COMPARACION DE DISEÑOS DE FORMATO DICOTOMICO CUANDO SE

ASUMEN DISTINTAS DISTRIBUCIONES PARA LA DISPOSICION A PAGAR Y

SE OPTIMIZA EL VECTOR DE PAGOS - APLICACION DEL METODO DE
VALORACION CONTINGENTE EN LA LAGUNA AVENDAÑO, QUILLON1

Radoslav Dimitrov Barzev

RESUMEN

El propósito principal de este estudio es comparar los estimadores de las medidas de cambio
en el bienestar obtenidas a partir de tres diseños de encuesta para el Formato Dicotómico del
Método de Valoración Contingente (FD MVC), cuando se asumen distintas distribuciones
estadísticas para la Disposición a Pagar (DAP): Simétrica Uniforme, Simétrica Logística y
Asimétrica Lognormal; y se optimiza el vector de pagos para los últimos dos diseños. Este
estudio se realizó a través de una aplicación empírica sobre la actividad turística de la
Laguna Avendaño, valorando la Disposición a Pagar de los turistas para evitar una
desmejora en la calidad del aire debido a la instalación de una planta de celulosa en la
confluencia de los Ríos Itata y Ñuble, a unos 10 km. de distancia de la Laguna.

La distribución de la DAP fue determinada a partir de los datos de una preencuesta con
formato abierto (simétrica para este estudio), utilizando el Test Gráfico Q-Q Plot y el Test
Box-Cox (Johnson, 1982). Mientras que, para determinar el diseño de encuesta con vector
de pagos óptimo se utilizó el criterio de Error Cuadrático Medio ECM, (Joseph Cooper,
1993). Así, dada la distribución de la DAP y el tamaño de la muestra final, se optimizó el
vector de pagos, calculando el número de rangos, la cantidad de pago por cada rango, y la
distribución de submuestras por cada rango. Esto se logró utilizando el Modelo Iterativo
“Distribución de los Rangos de Pagos con Areas Iguales de Selección” DWEABS,
desarrollado por Cooper (1993).

Para la estimación de las medidas de bienestar, a partir de los datos obtenidos de las tres
encuestas, se utilizó el Método de Máxima Verosimilitud. Para los errores se asumió una
distribución logística (Logit) y para las medidas de bienestar (Media, Mediana e Integral
Positiva) se utilizó una adaptación de la forma funcional lineal de Hanemann (1984),
agregándole la variable Ingreso debido a su significancia estadística en los tres diseños.

Para la comparación de las medidas de bienestar se crearon intervalos de confianza para,

primeramente determinar la significancia estadística de las medidas obtenidas, y
posteriormente determinar si existe diferencia estadística entre ellas. Para ello se utilizó el
método de simulación de Park, Loomis y Creel (1991).

1
El presente trabajo corresponde a una síntesis de la Tesis que el autor desarrolló para optar al Grado
Académico de Magister en Economía de Recursos Naturales y del Medio Ambiente, en la Universidad de
Concepción, Concepción 1988.

1
1. INTRODUCCION

1.1 Fundamentación

El Método de Valoración Contingente (MVC) intenta averiguar, a tráves de la pregunta

directa, la valoración que otorgan las personas a los cambios en el bienestar que les produce
la modificación en las condiciones de oferta de un bien ambiental. Básicamente, se les
pregunta a las personas lo que estarían dispuestos a pagar por un beneficio y/o lo que
estarían dispuestos a recibir a modo de compensación por tolerar un costo. El proceso de
“preguntar” puede hacerse a través de una encuesta directa, o bien mediante técnicas
experimentales en condiciones de “laboratorio”. Lo que se busca son las valoraciones
personales de los encuestados frente al crecimiento o la reducción de la cantidad de un bien
dado, un contingente, en un mercado hipotético. Se considera que el mercado contingente
no incluiría sólo el bien en sí mismo (mejor calidad del agua, mejor calidad del aire, etc.),
sino también el contexto institucional en el que éste sería ofertado y la forma en que se
financiará (Azqueta, 1994; Dixon, Scura, Carpenter y Sherman, 1996; Pearce y Turner,
1995).

El Método de Valoración Contingente ha sido ampliamente utilizado en la valoración de

bienes que no tienen mercado específico, siendo que en muchos casos será la única técnica
de estimación del beneficio. Además es aplicable a la mayor parte de los contextos de la
política ambiental.

Existen distintos formatos de preguntas sobre la disposición a pagar del entrevistado, para
esta metodología: formato abierto (el entrevistador simplemente espera la respuesta a la
pregunta formulada); formato subasta (el entrevistador adelanta una cifra y pregunta al
entrevistado si estaría dispuesto a pagar esa cifra o más); formato múltiple (se le presenta al
entrevistado un cuadro con varias cifras, ordenadas de mayor a menor, y se le pide al
entrevistado seleccionar una); formato dicotómico (donde el encuestado es preguntado Si o
No está dispuesto a pagar una cantidad fija); y tambíen otras variantes de estos formatos
mencionados. Entre los formatos anteriores, el formato dicotómico se ha perfilado como la
metodología preferida.

La encuesta del formato dicotómico está compuesta por varios elementos: número total de
la muestra N, límite inferior y superior de la cantidad ofrecida (los pagos), niveles
específicos (rangos) de la cantidad ofrecida y la distribución de la muestra total entre los
rangos específicos. Sin embargo, en este formato tanto su diseño como su análisis son
relativamente complejos. La mayoría de los problemas de este formato están relacionados
con el diseño de la encuesta, por lo que en los últimos años han recibido considerable
atención. Entre los autores que se han referido a este tema se encuentran: Duffield y
Patterson, 1991; Cooper y Loomis, 1992; Kanninen y Kriström, 1993; y Cooper, 1993.
Cada uno de sus trabajos explora por lo menos alguno de los componentes del diseño de la
encuesta para formato dicotómico.

Duffield y Patterson (1991), iniciaron el camino hacia un diseño óptimo de la encuesta.

Utilizando los datos de una preencuesta - tomando como predeterminados la distribución de
la disposición a pagar DAP, el número de la muestra total N y el número de rangos de pagos

2
“b”- desarrollaron un modelo que distribuye en forma óptima la muestra total N entre los
rangos “b”. Pero ellos dejaron sin resolver el problema de optimización de los rangos en sí.
En la forma tradicional, por ejemplo, se divide la muestra total N entre un número de rangos
“b” predeterminado, sin explicar el por qué de este número de rangos “b”. De este aspecto
se encargó Cooper (1993), al desarrollar un modelo que obtiene el vector de pagos óptimo
junto con una distribución óptima de la muestra total entre los rangos de pagos optimizados.
El método se basa en un procedimiento iterativo que selecciona el diseño de la encuesta que
minimiza el error cuadrático medio de la medida de bienestar.

Por lo anteriormente expuesto, en este trabajo se analiza la diferencia en aplicar un diseño

óptimo (con vector de pagos optimizado) vrs. un diseño no óptimo (con vector de pagos
tradicional). Al mismo tiempo, se asumen distintas distribuciones estadísticas para la DAP.

En la mayoría de los estudios de Valoración Contingente se ha asumido que la DAP,

obtenida a partir de una preencuesta con formato abierto, tiene distribución normal o
logística - simétrica. Sin embargo, hay poca evidencia que demuestra que la DAP se
distribuye simétricamente. Cooper, analizando varias bases de datos de preencuestas
obtenidas con formato abierto, ha demostrado que la DAP de muchas de ellas tiene
distribución lognormal - asimétrica. Por tanto, es importante determinar la distribución de la
DAP utilizando algún test antes de optimizar el vector de pagos. En este trabajo se aplican el
Test Gráfico Q-Q Plot y el Test Box-Cox.

Entonces, para efectuar la comparación de diseños para el formato dicotómico, se diseñan

tres encuestas con diferentes vectores de pagos y diferentes distribuciones para la DAP -
simétrica con vector de pagos no óptimo, simétrica con vector de pagos optimizado y
asimétrica con vector de pagos optimizado. Para la estimación de las medidas de bienestar, a
partir de los datos obtenidos de la encuesta final según cada diseño, se utiliza el Método de
Máxima Verosimilitud, con distribución logística Logit para los errores y para las medidas de
bienestar (media, mediana e integral positiva) se usa una adaptación de la forma funcional
lineal de Hanemann (Hanemann 1984, 1989, 1994; Boyle, Welsh, y Bishop 1988). A pesar
de que uno de los diseños de encuesta está optimizado bajo el supuesto de asimetría para la
distribución de la DAP, se utiliza Logit para el procesamiento de los datos de las tres
encuestas, teniendo así una base común de comparación para los tres modelos resultantes.
Investigaciones con simulación Monte Carlo han demostrado que los diseños con
distribución de la DAP asimétrica funcionan bastante bien con Logit y la forma funcional
lineal (Cooper, 1993).

