MODELOS

DE
COMPORTAMIENTO
• Tienen su fundamento en las elecciones
observadas de viajeros individuales.
• Postulan que la probabilidad de que un individuo
escoja una cierta opción, es una función de sus
características socio – económicas y de lo atractiva
que resulte la alternativa en cuestión en
comparación a las demás.
• Para representar lo atractivo de las alternativas se
emplea el concepto de utilidad (que el individuo
desea maximizar).
• Generalmente la utilidad observable se define como
una combinación lineal de variables, por ejemplo:
• Vauto= 0,25 – 1,2tv – 2,5tacc – 0,33(C/I) + 1,07 NºA
• La elección es una componente fundamental en el
proceso de decisión sobre los viajes. Hacerlo o no. A
dónde ir. Por que medio. Por qué ruta.
• La elección es un proceso complejo y su modelación
resulta limitada. Similitud con el comportamiento de
los consumidores en teoría microeconómica.
• Un viajero enfrenta un grupo de alternativas I.
Cada alternativa i que pertenece a I se describe
por una función de utilidad V(i) y contiene las
variables de demanda y oferta que influencian
sobre la utilidad percibida por el viajero.
• V (i) = Ai Xi
• Siendo Xi el vector de variables de demanda y
oferta y Ai el vector de parámetros que
representan el peso relativo de cada variable
• Vauto= 0,25 – 1,2tv – 2,5tacc – 0,33(C/I) + 1,07 NºA
• Un cambio unitario en el tiempo de acceso tiene
un impacto doblemente más fuerte que el cambio
unitario en el tiempo de viaje, y de más de siete
veces que el cambio unitario en la relación costo
ingreso.
• La constante modal específica (si existe) se
interpreta como representando la influencia neta
de todas aquellas características no incluidas en la
función de utilidad.
• El individuo optará por la alternativa j que
maximice su utilidad.
• V (j) = max [V (i)]
• El mismo individuo enfrentado a las mismas
alternativas seguiría una regla de decisión
consistente y estable, eligiendo siempre la que
maximiza su utilidad.
• Problema de agregación al universo
• Las personas pueden no seguir la regla de
elección propuesta por el modelo.
• Debe aceptarse también que no resulta posible
incluir en la función de utilidad todas las variables
que pueden influir en la toma de decisión de todos
los individuos.
• El potencial viajero puede no tener información
perfecta acerca de las alternativas que dispone y de
sus características. Puede no conocer alguna o
percibir incorrectamente atributos.
• Las razones expuestas indican que sería conveniente
postular un modelo de elección probabilístico.
• U (i) = V (i) + e (i) , siendo:
– U (i) = la función de elección probabilística
– V (i) = la función de elección determinística
– e (i) = una variable aleatoria (término de error)
• En este caso el individuo optará por la alternativa j
cuando V(j) + e (j) > V(i) + e (i). Como “e” es una
variable aleatoria puede darse que V(i) > V(j) y sin
embargo se cumpla que V(j) + e (j) > V(i) + e (i)
• Se calcula entonces la probabilidad de seleccionar
una alternativa i como:
• p (i) = p [ U(i) > U(j)]
• Para obtener un modelo de aplicación debe asumirse
alguna distribución de probabilidades para los
“errores”.
• Si se asume que las utilidades tienen una
distribución multivariada normal (MVN) se obtiene el
modelo Probit
• El modelo Logit asume que los errores son
independientes y presentan una distribución
Gumbel (doble exponencial).
• Fe (x) = exp (-  e –x )
• p (i) = e V(i) / j e V(j)
• Se conoce como el modelo logit multinomial
(MNL) , que presenta grandes ventajas con respecto
al Probit por su facilidad de cálculo. Puede ser un
problema asumir que los errores son
independientes
Comparación determinístico -
probabilístico
• Independencia de las alternativas irrelevantes
• Causa de fama e infamia
• p (i) = e V(i) / j e V(j)
• p (k) = e V(k) / j e V(j)
• (pi / pk) = (eVi / eVk)
• La relación de probabilidades entre dos
alternativas se mantiene constante
independientemente de las demás
• Si se incorpora una nueva afectará en la misma
proporción a las existentes
• Se considera una debilidad del modelo, cuando
se incorporan alternativas que están
correlacionadas con alguna de las existentes.
• Típicamente, un nuevo medio de transporte
público masivo (subterráneo con ómnibus).
• Esta propiedad es también una ventaja, ya que
si se toma logaritmo
• ln (pi / pk) = Vi – Vk , que permite en el caso
binario emplear regresión lineal para la
calibración
• Según ha sido expuesto el modelo Logit múltiple
(MNL) los errores son independientes (covarianzas =
0).
