TRABAJO GRUPAL DE APLICACIÓN

UNIDAD 1
ECONOMETRÍA
 1. Objetivo del trabajo y variables utilizadas:

El objetivo de nuestro trabajo es analizar la relación entre la satisfacción del cliente (variable
dependiente) y diversas variables independientes, con el fin de comprender cómo la empresa
puede mejorar la experiencia del cliente y aumentar su lealtad a la marca. Las variables
independientes seleccionadas son: (1) "precio" - percepción del cliente de los precios en
comparación con la competencia (cuantitativa), (2) "espera" - el tiempo de espera para ser
atendido (cuantitativa) y (3) "consumo" - si el cliente consume en el local o solicita su pedido por
delivery (cualitativa).
 2. Modelos propuestos:

Modelo lineal tradicional:

Satisfac=β 0+ β 1∗Precio+ β 2∗Espera+ β 3∗Consumo +ε

Modelo utilizando alguna forma logarítmica:

Satisfac=β 0+ β 1∗ln (Precio)+ β 2∗ln ( Espera)+ β 3∗Consumo+ ε

Modelo con la forma funcional libremente elegida:

2 0.5
Satisfac=β 0+ β 1∗Preci o + β 2∗Esper a + β 3∗Consumo +ε

El estudio de la satisfacción del cliente y su relación con diversas variables, como el precio, el
tiempo de espera y el consumo, ha sido ampliamente investigado en la literatura (Anderson,
Fornell, & Lehmann, 1994; Oliver, 1997 1). Estos estudios sugieren que existe una relación
significativa entre estas variables y la satisfacción del cliente, lo que respalda nuestra elección de
variables independientes y modelos propuestos.

Modelo lineal tradicional:

Satisfac=β 0+ β 1∗Precio+ β 2∗Espera+ β 3∗Consumo +ε

Resultados del modelo lineal tradicional

==================================================
Variable dependiente: satisfac
------------------------------
Satisfacción
--------------------------------------------------
Precio -4.1691***
(0.2958)

Espera -3.3640***
(0.3985)

Consumo 0.8882
(0.8930)

Constant 84.2234***
(1.9210)

--------------------------------------------------
Observations 927
R2 0.2539
Adjusted R2 0.2514
Residual Std. Error 13.3894 (df = 923)
F Statistic 104.6782*** (df = 3; 923)
==================================================
Note: *p<0.1; **p<0.05; ***p<0.01

1
Anderson, E. W., Fornell, C., & Lehmann, D. R. (1994). Customer satisfaction, market share, and
profitability: Findings from Sweden. Journal of Marketing, 58(3), 53-66.
En el modelo lineal tradicional, se observa que la variable precio tiene un efecto negativo en la
satisfacción del cliente, lo que indica que a medida que los precios aumentan, la satisfacción del
cliente disminuye. La variable espera también muestra un efecto negativo, lo que sugiere que un
mayor tiempo de espera reduce la satisfacción del cliente. La variable consumo tiene un efecto
positivo en la satisfacción, lo que indica que los clientes que consumen en el local tienen una
mayor satisfacción en comparación con aquellos que solicitan delivery.

Modelo utilizando alguna forma logarítmica:

Satisfac=β 0+ β 1∗ln (Precio)+ β 2∗ln ( Espera)+ β 3∗Consumo+ ε

Resultados del modelo logarítmico

==================================================
Variable dependiente: satisfac
------------------------------
Satisfacción
--------------------------------------------------
ln(Precio) -9.5898***
(0.7697)

ln(Espera) -11.3535***
(1.2651)

Consumo 1.1313
(0.9038)

Constant 82.0825***
(1.9163)

--------------------------------------------------
Observations 927
R2 0.2351
Adjusted R2 0.2326
Residual Std. Error 13.5570 (df = 923)
F Statistic 94.5504*** (df = 3; 923)
==================================================
Note: *p<0.1; **p<0.05; ***p<0.01

En el modelo logarítmico, se observa que la variable ln(Precio) tiene un efecto negativo en la

satisfacción del cliente, lo que indica que un aumento porcentual en los precios está asociado con
una disminución en la satisfacción del cliente. La variable ln(Espera) también muestra un efecto
negativo, lo que sugiere que un aumento porcentual en el tiempo de espera está asociado con una
disminución en la satisfacción del cliente.