Finalmente, para comparar los estimadores de las medidas de bienestar se crean intervalos de
confianza para determinar la significancia de las medidas de bienestar obtenidas, a través del
método de simulación de Park, Loomis y Creel (1991). Primero se determina si la medida de
bienestar está dentro del intervalo de confianza simulado, para después traslapar los
intervalos de confianza y observar si las medidas de bienestar de cada modelo son
estadísticamente diferentes.

1.2 Problemática del Bien Ambiental a Tratar

La construcción de una planta de celulosa en las cercanías de la localidad de Nueva Aldea,

en la confluencia de los ríos Itata y Ñuble, ha definido un área de impacto conformado por

3
las siete comunas más cercanas a la planta industrial futura y que limitan con las riberas del
río Itata. Estas comunas son Chillán, Bulnes, Quillón, Ránquil, Portezuelo, Coelemu y
Treguaco (Centro EULA, 1997).

Este proyecto implicará múltiples impactos, muchos de los cuales serán negativos (ej.:
deterioro calidad del agua del río Itata, deterioro de la calidad del aire por gases y malos
olores, reducción productividad de cultivos, etc.), pero también tendrá impactos positivos
(ej.: generación de empleo, creación de infraestructura, etc.).

La comuna de Quillón tiene una superficie de 424 km2 , su población es de 14.645 personas
de las cuales 4.718 habitan en el área urbana, es decir un 32,2%. El porcentaje restante de
67,8% se localiza en áreas rurales. Una de las principales actividades de la comuna de
Quillón es el turismo (en la Laguna Avendaño y el río Itata), que se desarrolla especialmente
en los meses de verano. Las otras actividades importantes de la comuna son el comercio
minorista, la actividad vitivinícola y las plantaciones de frutales. Debido a que el turismo es
una actividad estacional, en Quillón la población en verano aumenta 3 veces, por la llegada
de turistas (aproximadamente 30.000 turistas) y decrece en invierno - según información
estadísticas de la Municipalidad de Quillón.

2. REVISION DE LITERATURA

2.1 El Metodo de Valoracion Contingente con Formato Dicotomico (MVC FD)

El método de valoración contingente intenta averiguar, a través de la pregunta directa, la

valoración que otorgan las personas a los cambios en el bienestar que les produce la
modificación en las condiciones de oferta de un bien ambiental no transado en el mercado.
El hecho de que la valoración finalmente obtenida dependa de la opinión expresada por la
persona, a partir de la información recibida, es lo que explica el nombre que se le da a este
método.

Bishop y Heberlein (1979) introdujeron una variante del método, llamada referéndum
(formato dicotómico), que requiere de los entrevistados únicamente respuestas del tipo
SI/NO, a diferencia de los métodos anteriores que exigían repreguntar varias veces hasta que
el entrevistado cambiaba el signo de su respuesta. Esta variante tiene enormes ventajas en
comparación con los procedimientos utilizados anteriormente, porque elimina el sesgo que
induce el hacer las repreguntas, además tiene menor costo de aplicación.

M. Hanemann (1984) y T. A. Cameron (1988) desarrollaron formulaciones teóricas del

MVC FD que permiten estimar cambios en el bienestar de las personas. Hanemann formula
el problema como la comparación entre dos funciones indirectas de utilidad; Cameron
interpreta la respuesta como una comparación entre la cantidad de dinero sugerida en la
encuesta y la diferencia entre los valores dados por la función de gasto evaluada con y sin
posibilidad de acceso al bien público que se pretende valorar.2 McConnel (1990) demostró
que las porciones determinísticas de los dos modelos sugeridos son duales entre sí. La
diferencia entre los dos enfoques es el momento en que se agrega el término estocástico a
2
Se entiende por función de gasto una función que mide la mínima cantidad de dinero necesario para que un
individuo alcance un determinado nivel de utilidad en unas condiciones dadas.

4
las funciones.

En este estudio se utiliza el enfoque de Hanemann para la estimación de las medidas de

bienestar, estableciendo la diferencia en las funciones de utilidad indirecta ∆V, pero se hace
una adaptación de la forma funcional lineal de Hanemann para ∆V agregándole la variable
Ingreso debido a su significancia estadística en los tres modelos.

2.1.1 Estructura del Modelo de Hanemann

Para Hanemann, el turista - como consumidor - tiene una función de utilidad de la siguiente
forma:

U = U(J,Q,Z,S) (1)
donde,

U= Función de utilidad.
J= Toma valor “1” en situación cuando se toma acción (para hacer una mejora o evitar
una desmejora) y “0” en situación cuando no se toma ninguna acción.
Q = Actividad complementaria con nivel de calidad ambiental (turística).
Z = Bien Hicksiano ( todos los demás bienes que consume el individuo).
S = Atributos observables del individuo, los cuales pueden afectar sus preferencias
(características sociales).

W=W(J,P,Y;S) es la función de utilidad indirecta determinística para el individuo, la que se

utiliza para describir e analizar las medidas de cambio en el bienestar.

2.1.2 Medidas de Cambio en el Bienestar

Variación Equivalente

La calidad del aire, como bien ambiental, es uno de los factores que asegura una creciente
actividad turística en la Laguna Avendaño. Y aunque no tenga precio de mercado hay que
valorar económicamente este bien ambiental para determinar el cambio en el bienestar y
expresarlo monetariamente. Para hacer esto, se puede utilizar la cantidad de dinero que
pagaría el turista para evitar cambios desfavorables en la calidad del recurso.

Las dos formas comúnmente utilizadas con esta metodología para determinar el cambio en el
bienestar de un individuo son la Variación Compensada (VC) y la Variación Equivalente
(VE). Cada forma tiene dos opciones, en dependencia de quien de las partes involucradas
tiene el derecho sobre el uso del recurso (ej.: turista o planta de celulosa). En este trabajo se
utiliza la Variación Equivalente.

La VE es la cantidad de dinero que se le entregará al turista si el cambio no se dio, pero que

lo hará pasar a un nuevo nivel de bienestar, como si el cambio se hubiera dado:

5
i) Cantidad máxima que el individuo está dispuesto a pagar DAP por evitar un cambio
desfavorable. (Turista no tiene el derecho).

ii) Cantidad mínima que el individuo está dispuesto a aceptar DAA por renunciar a un
cambio favorable. (Turista tiene el derecho).

El cálculo de la VE se hace a partir de la función de gasto del individuo. Se traduce en la

diferencia en el gasto necesario para alcanzar el nuevo nivel de bienestar, evitando un
cambio desfavorable en el bien ambiental, dado un nivel de precios P y el nivel de utilidad
después de la instalación de la planta de celulosa U1, (U0 es el nivel de utilidad antes de la
instalación de la planta de celulosa):

Q1 ∂E
0 1 1
VE=E(P,Q ,U ) - E(P,Q ,U ) = 1
∫Q 0
∂Qi
( P , Q, U 1 ) dQi

(2)
donde,

Q0 es la calidad de aire antes de instalar la planta de celulosa - no afectada por gases.

Q1 es la calidad de aire después de la instalación de la planta de celulosa - afectada por
gases.
(Q1<Q0) donde la instalación de la planta implica una desmejora en la calidad del aire.
E(P,Q0,U1) es la función de gasto cuando se evita la desmejora.
E(P,Q1,U1) es la función de gasto con una desmejora en la calidad del aire.

Según el enfoque de Hanemann (1984), la función de utilidad indirecta del entrevistado se

puede expresar también W(J,Y;S), donde Y es el ingreso, J=1 cuando se ha tomado acción
para evitar la desmejora (J=0 cuando no se ha tomado acción), y S son las características
socioeconómicas del encuestado.

Dado que no se conoce esta función, se puede expresar de la siguiente forma:

W(J,Y;S)=V(J,Y;S) + εJ , (3)

donde εJ es un error estocástico debido a que la parte izquierda de la expresión es una

aproximación de la verdadera función de utilidad. Siguiendo con el despeje:

V(1,Y-C;S)+ε1 = V(0,Y;S)+ε0 , (4)

C = variación equivalente VE y es la verdadera DAP.

ε1= error cuando se trata de evitar la desmejora.
ε0= error en situación con desmejora.
ε1 y ε0 son variables aleatorias e idénticamente distribuidas.

