1.

Introduccin
El presente trabajo trata de aplicar tres mtodos de valoracin econmica de espacios pblicos
recreacionales de carcter ambiental, como es el Parque Urbano Central (PUC) de la ciudad de La
Paz. Este espacio se encuentra en la zona central de la ciudad de La Paz, Bolivia. Su extensin se
aproxima a las 39 hectreas, las cuales constituyen el mayor espacio de esparcimiento para los
habitantes de esta naciente metrpolis. Los lmites de dicho lugar van desde el Paseo Nez del
Prado, Mercado Camacho, el Teatro al Aire Libre Jaime Laredo, la cpula de adobe, el pase areo,
la cancha zapata, rea de Lectura, Campo Ferial del Bicentenario, Bicisenda-Trotadores, la ciclo
va y mucho ms, adems de tener una vista nica del centro urbano de la ciudad, desde donde se
aprecia libremente la peculiar topografa de los alrededores.
La importancia de este trabajo se encuentra en tratar de aproximar, por los distintos mtodos
aplicados, la valoracin que los individuos le dan al PUC y ver si realmente este cumple con la
misin con la que se construy y an se trata de mantener. De esta manera evaluaremos si realmente
el Parque Urbano Central de La Paz constituye un lugar recreacional, de esparcimiento familiar, con
espacios y actividades para personas de todas las edades, que vale la pena mantener e incluso
mejorar, dada la valoracin que los paceos y ciudadanos en general le dan a este.
2. Marco Terico
A lo largo de la historia econmica la valoracin propia de bienes, servicios, bienes pblicos, etc. ha
sido fundamental, pero es en los ltimos 50 ao se ha visto el incremento en la necesidad de aplicar
medidas que nos ayuden a aproximar la valoracin de ciertos bienes pbicos que poseen
caractersticas ambientales y suelen ser recreativos para las personas. Es importante recalcar que
dado su carcter medio ambiental, dichos bienes pblicos cuentan con otro tipo de valoracin que
suele ser ms subjetivo para toda la sociedad y la importancia de su valoracin recae en la
asignacin eficiente de los recursos naturales de propiedad pblica.
2.1. Mtodo de costo de viaje
El primer mtodo que se propone ampliamente para la valoracin econmica del ambiente es el del
costo de viaje (CV). Se ha denominado a este mtodo de tal manera dado que su propsito es el de
calcular los costos en los que tiene que incurrir el visitante con el propsito de disfrutar de los
1

servicios recreativos o ambientales ofrecidos por un lugar especfico. De manera ms especfica, se

trata de ver la variacin en la demanda de dicho bien (traducido en nmero de veces que el
individuo visita el lugar) debido a cambios en los costos de viaje.
El mtodo de CV asume que a cada individuo que visita un sitio se asocia una transaccin implcita
que relaciona los costos de viaje con el valor o precio que debera pagar el visitante por acceder a
un lugar especfico. Por ello, economtricamente se estima una demanda que relaciona el nmero de
viajes con sus respectivos costos. El valor del flujo de servicios recreativos de un sitio particular
est representado por el rea bajo la curva de demanda compensada, la cual ha sido agregada a
travs de todas las demandas individuales de las personas que visitan el sitio.
Este mtodo ha sido utilizado ampliamente en la valoracin de actividades de caza, en la demanda
de das de recreacin por parte de turistas, en la estimacin de beneficios generados por la pesca
deportiva y en la valoracin del uso recreativo de parques naturales, el cual puede aproximarse al
estudio particular que llevaremos a cabo en el presente trabajo.
Cabe mencionar que en el presente trabajo desarrollaremos la valoracin para el Parque Urbano
Central (PUC) de la ciudad de La Paz mediantes tres mtodos, entre los cuales se encuentra el
mtodo de costo de viaje, y que estar sujeto a su evaluacin al momento de compararlo con los
resultados obtenidos a partir de los otros dos mtodos que sern desarrollados ms adelante.
Antes de empezar a exponer la aplicacin de dicho mtodo en nuestro estudio de caso particular,
haremos un breve resumen de los modelos bsicos del costo de viaje, el cual nicamente toma la
estimacin de demanda por un solo sitio, analizando los aspectos relacionados con la definicin y el
clculo de la variable de precio implcito y la discusin de los supuestos que se encuentran detrs.
a) Modelo general de costo de viaje
El presente modelo consta con toda la base microeconmica que es bien conocida, donde se trata de
modelar a un individuo representativo o un grupo de personas. Dicho individuo consta de una
funcin de utilidad que depende del nmero de viajes que sern realizados a un determinado sitio.
No olvidemos que este modelo1, al igual que cualquier problema primal del consumidor, se basa en
la hiptesis de maximizacin de la utilidad sujeta a una restriccin presupuestaria.
1 El modelo bsico que presentamos fue extrado del libro de Valoracin Econmica del Ambiente de Felipe Vsquez
Lavn, Arcadio Cerda Urrutia y Sergio Orredo Suaza. Se mantiene la notacin, la cual tambin ser empleada en la parte
emprica del trabajo.

MAX U ( x , z)
S.a:

m=d + w t w =z+ ( c 1+ c2 ) x

T =t w + ( t 1 +t 2 ) x
Donde:

x : nmero de visitas o viajes a un sitio determinado,

z : bien hickisiano (no requiere de tiempo en la restriccin de tiempo),

m: ingreso total de la persona,

d : ingreso no asociado al trabajo (dividendos, herencias, riqueza acumulada previamente, etc.)

w : salario,

t w ; tiempo que se dedica al trabajo remunerado,

c 1 : costo monetario del viaje al lugar de estudio,
c 2 : costo monetario en el sitio (gasto en el que incurre la persona dentro del sitio recreacional),
T : tiempo total (restriccin de 24 horas),
t 1 : tiempo del viaje,
t 2 : tiempo de permanencia en el sitio.
Si asumimos que las personas son capaces de elegir libremente las horas de trabajo, y el costo de
oportunidad del tiempo est relacionado con el nivel de salarios, es posible despejar

tw

de la

ecuacin de restriccin del tiempo y despus de manipuleo algebraico el problema del consumidor
se transforma en2:

MAX U ( x , z )
S.a:
Sintetizando, se trata de estimar

m =z + P x X

x=x ( Px , m ) y

z=z ( Pz , m ) , las cuales son las funciones

de demanda para el sitio (nmero de visitas) y para el bien hicksiano, las cuales se obtienen del
problema primal del consumidor
.
b) Supuestos implcitos del modelo
No debemos olvidar mencionar los supuestos que sustentan toda la teora que se encuentra detrs de
la estimacin del mtodo de CV. Estos, al igual que en cualquier modelo econmico, son
fundamentales para poder interpretar los resultados obtenidos posteriormente, y adems nos ayudan
a simplificar la realidad y as poder estudiarla. El reto se encuentra en no tener un modelo que sea
tan simplista que no logre aproximar nada de la realidad, o uno muy complejo que sea muy difcil o
hasta imposible de ser modelado.

