Análisis de la relación entre los índices financieros y el ingreso neto: un enfoque de factores y de panel de datos
Tesis Materias > Ciencias Sociales Universidad Internacional Iberoamericana México > Investigación > Tesis Doctorales Cerrado Español Esta investigación fue cuantitativa con un enfoque correlacional y se comparó la relación entre los índices financieros y el ingreso neto. El análisis se hizo desde un enfoque de factores y de panel de datos de los índices financieros entre los resultados de los índices financieros y los resultados del ingreso neto de las compañías catalogadas como S&P 500 durante los años 1990 hasta el 2010. El objetivo del estudio fue descubrir que índices tuvieron mayor relación con el ingreso neto. La hipótesis dirigida a establecer que los 35 índices financieros escogidos para el análisis factorial tenían relación con los cambios en el ingreso neto fue comprobada luego de realizado el análisis factorial. Esta relación se estudió tomando en cuenta los índices financieros y los indicadores económicos, tales como: el ingreso neto real de las empresas y también se hicieron los mismos análisis por categorías de negocios. Dado que no existieron estudios que tomaran en consideración por tantos años se consideraron el ingreso neto real y nominal en promedio de cinco años. Para los fines del estudio, un conjunto de treinta y cinco de los índices financieros y la opinión del auditor fueron seleccionados y clasificados en distintas categorías. Para reducir el número de variantes se hizo una reducción factorial y luego el análisis de regresión se llevó a cabo tomando los resultados de los factores dependiente y las variables constituyentes en el factor respectivo como variables independientes. Con base en el trabajo de investigación realizado se obtuvieron los elementos de juicio que permitieron concluir que los índices financieros tuvieron una relación directa con el ingreso neto de las compañías. Luego de realizado el análisis estadístico correspondiente en la investigación se encontraron grandes diferencias entre los índices financieros que tuvieron impacto cuando se utilizaron todas las empresas versus cuando se tomaron por categoría. Asimismo, el estudio demostró la importancia de utilizar el ingreso neto real en el análisis de los estados financieros de la impresa. Otro hallazgo consistió en que se validó la utilización del panel de datos y análisis de factores. Se encontró una gran importancia de los activos y el estado de situación. También, los hallazgos evidenciaron la importancia de la utilización de la tasa de inflación en estudios contables de tiempo. Asimismo, se demostró la importancia de medir los estados en promedios de cinco años. metadata Cruz Rodríguez, José Orlando mail joseo.cruzrodriguez@gmail.com (2021) Análisis de la relación entre los índices financieros y el ingreso neto: un enfoque de factores y de panel de datos. Doctoral thesis, Universidad Internacional Iberoamericana México.
Texto completo no disponible.Resumen
Esta investigación fue cuantitativa con un enfoque correlacional y se comparó la relación entre los índices financieros y el ingreso neto. El análisis se hizo desde un enfoque de factores y de panel de datos de los índices financieros entre los resultados de los índices financieros y los resultados del ingreso neto de las compañías catalogadas como S&P 500 durante los años 1990 hasta el 2010. El objetivo del estudio fue descubrir que índices tuvieron mayor relación con el ingreso neto. La hipótesis dirigida a establecer que los 35 índices financieros escogidos para el análisis factorial tenían relación con los cambios en el ingreso neto fue comprobada luego de realizado el análisis factorial. Esta relación se estudió tomando en cuenta los índices financieros y los indicadores económicos, tales como: el ingreso neto real de las empresas y también se hicieron los mismos análisis por categorías de negocios. Dado que no existieron estudios que tomaran en consideración por tantos años se consideraron el ingreso neto real y nominal en promedio de cinco años. Para los fines del estudio, un conjunto de treinta y cinco de los índices financieros y la opinión del auditor fueron seleccionados y clasificados en distintas categorías. Para reducir el número de variantes se hizo una reducción factorial y luego el análisis de regresión se llevó a cabo tomando los resultados de los factores dependiente y las variables constituyentes en el factor respectivo como variables independientes. Con base en el trabajo de investigación realizado se obtuvieron los elementos de juicio que permitieron concluir que los índices financieros tuvieron una relación directa con el ingreso neto de las compañías. Luego de realizado el análisis estadístico correspondiente en la investigación se encontraron grandes diferencias entre los índices financieros que tuvieron impacto cuando se utilizaron todas las empresas versus cuando se tomaron por categoría. Asimismo, el estudio demostró la importancia de utilizar el ingreso neto real en el análisis de los estados financieros de la impresa. Otro hallazgo consistió en que se validó la utilización del panel de datos y análisis de factores. Se encontró una gran importancia de los activos y el estado de situación. También, los hallazgos evidenciaron la importancia de la utilización de la tasa de inflación en estudios contables de tiempo. Asimismo, se demostró la importancia de medir los estados en promedios de cinco años.
