EXCEL: UNA POTENTE HERRAMIENTA DE AYUDA

Uso de Solver

1. 2.

Es una especie de bsqueda de objetivo que permite obtener soluciones ms complejas. Se debe seleccionar una celda objetivo , que siempre debe contener una frmula, indicado qu valor debe calcular Solver entre los siguientes: 1. 2. 3. Mximo Mnimo Igual a un determinado valor (por ejemplo, cero)

3. 4.

Ese valor de la celda objetivo se conseguir cambiando los valores que figuren en la celda o celdas que se marquen Se pueden introducir restricciones.

Uso de Solver
Ejemplos de usos de solver:
Iteraciones (recordemos la iteracin necesaria para obtener el valor correcto resultante de la valoracin mediante descuento de FCF al WACC). Cuadre de balances:
En este sentido, en el ejemplo prctico de valoracin que figura en esta presentacin, se utiliza Solver para cuadrar los balances previsionales que se elaboran. Para ello:
Se calcula la diferencia entre el activo y el pasivo de cada balance Se suman esas diferencias en una celda (celda X a efectos de este ejemplo) Se abre la pantalla de Solver Se solicita que la celda X sea igual a cero, cambiando las celdas del balance donde se quiere realizar el cuadre (en el ejemplo, se cuadr en la lnea de tesorera no de seguridad) y sujeto a la restriccin de que todas y cada una de las diferencias entre el activo y el pasivo de cada ejercicio sean iguales a cero.

Clculo de regresiones e interpretacin de los resultados obtenidos

La localizacin de la funcin regresin en Excel se consigue siguiendo la siguiente indicacin en el men:
Herramientas > Anlisis de datos > Regresin

No obstante, previamente, debemos hacer, en su caso, una serie de ajustes a los datos que tomaremos como base para el clculo de la regresin (datos de la variable a explicar y de la/s variable/s explicativa/s).
Cualquier variable explicativa debe ser deflactada si est vinculada con la inflacin. Las variables explicativas deben estar en las mismas unidades que la variable problema. Se deben eliminar variables explicativas polticas (por ejemplo, si queremos explicar el aumento del coste de la gasolina con ciertas variables, no podremos utilizar como variable explicativa la evolucin del precio del autobs dado que esos precios estn regulados por los ayuntamientos y no oscilan libremente). Se deben usar ratios si una variable explicativa depende de otra (de esta forma, combinaremos dichas variables explicativas en una sla). Por ejemplo si tenemos parque de vehculos y nmero de habitantes, calcularemos nmero de vehculos por cada mil habitantes. 4

Clculo de regresiones e interpretacin de los resultados obtenidos

Por ltimo, tambin se debern depurar los siguientes problemas:
La multicolinealidad La heterocedasticidad La autocorrelacin

MULTICOLINEALIDAD
Si existe un elevado grado de correlacin interna entre las variables explicativas o independientes, existe un problema de multicolinealidad. La solucin correctora ms sencilla consiste en eliminar las variables explicativas que estn correlacionadas con otra variable explicativa y que a su vez tengan la menor correlacin posible con la variable independiente. Para visualizar esto de forma sencilla, se debe seleccionar una funcin que se encuentra en:
Herramientas > Anlisis de datos > Correlacin Seleccionando como rango de datos todos los datos que tengamos (en columnas) de todas las variables (incluida la variable problema o variable a explicar) podremos ver la correlacin existente entre cada una de las variables.

Clculo de regresiones e interpretacin de los resultados obtenidos

HETEROCEDASTICIDAD
Si queremos detectar la existencia de heterocedasticidad a posteriori (es decir, una vez calculada la regresin > podemos llamarle modelo bsico de regresin), lo que se debe hacer es comparar los datos estimados por el mismo de la variable problema con los valores histricos. Su diferencia es lo que se denomina residuo. Para que el modelo obtenido fuera correcto y, por lo tanto, no existiera heterocedasticidad, la variabilidad de los residuos debera ser constante en todo el rango de datos de la variable (para comprobar esto lo mejor es graficar (grfico de dispersin) la evolucin de los residuos con respecto a los datos histricos de la variable problema o con respecto a los valores precedidos de dicha variable). Si esto no ocurre, estamos ante una situacin de heterocedasticidad que se resuelve calculando la regresin con los datos de las variables convertidos a logaritmos (aplana la dispersin entre los valores reales y los estimados mediante la regresin). Por lo tanto, para no tener que calcular un modelo bsico de regresin y tener que comprobar si existe o no heterocedasticidad, se puede transformar directamente y a priori todas las series de datos histricos en Ln.

