Está en la página 1de 21

DIFUSION

Revista ABANTE,
DE INTERNET
Vol. 3, Nº
EN2,CHILE
pp. 143-163 (octubre 2000) 143

DIFUSION DE INTERNET EN CHILE*

PABLO MARSHALL**

ABSTRACT

The Internet has changed the way companies and persons communicate.
This paper considers the diffusion of Internet in Chile. Using traditional
methods in marketing, particularly the Bass model, the potential number
of Internet users and the characteristics of the diffusion process are
estimated, in terms of innovation and imitation factors, are estimated.
A new methodology, applied to the Bass model, where the coeficients
of the model change over time according to a stochastic process, is
also presented. The estimation process is carried out with a filter based
on simulations.
The results show that the diffusion process of Internet in Chile is
determined, almost completely, by imitation factors and that this
characteristic has changed very little over the last years. On the other
hand, the potential number of users has changed during the diffusion
process. With data up to the end of 1999, the potential number of users
is estimated to be 8 million.

Keywords: Bass Model, Montecarlo Simulation, Diffusion Models,


Internet
JEL Classification: M31.

RESUMEN

La introducción de Internet está produciendo cambios importantes en


la forma cómo se relacionan las empresas y las personas. En este ar-
tículo se estudia el proceso de difusión de Internet en Chile. A partir
de metodologías tradicionales en marketing, en particular el modelo
de Bass, se estima el número potencial máximo de usuarios de Internet
y las características del proceso de difusión en cuanto a la importan-
cia de los factores de innovación e imitación. El trabajo presenta una

* El autor agradece los comentarios de tres árbitros anónimos y de los participantes del
Seminario de Investigación de la Escuela de Administración, P.U.C. de Chile. Este trabajo
fue financiado parcialmente por fondos de investigación de la V.R.A. de la P.U.C. de
Chile.
** Profesor de la Escuela de Administración, Pontificia Universidad Católica de Chile.
E-mail pmarshal@volcan.facea.puc.cl
144 REVISTA ABANTE, VOL. 3, Nº 2

nueva metodología, que es aplicada al modelo de Bass, en la cual los


coeficientes del modelo varían de acuerdo a un proceso estocástico y
la estimación se realiza mediante un filtro basado en simulaciones.
Los resultados muestran que la difusión de Internet en Chile está de-
terminada casi completamente por factores de imitación y que esta ca-
racterística ha variado muy poco durante el proceso. El número po-
tencial de usuarios, en cambio, ha disminuido en el proceso de difu-
sión y, con datos hasta fines de 1999, se estima que puede llegar a 8
millones.

La introducción de Internet está produciendo cambios sustanciales en la


forma cómo se relacionan las empresas, en la forma cómo se organizan los
mercados y en la forma cómo las personas trabajan, se educan, ahorran,
consumen y se entretienen. Este proceso, que da origen a la llamada nueva
economía, ha tenido un notable desarrollo en Chile así como en todo el
mundo.
El desarrollo masivo de Internet en Chile se inicia en 1995 cuando las
empresas de telecomunicaciones ofrecen por primera vez servicios de
conexión a personas y empresas. Desde entonces el crecimiento, en térmi-
nos del número de usuarios conectados a Internet, ha sido muy rápido. Se
estima que a fines de 1999 el número de usuarios con acceso a Internet en
Chile llegaba a 600.000, lo que representa un 4% de la población total.
El propósito de este estudio es analizar el desarrollo de Internet en Chile
en términos del número de usuarios con el propósito de explicar las carac-
terísticas del proceso de difusión de esta nueva tecnología y poder predecir
el crecimiento en el número de nuevos usuarios. El estudio constituye un
aporte, a nuestro juicio, al cuantificar el tamaño del mercado potencial para
muchas empresas que están iniciando negocios a través de Internet. La
proyección del mercado de usuarios de Internet constituye también un aporte
para obtener estimaciones del alcance que podrían tener en el futuro las
estrategias publicitarias por esta vía.
Una forma natural de estudiar este desarrollo es mediante los modelos
de difusión de innovaciones utilizados en marketing. El propósito de estos
modelos es explicar y predecir la difusión de innovaciones, nuevos produc-
tos o servicios a través del tiempo. El modelo más utilizado en este contexto
es el de Bass (1969), que integra los desarrollos previos de Fourt y Woodlock
(1960) y Mansfield (1961). El modelo de Bass tiene la forma
dN (t )  
=  p + N ( t )  (m − N (t ) )
q (1)
dt  m 
DIFUSION DE INTERNET EN CHILE 145

Donde N(t) es el número acumulado de usuarios o adoptadores de la


innovación al tiempo t, p es el coeficiente de innovación, q es el coeficiente
de imitación y m es el máximo número de potenciales adoptadores. La
ecuación diferencial (1) establece que el número de nuevos adoptadores en
un instante de tiempo está determinado, en primer lugar, por la expresión
p(m-N(t)) que representa a los innovadores que adoptan la innovación o el
producto debido a fuerzas externas, como publicidad, precio o promociones
y, en segundo lugar, por la expresión (qN(t)/m)(m-N(t)) que representa a los
imitadores que adoptan la innovación por influencias internas, como la imi-
tación de previos adoptadores. La solución de la ecuación (1), si N(0) = 0,
está dada por

