• Author / Uploaded
• mveramo

Citation preview

Tesis de Ingeniero Economista Título: “Determinantes de Morosidad del Programa de Créditos del Instituto de Educación Rural Ayaviri: periodo 2000n-2003”

Presentado por la Bachiller: Carmen Nievez Quispe Lino (2005) SUMARIO

TITULO DEL TRABAJO ALUMNO I. INTRODUCCIÓN II. PROBLEMA OBJETO DE ESTUDIO E HIPOTESIS III. ESTIMACIÓN Y ANÁLISIS DE RESULTADOS 1. HIPOTESIS I a) ESPECIFICACION DEL MODELO b) ESTIMACION DEL MODELO c) EVALUACION O VERIFICACION d) DISCUSIÓN DE RESULTADOS 2. HIPOTESIS II a) ESPECIFICACION DEL MODELO b) ESTIMACION DEL MODELO c) EVALUACION O VERIFICACION d) UTILIZACION DEL MODELO e) DISCUSIÓN DE RESULTADOS IV. CONCLUSIONES V. REFERENCIAS BIBLIOGRÁFICAS VI. ANEXOS

I. INTRODUCCIÓN El presente ensayo se trata de explicar factores que explican la morosidad y la capacidad de recuperación de créditos del programa de créditos del Instituto de Educación Rural Ayaviri en el período 2000 – 2003. Se ha tomado datos de 54 clientes entre morosos y no morosos de la la ficha socio económica del prestatario y la ficha de entrevista a clientes morosos y no morosos. Para la comprobación de la hipótesis (1) se hizo una estimación con un modelo binario y para la comprobación de la hipótesis (2) se usa un modelo lineal, mediante mínimos cuadrados ordinarios, donde las variables explicativas poseen características cualitativas y cuantitativas. II. PROBLEMA OBJETO DE ESTUDIO E HIPOTESIS El Instituto de Educación Rural Ayaviri, otorga créditos (de mil a 2 mil soles) a personas de bajos recursos económicos de la provincias Carabaya, Sandia y Melgar en las modalidades de grupos solidarios y créditos individuales. La cartera de créditos presentaba niveles de morosidad: 68 % en la jurisdicción de Melgar, 49.4 % en el ámbito de Carabaya y 56 por ciento en Sandia.(1). Estas tasas de morosidad se consideran altas con el 14 % de la Caja Municipal de Ahorro y Crédito (Huancayo) y con el 28.5 % Prisma (Lima).2 Como inquietud académica se plantean las siguientes inquietudes e hipótesis: ¿Cuáles son los factores que influyen en los créditos colocados por el programa de créditos del I.E.R.A. en el período 2000- 2003? ¿Cuáles son los factores que influyen en el proceso de recuperación de créditos del I.E.R.A. en el período 2000 – 2003? III. ESTIMACIÓN Y ANALISIS DE RESULTADOS 1) HIPOTESIS I Los factores que influyen en los créditos colocados por el programa de créditos del Instituto de Educación Rural Ayaviri, son: la capacidad de pago, montos solicitados, los niveles de ingreso y las garantías.

(1) Fuente : Instituto de Educación Rural Ayaviri Estadísticas del Programa de créditos. (2 )I.E.P. Instituto de estudios peruano.

a) ESPECIFICACION DEL MODELO Con el propósito de identificar los factores que influyen en los créditos colocados por se planteo el siguiente modelo: COLOCi

f (CPi , MONCi , YPi , Gi )

Definición de variables COLOC = se define como la variable colocación donde toma el valor de 1 cuando el crédito no fue devuelto y 0 cuando el crédito fue devuelto. CP = esta variable se define como la capacidad de pago del prestatario cuya unidad de medida es soles por mes. MONC = esta variable se define como monto de crédito obtenida por el prestatario cuya unidad de medida es nuevos soles. YP = esta variable se define como ingreso del prestatario cuya unidad de medida es soles por mes. G = esta variable se define como garantía del préstamo dada por el prestatario definida como: 1 como garantías solidarias y 0 como garantía con testimonio. Se ha visto por conveniente utilizar un modelo binario ya que la variable de respuesta COLOC (no es moroso “0” ; si es moroso “1”) es dicotómica y no se adecua para ello el método de máxima verosimilitud (hipótesis uno) por lo que el término de error no se distribuye como una normal, por tanto se utiliza, como más apropiado el método Logit, como mas adelante se selecciona como más apropiado, entre los métodos Probit y Extreme Value, a continuación exponemos sintéticamente el método Logia: Modelo Logit. Este modelo utiliza la función de distribución logística.

Pi

E (Y

1/ X i )

1 1 e

X

óPi

E (Y

1/ X i )

1 1 e

Z

,

donde:

e

=

base

del

logaritmo natural. A esta ecuación se conoce como la función de distribución logística (acumulativa). Si la variable Zi se encuentra dentro del rango (-α < Zi >+ α ), Pi se encuentra dentro de un rango 0 a 1 y Pi no está linealmente relacionado con Zi (es decir Xi), no se puede utilizar M.C.O. ( la probabilidad Pi no esta linealmente relacionado con los estimadores Bs y X i). En cambio, la probabilidad de que el individuo escoja Y i = 0 Pi =E(Yi=0/Xi)=XiB, o no tener un determinado atributo es (1 – Pi) y lo definimos como:

1 Por consiguiente, la razón de probabilidades, a favor de poseer (Y i = 1), 1 eZ i Pi 1 eZ i se puede escribir de la siguiente manera e Z i , por ejemplo si Pi = 0.8 Zi 1 Pi 1 e significa que las probabilidades son de 4 a 1 a favor de poseer el atributo. 1 Pi

Ahora si tomamos el logaritmo natural a esta última expresión se obtiene un resultado muy interesante:

Li

Ln

Pi 1 Pi

Zi

X i , donde L = modelo logit.

