Costo de viaje ecoambiental

...

Donde los coeficientes representan la contribución de la variable independiente al modelo; todas las variables son codificadas, correspondiendo a las diferentes preguntas de la encuesta [c: nos representa la constante o intercepto de la regresión multivariable]. Todas las demás variables son consideradas como independientes, dependiendo de la variable PV0 (número de veces de visita).

A su vez nos representa otros resultados estadísticos:

Error Distribution

SCALE:C(47)

5.719168016

0.20939341

27.31302821

2.97E-164

Mean dependent var

4.860589812

S.D. dependent var

6.4592916

Akaike info criterion

6.577534476

Schwarz criterion

7.07167438

Log likelihood

-1179.71018

Hannan-Quinn criter.

6.77375079

Avg. log likelihood

-3.16276188

Left censored obs

0

Right censored obs

0

Uncensored obs

373

Total obs

373

Donde los resultados nos representan:

- R2 (R squared): Este parámetro estadístico mide o representa el éxito de la regresión en predecir los valores de la variable dependiente dentro de la muestra, tomada en nuestro caso los 373 datos correspondientes a las encuestas realizadas.

- R2Ajustado (Adjusted R squared: Este parámetro determina el ajuste a los grados de libertad para un cálculo más eficiente. Denotando la proporción de variación en la variable dependiente, comúnmente llamado coeficiente de determinación corregido.

- Error Estándar de la regresión (S.E. of regression: Es la medida de los errores de estimación o predicción de la regresión, adopta las mismas unidades de la variable dependiente.

- Suma de los cuadrados de los residuos (Sum squared resid): Este parámetro es lo que realmente indica el modelo, siendo la estimación de los coeficientes del modelo por los mínimos cuadrados.

- Error por estimación de máxima probabilidad (Look – Likelihood): Demuestra el valor de la función de máxima probabilidad (asumiendo errores normalmente distribuidos) evaluando a los valores estimados de los coeficientes.

Las pruebas de máxima probabilidad pueden ser utilizadas para mostrar la diferencia entre los valores de máxima probabilidad con restricciones con otros sin restricciones de una ecuación.

- F estadístico (F- statistic): Prueba estadística que sirve para comparar varianzas. El estadístico F experimental es el estadístico de contraste en el ANOVA y otras pruebas de comparación de varianzas.

-Probabilidad F estadístico (Prob. F- statistic): El parámetro indica que el modelo de manera conjunta es estadísticamente significativo, en nuestro caso se interpreta, que las variables tomadas para estimar el modelo explican a la variable dependiente.

Si Prob(F-Statistic)

- Valor de la variable dependiente (Mean dependent variable): Tal como lo indica el nombre representa el valor adoptado por la variable dependiente según dado por el modelo.

- Dispersión estándar de la variable dependiente (S. D. dependent var): Demuestra la medida de la dispersión de los datos en la variable dependiente, mediante la desviación típica muestrales.

- Criterio de Akaike (Akaike criterion): El criterio Akaike, es una guía de selección del número de términos de una ecuación. Está basado en la suma de cuadrados de residuales.

- Criterio de Schwarz (Schwarz criterion): Es un criterio para la selección de modelos no anidados pro el SIC.

- Criterio de Hannan Quinn (Hannan Quinn criterion): Es un criterio para la selección del modelo1 . Es una alternativa al Criterio de Información de Akaike (AIC) y el criterio de información bayesiano (BIC).

- Estadístico Durbin Watson (Durbin Watson statistic): Este es un estadístico de prueba para correlación serial. Si es menor que Z, existe evidencia de correlación serial positiva.

Por el reporte del modelo de costo de viaje, podemos indicar que no se realizó la censura de variables.

2.4 Ecuaciones, símbolos y unidades.

El modelo matemático sin discriminar los coeficientes según su probabilidad y significancia, es:

Estimation Command:

=========================

CENSORED(D=N,I) P0V C P0S P10A P10B P10C P10D P10E P11A P11B P11C P11D P11E P11F P12 P13S P14 P15 P16 P17 P18 P1E P1N P2M P3 P4A P4B P4C P4D P5 P6A P6B P6C P6D P6E P6F P6G P6H P6I P7A P7B P7C P7D P7E P7F P8 P9

Estimation Equation:

=========================

I_P0V = C(1) + C(2)*P0S + C(3)*P10A + C(4)*P10B + C(5)*P10C + C(6)*P10D + C(7)*P10E + C(8)*P11A + C(9)*P11B + C(10)*P11C + C(11)*P11D + C(12)*P11E + C(13)*P11F + C(14)*P12 + C(15)*P13S + C(16)*P14 + C(17)*P15 + C(18)*P16 + C(19)*P17 + C(20)*P18 + C(21)*P1E + C(22)*P1N + C(23)*P2M + C(24)*P3 + C(25)*P4A + C(26)*P4B + C(27)*P4C + C(28)*P4D + C(29)*P5 + C(30)*P6A + C(31)*P6B + C(32)*P6C + C(33)*P6D + C(34)*P6E + C(35)*P6F + C(36)*P6G + C(37)*P6H + C(38)*P6I + C(39)*P7A + C(40)*P7B + C(41)*P7C + C(42)*P7D + C(43)*P7E + C(44)*P7F + C(45)*P8 + C(46)*P9

Forecasting Equation:

=========================

I_P0V = C(1) + C(2)*P0S + C(3)*P10A + C(4)*P10B + C(5)*P10C + C(6)*P10D