Clculo de regresiones e interpretacin de los resultados obtenidos

AUTOCORRELACIN
Es frecuente encontrar series temporales donde el valor futuro de una variable que queremos obtener depende, en parte, del valor anterior de la misma. Es decir, el valor previo de la variable es tambin variable explicativa (por ejemplo: si queremos explicar la evolucin del ndice IBEX 35 es indudable que el valor que pueda tomar dicho ndice en un da futuro concreto vendr explicado, entre otros factores, por el valor de dicho ndice el da anterior a ese da futuro). Para verificar la existencia de este problema, se utiliza el llamado Contraste Durbin-Watson:
Para realizar dicho contraste, y si nos encontramos con que ya tenemos los resultados del modelo bsico de regresin y hemos solicitado la obtencin de residuos, obtendremos, entre otras las siguientes columnas de datos:
Datos Predicted Residuals.

Debemos aadir al lado tres columnas adicionales:

Diferencia Residuos > se obtendr de restar cada celda de la columna residuals de su celda anterior. La siguiente columna (Residuos al cuadrado) se obtendr elevando al cuadrado cada uno de los datos de la columna original Residuals. La ltima columna (Diferencia de residuos al cuadrado) se obtendr tomando la diferencia de residuos y elevando dichos valores al cuadrado.

Clculo de regresiones e interpretacin de los resultados obtenidos

Finalmente, lo que haremos ser sumar por separado cada una de las dos ltimas columnas (la de residuos al cuadrado y la de diferencia de residuos al cuadrado) y se proceder a calcular el cociente entre la suma de las diferencias al cuadrado y la suma de los residuos al cuadrado. Con el resultado obtenido debemos irnos a una tabla creada por Durbin Watson y se compara dicho resultado con los valores dL y du que figuran en la tabla en funcin de K (nmero de variables explicativas) y N (nmero de datos). Se considerarn los siguientes criterios:
Existe autocorrelacin si 0 < d < dL o si (4 dL) < d < 4 NO existe autocorrelacin si du < d < (4 du) No se pueden extraer conclusiones si dL < d < du o si (4-du) < d < (4 dL)

Qe hacemos para corregir el problema de la autocorrelacin de existir?

Si existe, la solucin ms sencilla sera incluir dentro del modelo, como una variable explicativa ms, la propia variable problema Y desfasada en un perodo. Es decir:
Si queremos usar el modelo para estimar el valor Yt (valor de Y en un perodo t futuro) lo hacemos depender de su ltimo valor histrico (Yt-1):
Yt = Yt-1 + resto de variables explicativas

Esto se suele expresar como primeras diferencias > Yt-Yt-1 = A efectos prcticos, las series temporales de todas las variables se transforman en primeras diferencias y se obtiene un nuevo modelo:
Yt Yt-1 = a + b1 * (X1t X1t-1) + b2 * (X2t X2t-1= +

Clculo de regresiones e interpretacin de los resultados obtenidos

Si se dan problemas de heterocedasticidad al mismo tiempo que de autocorrelacin, deberemos trabajar con las series de datos en logaritmos y adems primeras diferencias. Recordemos para ello que:
LN Yt LN Yt-1 = LN (Yt/Yt-1) y que: La inversa de la funcin LN es la funcin EXP (exponencial)

Clculo de regresiones e interpretacin de los resultados obtenidos

Una vez que tenemos las series de datos de la variable problema y de las variables histricas lo ms depuradas posibles (considerando todos los pasos anteriores), usamos excel para el clculo de la regresin definitiva:
Para ello, hacemos, como se coment antes Herramientas > Anlisis de datos > Regresin
Si no figurase Anlisis de datos dentro del men Herramientas, se debe activar va Herramientas > Complementos > se marca la opcin de Herramientas para anlisis Eso har que sea visible Anlisis de datos dentro del men Herramientas.

