Amd aplicado a las finanzas (caso pwc)

Dedicatoria:
El presente trabajo lo dedico con todo mi cariño:
A Dios por ser mi fuerza, orgullo y poder.
A mi madre y su compresión incondicional.
A todos mis compañeros que corroboraron al éxito de esta obra universitaria
Introducción
{text:list-item} {text:list-item} {text:list-item} {text:list-item} {text:list-item}
Planteamiento del Problema.*Análisis Estadístico para Modelo de Regresión Lineal Múltiple (*M*RLM)*.
{text:list-item} {text:list-item} {text:list-item} {text:list-item} {text:list-item}
Conclusiones y Recomendaciones. Bibliografía. {draw:frame}
Introducción Regresión y Formación de Modelos
El análisis de regresión es una técnica estadística para investigar y modelar la relaciónentre variables. Son numerosas las aplicaciones de la regresión, y las hay en casi cualquier campo, incluyendo en ingeniería, ciencias físicas y químicas, economía, auditoría, administración, ciencias biológicas y de la vida y en las ciencias sociales. De hecho, puede ser que el análisis de regresión sea la técnica estadística mas usada.
El Modelo de Regresión Lineal Múltiple (MRLM)
El objetivodel análisis de la regresión es analizar un modelo que pretende explicar el comportamiento de una variable (endógena, explicada o dependiente), que denotaremos por y, utilizando la información proporcionada por los valores tomados por un conjunto de variables explicativas (exógenas, o independientes), que denotaremos por x1,x2,x3,…,xn
El modelo lineal (modelo econométrico) viene dado de laforma:
y=β0+β1x1+β2x2+β3x3+…+βnxn+ε
Las 3 enfermedades que afectan a un MRLM:
Heteroscedasticidad
Multicolinealidad
En un modelo multivariante suele suponerse como hipótesis que sus variables (sobre todo las variables exógenas) x1,x2,x3,…,xn son linealmente independientes, es decir, no existe relación lineal exacta entre ellas. Esta hipótesis se denomina hipótesis deindependencia, y cuando no se cumple, decimos que el modelo presenta multicolinealidad.
La matriz de correlaciones es un instrumento que ayuda a detectar la presencia de multicolinealidad. Valores altos en esta matriz son síntoma de posible dependencia entre las variables implicadas.
Entre las soluciones más comunes para la multicolinealidad se tiene: ampliar la muestra, transformar las variablesadecuadamente, suprimir algunas variables con justificación estadística y económica, sustitución de las variables explicativas por sus componente principales mas significativas (puntuaciones) o utilizar métodos específicos de ajuste como la regresión en cadena.
Autocorrelación Por tanto, en presencia de autocorrelación será necesario estimar los elementos de la matriz de varianzascovarianzas residual V. Esta tarea suele simplificarse suponiendo que las perturbaciones aleatorias del modelo siguen un determinado esquema de comportamiento que reduce el número de parámetros a estimar.
Para analizar la autocorrelación de un modelo suele comenzarse por el análisis gráfico de los residuos, siendo esencial la gráfica de los residuos (a poder ser estudentizados) respecto del índicetiempo (o número de fila), que debe de presentar una estructura aleatoria libre de tendencia.
Aparte del análisis gráfico es necesario realizar contrastes formales de autocorrelación, entre los que destacan Durbin Watson, Wallis, h-Durbin, Breusch-Godfrey y Cochrane-Orcutt.
Recolección de Datos.
Un aspecto esencial del análisis de regresión es la recolección, recopilación o adquisición dedatos. Todo análisis de regresión es tan bueno como lo son los datos sobre los que se basa. Hay tres métodos básicos de recolectar datos:
Un estudio retrospectivo basado en datos históricos.
Un estudio observacional.
Un experimento diseñado..
Un buen esquema de recolección de datos puede asegurar un análisis simplificado y un modelo de aplicación más general. Un mal...