Mientras tanto, en la encuesta no se pregunta por la variación equivalente del turista, sino
que se trata de averiguar a través de su DAP. Ahora bien, si el encuestado acepta pagar $X,

6
para evitar la desmejora obtenemos la siguiente expresión:

V(1,Y-X;S)+ε1 = V(0,Y;S)+ε0 ,
V(1,Y-C;S) - V(0,Y;S)>ε0-ε1 ,
∆V= V(1,Y-C;S) - V(0,Y;S) y η=ε0-ε1 ,
∆V>η. (5)
Dado que la respuesta de la pregunta (SI/NO) es variable aleatoria para nosotros, la
probabilidad de una respuesta positiva está dada por:

Pr[Respuesta SI] = F[∆V], (6)

∆V
donde F es la función de probabilidad acumulada de η: F ( ∆V ) = ∫ f (η ) , con f(η) la
−∞

función de densidad de probabilidad de η, indica la probabilidad que η sea menor o igual a ∆

V.

Por otro lado, volviendo a la expresión V(1,Y-C;S)+ε1 = V(0,Y;S)+ε0 , se puede expresar C

en función del ingreso Y, utilizando la función de gasto E(V,J;S), que es dual de V. Con la
identidad Y-C=E(P,1,V(1,Y-C;S);S) se obtiene:

Y-C=E(P,1,V(0,Y;S)+ε0-ε1;S) ,
C=Y-E(P,1,V(0,Y;S)+η;S) , (7)
ecuación que confirma la aleatoriedad de C. Entonces la respuesta del encuestado se modela
así:
Pr[Respuesta SI]=Pr[C>X] = 1- Gc(X), (8)

donde Gc(X) es la función de probabilidad acumulada de C evaluada en X.3

Finalmente, se pueden obtener las tres medidas de bienestar.

La Media C+.

Esta medida de bienestar es el valor esperado de C, denominado C+. Se calcula con el

método de integración por partes, a partir de la función de probabilidad acumulada
Hanemann, 1989; Ardila, 1993):
∞ 0
C+= ∫ 1 − Gc( X ) dX − ∫ Gc ( X ) dX , (9)
0 −∞

La Mediana C*
Una segunda medida de la variación equivalente es la mediana C*, que hace que la
probabilidad de una respuesta afirmativa sea 0,5, definiéndose de manera implícita:
3
Gc(X) da la probabilidad que C sea menor o igual que X, que es la probabilidad de obtener una respuesta
negativa, y 1-Gc(X) la probabilidad que C sea mayor que X.

7
 Pr[V(1,Y-C*;S)+ε1>V(0,Y;S)+ε0]=0,5
F[V(1,Y-C*;S)-V(0,Y;S)>ε0-ε1]=0,5
F[∆V]=0,5 (10)

donde F es la distribución de probabilidad acumulada de η=ε0-ε1. Dado que F(∆V)=1-

Gc(X), la última expresión implica que C* define el punto donde Gc toma el valor 0,5,
entonces C* es la mediana de C.

La Integral Positiva C’

Siendo que en este trabajo se espera que la disponibilidad a pagar sea positiva, lo que es
económicamente correcto, no tiene sentido calcular el valor esperado de la disponibilidad a
pagar incluyendo los valores negativos. En este caso Hanemann (1989), sugiere únicamente
el primer término de la ecuación (13) para calcular el valor esperado. Este valor se denomina
C’ y es la Integral Positiva.

2.1.3 Las Formas Funcionales

V(.) puede adoptar distintas formas funcionales. ∆V depende de X según la forma funcional
asumida para V. En este trabajo se utiliza de base la forma funcional de Hanemann (1984)
VJ=αJ+βY+ei ; ∆V=α-βX+η, a la cual se le hace una adaptación incluyendo la variable
ingres Y.

2.2 Diseño Optimo para el Vector de Pagos del Formato Dicotómico

2.2.1 Determinación del Vector de Pagos

Existen varios métodos para determinar el vector de pagos “m”. En este trabajo se utiliza el
enfoque tradicional (sin optimizar el vector de pagos), y el enfoque de Joseph Cooper
(1993) quien - a diferencia de Duffield y Patterson (1991) que obtienen una distribución
óptima de los “n” entre los rangos de pagos “b” - logra también el número óptimo de rangos
“m*” y la cantidad óptima por cada rango de pago “b*”.

2.2.1.1 Enfoque Tradicional sobre la Determinación del Vector de Pagos

En este enfoque, dado el N, los límites inferior y superior de la DAP, y la distribución

estadística de la DAP (en este caso simétrica), se procede a dividir N (número muestra total)
entre “m” (número aleatoriamente seleccionado de rangos de pagos del vector - en este caso
10). Inmediatamente se obtienen 10 submuestras “n” por cada pago “b”. Esta forma ha sido
ampliamente utilizada, pero no tiene un criterio formal que justifique el uso de este enfoque.

8
 2.2.1.2 Fundamentos para la Optimización del Vector de Pagos

Como resultado de las respuestas del Formato Dicotómico del MVC, la única información
obtenida del encuestado “t” donde t=1,...,N, es si la DAP está por abajo o por encima del
valor de pago propuesto (bt). Pero, como no se conoce la verdadera DAP, la DAP t es una
variable aleatoria. Hanemann (1989), observa que el valor esperado de esta variable, y de
cualquier otra variable aleatoria, puede ser expresada en forma continua:

∞ ∞ 0

E ( DAP ) = ∫ bf (b)db = ∫ [ 1 − F (b)] db − ∫ F (b)db

−∞ 0 −∞
(11)

donde F(b) es la función de densidad acumulada que representa la probabilidad de obtener

una respuesta “NO” en la pregunta dicotómica de la encuesta, y f(b) es la función de
densidad de probabilidad. Siendo que la DAP es una variable aleatoria no negativa en la
mayoría de los casos, para estar consistente con la teoría económica, podemos expresarla
así:
∞

E ( DAP ) = ∫ [ 1 − F (b )] db (12)
0
Entonces, para optimizar el vector de pago, hay que seleccionar un criterio. En este trabajo
∩
se selecciona el vector de pagos que minimiza el error cuadrático medio ECM de la DAP
(el estimador de la verdadera media poblacional DAP), definido como,

2 2

ECM ( DAP ) = E  DAP − E ( DAP )  +  E ( DAP) − DAP 

∩ ∩ ∩ ∩
(13)
   
El criterio de ECM se prefiere ante el criterio de varianza mínima (Duffield y Patterson,
1991), por su mayor generalidad. Mientras que el criterio de mínima varianza produce un
∩
valor para la DAP con menor intervalo de confianza, no hace nada para asegura que este
valor sea libre de sesgos. El criterio de ECM encuentra un punto de balance entre el
insesgamiento y la varianza mínima.

2.2.1.3 Enfoque de Duffield y Patterson (1991) sobre la Determinación del

Vector de Pagos

Duffield y Patterson (1991), propusieron un modelo para determinar el tamaño óptimo de la

submuestra “nm”, dado un conjunto aleatoriamente determinado de pagos “bm”, el número de
rangos de pagos “m” y el tamaño total de la muestra N. Específicamente, ellos enfocaron el
problema como minimización de la varianza del valor esperado de la DAP sujeto a
∑
m
i
ni = N , donde “ni” es el número de individuos que enfrentan un rango de pago “bi”. Las
variables consideradas en el diseño son “bi”, “ni” y “m”, donde “m” es el número de
diferentes rangos de pagos (m<N). Con los resultados de la preencuesta con formato
abierto se construye la función de la densidad de la probabilidad de la DAP. Lo más
importante del caso es que ellos no especifican cómo se seleccionan los “bm”. De hecho usan

9
un criterio simple de incrementos iguales aproximados en forma log-lineal entre los rangos
de pagos y un “m” predeterminado. En conclusión, la información cuantitativa ha sido
utilizada de una manera informal.

2.2.1.4 Enfoque de Joseph Cooper (1993) sobre la Determinación del

Vector de Pagos

En este enfoque, al igual que en el enfoque de Duffield y Patterson (1991), el N está dado y
los fondos del investigador son la variable principal para determinar N. Pero en la
determinación de “bm” y “nm”, se hace énfasis sobre el criterio de Error Cuadrático Medio y
no sobre el criterio de varianza mínima. Se espera que en el proceso de seleccionar “b m” se
debe minimizar la posibilidad de que la distribución de estos rangos de pagos sea diferente a
la verdadera distribución de la DAPt , donde t=1,...,N. Si los “bm” están muy bajos, en
relación a la verdadera DAPt , habrá mayor porcentaje de respuestas positivas SI. Si están
muy altas ocurre lo contrario.

A pesar de que “n” y “b” (donde “n” y “b” son vectores de “m” x 1) deben ser
endógenamente determinados, puede no ser posible determinarlos simultáneamente. De
hecho se sigue un procedimiento iterativo de dos pasos, descrito en el siguiente punto.