Es decir, Li. es el logaritmo de la razón de probabilidades que no es solamente lineal en Xi, si no también lineal en los parámetros βs, lo cual implica que la variable dependiente, en esta última ecuación de regresión, es el logaritmo de que se hará una elección particular. Una ventaja del uso del modelo logit es que transforma el problema de predecir probabilidades dentro de un intervalo (0,1) en un problema de predecir las posibilidades de que ocurra un evento dentro del rango de la línea recta. Características del Modelo Logit Podemos resumirlas en las siguientes: A medida que P va de 0 a 1 (es decir, a medida que Zi varia de –α a + α, el logit L va de –α a + α,, es decir aunque la probabilidad (por necesidad) se encuentran entre 0 y 1, los logit no estan limitados en esa forma, además implica que la estimación por mínimos cuadrados ordinarios no es apropiada, su gráfico es:

Pi 1

FDA

0 -∞

Zi ∞

Aunque L (logit) es lineal en Xi, las probabilidades (Pi) en si mismas no los son.

La interpretación del modelo logit es la siguiente: Β2: es la pendiente, mide el cambio en L ocasionado por un cambio unitario en X i, es decir, dice cómo el logaritmo de las probabilidades a favor de poseer un atributo cambia a medida que X cambia en una unidad. Β1: es el intercepto, es el valor del logaritmo de las probabilidades de poseer un atributo, si X es cero. Dado un determinado valor de X por ejemplo(X *), si realmente se desea estimar la probabilidad misma de poseer un atributo, y no las probabilidades a favor de poseer un atributo, esto puede hacerse directamente a partir de la ecuación original una vez disponga de las estimaciones de β1 y β2. Mientras que el modelo lineal de probabilidad está relacionado linealmente con X i, el modelo logit supone que el logaritmo de la razón de probabilidades esta relacionado linealmente con Xi. b) ESTIMACION DEL MODELO Para establecer el efecto de los factores que influyen en las colocaciones de crédito se compararon los resultados de los modelos binarios Probit, Logit y Extreme Value como se aprecian en el siguiente cuadro: CUADRO Nº: 01 Portafolio de modelos Variables CP G MONC YP Constante Log-Likelihood LR Statistics (ji cuadrado) Probability (LR stat) Akaike Criterion Schwarz Criterion Mc Fadden Squared

PROBIT Coefficient -0.035754 4.070659 0.001028 0.018861 -5.601512 -16.70472 37.77903 1.24E-07 0.803879 0.988044 0.530690

Prob. 0.0003 0.0634 0.0160 0.0009 0.0225

LOGIT Coefficient -0.071914 8.482555 0.002183 0.038622 -11.88612 -15.93902 39.31044 6.01E-08 -15.93902 -35.59424 0.552202

Prob. 0.0015 0.1336 0.0143 0.0030 0.0594

EXTREME VALUE Coefficient Prob. -0.029838 0.0003 3.165409 0.0306 0.000767 0.0532 0.015338 0.0010 -3.874466 0.0170 -18.51877 34.15093 6.94E-07 0.871065 1.055231 0.479726

Elección del modelo: Para la elección del mejor modelo se considero al modelo consistente, la significancia estadística de los coeficientes estimados, el criterio de bondad de ajuste McFadden Rsquared y los criterios de información Akaike Criterion y Schwarz Criterion para ver la capacidad explicativa del modelo.

Como se podrá apreciar los resultados son muy similares entre los modelos, para la elección entre los modelos (ver anexos Nº: 01, 02 y 03 respectivamente) se considerara según los estadísticos indicados líneas arriba: En ambos modelos se observa la consistencia, además, los parámetros son estadísticamente significativos distintos de cero. El Mcfadden (coeficiente de ajuste) del modelo Logit es mayor que de los modelo Probit y Extreme Value, además según los criterios de información de Akaike y schwarz (capacidad explicativa del modelo) son menores en el modelo Logit. Por lo tanto el modelo escogido es el dos (logit), el mismo que pasamos a interpretar. c) EVALUACION O VERIFICACION a.- Resultados de la regresión Logit CUADRO Nº: 02 Dependent Variable: COLOC Method: ML - Binary Logit (Quadratic hill climbing) Date: 06/02/06 Time: 14:40 Simple: 1 54 Included observations: 54 Convergence achieved after 8 iterations Covariance matrix computed using second derivatives Variable

Coefficient

Std. Error

z-Statistic

Prob.

CP G MONC YP Constante

-0.071914 8.482555 0.002183 0.038622 -11.88612

0.022669 5.654563 0.000891 0.013030 6.305857

-3.172284 1.500126 2.449684 2.964060 -1.884934

0.0015 0.1336 0.0143 0.0030 0.0594

Mean dependent var S.E. of regression Sum squared resid Log likelihood Restr. log likelihood LR statistic (4 df) Probability(LR stat) Obs with Dep=0 Obs with Dep=1

0.370370 0.298060 4.353143 -15.93902 -35.59424 39.31044 6.01E-08 34 20

S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Avg. log likelihood McFadden R-squared Total obs

0.487438 0.775519 0.959684 0.846544 -0.295167 0.552202 54

b.- Interpretación de signos En este tipo de modelos es importante el sentido de la relación entre las diferentes variables independientes con la dependiente como se tiene: La capacidad de pago de los prestatarios (CP), se relaciona inversamente con las colocaciones de los créditos otorgados por el Instituto de Educación Rural Ayaviri (COLOC), esto implica que si la capacidad de pago del beneficiario mejora, la probabilidad de que el crédito concedido no sea devuelto disminuye.

Las garantías presentadas por parte de los prestatarios para la obtención de su préstamo (G), si las colocaciones fueron realizadas con garantías solidarias la probabilidad que el crédito no sea devuelto es mayor de lo contrario es menor. El monto de crédito obtenido por los prestatarios (MONC) en el período 2000 – 2003, tiene relación positiva con los créditos concedidos por el Instituto de Educación Rural Ayaviri (COLOC), esto significa si el monto de crédito se incrementa la probabilidad de que el crédito no sea devuelto aumenta. El ingreso mensual del prestatario (YP), tiene relación positiva con las colocaciones llevadas a cabo en el período 2000 – 2003 (COLOC), esto nos indica que si el ingreso incrementa, la probabilidad de que el crédito no sea devuelto aumenta. Esta relación parece no reflejar la realidad, mas adelante se detallara los motivos de este resultado. Como se podrá observar existe cierto nivel de coherencia en la relación de las variables por lo que podemos afirmar que el modelo es consistente. c.- Contraste de hipótesis: Con el propósito de identificar las variables que estadísticamente influyen en la variable dependiente se hizo el contraste de hipótesis como se detalla a continuación: Capacidad de pago (CP) Planteamiento de hipótesis: H0: la capacidad de pago no influye en las colocaciones de créditos. (α1= 0) Ha: la capacidad de pago influye en las colocaciones de créditos. (α 1 ≠ 0) Regla de decisión Si: Probability (z) < 0.05, se rechaza la hipótesis nula. Si: Probability (z) > 0.05, se acepta la hipótesis nula. Según los resultados la probabilidad de z, asociada a la variable CP, es igual a 0,0015 el cual es menor a 0,05, por lo que se rechaza la hipótesis nula y se acepta la alterna, por lo tanto diremos que la capacidad de pago explica a la variable colocaciones. Garantía (G) Planteamiento de hipótesis: H0: la garantía no influye en las colocaciones de créditos. (α 2= 0) Ha: la garantía influye en las colocaciones de créditos. (α2 ≠ 0) Regla de decisión