• Cuando existe correlación podría emplearse el
modelo Probit. Sin embargo resolver este modelo no
es fácil, salvo con muy pocas alternativas.
• Una posibilidad más sencilla la constituye el empleo
del modelo Logit jerárquico (HL).
• Su estructura se caracteriza por agrupar a todos los
subconjuntos de alternativas correlacionadas entre sí
en jerarquías o nidos
Modelo Logit Múltiple
Modelo Logit Jerárquico
• Cada nido es representado, a su vez, por una
alternativa compuesta frente a las demás que están
disponibles.
• Se puede emplear el mismo software que para el
logit múltiple. Se procede secuencialmente.
• Primero se estima un MNL para las alternativas del
nido, con la precaución de omitir todas aquellas
variables que tengan el mismo valor para este
subconjunto de opciones. Estas deben ser
introducidas en la jerarquía superior.
• Cuando vimos funciones de demanda hablamos de
elasticidad directa y cruzada.
• ei = (dxi / xi) / (dpi / pi) elasticidad precio directa
• eij = (dxi / xi) / (dpj / pj) elasticidad precio cruzada
• En esta oportunidad analizamos la sensibilidad de
cambio en la probabilidad de elección ante cambios
en los atributos de la función de utilidad.
• ep(iki)= (dp(i)/p(i))/(dx(ki)/x(ki))=(dp(i)/dx(ki))(x(ki)/p(i))
• ep(ikj)= (dp(i)/p(i))/(dx(kj)/x(kj))=(dp(i)/dx(kj))(x(kj)/p(i))
• Supongamos un modelo Logit de elección
entre tres alternativas:
• p1= e-(αc1+ βt1) [ Σi e-(αci + βti) ]-1
• ep1c1= (dp1/c1) (c1/p1)
• dp1/c1=-α p1+(-1)[ ] -2(- α)e-(αc1+ βt1) e-(αc1+ βt1)
• dp1/c1=-α p1+ α [p1]2
•ep1c1= (dp1/c1) (c1/p1)={-α p1+ α [p1]2} (c1/p1)
•ep1c1= -α c1 ( 1 - p1)
• Entonces, en términos generales para el modelo
Logit, la elasticidad directa será:
• ePiXik= (dpi/dxik)(xik/pi) = ik xik (1- pi)
• O sea el porcentaje de cambio en la probabilidad de
elegir i ante el 1% de cambio en el atributo xik
• Para la elasticidad cruzada se debe derivar la
probabilidad de elegir una alternativa con respecto a
un parámetro de otra alternativa
• Porcentaje de cambio en la probabilidad de elegir i
ante el 1% de cambio en el atributo xjk
• Efectuando similar procedimiento al anterior
se puede concluir en que:
• ePiXjk = (dpi/dxjk)(xjk/pi) = - jk xjk pj
• O sea el porcentaje de cambio en la
probabilidad de elegir i ante el 1% de cambio en
el atributo xjk
• Supongamos: Vauto=0,25 – 1,2tv – 2,5tacc –
0,33(C/I) + 1,07 NºA ; pauto = 0,63 ; tv = 12 min
• epauto= ik xik (1- pi) = - 1,2 * 12 * (1-0,63) = - 5,33
• Para el 1% de incremento del tiempo de viaje en
auto la probabilidad de elegirlo decrece un 5,33%
• Supongamos: Vómn= – 1,2tv – 2,5tacc – 0,33(C/I) ;
pómn = 0,37 ; tvómn = 20 min
• epauto = - jk xjk pj = - (-1,2 * 20 * 0,37) = 8,88
• Para el 1% de incremento del tiempo de viaje en
ómnibus la probabilidad de elegir auto se
incrementa un 8,88%
• Abstractos
• V1 = α1 t1 + α2 c1
• V 2 = α1 t2 + α2 c 2
• No Abstractos o Concretos
• V1 = α1 t1 + α2 c1
• V2 = α3 t2 + α4 c2
• Si el modelo desagregado es lineal el proceso de
agregación es trivial, ya que sólo es necesario
sustituir los promedios de las variables
explicativas en la especificación del modelo.
• Sin embargo si no es lineal, este método
producirá un sesgo que se muestra en la figura
siguiente
El problema de agregación
• La probabilidad de que el individuo q seleccione la
alternativa Aj será : Pjq = f j (xq), o sea es función (por
ejemplo modelo logit) de un conjunto de atributos
de las alternativas y características socio-
económicas de los individuos.
