Métodos Cuantitativos Caso Nils Baker

[pic 1][pic 2][pic 3]

[pic 4]

Trabajo Final

Métodos Cuantitativos

Caso

Nils Baker

FECHA DE ENTREGA: 28/11/16

1. Explicar el objetivo del análisis y cómo realizaría el planteamiento del problema.

El objetivo del análisis es utilizar datos para mejorar las ofertas de productos bancarios en función a la demanda del mercado. Analizar si la presencia física de cajeros y sucursales bancarias incrementaría los negocios bancarios.

Es decir, para poder  iniciar el estudio sobre lo que Baker está pensando, se debe plantear una hipótesis a contrastar, esta sería: El mayor número de cajeros y sucursales incrementa la demanda de servicios bancarios.

Al analizar los datos nos damos cuenta de que se precisa establecer la relación o participación porcentual de los hogares con cuentas vs el total de hogares (en principio)

Así mismo es necesario incorporar al análisis aquellas sucursales que cuentan con cajeros automáticos fuera de la sucursal y aquellas que solo cuentan con cajeros dentro, para incorporar ésta variable utilizamos las dummys.

[pic 5]

Más arriba el planteo inicial del análisis.

Hay que mencionar también que el número de hogares que cuenta con cuenta bancaria y la cantidad de cajeros que están dentro o fuera, no abarcaría todas las aristas que explicara la demanda de servicios bancarios. Pero de forma preliminar se plantea utilizar tales datos y analizar su correlación.

1. Analizar las variables del Cuadro 1. ¿Puedo utilizarlas para armar un modelo explicativo con “sentido” en términos de negocio?. ¿Por qué?

Se pueden utilizar, pero muy básicamente pues los datos aportan que en promedio el 1.06% de los hogares tienen cuentas bancarias por lo tanto la posibilidad de incrementar la oferta y productos bancarios es alta, pues existe varios hogares que no posee cuenta bancaria y se podría observarlos como potenciales clientes.  Así mismo, se pueden establecer las relaciones de cantidad de cuentas vs hogares en base a los datos de cajeros dentro y fuera de las sucursales.  

[pic 6]

Si bien los porcentajes (dentro del promedio) de participación de cuentas abiertas vs población en las áreas bajo el rango de “inside” es en algunos casos mayor, esto no llega a ser determinante para tomar una decisión, pues existen porcentajes muy variados a analizar.  Es decir, no se sigue un mismo patrón o criterio.

Pero nuevamente hay que recalcar  que los valores del cuadro solo muestra la relación de hogares por área y la proporción de estas con cuentas bancarias, sin embargo, se debería de contar con datos que reflejen los motivos que indujo a estos clientes a contar con una cuenta. Así se podrá estudiar de mejor manera las variables que inciden en la demanda de servicios bancarios.

Si se acude a la teoría de la demanda se debería contar con datos tales como: preferencias, nivel de ingresos, bienes sustitutos, variación de la población y faltaría agregar la ocupación.

1.  Realizar una regresión con la variable dependiente como el porcentaje de cuentas y “la presencia física” como variable dummy.

[pic 7]

Los valores de R2 y R2 ajustado son bajos, por lo que el modelo no explica las relaciones que existen entre las variables analizadas, que hace referencia a la cantidad de hogares con cuentas bancarias y sucursales  que cuenta  con cajeros fuera o dentro de la sucursal.

Se puede observar también que p>0,05 por lo que los parámetros hallados no son significativos estadísticamente

Los valores del estadístico T son superiores a 1.5, mientras que la Probabilidad está entorno a 0.08, si consideramos como rango aceptable que dichos parámetros se sitúen entre 0.01 y 0.05 confirmamos lo apuntado más arriba, que la relación existente entre las variables consideradas en el análisis no tienen una interrelación directa.

La hipótesis nula para éste caso sería; el porcentaje de cuentas no tiene relación a la presencia física de sucursales, dicho esto por los valores obtenido en la regresión no se rechaza la hipótesis nula.

1. Realizar un test-t  comparando las medias de los porcentajes en las categorías “adentro” y “afuera”.

 [pic 8]]

Los intervalos inferiores y superiores muestran el valor del parámetro para la variable DUMMY están entre -0,3% y 5%, donde el  coeficiente hallado es de 2%, sin embargo, el intervalo es muy amplio lo que muestra que los datos son insuficientes para lograr un buen estimador.

[pic 9]

Al hacer correr la prueba T, se puede  observar que la probabilidad es menor a 0,05 mostrando inconsistencias.

Los valores críticos de T están fuera del rango de aceptación (0.01 a 0.05) por lo tanto el modelo no explica las relaciones que existen entre las variables analizadas.  Esto no es más que reforzar lo apuntado y mencionado en la pregunta anterior (3)

1. Interpretar los resultados considerando las diferencias entre la regresión y el test-t, valor p y el concepto de homocedasticidad y normalidad de los residuos.

Los valores obtenidos en la regresión hallada en el punto 2, mostrando un modelo de  regresión cuya ecuación es:  donde x1 seria las sucursales que cuenta con cajeros adentro o afuera. Aquí, preliminarmente, se puede observar que el porcentaje de hogares con cuenta está relacionada positivamente con la posición de los cajeros en la sucursal, pero, esto no es concluyente.[pic 10]

Al realizar la test-t en la regresión y el p-value los valores de los parámetros son significativos, es decir, la probabilidad de que sean iguales a cero se descarta. Sin, embargo, la correlación entre las variables no es significativa (R2 bajo), lo que subyacentemente muestra que el modelo debe ser replanteado, buscando un mejor modelo (modelo cuadrático, logarítmico), agregar más variables o analizar el  tipo de variable utilizada. Pero las pruebas de otro tipo de modelo se limitan debido a que la variable independiente son cualitativas.

...