Por ello, los supuestos que tomaremos en cuenta son los

siguientes:

El nmero de viajes es una funcin creciente de la calidad ambiental del sitio.

Las personas responden de la misma manera a los cambios en el costo de viaje, que a
cambios en el precio de admisin del sitio que estn visitando.

El individuo visita el lugar con el nico propsito de conocerlo y la utilidad que obtendr de
las propiedades recreativas que posea.

El tiempo de permanencia es exgeno y fijo.

No existen sustitutos al lugar.

El tiempo de viaje no le representa ni utilidad ni desutilidad.

m =d+ wT

Px =( c 1+ w t 1 ) +(c 2 +w t 2)

dedicara nicamente a trabajar;

c 1+ w t 1

wT

corresponde al ingreso obtenido si el individuo se

equivale al costo de viaje y

c 2+ w t 2

representa el costo de

permanencia en el sitio.

2.2. Mtodo de valoracin contingente

Mediante el mtodo de valoracin contingente (VC), los economistas logran obtener el valor
econmico que los individuos le asignan a un bien. Esto se logra mediante el diseo de una encuesta
en la cual se describe a los entrevistados un determinado bien ambiental, donde se debe describir
con precisin las caractersticas del bien sujeto a estudio y adems, se construye un escenario
hipottico donde se provee el bien por valorar, definiendo claramente las distintas alternativas y los
derechos de propiedad. En nuestro caso veremos que la encuesta aplicada para recabar la
informacin utilizada en los tres mtodos, capta los aspectos ya mencionados que la valoracin
contingente requiere.
Si bien este mtodo puede llevarse a cabo mediante dos diferentes enfoques (DAP y DAA), nos
enfocaremos en el mtodo de la mxima disposicin a pagar (DAP) por una mejora en la calidad o
cantidad del recurso3.
La riqueza de aplicar dicho mtodo est en la forma directa en la que se observa la valoracin del
recurso, y dems, es compatible con las medidas de bienestar hicksianas. Es decir, la valoracin se
obtiene directamente de las respuestas de los encuestados, usando la variacin compensada o la
variacin equivalente, dependiendo de los derechos de propiedad y de la naturaleza del cambio en el
bien. Cabe mencionar que el mtodo de VC es un mtodo muy utilizado en el anlisis de polticas
pblicas, gracias a que nos ayuda a indagar en las preferencias de los individuos sobre bienes
pblicos. Yendo ms all, muchos autores han hallado que los resultados obtenidos mediando el
anterior mtodo desarrollado, CV, y este son bastante similares 4.
Sin embargo el mtodo de VC cuenta con grandes crticas, las cuales se dirigen directamente al
corazn de este mtodo. Por un lado se dice que no existen incentivos para que las personas revelen
verdaderamente su mxima disponibilidad a pagar, ya que si ellos perciben que la encuesta puede
ser causante de un cambio en el precio del sitio, estos pueden sobreestimar o subestimar su mxima
disponibilidad a pagar, segn sus intereses personales. Por otro lado, y asumiendo que las personas
revelan con total veracidad su mxima disponibilidad a pagar, estas no revelarn una respuesta con
sentido econmico. Esto no suele pasar con cualquier otro bien de uso cotidiano, ya que el
individuo lo conoce muy bien, lo cual no es el caso cuando se trata de un bien pblico ambiental y/o
3 La DAP tambin puede interpretarse como el pago por evitar una desmejora en la calidad ambiental del recurso.
4 Hanemann, 1994. Davis, 1963.
5

recreacional. De hecho, muchas veces se da el caso que el entrevistado slo se informa de una idea
sobre el bien pblico en el momento que empiezo a responder a la encuesta.
El mtodo de valor de contingencia posee la caracterstica de que estima el valor de no uso 5, el cual
puede llegar a constituir una parte significativa dentro del valor total de los recursos. Es este aspecto
que constituye uno de los puntos que ms valor le da al uso de este mtodo. Entre los valores de no
uso ms comunes estn el valor de existencia y el valor de legado o herencia.

a) Consideraciones para el uso del mtodo de valoracin contingente

Una crtica recurrente al mtodo de VC es que las personas no responden a la encuesta en el papel
de consumidores, sino adoptan el papel de ciudadano, por lo que no estn revelando sus
preferencias y valoracin por el bien. Al actuar como ciudadano, lo que verdaderamente est
influenciando su respuesta son los principios ticos y morales que estn detrs. Es decir, no existe la
posibilidad de realizar un intercambio entre precios y bienes ambientales, impidiendo un estudio
costo-beneficio. Este problema tiene connotaciones importantes, ya que los postulados ticos no son
reducibles a una sola medida, como el dinero, especialmente en el contexto de la valoracin
ambiental6. Muchos autores han ido ms all en esta crtica, y recalcan que para valorar
econmicamente el ambiente el bien ambiental estudiado debe ser reducido a un bien normal de
mercado (bien econmico), lo cual disminuira el valor del ambiente mismo. Finalmente, y a
manera de resumir esta gran crtica, para las personas es casi imposible negociar o comparar
postulados ticos con valores monetarios.
Una manera de solucionar este problema es mediante la incorporacin de los valores ticos o
religiosos dentro del problema de maximizacin, al tomar en cuenta una funcin de utilidad
altruista. El nico caso en el que este problema no se presentara sera en una sociedad en la que sus
creencias y la visin del mundo sean compatibles con las de la teora econmica.

