lOMoARcPSD|7457277

AnÁlisis DE LA Demanda DE UN SalÓn DE Belleza

(corregido)[525]
Economía Monetaria Y Financiera (Universidad Complutense de Madrid)

StuDocu no está patrocinado ni avalado por ningún colegio o universidad.

Descargado por Kenneth salcedo (matyeisa@gmail.com)
 lOMoARcPSD|7457277

Castaño Nieto,R; Ruiz Usabiaga,J.A.Regresión lineal. Econometría Aplicada.GECO.UCM

ANÁLISIS DE LA DEMANDA DE UN SALÓN DE BELLEZA

1. Resumen:
Analizamos la demanda de un salón de belleza a través de la encuesta que nos
proporciona una serie de variables cuantitativas como renta, precio, precio del sustituto
principal, edad y otras, en función del número de tratamientos realizados. Observamos
cómo solo la renta, el precio, el precio del sustituto principal y el cuadrado de la edad
son variables significativas. Eliminando los datos atípicos, obtenemos que el modelo de
regresión lineal solo explica la mitad (R 2 = 0,44) de los tratamientos efectuados. Por
tanto, proponemos otro, basado en el modelo estadístico de James Tobin (1958), dado
que el 75% de las personas encuestadas no realizan ningún tratamiento de belleza. Este
modelo se ajusta mejor a los datos, sin necesidad de eliminar los atípicos, y aumenta los
coeficientes de las variables elegidas, además de poder realizar inferencias, al ajustarse
mejor a una curva normal (Jarque-Bera = 5,03). La conclusión principal es que la
reducción del precio o el aumento del precio del sustituto son las variables más
sensibles para el aumento de la demanda.

2. Introducción:
El estudio de la demanda de un mercado es una de las principales actividades de un
economista, dado que la oferta suele ser conocida. En concreto, en el caso de los salones
de belleza, el plan de empresa debe de integrar un estudio econométrico para analizar
qué variables (renta, precio, precio de los sustitutos, etc…) son más relevantes, y como
podemos rentabilizar nuestro negocio. De este análisis, se derivarán directamente las
decisiones microeconómicas que harán que el negocio prospere y crezca; o bien, que
supongan la quiebra del mismo. Por tanto, el análisis del mercado y el correcto uso de
las herramientas econométricas a nuestra disposición serán el valor añadido diferencial
entre aquellos negocios rentables que atraigan la demanda y el resto. En nuestro caso, a
partir de los datos de una encuesta de mercado, hemos analizado los datos con el
programa “Eviews 8 Student Version”.

3. Presentación de datos.
Observamos como los datos de las variables analizadas presentan histogramas que
difieren de la normalidad (Curva de Gauss, con media 0 y desviación típica 1). Los
primeros 451 datos de tratamientos son cero. Presentamos solo el histograma de

Descargado por Kenneth salcedo (matyeisa@gmail.com)

 lOMoARcPSD|7457277

Castaño Nieto,R; Ruiz Usabiaga,J.A.Regresión lineal. Econometría Aplicada.GECO.UCM

tratamientos entre el dato 452 y el 601, que observamos no es continuo por la forma en
que está elaborada la encuesta (por segmentos). También observamos en el
correlograma que hay 15 datos atípicos mayores a tres veces la desviación típica en
valor absoluto, para los que utilizamos una variable Dummy, mejorando la parte de la
realidad de la demanda que explica nuestro modelo de R2 = 0,12 a R2 = 0,38.
TRATAMIENTOS RENTA PRECIOFISIOS PRECIO
40 60 40 50

50
40
30 30
40
Frequency

Frequency

Frequency

Frequency
30
20 30 20
20
20
10 10
10 10

0 0 0 0
0 2 4 6 8 10 12 14 0 2 4 6 8 10 12 14 16 30 31 32 33 34 35 36 37 38 39 0.8 1.2 1.6 2.0 2.4 2.8 3.2 3.6 4.0 4.4 4.8 5.2

EDAD^2 D594 D572 D568

40 160 160 160

30 120 120 120

Frequency

Frequency

Frequency

Frequency
20 80 80 80

10 40 40 40

0 0 0 0
0 500 1,000 1,500 2,000 2,500 3,000 3,500 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1

D565 D553 D541

160 160 160

120 120 120

Frequency

Frequency

Frequency
80 80 80

40 40 40

0 0 0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1

4. Modelo teórico:
El modelo utilizado el de regresión lineal por mínimos cuadrados ordinarios
(MCO). Observamos, desde el principio, como la población encuestada tiene dos
tipos de perfiles: aquellos que no realizan ningún tipo de tratamiento, observaciones
de la 1 a la 451, que suponen el 75% de la muestra; y aquellos que realizan uno o
más tratamientos, a partir de la observación 452, que supone el 25% de la muestra.
Observamos como la renta, el precio y el precio de los sustitutos sí tienen una
relación lineal significativa con nuestra variable dependiente; así como el cuadrado
de la edad; pero no el resto de variables. Por tanto, proponemos analizar los datos a
través del modelo estadístico propuesto por James Tobin en 19581. Dicho modelo es
una evolución de los modelos estadísticos probit y logit, que derivan de la Biología
y las Ciencias Aplicadas, dado que muchas funciones fisiológicas (v.g. la curva de
saturación de oxígeno de la molécula de hemoglobina, que contiene cuatro grupos
tetrapirrol) siguen fielmente estas funciones. El modelo Tobit estima dos funciones
diferenciables: aquella en la que la variable dependiente es siempre cero, como en
nuestro caso; y aquella donde la variable dependiente en distinta de cero, siguiendo
una curva muy similar a la de los modelos probit y logit. Si observamos nuestras
variables principales, observamos que siguen funciones muy similares.