Aparecer una pantalla que pedir los rangos de datos Y (variable problema) y rangos de datos X (datos de variables explicativas). Si marcamos los rangos de datos incluyendo los rtulos (ttulos de cada fila) debemos marcar con un tick en Rtulos. En esa misma pantalla da distintas opciones de salida de los datos (es decir, dnde va a colocar los datos de la regresin resultante). Lo ms sencillo es escoger En una hoja nueva. Finalmente, para obtener los residuos que comentamos cuando se detall el problema de la heterocedasticidad, marcaremos en la opcin Residuos.
10

Clculo de regresiones e interpretacin de los resultados obtenidos

Imaginemos que hemos calculado la regresin siguiendo los pasos comentados en la slide anterior y adems, para complicar el ejemplo, las series de datos utilizadas para ello estaban en logaritmos y primeras diferencias. Vamos a interpretar los resultados obtenidos:
Valor de la F
SUMMARY OUTPUT Regression Statistics Multiple R 0,715315 R Square 0,511675 Adjusted R Square 0,507069 Standard Error 0,019785 Observations 108 ANOVA df Regresin Residual Total 1 106 107 SS MS F 0,043478 0,043478 111,0687 0,041494 0,000391 0,084971 Standard Error t Stat P-value 0,001904 0,858959 0,392302 0,082758 -10,5389 3,4E-18 Significance F 3,4E-18

Esa es la a de la ecuacin

Si la F toma un valor > 4, eso quiere decir que las variables explicativas son distintas entre s (un buen modelo de regresin debe rechazar que las b (1) sean iguales. Es decir, la diferencia entre las b debe ser siempre distinta de cero).

t estadstico
El t estadstico no debe estar entre -2 y +2 por lo que si lo est, eliminaremos la variable explicativa que tenga ese valor y haremos una nueva regresin sin esa variable explicativa. Para entender esto, hay que considerar que para calcular la ecuacin de regresin normalmente nos habremos basado en muestras y no en poblaciones totales (por lo tanto, las b resultantes estn calculadas usando muestras) y por lo tanto, debemos usar mtodos estadsticos para aceptar que esa ecuacin de regresin es aceptable a nivel de poblacin.

Intercept TIPO LARGO

Coefficients 0,001636 -0,87218

Lower 95% -0,00214 -1,03625

Coeficiente de correlacin (R Square)

Hay que atender a que el coeficiente de correlacin sea lo suficientemente alto (al menos por encima de 0,75.

11
(1) Llamamos b al valor que multiplica a cada una de las variables explicativas en la ecuacin de regresin: y = a + b1x1 + b2x2 +

Clculo de regresiones e interpretacin de los resultados obtenidos

Por ltimo, considerando que hemos calculado la regresin calculando Ln y primeras diferencias, debemos interpretar correctamente los resultados de dicha regresin:
Si, por ejemplo, la regresin anterior pretende calcular el valor que tomar el IBEX en el siguiente periodo al ltimo para el que tenemos datos reales utilizando como variable explicativa el tipo de inters a largo plazo y nos dicen que el tipo a largo plazo en ese perodo futuro ser el 10,76% haramos:
0,01636 + (-0,87218 * (LN 10,76 LN 10,76134) siendo 10,76134 el tipo a largo plazo para el ltimo perodo conocido que tenamos entre los datos iniciales que sirvieron para calcular la regresin). Eso es igual a 0,001636 + (-0,87218 * LN (10,76 / 10,76134) = 0,0017444 Si queremos calcular un intervalo de confianza (1) para la poblacin total (recordemos que la estimacin que obtengamos es un dato sacado de una muestra):
0,0017444 2 * 0,019785 0,0017444 + 2 * 0,019785

(1) Ver slides posteriores de introduccin al concepto y al clculo de intervalos de confianza

12

Clculo de regresiones e interpretacin de los resultados obtenidos

Otras consideraciones:
Muchas veces el producto final no es muy diferente haciendo un modelo depurado (eliminando los problemas de multicolinealidad, autocorrelacin y heterocedasticidad) frente a uno sin depurar. No obstante, el nivel de confianza que puedes depositar en los resultados de uno y otro modelo es completamente distinto:
As, en un modelo sin depurar podemos estar obteniendo un R cuadrado de 94,7% mientras que haciendo el modelo depurado te puedes dar cuenta que ese R cuadrado no es real y que realmente al calcular dicha regresin depurada obtienes un R cuadrado muy inferior (pero mucho ms realista).

13

Clculo de regresiones e interpretacin de los resultados obtenidos

Intervalos de confianza:
Las variables que debemos analizar, a nivel de poblacin total, pueden seguir o no una distribucin normal de probabilidades pero lo que s se cumple siempre es que las medias de n muestras tomadas de dicha poblacin siguen una distribucin normal. Si se dispone de una muestra representativa de una poblacin total, se pueden obtener valores de dicha muestra tales como el promedio (media) y la desviacin tpica o la desviacin estndar (medidas de dispersin). En este sentido, si se dispone de la media de la muestra, en ningn caso se puede inferir que dicha media es representativa de la poblacin total. Para poder sacar conclusiones sobre la poblacin total se deben calcular:
Intervalos de confianza o Realizar pruebas de hiptesis (consiste en establecer una hiptesis sobre la poblacin total (en general, que la media poblacional sea igual a un valor que definamos como hiptesis) y probar si se cumple tal hiptesis utilizando los datos representativos de la muestra de la que disponemos.