5 Kutrilla, 1967.
6 Vatn, 2000.
6

Otra crtica comn para el mtodo que estamos desarrollando es la inconsistencia de este con los
axiomas que determinan la racionalidad de los consumidores. Es decir, segn muchos autores las
preferencias por bienes pblicos no son completas ni transitivas. Por lo tanto, el acercamiento a la
DAP para tomar decisiones relacionadas a bienes pblicos no es suficiente ni adecuado.
Para poder evitar cualquiera de estos problemas, se establecieron una serie de puntos que debe
cumplir cualquier estudio que aplique el mtodo de valoracin contingente 7, entre los que podemos
rescatar:

Procurar una buena descripcin del bien por ser evaluado. Esto con el fin de evitar la
posibilidad de copra de satisfaccin moral en torno al problema ambiental.

Realizar encuestas personales y acudir al uso de ayudas visuales para describir la situacin
del lugar o actividad sujeta a estudio.

Aplicar la encuesta preliminarmente a grupos focales, para asegurar que los entrevistados
entiendan y acepten la descripcin del bien, as como las preguntas correspondientes 8.

Recordar a los encuestados sobre sus restricciones presupuestarias, lo cual debe hacerse
antes de formular la pregunta sobre el DAP.

Se rechaza la sugerencia de que el estudio de VC debe ser aplicado nicamente a las

personas que tengan pleno conocimiento del bien.

2.3. Mtodo de precios hednicos

Durante el estudio de la teora econmica se suelen presentar diversos supuestos bsicos para poder
modelar ciertas situaciones y hacerlas lo ms didcticas posibles. Pero como hemos visto en el
primer mtodo de valoracin econmica del ambiente, los supuestos a veces pueden llegar a ser
demasiado simplificadores y por ende no suelen captar lo que pasa en la realidad. Uno de los ms
usados es el de la homogeneidad entre los bienes de un mismo mercado. Es decir, aceptamos que
todos los bienes transados cuentan con las mismas caractersticas, por lo que las posibles
caractersticas propias del bien no son determinantes de la cantidad demandada.
Sin embargo, como consumidores sabemos que la mayora de los bienes y servicios que compramos
estn bien diferenciados, y son todo menos homogneos entre s. Es aqu que los precios hednicos
7 El panel de expertos convocados por NOAA public un informe que establece los requisitos tericos y prcticos que
debe cumplir un estudio de VC.

8 En nuestro caso el grupo focal se trat de los compaeros del curso de economa energtica y del medio ambiente de la
U.C.B.

hacen su aparicin y nos dicen que los consumidores estn dispuestos a cambiar su disposicin a
pagar por un bien o servicio, segn los atributos de ste.
Por lo tanto, podemos decir que la diferencia de precios entre bienes con diversos atributos refleja la
valoracin econmica por caractersticas positivas, o por el contrario, caractersticas negativas. En
el caso particular de nuestro trabajo, aplicamos el mtodo de precios hednicos ya que existen
grandes diferencias en la calidad ambiental que se traducen en precios diferenciados para los
diversos lugares que estn sujetos a estudios. Cabe mencionar que este suele ser un precio implcito,
por las caractersticas que cada uno de los lugares posee.
Para poder estimar este precio, es preciso disgregar las diferentes caractersticas que tienen una
influencia directa sobre este y ver el efecto de cada una de ellas. A continuacin desarrollaremos el
modelo general de precios hednicos, donde dejaremos en claro los determinantes del precio
hednico:
a) Modelo general de precios hednicos
Mencionemos que por un lado, los consumidores derivan utilidad de las diversas caractersticas del
bien. A su vez, los productores de estos bienes incurren en costos que dependen de los atributos
asignados al bien en estudio. Finalmente la interaccin entre consumidores y productores en el
mercado determinar la senda de equilibrio del precio.
Las caractersticas particulares de un producto se presentan mediante un vector de diferencias

z=( z 1 , z 2 , , z n ) , donde cada

propiedad es denotada por

zj

denota una de las n caracterstica del bien. Adems, cada

Z 1 , Z 2 , Z Q etc., donde el superndice indica una propiedad distinta

con distinto vector de caracterstica

z 1 , z 2 , , z Q . El precio de venta es una funcin de las

caractersticas de la misma, que se denomina funcin de precios hednicos y se representa:

P=P ( z )=P ( Z ) .

En el caso particular del PUC, el precio de entrada dependera de su localizacin, calidad ambiental,
accesibilidad, seguridad, los diversos espacios recreativos que ofrece a sus visitantes, cercana a
plazas de comidas, etc.
La determinacin de la evolucin del precio hednico en el mercado se explica tanto por el
comportamiento de consumidores como por parte de las firmas. En este modelo hacemos una
abstraccin, donde el consumidor consume solo dos bienes: Z y un bien compuesto X. Como ya es
costumbre, el problema para los consumidores ser 9:

x,
( x , y ) L=U ( z 1 , z 2 , , z n ; j)+ [mxP( z 1 , z 2 , , z n )].
max

Resolviendo el problema primal del consumidor llegamos a la condicin de optimalidad que indica
que la tasa marginal de sustitucin entre cualquiera de las caractersticas y el bien compuesto debe
ser igual al precio marginal de la caracterstica.
Otra manera de representar el problema del consumidor consiste en hallar la funcin de pago por las
caractersticas. Esta funcin representa la cantidad de dinero que la persona j est dispuesto a pagar
por los cambios en las caractersticas en el vector z, dado un nivel de utilidad e ingreso. Finalmente,
esta funcin de pago ser equivalente a la disponibilidad de pago (DAP). La DAP marginal (

z es igual a la tasa marginal de sustitucin, por lo que se requiere es que la DAP marginal sea
j

igual al precio marginal en el mercado:

( z , U 0,j , m , j ) U z P (z)
= =
zi
Ux
zi
i

9 El nivel de consumo del individuo o familia depende del nivel de ingresos denotado por m. La funcin de utilidad del
consumidor j con caractersticas sociodemogrficas

Por su parte, los productores deben escoger un nivel de produccin

Q ( z ) . Adems sus costos

dependern de esta decisin y varan entre las firmas por diferencia tecnolgicas o precios de los
factores. La funcin de costo y beneficio10 son representadas como:

C=C ( Q , z ; k ) ,
=Q k C ( Q , z , k ) .