2.2.1.5 El Modelo “Distribución de los Rangos de Pagos con Areas Iguales

de Selección” (DWEABS), desarrollado por Cooper 1993

DWEABS es un modelo iterativo de dos pasos. En el paso 1 - dado el número de rangos de

pagos “m”, el tamaño de la muestra N, y una distribución de probabilidad de la DAP
seleccionada a priori - el modelo fija las cantidades ofrecidas en iguales incrementos de
probabilidad (o sea, el área bajo la función de densidad de la probabilidad está dividida en
áreas iguales). En el paso 2, para el conjunto de pagos seleccionados en el paso 1, dados N y
la distribución de probabilidad, se hace distribución de “nm” entre los rangos de pagos
minimizando la varianza. Los dos pasos se recalculan para m=1 hasta N para encontrar el
Error Cuadrático Medio ECM minimizando m* y distribuyendo ([b1*, n1*],...,[bm*, nm*]).

En el paso 1, el área bajo la función de densidad de probabilidad f(DAPθ),

(preseleccionada a partir de los datos de la preencuesta), está dividida en áreas iguales, con
los rangos de pagos correspondientes a los límites entre las áreas. Expresando esto
formalmente, dados Pi , bi es un conjunto en F(bi)=Pi, o bi=F-1(Pi), para i=1,...,m. Por
ejemplo, si m=1, el área bajo la curva de función de densidad está dividida entre dos áreas
iguales, donde las separaciones ocurren en P1=0.5, con un b1=F-1(0.5) correspondiente.
Entonces, el orden (Pi) de la distribución correspondiente al cuantil (bi) se define así:

Pi=(1/(m+1))*i, para i=1,...,m (14)

La división de la distribución en áreas iguales para la selección de los valores de los rangos
de pagos se aplica para todo valor de “m” y para toda distribución. DWEABS ubica la mitad
de los “b” a cada lado de la mediana. Si uno escoge un punto de rangos de pagos, éste sería
la media y la mediana , las cuales son idénticas para distribuciones simétricas. Suponiendo

10
que la distribución predeterminada es la verdadera, el encuestado va estar igualmente
dispuesto a aceptar o a rechazar el rango de pagos, por lo tanto se estará maximizando la
probabilidad de que las respuestas estén equitativamente balanceadas entre “unos” y “ceros”.
Para un “m”, la mitad de los puntos de rangos estarán fijos en el lado del “1” de la mediana y
la otra mitad a incrementos equidistantes de probabilidad. Para un “m” impar, m/2 es la
mediana.

Con DWEABS, el punto de truncación T reemplaza “∞“ en el límite superior de la función

del valor esperado (Ecuación 12), y no está determinado a priori, contrario de lo que hacen
Duffield y Patterson (1991), más bien es una función creciente de “m”. Mientras “m”
incrementa, más rangos de pagos están incluidos en las colas de la distribución - los rangos
se seleccionan en un proceso que se aleja del centro de la distribución a medida que “m”
incrementa. En este proceso de selección, los incrementos entre los rangos incrementan a
medida que la distancia de la mediana incrementa. Como el tamaño de “m” es finito, esta
tendencia es una forma eficiente de distribuir las cantidades de los rangos; dichas cantidades
están ubicadas cerca una de otra en la región de más alta densidad, y más apartadamente en
la región de menor densidad.

En el paso 2, una vez determinados los puntos de los rangos de pagos según paso 1, se
deriva la distribución de “nm” minimizando el ECM. El criterio es escoger “nm” que minimiza
∩∩ ∩∩
el ECM ( DAPΙ b1 ,... bm ,θ ) = sesgo 2 + var( DAP ) sujeto a la restricción del tamaño total de
la muestra:

∩∩ 2 ∩∩
min ( DAP − DAP ) + var( DAP )
n1 ,..., nm

m
(15)
s. a . ∑ ni = N , donde ni ≥ 0 para i = 1,..., n
i =1
∩∩
donde la DAP estimada en el programa de diseño se denota como DAP para diferenciarla
∩
de DAP , la que se estima a través de una regresión aplicada a las respuestas obtenidas con
∩∩
la encuesta de Formato Dicotómico, diseñada minimizando el ECM de la DAP .

Siendo que las cantidades discretas “bm” se manejan hasta en el paso 2, se debe hacer una
aproximación lineal discreta de la media continua para las variables diferentes a cero
(Ecuación 12) y la varianza de la DAP. Duffield y Patterson (1991), han desarrollado
aproximaciones no paramétrica trapezoidal para estos estimadores. Basándose en una
aproximación a una integral, partida en “m” secciones de ∆bi de longitud, su aproximación
∞
∫ [ 1 − F (b)] db es:
∩∩
de la DAP truncada a
0
∩∩ m
DAP = ∑ ∆bi pi (16)
i =1
donde,
∆bi=(bi+1-bi-1)/2, para i=2,...,m-1,
∆b1=(b2-b1)/2 y ∆bm=(bm-bm-1)/2

11
y pi=niy / ni es el porcentaje de respuestas positivas a “bi”.

Considerando el hecho de que niy es una variable aleatoria binomial con parámetros ni y πi,
donde πi=1-F(bi), la varianza de niy es niπi(1-π), y así var(pi)=πi(1-πi)/ni . Con esta derivación
Duffield y Patterson (1991) obtuvieron su ecuación de la varianza del estimador de la DAP
en (20),
∩∩ m
var( DAP ) = ∑ ( ∆bi ) 2 π i (1 − π i ) / ni , (17)
i =1
m
Duffield y Patterson minimizan ecuación (17) sujeta a la restricción ∑n i = N . Sin
i
embargo, el criterio de ECM es preferible. Para minimizar el ECM con respecto a “nm”, las
fórmulas (16) y (17) se sustituyen por la media y la varianza en (15). En ecuación (16),
siendo que niy es desconocido, 1-F(b) se substituye por pi en vez de niy / ni. Siendo también
que el sesgo no es función de los “n”, la condición de primera orden de la ecuación (15) y la
versión restringida de la ecuación (17) son las mismas para un conjunto de rangos dado. Así
el enfoque de Duffield y Patterson encuentra el ECM y varianza, minimizando los “n” solo
para un conjunto de rangos de pagos dado. Para cualquier N, éste será el ECM minimizando
el diseño de la muestra solo por casualidad. En el DWEABS, el modelo es iterativo con m=1
hasta N usando (15) como la función objetivo para encontrar el óptimo ECM minimizando
el diseño de la muestra (b1,...,bm ; n1,...,nm). A diferencia del enfoque de Duffield y Patterson,
DWEABS examina el diseño de los rangos de pago para cada posible valor de “m”.

Por las ecuaciones (16) y (17) y por las propiedades de los rangos de pagos de DWEABS, ∂
sesgo/∂m<0 y ∂var/∂m>0. Esto ocurre porque la exactitud de la aproximación trapezoidal de
E(DAP) aumenta a medida que el número de incrementos “m” aumenta.

Reescribiendo ecuación (17) como un Lagrangiano sujeto a la restricción del tamaño de la

muestra, tomando las condiciones de primer orden, resolviéndolos para ni* se obtiene el
resultado de Duffield y Patterson (1991):

N∆bi [ π i (1 − π i )]
1/ 2

n =
*
i m , i=1,...,m. (18)
∑ ∆b [ π (1 − π i )]
1/ 2
i i
i =1

Este resultado es aplicable a cualquier encuesta del MVC FD, donde el costo por cada
encuesta individual es independiente de la cantidad del rango de pago.

3. METODOLOGIA

3.1 Diseño de la Encuesta

Para obtener respuestas realistas se debe presentar una situación creíble, aunque ésta sea

12
hipotética. La encuesta se debe diseñar de manera que se puedan identificar las principales
variables que influyen en la decisión de los encuestados, evitando sesgos y facilitando los
cálculos econométricos posteriores.

3.1.1 Elementos de la Encuesta

Siendo que se trabaja con una situación hipotética y respuestas subjetivas, deben tomarse en
cuenta ciertas normas y elementos que componen la encuesta para asegurar un buen diseño
de la misma. Para asegurar lo anterior, la encuesta se elaboró de acuerdo a las pautas
generales entregadas por Mitchell y Carson (1989, 1995), pero se hizo énfasis en los
siguientes elementos de la encuesta (Duffield y Patterson, 1991, Cooper, 1993):

* Tamaño de la Muestra “N”

Según Joseph Cooper (1993), el número total de observaciones en la encuesta N, se fija

según los recursos disponibles del investigador. Sin embargo, a medida que vaya
incrementando N los valores estimados se van aproximando a los verdaderos valores
poblacionales. Debido a que en este trabajo se estudió el comportamiento de tres
distintos diseños de encuesta y contó con una cantidad limitada de recursos para la
investigación, se utilizaron únicamente 100 observaciones por cada encuesta.