| Tipo de Documento: | Tesis (Doctoral) |
|---|---|
| Palabras Clave: | Índices financieros, Contabilidad |
| Clasificación temática: | Materias > Ciencias Sociales |
| Divisiones: | Universidad Internacional Iberoamericana México > Investigación > Tesis Doctorales |
| Depositado: | 31 Ene 2022 23:55 |
| Ultima Modificación: | 20 Sep 2023 23:30 |
| URI: | https://repositorio.unini.edu.mx/id/eprint/455 |
Acciones (logins necesarios)
 |
Ver Objeto |
<a href="/27554/1/s41598-026-37541-8_reference.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
A scalable and secure federated learning authentication scheme for IoT
Secure and scalable authentication remains a fundamental challenge in Internet of Things (IoT) networks due to constrained device resources, dynamic topology, and the absence of centralized trust infrastructures. Conventional password-based and certificate-driven authentication schemes incur high computation, storage, and communication overhead, limiting their suitability for large-scale deployments. To address these limitations, this paper proposes ScLBS, a federated learning (FL)–based self-certified authentication scheme for distributed and sustainable IoT environments. ScLBS integrates self-certified public key cryptography with FL-driven trust adaptation, enabling decentralized public key derivation without reliance on third-party certificate authorities or exposure of private credentials. A zero-knowledge mechanism combined with location-aware authentication strengthens resistance to impersonation, Sybil, and replay attacks. Hierarchical key management supported by a -tree enables efficient group rekeying and preserves forward and backward secrecy under dynamic membership. Formal security verification is conducted under the Dolev–Yao adversary model using ProVerif, confirming secrecy of private and session keys (SKs) and correctness of authentication. Extensive NS-3 simulations and ablation analysis demonstrate that ScLBS achieves lower authentication delay, reduced message overhead, improved network utilization, and decreased energy consumption compared to representative IoT authentication schemes, while maintaining bounded FL overhead. These results indicate that ScLBS provides a balanced trade-off between security strength, scalability, and resource efficiency for constrained IoT networks.