Cabe mencionar que las empresas deciden respecto a z y Q, ya que estas toman el precio como
dado11, y asumimos que cada una de ellas se encuentra en una situacin conocida como
uniproducto.

De la funcin de beneficio se obtiene la funcin de oferta:

( z , ; k ) , que representa el precio

unitario por cada tipo de producto que la firma k est dispuesta a aceptar para varios diseos de la
vivienda, dado un nivel especfico de beneficios y tecnologa. Dicha funcin de oferta resume el
comportamiento de los productores. Por lo tanto, en equilibrio la derivada esta funcin de oferta
debe ser igual a la derivada de la funcin de precios:

C
(z , , ) P( z) z i
=
=
zi
zi
Q
k

Finalmente, la senda de precio de equilibrio estar sujeta a la interaccin entre consumidores y

oferentes. Por un lado los consumidores desearn pagar el menor precio posible para cumplir su
funcin objetivo (maximizar su utilidad), y por el otro las empresas desearn cobrar el mayor precio
posible para maximizar su beneficio. Nuevamente es el mercado el que se encarga de solucionar
este aparente conflicto entre consumidores y productores, es as que se establece una situacin en la

10 Donde Q es el nmero de unidades producidas y

es un vector de tecnologas especficas y factores de

produccin para la firma k.

11 El precio dado se lo denota como:

P ( z k ) = k .
10

cual los consumidores no puedan incrementar su satisfaccin escogiendo un producto diferente, ni

las firmas puedan aumentar sus beneficios cambiando la cantidad producida.
Habiendo desarrollado todo el mtodo bsico para precios hednicos podemos concluir que la curva
de precios hednicos es la envolvente de las cuervas de oferta de los productores y de la curva de
DAP de los consumidores.
3. Herramientas economtricas12
3.1 Modelo Probit
Como mencionamos, para explicar el comportamiento de una variable dependiente dictoma es
preciso utilizar una funcin de distribucin acumulativa (FDA) seleccionada apropiadamente. El
modelo logit utiliza la funcin logstica acumulativa, pero no es la nica FDA posible. En algunas
aplicaciones, la FDA normal se ha encontrado til. El modelo de estimacin que surge de una FDA
normal se conoce comnmente como modelo probit, aunque algunas veces tambin como modelo
normit. En principio, se puede sustituir la FDA normal por la FDA logstica. Pero en lugar de seguir
este camino, presentaremos el modelo probit basado en la teora de la utilidad, o de la perspectiva
de seleccin racional con base en el comportamiento, segn el modelo desarrollado por McFadden
Para motivar el modelo probit, suponga el ejemplo de propiedad de vivienda, la decisin de la isima familia de tener casa propia o de no tenerla depende de un ndice de conveniencia no
observable Ii (tambin conocido como variable latente), determinado por una o diversas variables
explicativas, digamos, el ingreso Xi, de manera que entre mayor sea el valor del ndice Ii, mayor
ser la probabilidad de que la familia posea vivienda. Expresamos el ndice Ii como:

Ii= 1+ 2 Xi

donde Xi es el ingreso de la i-sima familia.

Sea Y =1 si una familia es propietaria de una casa y Y = 0 si no lo es. Ahora bien, es razonable
suponer que para cada familia hay un nivel crtico o umbral del ndice, que podemos denominar

I i , tal que si

I i excede a

I i , la familia tendr una casa propia, de lo contrario no lo har.

12 La teora de los modelos Logit, Probit y Tobit fueron extractadas del libro:
Econometra, Damodar N. Gujarati, ao 2004.
11

El umbral

I i , al igual que

Ii

no es observable, pero si suponemos que est distribuido

normalmente con las mismas media y varianza, es posible no slo estimar los parmetros, sino
tambin obtener alguna informacin sobre el propio ndice no observable. Este clculo se muestra
de la siguiente manera. Con el supuesto de normalidad, la probabilidad de que

Ii

sea menor o

I i se calcula a partir de la FDA normal estndar como:

igual que

Pi = P(Y = 1 | X) = P( I

Ii ) = P(Zi 1 + 2Xi ) = F(1 + 2Xi )

Donde P(Y = 1| X) significa la probabilidad de que un suceso ocurra dado(s) el (los) valor(es) de X o
la(s) variable(s) explicativa(s), y donde Zi es la variable normal estandarizada; es decir, Z N(0,
2). F es la FDA normal estndar.
Ahora, para obtener informacin sobre Ii, el ndice de utilidad, lo mismo que para 1 y 2, se toma
la inversa:
1

Ii=F (Ii)=F (Pi)

1+ 2 Xi

Donde

F1 es la inversa de la FDA normal.

3.2. Teora Logit

Tomemos el siguiente modelo conocido:
Pi = 1 + 2Xi
Donde X es el ingreso y Pi = E(Yi =1 | Xi) significa que la familia es propietaria de una casa. Pero
considere ahora la siguiente representacin de la propiedad de vivienda:

Pi=

1
(1+ 2

1+e

eZ
1+e Z
i

=
x)
i

12

Donde Zi =1 + 2Xi.
Esto se conoce como la funcin de distribucin logstica (acumulativa).
Ahora si vemos a Pi como la probabilidad de un xito, tomemos el complemento, con lo que se
obtendra lo siguiente:

1Pi=

1
1+ e Z

1Pi=

1+e Z
=e Z
Z
1+ e

Ahora Pi /(1 Pi) es sencillamente la razn de las probabilidades en favor de que se llegue al xito.
Finalmente si tomamos el logaritmo de esta ltima expresin, llegaremos a un resultado muy
interesante:

Li=ln

Pi
=Z i
1P i

( )

