Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
a.a. 2016/2017
Roberta Pappadà
Trieste, 15 maggio 2017
Introduzione
1
ACP per valutare il posizionamento dell’impresa
• CR = current ratio
• ROA = return on assets
• ROD = return on debt
• ROE = return on equity
La prima riga del dataset contiene i valori degli indici per l’impre-
sa Alfa, di cui si intende valutare la posizione rispetto alle società
concorrenti sulla base dei dati a disposizione.
2
ACP per valutare il posizionamento dell’impresa
mean sd n
CR 1.269 0.722 14
ROA 0.134 0.066 14
ROD 0.042 0.042 14
ROE 0.199 0.136 14
Component loadings:
Comp.1 Comp.2 Comp.3 Comp.4
CR 0.1036369 0.7018916 -0.5766116 0.4051255
ROA 0.6699025 -0.1766218 -0.4755063 -0.5421523
ROD -0.2293820 -0.6722830 -0.5598446 0.4266069
ROE 0.6984797 -0.1555266 0.3577525 0.5999590
Component variances:
Comp.1 Comp.2 Comp.3 Comp.4
1.7079168 1.5051959 0.6591417 0.1277455
Importance of components:
Comp.1 Comp.2 Comp.3 Comp.4
Standard deviation 1.3068729 1.2268643 0.8118755 0.35741507
Proportion of Variance 0.4269792 0.3762990 0.1647854 0.03193638
Cumulative Proportion 0.4269792 0.8032782 0.9680636 1.00000000
4
ACP per valutare il posizionamento dell’impresa
5
ACP per valutare il posizionamento dell’impresa
CP 1 CP 2
CR 0.135 0.861
ROA 0.876 -0.217
ROD -0.300 -0.825
ROE 0.913 -0.191
Tabella 1: Correlazioni tra CP e variabili
3
● U6
2 ● U4 U7
●
1
● U8
U12 U13
●
●
● U11
PC2
U9
0
● U5
● U3
● Alfa ● U2
−1
●U14
−2
●U10
−3
−3 −2 −1 0 1 2 3
PC1
5
3.0
2.5
4
2.0
3
Height
Height
1.5
2
1.0
1
0.5
0
U10
U11
U12
U2
U3
U4
U8
U14
Alfa
U5
U9
U13
U6
U7
U9
U13
U6
U7
U4
U8
U14
Alfa
U5
U10
U11
U12
U2
U3
Observation Number in Data Set Indici Observation Number in Data Set Indici
Method=average; Distance=euclidian Method=ward; Distance=euclidian
(a) (b)
11
Analisi dei gruppi sugli indici di bilancio
12
Modelli di Automobili
15
Height
0 5 10 15 20
Lamborghini_Murcielago_L8640
Ferrari_430_scuderia
AstonMartin_Vanquish_
Maserati_Sport_GTS
Jaguar_XK_4.2v8
Bentley_Continental_Flying
RollsRoyce_Phantom_
Fiat_500_1.4
Lancia_Y_1.2
Lancia_Y_1.4
Fiat_600_
Toyota_Aygo_1.0
Modelli di Automobili
Fiat_500_1.2
Fiat_500_1.3
Chevrolet_Matiz_
Toyota_Yaris_
VW_Fox_1.2
VW_Golf_GTI
Fiat_Bravo_1.6v150
Seat_Altea_2.0
VW_Golf_1.4
Fiat_Doblò_1.9
Method=ward; Distance=euclidian
Mercedes_A_1.6
Fiat_Multipla_1.616v
Observation Number in Data Set Auto10var
Fiat_Multipla_NatPower
AlfaRomeo_Spider_2.4
Volvo_S60_2.4
AlfaRomeo_GT_2.0
AlfaRomeo_Brera_2.2
BMW_320i_
Audi_A6_
Hyunday_Sonica_2.4−16v
BMW_Z3_2.2
BMW_Z3_3.0
BMW_630i_
Mercedes_C_3.0
Figura 2: Dendrogramma per i modelli di automobili, ottenuto con il
AlfaRomeo_Brera_3.2
Hummer_H3_
Toyota_Corolla_1.8VVT
Toyota_Rav4_2.0vvti
LandRover_Freelander_3.2
Porsche_Cayenne_
16
Volvo_S60_3.2awd
Modelli di Automobili
17
Modelli di Automobili
# Cluster Sizes
26, 8, 3, 4, 12
# Cluster Centroids
18
Modelli di Automobili
(a) (b)
n = 53 5 clusters Cj
j : nj | avei∈Cj si
Lamborghini_Murcielago_L8640
4 Ferrari_430_scuderia
2
BMW_Z3_3.0 Fiat_600_ 5
AstonMartin_Vanquish_ ●
1 : 26 | 0.42
● Fiat_500_1.4
1 Fiat_500_1.3
Chevrolet_Matiz_
Jaguar_XK_4.2v8● Volvo_C30_
● Lancia_Y_1.2
BMW_630i_ ● ●
● ●
●
Component 2
3 ● ●
VW_Fox_1.2
0
Hyunday_Sonica_2.4−16v
● ●● ●
● ● ● Toyota_Yaris_
Bentley_Continental_Flying Seat_Altea_1.6 ● ●
● 2 : 8 | 0.42
●
● Toyota_Corolla_1.8VVT
● ●
Porsche_Cayenne_ 3 : 3 | 0.56
−2
●
RollsRoyce_Phantom_
4 : 4 | 0.48
Volvo_S60_3.2awd
5 : 12 | 0.50
Hummer_H3_
−4