UNIVERSIDAD NACIONAL DEL ALTIPLANO

FACULTAD DE INGENIERIA ECONOMICA

Contenido
I. RESUMEN ................................................................................................................. 2

II. INTRODUCCION ................................................................................................... 2

III. ANTECEDENTES Y MARCO TEORICO............................................................ 3

IV. METODOLOGIA ................................................................................................ 4

V. RESULTADOS ...................................................................................................... 4

VI. CONCLUSIONES ............................................................................................ 11

VII. REFERENCIAS ................................................................................................ 11

VIII. ANEXOS .......................................................................................................... 12

1
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA
MEJORA EN LAS VENTAS DE LA MICRO Y PEQUEÑA EMPRESA 2013

I. RESUMEN
El objetivo de la presente investigación es determinar los factores que
influyen la mejora de ventas en las empresas durante el año 2013, es de gran
importancia para conocer la situación en que se encuentran las empresas.

En el presente trabajo de investigación se aplicó el modelo logit y probit ,

siendo las variables independientes: edad de la empresa, Facebook, Twiter,
Nivel de Educación, Genero, Edad del propietario, licencia, organización,
capacitación, clientes, mercado, producción, precios, tecnologías y servicios
financieros; con un total de 15 variables independientes, la variable
dependiente la mejora en las ventas. La importancia de estas variables sobre
el incremento de ventas en estas empresas está los efectos marginales lo
que indica que el incremento de las ventas esta explicada por la variación en
las variables independientes.

Se utilizó el modelo Logit ya que representaba mejores estadísticos que el

modelo Probit, como principal resultado se encuentra que la edad de la
empresa afecta positivamente en la mejora de ventas, es decir a mayor edad
de la empresa mayor mejora en las ventas, a su vez se encontraron que
varias de las variables no eran significativas a un 5%, por lo que al final se
realizó un modelo solo con variables significativas al 20%, de esa manera
explicar los resultados.
II. INTRODUCCION
La mejora en las ventas de las empresas es un tema que en los últimos
tiempos ha sido muy importante en el crecimiento económico del Perú,
según la Encuesta de Micro y Pequeña Empresa 2013 se orientó a
obtener información estadística cuantitativa y cualitativa de las micro y
pequeña empresas ubicadas en las ciudades de Lima y la Provincia
Constitucional del Callao, Arequipa, Ayacucho, Chiclayo, Cusco,
Huancayo, Iquitos, Juliaca, Piura y Trujillo, correspondiente a 21
actividades económicas de manufactura agrupadas en: Productos
lácteos, chocolate y confitería, fabricación de prendas de vestir,
fabricación de productos de cuero y calzado, producción y fabricación de
productos de madera, fabricación de productos de metal, fabricación de
muebles, y fabricación de joyas y bisutería.

Por ende, el objetivo principal de esta investigación es analizar los

factores que determinan la mejora de ventas de las empresas hasta el
año 2013. Este trabajo está estructurado en lo siguiente: En el primer
parte se desarrolla los antecedentes y el marco teórico, donde se
menciona el enfoque desde el cual se va a estudiar. En la segundo parte
se presenta la metodología, donde se presentan los métodos y materiales
usados. En la tercera parte se presentan los resultados, son de vital
importancia para la interpretación. En la cuarta parte se presenta las
conclusiones. En la quinta parte, los sitios de referencias que han sido
utilizados para la elaboración de este trabajo, por ultimo tenemos los
anexos, donde se presentan algunos materiales usados.

2
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

III. ANTECEDENTES Y MARCO TEORICO

ALFONSO MESONES, (2008) Realiza una investigación sobre la labor

que llevan a cabo las Micro y Pequeñas Empresas (MYPES), con la
necesidad de identificar los factores que limitan el crecimiento y
desarrollo de las empresas, de forma que se pueda lograr una mayor
proporción de empresas consolidadas en el Perú. Sin embargo, a pesar
de la importancia y contribución que realizan las MYPES, la literatura
actual revela que no se han realizado estudios en el Perú que
identifiquen los factores que limitan su crecimiento y desarrollo. En este
sentido, el presente estudio analiza tales factores, con el objetivo de
incrementar sus probabilidades de éxito, disminuir las tasas de
mortalidad de estas empresas y aumentar sus posibilidades de
supervivencia en el largo plazo.