1+ 2 xi
es decir, L, el logaritmo de la razn de las probabilidades, no es slo lineal en X, sino tambin
(desde el punto de vista de estimacin) lineal en los parmetros. L se llama logit, y de aqu el
nombre modelo logit.
Veamos los pasos que debemos seguir para estimar el modelo logit:
1.-Para cada nivel de ingreso X, calcule la probabilidad estimada de tener una casa propia como

Pi =

Ni
ni

2.- Por cada Xi, obtenga el logit mediante

^Li=ln

^Pi
^i
1P

( )

3.- Para resolver el problema de heteroscedasticidad, transforme el primer modelo de la siguiente

manera:

wi Li= 1 w i+ 2 wi X i + wi ui
13

Li= 1 wi + 2 w i X i+ v i

4.- Estime por MCO

5.- Establezca intervalos de confianza y/o pruebas de hiptesis dentro del marco usual de MCO,
pero tenga en mente que todas las conclusiones sern vlidas en estricto sentido si la muestra es
razonablemente grande
3.3. Teora de Transformaciones Box-Cox13
Las transformaciones de Box y Cox son una familia de transformaciones potenciales usadas
en estadstica para corregir sesgos en la distribucin de errores, para corregir varianzas desiguales
(para diferentes valores de la variable predictora) y principalmente para corregir la no linealidad en
la relacin (mejorar correlacin entre las variables).
Suponga que tenemos los datos
entre el valor ms grande observado de

para una variable respuesta . Si el cociente

y la ms pequea es considerablemente grande, por decir,

10 o ms, se debe considerar la posibilidad de transformar la variable respuesta . Existen muchos

tipos de transformaciones:
Mtodo 1.
Una idea til en muchas aplicaciones es considerar transformar los datos de la respuesta
potencia,
entonces

, por decir, y encontrar el mejor valor de

, pero si el mejor valor de

fuera

en la
,

, lo cual producira que al transformar los datos, todos seran iguales, lo cual no es

deseable. Por esto este mtodo no es recomendado

Mtodo 2.
Otro mtodo consiste en transformar la variable

en la variable

13 Apuntes, Transformaciones Box-Cox Universidad de Manizales.

14

y as el problema
cuando

en el mtodo 1, ya no se tiene, porque

es el apropiado limite,

tiende a cero, y as la familia es contnua en

Cal es la desventaja?.
La desventaja es que as como

varia, el tamao de los valores transformados de

; es decir

los W's pueden cambiar demasiado, lo que conllevara a problemas menores en el anlisis y
requerira un programa especial para obtener el mejor valor de
Valores muy utilizados del parmetro

son los siguientes:

Transformacin
-1

= 1/Y

-1/2

= 1/

= lg

1/2

=Y

3.4. Modelo Tobit

El modelo Tobit nace como extensin del modelo Probit, desarrollado por el autor del mismo
nombre James Tobin. Para explicar dicho modelo partiremos del mismo ejemplo ilustrativo que
utilizamos en los pasados modelos, la propiedad de viviendas.
En este caso, nuestra preocupacin est en la cantidad de dinero que una persona o familia gaste en
una casa, en relacin con las variables socioeconmicas. Cabe recalcar que dada a la inexistencia
de datos de aquellas personas que no adquieran una propiedad, la informacin que se toma en
15

cuenta es nicamente sobre los consumidores que efectivamente compran una casa. De esta manera,
dividiremos a las familias en dos grupos: n 1, familias sobre las que se posee informacin de las
regresoras (ingreso, tasa de inters hipotecaria, nmero de personas que conforman la familia, etc.)
y la variable regresada (cantidad de gasto en vivienda), y n 2, compuesta por las familias sobre las
cuales nicamente se posee informacin sobre la variable regresada. Esta caracterstica se conoce
como muestra censurada. Por lo tanto, el modelo Tobit tambin se conoce como un modelo de
regresin censurada. En algunos casos, tambin se los denomina modelos de regresin con variable
dependiente limitada debido a la restriccin impuesta sobre los valores tomados por la variable
regresada. Expresando en trminos estadsticos, el modelo Tobit se especifica como sigue:

Y i= 1 + 2 X i + i Si RHS>0
Y i=0 en los dems casos

Finalmente, los modelos Tobit suelen estimarse mediante el mtodo mxima verosimilitud, mtodo
complejo, por lo que en el presente paper se plante un mtodo alternativo relativamente ms
sencillo e intuitivo.
4. Marco Analtico
La encuesta que se realiz tuvo el objetivo de encontrar informacin que nos ayude a determinar
tres modelos valorativos respecto del Parque Urbano Central (PUC) que se especificaran a
continuacin con sus determinadas variables y resultados.
4.1. Modelo de Valoracin Contingente
Como fue mencionado en el marco terico, el modelo de Valoracin contingente nos permitir
obtener una probabilidad de que las personas que visiten el PUC puedan pagar un monto que se
pueda invertir en el mantenimiento del lugar de acuerdo a su disposicin a pagar. Para definir
nuestro modelo, resaltamos tres regresiones probabilsticas utilizando el modelo Probit como
tambin para el modelo Logit y definir cul puede ajustarse ms a nuestras variables.

16

Nuestro primer modelo cuenta como variable dependiente la posibilidad de pagar o no por el
mantenimiento del PUC sujeta a variables socioeconmicas y esencialmente a la disposicin a
pagar (DAP). A continuacin presentamos dicho modelo desde la primera regresin.
Ec1 probit dapcadav dap visitaPUC sexo edad paceo estado zona ingreso hijos gasto , robust
Iteration 0: log pseudolikelihood = -250.11035
Iteration 1: log pseudolikelihood = -240.9145
Iteration 2: log pseudolikelihood = -240.27427
Iteration 3: log pseudolikelihood = -240.27345
Iteration 4: log pseudolikelihood = -240.27345
Probit regression

Number of obs
Wald chi2(10)
Prob > chi2
Pseudo R2

Log pseudolikelihood = -240.27345

dapcadav

Coef.

dap
visitaPUC
sexo
edad
paceo
estado
zona
ingreso
hijos
gasto
_cons

-.0089782
-.0188972
-.1929603
-.0004317
.0022332
.0882638
.0078121
-.0000101
-.0802267
.0062122
.2117925

