Determinantes del Desempeño de las Pequeñas Empresas en México: Un Estudio Empírico
Bibliographic record
Abstract
¿Qué factores determinan el desempeño de las pequeñas empresas con cinco o menos empleados? Con base en un marco conceptual ya utilizado en Argentina y en investigaciones anteriores, se utilizó una muestra de 174 empresarios mexicanos de dos diferentes estados (Jalisco y Nuevo León) para probar un conjunto de nueve hipótesis. Las variables dependientes de desempeño puestas en prueba fueron una objetiva, las ventas y una subjetiva, la evaluación personal de desempeño (o éxito) de los empresarios. Las variables independientes consideradas incluirán las características personales, sociológicas y organizativas. Los resultados se obtuvieron a partir de dos modelos de regresión lineal sobre dos variables dependientes. En cuanto a las características personales, las variables que se relacionaron positivamente con las ventas incluyeron 3 componentes de Capital Humano (Nivel de estudio, experiencia empresarial y horas semanales trabajadas) en el autoempleo por necesidad económica, y la pertenencia al género masculino. En cuanto a las variables organizativas, los empresarios con mayores ventas habían obtenido préstamos bancarios y habrían impulsado su negocio (por oposición de empezarlo desde cero) y tenían razones de necesidades económicas (extrínsecas) razones para estar en el negocio. Los empresarios que trabajan muchas horas y habían obtenidos ayudas del gobierno eran propensos a estar más satisfechos de su propio rendimiento que los demás.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".