La morosidad en la Cooperativa de ahorro y crédito en la provincia de Tocache (Perú) (página 2)

1. El término "microfinanzas" alude a la provisión de servicios financieros a clientes de bajos ingresos, incluyendo a aquellos que son laboralmente independientes. Los servicios financieros incluyen ahorros y créditos aunque en algunos casos también se tiene la provisión de seguros (Ledgerwood 1999). Las instituciones que se dedican a estas actividades son denominadas Instituciones Microfinancieras (FMF).

   Como cualquier intermediario financiero las IMF están expuestas al problema del riesgo del crédito, es decir se encuentran expuestas a enfrentar el retraso en el pago de los créditos que han otorgado y, en algunos casos pueden enfrentarse al incumplimiento total en el pago.

   Los mercados de créditos en general son ineficientes debido al problema de información asimétrica que ellos envuelven (Stiglitz y Weiss, 1981; Stiglitz 1996; Virmani 1982). La naturaleza de las transacciones financieras es distinta al de otras transacciones económicas, porque en ellas se establece un contrato en el que se intercambia dinero por la promesa de pago futuro del dinero que se presta.

   Este rasgo promisorio de las transacciones financieras hace necesario que quiénes otorgan crédito y quiénes lo reciben dispongan de a mayor cantidad posible de información para determinar el riesgo del crédito: De un contexto económico estable donde puedan establecer correctamente la madurez de los contratos; de precios que fluctúen libremente para reflejar os riesgos del crédito y de reglas claras y precisas para hacer que los contratos se cumplan y los conflictos, en caso de producirse, se resuelvan satisfactoriamente para ambas partes.

   Como ya ha sido mencionado, el problema de una elevada cartera morosa constituye un serio problema que compromete a viabilidad de largo plazo de la institución y finalmente del propio sistema.

   En efecto, la fragilidad de una institución financiera debido a altos niveles de morosidad de sus créditos conlleva inicialmente a un problema de liquidez, que en el largo plazo, si es recurrente y si la institución no posee líneas de créditos de contingencia, se convierte en uno de solvencia que, determina, probablemente, la liquidación de la institución (Freixas y Rochet, 1998). En el caso especifico de las IMF, estudios han demostrado que elevados niveles de morosidad conducen al fracaso de estas entidades (Huppi y Feder, 1990).

   La mayor parte de trabajos que intentan explicar cuáles son los factores que determinan la morosidad bancaria abordan el tema desde enfoques micro o macroeconómicos exclusivamente, sin adoptar una perspectiva global que incluya conjuntamente ambos aspectos.

   No existe un modelo teórico que analice de manera general los factores que determinan la morosidad bancaria ya que la mayoría de modelos teóricos analizan el efecto exclusivo de determinadas variables por separado. La aproximación global se ha realizado principalmente desde una perspectiva empírica, con el objeto de encontrar aquellas variables que mejor contribuyan a determinar la tasa de morosidad observada.

   En este sentido, en el trabajo de Saurina (1998) se demuestra empíricamente la importancia conjunta de los factores agregados (evolución de la economía, demanda agregada, tasa de desempleo, salarios, etc.) y de los factores específicos a la política crediticia de cada entidad (cuota de mercado, tasa de crecimiento de las colocaciones, políticas de incentivos, niveles de eficiencia y solvencia, etc.) sobre la tasa de morosidad de las cajas de ahorro españolas.

   A continuación y siguiendo el esquema de Saurina (1998) se revisará brevemente la literatura existente sobre los determinantes de la morosidad bancaria con el propósito de extraer hipótesis que posteriormente puedan se validadas empíricamente.

   Factores Macroeconómicos.

   Son relativamente comunes los modelos que explican los determinantes macroeconómicos que generan la quiebra de una empresa. Saurina (1998) sostiene que, debido a la naturaleza de los problemas financieros que atraviesan las empresas que fracasan, la morosidad es un paso previo a dicha insolvencia aunque no necesariamente una empresa morosa terminará cerrando. De esta manera utiliza algunas de las conclusiones teóricas de modelos que tratan quiebras de empresas para explicar los determinantes agregados de la morosidad.