Premkumar Chithaluru mail , B. Veera Jyothi mail , Fahd S. Alharithi mail , Wojciech Ksiazek mail , M. Ramchander mail , Aman Singh mail aman.singh@uneatlantico.es, Ravi Kumar Rachavaram mail ,
Chithaluru
<a href="/26722/1/nutrients-18-00257.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Background/Objectives: The growing integration of Artificial Intelligence (AI) and chatbots in health professional education offers innovative methods to enhance learning and clinical preparedness. This study aimed to evaluate the educational impact and perceptions in university students of Human Nutrition and Dietetics, regarding the utility, usability, and design of the E+DIEting_Lab chatbot platform when implemented in clinical nutrition training. Methods: The platform was piloted from December 2023 to April 2025 involving 475 students from multiple European universities. While all 475 students completed the initial survey, 305 finished the follow-up evaluation, representing a 36% attrition rate. Participants completed surveys before and after interacting with the chatbots, assessing prior experience, knowledge, skills, and attitudes. Data were analyzed using descriptive statistics and independent samples t-tests to compare pre- and post-intervention perceptions. Results: A total of 475 university students completed the initial survey and 305 the final evaluation. Most university students were females (75.4%), with representation from six languages and diverse institutions. Students reported clear perceived learning gains: 79.7% reported updated practical skills in clinical dietetics and communication were updated, 90% felt that new digital tools improved classroom practice, and 73.9% reported enhanced interpersonal skills. Self-rated competence in using chatbots as learning tools increased significantly, with mean knowledge scores rising from 2.32 to 2.66 and skills from 2.39 to 2.79 on a 0–5 Likert scale (p < 0.001 for both). Perceived effectiveness and usefulness of chatbots as self-learning tools remained positive but showed a small decline after use (effectiveness from 3.63 to 3.42; usefulness from 3.63 to 3.45), suggesting that hands-on experience refined, but did not diminish, students’ overall favorable views of the platform. Conclusions: The implementation and pilot evaluation of the E+DIEting_Lab self-learning virtual patient chatbot platform demonstrate that structured digital simulation tools can significantly improve perceived clinical nutrition competences. These findings support chatbot adoption in dietetics curricula and inform future digital education innovations.
Iñaki Elío Pascual mail inaki.elio@uneatlantico.es, Kilian Tutusaus mail kilian.tutusaus@uneatlantico.es, Imanol Eguren García mail imanol.eguren@uneatlantico.es, Álvaro Lasarte García mail , Arturo Ortega-Mansilla mail arturo.ortega@uneatlantico.es, Thomas Prola mail thomas.prola@uneatlantico.es, Sandra Sumalla Cano mail sandra.sumalla@uneatlantico.es,
Elío Pascual
<a href="/26964/1/s44196-025-01123-9_reference.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Suicide Ideation Detection Using Social Media Data and Ensemble Machine Learning Model
Identifying the emotional state of individuals has useful applications, particularly to reduce the risk of suicide. Users’ thoughts on social media platforms can be used to find cues on the emotional state of individuals. Clinical approaches to suicide ideation detection primarily rely on evaluation by psychologists, medical experts, etc., which is time-consuming and requires medical expertise. Machine learning approaches have shown potential in automating suicide detection. In this regard, this study presents a soft voting ensemble model (SVEM) by leveraging random forest, logistic regression, and stochastic gradient descent classifiers using soft voting. In addition, for the robust training of SVEM, a hybrid feature engineering approach is proposed that combines term frequency-inverse document frequency and the bag of words. For experimental evaluation, “Suicide Watch” and “Depression” subreddits on the Reddit platform are used. Results indicate that the proposed SVEM model achieves an accuracy of 94%, better than existing approaches. The model also shows robust performance concerning precision, recall, and F1, each with a 0.93 score. ERT and deep learning models are also used, and performance comparison with these models indicates better performance of the SVEM model. Gated recurrent unit, long short-term memory, and recurrent neural network have an accuracy of 92% while the convolutional neural network obtains an accuracy of 91%. SVEM’s computational complexity is also low compared to deep learning models. Further, this study highlights the importance of explainability in healthcare applications such as suicidal ideation detection, where the use of LIME provides valuable insights into the contribution of different features. In addition, k-fold cross-validation further validates the performance of the proposed approach.