* Rangos de Pagos “$bm” y el Vector de Pagos “m”

En el Formato Dicotómico se fija un Vector de Cantidades Ofrecidas (Pagos) “m”

compuesto por varios rangos de pagos “bm”. El número de rangos, la cantidad por rango
y la submuestra de N por cada rango “nm” se determinaron a través de distintos métodos
analizados en la sección 2.2.1.

* Límites Inferior y Superior de los Pagos

Con las cantidades mínima y máxima que los turistas están dispuestos a pagar DAP,
obtenidas a través de preguntas abiertas en la preencuesta, se determinaron los límites
inferior y superior del vector de pagos.

* La Distribución Estadística de la DAP - de las submuestas “nm”

La muestra total N está subdividida en “nm” submuestras que están distribuidas entre los
distintos rangos de pagos. La distribución estadística de la DAP determina la
distribución de los “n” entre los rangos. Puede ser simétrica (ej.: normal, logística) o
asimétrica (ej.: lognormal, gamma). Existe poca evidencia para indicar de qué forma se
distribuye la DAP, por tanto el supuesto de la distribución afecta el diseño de la encuesta
y por ende los valores estimados de las medidas de bienestar.

Siendo que el diseño de la encuesta depende de la combinación de los elementos descritos,

es muy importante la forma de determinación de cada uno de ellos. En este trabajo se
utilizan tres diseños, donde se manipulan dos elementos: el vector de pagos y; la distribución
estadística de la DAP.

13
El diseño A) presenta vector de pagos determinado en forma tradicional (no optimizado)
con distribución simétrica (uniforme) de la DAP; el diseño B) presenta vector de pagos
optimizado según modelo DWEABS4 desarrollado por Cooper (1993), con una distribución
simétrica (logística) de la DAP y; el diseño C) presenta vector de pagos optimizado con el
modelo DWEABS25 pero bajo una distribución asimétrica (lognormal) de la DAP.

3.1.2 Proceso de Encuestación

En este trabajo se optó por el método de entrevista personal, el cual es más directo y
asegura la calidad de la aplicación de la encuesta: control del tiempo, información
presentada al encuestado, mantener el orden de las preguntas y el uso de material visual. La
encuesta se aplicó en el balneario, durante el mes de Febrero a turistas que no provenien del
área afectado. Según estadísticas de la Municipalidad de Quillón, unos 30.000 turistas
visitan la Comuna de Quillón y la Laguna por temporada (Enero, Febrero y Marzo).
3.1.2.1 El Mercado Hipotético y el Vehículo de Pago

La base del método de valoración contingente, es estimar cambios en el bienestar de las

personas cuando cambia la calidad de un bien ambiental. Siendo que este bien no es
transable en ningún mercado específico, se debe crear un mercado hipotético lo
suficientemente creíble como para obtener respuestas realistas por parte de los encuestados.

Para este estuido se formuló un mercado hipotético de permisos de emisión de gases. Los
permisos serían emitidos por CONAMA (Comisión Nacional del Medio Ambiente) a inicio
de cada año durante la vida útil de la planta de celulosa y podrían ser comprados por
cualquier persona jurídica o natural, municipalidad u otra institución interesada.

Se planteó que las siete comunas afectadas crearían un fondo común para comprar una
cantidad de permisos que permita mantener la emisión a un nivel en que no se afectarían las
actividades relacionadas con la calidad del aire. Una comisión monitorearía este proceso.

El vehículo de pago propuesto es un cargo adicional sobre el valor de la entrada al balneario.

El pago por acceso actual es de $500. Este cobro adicional sería destinado al fondo
mencionado.

3.1.2.2 Preencuesta con Formato Abierto

Antes de la encuesta final, se aplicó una preencuesta con formato abierto donde se le
preguntó abiertamente al encuestado sobre la cantidad que está DAP para evitar la
desmejora ambiental. Se realizaron un total de 60 preencuestas. Esto se hizo con el
propósito de verificar el funcionamiento general de la encuesta, determinar los límites
inferior y superior del vector de pagos y seleccionar la distribución de la DAP.

3.1.2.3 Encuesta Final con Formato Dicotómico

4
Modelo “Distribución de los Rangos de Pagos con Areas Iguales de Selección” (DWEABS) cuando la
distribución de la DAP es simétrica.
5
Modelo “Distribución de los Rangos de Pagos con Areas Iguales de Selección” (DWEABS2) cuando la
distribución de la DAP es asimétrica.

14
En la encuesta final se utilizaron las mismas preguntas que en la preencuesta, con la
diferencia de que la DAP se obtiene mediante una pregunta dicotómica:

“Teniendo en cuenta sus ingresos, gastos, número de visitas que realiza al año y otras
posibilidades de recreación, ¿estaría Ud. dispuesto a pagar $______X_______ adicional
al valor de la entrada, para mantener la calidad de aire de la Laguna Avendaño?”

3.1.3 Diseño Optimo del Vector de Pagos bajo Distintos Supuestos de Distribución
para la DAP

En este trabajo se asumen tres distintas distribuciones de la DAP para cada diseño: A)
simétrica uniforme; B) simétrica logística y; C) asimétrica lognormal. Con las distribuciones
B) y C) se aplican los modelos DWEABS y DWEABS2 para optimizar el vector de pagos.

Los estimadores de los parámetros de la distribución de la DAP, necesarios para los modelos
DWEABS y DWEABS2, fueron obtenidos de la preencuesta con formato abierto (FA).
Debido a que la teoría económica no da ninguna orientación sobre la distribución estadística
esperada, es difícil determinar la naturaleza de la distribución. A pesar de ello, en los
estudios empíricos frecuentemente se asume que la distribución de la DAP es simétrica. En
el diseño A) se asume una distribución simétrica uniforme y en el dseño B) una distribución
simétrica logística para la DAP. Mientras tanto, para el diseño C) se selecciona la
distribución asimétrica lognormal.

Existen varias técnicas para determinar cual de estas distribuciones es apropiada. En este
trabajo se utilizan el Test Gráfico Q-Q Plot y el Test Box-Cox (Johnson, 1982) para verificar
la normalidad de los datos a partir de la preencuesta. Con el Test Q-Q Plot se grafican los
cuantiles de la muestra versus una situación hipotética donde los cuantiles están distribuidos
normalmente (los datos hipotéticos forman una línea recta). Si los puntos de los dos gráficos
sobrepuestos están cerca, se puede asumir la normalidad de los datos. Al mismo tiempo, la
distribución logística puede ser utilizada cuando los datos están aproximadamente
normalmente distribuidos, porque son distribuciones parecidas.

También, con el Test Gráfico Q-Q Plot, aplicado en los datos de la preencuesta, se puede
verificar si los datos están distribuidos lognormalmente. Si los datos están distribuidos
lognormalmente, entonces el logaritmo de los datos debe dar aproximadamente una línea
recta.

Con el test Box-Cox, aplicado a los datos de la DAP con formato abierto, se asume que
existe un valor λ para el cual la variable aleatoria DAP es transformada de la siguiente
forma: (DAPFAλt-1)/λ. Si la DAP está distribuida lognormalmente λ=0, y si la DAP está
distribuida normalmente λ=1. Por tanto, se probó la hipótesis nula de que DAP está
distribuida lognormalmente ante la hipótesis alternativa de que tiene distribución normal.

Para formalizar lo anteriormente expuesto consideremos la formula (12), que es un modelo

probabilístico para la distribución de frecuencias de una variable aleatoria continua

15
representado por una curva continua que corresponde a la llamada función de densidad
acumulada:
∞

E ( DAP ) = ∫ [ 1 − F (b )] db (12)
0

Esta densidad puede tomar una gran variedad de formas. Las que se analizan aquí son la
distribución de probabilidad normal, la distribución de probabilidad logística y la distribución
de probabilidad lognormal.

La Distribución de Probabilidad Normal

Es una distribución continua en forma de

campana, que es la más utilizada en una f(b)
gran variedad de aplicaciones estadísticas.
(Fig. 1). Como la ecuación de la función de
densidad se construye de manera que el
área bajo la curva representa probabilidad, σ
el área total es igual a 1.
µ b
Fig.1 Función de densidad de probabilidad
normal.
Su forma funcional de densidad viene dada
por:

1  (b − µ ) 2 
f (b ) = exp −  -∞ < b < ∞ (19)
σ 2π  2σ 2 
donde µ es su media y σ es su desviación estándar y σ2 es su varianza. Entonces b sigue una
distribución normal con media µ y varianza σ2 de la siguiente forma b~N(µ,σ2).