   Una conclusión compartida por los modelos teóricos y empíricos es que existe una relación negativa entre ciclo económico y morosidad. Sin embargo, esta relación puede ser afectada por las variables que se usan para medir el ciclo.

   Adicionalmente, se debe evaluar si la relación entre morosidad y ciclo es sincronizada o incluye rezagos. es decir si es la tasa de crecimiento corriente de la economía determina la morosidad actual, o si períodos previos de expansión generaron una mejor capacidad de pago futura de los agentes y por lo tanto menores tasas de morosidad posteriores.

   Las mayores restricciones de liquidez pueden generar problemas en la capacidad de pagos. Por ejemplo, un aumento generalizado de los salarios, del precio de las materias primas o de !os tipos de interés activos puede reducir la capacidad de pago de las empresas o familias (un incremento en los salarios mejora su capacidad de pago).

   Mayores niveles de endeudamiento (medido como porcentaje del FBI o del ingreso medio) pueden aumentar las dificultades de los agentes para hacer frente a sus compromisos, ya sea por & lado del mayor peso del servicio de la deuda como por el menor acceso a créditos nuevos ya que niveles de apalancamiento más alto hacen más difícil obtener financiación adicional. Sin embargo, Davis (1992) y Petersen y Rajan (1994) demuestran que: Para el sistema financiero japonés los bancos están dispuestos a financiar a las empresas en periodos de dificultades aún cuando el año de endeudamiento de estas últimas sea elevado Wadhwani (1984 y 1986) deriva un modelo teórico en si que supone que las empresas operan en mercados imperfectos y obtiene que la probabilidad de quiebra de una empresas está relacionada con los salarios, los precios de las materias primas, los tipos de interés reales y nominales, el cociente entre endeudamiento y el valor de mercado de las empresas y de la demanda agregada real.

   De manera similar Davis (1992) utiliza la tasa de crecimiento del PBI, los salarios y precios reales de as materias primas, los tipos de interés y el ratio de endeudamiento sobre PBI para explicar el ratio de quiebras empresariales en algunos países de la OCDE. Freixas (1994) introduce mediciones de expectativas, la oferta monetaria, a demanda agregada real, la inflación y el endeudamiento del sector privado sobre el PBI, el salario real y os tipos de interés reales.

   Brookes (1994) explica la probabilidad de mora en el pago de los créditos hipotecarios de las familias como función del nivel de renta y del ratio de servicio de deuda del cociente entre a riqueza neta del sector privado y el número de créditos hipotecarios, de la tasa de variación del desempleo y del ratio de endeudamiento sobre el valor de las propiedades inmobiliarias, así como de las restricciones de liquidez que enfrentan los agentes.

   Muñoz (1999) evalúa a través de un modelo de efectos fijos de datos de panel el impacto del crecimiento económico sobre a solvencia del sistema bancario peruano. Encuentra que la evolución de la tasa de morosidad es contracíclica que la volatilidad del tipo de cambio afecta la mora de las colocaciones en moneda extranjera y que las variaciones de las tasas de interés tienen una relación directa con la calidad de la cartera.

   En el Perú, la investigación sobre los determinantes de la morosidad en las IMF es relativamente nueva y poco desarrollada, uno de los trabajos más conocidos y recientes es el documento de Murrugarra y Ebentreich (1999).

   El objetivo de dicho trabajo es examinar el efecto de las políticas crediticias de las Edpymes sobre los niveles de morosidad observados en sus agencias utilizando como variables explicativas las características del mercado crediticio local y de las políticas de gestión de créditos de cada entidad y agencia. Estiman un modelo clásico de datos de panel analizando la presencia de efectos fijos y aleatorios en la muestra empleada y adicionalmente tomando en cuenta la naturaleza censurada de a variable dependiente por la que en los primeros meses de funcionamiento las agencias no tienen tasas de morosidad significativas! presentan os resultados de la estimación de un modelo Tobit con efectos fijos