1 − e − ( p+ q )t (2)
N (t ) = m
1 + ( q / p) e− ( p+ q )t

En esta expresión, el número total de adoptadores depende del tiempo y


de los tres coeficientes que determinan el proceso de difusión. Se puede
establecer que el momento peak, en el cual el número de nuevos adoptadores
es máximo, se produce en el tiempo

1
t* = − log( p / q)
p +q

y que el número acumulado de adoptadores, en el tiempo peak está dado


por

1 p 
N (t * ) = m − 
 2 2q 
Los coeficientes p, q y m son desconocidos y pueden ser estimados en base
a información previa del proceso de difusión, o en base a información
histórica del número de adoptadores.
146 REVISTA ABANTE, VOL. 3, Nº 2

En este trabajo se estima el proceso de difusión del número de usuarios


de Internet en Chile. Además de obtener estimaciones de los coeficientes
p, q y m, el trabajo presenta una innovación metodológica en la estimación
del modelo de Bass, al permitir a los coeficientes que determinan el proceso
de difusión evolucionar en el tiempo de acuerdo a un proceso estocástico.
Más aún, el proceso de estimación está basado en un filtro que no requiere
aproximaciones lineales de la ecuación (2). Lo anterior adquiere importan-
cia por cuanto en un proceso de difusión, como es el de Internet en Chile;
los coeficientes del modelo presumiblemente están sujetos a constantes
cambios. La publicidad de las empresas, que ofrecen el servicio de co-
nexión, los cambios en los precios de los servicios de conexión, los cambios
culturales en la comunicación y el traspaso de información entre personas
y entre empresas, hace que los coeficientes p, q y m evolucionen constan-
temente.
La metodología presentada en este estudio se puede extender sin mayo-
res complicaciones conceptuales al caso en que los coeficientes p, q y m
dependen, parcialmente, de variables exógenas como en los desarrollos de
Hernes (1976), Mahajan y Petterson (1979), Sharif y Ramanathan (1981),
Easingwood, Mahajan y Müller (1983), Kalish (1985) y Kalish y Sen (1986).
Los principales resultados de este estudio muestran que el proceso de
difusión de Internet en Chile está determinado casi completamente por la
imitación de la conducta de previos adoptadores. Mientras el coeficiente q
estimado para el final de la muestra disponible es 0,158, el coeficiente de
innovación p, al final de la muestra, es igual a 0,880 X 10-6; prácticamente
igual a cero. El coeficiente que evoluciona en mayor medida es m. Este
parámetro cambia de 8,8 millones de personas a comienzos de 1998 hasta
8,0 millones de personas a fines de 1999. Si bien estos resultados muestran
la conveniencia de estimar el modelo con coeficientes variables, el principal
indicador de la bondad del ajuste con coeficientes variables, por sobre el
modelo estimado con coeficientes fijos, está dado por los errores de predic-
ción fuera de muestra. En el caso del modelo con coeficientes variables, la
raíz del error cuadrático medio de las predicciones fuera de muestra en los
últimos 12 meses es 16,36, mientras que en el caso del modelo de coefi-
cientes constantes este valor llega a 23,16.
Además de esta introducción, el trabajo se organiza de la siguiente manera:
En la Sección 1 se presentan los datos históricos disponibles de distintas
fuentes sobre el número de usuarios de Internet en Chile. En la Sección 2
DIFUSION DE INTERNET EN CHILE 147

se presenta la estimación del modelo de Bass en su forma tradicional, que


supone que los coeficientes del modelo no cambian en el proceso de difu-
sión. En la Sección 3 se flexibiliza el modelo de Bass para permitir que p,
q y m evolucionen de acuerdo con el proceso de difusión. Finalmente, en
la Sección 4 se presentan las conclusiones del trabajo. En un apéndice se
muestran los principales aspectos de la metodología de estimación del modelo
con coeficientes variables.

I. ESTADISTICAS DE USUARIOS DE INTERNET

No existe una gran cantidad de información histórica en relación al


número de usuarios de Internet en Chile. Si bien se dispone de varias
fuentes de información, éstas no son completas y contienen supuestos que
hacen que deban ser consideradas más estimaciones que datos efectivos.
Este hecho está determinado, fundamentalmente, por la existencia de difi-
cultades naturales para medir el número de usuarios de Internet. El servicio
que proveen las empresas de telecomunicaciones es una conexión a un
computador, la cual puede ser usada por varias personas. El número de
personas que accede a una conexión o cuenta puede ser muy variable,
según las características de los usuarios, y podría cambiar de manera im-
portante a través del tiempo. Estas diferencias se podrían producir por
cambios en la composición de las empresas y hogares, en el número de
cuentas o conexiones y por cambios en el número de personas que acceden
a Internet desde una empresa o un hogar. Desde esta perspectiva, una
mejor cuantificación del número de usuarios se debiera poder obtener con
información proporcionada directamente por personas y empresas. Pero,
naturalmente, esta información se recibe a través de encuestas realizadas
a una muestra de la población por lo que, nuevamente, se trata de valores
estimados.
Una primera fuente de información está constituida por la encuesta de
la Facultad de Economía de la Universidad de Chile, realizada a hogares a
fines de 1999 para el Gran Santiago. Ella recoge información sobre el
número de usuarios de Internet y sobre características de estos usuarios.
Una de las preguntas de esta encuesta se refiere al tiempo de adopción de
Internet y, mediante las respuestas a esta pregunta, se pueden establecer
algunos antecedentes históricos en relación al número de usuarios a través
del tiempo. La encuesta de la Universidad de Chile no tiene cobertura
nacional, sino sólo de Santiago.
148 REVISTA ABANTE, VOL. 3, Nº 2

