Browsing by Author "Evaristo Broncano, Roberto Carlos"

Now showing 1 - 2 of 2

Modelos logísticos de la teoría de respuesta al ítem con función de enlace asimétrico para el estudio de satisfacción del clima organizacional en una entidad financiera
(Universidad Nacional Mayor de San Marcos, 2025) Evaristo Broncano, Roberto Carlos; Gómez Ticerán, Doris Albina
La presente tesis tiene por objetivo estudiar una familia de modelos estadísticos de la Teoría de Respuesta al Ítem (TRI), que permite modelar variables no medibles directamente, conocidas como variables latentes, para lo que se utiliza un instrumento de medición como el cuestionario estructurado con un conjunto de preguntas dicotómicas o de escala likert. Los modelos de la TRI permiten estimar la probabilidad que un individuo responda correctamente un ítem considerando las características del individuo y del ítem, para el proceso de estimación se utilizó la función de enlace Logit que se caracteriza por ser simétrico y se comparó con funciones de enlaces asimétricos como el logístico de exponente positivo y exponente positivo recíproco. Los modelos fueron aplicados a un estudio de simulación que permitió comparar el ajuste en diferentes escenarios, obteniendo que en escenarios donde las respuestas dicotómicas son desbalanceadas y en base de datos grandes los modelos con enlace asimétrico mejoraron el nivel de ajuste. Respecto al análisis de caso, estudio de la satisfacción de los colaboradores con el clima organizacional en una entidad financiera para el año 2016, se evidenció una mayor concentración de colaboradores satisfechos y un mejor ajuste de modelos logísticos con enlace asimétrico (menor WAIC), concluyendo en la importancia de aplicar estos modelos alternativos en estudios de Clima Organizacional.
Series de tiempo y aprendizaje automático para el pronóstico de precios y rendimientos de las acciones de una empresa peruana en la Bolsa de Valores de Nueva York
(Universidad Nacional Mayor de San Marcos, 2025) Evaristo Broncano, Roberto Carlos; Herrera Quispe, José Alfredo
La investigación tuvo como objetivo comparar las técnicas de series de tiempo y de aprendizaje automático en su capacidad para el pronóstico de precios, rendimientos y la clasificación de altos rendimientos de las acciones de una empresa peruana que cotiza en la Bolsa de Valores de Nueva York, utilizando datos históricos comprendidos entre enero de 2020 y enero de 2023. El estudio abordó tres enfoques analíticos: predicción de precios, predicción de rendimientos y clasificación de rendimientos elevados, para lo cual se construyeron variables derivadas de los precios históricos, tales como rendimientos, medias móviles, ratios de precios, índice de fuerza relativa, bandas de Bollinger y oscilador estocástico. A partir de un análisis histórico iterativo se determinó una ventana óptima de predicción de 20 días, definiéndose como variables objetivo el precio, el rendimiento y la clasificación del rendimiento al día 20. Se implementaron modelos de series de tiempo como ARIMA y modelos de aprendizaje automático, incluyendo regresión, árboles de decisión, random forest, XGBoost, LightGBM, redes neuronales de perceptrón multicapa y redes neuronales recurrentes LSTM y GRU. Los resultados evidenciaron que los modelos basados en aprendizaje automático, especialmente las redes neuronales recurrentes LSTM y GRU, así como XGBoost y LightGBM, alcanzaron mayor precisión tanto en el pronóstico como en la clasificación de altos rendimientos, demostrando un mejor desempeño en contextos caracterizados por alta volatilidad y patrones no lineales complejos, lo que sugiere su potencial como herramientas estratégicas para el análisis financiero y la gestión de portafolios.