   A pesar que, para los autores, los factores que afectan a la morosidad de las Edpymes son principalmente microeconómicos incorporan en la estimación a tasa de morosidad observada en e! mercado crediticio local. Reconocen que si bien las características de las agencias y de la entidad determinan la tasa de morosidad por agencia, las condiciones de mercado también pueden afectar a este resultado, es decir, que las característica regionales tienen impacto en la capacidad de los agentes de pagar sus créditos en el plazo acordado, En el caso de la estimación de efectos fijos encuentran que un incremento de 1% en la morosidad del departamento donde se ubica la Edpyme hace que ésta vea afectada su morosidad en un 002%, mientras que en el caso del modelo Tobit el efecto es de 0.25%

   Un estudio reciente que intenta encontrar los determinantes del monto de cartera atrasada de los bancos del sistema financiero peruano se puede encontrar en Guillén (2001). El autor encuentra evidencia que los barcos más grandes son los más afectados por variables externas como el tipo de cambio, contracciones de la demanda agregada y tasas de interés, mientras que las variables internas a cada institución tienen un papel más importante en el caso de los bancos más pequeños, dentro de estas variables destacan la política de otorgamiento de créditos y a conducta tomadora de riesgos de fa institución así como la proporción de crédito vencidos.

   En resumen, los determinantes macroeconómicos de la morosidad se pueden clasificar en tres grandes grupos: Variables que miden el ciclo económico, las que afectan el grado de liquidez de los agentes y aquellas variables que miden el nivel de endeudamiento.

   La manera en que cada uno de estos grupos contribuye a determinar la tasa de morosidad genera hipótesis de comportamiento que deben ser evaluadas empíricamente. De esta manera, se esperan relaciones negativas entre ciclo económico y morosidad y entre liquidez y morosidad, mientras que se espera una relación positiva (o indeterminada) entre endeudamiento y morosidad.

   Factores Macroeconómicos

   El comportamiento de cada entidad financiera es fundamental para explicar su nivel de morosidad, por ejemplo aquellas entidades que tengan una política de colocaciones más agresiva se espera que presenten tasas de morosidad mayores. En este sentido, el crecimiento del crédito, el tipo de negocio y los incentivos a adoptar políticas más arriesgadas son los grupos de variables más analizados. Saurina (1998).

   Uno de los elementos más importantes sobre la tasa de morosidad de una institución bancaria es la velocidad de su expansión crediticia, incrementos importantes en la tasa de crecimiento de las colocaciones pueden ir acompañados de reducciones en los niveles de exigencias a los solicitantes. Adicionalmente Clair (1992), Soltilla y Vihriala (1994) encuentran evidencia de que el crecimiento del crédito en el pasado contribuye a explicar los niveles de morosidad corrientes.

   Una posible causa del incremento en a morosidad es el posible incentivo que tengan los gestores a asumir políticas de crédito más arriesgadas. Entidades con problemas de solvencia pueden iniciar una especie de "huida hacia adelante" buscando expansiones en segmentos más rentables pero con mayores riesgos. Saurina (1998).

   Por otro lado, la selección adversa también actúa en contra de las instituciones que intentan aumentar rápidamente su participación en el mercado de crédito, ya que si una entidad intenta arrebatar a los clientes de otro banco, éste probablemente sólo deje marchar a sus peores clientes.

   Si dicha expansión se tace en un área o segmentos nuevos, los problemas de selección adversa se podrían multiplicar ya que los primeros clientes que acudirán a la nueva entidad serán los de peor calidad.

   El número de agencias de cada entidad se utiliza como un indicador proxy de la diversificación geográfica de cada iristitución. En principio, el incremento en el número de agencias significa tener acceso a una mayor variedad de mercados lo cual puede generar dificultades en el monitoreo y control con o que se tiende a empeorar la capacidad de evaluación y de recuperación, Murrugarra y Ebentreich (1999). Sin embargo, y contrariamente a lo mencionado líneas arriba, también se deben evaluar que si las instituciones siguen una política de buscar los mejores prestamistas de cada sitio es posible que el incremento en el número de agencias genere acceso a segmentos con mejor capacidad de pago, lo cual incremente a calidad promedio del solicitante de crédito, lo que tiende a reducir la tasa de morosidad esperada.

   En el modelo de Efectos Fijos de Murrugarra y Ebentreich (1999) se estima que una agencia adicional representa un 0.6% adicional de morosidad. En el modelo Tobit-Efectos Fijos esta variable deja de ser significativa.