Una segunda fuente de información es la Subsecretaría de Telecomuni-


caciones del Ministerio de Transporte y Telecomunicaciones (Subtel), que
dispone de datos históricos respecto del número de cuentas y del número
de usuarios de Internet en los dos últimos años, al suponer una cantidad fija
de usuarios por cuenta. Esta información esta disponible sólo para algunos
meses en los últimos años. Otra fuente de información se refiere a la
encuesta realizada por Internet Software Consortium en la cual se deter-
mina, mediante un proceso de búsqueda automática, el número de hosts con
terminación .cl. Aunque esta encuesta se realiza semestralmente desde
1995, contiene un cambio metodológico en 1998, lo cual hace imposible
disponer de una serie homogénea para un período largo. Además, el número
de hosts no es necesariamente un buen indicador del número de usuarios,
por cuanto a través del tiempo puede haber variado de manera importante
el número de usuarios por host.
Finalmente, el trabajo de Utreras (2000) estima el número de usuarios de
Internet a partir del número de cuentas y haciendo una estimación diferen-
ciada del número de usuarios por cuenta en empresas y hogares.
La Figura 1 muestra las observaciones del número de usuarios de Internet
de acuerdo con la información de Utreras (2000) y el Cuadro 1 presenta
indicadores descriptivos básicos para estas estadísticas. El número de usua-
rios, según Utreras (2000), ha aumentado de 100.000 a comienzos de 1998
a 600.000 a fines de 1999. Estos datos son levemente menores a los
reportados por la Subtel, que establece que a mediados de 1998 el número
de usuarios era cercano a 200.000 y que a fines de 1999 el número era de
aproximadamente 750.000. Tanto la información de la Subtel como la de
Utreras (2000) está basada en información sobre cuentas. Los datos de la
encuesta de la Universidad de Chile presentan ciertas diferencias con los
datos de Utreras (2000) en 1998, pero son bastante coincidentes hacia fines
de 1999. Por último, de acuerdo a la encuesta de Internet Software
Consortium el número de hosts en Chile ha aumentado de 10.000 en el año
1996 a 40.000 a fines de 1999. Estos datos podrían ser consistentes con las
otras fuentes de información a fines de 1999 si el número de usuarios por
host es, aproximadamente, de 15.
DIFUSION DE INTERNET EN CHILE 149

FIGURA 1
USUARIOS DE INTERNET SEGUN UTRERAS (2000)

800.000

600.000

400.000

200.000

0
1996 1997 1998 1999

CUADRO 1
ESTADISTICAS BASICAS DE NUMERO DE USUARIOS INTERNET

Estadísticas básicas de número de usuarios. Número de observaciones, media, desviación


estándar, mínimo y máximo. Observaciones mensuales del período 1998-1999.

Desviación
n Media Estándar Mínimo Máximo
Nuevos Usuarios 23 23.265 24.993 792 98.667
Usuarios Acumulados 24 -- -- 111.722 646.816
Fuente: Utreras (2000)

Fuente: Utreras (2000)

II. COEFICIENTES FIJOS EN MODELO DE BASS

Los coeficientes p, q y m en el modelo de Bass con coeficientes cons-


tantes, representado por (2), son usualmente desconocidos y deben ser
estimados en base a información previa o datos históricos. En la literatura
se ha propuesto una gran variedad de métodos para estimar estos coeficien-
tes. Un estudio de Mahajan, Mason y Srinivasan (1986) muestra que el
método de estimación que entrega mejores resultados, en términos de erro-
res de predicción fuera de la muestra, es el método de mínimos cuadrados
150 REVISTA ABANTE, VOL. 3, Nº 2

no lineales, que consiste en estimar los coeficientes p, q y m a partir de la


ecuación de regresión no lineal1 .

1 − e − ( p + q )t 1 − e − ( p + q )( t −1 )
N ( t ) − N ( t − 1) = n ( t ) = m −( p +q ) t
−m + u ( t )(3)
1 + (q / p )e 1 + ( q / p ) e − ( p + q )( t −1)