Erol KINA mail , Jin-Ghoo Choi mail , Abid Ishaq mail , Rahman Shafique mail , Mónica Gracia Villar mail monica.gracia@uneatlantico.es, Eduardo René Silva Alvarado mail eduardo.silva@funiber.org, Isabel de la Torre Diez mail , Imran Ashraf mail ,
KINA
<a href="/26965/1/s40203-025-00539-7.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Human metapneumovirus (hMPV) is one of the potential pandemic pathogens, and it is a concern for elderly subjects and immunocompromised patients. There is no vaccine or specific antiviral available for hMPV. We conducted an in-silico study to predict initial antiviral candidates against human metapneumovirus. Our methodology included protein modeling, stability assessment, molecular docking, molecular simulation, analysis of non-covalent interactions, bioavailability, carcinogenicity, and pharmacokinetic profiling. We pinpointed four plant-derived bio-compounds as antiviral candidates. Among the compounds, apigenin showed the highest binding affinity, with values of − 8.0 kcal/mol for the hMPV-F protein and − 7.6 kcal/mol for the hMPV-N protein. Molecular dynamic simulations and further analyses confirmed that the protein-ligand docked complexes exhibited acceptable stability compared to two standard antiviral drugs. Additionally, these four compounds yielded satisfactory outcomes in bioavailability, drug-likeness, and ADME-Tox (absorption, distribution, metabolism, excretion, and toxicity) and STopTox analyses. This study highlights the potential of apigenin and xanthoangelol E as an initial antiviral candidate, underscoring the necessity for wet-lab evaluation, preclinical and clinical trials against human metapneumovirus infection.
Hasan Huzayfa Rahaman mail , Afsana Khan mail , Nadim Sharif mail , Wasifuddin Ahmed mail , Nazmul Sharif mail , Rista Majumder mail , Silvia Aparicio Obregón mail silvia.aparicio@uneatlantico.es, Rubén Calderón Iglesias mail ruben.calderon@uneatlantico.es, Isabel De la Torre Díez mail , Shuvra Kanti Dey mail ,
Rahaman
<a href="/27153/1/fpls-16-1720471.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Introduction: Jackfruit cultivation is highly affected by leaf diseases that reduce yield, fruit quality, and farmer income. Early diagnosis remains challenging due to the limitations of manual inspection and the lack of automated and scalable disease detection systems. Existing deep-learning approaches often suffer from limited generalization and high computational cost, restricting real-time field deployment. Methods: This study proposes CNNAttLSTM, a hybrid deep-learning architecture integrating Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM) units, and an attention mechanism for multi-class classification of algal leaf spot, black spot, and healthy jackfruit leaves. Each image is divided into ordered 56×56 spatial patches, treated as pseudo-temporal sequences to enable the LSTM to capture contextual dependencies across different leaf regions. Spatial features are extracted via Conv2D, MaxPooling, and GlobalAveragePooling layers; temporal modeling is performed by LSTM units; and an attention mechanism assigns adaptive weights to emphasize disease-relevant regions. Experiments were conducted on a publicly available Kaggle dataset comprising 38,019 images, using predefined training, validation, and testing splits. Results: The proposed CNNAttLSTM model achieved 99% classification accuracy, outperforming the baseline CNN (86%) and CNN–LSTM (98%) models. It required only 3.7 million parameters, trained in 45 minutes on an NVIDIA Tesla T4 GPU, and achieved an inference time of 22 milliseconds per image, demonstrating high computational efficiency. The patch-based pseudo-temporal approach improved spatial–temporal feature representation, enabling the model to distinguish subtle differences between visually similar disease classes. Discussion: Results show that combining spatial feature extraction with temporal modeling and attention significantly enhances robustness and classification performance in plant disease detection. The lightweight design enables real-time and edge-device deployment, addressing a major limitation of existing deep-learning techniques. The findings highlight the potential of CNNAttLSTM for scalable, efficient, and accurate agricultural disease monitoring and broader precision agriculture applications.
Gaurav Tuteja mail , Fuad Ali Mohammed Al-Yarimi mail , Amna Ikram mail , Rupesh Gupta mail , Ateeq Ur Rehman mail , Jeewan Singh mail , Irene Delgado Noya mail irene.delgado@uneatlantico.es, Luis Alonso Dzul López mail luis.dzul@uneatlantico.es,
Tuteja