Modelo con la forma funcional libremente elegida:

2 0.5
Satisfac=β 0+ β 1∗Preci o + β 2∗Esper a + β 3∗Consumo +ε

Resultados del modelo funcional elegido

==================================================
Variable dependiente: satisfac
------------------------------
 Satisfacción
--------------------------------------------------
Precio cuadrado -0.6793***
(0.0465)

Raíz espera -13.0761***

(1.4220)

Consumo 0.7345
(0.8839)

Constant 91.8403***
(2.9349)

--------------------------------------------------
Observations 927
R2 0.2695
Adjusted R2 0.2672
Residual Std. Error 13.2481 (df = 923)
F Statistic 113.5216*** (df = 3; 923)
==================================================
Note: *p<0.1; **p<0.05; ***p<0.01

En el modelo funcional elegido, se observa que la variable precio cuadrado tiene un efecto
negativo en la satisfacción del cliente, lo que indica que el efecto negativo del precio en la
satisfacción se amplifica a medida que el precio aumenta. La variable raíz espera muestra un efecto
negativo, lo que sugiere que un aumento en la raíz cuadrada del tiempo de espera está asociado
con una disminución en la satisfacción del cliente. La variable consumo tiene un efecto positivo en
la satisfacción, similar a los otros dos modelos.
 3. Diagnóstico de supuestos:

Primero, seleccionaremos el mejor modelo en función de los criterios de información y bondad de

ajuste. En este caso, el Modelo 3 (funcional elegido) tiene el R2 ajustado más alto (0.2672) en
comparación con los otros modelos, por lo que realizaremos diagnósticos de supuestos en este
modelo.

Multicolinealidad: Para evaluar la multicolinealidad, se puede calcular el factor de inflación de la

varianza (VIF) para cada variable independiente en el modelo. Un VIF mayor a 10 sugiere que
existe multicolinealidad.

Homocedasticidad: La homocedasticidad implica que la varianza de los errores es constante a lo

largo de todas las observaciones. Para evaluar la homocedasticidad, se puede utilizar la prueba de
Breusch-Pagan.

Autocorrelación: La autocorrelación implica que los errores están correlacionados en el tiempo o

espacio. Para evaluar la autocorrelación, se puede utilizar la prueba de Durbin-Watson.
 4. Resultados: :

Multicolinealidad:

Los valores del Factor de Inflación de la Varianza (VIF) para las variables "precio_cuadrado",
"espera_raiz" y "consumo" son cercanos a 1. Esto indica que no hay multicolinealidad en el
modelo, ya que un VIF mayor a 10 sería motivo de preocupación. Por lo tanto, este supuesto se
cumple en el modelo funcional elegido.

Homocedasticidad:

La prueba de Breusch-Pagan (BP) arroja un valor de 10.869 con un p-value de 0.01246. Como el p-
value es menor a 0.05, podemos rechazar la hipótesis nula de que los errores son homocedásticos.
Esto indica que hay heterocedasticidad en el modelo, lo que podría afectar la eficiencia y los
errores estándar de los estimadores.

Auto correlación:

La prueba de Durbin-Watson (DW) da como resultado un valor de 0.097325 con un p-value menor
a 2.2e-16. La hipótesis alternativa es que la autocorrelación es mayor que 0. Dado que el p-value es
extremadamente pequeño, podemos concluir que hay autocorrelación en los errores del modelo.