Esta distribución puede adoptar también f(b)

una forma uniforme, como en el caso del
diseño A) de este trabajo, donde los
cuantiles están igualmente distribuidos bajo
la curva de función de densidad. (Fig. 2).

1 m b
Fig.2 Función de densidad de probabilidad
uniforme.
La Distribución Logística
f(b)
Si f(bi) es logística, los estimadores de los
parámetros necesarios para calcular F(bi)
pueden ser expresados a través de la
Logística Lognormal

16 µ b
Fig.3 Funciones de densidad de
probabilidad logística y lognormal.
siguiente forma funcional logística:

F(bi)= [1+exp(-(α+βbi))]-1 , donde α+βbi , β < 0 (20)

Esta distribución simétrica es la que se utiliza en el diseño B) de este trabajo. (Fig. 3).

La Distribución Lognormal

Esta distribución de probabilidad es la que se utiliza para el diseño C) de este trabajo y es la

que representa una distribución asimétrica. Una variable b se dice que tiene una distribución
logarítmico normal si logeb sigue una distribución normal. Si se supone que y=log b es N(µ,
σ2), entonces b=ey sigue una distribución logarítmico normal LN(µ,σ2). Su media y su
varianza están dadas por,
2
E (b ) = E ( e y ) = e µ + (1/ 2 )σ y,

2 2
V (b ) = V ( e y ) = e 2 µ +σ ( e σ − 1) (21)

La curva de frecuencia de la distribución logarítmico normal aparece también en la Fig. 3,

donde se puede apreciar la diferencia en la forma de la curva de la función de densidad, entre
una distribución simétrica y una distribución asimétrica.

Hay que mencionar también que, como muchas otras variables en economía, éstas no
pueden tener valores negativos.

3.1.4 Forma Funcionale Seleccionada para las Medidas de Bienestar

La medida de bienestar se determina como la cantidad máxima que los turistas de la Laguna
Avendaño estarían dispuestos a pagar por evitar un cambio desfavorable y se define como
variación equivalente.

En este trabajo inicialmente se considera la forma funcional lineal de Hanemann (1984) y sus
respectivas medidas de bienestar. Y para esta forma funcional desaparece la variable Ingreso,
∆V=α-βX+η. Pero, para las tres muestras de este trabajo ésta variable resultó
estadísticamente significativa, mientras que el resto de variables socioeconómicas no fueron
significativas. Por esta razón, y para tener mejor análisis de las medidas de bienestar de los
tres modelos, se decidió adaptar la forma funcional lineal de Hanemann agregándole la
variable Ingreso, obteniendo así la siguiente expresión ∆V=α-β1X+β2Y+η.

3.1.5 Distribución LOGIT para el Término Estocástico η

17
Una vez obtenidos los datos de la encuesta con formato dicotómico, donde también se
obtiene la información sobre las características socioeconómicas del encuestado (McConnel
y Ducci, 1989), la probabilidad de una respuesta positiva estará dada por la función de
probabilidad acumulada de η evaluada en ∆V, que se asume sigue la distribución logística
Logit:

Pr(P=1) = F(V)
= 1-Gc(X)
1
= 1− (22)
1 + e − ∆V

3.1.6 Método de Máxima Verosimilitud

El método que se usa para estimar el modelo Logit es el Método de Máxima Verosimilitud.
Este método estima los parámetros del modelo maximizando la función de verosimilitud con
respecto a los parámetros del modelo - encontrando los valores de los parámetros que
maximizan la probabilidad de encontrar las respuestas obtenidas en la encuesta.

Asumiendo que F sigue la función LOGIT, el logaritmo de la función de verosimilitud L

sobre la totalidad de la muestra, o el logaritmo de la probabilidad de obtener la muestra que
se obtuvo, en donde cada individuo tuvo la opción de escoger Pi= 0,1, está dada por:

L = Log (∏ F ( ∆V )∏ (1 − F ( ∆V )))
Pi = 1 Pi = 0

1 e − ∆V
L = Log (∏ ( ) ∏ ( )
Pi = 1 1 + e − ∆V Pi = 0 1 + e − ∆V

1 e − ∆V
L= ∑ Pi *Log ( 1 + e − ∆V
) + ∑ (1 − Pi ) * Log (
1 + e − ∆V
) (23)
todoPi todoPi

donde ∆V puede reemplazarse por cualquiera de las formas funcionales dadas en la Tabla 1
de la sección anterior. Todos los cálculos se efectuaron con el Programa Computacional
LIMDEP 6,0 (Green, 1991).

3.1.7 Intervalos de Confianza

Para determinar la significancia de los estimadores y hacer comparación entre ellos, se

desarrollaron intervalos de confianza para las medidas de bienestar. El procedimiento
consiste en estimar la distribución de probabilidad de las medidas de cambio de bienestar.
Siendo que los estimadores de los cambios en el bienestar son variables aleatorias, dependen
de los coeficientes de los modelos econométricos estimados. Por tanto tienen una
distribución de probabilidad que depende de la distribución de los coeficientes del modelo

18
adoptado. La estimación del modelo Logit utilizando el método de Máxima Verosimilitud
proporciona estimadores los cuales son asintóticamente normales y tienen propiedades
asintóticamente deseables (Amemiya, 1981).

Los estimadores de las medidas de bienestar son funciones no lineales de los parámetros
estimados en el modelo econométrico, y por esta razón no es fácil derivar analíticamente
expresiones para la varianza de estas medidas. Krinsky y Robb (1986) propusieron un
método basado en simulación, al que Park, Loomis y Creel (1991) utilizaron para estimar
límites de confianza de medidas de bienestar basadas en modelos de valoración contingente.

El método consiste en generar una muestra de gran tamaño de los coeficientes del modelo
de regresión, utilizando los estimadores de la matriz de varianza-covarianza generados al
estimar el modelo vía máxima verosimilitud. Dadas las propiedades de estos estimadores, se
supone entonces que los parámetros βi siguen una distribución normal multivariada con
media y varianza conocidas. Para cada una de las realizaciones de los parámetros del modelo
econométrico en la muestra generada se calcula la medida de bienestar correspondiente,
obteniéndose de esta manera tantas como se desee. Se obtiene un intervalo de confianza (1-
α) al organizar el vector de valores calculados de las medidas en orden ascendiente y
eliminar α/2 de los valores de cada cola del vector para que sea en forma no paramétrica.

En este trabajo se utilizaron 1.000 iteraciones para construir los intervalos de confianza
simulados de las medidas de bienestar, utilizando el programa LIMDEP 6,0 (Green, 1991),
para hacer las iteraciones.

Después, se observa si la medida de bienestar originalmente calculada está dentro del

intervalo de confianza construido. Si esto ocurre, entonces su estimador es significativo.
Después se comparan los intervalos de confianza de los distintos modelos para ver si se
traslapan. Y si esto ocurre, entonces las distintas medidas de bienestar no son
estadísticamente diferentes. La medida con menor intervalo de confianza tiene mayor
significancia, debido a la menor varianza.

4. ANALISIS DE RESULTADOS

4.1 Test Gráfico Q-Q Plot y Tes Box-Cox para Determinar la Distribución
Estadística de la DAP a partir de la Preencuesta

Después de aplicar la preencuesta con formato abierto, con una muestra de 60

observaciones, se aplicó el Test Q-Q Plot para visualizar gráficamente la distribución de la
DAP. Los cuantiles de la muestra actual están distribuidos cerca de los puntos de la situación
hipotética (que presenta una distribucón normal). Por tanto, se determinó que la DAP tiene
una distribución simétrica. Se asume una distribución logística.

Con el Test Box-Cox se obtuvo un λ=0,92 con un χ2 =88,37 que rechaza la hipótesis nula
(de que la DAP a partir de la preencuesta se distribuye lognormalmente), con un 90% de
confianza. Con este test se confirmó que la DAP tiene una distribución simétrica.

19
4.2 Cálculo del Vector de Pagos para Cada Diseño, según la Distribución Asumida
para la DAP

La preencuesta sirvió no solamente para determinar la distribución de la DAP sino también

el Límite inferior = 50 y el Límite superior = 3.000. Con el tamaño de la muestra N dado,
igual a 100 por cada diseño, se procedió a calcular el vector de pagos “m” y las submuestras
“n” por cada rango de pago “b”, para cada uno de los tres diseños.

