2.4. DESARROLLO DE LA ETAPA PREDICITVA A TRAVÉS DE MODELOS MULTIVARIABLES CON BASE HISTÓRICA O DE DEVENGO

La teoría de la solvencia inicialmente tomó como fundamento la metodología de los ratios y pasó a enriquecerse con los métodos estadísticos multivariables, que junto al desarrollo del software estadístico (SPSS, SAS, BMPD, LISREL, SPAD, etc.) proporcionaron al investigador instrumentos más potentes y eficaces para intentar llegar a predicciones más confiables. Además, en el ámbito mundial con el progreso en los trabajos de armonización de los principios de contabilidad generalmente aceptados, las normas y procedimientos de auditoría, y la institucionalización de comités internacionales para la elaboración de información económica y financiera (que tratan de homologar más los criterios para su presentación a partir de la segunda mitad de la década de los setenta), se mejoraron en varios casos las bases de datos que modificaron a su vez el diseño de los modelos y los resultados de los indicadores para predecir las quiebras, tal es el caso de los trabajos que utilizaron estados financieros basados en la contabilidad del cash flow.

Los estudios y metodologías utilizadas en las investigaciones de predicción de quiebras fueron incrementando su complejidad desde los trabajos pioneros de Beaver (1966,1968). Los estudios univariantes, basados principalmente en mediciones múltiples de la solvencia y otras importantes medidas de la posición financiera y resultados de las empresas, habían representado un camino mejor para la predicción de quiebras al lograr el modelo de Beaver alcanzar una exactitud en las clasificaciones hasta del 87%. Sin embargo, los posteriores modelos multivariables fueron superando la exactitud de las clasificaciones univariables al ser más precisos los ratios y obtener porcentajes más altos en modelos como los de Altman y Blum (95%), Edmister (93%), Ohlson (96%), Deakin (97%) y Rose y Giroux (92%).

Algunos de estos estudios, como los de Altman (1968), lograron reducir el número de ratios utilizados en las investigaciones univariantes al aplicar el método Multiple Discriminant Analysis: MDA. Otros estudios se distinguieron por utilizar otras técnicas de análisis multivariable como: el análisis discriminante lineal, el análisis discriminante cuadrático, el análisis de regresión, el análisis de componentes principales, el análisis factorial (para explicar la varianza de los ratios), el análisis cluster (para reducir la colinealidad), el análisis con redes neuronales, y el análisis de probabilidad condicional Logit y Probit (los cuales constituyen una mejor variante de la regresión, ya que sí permiten definir a la variable dependiente cualitativa como dicotómica o categórica).

El análisis multivariable parte de la idea de que la predicción de quiebras es un tema complejo y la investigación aplicada a fenómenos complejos requiere de un análisis dirigido a una considerable cantidad de variables (n > 1). Son las técnicas multivariables las que se aplican a esa diversidad de variables mediante el tratamiento multidimensional de los datos.

Con respecto al término de “Multivariate Analysis”, según Bizquerra (1989: p.2) este se introdujo en la lengua española de tres maneras distintas, aunque su significado no varia:

a) Análisis Multivariable: este término se utiliza generalmente en economía, sociología o psicología.

b) Análisis Multivariante: utilizado en bioestadística o biología.

c) Análisis Multivariado: utilizado en psicología o educación.

En cuanto a su significado, el análisis multivariable es un conjunto de técnicas estadísticas que analizan simultáneamente más de dos variables en una muestra de observaciones (Kendall: 1975). Para Cuadras (1981: p.3) esta técnica estudia, interpreta y elabora el material estadístico sobre la base de un conjunto de n >1 variables, las cuales pueden ser de tipo cuantitativo, cualitativo o una combinación de ambas.

Una de las aplicaciones principales del análisis multivariable dentro del campo de las ciencias sociales, consiste en resumir y sintetizar grandes conjuntos de datos y variables en función de ciertos objetivos para obtener información válida que logre una mejor comprensión del fenómeno objeto de estudio (Bizquerra:1989, p.1).

En general cualquier análisis simultáneo de más de dos variables es parte del análisis multivariable, sin embargo, dentro del análisis existen diversos y variados métodos que pueden ser empleados de diferentes formas (según sean los datos de entrada y los resultados a obtener o salidas). Según Ortega (1984: p. 406), el resultado de dichas aplicaciones da la posibilidad al usuario de clasificar las situaciones y variables, mediante la obtención de relaciones entre esas variables en términos de influencia sobre los factores incontrolables por parte de la empresa, es decir, este análisis se establece a partir de numerosos datos, relaciones y leyes operativas; investiga estructuras latentes (ocultas), y ensaya diversas formas de organizar dichos datos en estructuras conocidas y fácilmente utilizables en dos sentidos: a) Transformándolos y presentándolos bajo una forma nueva; y b) Reduciéndolos sin perder demasiada información inicial, para constituir un resumen relativamente exhaustivo del conjunto de partida que es habitualmente complejo y con informaciones redundantes.

Los orígenes del análisis multivariable se encuentran en las primeras generalizaciones de la correlación y regresión, en donde se establecieron las primeras ideas del análisis de componentes principales (Pearson; 1901 y Spearman; 1904). Pero el establecimiento definitivo de la mayoría del análisis multivariable se ubica en los años treinta con los estudios de Hotelling (1931, 1933); Willes (1932, 1935); Fisher (1935, 1936); Mahalanobis (1936) y Bartlett (1939).

Bizquerra (1989: p.9), citando a Prieto (1985), indica que el análisis multivariable distingue entre métodos predictivos y métodos reductivos. Los primeros identifican a un grupo de variables predictoras o independientes; un criterio o variable dependiente, y en ocasiones a variables intervinientes cuyo efecto se desea mantener bajo control. Sin embargo, el problema radica en especificar las dependencias significativas entre los dos primeros tipos de variables. Con respecto a los métodos reductivos, estos analizan las interdependencias entre todas las variables con el objeto de reducir al mínimo el número de variables necesarias para describir la información relevante contenida en las observaciones.

En cuanto al desarrollo y maduración de los fundamentos del análisis multivariable, este se debe a los pioneros de la estadística moderna que fueron los ingleses (Galton, Pearson, Fisher, Snecodor, etc.) Posteriormente, el centro de gravedad se desplazó hacia los Estados Unidos (Hotelling, Wilks, Bartlett, etc.), aunque sin dejar de considerar las aportaciones que se dieron con el nacimiento de otras escuelas tan importantes como la escuela india (Mahalanobis, Roy, Krishnaah, etc.); la escuela francesa surgida en los años sesenta (Benzecri, Lebart, Morineau, Fenelon, etc.) y la escuela sueca surgida en los años setenta (Jöreskog y Sörborn).