Marco Teórico
Uno de los problemas en las empresas es la parte de lo administrativo
está en relación con la estructura de los niveles jerárquicos, las
responsabilidades, los flujos de trabajo e información, los canales y la
ubicación de los servicios; y otra parte se refiere al reclutamiento de las
personas, su entrenamiento, el desarrollo de las fuentes que proveerán
las materias primas, el financiamiento y la adquisición de equipos, así
como a los temas de finanzas y gerenciales. Los problemas externos
tienen relación con el acceso a la tecnología, la baja demanda, la
corrupción y la infraestructura.
Es necesario conocer algunos conceptos:
Pequeñas y Medianas Empresas: Las pequeñas y medianas empresas
son entidades independientes, con alta predominancia en el mercado de
comercio, quedando prácticamente excluidas del mercado industrial por
las grandes inversiones necesarias y por las limitaciones que impone la
legislación en cuanto al volumen de negocio y de personal.
Micro Empresa: Tiene de 1 trabajador hasta 10 trabajadores inclusive.
Tiene un nivel de ventas anuales hasta un monto máximo de 150 UIT
(547500 nuevos soles).
Actividad Económica: Es un conjunto de operaciones económicas
realizadas por la empresa y/o establecimiento en las que se combinan
recursos que intervienen en el proceso productivo, tales como: mano de
obra, equipos, materias primas, e insumos, con el objetivo de producir
un conjunto homogéneo de bienes y/o servicios
Modelo Logit:
La función utilizada es la logística, por lo que la especificación de este
tipo de modelos queda como sigue:
X 
e i
Pi  Pr obYi  1  F ( X i )  E (Yi  1 | X i )  X 
1 e i
Modelo Probit:
La función de distribución utilizada es la de la normal tipificada, con lo
que el modelo queda especificado a través de la siguiente expresión:

3
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

X i  X i  X i 2
 e
1 1 
Pi  Pr(Y  1)  F ( X i )  e X dX  d ( X  )
2
/2 2
2 2 i
 
Ambos modelos se utilizan para variables dicotómicas, además estas
funciones son continuas que toman valores comprendidos entre 0 y 1.
IV. METODOLOGIA
Como se mencionó al inicio el propósito de la investigación es analizar la
decisión dicotómica de la mejora o no en las ventas de las empresas.
En primer lugar se procedió a recopilar los datos, los cuales los
encontramos en el portal del Instituto Nacional de Estadística e
Informática (INEI) específicamente en micro datos, “Encuesta de Micro y
Pequeña Empresa 2013”.Luego se procede a realizar un análisis
descriptivo y posterior un análisis econométrico, para este análisis como
primer caso se plantea la utilización del modelo Probit y Logit, en base a
un conjunto de variables las cuales serán detalladas en el ANEXO.
Para la formulación de estas variables se procedió a realizar una
comparación entre el modelo logit y tobit, de los cuales se eligió uno según
a algunos estadísticas que muestran cual modelo es mejor.
Posteriormente se realizó el análisis e interpretación de los datos: la
relación existente entre las variables independientes y la variable
dependiente. Así mismo se analizó los efectos marginales que son de
mucha importancia ya que nos muestran el impacto del cambio en una
unidad de las variables independientes sobre la variable dependiente.

Por último se realizó la estimación de un último modelo, estimando solo

con las variables que son significativas a un 20%, dicho valor se tomo por
el gran sesgo de error que pueden presentar este tipo de encuestas

Para el desarrollo del Modelo Probit y Logit se utilizara el software STATA,

el cual contiene diferentes módulos para el desarrollo de diferentes
técnicas estadísticas. Este programa también es útil para los gráficos de
los efectos marginales entre dos variables dummy….
V. RESULTADOS
Analisis Descriptivo:

MEJORA| Freq. Percent Cum.

------------+-----------------------------------
0 | 1,393 55.39 55.39
1 | 1,122 44.61 100.00
------------+-----------------------------------
Total | 2,515 100.00
La variable mejora, representa si mejoran las ventas (1) y si no
mejoraron las ventas (0), como vemos del total de 2515 observaciones
el 55.39% respondió que no mejoraron sus ventas, mientras que un
44.61% respondieron que mejoraron sus ventas, se puede concluir que
la mayor parte de empresas afirman que no mejoraron sus ventas.
4
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