• Para un grupo Q de individuos, la proporción
agregada PjQ que selecciona Aj será el valor esperado
(o enumeración) de las probabilidades de cada
individuo en el grupo.
• PjQ = (1/Q) Q fj (xq)
• Si se acepta que la muestra seleccionada es
representativa de la población se convierte en un
método práctico e interesante, por ejemplo para
partición modal en el corto plazo (ya que supone
que la distribución de características de la
población no variará en el futuro).
• Otro procedimiento es el llamado enfoque
inocente (del inglés naive aggregation) que calcula
en función del promedio de las variables
• PjQ = f j (x Q)
• En estos casos puede producirse el sesgo
mencionado previamente.
• Otro método es el de clasificación, que consiste
también en promediar las variables explicativas,
pero en un número finito de clases homogéneas
(c, donde las variaciones son menores).
• PjQ = c (Qc/Q) f j (xc)
• El número de grupos c puede variar, si c = 1 estamos
en el enfoque inocente, si c = Q estamos en el método
de enumeración.
• La exactitud depende de la cantidad de grupos y del
criterio para seleccionarlos.
• Deben seleccionarse aquellas variables que
presenten la mayor varianza, o que limiten de alguna
forma el conjunto de elecciones disponibles.
• Por ejemplo, para elección modal el número de
autos por hogar
• Consiste en estimar el valor del vector de
parámetros que representan el peso relativo de
cada variable, en base al comportamiento
observado actualmente , y evaluando la
significancia estadística de los estimadores.
• Dado que la mayoría de los modelos no son
lineales y la elección es discreta, normalmente no
puede usarse regresión lineal. La excepción es el
modelo logit binario con mercado agregado.
• Consideremos una encuesta a viajeros entre las
ciudades A y B. De 10 encuestados, 4 eligen ómnibus
y 6 eligen tren.
• Los tiempos de viaje son tómn = 47min y ttren = 38
min. Se asume que los tiempos son los mismos para
las 10 personas y el modelo logit es:
p (tren) = ett / (ett + eto)
• En este caso (un único parámetro) su valor puede
despejarse (no estimarse). Con dos alternativas
calculamos un coeficiente , ya que p(1) + p(2) = 1
• p(t) / p(o) = e38 / e47
• 0,6 / 0,4 = e-9 , ln 1,5 = - 9
•  = - 0,405465 / 9 = - 0,045
• que reproduce las probabilidades de 0,6 y 0,4
• p (t) = e-0,045x38 / (e-0,045x38 + e-0,045x47) = 0,6
• Si hubieran sido más parámetros, por ejemplo
p(t) = ett+ct / (ett +ct + eto +co), se podría
emplear regresión lineal para estimar  y  con
grupos enfrentando diferentes tiempos y costos
• p(t) / p(o) = e(tt-to)+ (ct-co)
• ln [p(t) / p(o)] =  (tt – to) +  (ct – co)
• Como ejemplo consideremos un modelo logit para
estimar la probabilidad de que en pasajero viaje en
clase primera o económica, de acuerdo a las tarifas
vigentes y otras características
• p(primera) = e +  T1 / (e +  T1 + e Te)
• p(económica) = e  Te / (e +  T1 + e Te)
• p(primera) / p(económica) = e +  ( T1 - Te)
• ln [p(primera) / p(económica) ] = α + β (T1 – Te)
Ejemplo Calibración - Datos
Ejemplo Calibración - Datos
Ejemplo Calibración - Ajuste
Ejemplo Calibración - Comparación
•En términos generales, para mercado
desagregado y para más de dos alternativas, se
emplea el método de máxima verosimilitud para
la estimación de los parámetros.
•En el caso de mercado desagregado los
individuos enfrentan diferentes costos, tiempos y
otros atributos, entonces se deben estimar los
coeficientes que maximicen la función de
verosimilitud.
Casos para selección de variables
• Las variables usualmente pueden dividirse en dos:
1) muy relevantes o de política (que presentan un
fundamento teórico importante y/o son cruciales
para analizar las propuestas futuras), y 2) otras
variables explicativas.
• Rechazar una variable de tipo “otras” con el signo
correcto dependerá del nivel de significancia (p. ej.
si no se puede rechazar que k sea distinto de cero
al 80%).
• Se recomienda incluir una variable muy
relevante o de política con el signo correcto
aunque no sea significativa. Se puede justificar
en base a que puede deberse a la falta de
suficientes datos.
• Variables “otras” con el signo incorrecto son
siempre rechazadas. Sin embargo como las
variables “políticas” deben ser incluidas en este
caso deben ser re-estimadas