A su vez, de cualquier valor intermedio dentro de un intervalo de confianza puedo calcular su probabilidad. En su caso, s se podra inferir que la medida de dispersin de la muestra es semejante o muy parecida a la de la poblacin. Esto se entiende si consideramos como variable a analizar la altura de la poblacin: la medida de altura de cada muestra diferir en funcin del perodo temporal (con el transcurso de los aos, las generaciones cada vez son ms altas). Sin embargo, la dispersin ser semejante en distintos perodos temporales (los altos son cada vez ms altos y los bajos tambin son cada vez ms altos). 14

Clculo de regresiones e interpretacin de los resultados obtenidos

Intervalos de confianza:
Para valores (no probabilidades), el intervalo de confianza para un nivel de confianza del 95,5% se calcula como:
Promedio +- 2 x Error estndar Siendo el Error Estndar = S / Raz de N Siendo S = Desviacin estndar y N = nmero de elementos total de la muestra.

Si quisiramos un nivel de confianza del 99,7% utilizaramos 3 y no 2 como multiplicador del error estndar.

15

Uso de aleatorios y probabilidades asociadas

Entre otras funciones, el uso de aleatorios y la asignacin de probabilidades a dichos aleatorios permite la obtencin de mltiples resultados distintos para un determinado trabajo de valoracin. Como se explicar en este mismo apartado, una vez obtenidos dichos resultados, Excel incluye utilidades que permitirn agruparlos, procesarlos y graficarlos de forma que se pueda facilitar su comprensin y para que, en definitiva, se pueda llegar a facilitar la toma de las decisiones que procedan a partir de la valoracin realizada. Con el citado objetivo en mente, se debe considerar lo siguiente:
Se deben elaborar los balances, cuentas de resultados y flujos de caja previsionales asociados a la empresa o proyecto objeto de la valoracin asociando las principales hiptesis a los valores que puedan tomar y a las probabilidades que tienen asociados dichos valores (objetiva o subjetivamente) mediante el uso de los aleatorios.

16

Uso de aleatorios y probabilidades asociadas

As, por ejemplo, si una de las principales hiptesis que influyen en la construccin de la estados financieros previsionales es el crecimiento a futuro de las ventas y si una vez realizado un ejercicio de estimacin de los valores que puede tomar dicho incremento, llegamos a la conclusin de que existe un 40% de probabilidad de que se produzca un incremento del 10% y un 60% de probabilidad de que el incremento sea del 8%, se har:
Si, por ejemplo, existe una celda donde se introduce el incremento previsto de las ventas de la que luego se alimenta la celda de la cuenta de resultados donde figuran las ventas proyectadas, se introducir la siguiente frmula en la primera: = Vlookup (Celda; Rango de datos; 2) siendo: Celda: la celda de excel donde se introduce la frmula de aleatorio (rand o aleatorio seguido de un parntesis que se abre y de uno que se cierra: aleatorio()) Al introducir esa celda en el primer lugar tras el parntesis de la frmula Buscarv (o de su traduccin en ingls vlookup), se est pidiendo que excel coja el dato que figura en esa celda donde se ha introducido la frmula aleatorio() (que cambia con cada click de ratn y que toma valores entre 0 y 1, es decir, asimilables a probabilidades) y que se busque dicho valor en el Rango de datos. Rango de datos: Ser el intervalo de celdas que abarcan los valores posibles que puede tomar esa variable (el crecimiento de las ventas) y las probabilidades asociadas. 17

Uso de aleatorios y probabilidades asociadas

Siguiendo el ejemplo anterior, el rango de datos sera: 40% 100% 10% (de incremento) 8% (de incremento)

Al seleccionar el rango de celdas que va desde la celda ocupada por el 40% de probabilidad hasta el 8% de incremento, y considerando que el valor que se obtenga tras un determinado click de ratn en la celda donde figura el aleatorio sea 0,65, la frmula de buscarv buscar 0,65 en dicho rango, seleccionando automticamente el incremento que corresponda a esa probabilidad. En este ejemplo, dado que la probabilidad de 0,65 (65%) es mayor que 40% y dado que en la frmula buscarv se ha introducido un 2 (que indica que excel extraiga el dato correspondiente a la segunda columna del rango de datos seleccionado), el valor que se extraer automticamente ser un incremento del 8% que pasa inmediatamente a la celda destinada al incremento de las ventas y que dar lugar a las ventas futuras que figuran en la cuenta de resultados, de acuerdo con las frmulas que se hayan introducido.
18

