📊 estadística

Working Capital Financing and Firm Performance:A Machine Mislearning Approach - A comment on Mahmood, Ahmed, Hussain &amp; Ben-Zaied (2025)

Este comentario critica a Mahmood et al. (2025) por errores metodológicos en su comparación entre la financiación del capital de trabajo y el desempeño de la empresa, destacando específicamente la clasificación errónea del análisis de componentes principales, el reporte incorrecto de estadísticas de regresión lineal para modelos basados en árboles y la presencia de estimaciones mutuamente inconsistentes que socavan la conclusión del estudio de que los modelos de aprendizaje automático superan a los modelos de efectos fijos.

Autores originales: Gwenael Piaser

Publicado 2026-10-19

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Gwenael Piaser

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de los negocios, las empresas constantemente hacen malabarismos entre dos necesidades contrapuestas: mantener suficiente efectivo para pagar sus gastos diarios e invertir ese dinero para crecer y obtener beneficios. Este acto de equilibrio se conoce como gestión del capital de trabajo. Durante décadas, los economistas han intentado encontrar la fórmula perfecta para esta relación, asumiendo a menudo que cuanto más eficientemente gestione una empresa sus finanzas a corto plazo, más rentable será. Sin embargo, el mundo real rara vez es una línea recta. A veces, tener demasiado efectivo es tan malo como tener muy poco, lo que crea una curva donde existe un punto medio óptimo. Para comprender estos patrones complejos, los investigadores han recurrido cada vez más a programas informáticos llamados aprendizaje automático (machine learning). Estas herramientas están diseñadas para encontrar formas y conexiones ocultas en cantidades masivas de datos que los métodos estadísticos tradicionales podrían pasar por alto, ofreciendo una nueva forma de ver cómo las decisiones financieras de una empresa afectan realmente su éxito.

Un estudio reciente realizado por un investigador llamado Mahmood, Ahmed, Hussain y Ben-Zaied intentó aplicar este enfoque moderno a las empresas manufactureras chinas. Recopilaron datos de más de 15.000 observaciones de empresa-año que abarcan casi dos décadas, con la esperanza de demostrar que sus nuevos modelos de aprendizaje automático podían explicar mejor la relación entre el capital de trabajo y el beneficio que los métodos estándar utilizados durante años. Afirmaron que sus modelos informáticos eran superiores porque se ajustaban más estrechamente a los datos y producían puntuaciones de precisión más altas. Sin embargo, una crítica aguda realizada por un investigador llamado Gwenael Piaser ha examinado desde entonces su trabajo y ha descubierto que el estudio, aunque plantea una pregunta válida, está construido sobre una base de errores fundamentales. La crítica revela que el estudio en realidad no utilizó las herramientas de aprendizaje automático que afirmaba usar, y que los números presentados en el informe final son internamente contradictorios.

El núcleo del problema reside en cómo los investigadores describieron sus métodos. Afirmaron que estaban utilizando "árboles de regresión" y "bosques aleatorios" (random forests), que son tipos específicos de algoritmos informáticos que funcionan dividiendo los datos en grupos cada vez más pequeños para realizar predicciones. Estas herramientas no producen el tipo de resultados que el autor publicó. Un verdadero modelo basado en árboles no genera una lista de números con signo junto con errores estándar y estrellas que indican la significación estadística, ni produce un estadístico F, que es una medida utilizada únicamente para ecuaciones lineales tradicionales. En su lugar, estos modelos informáticos producen clasificaciones de qué variables son más importantes y estimaciones de qué tan bien el modelo predice nuevos datos. Piaser señala que las tablas del estudio original se parecen exactamente al resultado de una regresión lineal estándar y tradicional, no a un algoritmo de aprendizaje automático. La presencia de términos cuadráticos e interacciones añadidos manualmente en las ecuaciones del estudio confirma además que los investigadores estaban ejecutando en realidad un modelo lineal tradicional, a pesar de etiquetarlo como un "árbol de decisión".

La confusión se profundiza al observar los números específicos reportados. El estudio presenta una tabla titulada "Resultados del algoritmo de regresión de bosque aleatorio", pero los números dentro de ella son una mezcla confusa de dos modelos diferentes. Para las variables principales de interés, la tabla enumera valores que coinciden perfectamente con el modelo de efectos fijos tradicional, mientras que las variables de control y las puntuaciones de precisión general coinciden con el modelo de bosque aleatorio. Es matemáticamente imposible que un solo modelo produzca un conjunto de coeficientes que pertenecen a un método y una puntuación de precisión que pertenece a otro. Además, el estudio reporta exactamente el mismo coeficiente para una variable clave tres veces, con tres valores completamente diferentes apareciendo en el texto y en las tablas. Esto sugiere que los datos no fueron procesados de manera consistente, o que los números finales fueron ensamblados a partir de diferentes fuentes sin la debida verificación.

