Compass Maritime Services

Decisiones Gerenciales                UTdT

Trabajo Práctico  

Profesor. Sebastián Auguste, Ph.D.

Para el caso Compass Maritime Service, tomando en cuenta la base de datos, se construyó un modelo para la valuación del carguero de característica “Capesize”. De las variables listadas, se tomó el Sale Price como variable dependiente, y se realizó el análisis de correlación para los demás datos disponibles. En este sentido, se descartó a la columna de Nombre, ya que se entiende que no aporta información valiosa al modelo. Las variables restantes fueron analizadas y se obtuvieron los siguientes datos:

Modelo 1

[pic 1]

Se observaron los siguientes valores:

• Coeficiente de determinación R^2: 0.92 indica un buen grado de correlación entre los datos y el modelo.
• Observaciones: 48 indica una muestra no muy grande pero suficiente para el caso
• Valor crítico de F: inferior al 10% indica un buen ajuste del modelo
• Probabilidad:
  Se observaron tres variables que aparentemente no presentan importancia en el modelo debido a que presentan un valor superior al 10%:

1. Capesize Index: Índice de mercado relacionado a la valuación, se detallará luego.
2. Year Built: se entiende que el número que nos interesa es la “edad” del navío al momento de la venta, de esta manera se independiza la base de datos del paso del tiempo entre un dato y otro.
3. Sale Date: Si a este dato, le sustraemos el “Year Built” obtenemos el “Age at Sale” por lo que estos últimos dos datos son variables dependientes junto con “Age at Sale” y ésta última es la de mayor valor para nuestro modelo.

Considerando que el modelo parece tener buen ajuste, y que estas últimas variables parecen no aportar información válida para el modelo, se realizó en análisis y modelado para las variables dependientes Age at Sale y Dead-Weight Tons. Los resultados fueron los siguientes:

MODELO 2

[pic 2]

En este caso se observa en primera instancia que el modelo no presenta buen ajuste, por lo que se supone que una de las variables eliminadas del modelo anterior, era crítica para el caso. Habiendo analizado conceptualmente “Age at sale” como una variable de edad suficiente, y Year Built y Sale date como dos variables cuya combinación solo dan el “Age at sale”; se consideró un último modelo incorporando las variables: Age at Sale, Dead-Weight Tons y Capesize Index obteniendo los siguientes resultados:

Modelo 3

[pic 3]

Se observaron los siguientes valores:

• Coeficiente de determinación R^2: 0.92 indica un buen grado de correlación entre los datos y el modelo.
• Observaciones: 48 indica una muestra no muy grande pero suficiente para el caso
• Valor crítico de F: inferior al 10% indica un buen ajuste del modelo
• Probabilidad: Todos las series de datos son importantes para el modelo ya que presentan una P menos al 10%.
• Coeficientes: 

1. Age at sale: De valor negativo, de manera esperada, la antigüedad de un barco es inversamente proporcional a su precio
2. Dead-Weaight Tons: Cuanto mayor capacidad de carga, mayor será el valor de mercado del navío
3. Capsize Index: Cuanto más alcista esté el mercado en términos generales, más caros se venderán los navíos.

Considerando este análisis, se elaboró un polinomio con los siguientes parámetros:

Valor estimado ($) = Ordenada al Origen + C1*V1 + C2*V2 + C3*V3

Valor estimado ($) = Intercepción + Coef.Age*Age + Coef.Weight*Weight + Coef.Index*Index

Para comprobar este modelo, se realizó una estimación de precio para cada uno de los registros de venta de la base de datos, y se computó un error de la estimación respecto a el valor vendido. El error para este modelo en promedio, resultó del 1%

...