Uso de aleatorios y probabilidades asociadas

Se debe recordar que con cada click de ratn, el valor resultante podr cambiar (as, si por ejemplo, el aleatorio pasa a ser 0,3, el valor seleccionado por la frmula buscarv ser 10%). Una vez entendido el mecanismo de asignacin de aleatorios y probabilidades a los valores de una nica hiptesis, se puede proceder a asignar dichos aleatorios y probabilidades al resto de hiptesis que consideremos relevantes de forma que, una vez llegados al resultado de la valoracin, con cada click de ratn, obtengamos una valoracin distinta, dependiendo de la totalidad de hiptesis y probabilidades utilizadas y de la compensacin entre los efectos de las variaciones de las mismas.

Pero, cmo se puede agrupar, procesar y graficar los distintos resultados que obtenemos en la valoracin cada vez que hacemos un click de ratn?
Se deber seguir el proceso que aparece descrito grficamente en la siguiente diapositiva y las explicaciones complementarias que figuran a continuacin.

19

Uso de aleatorios y probabilidades asociadas

TIR ACCIONISTAS 20,70% 15,82% 16,43% 19,55% 12,55% 19,40% 21,45% 19,75% 19,23%

TIR 0,0% 5,0% 10,0% 15,0% 20,0% 22,5% 25,0%

FRECUENCIA 0 0 0 16 63 21 0

PROBABILIDAD 0% 0% 0% 16% 63% 21% 0%

PROBABILIDAD ACUMULADA 0% 0% 0% 16% 79% 100% 100%

3
100% 90% 80% 70% 60% 50%

TIR > 15% TIR > 20%

TIR > 15%; 84%

TIR > 22,5% TIR > 25%

84% 21% 0% 0%

4
Se generan automtica y simultneamente los resultados correspondientes all nmero de escenarios deseado Dichos resultados se ordenan en intervalos a los que automticamente se les asigna una probabilidad considerando la frecuencia con la que aparecen los resultados incluidos dentro de cada intervalo Se aislan los intervalos de valores deseados junto con su probabilidad de ocurrencia asociada Para visualizar con mayor facilidad los resultados obtenidos, se grafican las probabilidades asociadas a los intervalos deseados

1
40% 30% 21% 20%

2 3

10% TIR > 22,5%; 0% 0% 1 TIR > 25%; 0%

20

Uso de aleatorios y probabilidades asociadas

Cmo se puede generar en excel resultados simultneos correspondientes a la misma valoracin (paso 1 del grfico anterior)?
Se debe introducir en una celda la frmula o funcin que se desee usar (por ejemplo, en nuestro ejemplo, se introducira un = a el nmero de celda donde figure el resultado de la valoracin) A continuacin, se debe seleccionar la celda a la izquierda de la celda anterior (que debe estar vaca) y la propia celda donde est la funcin arrastrando hacia abajo para obtener tantos resultados de escenarios simultneos como se desee. Cuando ya tengamos seleccionadas tantas celdas como deseemos, se debe acudir a Datos > Tabla y se abrir una pequea pantalla que pedir dato por fila o por columna. En la casilla de columna introduciremos una celda de excel que est vaca y daremos a enter (intro). Automticamente, excel rellenar las celdas de la columna donde se encontraba la funcin deseada con los resultados de la valoracin generados simultneamente.

21

Uso de aleatorios y probabilidades asociadas

Qu frmula se utiliza para generar frecuencias (paso 2 del grfico anterior)?
El clculo de frecuencias en excel se realiza mediante una funcin matricial. Previamente, deber haber creado intervalos ordenados de valores en los que se encuentren los resultados simultneos generados en el paso 1. A continuacin, introducir la funcin frecuencia en la primera celda de la columna de al lado de los intervalos:
=Frecuencia(Rango de datos 1; Rango de datos 2) siendo: Rango de datos 1: el rango de celdas que va desde el primer resultado de la valoracin generado simultneamente hasta el ltimo resultado Rango de datos 2: el rango de celdas que va desde el primer valor de la columna donde se encuentran los intervalos hasta el ltimo valor

Una vez introducida esa frmula, no se debe apretar intro sino que la frmula slo responde con control + maysculas + intro (se aprieta la tercera una vez que estn pulsadas las dos primeras) dada su naturaleza matricial.

22