Aquí n (t) es el número de nuevos adoptadores al tiempo t y u (t) es un


residuo aleatorio no correlacionado en el tiempo, con media cero y varianza
σ2 . El Cuadro 2 presenta la estimación del modelo de Bass para los datos
de Utreras (2000) entre enero de 1998 y diciembre de 1999.
Entre paréntesis se presentan los errores estándar de los coeficientes. El
modelo estimado muestra que el coeficiente de innovación p es práctica-
mente igual a cero mientras que el coeficiente de imitación q es 0,157. Esto
significa que el proceso de difusión de Internet está basado fundamental-
mente en influencias internas. Los nuevos usuarios de Internet adoptan la
innovación fundamentalmente por la comunicación con otros usuarios. Los
factores externos, como la publicidad, el precio y las promociones, tienen,
según los datos históricos, un efecto muy reducido en el número de usuarios
que se incorpora al uso de Internet. Dos observaciones respecto de estos
resultados son las siguientes: En primer lugar, esta conducta de los usuarios
de adoptar Internet por medio de la imitación no pudo haberse dado desde
el inicio del proceso de difusión por cuanto al tiempo t = 0 el efecto que
da impulso a la difusión es el de innovación. Por otra parte, un valor
pequeño de p no implica que algunas acciones de marketing, como la
publicidad, no sea efectiva, sino más bien que ella está dirigida a los imitadores
más que a los innovadores2 . Los valores de p y q encontrados son usuales
en otros procesos de difusión, fundamentalmente aplicados a bienes de
consumo durable como electrodomésticos, considerados en la literatura (ver
Mahajan, Mason y Srinivasan (1986)). Los errores estándar de los coefi-
cientes muestran el grado de precisión de los coeficientes estimados. El
estadígrafo t para el coeficiente p es igual a 0,22, mientras que el estadígrafo,
t para el coeficiente q es 1,94. Aunque ninguno de los dos estadígrafos t
es superior a 1,96 en valor absoluto como para ser considerado
1 En principio, uno esperaría que los residuos del modelo sean heteroscedásticos. En los
resultados de Mahajan, Mason y Srinivasan (1986), y en otras aplicaciones consideradas
en el estudio mencionado, este efecto no es considerado.
2 Esta interpretación de los coeficientes fue hecha por un arbitro anónimo.
DIFUSION DE INTERNET EN CHILE 151

estadísticamente significativo con un nivel de significancia del 5%, el grado


de precisión en la estimación de q podría ser aceptable. En parte, el bajo
valor del estadígrafo t correspondiente a p se debe a que este coeficiente
es muy pequeño, lo cual hace muy difícil estimarlo con precisión. El coefi-
ciente m estimado muestra que 8,5 millones de personas adoptarían en algún
momento Internet. El estadígrafo t correspondiente a este coeficiente es
0,12 con lo cual también se tiene un bajo nivel de precisión en la estimación
del mercado potencial.
En la segunda parte del Cuadro 2 se presenta el momento en el cual se
produce el máximo número de nuevos adoptadores y, por tanto, el momento
en el cual el número de nuevos adoptadores comienza a disminuir. Este
momento, conocido como el tiempo peak, corresponde a mayo del 2001.
Para ese momento, el número acumulado de adoptadores sería de 4,3
millones de personas.

CUADRO 2
ESTIMACION DEL MODELO DE BASS
Coeficientes estimados, errores estándar entre paréntesis y estadísticas del modelo estima-
do: tiempo peak, número de usuarios al tiempo peak, número de observaciones, estadígrafo
R2 y error estándar de la regresión. Estimaciones con datos mensuales en el período
1998-1999.

Coeficiente Estimación

p 0,868 x 10-6
(3,99 x 10-6 )
q 0,157
(0,081)
m 8.529
(68.587)
t* Mayo 2001
*
N(t ) 4.264
n 23
R2 0,766
s 12,67
152 REVISTA ABANTE, VOL. 3, Nº 2

En la parte inferior del Cuadro 2 se observa que el número de observa-


ciones utilizadas en la estimación es 23, el estadígrafo R2 es 0,766 y la
desviación estándar estimada del residuo en la ecuación (3) es igual a 12,67.
Los errores de predicción fuera de muestra, para el año 1999, en este
modelo fluctúan entre -40 mil y 40 mil personas y la raíz del error cuadrático
medio de los errores de predicción fuera de muestra en 1999 es 23,16 miles
de personas.
Uno de los inconvenientes que han detectado estudios previos en la
literatura en la estimación del modelo de Bass es que las estimaciones
pueden ser muy poco confiables cuando las observaciones no han sobrepa-
sado el tiempo peak en el cual se produce el mayor número de nuevos
adoptadores. Este sería el caso de la adopción de Internet en Chile. En el
proceso de estimación del modelo se observó que el proceso iterativo de
estimación no lineal detectaba distintos mínimos locales según el punto de
partida en el proceso iterativo. Esto no garantiza que la solución que mini-
miza la suma de cuadrados de los residuos en el Cuadro 2 corresponda
efectivamente a un mínimo global. La estimación del modelo se realizó con
distintos programas de minimización obteniéndose, en todos los casos, los
problemas mencionados. Más aún, también se intentó estimar el modelo
minimizando la suma de los errores absolutos en lugar de la suma de errores
al cuadrado, sin que cambiaran significativamente los problemas de estima-
ción reportados.