Si: Probability (z) < 0.05, se rechaza la hipótesis nula. Si: Probability (z) > 0.05, se acepta la hipótesis nula. Según los resultados la probabilidad de z, asociada a la variable G, es igual a 0,1336 el cual es mayor a 0,05, por lo que a este nivel de significancia se rechaza la hipótesis nula, pero para el interés del estudio rechazamos la hipótesis nula a un nivel de significancia del 14 por ciento y se acepta la alterna, por lo tanto diremos que la garantía explica a la variable colocaciones a un nivel de significancia del 14 por ciento. Monto de pago (MONC) Planteamiento de hipótesis: H0: El monto de crédito no influye en las colocaciones de créditos. (α 3= 0) Ha: El monto de crédito influye en las colocaciones de créditos. (α3 ≠ 0) Regla de decisión Si: Probability (z) < 0.05, se rechaza la hipótesis nula. Si: Probability (z) > 0.05, se acepta la hipótesis nula. Según los resultados la probabilidad de z, asociada ala variable MONC, es igual a 0,0143 el cual es menor a 0,05, por lo que se rechaza la hipótesis nula y se acepta la alterna, por lo tanto diremos que el Monto de crédito explica a la variable colocaciones. Ingreso del prestatario (YP) Planteamiento de hipótesis: H0: Ingreso del prestatario no influye en las colocaciones de créditos. (α4= 0) Ha: Ingreso del prestatario influye en las colocaciones de créditos.(α4≠0) Regla de decisión Si: Probability (z) < 0.05, se rechaza la hipótesis nula. Si: Probability (z) > 0.05, se acepta la hipótesis nula. Según los resultados la probabilidad de z, asociada ala variable YP, es igual a 0,003 el cual es menor a 0,05, por lo que se rechaza la hipótesis nula y se acepta la alterna, por lo tanto diremos que el ingreso del prestatario explica a la variable colocaciones. d.- Prueba sobre los residuos

Para ver el problema de heterosedasticidad se usa el correlograma de los errores (anexo Nº 04), se observa que los errores no presentan un patrón sistemático de observación a observación, por lo que no presenta indicios de presencia de heterosedasticidad. e.- Interpretación de los efectos marginales Los efectos marginales permiten analizar la influencia de las variables explicativas sobre la probabilidad. Para calcular los efectos marginales se estimo el modelo mediante el programa lindep (Anexo Nº: 05), el mismo que nos proporciona los efectos marginales de manera inmediata: CUADRO Nº: 03 +---------+--------------+----------------+--------+---------+----------+ |Variable | Coefficient | Standard Error |b/St.Er.|P[|Z|>z] | Mean of X| +---------+--------------+----------------+--------+---------+----------+ Marginal effects on Prob[Y = 1] Constant -1.805523428 .66574801 -2.712 .0067 CP -.1092386866E-01 .70114926E-02 -1.558 .1192 117.07407 MONC .3315970947E-03 .22410302E-03 1.480 .1390 1061.4815 YP .5866801479E-02 .39254574E-02 1.495 .1350 248.70370 G 1.288515189 .45770822 2.815 .0049 .81481481 +---------+--------------+----------------+--------+---------+----------+

Efecto marginal respecto a la capacidad de pago (CP) El efecto marginal asociado a esta variable es -0.01092386866, lo que nos indica que al incrementar la capacidad de pago en un nuevo sol por mes, la probabilidad de que el crédito no sea devuelto disminuye en 1.092 por ciento. Esto básicamente porque el prestatario tendrá mayores posibilidades de pago debido a que su ingreso ha aumentado o su gasto ha disminuido. Efecto marginal respecto al monto de crédito obtenido por el prestatario (MONC) El efecto marginal del monto de crédito es de 0.00331597094, lo que nos indica que si el monto de crédito otorgado aumenta en un nuevo sol, la probabilidad de que el crédito no sea devuelto aumenta en 0.33 por ciento. Efecto marginal respecto al ingreso del prestatario (YP) El efecto marginal del ingreso del prestatario es 0.005866801479, lo que significa que si el ingreso mensual aumenta en un nuevo sol, la probabilidad que el crédito no sea devuelto aumenta en 0.55958 por ciento. Efecto marginal de la variable garantía (G) Para ver el efecto marginal de esta variable se muestra el grafico Nº 01, donde muestra la diferencia de dos funciones de distribución de probabilidad debido a la variable garantía, que toma valores 0 y 1.