Otro problema significativo involucra el uso de una técnica llamada análisis de componentes principales. El autor la enumeró como uno de sus métodos de estimación competidores, colocándola al mismo nivel que los modelos de aprendizaje automático. Sin embargo, el análisis de componentes principales no es un método para estimar relaciones entre variables; es una herramienta utilizada para simplificar los datos combinando muchas mediciones diferentes en un resumen único y más limpio. Es un paso que se toma antes de que comience el análisis real, no una forma de probar una hipótesis. Al tratarlo como un rival de los otros modelos, el estudio creó un error de categoría, comparando una herramienta de limpieza de datos contra un método para encontrar respuestas. Además, el estudio aplicó un proceso de lavado de datos llamado winsorización dos veces, primero a los datos brutos y luego después de combinar las variables. Esta doble compresión de los datos probablemente suavizó artificialmente los extremos, haciendo que los modelos parecieran más precisos de lo que realmente son al ocultar los casos más difíciles de predecir que un modelo robusto debería ser capaz de manejar.

En última instancia, la crítica concluye que la afirmación central del estudio original —que los modelos de aprendizaje automático explican mejor la varianza del rendimiento de la empresa que los métodos tradicionales— no tiene fundamento. La comparación se basó en medir qué tan bien se ajustaban los modelos a los datos con los que ya habían sido entrenados, una práctica que favorece a los modelos complejos simplemente porque pueden memorizar los datos de entrenamiento en lugar de aprender de ellos. Sin probar los modelos en datos nuevos y no vistos, las puntuaciones de precisión reportadas carecen de sentido. El estudio también no proporcionó los datos brutos o el código informático necesarios para que otros científicos verificaran el trabajo, dejando las inconsistencias sin resolver por cualquier otra persona que no sean los autores originales. Si bien la cuestión de cómo el capital de trabajo afecta la rentabilidad sigue siendo una vital para la economía global, este intento particular de responderla utilizando el aprendizaje automático parece haber aprendido erróneamente las herramientas que pretendía emplear. Los números presentados no reflejan los resultados de los algoritmos avanzados que pretenden representar, y las conclusiones extraídas de ellos no pueden ser fiables.

Resumen Técnico: Un Comentario sobre Mahmood et al. (2025)

Planteamiento del Problema
Mahmood et al. (2025) investigan la relación entre el financiamiento del capital de trabajo a corto plazo (WCF, por sus siglas en inglés) y la rentabilidad de las empresas utilizando un panel equilibrado de empresas manufactureras chinas (2000–2018). El estudio original plantea la hipótesis de una relación no lineal, cóncava (en forma de U invertida), moderada por la propiedad, el tamaño de la empresa y el apalancamiento. Metodológicamente, el autor afirma comparar un modelo de panel de efectos fijos (FE) estándar contra dos estimadores de "aprendizaje automático" (machine learning): un árbol de regresión y un bosque aleatorio (random forest). Concluyen que los modelos basados en árboles "explican mejor la varianza" basándose en valores de $R^2$ y estadísticas $F$ reportados más altos.

Este comentario, de la autoría de G. Piaser, identifica fallos metodológicos fundamentales, inconsistencias internas y representaciones erróneas de los resultados estadísticos del artículo original. El problema central abordado no es la cuestión económica del WCF y la rentabilidad, sino la validez de la implementación econométrica y de aprendizaje automático utilizada para responderla.

Metodología y Crítica
El comentario emplea un enfoque de verificación, comprobando la consistencia interna del texto, las ecuaciones y las tablas del artículo original sin requerir la reestimación de datos externos. La crítica se centra en tres fallos metodológicos primarios:

Clasificación Errónea del Análisis de Componentes Principales (PCA):
El estudio original enumera el PCA como un estimador competidor junto con los árboles de regresión y los bosques aleatorios. Piaser argumenta que esto es un error de categoría. El PCA es una técnica de reducción de dimensiones no supervisada utilizada para la construcción de características (creación de "proxies maestros" a partir de múltiples proxies de la literatura), no un estimador supervisado que modele las relaciones entre variables dependientes e independientes. No produce coeficientes, niveles de significancia ni valores de $R^2$ con respecto a una variable objetivo. En el estudio original, el PCA sirve únicamente como un paso de preprocesamiento, lo que hace que su inclusión en una tabla de comparación de modelos sea lógicamente inválida.
Representación Errónea de los Resultados de Aprendizaje Automático:
El comentario demuestra que las tablas etiquetadas como "Árbol de Decisión" y "Bosque Aleatorio" en el estudio original reportan cantidades que los métodos basados en árboles no producen. Específicamente, las tablas enumeran coeficientes con signo, errores estándar paramétricos, estadísticas $t$ , estrellas de significancia y estadísticas $F$ .