   El tipo de negocio que desarrollan las entidades también es un determinante de la calidad de la cartera de activos de esa institución. En general, los créditos a familias y empresas son más arriesgados que la compra de deuda gubernamental.

   En este sentido, la estructura del balance y de a cartera de activos crediticios reflejan el riesgo que quiere asumir cada entidad. Niveles mayores de riesgo de crédito suelen estar asociados a ciertos sectores. Keeton y Morris (1987) encuentran mayores niveles de riesgo de crédito en el sector agrícola. Los mismos autores (1988) desarrollan medidas de diversificación del riesgo para explicar el ratio de morosidad, y encuentran que las entidades que para los mismos tipos de riesgo de crédito cobran tipo de interés más altos son las que presentan mayores tasas de morosidad.

   Por otro lado, en toda entidad crediticia la adecuada vigilancia de los créditos colocados puede ser un determinante importante de la tasa de recuperación. La escasez de los recursos destinados a las tareas de monitoreo es una práctica peligrosa que puede afectar la capacidad de control y recuperación de los créditos otorgados.

   Un indicador bastante común es el monto colocado por empleado. Refleja el monto colocado que, en promedio, cada empleado debe atender y se define como el ratio entre el total de colocaciones sobre el número de empleados.

   En principio se espera que el efecto de este indicador sobre la tasa de morosidad sea positivo. Sin embargo, esta relación no es clara ya que Incrementos en el monto colocado por empleado generan mayores tasas de morosidad siempre y cuando este empleado haya superado el punto de saturación de créditos que pueda monitorear eficientemente, es decir, que hasta cierto monto colocado! el empleado puede aumentar o mantener la eficiencia de los controles, y que a partir de cierto punto y por el excesivo tamaño del monto que debe supervisar es posible que empiecen a generarse pérdidas de eficiencia en el control. En resumen, no necesariamente el incremento marginal de créditos colocados por empleado genera mayores tasas de morosidad.

   Al respecto. Murrugarra y Ebentreich (1999) utilizan el número de créditos que un empleado promedio debe atender y esperan que, asumiendo el resto de características constantes, las agencias con mayores créditos por persona presenten sistemas de evaluación crediticia más deficiente y, por o tanto, mayores niveles de morosidad. Los autores concluyen que el número de créditos colocados por persona es significativo aunque pequeño, lo que implica que para que tenga un efecto en la tasa de morosidad el incremento en el número de créditos por empleado debe ser exageradamente grande.

   Adicionalmente, Berger y de Young (1997) encuentran evidencia con respecto a que disminuciones de la eficiencia de costos van acompañadas de aumentos en la morosidad.

   La relación entre tasa de morosidad y garantías es de signo incierto ya que las teorías tradicionales sostienen que los mejores prestamistas están dispuestos a apodar más garantías para señalizar que son de riesgo bajo y a su vez, un mayor número de garantías aportadas limita el riesgo moral del cliente. Sin embargo, se han venido desarrollando teorías que plantean una relación positiva, ya que afirman que la existencia de garantías disminuye los incentivos que tiene la institución para un adecuado monitoreo del crédito a la par que puede generar un exceso de optimismo entre os acreditados (Padilla y Requejo. 1998).

   En el sistema financiero peruano las garantías crediticias se clasifican y se publican teniendo en cuenta su capacidad de ser ejecutadas en el menor plazo posible De esta manera existen garantías de lenta realización, de rápida realización y otras no clasificadas. Sin embargo y tal como lo reconocen Murrugarra y Ebentreich (1293) en el caso de microcréditos este indicador no es tan preciso, ya que no captura el efecto de otros tipos de garantías bastante usadas por los diferentes tipos de crédito ofrecidos, como son las garantías grupales, las garantías individuales, las cuales son de naturaleza distinta a las garantías reales.

   Por otro lado. Shaffer (1997) utiliza indicadores como el número de días en que una entidad se demora en entregar los estados financieros, lo cual no tiene relevancia en instituciones más reguladas, donde los plazos son cumplidos estrictamente.