GRAFICO Nº: 01 Prob(y=1) 1.0 0.8

0.6

0.507123

0.4

0.2 0.0002370.0

0

100

200

300

118.1852

400

500 CP

La función de distribución de probabilidad roja representa cuando la colocación fue hecha con garantías solidarias, la función de distribución de probabilidad azul representa cuando la colocación fue hecha con garantía no solidaria, se observa que la función de distribución de probabilidad de las personas que otorgaron garantías solidarias esta por encima de la función de distribución de probabilidad de las personas que otorgan garantías no solidarias. Esto significa que la probabilidad de que el crédito no sea devuelto, aumenta si el encuestado (prestatario) obtiene créditos con garantías solidarias. Además nos indica que si la capacidad de pago del prestatario es 118.1853 soles mensuales la probabilidad que el crédito no sea devuelto aumenta en 0.507123 si otorga garantía solidaria. d) DISCUSIÓN DE RESULTADOS Dentro de los resultados obtenidos. Los factores que influyeron en las colocaciones de créditos (en mora y no mora) en el período 2000 – 2003 del programa de créditos del I.E.R.A., fueron la capacidad de pago del prestatario, las garantías brindadas por el prestatario para obtener el crédito, montos de crédito colocados y el ingreso mensual del beneficiario. Según los resultados el factor que mas importancia es la capacidad de pago del cliente, ya que si el prestatario tiene una buena capacidad de pago no tendrá problemas de cumplir con sus obligaciones para con la institución. 2) HIPOTESIS II Los factores que influyen en el proceso de recuperación de los créditos otorgados por el Instituto de Educación Rural Ayaviri, son: los ingresos, seguimiento de los créditos, períodos de recuperación.

a) ESPECIFICACION DEL MODELO Con el propósito de demostrar los factores influyentes en el proceso de recuperación de créditos otorgados por el programa de créditos del Instituto de Educación Rural Ayaviri, se planteo el siguiente modelo: RECUPi

f (YANUAL, SEGUI , PERIODO)

Definición de variables RECUP = definida como los montos amortizados por parte de los prestatarios, cuya unidad de medida son nuevos soles. YANUAL = definida como el ingreso anual del prestatario, medida en nuevos soles SEGUI (D1)= definida como el seguimiento que se le hace a los créditos, el mismo que toma el valor de 1 cuando hubo por lo menos una visita y 0 cuando no hubo visita. PERIODO (D2)= definida como el periodo de recuperación de los créditos, el mismo que toma el valor de 1 cuando el periodo es de 7 a mas meses y 0 cuando el periodo es de 6 meses a menos. Modelo Lineal. Para la comprobación de la hipótesis 02 se utiliza el método de regresión clásico (M.C.O.) en la forma de la regresión lineal de la forma Y 0 i Xi i , bajo los siguientes supuestos: o Media: o Varianza: o Cov (μi, μj):

E (μi) = 0 E (μi2) = σ2 E (μi, μj) = 0 i ≠ j

Estos supuestos se pueden expresar de una manera mas compacta de la siguiente manera: μ i distribuido N(0, σ2)3 b) ESTIMACION DEL MODELO Se elige un modelo de regresión lineal por el método mínimos cuadrados CUADRO Nº: 04 3

Existen otros criterios; son insesgados, tienen varianza mínima, consistencia, B1 y B2 están distribuidos independientemente de σ2, B1 y B2 tienen varianza mínima entre todas las clases de estimadores insesgados lineales y no lineales.

Dependent Variable: RECUP Method: Least Squares Date: 06/02/06 Time: 20:17 Sample: 1 54 Included observations: 54 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C YANUAL SEGUI PERIODO

280.9216 0.088542 687.5331 8.898697

169.3526 0.045682 162.1538 153.8805

1.658797 1.938200 4.240005 0.057829

0.1034 0.0583 0.0001 0.9541

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.371311 0.333589 552.7538 15276840 -415.5500 0.547206

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

940.7869 677.1124 15.53889 15.68622 9.843510 0.000033

Ruta: Variables → as equation → c) EVALUACION O VERIFICACION Heteroscedasticidad: Cuando se estima mediante el estimador de mínimos cuadrados ordinarios se debe tener en cuenta que la varianza de los errores sean homoscedasticos, para tal efecto se hizo el contraste de White (anexo Nº 06 ) donde se tiene lo siguiente: Contraste de White: H0:

2 1

2

para todo i (Homoscedastico)

Ha: no se verifica H0 (Heteroscedastico) Regla de decisión Si: Probability (F) < 0.05, se rechaza la hipótesis nula. Si: Probability (F) > 0.05, se acepta la hipótesis nula.

CUADRO Nº: 05 White Heteroskedasticity Test: F-statistic Obs*R-squared

4.973766 23.26365

Probability Probability

0.000301 0.001533

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/03/06 Time: 12:49 Sample: 1 54 Included observations: 54 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C SEGUI SEGUI*YANUAL SEGUI*PERIODO YANUAL YANUAL^2 YANUAL*PERIODO PERIODO

-293107.3 -46947.50 -12.83533 207404.8 302.4008 -0.014769 -182.9124 310505.0

148076.9 176622.2 59.36983 210999.8 112.5156 0.009986 57.14386 153515.2

-1.979426 -0.265807 -0.216193 0.982962 2.687635 -1.479063 -3.200910 2.022634

0.0538 0.7916 0.8298 0.3308 0.0100 0.1459 0.0025 0.0489

R-squared Adjusted R-squared S.E. of regresión Sum squared resid Log likelihood Durbin-Watson stat

0.430808 0.344192 262771.4 3.18E+12 -746.1616 1.297129

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

282904.4 324481.3 27.93191 28.22657 4.973766 0.000301

Ruta: view → Residual Test → White heteroskedasticity (cross terms) Del resultado se tiene que Probability (F) es 0.000301, el mismo que es menor que 0.05 por lo que se acepta la hipótesis nula, en consecuencia el modelo estimado tiene errores homoscedásticos, es decir existe el problema de heteroscedasticidad. Volviendo a correr la regresión con un proceso autoregresivo (AR(1)) UNO de la siguiente manera: LS recup c segui periodo yanual ar(1), luego se hace la prueba White Heteroskedasticity Tets.

