SciELO - Scientific Electronic Library Online

 
vol.30 issue1Subspace-Based Methods to Determine Unit Roots and Cointegrating RanksExploratory Analysis of Regionalized Variables with Functional Methods author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • On index processCited by Google
  • Have no similar articlesSimilars in SciELO
  • On index processSimilars in Google

Share


Revista Colombiana de Estadística

Print version ISSN 0120-1751

Rev.Colomb.Estad. vol.30 no.1 Bogotá Jan./June 2007

 

Análisis de supervivencia aplicado a la banca comercial venezolana, 1996 – 2004

Survival Analysis Applied to Commercial Bank in Venezuela between 1996 and 2004

MARÍA ALEJANDRA AYALA1, GERARDO COLMENARES2, RAFAEL EDUARDO BORGES3

1Escuela de Estadística, Facultad de Ciencias Económicas y Sociales, Universidad de Los Andes, Mérida, Venezuela. Instructora. E-mail: marialej@ula.ve
2Instituto de Investigaciones Económicas y Sociales, Facultad de Ciencias Económicas y Sociales, Universidad de Los Andes, Mérida, Venezuela. Profesor agregado. E-mail: borgesr@ula.ve
3Instituto de Investigaciones Económicas y Sociales, Facultad de Ciencias Económicas y Sociales, Universidad de Los Andes, Mérida, Venezuela. Profesor titular. E-mail: gcolmen@ula.ve

Resumen

Se utiliza el análisis de supervivencia como técnica estadística para investigar cuándo es probable que una entidad financiera cambie de estado. La variable aleatoria de interés es el lapso de tiempo que tarda la entidad en cambiar de estado. Específicamente, interesa el tiempo en ocurrir el cambio de estado y cuáles son las variables que más influyen en el cumplimiento del cambio de estado. Se lleva a cabo un análisis de supervivencia clásico, una estimación por el método de Kaplan y Meier y un ajuste a través del modelo de Cox, utilizando los datos de la banca comercial venezolana entre 1996 y 2004. La fusión bancaria es el evento de interés para el cambio de estado. Se logra identificar cuatro razones de riesgo que son consistentes con la revisión teórica de los modelos de alerta temprana.

Palabras clave: estimador Kaplan-Meier, modelo de Cox, crisis financiera, banca.


Abstract

In this work, survival analysis is used as a statistical technique to find out when any bank probably changes of state. The random variable to study is the observed time period of the lifetime where there is a change of state. Special interest is focused in knowing the occurrence of changes of states, and in identifying the variables that could affect the changes of states. This work deals with a classical survival analysis by the Kaplan-Meier estimation and the fitting of the Cox model, using commercial Venezuelan banks during the 1996-2004 period. Merge banking occurrence is the main event to identify a change of state. This work allowed identifying four financial indicators that kept similar correspondence with those obtained from other early warning models.

Key words: Kaplan-Meier estimator, Cox model, Financial crisis, Banking.


Texto completo disponible en PDF


Referencias

1. Anastasi, A., Burdiso, T., Grubisic, E. & Lencioní, S. (1998), ¿Es posible anticipar problemas en una entidad financiera? Argentina 1994-1997, Technical Report 7, Asociación Argentina de Economía Política; Universidad Nacional de Mendoza. Facultad de Ciencias Económicas, Jurídicas y Sociales, Reunión Anual, 33, Mendoza, AAEP.        [ Links ]

2. Andersen, P. K., Borgan, O., Gill, R. & Keiding, N. (1993), Statistical Models Based on Counting Processes, Springer, New York.        [ Links ]

3. Ayala, R. (2000), Modelos de alerta temprana para crisis financieras. El caso ecuatoriano: 1994 - 1997, Technical Report 51, Notas Técnicas de la dirección de investigaciones económicas del Banco Central del Ecuador.        [ Links ]

4. Borges, R. (2003), Verificación de los supuestos del modelo de Cox, in ‘Memorias del XIII Simposio de Estadística’, Universidad Nacional de Colombia, Departamento de Estadística, Armenia, Colombia.        [ Links ]

5. Borges, R. (2005), ‘Análisis de supervivencia de pacientes con diálisis peritoneal’, Revista Colombiana de Estadística 28(2), 243–259.        [ Links ]

6. Cox, D. R. (1972), ‘Regression Models and Life Tables (with Discussion)’, Journal of the Royal Statistical Society, Series B 34, 187–220.         [ Links ]

7. Fleming, T. R. & Harrington, D. P. (1993), Counting Processes and Survival Analysis, John Wiley and Sons, Inc, New York.        [ Links ]

8. González-Hermosillo, B. (1996), ‘Banking Sector Fragility and Systemic Sources of Fragility’, IMF Working Papers 96(12).         [ Links ]

9. Guillén, R., Colmenares, G. & Orlandoni, G. (2005), ‘Algoritmo seguido para el pre-procesamiento de datos de la banca y construcción de modelos no lineales’, Grupo Banca. Manuscrito. Convenio Universidad de Los Andes – Banco Central de Venezuela.         [ Links ]

10. Herrera-García, B. (2004), ‘La supervisión de los bancos y el rol del Comité Basilea para la Supervisión Bancaria’, Revista Contaduría y Administración 212.        [ Links ]

11.Hosmer, D. W. & Lemeshow, S. (1999), Applied Survival Analysis: Regression Modeling of Time to Event Data, John Wiley and Sons, Inc, New York.        [ Links ]

12. Kaplan, E. L. & Meier, P. (1958), ‘Nonparametric Estimation from Incomplete Observations’, Journal of the American Statistical Association 53, 457–481.        [ Links ]

13. Klein, J. & Moeschberger, M. (1997), Survival Analysis. Techniques for Censored and Truncated Data, Springer, New York.        [ Links ]

14. Medina, Y. & Borgucci, E. (2005), ‘Desempeño de la rentabilidad de los bancos fusionados en Venezuela entre los años 1998–2002’, Revista Venezolana de Análisis de Coyuntura 11(1), 119–154.        [ Links ]

15. R Development Core Team (2006), R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0. *http://www.R-project.org        [ Links ]

16. S original by Terry Therneau and ported by Thomas Lumley (2006), Survival: Survival Analysis, Including Penalised Likelihood. R package version 2.29.        [ Links ]

17. Schoenfeld, D. (1982), ‘Partial Residuals for the Proportional Hazard Regression Model’, Biometrika 69, 239–241.        [ Links ]

18. Therneau, T. & Grambsch, P. (2000), Modeling Survival Data: Extending the Cox Model, Springer, New York.        [ Links ]

19. Therneau, T., Grambsch, P. & Fleming, T. (1990), ‘Martingale-Based Residuals for Survival Models’, Biometrika 77, 147–160.        [ Links ]

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License