   En resumen, del repaso de la literatura sobre los determinantes microeconómicos de la morosidad se puede concluir que la expansión crediticia, el tipo de diversificación sectorial, los incentivos y nivel de eficiencia de a empresa, la presencia de garantías, el poder de mercado y la solvencia de las entidades son importantes en la determinación de la tasa de morosidad observadas por una institución crediticia. El tipo de relación existente entre estas variables y la calidad de cartera de las IMF se evaluará empíricamente en as siguientes secciones del presente trabajo.

   En relación a las provisiones, estas constituyen un mecanismo contable para recoger el riesgo atente del crédito, en esa medida: El mantenimiento de una eficiente política de provisiones para insolvencias, permite tener un adecuado conocimiento de a real situación financiera de la institución. El riesgo crediticio aparece desde el momento en que se otorga el crédito. La morosidad es sencillamente la realización ex post de ese riesgo. Un eficiente manejo de las provisiones deberá descansar en mecanismos adecuados para recoger ese riesgo ex ante de los créditos y no sólo parte del mismo manifestado en la morosidad. Algunos de estos mecanismos han sido puestos en práctica en España desde julio del 2000. (Saurina et al., 2000).

   Las normas contables y financieras en el país, establecen que as provisiones deben realizarse en función a la cartera atrasada (morosa). De esta manera cuando aumenta la cartera morosa se provisiona más y viceversa, observándose por tanto, una relación positiva entre tasa de morosidad y provisiones. Saurina et al. (2000) señalan que las provisiones realizadas de esta manera muestran un comportamiento procíclico. En las fases de expansión económica, disminuyen los créditos morosos lo que va asociado con una disminución de las provisiones yen periodos recesivos sucede lo contrario.

   Sin embargo, desde que el riesgo latente del crédito no se incorpora adecuadamente en los resultados contables de las instituciones a través de esta política de provisionamiento, es evidente que los beneficios (utilidades) obtenidos de esta manera, no reflejan correctamente la real situación financiera de la empresa, llegando a distorsionar la rentabilidad de largo plazo. Por otro lado, se corre el riesgo de sobrevaluar los reales beneficios que a su vez, puede traducirse en problemas de solvencia y en incentivos para que los gestores se arriesguen a llevar a cabo políticas más agresivas en el mercado.

   De o expuesto anteriormente, una forma de evaluar si a institución está llevando a cabo una adecuada política de provisiones y de sus efectos en el resultado económico de las MF, es observar la relación entre la tasa de provisiones y a tasa morosidad sea que se mida a través de la cartera atrasada, la cartera en alto riesgo o la cartera pesada. Una relación positiva, será indicador de la existencia posibles problemas en la medición del riesgo, antes señalados, con los potenciales problemas sobre la correcta obtención de las utilidades de la entidad, con lo cual podría argumentarse que la política de provisiones no está siendo la más adecuada. Mientras que la existencia de una relación negativa entre provisiones e indicadores de morosidad será indicador de todo lo contrario. Sobre esta base serán evaluadas las provisiones hechas por las IMF seleccionadas para los estudios de caso.

   Tal como se dijo anteriormente, el objetivo de este trabajo es estimar los determinantes de la tasa de morosidad de las IMF; en este sentido la econometría proporciona herramientas que permiten encontrar las variables que son estadísticamente significativas en a determinación de la tasa de morosidad. Por el tipo de datos que se tienen y por las ventajas que este tipo de estructuras presentan se utilizará la metodología de datos de panel. En a siguiente parte del informe se presentan las principales características de los modelos que se emplearán para encontrar los determinantes de la tasa de morosidad de las IMF.

2. ASPECTOS TEÓRICOS

3. LOGROS MÁS IMPORTANTES

Para formular y correr el modelo se utilizó los datos recopilados mediante una encuesta rechazada a los socios morosos de la Cooperativa de Ahorro y Crédito y luego se cruzo la información primaria con la secundaria, tal como se puede ver en el cuadro 02.

La aplicación econométrica nos permitirá verificar la hipótesis planteada, de tal manera que tendremos los elementos suficientes para poder medir el grado significancia y/o repercusión de la variable explicativa sobre la variable explicada.