CUADRO Nº: 06 White Heteroskedasticity Test: F-statistic Obs*R-squared

0.621588 4.672822

Probability Probability

0.735267 0.699819

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/03/06 Time: 17:12 Sample: 2 54 Included observations: 53 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C SEGUI SEGUI*PERIODO SEGUI*YANUAL PERIODO PERIODO*YANUAL YANUAL YANUAL^2

-26666.97 -185010.9 132006.5 23.69181 18491.74 -6.507257 105.6815 -0.010347

147827.2 174287.6 207191.2 57.96642 152246.9 55.79955 109.8950 0.009750

-0.180393 -1.061526 0.637124 0.408716 0.121459 -0.116618 0.961659 -1.061230

0.8577 0.2941 0.5273 0.6847 0.9039 0.9077 0.3414 0.2942

R-squared Adjusted R-squared S.E. of regresión Sum squared resid Log likelihood Durbin-Watson stat

0.088166 -0.053674 256518.8 2.96E+12 -730.9803 1.633092

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

124889.1 249899.9 27.88605 28.18345 0.621588 0.735267

Del nuevo resultado se tiene que Probability (F) es 0.735267, el mismo que es mayor que el 0.05 por lo que se rechaza la hipótesis nula, en consecuencia el modelo estimado no tiene errores homoscedásticos, es decir no existe el problema de heteroscedasticidad en el siguiente modelo:

CUADRO Nº: 07 Dependent Variable: RECUP Method: Least Squares Date: 06/03/06 Time: 17:29 Sample(adjusted): 2 54 Included observations: 53 after adjusting endpoints Convergence achieved after 7 iterations Variable

Coefficient

Std. Error

t-Statistic

Prob.

SEGUI PERIODO YANUAL C AR(1)

705.0414 190.4503 0.059965 270.1230 0.761293

115.2314 89.79289 0.027904 239.8693 0.093768

6.118484 2.120996 2.149004 1.126126 8.118930

0.0000 0.0391 0.0367 0.2657 0.0000

R-squared Adjusted R-squared S.E. of regresión Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots

0.719656 0.696294 371.3467 6619123. -386.1861 2.340699

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

956.2998 673.8346 14.76174 14.94761 30.80462 0.000000

.76

Multicolinealidad: Este constituye otra de las violaciones al modelo utilizado, que se refiere básicamente cuando las variables explicativas tengan un grado de correlación ya sea negativa o positiva, donde existirá multicolinealidad perfecta cuando dos variables explicativas muestran un grado de correlación uno (1), como se podrá observar en el siguiente cuadro el máximo grado de correlación esta por debajo del 60 por ciento (0.6) lo que nos muestra evidencia que no existe el problema de multicolinealidad. CUADRO Nº: 08 Correlation matrix RECUP YANUAL SEGUI PERIODO

RECUP 1 0.373317795799 0.568006872585 -0.0402764340008

YANUAL 0.373317795799 1 0.285088891262 0.0968520131156

SEGUI 0.568006872585 0.285088891262 1 -0.137173665184

PERIODO -0.0402764340008 0.0968520131156 -0.137173665184 1

Ruta: as group → view → Correlations → Common Sample Autocorrelación: En los modelos estimados por el método de mínimo cuadrado ordinario se observa que ei 1 ), si ρ es los errores presentan cierta correlación (una de las formas se tiene: ei

diferente de cero existirá autocorrelacion lo contrario si es cero. Para tal efecto se hace el contraste de Breusch – Godfrey, el mismo que planteamos de la siguiente manera: H0: Ausencia de Autocorrelacion 1 2 Ha: Presencia de Autocorrelacion AR (1)

...

r

0

Regla de decisión Si: Probability (F) < 0.05, se rechaza la hipótesis nula. Si: Probability (F) > 0.05, se acepta la hipótesis nula. CUADRO Nº: 09 Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared

55.68127 28.72327

Probability Probability

0.000000 0.000000

Test Equation: Dependent Variable: RESID Method: Least Squares Date: 06/03/06 Time: 16:31 Presample missing value lagged residuals set to zero. Variable

Coefficient

Std. Error

t-Statistic

Prob.

SEGUI PERIODO YANUAL C RESID(-1)

78.24863 65.27713 -0.016788 -31.52872 0.735226

112.5565 106.7084 0.031652 117.1184 0.098529

0.695194 0.611734 -0.530397 -0.269204 7.461988

0.4902 0.5435 0.5982 0.7889 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.531912 0.493701 382.0166 7150899. -395.0543 2.258268

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-4.78E-13 536.8820 14.81683 15.00099 13.92032 0.000000

Ruta: Variables → as equation → view → Residual Test → Serial Correlation LM test → Lag to include [ 1 ] OK Según el cuadro Nº 09 se observa que la probabilidad asociada al estadístico F es menor que 0.05, por lo que se incorporo como variable explicativa al proceso autoregresivo uno [AR(1)], los resultados se observa en el cuadro Nº 10, donde la probabilidad asociada al estadístico F es 0.089513, el mismo que es mayor de 0.05, por lo que se acepta la hipótesis nula, es decir no existe el problema de autocorrelacion.

CUADRO Nº: 10 Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared

3.006007 3.185985

Probability Probability

0.089512 0.074272

Test Equation: Dependent Variable: RESID Method: Least Squares Date: 06/03/06 Time: 17:00 Presample missing value lagged residuals set to zero. Variable

Coefficient

Std. Error

t-Statistic

Prob.

SEGUI PERIODO YANUAL C AR(1) RESID(-1)

-56.86345 28.12136 -0.004165 29.34869 0.143828 -0.345893

117.5638 89.45597 0.027444 235.6203 0.123780 0.199502

-0.483682 0.314360 -0.151751 0.124559 1.161969 -1.733784

0.6309 0.7546 0.8800 0.9014 0.2511 0.0895

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.060113 -0.039875 363.8222 6221229. -384.5432 1.925101

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

-6.67E-11 356.7784 14.73748 14.96053 0.601201 0.699187

Ruta: Variables → as equation [Equation specification: recup segui periodo yanual ar(1) c] → view → Residual Test → Serial Correlation LM test → Lag to include [ 1 ] OK Bondad de ajuste La bondad de ajuste esta determinado por el R cuadrado, en este caso el R cuadrado tiene un valor de 0.719656, lo que significa que las variables explicativas o exógenas explican en un 71.97 por ciento el comportamiento de la variable recuperación de créditos.

CUADRO Nº: 11 Dependent Variable: RECUP Method: Least Squares Date: 06/03/06 Time: 17:06 Sample(adjusted): 2 54 Included observations: 53 after adjusting endpoints Convergence achieved after 7 iterations Variable

Coefficient

Std. Error

t-Statistic

Prob.

