de datos se debe proceder siempre a estimar un conjunto de ratios financieros previamente seleccionados y sustentados todos y cada uno de ellos dentro de un marco teórico bien fundamentado, el cual también incluya la definición conceptual de la variable dependiente. Si esto se ha cumplido, sólo entonces se debería proceder a utilizar un método multivariable reductivo para determinar un conjunto de factores y eliminar al mismo tiempo aquellos ratios que presenten una alta multicolinealidad. Esto con el fin de llegar a obtener los ratios finales que representarán a los factores con base en su alta correlación entre cada factor y cada ratio emparejado. Una vez llevado a cabo lo anterior, consideramos que es de suma importancia que al factor se le asigne un nombre clave de acuerdo al marco teórico que presentó originalmente el ratio para su interpretación financiera.

Para concluir con esta síntesis sobre la metodología propuesta, se recomienda no pasar por alto la importancia que conlleva seleccionar adecuadamente el sector de la unidad de análisis, la unidad temporal, la muestra y la unidad geográfica. Sin embargo, de no ser posible llevar con éxito el desarrollo de la primera fase en términos generales, consideramos que definitivamente no se debería proceder al desarrollo de la segunda fase, pues el modelo de análisis multivariable adolecería de partida de un sustento conceptual y empírico necesario.

En cuanto a la segunda fase del modelo, consiste en determinar la variable dependiente de forma categórica o numérica, e incorporar en una función lineal los ratios seleccionados como variables independientes, asignándoles una ponderación individual a cada uno de ellos con el fin de aplicar un método multivariable clasificatorio para obtener porcentajes de exactitud y errores predictivos “ex-ante” o “ex-post”.

La combinación adecuada y constante de nuevos estudios con base en flujos de efectivo, valores bursátiles, valores de mercado y valores contables con base en el devengo, puede llevarnos a una mayor exactitud de diagnostico como predictiva. La descomposición cada vez más exacta de los elementos del cash flow total y la incorporación de la información contenida en los componentes de los múltiplos de mercado puede proporcionar al modelo financiero multivariable nuevas variables independientes que incrementen la exactitud marginal, y por qué no, llegar tal vez a proponer un nuevo factor dentro de las funciones lineales. Para esto se deberán desarrollar nuevas propuestas de ratios financieros basados en una sólida teoría que habrá nuevas oportunidades al investigador.

La nueva tendencia metodológica parece indicar que hay que intentar sumar o restar variables o componentes a los actuales modelos financieros dentro del sistema del devengo para incrementar el poder explicativo y predictivo del modelo. Así lo constatan un gran número de investigaciones que están estableciendo nuevas bases. Por ejemplo, los trabajos de Dambolena y Khoury inciados en los ochenta han desarrollado modelos cuyo principal atributo es su estabilidad y dinamicidad a través del tiempo y el mantenimiento del nivel explicativo de los razones financieras o ratios dentro de los diversos tipos de funciones lineales.