Variable | Obs Mean Std. Dev. Min Max

-------------+--------------------------------------------------------
FACEBOOK | 1672 .0891148 .2849947 0 1
TWITTER | 1672 .0113636 .1060247 0 1
EDAD_PROP | 1672 45.91447 11.45931 21 92
EDU | 1672 7.474282 1.960547 2 10
CLIENTES | 1672 .2966507 .4569179 0 1
-------------+--------------------------------------------------------
MERCADOS | 1672 .1106459 .313787 0 1
PRODUCCION | 1672 .1357656 .3426419 0 1
PRECIOS | 1672 .02811 .1653367 0 1
MEJORA | 1672 .423445 .4942524 0 1
EDAD_MYPE | 1672 9.718301 7.045476 0 47
-------------+--------------------------------------------------------
LICENCIA | 1672 .6363636 .4811896 0 1
ORGANIZACION | 1672 .0657895 .2479879 0 1
CAPACITACION | 1672 .1752392 .3802853 0 1
TECONOLOGIA | 1672 .0669856 .2500719 0 1
SFINANCIERO | 1672 .3660287 .4818616 0 1
-------------+--------------------------------------------------------
GENERO | 1672 .673445 .4690932 0 1
En este grafico se realiza el análisis estadístico de cada una de las
variables que se estudiaron, las cuales representan un total de 1672
observaciones. Se puede distinguir la media de cada variable (Mean) y
su desviación estándar (Std. Dev.) a su vez sus valores mínimo y
máximo.
Cabe resaltar que la media de sus valores se hacen uso para hallar el
factor escala, y posterior el efecto marginal, de esa manera realizar el
análisis

Análisis Econométrico:
Este análisis nos permite medir el efecto que tienen las variables
independientes sobre las variables dependientes, para ello se empleó el
modelo probit y logit, cuyos resultados fueron los siguientes:

Modelo Probit.
Probit regression Number of obs = 922
LR chi2(9) = 11.61
Prob > chi2 = 0.2365
Log likelihood = -40.139378 Pseudo R2 = 0.1263

------------------------------------------------------------------------------
MEJORA | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
EDAD_MYPE | .0421673 .0202184 2.09 0.037 .0025399 .0817946
LICENCIA | .4762722 .3750973 1.27 0.204 -.2589051 1.211449
EDAD_PROP | -.0291203 .0168021 -1.73 0.083 -.0620517 .0038111
FACEBOOK | .2438223 .4563219 0.53 0.593 -.6505521 1.138197
TWITTER | 0 (omitted)
EDU | -.0349536 .0786145 -0.44 0.657 -.1890353 .119128
GENERO | .1153628 .3220193 0.36 0.720 -.5157835 .746509
CLIENTES | 0 (omitted)
MERCADOS | 0 (omitted)
PRODUCCION | 0 (omitted)
PRECIOS | 0 (omitted)
ORGANIZACION | .7005663 .395679 1.77 0.077 -.0749503 1.476083
CAPACITACION | .2618809 .3609068 0.73 0.468 -.4454833 .9692452
TECNOLOGIAS | 0 (omitted)
SFINANCIERO | .1471135 .2974752 0.49 0.621 -.4359272 .7301541
_cons | -1.937701 .9923262 -1.95 0.051 -3.882625 .0072224
------------------------------------------------------------------------------

5
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

Modelo Logit
Logistic regression Number of obs = 922
LR chi2(9) = 12.10
Prob > chi2 = 0.2080
Log likelihood = -39.894166 Pseudo R2 = 0.1316

------------------------------------------------------------------------------
MEJORA | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
EDAD_MYPE | .1064639 .0460936 2.31 0.021 .016122 .1968057
LICENCIA | 1.532621 1.101493 1.39 0.164 -.626266 3.691508
EDAD_PROP | -.0791609 .0414883 -1.91 0.056 -.1604765 .0021547
FACEBOOK | .5686756 1.132624 0.50 0.616 -1.651226 2.788577
TWITTER | 0 (omitted)
EDU | -.1203605 .1955216 -0.62 0.538 -.5035758 .2628548
GENERO | .4861991 .852262 0.57 0.568 -1.184204 2.156602
CLIENTES | 0 (omitted)
MERCADOS | 0 (omitted)
PRODUCCION | 0 (omitted)
PRECIOS | 0 (omitted)
ORGANIZACION | 1.871242 .901824 2.07 0.038 .1036993 3.638784
CAPACITACION | .4386023 .9119875 0.48 0.631 -1.34886 2.226065
TECNOLOGIAS | 0 (omitted)
SFINANCIERO | .2414036 .7656305 0.32 0.753 -1.259205 1.742012
_cons | -3.531904 2.494747 -1.42 0.157 -8.421518 1.357711
------------------------------------------------------------------------------

A continuación se muestra una comparación entre ambos modelos:

CUADRO N°0
----------------------------------------------
Variable | PROBIT1 LOGIT1
-------------+--------------------------------
EDAD_MYPE | .04216726*** .10646388***
LICENCIA | .47627218 1.5326209*
EDAD_PROP | -.02912028** -.07916089**
FACEBOOK | .24382232 .56867562
TWITTER | (omitted) (omitted)
EDU | -.03495361 -.12036048
GENERO | .11536279 .48619914
CLIENTES | (omitted) (omitted)
MERCADOS | (omitted) (omitted)
PRODUCCION | (omitted) (omitted)
PRECIOS | (omitted) (omitted)
ORGANIZACION | .70056627** 1.8712418***
CAPACITACION | .26188095 .43860226
TECNOLOGIA | (omitted) (omitted)
SFINANCIERO | .14711346 .24140358
_cons | -1.9377012** -3.5319035*
-------------+--------------------------------
r2_p | .12630361 .13164105
chi2 | 11.605286 12.095712
p | .23648672 .20796716
ll | -40.139378 -39.894166
N | 922 922
----------------------------------------------
legend: * p<.2; ** p<.1; *** p<.05
Este grafico nos presenta asimismo el nivel de significancia de las
variables, * la variables es significativa al 20%, ** la variable es
significativa al 10%, y *** la variable es significativa al 5%, y en caso que
no aparezca la variable no es significativa.

Es necesario elegir un solo modelo para ello se tomó en cuenta algunos

estadísticos como su Log likelihood, Akaike Schwarz

6
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA
Observando el log likelohood “ll” el modelo logit presenta un mayor log
lokelihood y un menor Akaike Schwarz, entonces el mejor modelo es el
el “Modelo logit”, porque presenta estadísticos más adecuados

INTERPRETACION DE SIGNOS:

Somos conocedores, que en la salida de regresión (CUADRO N°02) solo

es necesario establecer la relación existente entre la variable
dependiente y las variables independientes, para ello es necesario
observar sus respectivos signos:

 EDAD_MYPE tiene una relación positiva con MEJORA, esto implica

que mientras mas años de operación tenga la empresa, la
probabilidad de que incremente sus ventas será mayor, lo que es
coherente con la teoría económica.
 LICENCIA tiene una relación positiva con MEJORA, esto nos indica
que si la empresa cuenta con licencia municipal, la probabilidad de
que mejores sus ventas son mayores, de lo contrario es menor
 EDAD_PROP tiene una relación negativa con MEJORA, esto implica
que mientras más años tenga el propietario de la empresa, menor
será la probabilidad de que incrementen sus ventas, esto puede ser
por el factor envejecimiento que puede afectar su salud y disminuya
su capacidad sobre el manejo de la empresa.
 FACEBOOK tiene una relación positiva con MEJORA, lo que nos
indica que si la empresa cuenta con cuenta de esta red social, la
probabilidad de que incremente sus ventas serán mayores.
 EDU tiene una relación negativa con MEJORA, esto nos indica que
mientras mas nivel de estudios tenga el propietario, la probabilidad
de que sus ventas incrementen serán menores, no existe mucha
coherencia con la realidad, pero esto resultado puede ser debido a a
que la mayoría empresas tienen propietarios con un nivel de
estudios bajo.
 GENERO tiene una relación positiva con MEJORA, esto nos indica
que si el propietario es varón, la probabilidad de que mejoren sus
ventas son mayores, caso contrario si es mujer serán menores, creo
que este aspecto es algo secundario.
 ORGANIZACIÓN tiene una relación positiva con MEJORA, nos
indica que si la empresa pertenecía a una organización o agrupación
MYPE la probabilidad de que incrementen sus ventas serán
mayores, caso contrario tendrá menos posibilidades
 CAPACITACION tiene una relación positiva con MEJORA, esto nos
indica que si el propietario asistió a charlas de gestión empresarial la
probabilidad de que incremente sus ventas serán mayores, de lo
contrario menor, lo cual es coherente con el contexto empresarial.
 TECNOLOGIAS no tiene una relación positiva con MEJORA, esto
debido a que gran parte de las empresas respondió NO, es decir no
usa recursos tecnológicos en sus empresas:
 SFINANCIERO tiene una relación positiva con MEJORA, si la
empresa participo en capacitación sobre los servicios financieros, la
probabilidad de que incremente sus ventas serán mayores, en caso
que no participe tendrá probabilidades menores.
7
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA
 TWITER, CLIENTES, MERCADOS, PRODUCCION y PRECIOS,
estas variables presentan un coeficiente cero, lo que nos indica que
no existe ninguna relación con MEJORA, es decir ninguna de estas

 variables influyen sobre el incremente de ventas, esto puedo ser

debido a que son factores externos.
BONDAD DE AJUSTE:
Es representado por (Pseudo_2) el cual es 0.1316, el cual nos indica
que las variables independientes explican a la variable MEJORA en un
13.16%. Asi mismo otra manera de realizar este análisis es a través del
cuadro que se muestra a continuacion
Logistic model for MEJORA

-------- True --------

Classified | D ~D | Total
-----------+--------------------------+-----------
+ | 0 0 | 0
- | 8 914 | 922
-----------+--------------------------+-----------
Total | 8 914 | 922

Este análisis se realiza haciendo una suma diagonal, (914+0) dividiendo

entre el total 922 lo cual nos resulta 0.99 el cual nos indica que el 99%
de los datos predice correctamente.
SIGNIFICANCIA DE LAS VARIABLES:
Tomando un nivel de significancia individual del 5%, observamos que
solo la variable EDAD_MYPE es significativa, y el resto no, si tomamos
un nivel de significancia del 20%, serian significativas más la variable
LICENCIA ORGANIZACIÓN, EDAD_PROP.
La significancia global el modelo es significativo si tomamos valores por
encima del 20% de esa manera se puede concluir que a un 20% toda las
variables influyen sobre MEJORA.