SEGUI PERIODO YANUAL C AR(1)

705.0414 190.4503 0.059965 270.1230 0.761293

115.2314 89.79289 0.027904 239.8693 0.093768

6.118484 2.120996 2.149004 1.126126 8.118930

0.0000 0.0391 0.0367 0.2657 0.0000

R-squared Adjusted R-squared S.E. of regresión Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots

0.719656 0.696294 371.3467 6619123. -386.1861 2.340699

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

956.2998 673.8346 14.76174 14.94761 30.80462 0.000000

.76

Ruta: Variables → as equation [Equation specification: recup segui periodo yanual ar(1) c] d) UTILIZACION DEL MODELO El contraste se realizará para cada una de las variables que intervienen en el modelo como se tiene: Ingreso Anual (YANUAL) Planteamiento de hipótesis: H0: Ingreso anual no influye en el comportamiento de las recuperaciones de créditos. (α1= 0) Ha: Ingreso anual influye en el comportamiento de las recuperaciones de créditos. (α1 ≠ 0) Regla de decisión Si: Probability (t) < 0.05, se rechaza la hipótesis nula. Si: Probability (t) > 0.05, se acepta la hipótesis nula. Según los resultados la probabilidad de t, asociada ala variable YANUAL, es igual a 0.0367el cual es menor a 0,05, por lo que se rechaza la hipótesis nula y se acepta la alterna, por lo tanto diremos que el ingreso anual explica a la variable recuperación. Seguimiento del crédito (SEGUI)

Planteamiento de hipótesis: H0: el seguimiento del crédito no influye en el comportamiento de las recuperaciones de créditos. (α2= 0) Ha: el seguimiento del crédito influye en el comportamiento de las recuperaciones de créditos. (α2 ≠ 0) Regla de decisión Si: Probability (t) < 0.05, se rechaza la hipótesis nula. Si: Probability (t) > 0.05, se acepta la hipótesis nula. Según los resultados la probabilidad de t, asociada a la variable SEGUI, es igual a 0.0000 el cual es menor a 0,05, por lo que se rechaza la hipótesis nula y se acepta la alterna, por lo tanto diremos que el seguimiento del crédito explica a la variable recuperación de créditos. Períodos de recuperación (PERIODO) Planteamiento de hipótesis: H0: El período de recuperación no influye en el comportamiento de las recuperaciones de créditos. (α3= 0) Ha: El período de recuperación influye en el comportamiento de las recuperaciones de créditos. (α3 ≠ 0) Regla de decisión Si: Probability (z) < 0.05, se rechaza la hipótesis nula. Si: Probability (z) > 0.05, se acepta la hipótesis nula. Según los resultados la probabilidad de t, asociada a la variable PERIODO, es igual a 0,0391 el cual es menor a 0,05, por lo que se rechaza la hipótesis nula y se acepta la alterna, por lo tanto diremos que el ingreso anual del prestatario explica a la variable recuperación de créditos. e) DISCUSIÓN DE RESULTADOS Para la interpretación de los parámetros se considera el modelo corregido ver cuadro Nº 11, donde se detalla el efecto de las variables explicativas a continuación: Efecto del ingreso anual (YANUAL) sobre recuperaciones de los créditos Si el ingreso anual de los prestatarios aumenta en diez nuevos soles en promedio, la recuperación de los créditos aumentará en sesenta céntimos.

Lo cual tendría una relación estrecha con el resultado obtenido en la hipótesis uno, ya que los prestatarios del Instituto de Educación Rural Ayaviri en el período 2000 -2003, no se preocuparon por cancelar oportunamente su crédito, ellos prefieren destinar a otras obligaciones el mayor porcentaje de sus ingresos. Efecto de las variables cualitativas Debido a la existencia de variables explicativas cualitativas se tiene los siguientes casos:  Cuando al prestatario se le otorga un crédito con un periodo de devolución por encima de los seis meses a los mismos que se hará seguimiento por parte de la institución. E(RECUP/ D1 = 1, D2 = 1) = α0+ α1 +α2 = 1165.6147 Se espera que la recuperación sea de 1165.6145 nuevos soles, cuando a los beneficiarios acceden a créditos con períodos devolución mayores a seis meses, a los que se les hará seguimiento por el componente de crédito.  Cuando al prestatario se le otorga un crédito con un periodo de devolución por debajo de los seis meses a los mismos que se hará seguimiento por parte de la institución. E(RECUP/ D1 = 0, D2 = 1) = α0+ α2 = 460.5737 Se espera que la recuperación sea de 460.5737 nuevos soles, cuando a los beneficiarios acceden a créditos con períodos devolución menores a seis meses, a los que se les ara seguimiento por el componente de crédito.  Cuando al prestatario se le otorga un crédito con un periodo de devolución por encima de los seis meses a los mismos que no se hará seguimiento por parte de la institución. E(RECUP/ D1 = 1, D2 = 0) = α0+ α1 = 975.082 Si al prestatario se le otorga créditos con períodos de recuperación mayores a seis meses, y dichos créditos no son supervisados por el componente de créditos, por lo tanto se tendrá una recuperación de ellos en 975.082 nuevos soles.  Cuando al prestatario se le otorga un crédito con un periodo de devolución por debajo de los seis meses a los mismos que no se hará seguimiento por parte de la institución.

E(RECUP/ D1 = 0, D2 = 0) = α0 = 270.1231 Si al prestatario se le otorga créditos con períodos de recuperación menores a seis meses, y dichos créditos no son supervisados por el componente de créditos, por lo tanto se tendrá una recuperación de ellos en 270.1231 nuevos soles IV. CONCLUSIONES Dentro de los resultados obtenidos. Los factores que influyeron en las colocaciones de créditos (en mora y no mora) fueron la capacidad de pago del prestatario, las garantías brindadas por el prestatario para obtener el crédito, montos de crédito colocados y el ingreso mensual del beneficiario. Según los resultados el factor que mas importancia es la capacidad de pago del cliente, ya que si el prestatario tiene una buena capacidad de pago no tendrá problemas de cumplir con sus obligaciones para con la institución. Los factores que influyeron en la recuperación de los créditos, son los ingresos anuales, periodos de recuperación y el seguimiento de los créditos. V. REFERENCIAS BIBLIOGRÁFICAS 1) Coila C. Julián. (1999). “Principios de Econometría”. Cuadernos: Serie Docente N· 18. Maestría en Economía de la Facultad de Ingeniería Economía. UNA Puno. 2) Magddala G.S. (1996). “Introducción a la Econometría”. Prentice – All Hispanoamericana, S.A. México. 3) Varios: Ávila R. Lucio, Flores F. Rogelio, Calsín S. Adalberto y Mamani P. Rene. (1999). “Elementos de Econometría”. Maestría en Desarrollo Rural de la Facultad de Ingeniería Económica. UNA Puno. 4) Wooldridge, Jefrey M. (2003). Michigan State University. “Introducción a la econometría: un enfoque moderno”. Thomson EE.UU. VI. ANEXOS ANEXO Nª: 01 Correr el modelo Probit ESTIMATE => BINARY PROBIT ACEPTAR Dependent Variable: COLOC Method: ML - Binary Probit (Quadratic hill climbing) Date: 06/02/06 Time: 14:29 Simple: 1 54 Included observations: 54 Convergence achieved after 7 iterations Covariance matrix computed using second derivatives Variable