Robust
Std. Err.
.0031462
.0138134
.1382917
.0099626
.174861
.0889894
.0580383
.0000361
.0842172
.0031755
.3258371

z
-2.85
-1.37
-1.40
-0.04
0.01
0.99
0.13
-0.28
-0.95
1.96
0.65

P>|z|
0.004
0.171
0.163
0.965
0.990
0.321
0.893
0.779
0.341
0.050
0.516

=
=
=
=

363
17.05
0.0733
0.0393

[95% Conf. Interval]

-.0151446
-.045971
-.4640072
-.019958
-.3404881
-.0861523
-.1059408
-.0000809
-.2452895
-.0000117
-.4268364

-.0028117
.0081766
.0780865
.0190947
.3449544
.2626798
.121565
.0000607
.084836
.0124361
.8504215

La ecuacin 1 (Ec 1) nos define las variables que en marginalidad afectan al modelo y lo que el
programa STATA nos defini es que la nica variable significativa es la disposicin a pagar de
nuestra muestra y adems el coeficiente es negativo, lo cual se valida con la teora. Antes de
encontrar la probabilidad del modelo definiremos dos modelos ms y mediante el criterio Akaike
estableceremos cul es el ms ajustable.
El siguiente modelo tendr nicamente a las tres variables socioeconmicas ya que con la primera,
definimos que no son significativas y las menos alejadas son: sexo, edad y estado (conjunto de
estado civil).
Ec 2 probit dapcadav dap visitaPUC sexo edad estado gasto , robust
Iteration 0: log pseudolikelihood = -264.05193
Iteration 1: log pseudolikelihood = -254.7414

17

Iteration 2: log pseudolikelihood = -254.11719

Iteration 3: log pseudolikelihood = -254.11668
Iteration 4: log pseudolikelihood = -254.11668

Probit regression

Number of obs
Wald chi2(6)
Prob > chi2
Pseudo R2

Log pseudolikelihood = -254.11668

dapcadav

Coef.

dap
visitaPUC
sexo
edad
estado
gasto
_cons

-.0089782
-.0259646
-.1866903
-.0048618
.04494
.006008
.3610573

Robust
Std. Err.
.0030454
.0129061
.1322948
.0070878
.0855156
.003056
.2116612

z
-2.95
-2.01
-1.41
-0.69
0.53
1.97
1.71

P>|z|
0.003
0.044
0.158
0.493
0.599
0.049
0.088

=
=
=
=

383
17.65
0.0072
0.0376

[95% Conf. Interval]

-.0149469
-.05126
-.4459834
-.0187536
-.1226676
.0000184
-.0537909

-.0030094
-.0006692
.0726027
.00903
.2125476
.0119977
.7759056

Como pas con el primer modelo, la disposicin a pagar es la variable significativa y guarda su
resultado terico con el signo negativo del coeficiente. Ahora el gasto y las visitas al PUC tambin
se vuelven significantes al 5% por lo cual podemos ampliar el modelo y encontrar la probabilidad
de modelo. Finalmente un modelo ms sencillo que formularemos ser la Ec 3 donde se define lo
siguiente:
Ec 3 probit dapcadav dap visitaPUC gasto, robust
Iteration 0: log pseudolikelihood = -264.05193
Iteration 1: log pseudolikelihood = -255.86306
Iteration 2: log pseudolikelihood = -255.36986
Iteration 3: log pseudolikelihood = -255.36941
Iteration 4: log pseudolikelihood = -255.36941

18

Probit regression

Number of obs
Wald chi2(3)
Prob > chi2
Pseudo R2

Log pseudolikelihood = -255.36941

dapcadav

Coef.

dap
visitaPUC
gasto
_cons

-.0087442
-.0252688
.006018
.1795897

Robust
Std. Err.

.0030682
.0130506
.0030899
.1035091

-2.85
-1.94
1.95
1.74

P>|z|
0.004
0.053
0.051
0.083

=
=
=
=

383
14.08
0.0028
0.0329

[95% Conf. Interval]

-.0147578
-.0508475
-.000038
-.0232845

-.0027307
.0003098
.012074
.3824639

Es as que obtenemos que casi todas nuestras variables son significativas y especialmente la
disposicin a pagar sin cambiar el signo del coeficiente.
Entonces utilizando el criterio de bondad de ajuste del pseudo R2, definimos que nuestro modelo
ser la Ec 3 ya que a pesar de tener una bondad muy baja es la que presenta un valor mayor en
cuestin de capacidad explicativa, en comparacin de los otros dos con 0.0393. Es as que a partir
de dicha regresin calculamos los efectos marginales de las variables significativas.
Marginal effects after probit
y = Pr(dapcadav) (predict)
= .54218204
variable
dap
visita~C
sexo*
edad
paceo*
estado
zona
ingreso
hijos
gasto

dy/dx
-.0035617
-.0074967
-.0763443
-.0001712
.000886
.0350151
.0030991
-4.02e-06
-.0318268
.0024644

Std. Err.
.00125
.00548
.05448
.00395
.06938
.03531
.02302
.00001
.03341
.00126

z
-2.85
-1.37
-1.40
-0.04
0.01
0.99
0.13
-0.28
-0.95
1.96

P>|z|

95% C.I.