EFECTOS MARGINALES:
Los efectos marginales representan el impacto en una unidad de las
variables independiente sobre la variable dependiente (MEJORA).

Marginal effects after logit

y = Pr(MEJORA) (predict)
= .00411339
------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+--------------------------------------------------------------------
EDAD_M~E | .0004361 .00022 1.94 0.052 -3.8e-06 .000876 10
LICENCIA*| .0055656 .0036 1.55 0.122 -.001481 .012612 .640998
EDAD_P~P | -.0003243 .00018 -1.78 0.075 -.000681 .000032 46.7625
FACEBOOK*| .003008 .00763 0.39 0.694 -.011951 .017967 .069414
EDU | -.0004931 .00081 -0.61 0.541 -.002075 .001089 7.33623
GENERO*| .001865 .00306 0.61 0.543 -.00414 .00787 .656182
ORGANI~N*| .0201095 .01953 1.03 0.303 -.018172 .058391 .049892
CAPACI~N*| .0021386 .00535 0.40 0.689 -.00834 .012618 .117137
SFINAN~O*| .0010352 .00343 0.30 0.763 -.00568 .007751 .318872
------------------------------------------------------------------------------

8
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA
La variable edad de la empresa (EDAD_MYPE), posee una relación
positiva con el incremente de ventas (MEJORA); es decir, a mayor edad

mayor es la probabilidad de mejora sus ventas, dicho de otra manera

tener un año más edad incrementa la probabilidad de mejorar sus ventas
en un 0.04%.

LICENCIA, ante un incremento de una unidad en licencias, entonces la

probabilidad de que incrementen sus ventas (MEJORA) aumenta en
0.56%

EDAD_PROP, ante un incremento de un año en la edad del propietario

de la empresa, implica que la probabilidad de que incremente sus ventas
(MEJORA) reduzca en 0.03%.

FACEBOOK, si la empresa posee esta red social, ante un incremento de

una unidad, la probabilidad de que incrementen sus ventas (MEJORA)
aumentara en 0.3

EDU, ante un mayor nivel educativo alcanzado por el propietario, al

pasar de un nivel a otro, la probabilidad de que mejore sus ventas
reducirá en 0.05%

GENERO, es así que si el propietario hombre tienen un 0.19% mayor

probabilidad de incrementar sus ventas, respecto a propietarios que son
mujeres

ORGANIZACIÓN, si la empresa pertenece a una organización tiene una

mayor probabilidad de que incremente sus ventas en 2%, respecto a los
que no pertenecen a ninguna organización

CAPACITACION, si la empresa recibió capacitaciones sobre gestión

empresarial tiene un 0.21% de mayor probabilidad de incrementar sus
ventas, respecto a los que no recibieron alguna capacitación

SFINACNERO, si la empresa participo en charlas sobre servicios

financiero, tiene una mayor probabilidad de que incremente sus ventas
en 0.10% a comparación de los que no participaron.

Es importante resaltar que el efecto marginal entre variables dummy son

aproximaciones. Así mismo por ultimo podemos concluir que la
estimación realizadas anteriormente existen varias variables que no son
significativas, por lo que se procedió a estimar un nuevo modelo con
variables significativas al 20%.

9
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

Modelo Significativo:
Logistic regression Number of obs = 922
LR chi2(4) = 10.72
Prob > chi2 = 0.0299
Log likelihood = -40.582037 Pseudo R2 = 0.1167

------------------------------------------------------------------------------
MEJORA | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
LICENCIA | 1.429065 1.082617 1.32 0.187 -.6928258 3.550956
EDAD_MYPE | .0993276 .0435826 2.28 0.023 .0139073 .1847479
ORGANIZACION | 1.97623 .8494551 2.33 0.020 .3113292 3.641132
EDAD_PROP | -.069531 .038121 -1.82 0.068 -.1442467 .0051847
_cons | -4.131307 1.688148 -2.45 0.014 -7.440016 -.8225974
------------------------------------------------------------------------------
De la misma manera podemos diferenciar la relación positiva o negativa
que puede existir entre la variable MEJORA con las variables
independientes, los resultados son los mismos con respecto al modelo
analizado anteriormente.

