Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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:
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
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.
siguientes:
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.
m =d+ wT
Px =( c 1+ w t 1 ) +(c 2 +w t 2)
c 1+ w t 1
wT
c 2+ w t 2
representa el costo de
permanencia en el sitio.
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.
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.
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
zj
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
( 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
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.
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
P ( z k ) = k .
10
Ii= 1+ 2 Xi
I i , tal que si
I i excede a
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
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
igual que
Pi = P(Y = 1 | X) = P( I
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
Donde
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
^Li=ln
^Pi
^i
1P
( )
wi Li= 1 w i+ 2 wi X i + wi ui
13
Li= 1 wi + 2 w i X i+ v i
fuera
en la
,
, lo cual producira que al transformar los datos, todos seran iguales, lo cual no es
en la variable
y as el problema
cuando
es el apropiado limite,
Cal es la desventaja?.
La desventaja es que as como
; 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
Transformacin
-1
= 1/Y
-1/2
= 1/
= lg
1/2
=Y
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
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
-.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
Probit regression
Number of obs
Wald chi2(6)
Prob > chi2
Pseudo R2
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
-.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
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
-.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
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
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
-.0042687
.012428
.1286198
.0315315
.5515793
.4231169
.1977359
.0001026
.1397641
.0216842
1.380927
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
-.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
Logistic regression
Number of obs
Wald chi2(3)
Prob > chi2
Pseudo R2
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
-.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
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
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.
24
f ()
DAP0.1 =
25
Mean estimation
Number of obs
Mean
visitaPUC
3.207071
396
Std. Err.
.2449988
2.725406
3.688735
26