Naturaleza de los Métodos de Árboles: Los árboles de regresión y los bosques aleatorios particionan el espacio de los predictores en regiones y predicen valores constantes dentro de esas regiones. No generan un vector de parámetros ( $\beta$ ) global, ni producen errores estándar paramétricos o estadísticas $F$ (las cuales se definen para modelos lineales mediante la descomposición ANOVA).
Evidencia de Regresión Lineal: La presencia de términos cuadráticos construidos manualmente ( $WCF^2$ ) y términos de interacción ( $WCF \times \text{dummy}$ ) confirma una especificación lineal paramétrica. Los métodos basados en árboles aproximan la no linealidad y las interacciones mediante la división recursiva, lo que hace que la construcción manual de tales términos sea redundante. Las tablas reportadas son identificadas como resultados de Mínimos Cuadrados Ordinarios (OLS) o de Efectos Fijos, mal etiquetados como resultados de aprendizaje automático.

Inconsistencias Numéricas Internas:
El comentario documenta graves discrepancias numéricas que hacen que los resultados reportados sean irreproducibles:

Columnas Híbridas: La Tabla 13, titulada "Resultados del algoritmo de regresión de bosque aleatorio", se muestra como un compuesto de dos modelos diferentes. Los coeficientes de las variables clave ( $WCF$ y $WCF^2$ ) coinciden con las estimaciones de Efectos Fijos, mientras que las variables de control, el $R^2$ y la estadística $F$ coinciden con las estimaciones del Bosque Aleatorio. Esta combinación es matemáticamente imposible para un solo modelo ajustado, ya que el $R^2$ está determinado mecánicamente por el vector de coeficientes específico y los datos.
Coeficientes Conflictivos: El coeficiente de la muestra completa para $WCF$ en el modelo de Bosque Aleatorio se reporta tres veces con tres valores incompatibles: 0.598 (texto), 0.403 (Tabla 13) y 0.323 (Tabla 7).
Inconsistencias de Datos: Existen discrepancias en los tamaños de la muestra (15,238 frente a 15,239 observaciones) y en los conteos de submuestras (por ejemplo, las observaciones de la industria textil varían entre 167 y 679 a través de las tablas).

Hallazgos Clave y Resultados
El comentario no ofrece nuevos resultados empíricos sobre el WCF y la rentabilidad. En su lugar, sus "resultados" son la exposición de la incoherencia metodológica del estudio original:

Comparación de Modelos Inválida: El argumento central de que los modelos de aprendizaje automático superan a los modelos de efectos fijos se basa en una comparación de valores de $R^2$ dentro de la muestra (in-sample). El comentario argumenta que esto no es informativo porque los modelos de árboles flexibles (si se hubieran implementado correctamente) alcanzarían mecánicamente un mayor ajuste in-sample que los modelos lineales parsimoniosos. Una comparación válida requiere métricas de error fuera de la muestra (out-of-sample) o de validación cruzada, las cuales no se reportan.
Fallos en el Procesamiento de Datos: El estudio original aplica una doble winsorización (primero al 5% en los proxies brutos, luego al 10% en los componentes principales resultantes). Este procedimiento comprime la dispersión de los datos dos veces, inflando artificialmente el $R^2$ y atenuando las estimaciones de la pendiente, aunque no se proporciona ningún análisis de sensibilidad.
Fallo de Reproducibilidad: Debido al uso de datos propietarios de CSMAR sin proporcionar conjuntos de datos de replicación, código o identificadores de empresas, y dadas las contradicciones internas en los números reportados, los resultados no pueden ser verificados ni reconstruidos.

Significancia y Reivindicaciones
El artículo pretende modestamente evaluar la "consistencia interna" de los métodos, los resultados estadísticos y los valores numéricos del artículo original. Su significancia radica en:

Corrección Metodológica: Clarificar que el PCA es una herramienta de construcción de características, no un estimador, y que los métodos basados en árboles no producen coeficientes de regresión lineal ni estadísticas $F$ .
Advertencia de Replicación: Resaltar que las conclusiones del estudio original no están respaldadas por la evidencia reportada debido al etiquetado erróneo de resultados de regresión lineal como resultados de aprendizaje automático y a la presencia de valores numéricos contradictorios.
Integridad de la Investigación: Enfatizar que, sin un conjunto de datos de replicación y código, y dadas las inconsistencias documentadas, los hallazgos del estudio respecto a la superioridad de los enfoques de aprendizaje automático en este contexto no pueden ser aceptados.

El comentario concluye que la afirmación central del artículo original —que los modelos de aprendizaje automático proporcionan una explicación más precisa de los datos— es inválida en sus propios términos debido al uso incorrecto de objetos estadísticos y la falta de una métrica de generalización válida.

Más como este