Coefficient

Std. Error

z-Statistic

Prob.

CP G MONC YP C Mean dependent var S.E. of regression Sum squared resid Log likelihood Restr. log likelihood LR statistic (4 df) Probability(LR stat) Obs with Dep=0 Obs with Dep=1

-0.035754 4.070659 0.001028 0.018861 -5.601512 0.370370 0.308245 4.655745 -16.70472 -35.59424 37.77903 1.24E-07 34 20

0.009875 2.193071 0.000427 0.005655 2.454945

-3.620751 1.856145 2.408403 3.335433 -2.281726

S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Avg. log likelihood McFadden R-squared Total obs

0.0003 0.0634 0.0160 0.0009 0.0225 0.487438 0.803879 0.988044 0.874904 -0.309347 0.530690 54

ANEXO Nª: 02 Correr el modelo Logit ESTIMATE => BINARY LOGIT ACEPTAR Dependent Variable: COLOC Method: ML - Binary Logit (Quadratic hill climbing) Date: 06/02/06 Time: 14:40 Simple: 1 54 Included observations: 54 Convergence achieved after 8 iterations Covariance matrix computed using second derivatives Variable

Coefficient

Std. Error

z-Statistic

Prob.

CP G MONC YP C

-0.071914 8.482555 0.002183 0.038622 -11.88612

0.022669 5.654563 0.000891 0.013030 6.305857

-3.172284 1.500126 2.449684 2.964060 -1.884934

0.0015 0.1336 0.0143 0.0030 0.0594

Mean dependent var S.E. of regression Sum squared resid Log likelihood Restr. log likelihood LR statistic (4 df) Probability(LR stat) Obs with Dep=0 Obs with Dep=1

0.370370 0.298060 4.353143 -15.93902 -35.59424 39.31044 6.01E-08 34 20

S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Avg. log likelihood McFadden R-squared Total obs

0.487438 0.775519 0.959684 0.846544 -0.295167 0.552202 54

ANEXO Nª: 03 Correr el modelo Extreme Value ESTIMATE => BINARY EXTREME VALUE ACEPTAR Dependent Variable: COLOC Method: ML - Binary Extreme Value (Quadratic hill climbing) Date: 06/02/06 Time: 14:46 Simple: 1 54 Included observations: 54 Convergence achieved after 5 iterations Covariance matrix computed using second derivatives Variable

Coefficient

Std. Error

z-Statistic

Prob.

CP G MONC YP C

-0.029838 3.165409 0.000767 0.015338 -3.874466

0.008291 1.463931 0.000397 0.004679 1.623694

-3.598953 2.162266 1.933403 3.278386 -2.386204

0.0003 0.0306 0.0532 0.0010 0.0170

Mean dependent var S.E. of regression Sum squared resid Log likelihood Restr. log likelihood LR statistic (4 df) Probability(LR stat)

0.370370 0.329925 5.333687 -18.51877 -35.59424 34.15093 6.94E-07

Obs with Dep=0 Obs with Dep=1

34 20

S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Avg. log likelihood McFadden R-squared

0.487438 0.871065 1.055231 0.942091 -0.342940 0.479726

Total obs

54

ANEXO Nª: 04 Date: 06/02/06 Time: 14:48 Simple: 1 54 Included observations: 54 Autocorrelation .|. .|. .|. .|. .|. .|. .|. .|. .|. .|. .|. .|. .|.

| | | | | | | | | | | | |

Partial Correlation .|. .|. .|. .|. .|. .|. .|. .|. .|. .|. .|. .|. .|.

| | | | | | | | | | | | |

1 2 3 4 5 6 7 8 9 10 11 12 13

AC

PAC

Q-Stat

Prob

-0.023 -0.008 -0.021 -0.024 -0.018 -0.025 -0.027 -0.027 -0.025 -0.030 -0.014 -0.024 -0.018

-0.023 -0.008 -0.021 -0.025 -0.020 -0.026 -0.030 -0.031 -0.030 -0.036 -0.020 -0.031 -0.026

0.0299 0.0335 0.0591 0.0944 0.1148 0.1527 0.2006 0.2493 0.2926 0.3556 0.3694 0.4109 0.4351

0.863 0.983 0.996 0.999 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000

.|. .|. .|. .|. .|. .|. .|. .|. .|. .|. .|.

| | | | | | | | | | |

.|. .|. .|. .|. .|. .|. .|. .|. .|. .|. .|.