III. COEFICIENTES VARIABLES EN MODELO DE BASS

Uno de los aspectos que en la literatura ha mostrado ser mas crítico en


la aplicación del modelo de Bass (1969) es que los coeficientes de innova-
ción p, imitación q y mercado potencial m, se suponen constantes en todo
el proceso de difusión. Hay diversos desarrollos en la literatura que han
generalizado este supuesto al hacer depender los coeficientes p, q y m de
algunas variables exógenas o endógenas al proceso de difusión.
Hernes (1976) y Easingwood, Mahajan y Müller (1983) sugieren que el
efecto de imitación no permanece constante en el proceso de difusión,
como se establece en el modelo original de Bass. Este efecto puede dis-
minuir, permanecer constante o aumentar según sean las características
específicas de la innovación y del proceso de difusión. Por otra parte, el
número potencial de adoptadores, m en el modelo de Bass es supuesto
DIFUSION DE INTERNET EN CHILE 153

constante a través del proceso de difusión y, por tanto, es determinado


totalmente al momento de la introducción de la innovación. Kalish (1985),
Mahajan y Peterson (1978) y Sharif y Ramanathan (1981) han desarrollado
extensiones del modelo de Bass en los cuales el número potencial de
adoptadores es una función de variables como las características de la
innovación, el precio y el crecimiento de la población. Variables de marke-
ting, como precio, gasto en publicidad y promociones también debieran tener
efecto sobre los coeficientes del modelo de Bass, según Kalish y Sen
(1986). Por último, Mahajan y Petterson (1979) argumentan que las inno-
vaciones ocurren de manera conjunta y, por tanto, los coeficientes del
modelo de una innovación dependen de otras innovaciones.
La disponibilidad de información exógena no es siempre posible. En la
literatura se han considerado varias formulaciones de un modelo de Bass
con coeficientes determinados por procesos estocásticos. Bretschneider y
Mahajan (1980) estiman una versión lineal del modelo de Bass mediante el
filtro de Kalman, permitiendo a los coeficientes del modelo evolucionar a
través del tiempo mediante caminos aleatorios. Más recientemente, Xie,
Song, Sirbu y Wang (1997) proponen una aproximación lineal de primer
orden para ajustar el modelo de Bass en tiempo continuo mediante el filtro
de Kalman. En cualquiera de los dos casos se trata de aproximaciones, por
cuanto el modelo de Bass es altamente no-lineal y los modelos a los cuales
se les puede aplicar el filtro de Kalman deben ser lineales para tener
resultados exactos.
Por otra parte, en los últimos dos años han aparecido en la literatura
estadística y econométrica nuevos desarrollos de filtros, similares al filtro de
Kalman, que permiten trabajar con modelos lineales o no lineales mediante
el uso de simulación (ver Tanizaki y Mariano (1998), Kitagawa (1998) y
Carlin, Polson y Stoffer (1992)). Estos algoritmos pueden ser aplicados al
modelo de Bass para (i) obtener mayor flexibilidad de los coeficientes al
permitir que evolucionen en el tiempo; (ii) permitir nuevas especificaciones
en las cuales los coeficientes dependan de ciertas variables exógenas, como
variables de marketing, y (iii) no tener que trabajar con aproximaciones
lineales del modelo, como es el caso de los estudios de Bretschneider y
Mahajan (1980), y Xie, Song, Sirbu y Wang (1997). Adicionalmente, debido
a que estos filtros se establecen en un contexto bayesiano, es posible
incorporar información preliminar, proveniente de otros procesos de difusión
similares o del conocimiento que se tenga del mercado en el cual se pro-
duce la difusión, respecto de los coeficientes del modelo.
154 REVISTA ABANTE, VOL. 3, Nº 2

Para formular el modelo de Bass como un modelo en la forma de estado,


al cual se le pueda aplicar un filtro, sea

 log ( p(t )) 
 
θ (t ) =  log ( q(t )) 
 log (m (t )) 
 

el vector de coeficientes del modelo. Donde el logaritmo es considerado


sólo para asegurar la no negatividad de los coeficientes en el proceso de
estimación mediante simulaciones. Entonces, el modelo (3) se puede escri-
bir, en forma más simplificada, como

n (t ) = f (θ (t )) + ε ( t ) (4a)

Para dar flexibilidad al vector θ (t) de coeficientes proponemos la


especificación de un camino aleatorio mediante el cual este vector evolu-
ciona de acuerdo con

θ ( t ) = θ (t − 1) + η (t )
(4b)

Las componentes ε(t) y η(t) son errores aleatorios no correlacionados entre


sí ni serialmente correlacionados, y tienen media cero y varianzas σ ε2 y
σ η2 respectivamente. El modelo en la forma de estado está compuesto por
las ecuaciones (4a) y (4b). El proceso de estimación del vector de coefi-
cientes θ (t) propuesto por Kitagawa (1998) y Tanizaki y Mariano (1998)
consiste en un proceso iterativo basado en simulaciones y no requiere en
ninguna parte que la especificación de las ecuaciones sea lineal. En térmi-
nos muy generales, el proceso consiste en la siguiente secuencia:

• Se define la distribución de probabilidades de θ (0), en base a informa-


ción preliminar del proceso de innovación, y se define la distribución de
probabilidades de los errores aleatorios ε (t ) y η (t ) .
• Se simula θ (0) y η (1) para obtener simulaciones de θ (1) mediante la
ecuación (4b). Estas simulaciones constituyen la distribución de frecuen-
DIFUSION DE INTERNET EN CHILE 155

cias o probabilidad de θ (1) dada la información al tiempo t = 0. La


media de estas simulaciones constituye una estimación de θ (1) dada la
información al tiempo t = 0.
• Las simulaciones de θ (1) en conjunto con las simulaciones de ε (1) dan
origen a la distribución de probabilidades de n (1) con información hasta
el tiempo t = 0. Una predicción a un paso del valor n (1) es la media
de estas simulaciones.
• Para cada simulación θ (1) se calcula la función densidad de n (1) dado
θ (1). Sea esta densidad w (θ (1)).
• Se obtiene una muestra con reemplazo de los valores simulados θ (1)
con probabilidad de selección proporcional a w (θ (1)). La muestra
obtenida corresponde a una simulación de la distribución de frecuencias
o probabilidad de θ (1) con información hasta el tiempo t = 1. La media
de estas simulaciones es un estimador del valor de θ (1).
• Se repiten los pasos anteriores para obtener las estimaciones de θ (2),
θ (3), etc. y las predicciones a un paso del número de nuevos usuarios
en cada momento del tiempo.

Para mayores detalles véase el Apéndice. La estimación del modelo se


realizó con N = 5.000 réplicas en las simulaciones y con las siguientes
especificaciones para los parámetros del modelo,

ε(t) ~ Ν(0,43)

 − 13,957   0,1 0, 0 0,0 


   
θ (0) ~ N  − 1,750  ,  0, 0 0,1 0,0 
 9,100   0, 0 0, 0 0, 3 

 0   0,00001 0 0 
   
η(t ) ~ N  0  ,  0 0,00001 0 
 0   0 0 0,002 
156 REVISTA ABANTE, VOL. 3, Nº 2

Estas especificaciones resultaron de minimizar los errores de predicción


fuera de muestra. Esto quiere decir que la muestra completa es primero
utilizada para la estimación de las condiciones iniciales y de las medias, y
las varianzas de los errores aleatorios que intervienen en el modelo. Luego,
con estos valores dados, se estiman los coeficientes p, q y m, agregando
secuencialmente cada observación y se minimizan los errores de predicción
a un paso. Al igual que en el modelo de coeficientes fijos, el período de
estimación es enero de 1998 a diciembre de 1999. El Cuadro 3 presenta los
resultados del proceso de estimación. Para tres meses en la muestra: enero
de 1998, diciembre de 1998 y diciembre de 1999, se presentan en el Cuadro
3 las estimaciones de cada uno de los coeficientes del modelo en base a
la media de las realizaciones correspondientes, y los percentiles al 2,5% y
97,5%. Estos percentiles corresponden a los límites inferior y superior de
intervalos de 95% de confianza.

CUADRO 3
COEFICIENTES ESTIMADOS: MODELO DE COEFICIENTES VARIABLES
Coeficientes estimados, percentiles del 2,5%, media y percentiles del 97,5% para las esti-
maciones a enero de 1998, diciembre de 1998 y diciembre de 1999. Período peak y poten-
cial de adoptadores.

Coeficiente Estadígrafo Enero 1998 Diciembre 1998 Diciembre 1999


Percentil 2,5% 0,727 0,723 0,721
p x 10 6 Media 0,879 0,879 0,880
Percentil 97,5% 1,150 1,160 1,164
Percentil 2,5% 0,148 0,145 0,142
q Media 0,159 0,159 0,158
Percentil 97,5% 0,173 0,173 0,171
Percentil 2,5% 5.158 4.597 3.880
m Media 8.778 8.757 8.025
Percentil 97,5% 14.351 15.847 14.787
t* Abril 2001 Abril 2001 Mayo 2001
N(t * ) 4.389 4.378 4.012

Los coeficientes p y q varían muy poco en las estimaciones a distintos


momentos del tiempo. Por su parte, estas estimaciones son similares a las
obtenidas en la estimación del modelo con coeficientes fijos. La estimación
del coeficiente m, que representa el mercado potencial, varía considerable-
DIFUSION DE INTERNET EN CHILE 157

mente en la estimación a través de la muestra. En los primeros meses de


1998 la estimación de m era 8,8 millones de personas, mientras que al final
de la muestra la estimación disminuye a 8,0 millones de personas. Por su
parte, la estimación con coeficientes constantes era 8,5 millones de perso-
nas. La Figura 2 presenta la evolución de los coeficientes estimados. Los
valores p y q permanecen prácticamente constantes en el proceso de
difusión, mientras que m varía de manera importante.

FIGURA 2
ESTIMACIONES COEFICIENTES VARIABLES

1,0 8.800

8.600
0,8

8.400
0,6

Miles
8.200
0,4
8.000

0,2
7.800

0,0 7.600
1998 1999

q p 10^6 m

Los intervalos de confianza reportados en el Cuadro 3 muestran el rango


de variación posible para los coeficientes estimados con un nivel de confian-
za del 95%. Para el coeficiente m, que es el que presenta mayor variabi-
lidad, el intervalo de confianza del 95% al final de la muestra corresponde
al intervalo desde 3.880 miles de personas y hasta 14.787 miles de perso-
nas. La amplitud de este intervalo muestra el grado de incertidumbre en las
predicciones, particularmente en las de largo plazo.
La Figura 3 presenta la estimación del modelo con coeficientes variables.
En esta figura aparecen las observaciones de nuevos usuarios, la curva de
difusión de nuevos usuarios para los coeficientes estimados a enero de 1998
y a diciembre de 1999, y la curva de difusión para el número acumulado
158 REVISTA ABANTE, VOL. 3, Nº 2