Lo que se quiere con este modelo es realizar el análisis del efecto

marginal entre las variables dummy contra dummy, MEJORA con
LICENCIA y MEJORA con ORGANIZACIÓN.

EFECTOS MARGINALES PARA UNA VARIABLE DUMMY

MEJORA con LICENCIA:

.25
.2
.15
.1
.05
0

0 10 20 30 40 50
EDAD_MYPE

pr0_p pr1_p

MEJORA con ORGANIZACIÓN

.6
.4
.2
0

0 10 20 30 40 50
EDAD_MYPE

pr0_l pr1_l

10
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

El cuadro anterior nos muestra que la probabilidad de que la venta de la

empresa incremente (MEJORA), si la empresa perteneció a una
organización MYPE es mucho mayor en empresas con mas años de
funcionamiento, que aquellos que tienen pocos años. Si la edad de la
empresa es 9.71 años la probabilidad de que incrementen sus ventas será
de 0.016264 (EM= 0.0190489-0.002684) si perteneció a alguna
organización.

VI. CONCLUSIONES
Podemos que concluir que puede existir entre la variable MEJORA con
las variables independientes, los resultados son los mismos con
respecto al modelo analizado anteriormente.

Lo que se quiere con este modelo es realizar el análisis del efecto

marginal entre las variables dummy contra dummy, MEJORA con
LICENCIA y MEJORA con ORGANIZACIÓN.

Observando el log likelohood “ll” el modelo logit presenta un mayor log

lokelihood y un menor Akaike Schwarz, entonces el mejor modelo es el
el “Modelo logit”, porque presenta estadísticos más adecuados

VII. REFERENCIAS

Gujarati, Donomar. “Econometría”. Editorial McGraw Hill, 2° edición. México, 1995.

William Green: Analisis econométrico
Johnston, J. “Métodos de econometría”. Editorial Vincens Vives, 3° edición. Barcelona,
1975
Kmenta, Jan. “Elementos de econometría”. Editorial Vincens Vives. Barcelona, 1985

11
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

VIII. ANEXOS

ENCUESTA DE MICRO Y PEQUEÑA EMPRESA 2013

Notación de
Pregunta Codificación según INEI Nueva notación Nueva codificación
INEI
Variable En el año 2012, ha incrementado
dependiente sus ventas con respecto al año Si=1 1=Si
P12_1_1 MEJORA
anterior No=2 0=No

Año de inicio de operaciones de la

P2_4 Año de inicio EDAD_MYPE En años hasta 2012
empresa
La empresa cuenta con Facebook 1=si cuenta con Facebook 1=Si
P2_15_1 FACEBOOK
0=en otro caso 0=No
1=si cuenta con Twitter 1=Si
La empresa cuenta con Twitter P2_15_2 TWITTER
0=en otro caso 0=No
1=Sin nivel 1=Sin nivel
2=Inicial 2=Inicial
3=Primaria incompleta 3=Primaria incompleta
Último nivel de estudios 4=Primaria completa 4=Primaria completa
5=Secundaria incompleta 5=Secundaria incompleta
alcanzado del propietario de la P2_19 6=Secundaria completa
EDU 6=Secundaria completa
MYPE 7=Superior no univ. incompleta 7=Superior no univ. incompleta
8=Superior no univ. completa 8=Superior no univ. completa
9=Superior univ. incompleta 9=Superior univ. incompleta
Variables independientes

10=Superior univ. completa 10=Superior univ. completa

1=masculino 1=Varón
Sexo del propietario de la MYPE P2_17 GENERO
2=femenino 0=Mujer
Edad del propietario de la MYPE P2_18 En años cumplidos EDAD_PROP En años cumplidos
1=si 1=si
Si cuenta con licencia municipal P2_11_1 LICENCIA
2=No 0=no
En el año 2012, pertenecía a
alguna organización o agrupación 1=si pertenece 1=si
P3_1 ORGANIZACION
entre MYPE con fines 2=caso contrario 0=no
empresariales
Durante el año 2012, ¿asistió
usted o el responsable de la
empresa a 1=asistió 1=si
P4_1 CAPACITACION
algún evento de capacitación 2=caso contrario 0=no
relacionado a la Gestión
Empresarial?
El incremento registrado se debe
1=si 1=si
a: Incremento del número de P12_1_2_1 CLIENTES
0=no 0=no
clientes
El incremento registrado se debe 1=si 1=si
P12_1_2_2 MERCADOS
a: Nuevos mercados 0=no 0=no
El incremento registrado se debe 1=si 1=si
P12_1_2_3 PRODUCCION
a: Incremento de la producción 0=no 0=no
El incremento registrado se debe 1=si 1=si
P12_1_2_4 PRECIOS
a: Incremento de los precios 0=no 0=no
Durante el año 2012, su empresa a
través de usted o del responsable
1=si participo 1=si
de la gestión ¿ha participado en P5_1 TECNOLOGIAS
2=no participo 0=no
eventos de servicios sobre nuevas
Tecnologías para la gestión?
1. Durante el 2012, ¿participó usted
en algún evento de capacitación o
tuvo acceso a información 1=si participo 1=si
P9_1 SFINANCIERO
relacionada con la oferta de 2=no participo 0=no
servicios
Financieros?