| | | | | | | | | | |

14 15 16 17 18 19 20 21 22 23 24

-0.032 -0.030 -0.036 -0.014 -0.016 -0.014 -0.016 0.004 0.004 0.003 0.003

-0.041 -0.040 -0.048 -0.028 -0.030 -0.030 -0.033 -0.013 -0.014 -0.014 -0.014

0.5128 0.5830 0.6838 0.6994 0.7196 0.7372 0.7607 0.7623 0.7635 0.7646 0.7653

1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000

ANEXO Nª: 05 Resultados del modelo Logit en el Limdep: --> RESET --> LOAD;file="D:\doctorado tesis\INVESTIGACION II\prueba\Project 2.lpj"$ .LPJ save file contained 54 observations. --> LOGIT;Lhs=COLOC;Rhs=ONE,CP,MONC,YP,G;Margin$ Normal exit from iterations. Exit status=0. +---------------------------------------------+ | Multinomial Logit Model | | Maximum Likelihood Estimates | | Dependent variable COLOC | | Weighting variable ONE | | Number of observations 54 | | Iterations completed 9 | | Log likelihood function -15.93902 | | Restricted log likelihood -35.59424 | | Chi-squared 39.31044 | | Degrees of freedom 4 | | Significance level .0000000 | +---------------------------------------------+ +---------+--------------+----------------+--------+---------+----------+ |Variable | Coefficient | Standard Error |b/St.Er.|P[|Z|>z] | Mean of X| +---------+--------------+----------------+--------+---------+----------+ Characteristics in numerator of Prob[Y = 1] Constant -11.88612496 6.3058569 -1.885 .0594 CP -.7191403115E-01 .22669483E-01 -3.172 .0015 117.07407 MONC .2182970570E-02 .89112321E-03 2.450 .0143 1061.4815 YP .3862233768E-01 .13030213E-01 2.964 .0030 248.70370 G 8.482555429 5.6545631 1.500 .1336 .81481481 +-------------------------------------------+ | Partial derivatives of probabilities with | | respect to the vector of characteristics. | | They are computed at the means of the Xs. | | Observations used for means are All Obs. | +-------------------------------------------+

+---------+--------------+----------------+--------+---------+----------+ |Variable | Coefficient | Standard Error |b/St.Er.|P[|Z|>z] | Mean of X| +---------+--------------+----------------+--------+---------+----------+ Marginal effects on Prob[Y = 1] Constant -1.805523428 .66574801 -2.712 .0067 CP -.1092386866E-01 .70114926E-02 -1.558 .1192 117.07407 MONC .3315970947E-03 .22410302E-03 1.480 .1390 1061.4815 YP .5866801479E-02 .39254574E-02 1.495 .1350 248.70370 G 1.288515189 .45770822 2.815 .0049 .81481481 +----------------------------------------+ | Fit Measures for Binomial Choice Model | | Logit model for variable COLOC | +----------------------------------------+ | Proportions P0= .629630 P1= .370370 | | N = 54 N0= 34 N1= 20 | | LogL = -15.93902 LogL0 = -35.5942 | +----------------------------------------+ | Efron | McFadden | Ben./Lerman | | .65431 | .55220 | .82487 | | Cramer | Veall/Zim. | Rsqrd_ML | | .62450 | .74085 | .51711 | +----------------------------------------+ | Information Akaike I.C. Schwartz I.C. | | Criteria .77552 51.82295 | +----------------------------------------+ Frequencies of actual & predicted outcomes Predicted outcome has maximum probability. -----Actual -----0 1 -----Total

Predicted ---------- + 0 1 | ---------- + 30 4 | 3 17 | ---------- + 33 21 |

----Total ----34 20 ----54

ANEXO Nª: 06 DATOS PARA LA PRIMERA HIPÓTESIS Obs 1 2 3 4 5 6 7 8 9 10 11 12 13

COLOC 1 1 1 0 1 0 1 0 0 0 1 1 1

CP 0 0 0 0 0 0 0 0 5 10 10 32 35

G 1 1 1 1 1 1 1 1 1 1 1 1 1

MONC 520 1000 840 200 600 120 450 240 200 600 1000 1000 1000

YP 130 70 350 20 200 15 100 40 25 90 100 100 120

14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54

0 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 1 0 0 1 0 1 0 0 0 0 0 0 1 0 0 0 0

40 45 50 65 70 80 80 80 100 100 100 100 100 100 105 110 110 110 110 120 120 120 130 150 150 90 150 155 170 170 170 180 180 180 250 250 260 260 340 480 500

1 1 1 1 1 1 1 1 0 1 0 0 1 1 1 0 0 0 1 1 1 1 1 0 1 1 1 1 0 1 1 0 0 1 1 1 1 1 1 1 1

500 2000 1500 1400 500 2000 700 240 1000 2000 1500 1500 600 600 800 2000 2000 2000 800 2000 900 700 2000 1500 2000 600 2000 560 1800 450 1000 2000 2000 500 600 600 2000 600 750 750 600

ANEXO Nª: 07 DATOS PARA LA SEGUNDA HIPÓTESIS Obs 1 2 3 4 5 6

RECUP 118.60 246.37 907.14 990.28 951.96 691.51

SEGUI

PERIODO 0 0 1 1 1 1

0 0 1 0 1 0

YANUAL 1100 1200 1300 1705 1900 1320

100 90 100 155 180 300 160 100 180 180 280 250 150 200 155 200 190 500 300 200 250 200 200 350 250 150 220 450 300 420 350 400 350 300 400 450 700 460 450 650 800

7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54

1650.00 434.45 1609.42 1382.10 964.02 970.30 200.00 150.00 56.86 303.12 340.41 0.00 218.75 250.00 2178.60 1092.10 1633.90 1633.90 1960.70 1633.90 2178.60 2178.60 2178.60 2178.60 2178.60 2178.60 871.40 261.40 217.90 140.40 233.90 1754.80 818.90 701.90 877.40 877.40 584.90 584.90 584.90 701.90 653.60 701.90 653.60 653.60 653.60 762.50 701.90 1169.80

0 0 1 1 1 1 0 0 0 1 1 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1

1 0 0 1 0 1 1 0 1 1 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 1 1 1 1 1 1 1 1 0 1 0 1 0 0 0 0 1 1

3500 1500 3300 7700 2200 2750 5500 1430 800 1250 1650 1250 1350 1100 3500 1980 2750 3080 3300 3850 4400 3850 3500 2900 3500 2900 1860 850 900 1200 1500 3500 2200 1650 7150 4950 2300 3300 2500 4400 5060 1600 2200 8800 4950 1760 1650 3850

Dependent Variable: RECUP Method: Least Squares Date: 06/02/06 Time: 20:23 Sample: 1 54 Included observations: 54 Variable

Coefficient

Std. Error

t-Statistic

Prob.

C YANUAL SEGUI

284.9402 0.088920 685.9133

152.9214 0.044768 158.1482

1.863311 1.986254 4.337157

0.0682 0.0524 0.0001

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

0.371269 0.346612 547.3262 15277862 -415.5518 0.551965

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

940.7869 677.1124 15.50192 15.61242 15.05786 0.000007