de usuarios con coeficientes estimados a enero de 1998 y a diciembre de


1999.
FIGURA 3
OBSERVACIONES, ESTIMACION DE NUEVOS USUARIOS Y ESTIMACION
DE USUARIOS ACUMULADA

400.000 10.000.000

9.000.000

8.000.000
300.000
7.000.000

6.000.000

200.000 5.000.000

4.000.000

3.000.000
100.000
2.000.000

1.000.000

0 0
1998 1999 2000 2001 2002 2003

Observación Nuevos Enero 1998 Nuevos Diciembre 1999 Acumulado Enero 1998 Acumulado Diciembre 1999

El Cuadro 4 presenta estadísticas de los errores de predicción fuera de


muestra para los doce meses de 1999, tanto para el modelo con coeficientes
fijos como para el modelo con coeficientes variables. Para la raíz del error
cuadrático medio, el modelo de coeficientes variables logra una disminución
de 23,16 a 16,36, lo que representa casi un 30%. Para la desviación media
absoluta, la disminución lograda por el modelo con coeficientes variables es
del 37%. La disminución de los errores de predicción en el caso de modelos
con coeficientes variables también es reportada por Xie, Song, Sirbu y
Wang (1997).
DIFUSION DE INTERNET EN CHILE 159

CUADRO 4
ESTADISTICAS DE ERRORES DE PREDICCION FUERA DE MUESTRA
Raíz error cuadrático medio y desviación media absoluta de los errores de predicción fuera
de muestra para los modelos de coeficientes constantes y variables. Estadísticas basada en
12 predicciones

Modelo con Coeficientes


Estadígrafo Constantes Variables
Raíz Error Cuadrático Medio 23,16 16,36
Desviación Media Absoluta 18,69 11,75

IV. CONCLUSIONES

En este trabajo se estudia la adopción de Internet en Chile. El estudio


hace un aporte metodológico al flexibilizar el tradicional modelo de Bass
para permitir que los coeficientes del modelo evolucionen a través del
tiempo.
La metodología utilizada consiste en un filtro basado en simulaciones que
tiene varias ventajas respecto a las metodologías más tradicionales: (i) permite
cualquier especificación del modelo sin requerir de aproximaciones lineales
para la estimación de los coeficientes como las utilizadas por Xie, Song,
Sirbu y Wang (1997); (ii) permite que los coeficientes evolucionen a través
del tiempo en función de variables exógenas o de acuerdo a un proceso
estocástico, y (iii) permite, en un contexto bayesiano, incorporar información
inicial respecto de los coeficientes.
Los resultados de las estimaciones muestran que el proceso de difusion
de Internet en Chile está determinado casi completamente por un proceso
de imitación. Mientras el coeficiente de imitación del modelo de Bass alcan-
za un valor igual a 0,159, el coeficiente de innovación es prácticamente igual
a cero. Estos dos coeficientes han variado muy poco en el proceso de
difusión. Estos valores implican que el momento en que se alcanzará el
máximo de nuevos adoptadores será en abril del 2001. El potencial de
adoptadores de Internet sí que ha cambiado en el tiempo. Mientras a co-
mienzos de 1998 este valor llegaba a 8.778 miles de personas, a fines de
1999 alcanzaba a 8.025 miles de personas.
160 REVISTA ABANTE, VOL. 3, Nº 2

Los resultados de aplicar la metodología presentada también muestran


que el modelo de Bass con coeficientes variables es más flexible que el
modelo de coeficientes fijos y que las predicciones fuera de muestra dis-
minuyen en un 30%.
Las bondades del modelo con coeficientes variables se muestran no sólo
en los indicadores estadísticos. La estimación del modelo con coeficientes
fijos proyecta un mercado potencial para Internet excesivamente alto, con-
siderando la población que por edad e ingresos puede acceder a este ser-
vicio. El modelo con coeficientes variables muestra una importante dismi-
nución en el mercado potencial de Internet al incorporar nueva información
a las proyecciones. Las proyecciones derivadas de este estudio pueden ser
utilizadas para estimar mercados potenciales de negocios a través de Internet
y el alcance de este medio en publicidad.
De acuerdo a datos de la Subsecretaría de Telecomunicaciones, el nú-
mero de usuarios de Internet en Chile a marzo del 2000 era de 1.025.000,
lo que constituye un punto fuera de muestra en el análisis realizado en este
estudio. La proyección del modelo para ese mes es de 938.000 lo que
constituye un error de predicción a tres meses igual a –8,5%.
DIFUSION DE INTERNET EN CHILE 161

APENDICE

Se considera el modelo en forma de estado p (θ (1) / H (1))

n (t ) = f (θ (t )) + ε ( t ) (a1)

θ ( t ) = g (θ (t − 1)) + η ( t ) (a2)

Donde n (t) es la observación en t, θ (t) es el vector de estado en t,


ε (t) y η (t) son errores aleatorios y t = 1, 2, ..., T. Sea H (t) = {H(0), n(1),
..., n(t)} la información disponible al tiempo t. Entonces, por el Teorema de
Bayes,
p ( n (t ) / θ (t )) p (θ (t ) / H ( t − 1))
p (θ ( t ) / H ( t )) = ∝ p (n ( t ) / θ (t )) p (θ ( t ) / H ( t − 1))
p ( n ( t ) / H (t − 1)) (a3)

El algoritmo que permite obtener estimaciones en línea del vector de


estado θ (t) consiste en la siguiente secuencia de operaciones.