0.004
0.171
0.161
0.965
0.990
0.321
0.893
0.779
0.341
0.050

-.006011 -.001112
-.018234
.00324
-.183128 .030439
-.007918 .007575
-.135095 .136867
-.034186 .104217
-.042028 .048226
-.000032 .000024
-.097318 .033665
-3.0e-06 .004932

X
15.6088
3.22039
.553719
29.168
.804408
1.55923
2.23691
2737.27
.760331
23.5689

(*) dy/dx is for discrete change of dummy variable from 0 to 1

Nuestras variables significativas son: dap y gasto ya que su valor p se encuentra por debajo de 0.05
y que pueden explicar estadsticamente nuestro modelo.
Primeramente, interpretando el gasto, podemos inferir que por cada aumento marginal de ste, la
probabilidad de que la gente pague por el PUC aumentara en un 0.25% que puede referirse a que si
el gasto en el que se incurre en cualquier actividad en el PUC es mayor, la probabilidad de pagar
ms por su mantenimiento sera mayor. Por otra parte la variable crucial del modelo radica en la
19

disposicin a pagar de la gente en una primera instancia, el efecto marginal indica que a medida que
dicha variable aumente en una unidad, la probabilidad de que la gente pague por el mantenimiento
reducir en un 0.356%. Es as que la probabilidad resultante de todo nuestro modelo es 54.22% de
que la gente pague un monto por el mantenimiento del PUC.
Finalmente la DAP que calcularemos estar sujeta a los coeficientes de la dap y la constante, que
nos otorgar un monto en bolivianos que sea el valor final por el mantenimiento del PUC. La
ecuacin 1 (Ec 1) est caracterizada de la siguiente manera:

Prob ( dapcadavisi=1 )= 0 + 1 dap+ 2 visitPUC + 3 sexo+ 4 edad + 5 paceo+ 6 1 aceo +UC+e la siguiente maneran

DAP=

DAP=

0
1

0.21179
0.0089782

Y como resultado obtenemos que la DAP = 23.5 Bs. Lo cual debera pagarse por el mantenimiento
del PUC aproximadamente cada vez que se lo visite, sin embargo coincidimos que es un valor muy
alto y esto puede deberse en alguna deficiencia en la recoleccin de datos o las valoraciones (dap)
que se recopilaron.
Ahora de la misma forma intentaremos definir nuestro modelo en el mismo orden de agregacin de
variables para tres ecuaciones con la regresin probabilstica logit. Comenzaremos con la misma
especificacin de la Ec 1 para analizar el comportamiento de la regresin hasta la Ec 3.
Ec 4 logit dapcadav dap visitaPUC sexo edad paceo estado zona ingreso hijos gasto , robust
Iteration 0: log pseudolikelihood = -250.11035
Iteration 1: log pseudolikelihood = -240.81219
Iteration 2: log pseudolikelihood = -240.2418
Iteration 3: log pseudolikelihood = -240.24086
Iteration 4: log pseudolikelihood = -240.24086

20

Logistic regression

Number of obs
Wald chi2(10)
Prob > chi2
Pseudo R2

Log pseudolikelihood = -240.24086

dapcadav

Coef.

dap
visitaPUC
sexo
edad
paceo
estado
zona
ingreso
hijos
gasto
_cons

-.0144697
-.0309105
-.3099637
-.0003326
-.0095079
.1379543
.0132627
-.0000169
-.1318088
.0106295
.3382581

Robust
Std. Err.
.0052046
.0221119
.2237712
.0162575
.2862743
.1454938
.0941207
.000061
.1385601
.0056402
.5319836

z
-2.78
-1.40
-1.39
-0.02
-0.03
0.95
0.14
-0.28
-0.95
1.88
0.64

P>|z|
0.005
0.162
0.166
0.984
0.974
0.343
0.888
0.781
0.341
0.059
0.525

=
=
=
=

363
15.86
0.1037
0.0395

[95% Conf. Interval]

-.0246706
-.074249
-.7485471
-.0321967
-.5705951
-.1472083
-.1712106
-.0001364
-.4033816
-.0004252
-.7044106

-.0042687
.012428
.1286198
.0315315
.5515793
.4231169
.1977359
.0001026
.1397641
.0216842
1.380927

Afortunadamente la disposicin a pagar es significativa al 5% y el gasto podra ser significativa al

10%, sin embargo todas las dems variables no lo son, lo mismo que ocurri con la regresin probit
(Ec 1), entonces utilizando las variables socioeconmicas que no se encuentran tan alejadas del
rango de significancia, planteamos el siguiente modelo:
Ec 5 logit dapcadav dap visitaPUC sexo edad estado gasto , robust
Iteration 0: log pseudolikelihood = -264.05193
Iteration 1: log pseudolikelihood = -254.60794
Iteration 2: log pseudolikelihood = -254.07808
Iteration 3: log pseudolikelihood = -254.077
Iteration 4: log pseudolikelihood = -254.077

Logistic regression

Log pseudolikelihood =

dapcadav

Coef.

dap
visitaPUC
sexo
edad
estado
gasto
_cons

-.014511
-.0416783
-.2980808
-.0076041
.0675472
.0103376
.5697919

Number of obs
Wald chi2(6)
Prob > chi2
Pseudo R2

-254.077

Robust
Std. Err.
.0050556
.0205792
.2139405
.0115898
.1403673
.005467
.3454207

z
-2.87
-2.03
-1.39
-0.66
0.48
1.89
1.65

P>|z|
0.004
0.043
0.164
0.512
0.630
0.059
0.099

=
=
=
=

383
16.56
0.0111
0.0378

[95% Conf. Interval]

-.0244198
-.0820128
-.7173964
-.0303197
-.2075676
-.0003775
-.1072203

-.0046023
-.0013439
.1212348
.0151116
.342662
.0210527
1.246804

Que de igual manera encontramos a la dap significativa y a las visitas al PUC con una p menor a
0.05 sin tener a ninguna ms dentro de ese rango. Finalmente el ltimo modelo fue:
21

Ec 6 logit dapcadav dap visitaPUC gasto, robust

Iteration 0: log pseudolikelihood = -264.05193
Iteration 1: log pseudolikelihood = -255.6546
Iteration 2: log pseudolikelihood = -255.27909
Iteration 3: log pseudolikelihood = -255.27827
Iteration 4: log pseudolikelihood = -255.27827

Logistic regression

Number of obs
Wald chi2(3)
Prob > chi2
Pseudo R2

Log pseudolikelihood = -255.27827

dapcadav

Coef.

dap
visitaPUC
gasto
_cons

-.0142056
-.0406631
.0105042
.275956

Robust
Std. Err.
.0050805
.0208666
.0055145
.169251

z
-2.80
-1.95
1.90
1.63

P>|z|
0.005
0.051
0.057
0.103

=
=
=
=

383
13.41
0.0038
0.0332

[95% Conf. Interval]

-.0241632
-.0815609
-.000304
-.0557698

-.0042479
.0002346
.0213124
.6076818

Para este ltimo modelo, encontramos significativas a todas las variables al 10% y al 5%
nicamente la dap. Pero antes de analizar los efectos marginales definiremos cul de las tres
regresiones ser la mejor ajustada y con la cual de forma anloga a la del procedimiento del modelo
probit, encontraremos una DAP calculada con los coeficientes de la regresin.
Dado el pseudo R2 definimos a la ecuacin 4 (Ec 4) como la que presenta una bondad de ajuste
mayor a las otras dos con un 0.0395 aunque la diferencia sea menor entre los modelos. A
continuacin presentamos los efectos marginales.

