IBM SPSS Statistics 22

VALORACIÓN CONTINGENTE
*Etiqueta: nombre completo de la varible abreviada

*Valores: para variable cuantitativas (edad, etc) Con numérico no se activa esta opción

*Perdidos: se aparecen valores perdidos se vuelve a la base de datos (opción vista de dedatos ) y corregimos el error.

*Alineación: a la derecha al trabajar con números

GÉNERO: 1: VARÓN, 2: MUJER

Usar Valores:
Género: nominal

Nivel de instrucción: Ordinal

Vista de datos:

Bajamos la información de las encuestas

TRABAJAMOS CON UNA BASE DE DATOS

 Valoración contingente
DAP=f(NI,EDAD,GÉNERO, OCUPACIÓN….E)
Trabajamos con las personas que responden SI a la DAP (están dispuestos a pagar) (MODELO LINEAL
MULTIVARIADA)

 DAP = f(NI, EDAD…)

Incluye a los que responden SÍ o NO (a este modelo se le llama MODELO LOGÍSTICO BINARIO)
Usamos la opción de estadísticos descriptivos:
Luego copiamos los cuadros o gráficos requeridos.

Modelo lineal multivariada:

DAP: Variable dependiente.

EDAD, GÉNERO, ETC: Variable independiente.

Durbin-Watson: ayuda a descartar la colinealidad.
ZPRED: Da el comportamiento esperado de la relación entre las variables, su residuo va en X
Cuando usamos el modelo lineal multivariada se busca que la DAP = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 (Opción DfBetas)
Incluir la constante en la ecuación para que aparezca Bo
 Si cambia el género cambia la DAP, un valor negativo no tiene sentido lógico

Todos las variables cuyos niveles de significancia es menor a 0.05 tienen significancia estadística

Las correlaciones se aceptan como válidas cuando hay valores iguales o menores de nivel de significancia es
0.05 (límite para aceptar la variable dentro del modelo)

Edad y grupo ocupacional no deben estar en el modelo pues son mucho más que 0.05. Se eliminarán en la
2da corrida
 CUADRO “RESUMEN DEL MODELO”

R2: coeficiente de determinación

R: Coeficiente de asociación que existe entre las variables

R y R2 deben ser lo más próximos posibles a la unidad (trabajos con valores de 24, 30, 40% no tienen validez)

Cuando r y r2 son menores al 50% no está claro que las variables expliquen el modelo.

CUADRO “ANOVA”

Regresión válida. Si fuese un valor mayor a 0.05 se debería cambiar el modelo.

CUADRO “COEFICIENTES”
Bo=lo marcado en círculo

B1=NI

B2=Género…

CUADRO “ESTADÍSTICA DE RESIDUOS”

Encuestas realizadas.
 GRÁFICAS

Diagonal: Datos esperados.

Los datos dispersos: Datos observados en la encuesta

2DA CORRIDA
Eliminaremos edad y grupo ocupacional
Aceptar

Para efecto de análisis se toma R2 ajustado

El R2 sólo ha disminuido de 0.906 a 0.904 (2 céntimos) entre la 1ra y 2da corrida. Usaremos el 2do modelo
(modelo ideal) pues en él ya no están las variables con poca significancia.

Luego en nuestra base de datos eliminamos las variables generadas por el software

SEGUNDA BASE DE DATOS

Continuar/aceptamos…
 Modelo
significativo

Para darle valor al modelo nos quedamos con el análisis del Chi-cuadrado

En el siguiente paso se debe eliminar: NI, EDAD, GRUPO OCUPACIONAL

2DA CORRIDA:
El NIVING explica el modelo pero con bajo valor -0.002

MODELO LINEAL MULTIVARIADO

Ho=negación de la hipótesis de trabajo

Se rechaza cuando el valor de las Bi es igual a cero =aceptar H1 (hipótesis alternativa.

MODELO LOGÍSTICO BINARIO

Ho= se rechaza cuando los estadísticos de Wald es igual a cero, para aceptar la H1=los valores deben ser
diferentes de cero
 COSTO DE VIAJE

Pasar la información del Excel al IBM SPSS

MODELO LINEAL MULTIVARIABLE

 Proporción en la que disminuirá las
visitas al lugar debido al aumento
en una unidad monetaria del costo
de viaje al lugar

Eliminamos ingreso familiar o por

grupo y perspectiva del visitante
por ser mayores a 0.05

2DA CORRIDA: ELIMINAMOS LAS VARIABLES NO SIGNIFICATIVAS

R2 tiene un valor bajo, pero con la información proporcionada por ANOVA
(valor de 5) se pude aceptar el modelo pero con reserva.

El precio completo de viajes al lugar es la variable que mejor explica el modelo.

Número de personas que acompañan al visitante también es importante pero

en menor medida.