• Se obtienen N realizaciones del vector de estado al tiempo t = 0,


θ1 (0), θ 2 (0), ..., θ N (0)
• Se obtienen N realizaciones del error aleatorio η(t) para obtener, me-
diante (a2) realizaciones de θ (1). Estas realizaciones permiten estimar
la densidad predictiva p (θ (1) / H ( 0)).
• Para obtener realizaciones de θ (1) con información hasta el tiempo
t = 1, y poder estimar la densidad se utiliza muestreo de rechazo en la
ecuación (a3) (véase Carlin, Polson y Stoffer (1992)). Para esto se
definen las ponderaciones
w j = p ( n (1) / θ (1)) = θ j (1), j = 1, … , N
y se obtiene una muestra con reemplazo y con probabilidades proporcio-
nales a las ponderaciones wj , j = 1 ,…, N, las realizaciones θJ (1). Estas
realizaciones permiten estimar la densidad p (θ (1) / H (1)) .
• La secuencia de pasos anteriores se repite para t = 2, ...,T para obtener
estimaciones de las densidades p(θ ( t ) / H ( t ))..
162 REVISTA ABANTE, VOL. 3, Nº 2

Se demuestra en Kitagawa (1998) que si para t = 2, el muestreo en el


paso 3 se aplica simultáneamente a θJ(1) y a θJ(0). Estas últimas corres-
ponden a realizaciones de la densidad p(θ (0) / H (2)) . Este mecanismo
permite obtener estimaciones suavizadas del vector de estado. Para mayo-
res detalles de la metodología, véanse Kitagawa (1998) y Tanizaqui y Mariano
(1998).
DIFUSION DE INTERNET EN CHILE 163

REFERENCIAS

Bass, F.M. (1969). A New Product Growth Model for Consumer Durables. Management Science
15, 215-217.
Bretschneider, S.I. y V. Mahajan (1980). Adaptive Technological Substitutions Technologycal
Forecasting and Social Change 18, 129-139.
Carlin, Polson y Stoffer (1992). A Monte Carlo Approach to Nonnormal and Nonlinear State-
Space Modelling. Journal of The American Statistical Association 87, 493-500.
Cleveland, W.S., y Devlin, S.J. (1988). Locally-weighted Regression: An Approach to Regression
Analysis by Local Fitting. Journal of The American Statistical Association, 83, 596-610.
Easingwood, C.J., V. Mahajan y E. Müller (1983). A Nonuniform Influence Innovation Diffusion
Model of New Product Acceptance. Marketing Science 2, 273-296.
Fourt, L.A. y W. Woodlock (1960). Early Prediction of Market Success for Grocery Products.
Journal of Marketing 25, 31-38.
Hernes, G. (1976). Diffusion and Growth.-The Nonhomogeneous Case. Scandinavian Journal
of Economics 78, 427-436.
Kalish, S. (1985). A New Product Adoption Model With Pricing, Advertising and Uncertainty.
Management Science 31, 1569-1585.
Kalish, S. y S.K. Sen (1986). Diffusion Models and The Marketing Mix for Single Products.
En Innovation Diffusion Models of New Product Acceptance. V. Mahajan y Y. Wind
editores. Cambridge, MA: Ballinger Publishing Company.
Kitagawa, (1998). A Self-Organizing State-Space Model. Journal of The American Statistical
Association 93, 1203-1215.
Mahajan, V. y R. Peterson (1978). Innovation Diffusion in a Dynamic Potential Adopter
Population. Management Science 24, 1589-1597.
Mahajan, V. y R. Petterson (1979). Integrating Time and Space in Technological Substitution
Models. Technological Forecasting and Social Change 14, 231-241.
Mahajan, V., H. Mason y V. Srinivasan (1986). An Evaluation of Estimation Procedures for
new Product Diffusion Models. En Innovation Diffusion Models of New Product
Acceptance. V. Mahajan y Y. Wind editores. Cambridge, MA: Ballinger Publishing
Company.
Mansfield, E.(1961).Technical Change and The Rate of Imitation. Econométrica 29, 741-
766.
Sharif M. y K. Ramanathan (1981). Binomial Innovation Diffusion Models With Dynamic
Potential Adopter Population. Technological Forecasting and Social Change 20, 63-87.
Tanizaki y Mariano (1998). Nonlinear and nonGaussian State-Space Modeling with Monte
Carlo Simulations. Journal of Econometrics 83, 263-290.
Utreras, F. (2000). Au Chili le Réseau se Développe Sera-t-il Assez Vite et Pour Touts?.
Mimeo.
Xie, Song, Sirbu y Wang (1997). Kalman Filter Estimation of New Product Diffusion Models.
Journal of Marketing Research 34, 378-393.