En resumen, el modelo funcional elegido cumple con el supuesto de no multicolinealidad pero

presenta problemas de heterocedasticidad y autocorrelación. Para abordar la heterocedasticidad,
podrías considerar la posibilidad de transformar las variables o utilizar técnicas de estimación
robustas a la heterocedasticidad, como la estimación de Mínimos Cuadrados Ponderados (WLS) o
el uso de errores estándar robustos. Para abordar la autocorrelación, podrías investigar si hay una
estructura temporal en los datos y, en caso de que la haya, aplicar métodos de análisis de series
temporales o modelos autorregresivos.
 5. Propuesta de mejoras:

Dado que se han identificado problemas de heterocedasticidad y auto correlación en el modelo

funcional elegido, aquí hay algunas propuestas de mejoras para abordar estos problemas:

Heterocedasticidad:

a. Transformación de variables: Si la relación entre las variables independientes y la variable

dependiente no es lineal, podrías considerar transformaciones de las variables (como logaritmos,
raíces cuadradas, etc.) para estabilizar la varianza de los errores.

b. Modelos de Mínimos Cuadrados Ponderados (WLS): WLS es una técnica que asigna diferentes
pesos a las observaciones según la varianza de sus errores. Así, se puede corregir la
heterocedasticidad al dar más peso a las observaciones con menor varianza de errores.

c. Errores estándar robustos: Utilizar errores estándar robustos (como los errores estándar de
Huber-White) en lugar de los errores estándar ordinarios puede proporcionar estimaciones más
precisas en presencia de heterocedasticidad.

Auto correlación:

a. Análisis de series temporales: Si los datos presentan una estructura temporal, se podría
considerar técnicas de análisis de series temporales para abordar la auto correlación. Estas técnicas
incluyen modelos autorregresivos, de media móvil y ARIMA, entre otros.

b. Modelos autorregresivos condicionales: Si se identifica un patrón temporal en los errores, se

podría emplear modelos autorregresivos condicionales, como modelos de corrección de errores
(ECM), para abordar la auto correlación.

Inclusión de variables adicionales:

Si hay variables omitidas que podrían estar influyendo en la satisfacción del cliente y que no están
incluidas en el modelo actual, podrías considerar agregar esas variables al modelo. Al hacerlo,
podrías mejorar la precisión y la confiabilidad de los resultados.
 6. Conclusión:

En conclusión, nuestro estudio buscó analizar la relación entre la satisfacción del cliente y diversas
variables, como el precio, el tiempo de espera y el tipo de consumo. Se estimaron tres modelos de
regresión diferentes: un modelo lineal tradicional, un modelo logarítmico y un modelo funcional
elegido por nuestro equipo. Los resultados obtenidos en los modelos mostraron que tanto el
precio como el tiempo de espera tienen efectos significativos y negativos en la satisfacción del
cliente.

El modelo funcional elegido, que incluye términos cuadráticos y raíces cuadradas, presentó el
mejor ajuste a los datos según los criterios de información y bondad del ajuste. Sin embargo, se
identificaron problemas de heterocedasticidad y auto correlación en este modelo, lo que sugiere
que podríamos mejorar la precisión y confiabilidad de los resultados aplicando técnicas
alternativas de estimación, como modelos de mínimos cuadrados ponderados y análisis de series
temporales, o incluyendo variables adicionales en el modelo.

Nuestros hallazgos tienen implicaciones prácticas importantes para la empresa en estudio. Al

comprender cómo el precio y el tiempo de espera influyen en la satisfacción del cliente, la empresa
puede tomar decisiones informadas sobre cómo ajustar estos factores para mejorar la experiencia
del cliente y, en última instancia, aumentar la lealtad a la marca y las ventas. Por ejemplo, podrían
considerar estrategias para reducir los tiempos de espera, como mejorar la eficiencia del personal
o implementar tecnología para agilizar el proceso de atención. Además, podrían revisar su
estructura de precios y compararla con la de sus competidores para asegurarse de que sus precios
sean competitivos y justos en función de la calidad de sus productos y servicios.

Aunque nuestro estudio proporciona información valiosa, es importante tener en cuenta sus
limitaciones y considerar la posibilidad de realizar investigaciones adicionales para abordar los
problemas identificados y explorar aún más la relación entre la satisfacción del cliente y las
variables de interés.