12
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

.15
.1
Pr(MEJORA)

.05
0

20 40 60 80 100
Edad del propietario de la MYPE
.15
.1
Pr(MEJORA)

.05
0

0 .2 .4 .6 .8 1
RECODE of P3_1 (En el año 2012 pertenecía a alguna organización o agrupación ent
.15
.1
Pr(MEJORA)

.05
0

0 10 20 30 40 50
EDAD_MYPE

13
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

Marginal effects after probit

y = Pr(MEJORA) (predict)
= .0043485
------------------------------------------------------------------------------
variable | dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
---------+--------------------------------------------------------------------
EDAD_M~E | .0005383 .00027 1.97 0.049 1.9e-06 .001075 10
LICENCIA*| .0053882 .00391 1.38 0.168 -.002271 .013047 .640998
EDAD_P~P | -.0003718 .00021 -1.74 0.082 -.000791 .000048 46.7625
FACEBOOK*| .0041313 .00998 0.41 0.679 -.01542 .023682 .069414
EDU | -.0004462 .00101 -0.44 0.659 -.002425 .001533 7.33623
GENERO*| .0014092 .00378 0.37 0.709 -.005992 .008811 .656182
ORGANI~N*| .0211853 .02215 0.96 0.339 -.022237 .064608 .049892
CAPACI~N*| .0043939 .00771 0.57 0.569 -.010712 .0195 .117137
SFINAN~O*| .0020238 .00437 0.46 0.643 -.006536 .010583 .318872
------------------------------------------------------------------------------

Probit model for MEJORA

-------- True --------
Classified | D ~D | Total
-----------+--------------------------+-----------
+ | 0 0 | 0
- | 8 914 | 922
-----------+--------------------------+-----------
Total | 8 914 | 922

Probit regression2 Number of obs = 1672

LR chi2(11) = 57.19
Prob > chi2 = 0.0000
Log likelihood = -1110.672 Pseudo R2 = 0.0251

------------------------------------------------------------------------------
MEJORA | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
EDAD_MYPE | .0001295 .0050685 0.03 0.980 -.0098045 .0100634
EDAD_PROP | -.0086803 .0031824 -2.73 0.006 -.0149178 -.0024429
FACEBOOK | .0824232 .1155448 0.71 0.476 -.1440406 .3088869
TWITTER | -.0725352 .3043709 -0.24 0.812 -.6690911 .5240208
EDU | .0134949 .0167394 0.81 0.420 -.0193138 .0463035
GENERO | .0807414 .0674823 1.20 0.232 -.0515216 .2130043
LICENCIA | -.0046863 .0675308 -0.07 0.945 -.1370442 .1276717
ORGANIZACION | .1285384 .126935 1.01 0.311 -.1202497 .3773264
CAPACITACION | .2148327 .0867512 2.48 0.013 .0448035 .3848619
GESTIONE | .4068711 .1312061 3.10 0.002 .1497118 .6640303
SFINANCIERO | .2136725 .0649229 3.29 0.001 .086426 .3409191
_cons | -.109691 .1984236 -0.55 0.580 -.4985942 .2792121
------------------------------------------------------------------------------

Probit regression Number of obs = 922

LR chi2(4) = 10.16
Prob > chi2 = 0.0377
Log likelihood = -40.859584 Pseudo R2 = 0.1106

------------------------------------------------------------------------------
MEJORA | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
LICENCIA | .4400613 .363711 1.21 0.226 -.2727992 1.152922
EDAD_MYPE | .0397124 .0194518 2.04 0.041 .0015874 .0778373
ORGANIZACION | .7540748 .3797302 1.99 0.047 .0098173 1.498332
EDAD_PROP | -.0266427 .0158099 -1.69 0.092 -.0576295 .0043441
_cons | -2.050967 .6453771 -3.18 0.001 -3.315883 -.786051
------------------------------------------------------------------------------