Para tal efecto, se ha utilizado un modelo básico de regresión lineal simple, la cual tiene la siguiente presentación formal:

Modelo Literal:

Modelo Matemático:

Donde:

Mor = Morosidad. Sf = Ahorro familiar

CUADRO 02

BASE DE DATOS DE LOS DETERMINANTES DE LA MOROSIDAD EN LA

COOPERATIVA DE AHORRO Y CREDITO EN LA PROVINCIA DE TOCACHE

(BASE = ENERO 2005)

Fuente: Encuesta Socio Económica a los Socios de la Cooperativa de Ahorro y Crédito Tocache Ltda. 2005.

El comportamiento de la data en el periodo de análisis se presenta de la siguiente manera:

GRAFICO 01

MOROSIDAD

GRAFICO 02

AHORRO FAMILIAR

GRAFICO 03

MOROSIDAD Vs AHORRO FAMILIA

Es fácil notar que es posible encontrar correlaciones signíficativas según el análisis gráfico, es decir; que se puede encontrar un modelo signiflcativo con la variable propuesta.

3.2 ESTIMACIÓN Y RESULTADOS DEL MODELO:

La regresión del modelo, se hizo utilizando el paquete econométrico EVIEWS. Los resultados nos muestran las relaciones funcionales que existen entre las variables, de donde; entre a Morosidad (Mor) y e! ahorro familiar (Sf).

CUADRO 03

MODELO ESTIMADO

Fuente: En base a los anexos.

Estimation Command:

=====================

LS MOR SF C

Estimation Equation:

=====================

MOR = C(1)*SF + C(2)

Substituted Coefficients:

=====================

MOR = -9.444993*SF + 1833.711

Los indicadores obtenidos nos muestran que el modelo es supuestamente bueno, a juzgar por el coeficiente de determinación (R2) que es de 90.62 %, el Fc es de 1227.088 y Prob (F-statistic) es menor al 5% o que explica una mayor o menor crecimiento económico en nuestro periodo de estudio.

3.3 EVALUACIÓN DEL MODELO:

3.3.1. PRUEBA DE ESTABILIDAD DE PARAMETROS:

TEST DE RAMSEY.- Primero planteamos las hipótesis:

H0 = El modelo esta bien especificado, no hay variables significativas no incluidas en el modelo.

H1 = El modelo no esta bien especificado, existen variables significativas que no están incluidas en el modelo.

CUADRO 04

RESULTADOS DEL TEST DE RAMSEY

Según los resultados al 5 % de significación, podemos concluir que el modelo esta bien especificado, por lo tanto una variable adicional no mejora la significancia del modelo de regresión. Es decir: no podemos rechazar la hipótesis nula.

3.3.2. PRUEBA DE SIGNIFICANCIA GLOBAL E INDIVIDUAL:

1. En el cuadro 03 presentamos los resultados del modelo seleccionado para explicar el comportamiento de a morosidad en un punto en el tiempo, sobre a base de ese modelo se desarrollará la prueba de significación global de los parámetros de regresión, para ello planteamos la siguiente hipótesis:

   1ro Planteamos las hipótesis:

   Ho: ß1 = ß2 = 0 (Los parámetros del modelo de regresión no son significativos. No existe Regresión Lineal)

   H1: ß1 ≠ ß2 ≠ 0 (Los parámetros del modelo de regresión son significativos. Existe Regresión Lineal)

   2do Determinamos el nivel de Significación:

   Utilizaremos un α de 5 % σ 0.05, para determinar los puntos críticos.

   3ro Calculamos el F – estadístico:

   Se determina de la siguiente manera.

   

   

   4to determinamos la región Crítica:

   El F de tabla lo determinamos de la siguiente manera:

   , = 3.84

   Por lo tanto se puede concluir que el F – calculado (1227.088) es mayor que el F -tabla (3.84), tal como se puede apreciar en el siguiente gráfico, lo cual nos indica que se rechaza la hipótesis nula y se acepta la hipótesis alternante, lo que quiere decir que la variable ahorro familiar (Sf) contribuye significativamente al modelo planteado. Además que existe regresión lineal entre las variables en estudio.

   También podemos notar que el modelo tiene un coeficiente de determinación (R2) de 90.62 %, lo que indica que a variable independiente (Sf) explican en un 90.62% el comportamiento de la morosidad, mientras que la diferencia 9.38% son explicados por otras variables no incluidas en el modelo.