En el diseño A), de distribución uniforme, no se utiliza el modelo DWEABS, el vector de

pagos ”m” asume 10 rangos de pagos “b”, con 10 submuestras iguales “n”. En los diseños
B) de distribución logística y C) de distribución lognormal, se usa el modelo DWEABS y
DWEABS2 respectivamente para optimizar el vector de pagos, con sus respectivos rangos
de pagos y tamaño de las submuestras.

Tabla 3: Elementos del Vector de Pagos según la Distribución de la DAP de cada

Diseño: A) Uniforme, B) Logística y C) Lognormal.

Tamañ Diseño A Diseño B Diseño C

o
vector Rangos b Submuestr Rangos b Submuestr Rangos b Submuestr
m an an an
1 50 10 45 7 160 1
2 377 10 312 15 212 2
3 705 10 489 12 256 2
4 1.033 10 635 11 297 2
5 1.361 10 768 11 337 2
6 1.688 10 902 11 378 3
7 2.016 10 1.047 12 420 3
8 2.344 10 1.225 15 464 3
9 2.672 10 1.492 7 510 3
10 3.000 10 560 4
11 615 4
12 676 4
13 743 5
14 821 5
15 913 6
16 1.023 7
17 1.162 9
18 1.349 11
19 1.628 16
20 2.155 8
Fuente: Elaboración propia en base a los datos obtenidos con los modelos DWEABS y
DWEABS2.

Tabla 4: Media E(DAP) y Varianza Var(DAP) para los Datos de la Preencuesta.

20
 Datos de la Preencuesta
Media E(DAP) 768,33

Var(DAP) 356.862

Fuente: Elaboración propia en base a los datos obtenidos con los modelos DWEABS y
DWEABS2.

Tabla 5: Media E(DAP) y Varianza Var(DAP) para el Vector de Pagos Optimizado

“m*” de cada Diseño - antes de aplicar la Encuesta Final.

Diseño A Diseño B Diseño C

Media E(DAP) 1.539,1 768,33 1.041,50

Var(DAP) 889.890 158.404 296.861

Fuente: Elaboración propia en base a los datos obtenidos con los modelos DWEABS y
DWEABS2.

En la Tabla 6, donde se observa que el diseño A) no utilizó ningún criterio para demostrar
que su vector de pagos “m” es óptimo en los rangos de pagos “b” y las submuestras
seleccionados “n”. Mientras tanto, los diseños B) y C) utilizan el criterio del Error
Cuadrático Medio (aplicando los modelos DWEABS y DWEABS2) para determinar el
vector de pagos óptimo “m*”. El vector con diseño B) tiene menor ECM que el vector con
diseño C), por lo tanto se considera más eficiente. A la vez, ambos son más eficientes que el
vector con diseño A).

Tabla 6: Criterio de optimización del Vector de Pagos de los diseños B) y C): Error
Cuadrático Medio ECM.

Diseño A* Diseño B Diseño C

ECM --- * 8.741,12 45.150,52

Rango de Pagos “b*”

en que se optimiza el 10 * 9 20
vector de pagos
Fuente: Elaboración Propia en base a los datos obtenidos con los modelos DWEABS y
DWEABS2.
*) El diseño A no utiliza ningún criterio para optimizar su vector de pagos.

4.3 Descripción de la Muestra

Tabla 7: Descripción de las Variables de las Tres Muestras.

21
 Variable Muestra A Muestra B Muestra C
Rango de Pagos “b”
- Respuestas SI 44% 68% 59%
- Media 1.539,1 768,3 1.041,3

Ingreso familiar 446.000 448.000 498.000

(promedio)
Transporte en que 85% 81% 82%
viaja (privado)
Días por año que
visita la Laguna 4,5 4,7 5,0
Importancia del Aire
según el encuestado 9,92 9,80 9,96
Conocimiento del
Proyecto por el 10% 13% 13%
encuestado
Edad promedia de 43 45,5 41
encuestado
Sexo masculino 55% 56% 66%

Miembros por 5 5,5 5,2

Familia
Fuente: Elaboración Propia en base a los datos obtenidos de las tres encuestas.

Como se puede observar las muestras son bastante homogéneas. Esto es así porque la única
variable que varía entre los distintos diseños es la del Rango de Pagos, ya que ésta se
determina según la optimización del vector de pagos. Por lo tanto, se nota la diferencia entre
las respuestas positivas según cada diseño.

4.4 Estimación del Modelo LOGIT con una Forma Funcional Lineal

Como ya se había mencionado en el Capítulo 3, en este trabajo se utiliza una adaptación de

la forma funcional lineal de Hanemann (1984) para ∆V para estimar las medidas de
bienestar. La Media C+, la Mediana C*, y la Integral Positiva C’ son las medidas de bienestar
utilizadas para hacer comparaciones entre los tres modelos con distinto diseño. Hay que
notar, que la media es igual a la mediana (α/β) para esta forma funcional, por tanto se
presentan como un único resultado.

Entonces, siendo que la forma funcional lineal está dada por la expresión ∆V = α - βZ
(donde Z es cualquier variable), el primer paso fue correr en el Programa LIMDEP 6.0 una
regresión con el modelo LOGIT, y con todas las variables descritas en la Tabla 7. Se excluyó
únicamente la variable Días por año que visita la laguna, porque ésta se determina
endógenamente. Además, tampoco es estadísticamente significativa. Obteniendo así:

Pr(Resp. SI)=α1 - β1b+β2Ingr+β3Trans+β5Aire+β6Proy+β7Edad+β8Sexo+β9Fam

22
Este procedimiento se aplicó para las tres muestras obtenidas A), B) y C). Después se
analizaron los “t-student” estadísticos y las únicas variables significativas fueron el Rango de
Pagos “b” y el Ingreso.

Entonces, se corrió una segunda regresión, únicamente con estas dos variables, obteniendo
así la siguiente expresión:

Pr(Resp. SI) = α1 - β1b + β2Ingr

Tabla 8: Estimación de los Coeficientes del Modelo LOGIT Lineal para las Tres
Muestras*

Variable Modelo A Modelo B Modelo C

Intersección α1 -1,1619 2,5381 1,1461
(-1,307) (1,901) (1,107)

“b” -0,1964 -0,4758 -0,3587

(-5,061) (-4,682) (-5,050)

Ingr 0,8591 0,5550 0,6414

(3,592) (2,199) (2,753)

Fuente: Elaboración Propia en base a los datos obtenidos a partir de las regresiones
corridas.
*) Entre paréntesis están los valores “t”.

Como se observa, las variables significativas también son consistentes con la teoría
económica. Primero, la variable “b” tiene signo negativo porque a mayor cantidad de pago
propuesta, hay menor DAP por parte de los encuestados. Segundo, la decisión del individuo
depende principalmente de su restricción presupuestaria, que se determina por el ingreso
familiar. Por tanto a mayor ingreso mayor disposición a pagar. Esto y el hecho de que la
única variable significativa a parte del Rango de Pagos resultó ser el Ingreso Familiar,
justifica la adaptación de la forma funcional lineal de Hanemann, donde se introduce el
Ingreso en la regresión.

Para calcular las medidas de bienestar C, a partir de los coeficientes obtenidos en la Tabla 8,
se procede de la siguiente forma: Para la Media C+ y la Mediana C* se utiliza la expresión
α
C = - , mientras que para la Integral Positiva C’ se utiliza la expresión log(1+eα)/β
β
donde, α = α1 + β2Ingr y β = β1, obteniendo así las medidas de bienestar para cada uno de
los modelos A), B) y C).

Tabla 9: Estimadores de las Medidas de Cambio en el Bienestar C+, C* y C’. **

Medidas de Modelo A Modelo B Modelo C

Bienestar C

23
 Media C+ y 1.355 1.055,9 1.209,4
Mediana C* (675) (154,7) (245,6)

Integral Positiva C’ 1.417 1.057,6 1.214,4

(619,61) (153,80) (242,15)
Fuente Elaboración Propia en base a los datos obtenidos a partir de las regresiones
corridas.
**) Los valores entre paréntesis representan las desviaciones estándar.

Al visualizar los resultados de las medidas de bienestar, se confirman las observaciones

hechas anteriormente, donde el modelo B) sigue teniendo la menor media con menor
varianza6, seguido por el modelo C) y por último por el modelo A).

4.5 Estimación de Intervalos de Confianza para las Medidas de Bienestar.

Con el procedimiento iterativo de Park, Loomis y Creel (1991), se obtienen los intervalos de
confianza simulados.