22

Marginal effects after logit

y = Pr(dapcadav) (predict)
= .54305001
variable
dap
visita~C
sexo*
edad
paceo*
estado
zona
ingreso
hijos
gasto

dy/dx

Std. Err.

-.0035906
-.0076703
-.0766517
-.0000825
-.0023588
.0342329
.0032911
-4.20e-06
-.0327079
.0026377

.00129
.00548
.05503
.00403
.071
.03611
.02336
.00002
.03439
.0014

z
-2.78
-1.40
-1.39
-0.02
-0.03
0.95
0.14
-0.28
-0.95
1.89

P>|z|

95% C.I.

0.006
0.162
0.164
0.984
0.973
0.343
0.888
0.781
0.342
0.059

-.006126 -.001055
-.018418 .003077
-.18451 .031207
-.007989 .007824
-.141517
.1368
-.036544
.10501
-.042485 .049067
-.000034 .000025
-.100116
.0347
-.000102 .005377

X
15.6088
3.22039
.553719
29.168
.804408
1.55923
2.23691
2737.27
.760331
23.5689

(*) dy/dx is for discrete change of dummy variable from 0 to 1

Para este modelo, encontramos que la dap es significativa con un valor p inferior a 0.05 y el signo
negativo nos indica que dado un aumento marginal en la variable, la probabilidad de pago por el
mantenimiento del PUC disminuir en un 0.359%. Finalmente la probabilidad de pago por el PUC
del modelo en su conjunto es de un 54.3% y que a partir de la especificacin de la regresin
obtenemos que (Asumiendo como en el modelo probit

el coeficiente constante y

el

coeficiente de la dap):

DAP=

DAP=

0
1

0.33825
0.01447

El resultado que obtenemos que la DAP = 23.4 Bs. Lo cual debera pagarse aproximadamente por el
mantenimiento del PUC cada vez que se lo visite, sin embargo coincidimos como en el modelo
probit que es un valor muy alto y esto puede deberse a alguna deficiencia en la recoleccin de datos.
Sin embargo es importante notar que estadsticamente llegamos casi a la misma DAP con ambos
modelos probabilsticos.
4.2. Modelo de precio hednicos
Para la estimacin del modelo con el respectivo mtodo, pasaremos a explicar cules son los
principales atributos del PUC por el cual un usuario estara dispuesto a pagar. Intentaremos estimar
la disposicin marginal a pagar de la persona por cada visita al parque.
Para este objetivo tomares el siguiente modelo:

23

P=f ( S , A , E)

Que nos indica que los precios sern una funcin de:
A: vector de las diferentes actividades que se realizan dentro del PUC.
S: vector de caractersticas observables y no, del parque.
E. variables socioeconmicas.
Para la estimacin del modelo tomamos las siguientes variables obtenidas a partir de la encuesta
realizada:

Las variables que determinan las actividades que realizan dentro del PUC: aparatos,
caminata, deporte, laikakota, parrillero, no recreativas (actividades no recreativas) y la
variable dicotmica actividades que recoga la informacin si efectivamente las personas
van a realizar alguna de las tareas ya mencionadas.

Las variables que recogen diferentes caractersticas del bien: accesibilidad, comida,
mantenimiento, necemante (necesidad de mantenimiento) y seguridad.

Las variables socioeconmicas, que recogen informacin sobre la situacin civil, su lugar
de nacimiento, lugar donde reside actualmente, su sexo, edad, etc.

Como variable dependiente usamos

la disposicin a pagar de las persona, como

aproximacin del precio que pagara por este lugar recreacional.

El modelo quedar de la siguiente manera:
DPA=f( accesibilidad, actividades, alto, aparatos, boliviano, caminata, casado, central,
comida, deporte, divorciado, edad, este, hijos, instruccin, laikakota, mantenimiento,
necemante, norecreativas, norte, paceo, paisaje, parrillero, seguridad, sexo, soltero, sur,
unin, viudo.)
El mtodo para estimar la ya mencionada funcin fue transformaciones Box-Cox. Del cual en una
primera corrida obtuvimos variables no significativas, y otras significativas. Pero al final el modelo
obtenido ser el siguiente:

24

f ()

DAP0.1 =

25

Entonces el modelo queda de la siguiente manera:

DAP0.1 = 1 boliviano0.1+ 2 instruccion0.1+ 3 laikako ta0.1 + 4 necemante 0.1 +

5 paisaje0.1 + 6 seguridad0.1 + 7 sexo 0.1
FALTA EXPLICACION
4.3. Modelo de Costo de Viaje
Para el clculo de esta metodologa utilizando la encuesta del PUC, como la teora nos indica,
calcularemos un costo al que el visitante tendr que incurrir cuando quiera ir al PUC. Para ello
utilizaremos el modelo tobit que mida las visitas al PUC sujeto al costo de transporte esencialmente,
variables relacionadas y las variables socioeconmicas. Lo que nos interesa es que los coeficientes
de la constante y la del costo de transporte sean significativos, adems que encontremos una
relacin inversa entre el costo y las visitas.
Nuestro primero modelo nos indica que realizaremos la regresin en base a todas las variables
mencionadas pero previamente definiremos que la media de las visitas al PUC es la siguiente:

Mean estimation

Number of obs

Mean
visitaPUC

3.207071

396

Std. Err.

[95% Conf. Interval]

.2449988

2.725406

3.688735

26