   GRÁFICO 04

   

   Finalmente se rechaza la hipótesis nula y se acepta la alternante.

2. PRUEBA F.-
3. PRUEBA T – STUDENTS.-

Esta prueba permitirá verificar la significación individual de cada una de las variables explicativas del modelo.

Parámetro de la Ahorro Familia (Sf):

1ro Planteamos las hipótesis:

Ho: ß2 = 0 (No influye en el modelo)

H1: ß 2 ≠ 0 (Si influye en el modelo)

2do Determinamos el nivel de Significación:

Utilizaremos un α de 5 % σ 0.05, para determinar los puntos críticos.

3ro Calculamos el T-estadístico:

Se determina de la siguiente manera.

4to determinamos la región Crítica:

El T de tabla lo determinamos de la siguiente manera:

Por lo tanto se puede concluir que el parámetro β2 (Ahorro Familiar) estadísticamente es significativo dentro del modelo, debido que el T – calculado (-35.03) es mayor que el T – tabla (-1.960), tal como se puede apreciar en el grafico anterior

3.3. PRUEBAS ESTADÍSTICAS SOBIRE LOS RESIDUOS DEL MODELO DE REGRESIÓN:

Las pruebas que se resolverán están orientados a verificar si los errores del modelo de regresión deja morosidad (cuadro 03), siguen un patrón de comportamiento no esférico, si esto es significativo. entonces podremos tener estimadores ineficientes y por consiguiente tener pruebas de significación estadísticas irrelevantes, ocasionados por tener variancias relativamente grandes.

Por lo tanto, el modelo será.

PBI = 1833.711 – 9.444993*Sf + et

Probaremos si et sigue perturbaciones no esféricas, esto es problemas de Heteroscedasticidad y Autocorrelación.

1. Como se trata de un modelo con datos longitudinales (series de tiempo) las pruebas que se realizarán serán:

   TEST ARCH – LM.- que significa heteroscedasticidad autorregresiva condicionada, lo cual nos permitirá verificar si el et2 sigue el siguiente comportamiento;

   et2 = , datos mensuales.

   Por lo tanto las pruebas de hipótesis serán:

   H0: b i = 0 Los errores son constantes, no existe heteroscedasticidad.

   H1: b i ¹ 0 Los errores no son constantes, existe heteroscedasticidad.

   Para todo i = 2, 3, …., 129

   CUADRO 05

   RESULTADOS DEL TEST DE ARCH – LM

   ARCH Test:
   F-statistic	294.1713	Probability		0.000000
   Obs*R-squared	89.61566	Probability		0.000000
   Test Equation:
   Dependent Variable: RESID^2
   Method: Least Squares
   Date: 05/29/06 Time: 09:40
   Sample (adjusted): 2 129
   Included observations: 128 after adjustments
   Variable	Coefficient	Std. Error	t-Statistic	Prob.
   C	41924.59	21229.98	1.974782	0.0505
   RESID^2(-1)	0.687888	0.040107	17.15142	0.0000
   R-squared	0.700122	Mean dependent var		188985.0
   Adjusted R-squared	0.697742	S.D. dependent var		399667.7
   S.E. of regression	219729.2	Akaike info criterion		27.45368
   Sum squared resid	6.08E+12	Schwarz criterion		27.49824
   Log likelihood	-1755.036	F-statistic		294.1713
   Durbin-Watson stat	1.908202	Prob(F-statistic)		0.000000

   Al 5 % de significación la Prob(F-statistic) tiende a 0, lo cual nos permite aceptar la hipótesis nula, por o tanto; concluimos que a varianza de los errores es constante, pues el coeficiente C (intercepto β1) es significativo según se aprecia en cuadro 05.

   Finalmente podemos concluir que según este test no existe hetoroscedasticidad en nuestro modelo.

2. HETEROSCEDASTICIDAD:
3. AUTOCORRELACION:

Existen varias pruebas para detectar autocorrelación, como pueden ser el test Gráfico, el test LM de Breusch – Godfrey, y el test de Durban – Watson, nosotros utilizaremos este último.