Tabla 10: Intervalos de Confianza para las Media C+ y Mediana C*. **

Modelo A Modelo B Modelo C

Media C+ y
Mediana C* de 1.335 1.055,9 1.209,4
los Modelos A, B y C (675,01) (154,71) (245,6)

Intervalos de
Confianza [1.086,25 – 1.559,38] [952,95– 1.185,35] [1.081,88 – 1.345,71]
Simulados

Tamaño del
Intervalo de 473,13 232,40 263,83
Confianza
Fuente: Elaboración Propia en base a los datos obtenidos de la simulación de Intervalos
de Confianza.
**) Entre paréntesis están los valores de las desviaciones estándar.
Tabla 11: Intervalos de Confianza para la Integral Positiva C’. **

Modelo A Modelo B Modelo C

Integral Positiva C’ 1.417 1.057,6 1.214,4

de Modelos A, B y C (619,61) (153,8) (242,15)

Intervalos de
Confianza [1.049,32 – 1.694,93] [846,42 – 1.264,78] [967,56 – 1.449,28]
Simulados

6
Var(C)=σ2, donde σ es la desviación estandar.

24
 Tamaño del
Intervalo de 645,61 425,31 481,72
Confianza

Fuente: Elaboración Propia en base a los datos obtenidos de la simulación de Intervalos

de Confianza
**) Entre paréntesis están los valores de las desviaciones estándar.

La Media C+, la Mediana C* y la Integral Positiva C’ de los tres modelos están dentro de los
intervalos de confianza calculados, por lo tanto todas son significativas estadísticamente.

Los intervalos de los tres modelos se traslapan, implicando que las medidas de bienestar no
son estadísticamente diferentes entre sí.

Sin embargo, el modelo B) tiene los menores intervalos de confianza, por lo que sus medidas
de bienestar C+, C* y C’ son las más significativas estadísticamente.

Las medidas de bienestar C+, C* y C’ del modelo B) siguen siendo las menores y con menor
varianza seguidas por las medidas del modelo C) y después por las medidas del modelo A).

CONCLUSIONES

- No existe una regla general sobre como se distribuye la DAP, puede ser simétrica o
asimétricamente. Por esto, hay que utilizar técnicas como el Test Gráfico Q-Q Plot y el
Test Box-Cox para verificar que la distribución de la DAP.

- Se observa que el vector de pagos optimizado “m*” del diseño B) con distribución
logística tiende a tener un menor número de rangos “b”=9, mientras que el “m*” del
diseño C) con distribución lognormal tiende a tener un mayor número de “b”=20. En el
diseño A) con distribución uniforme no se usa ningún criterio para determinar “m*” y
los rangos “b”=10 se establecen arbitrariamente.

- Bajo estas condiciones, los diseños con vector de pagos optimizado agrupan los datos
en el centro, mientras que el diseño no optimizado deja muchas observaciones en las
colas donde la probabilidad de respuesta positiva es menor. Esto hace que la varianza de
los diseños optimizados sea más pequeña. El diseño B) es el que presenta la menor
varianza y el menor ECM, por lo que tiene mejor diseño.

- Lo más sorprendente es que el diseño A) aunque tiene la distribución de la DAP

determinada para este trabajo, presenta mayor varianza que la del diseño C). Esto se
debe a que éste último tiene el vector de pagos “m” optimizado. Por tanto, es más grave
no optimizar el vector de pagos que cometer el error de asumir una distribución
equivocada.

- También se concluye, que el diseño A) no tiene un criterio formal para la determinación

de sus elementos (b, n, m) y por tanto su diseño no es óptimo.

- Al calcular las medidas de bienestar, se confirman las observaciones hechas

25
 anteriormente: se nota que el modelo B) sigue teniendo la menor media y varianza,
seguido por el modelo C) y por último por el modelo A). El modelo B) tiene el mejor
diseño.

- Al simular los intervalos de confianza de las medidas de bienestar de cada modelo, se

encontró que las medidas de bienestar de los tres modelos se encuentran dentro de su
intervalos de confianza, concluyendo que todas ellas son estadísticamente significativas.
Además, no hay diferencia significativa entre ellas debido a que los intervalos de
confianza se traslapan. Sin embargo el modelo B) tiene el menor intervalo de confianza,
por lo que tiene el mejor diseño.

Finalmente, se concluye que los estimadores de las medidas de cambio en el bienestar

obtenidas a través del Método de Valoración Contingente son sensibles a los cambios que se
pueden hacer en los elementos del Diseño del Formato Dicotómico. Por tanto, es necesario
un Diseño Optimo para obtener un valor económico estimado cercano al valor económico
verdadero de estos bienes ambientales que no son transables y cuya valoración depende
únicamente de un mercado hipotético y la opinión subjetiva de sus integrantes.

BIBLIOGRAFIA

- Amemiya, T. (1981), Qualitive Response Models: A Survey, Journal of Economic

Literature, Vol. XIX. 1483-1586.

- Ardila, Sergio (1993), Guía Para la Utilización de Modelos Econométricos en

Aplicacione del Método de Valoración Contingente.

- Azqueta, Diego (1994), Valoración Económica de la Calidad Ambiental, McGraw-Hill.

- Bishop, Richard C. and Herberlein, Thomas A. (1979), Measuring Values of Extra

Market Goods: Are Indirect Measures Biased? American Journal of Agricultural
Economics, 64: 926-930.

- Boyle, Kevin., Welsh, Michel P. and Bishop, Richard C. (1988), Validation of Empirical
Measures of Welfare Change: Comment, Land Economics, 64(1): 94-98.

- Cameron, Trudy Ann (1988), A New Paradigm for Valuing Non-market Goods Using
Referndum Data: Maximum Likelihood Estimation by Censored Logistic Regression,
Journal of Environmental Economics and Management.

- Centro Eula (1997), Estudio de Línea de Base Río Itata., Universidad de Concepción,
(Realizada para Celulosa Arauco y Construcción S.A.).

- Cooper, Joseph and Loomis, John (1992), Sensitivity of Willingness to Pay Estimates to
Bid Design in Dichotomous Choice Contingent Valuation Models, Land Economics,
68(2): 211-24.

- Cooper, Joseph C. (1993), Optimal Bid Selection for Dihotomous Choice Contingent

26
 Valuation Surveys, JEEM, 24, 25-40.

- Dixon, John A., Scura, Louise., Carpenter, Richard A. and Sherman, Paul B. (1996),
Economic Analysis of Environmental Impacts, Earthscan Publications Ltd, London,
Asian Development Bank and World Bank.

- Duffield, John W. and Patterson, David A. (1991), Inference and Optimal Design for a
Welfare Measure in Dichotomous Choice Contingent Valuation, Land Economics,
67(2):255-39.

- Green, W. H. (1991), Limdep Manual and References Guide, Version 6.0, Econometric
Software Inc. Australia.

- Hanemann, Michael W. (1984), Welfare Evaluation in Contingent Valuation Experiments

with Discrete Responses, American Journal of Agricultural Economics, 222-241.
- Hanemann, Michael W. (1989), Welfare Evaluation in Contingent Valuation Experiments
with Discrete Response Data: Reply, American Journal of Agricultural Economics, 1057-
1061.

- Hanemann, Michael W. (1994), Valuing the Environment Through Contingent Valuation,

Journal of economic Perspective.

- Johnson, R. (1982), Applied Multivariate Statistical Analisis, Prentice-Hall, Englewood

Cliffs, NJ.

- Kanninen, Barbara J. and Kriström, Bengt (1993), Sensitivity of Willingness to Pay

Estimates to Bid Design in Dichotomous Choice Contingent Valuation Models:
Comment, Beijer International Institute of Ecological Economics.

- Krinski, Itzhak and Robb, Leslie A. (1986) On approximating the Statistical Properties
of Elasticities, Rev. Econ. and Statist., 68: 715-719.

- McConnell, Keneth E. and Ducci, Jorge (1989), Valuing Environmental Quality in

Developing Countries: Two Case Studies, (Presentado en el Encuentro de la AEA,
Atlanta, Georgia).

- McConnell, Keneth E. (1990), Models for Referendum Data: The Structure of Discrete
Choice Models for Contingent Valuation, Journal of Environmental Economics and
Management.

- Mitchell, Robert and Carson, Richard (1989), Using Surveys to Value Public Goods: The
Contingent Valuation Method, Resources for the Future.

- Mitchell, Robert and Carson, Richard T. (1995), Current Issues in the Design,
Administration and Analysis of Contingent Valuation Survey, Manchester University
Press.

- Park, Timothy, Loomis, John and Creel, Michael (1991), Confidence Intervals for

27
 EvaluatingBenefits Estimates from Dichotomous Choice Contingent Valuation Studies,
Land Economics, 67(1): 64-73.

- Pearce, David W. and Turner, Kerry R. (1995), Economía de los Recursos Naturales y
del Medio Ambiente, Celeste Ediciones.

28