1 James Tobin (1918-2002), economista keynesiano francés, Profesor en le Universidad de Harvard,

asesor del presidente JF Kennedy, Premio Nobel en 1981, quien propuso la famosa “tasa Tobin” o
impuesto a las transacciones financieras.

Descargado por Kenneth salcedo (matyeisa@gmail.com)

 lOMoARcPSD|7457277

Castaño Nieto,R; Ruiz Usabiaga,J.A.Regresión lineal. Econometría Aplicada.GECO.UCM

5. Estimación e interpretación de los resultados:

Eliminando las “dummies” 526 (t = 1.59 < 2,00) y 542 (1.63 > 2.00), dado que
no son significativas, observamos que por cada 1000€ más de renta, aumentamos 0.45
tratamientos; por cada euro más del precio del sustituto (Fisioterapia) aumenta 0.36
tratamientos y por cada 10€ que aumentamos el precio de nuestro tratamiento perdemos
0.90 tratamientos (signo negativo correcto). El modelo es significativo a nivel global (F
= 5.79 > 2.00), y también a nivel individual cada una de sus variables (Dummy 588 en el
límite, t = 1.82). La influencia de la edad (cada 10 años, se reduce 0,016 tratamientos)
es prácticamente nula en nuestro estudio. Además, el contraste Jarque-Bera es próximo
a 6 (5.03), lo que indica que los datos son próximos a la normalidad en nuestro modelo
lineal, a saber:
2
Tratamientosi =α 0+ α 1 rentai−α 2 precio i+ α 3 preciofisiosi +α 4 (edad )i + U i

HISTOGRAMA Y TABLA 1. CONTRASTE JARQUE-BERA

20
Series: Residuals
Sample 452 601
16 Observations 150

Mean -2.06e-15
12 Median -3.11e-15
Maximum 5.611013
Minimum -6.621943
Std. Dev. 3.191795
8
Skewness 0.070106
Kurtosis 2.113240
4
Jarque-Bera 5.037516
Probability 0.080560
0
-6 -4 -2 0 2 4 6

Tabla 1. Fuente: Encuesta tratamientos Campus Virtual.

En cambio, utilizando el modelo Tobin (Tabla 2), con 15 dummies significativas
para los valores atípicos, la influencia del precio es mayor (se reducen 2,39 tratamientos
por cada 10€ más de precio), y también es mayor la influencia del precio del sustituto,
dado que, por cada euro de aumento del precio de la Fisioterapia, aumentan 0,63
tratamientos. La influencia de la renta y la edad son similares al modelo de regresión.

{ si y=0 ⟹ y i=α 0
si y i ≠ 0 ⟹ α 0 +α 1 rentai +α 2 precioi +α 3 preciofisiosi +α 4 ( edad )2i

TABLA 2. MODELO TOBIT

Dependent Variable: TRATAMIENTOS
Method: ML – Censored Normal (TOBIT) (Quadratic hill climbing)

Descargado por Kenneth salcedo (matyeisa@gmail.com)

 lOMoARcPSD|7457277

Castaño Nieto,R; Ruiz Usabiaga,J.A.Regresión lineal. Econometría Aplicada.GECO.UCM

Date: 09/21/17 Time: 19:54

Sample: 1 601
Included observations: 601
Left censoring (value) at zero
Convergence achieved ráte 6 iterations
Covariance matrix computed using second derivatives

Variable Coefficient Std. Error z-Statistic Prob.

RENTA 0.498652 0.103846 4.801816 0.0000

PRECIOFISIOS 0.631221 0.168811 3.739221 0.0002
PRECIO -2.396974 0.343224 -6.983706 0.0000
EDAD^2 -0.002551 0.000831 -3.070726 0.0021
C -18.31523 6.213188 -2.947799 0.0032

Error Distribution

SCALE:C(21) 6.629456 0.440186 15.06057 0.0000

Mean dependent var 1.455907 S.D. dependent var 3.298758

S.E. of regression 2.552592 Akaike info criterion 2.273593
Sum squared resid 3779.122 Schwarz criterion 2.427287
Log likelihood -662.2146 Hannan-Quinn ráter. 2.333418
Avg. Log likelihood -1.101855

Left censored obs 451 Right censored obs 0

Uncensored obs 150 Total obs 601

Tabla 2. Fuente: Encuesta tratamientos Campus Virtual UCM.

6. Conclusiones:
Observamos que las variables más relevantes que explican la demanda son el
precio de los tratamientos de belleza y el precio del tratamiento sustituto de Fisioterapia.
Sin embargo, nuestro modelo de regresión apenas explica la mitad de la demanda de los
tratamientos, dado que en la encuesta que nos han proporcionado carece de datos
suficientes y variables como sexo (todas las encuestadas son mujeres) o lugar de
residencia. Es por ello que, para realizar un análisis óptimo, podríamos realizar una
encuesta multicéntrica, con una escala likert de 1 a 10 por variable, observando solo los
ítems de interés (renta, precio, precio de los sustitutos y sexo) y valorando que influye
en un individuo para que decida realizarse un tratamiento de belleza (75% de la
población no realiza ningún tipo de tratamiento, según la encuesta proporcionada.

7. Referencias:
_Wooldridge, JM. (2010), “Introducción a la Econometría. Una aproximación
moderna”, Thomson.

Descargado por Kenneth salcedo (matyeisa@gmail.com)

 lOMoARcPSD|7457277

Castaño Nieto,R; Ruiz Usabiaga,J.A.Regresión lineal. Econometría Aplicada.GECO.UCM

_Alonso Estañ, Y. (2014), “Plan de empresa para la creación de un salón de peluquería y

estética en Bétera”, Universidad Politécnica de Valencia.

Descargado por Kenneth salcedo (matyeisa@gmail.com)