TEST DE DURBIN – WATSON.- Esta prueba se realiza para verificar la existencia de correlación serial de primer orden, del tipo et = r et-1 + e t , donde e t es un ruido blanco.

Para ello se plantea las siguientes hipótesis:

H0: r = 0 No existe Autocorrelación en el modelo.

H1: r ¹ 0 Existe Autocorrelación significativa de primer orden en el modelo.

El modelo regresionado para explicar el crecimiento económico (cuadro 02) indica que el valor de Durbin – Watson Estadístico es de 0.093564, el cual debemos contrastar con el valor crítico:

DWt = DW(1, 129) 5% = (di = 1.65, ds = 1.69)

Según el valor estimado del DW, nos encontramos en la zona de existencia de Autocorrelación positiva, el cual tenemos que corregir.

CUADRO 05

MODELO SIN AUTORRELACIÓN

Estimation Command:

=====================

LS MOR SF AR(1) C

Estimation Equation:

=====================

MOR = C(1)*SF + C(2) + [AR(1)=C(3)]

Substituted Coefficients:

=====================

MOR = -1.001499258*SF + 872.1966042 + [AR(1)=0.9774390329]

1. Para demostrar la hipótesis se analizò a 129 socios que se encontraban morosos en un momento dado, se tuvo en cuenta los datos de crédito de consumo y crédito microempresarial porque explicaban de mejor manera el comportamiento de la morosidad.

   2. Las variable ahorro familia explica en un 90.62% el comportamiento de la morosidad en a provincia de Tocache departamento de San Martín -Perú.

   3. La variable Ahorro familiar, guarda una relación negativa con la morosidad bancaria, es decir; a una menor nivel de ahorro familiar la morosidad aumentará, y por lo tanto la morosidad seguirá esa misma tendencia, estadísticamente, esta variable es significativa en el comportamiento de la morosidad bancaria por que el T de tabla es mayor que el T calculado, o que indica que se acepta la hipótesis nula y se rechaza a hipótesis alternante.

   4. El modelo que explica la morosidad en a provincia de Tocache es muy significativa pero tiene problemas de autorrelación y como son datos transversales no se pudo aplicar las correcciones necesarias para corregir este problema como se hace a los modelos de series de tiempo.

2. CONCLUSIONES

3. BIBLIOGRAFÍA

1 Esteban Churampi, Efraín. Normas de Redacción en Investigación Científica. Año 2001.

2 Jhonny Javier Hidalgo Benito. I cumbre Nacional de Microfinanzas. Año 1997. Perú

3. Mormontoy Laurel. WILFREDO. Elaboración del protocolo de la investigación en ciencias de la salud, de la conducta y áreas afines. Ed. Universidad Peruana Cayetano Heredia. Lima Perú, Año1993.

4. Muhamad Yunus. Hacía un Mundo sin Pobreza. Bangladesh. Año l,997.

5. Eliseu Santandreti y Pol Santandreu. Manual ce Finanzas. España. Año 2.000.

6. Robert E. Ekelund, J.R y Robert F. Hebert. Historia de a Teoría Económica y su Método.

7. Lic. ADM: NILSON CÁRDENAS CHAVES. Rol del crédito Agrario en el Desarrollo del agro del Alto Huallaga. Tingo Maria Año 1.992.

8. Eco. WILMER CASTILLO SOTO. Política Crediticia Agrícola en a zona del alto Huallaga, periodo 1981 -1990. Tingo Maria. Año 1,993.

9. CPC. ELDER PAREDES TORRES. El Desarrollo y fuga de capitales en las entidades bancarias de Tingo Maria. Tingo María Año 1996.

10. Periódico Gestión de los Años 2000 y 2001.

11. Periódico el Comercio de los Años 2000 y 2001.

12 www.monografias/morosidad en Trujillo.com.pe

Presentado por:

Eco. HUGO SOTO PEREZ

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA

TINGO MARIA

ESCUELA DE POS GRADO

MAESTRIA EN CIENCIAS ECONOMICAS

MENCION: FINANZAS

Para Optar en Grado de:

MAESTRO EN CIENCIAS ECONOMICAS

TINGO MARIA – PERU

2006