14
UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

15
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

recode CLIENTES (.=0)

rename P12_1_2_2 MERCADOS
recode MERCADOS (.=0)
rename P12_1_2_3 PRODUCCION
recode PRODUCCION(.=0)
rename P12_1_2_4 PRECIOS
recode PRECIOS (.=0)
drop if EDAD_PROP==.
keep MEJORA EDAD_MYPE LICENCIA EDAD_PROP FACEBOOK TWITTER EDU GENERO CLIENTES MERCADOS PRODUCCION PRECIOS
ORGANIZACION CAPACITACION TECNOLOGIA SFINANCIERO
sum
probit MEJORA EDAD_MYPE LICENCIA EDAD_PROP FACEBOOK TWITTER EDU GENERO CLIENTES MERCADOS PRODUCCION PRECIOS
ORGANIZACION CAPACITACION TECNOLOGIA SFINANCIERO
estimates store PROBIT1
logit MEJORA EDAD_MYPE LICENCIA EDAD_PROP FACEBOOK TWITTER EDU GENERO CLIENTES MERCADOS PRODUCCION PRECIOS
ORGANIZACION CAPACITACION TECNOLOGIA SFINANCIERO
estimates store LOGIT1
stepwise, pr(0.20): logit MEJORA LICENCIA EDAD_MYPE FACEBOOK TWITTER EDAD_PROP EDU GENERO CLIENTES MERCADOS
PRODUCCION PRECIOS ORGANIZACION CAPACITACION TECNOLOGIA SFINANCIERO
estimates store LOGIT2
est tab PROBIT1 LOGIT1 LOGIT2, star(0.05 0.10 0.20) stat(r2_p, chi2 p ll N)
predict pr_p, pr
twoway (scatter pr EDAD_PROP)
twoway (scatter pr EDAD_MYPE)
twoway (scatter pr ORGANIZACION)
estat class
mfx
egen m_EDAD_PROP=mean(EDAD_PROP)
egen m_LICENCIA=mean(LICENCIA)
egen m_ORGANIZACION=mean(ORGANIZACION)
egen m_EDAD_MYPE=mean(EDAD_MYPE)
//grafico del efecto marginal de LICENCIA sobre pr.

16
 UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERIA ECONOMICA

gen
pr0_l=exp(_b[_cons]+_b[EDAD_MYPE]*EDAD_MYPE+_b[EDAD_PROP]*m_EDAD_PROP+_b[LICENCIA]*m_LICENCIA+_b[ORGANIZACION]
*0)/(1+exp(_b[_cons]+_b[EDAD_MYPE]*EDAD_MYPE+_b[EDAD_PROP]*m_EDAD_PROP+_b[LICENCIA]*m_LICENCIA+_b[ORGANIZACION
]*0))
gen
pr1_l=exp(_b[_cons]+_b[EDAD_MYPE]*EDAD_MYPE+_b[EDAD_PROP]*m_EDAD_PROP+_b[LICENCIA]*m_LICENCIA+_b[ORGANIZACION]
*1)/(1+exp(_b[_cons]+_b[EDAD_MYPE]*EDAD_MYPE+_b[EDAD_PROP]*m_EDAD_PROP+_b[LICENCIA]*m_LICENCIA+_b[ORGANIZACION
]*1))
twoway (connected pr0_l EDAD_MYPE, sort mcolor(maroon) lcolor(green) lwidth(thick) lpattern(solid)) (connected
pr1_l EDAD_MYPE, sort lcolor(cranberry) lwidth(thick))
//grafico del efecto marginal de ORGANIZACIÓN sobre pr.
gen
pr0_p=exp(_b[_cons]+_b[EDAD_MYPE]*EDAD_MYPE+_b[EDAD_PROP]*m_EDAD_PROP+_b[ORGANIZACION]*m_ORGANIZACION+_b[LICEN
CIA]*0)/(1+exp(_b[_cons]+_b[EDAD_MYPE]*EDAD_MYPE+_b[EDAD_PROP]*m_EDAD_PROP+_b[ORGANIZACION]*m_ORGANIZACION+_b[
LICENCIA]*0))
gen
pr1_p=exp(_b[_cons]+_b[EDAD_MYPE]*EDAD_MYPE+_b[EDAD_PROP]*m_EDAD_PROP+_b[ORGANIZACION]*m_ORGANIZACION+_b[LICEN
CIA]*1)/(1+exp(_b[_cons]+_b[EDAD_MYPE]*EDAD_MYPE+_b[EDAD_PROP]*m_EDAD_PROP+_b[ORGANIZACION]*m_ORGANIZACION+_b[
LICENCIA]*1))
drop m_EDAD_PROP
twoway (connected pr0_p EDAD_MYPE, sort mcolor(maroon) lcolor(green) lwidth(thick) lpattern(solid)) (connected
pr1_p EDAD_MYPE, sort lcolor(cranberry) lwidth(thick))

17