Teoría Del Consumidor

Introduccin
a la Teora del Consumidor

De la preferencia a la estimacin
Jhon James Mora
Cali, enero de 2002
Primera Edicin. Cali, 2002
ISBN: 958-9279-53-8
Derechos Reservados
Hecho el depsito que establece la ley
Universidad ICESI
Enero de 2002
Prohibida la reproduccin total o parcial
de esta obra (Ley 23 de 1982)
DIRECCION DE INVESTIGACIONES
SERIE TEXTOS UNIVERSITARIOS DE LA ICESI N 38
Telfono: 5552334
Apartado Areo: 25608, Unicentro
Editor:
E-mail: matayta@icesi.edu.co
Cali-Valle, Colombia-Sur Amrica
Talleres grficos de
Impresora Feriva S.A.
Calle 18 N 3-33
Telfono: 8831595
E-mail: feriva@feriva.com
www: feriva.com
Primera Edicin. Cali, 2002
ISBN: 958-9279-53-8
Derechos Reservados
Hecho el depsito que establece la ley
Universidad ICESI
Enero de 2002
Prohibida la reproduccin total o parcial
de esta obra (Ley 23 de 1982)
DIRECCION DE INVESTIGACIONES
SERIE TEXTOS UNIVERSITARIOS DE LA ICESI N 38
Telfono: 5552334
Apartado Areo: 25608, Unicentro
Editor:
E-mail: matayta@icesi.edu.co
Cali-Valle, Colombia-Sur Amrica
Talleres grficos de
Impresora Feriva S.A.
Calle 18 N 3-33
Telfono: 8831595
E-mail: feriva@feriva.com
www: feriva.com
A Carolina, por su paciencia.
ICESI
3
INTRODUCCION A LA TEORIA DEL CONSUMIDOR
Contenido
PRESENTACION ..................................................................................................................... 7
INTRODUCCION ..................................................................................................................... 9
Objetivo principal del libro ................................................................................................ 10
Contenido del libro ............................................................................................................ 12
1. LIMITES A LA ELECCION ............................................................................................... 13
1.1. El conjunto de oportunidades .............................................................................. 13
1.2. Restricciones tpicas ............................................................................................. 14
1.3. Restricciones no lineales ...................................................................................... 15
1.4. Mltiples restricciones .......................................................................................... 21
Bibliografa ............................................................................................................. 22
2. PREFERENCIAS INDIVIDUALES ................................................................................... 23
2.1. Preferencias individuales ..................................................................................... 24
2.1.1. Definicin formal ....................................................................................... 24
2.2. La funcin de utilidad ............................................................................................ 28
2.3. El problema bsico del consumidor .................................................................... 31
2.4. Dualidad ................................................................................................................. 33
2.5. Trayectorias de expansin .................................................................................... 38
2.6. La tasa marginal de sustitucin ............................................................................ 39
2.7. Elasticidad ............................................................................................................. 41
2.8. Algunas formas funcionales ................................................................................. 42
2.8.1. El sistema Lineal de Gasto ....................................................................... 46
2.8.2. La funcin de Utilidad CES ...................................................................... 49
2.8.3. La funcin de Utilidad Indirecta Addilog ................................................. 51
2.8.4. Las especificaciones Translogartmicas ................................................. 52
2.8.5. El sistema Casi - Ideal de Gasto AIDS .................................................... 53
2.8.6. El modelo de Rotterdam ........................................................................... 55
Bibliografa ................................................................................................ 56
3. LA DEMANDA DEL CONSUMIDOR................................................................................ 58
3.1. Unicidad y continuidad ......................................................................................... 58
3.2. El excedente del consumidor y disponibilidad a pagar ..................................... 59
3.3. Integrabilidad de la funcin de utilidad ............................................................... 63
3.4. Preferencias reveladas ......................................................................................... 64
3.5. Agregacin ............................................................................................................ 68
Bibliografa ............................................................................................................. 72
4. SEPARABILIDAD ............................................................................................................. 74
4.1. Estructura de las preferencias .............................................................................. 74
4.2. Separabilidad de las preferencias ....................................................................... 76
4.3. Separabilidad y sustitucin intergrupal. .............................................................. 78
4.4. Separabilidad y aditividad. ................................................................................... 80
4.5. Pruebas de separabilidad .................................................................................... 81
Bibliografa ............................................................................................................. 82
ICESI
4
JHON JAMES MORA
5. LA FUNCION DE PRODUCCION DE HOGARES .......................................................... 84
5.1. Esttica comparativa. .......................................................................................... 89
5.2. Anlisis de la riqueza en el mercado de bienes .............................................. 91
5.3. Bienes Pblicos .................................................................................................. 92
Bibliografa .......................................................................................................... 94
6. VARIABLES DEPENDIENTES DISCRETAS Y LIMITADAS ........................................... 95
6.1. Especificacin del modelo ................................................................................. 95
6.2. Formas comunes de las funciones de probabilidad ........................................ 96
6.3. Estimacin ................................................................................................... 99
6.4. Algunos modelos aplicados ............................................................................... 99
6.4.1. Domencich y MacFadden ..................................................................... 99
6.4.2. Lee, L.F................................................................................................. 101
6.4.3. Pencavel .............................................................................................. 101
6.5. Modelo de efectos fijos y aleatorios en datos de panel ................................. 102
6.6. El modelo Logit condicionado .......................................................................... 103
6.7. Modelos multinomiales ..................................................................................... 105
6.7.1. Modelos ordenados ............................................................................ 105
6.7.2. Modelo Logit multinomial .................................................................... 106
6.8. Variables dependientes limitadas ................................................................... 106
6.8.1. Truncamiento ....................................................................................... 107
6.8.2. Censuramiento .................................................................................... 109
6.8.3. Modelos Tobit ...................................................................................... 110
6.8.3.1. Modelo Tobit tipo 2: { p(y
1
< 0) . p(y
1
> 0, y
2
) } .................... 112
1
< 0) . p(y
1
, y
2
) } ........................... 113
1
< 0, y
3
) . p(y
1
, y
2
)} ...................... 115
1
< 0, y
3
) . p(y
1
> 0, y
2
)} .................. 116
6.9. Contrastes de especificacin ........................................................................... 117
6.9.1. Contraste de Rao o contraste de puntuacin ................................... 118
6.9.2. El contraste Durbin-Hausman ............................................................ 119
6.9.3. El contraste de la matriz de informacin de White ........................... 119
6.9.4. El contraste de momentos condicionados (CM) ............................... 120
6.9.5. Contrastes de heterocedasticidad ..................................................... 121
6.9.6. Contrastes de normalidad .................................................................. 125
6.9.7. Contraste de correlacin contempornea ........................................ 128
6.9.8. Contraste de sesgos de seleccin ..................................................... 128
6.9.9. Contraste de estabilidad ..................................................................... 130
6.9.10. Contraste de exogeneidad ................................................................. 130
6.10. Variables latentes ............................................................................................. 131
6.10.1. Ecuaciones estructurales con variables observadas ....................... 132
6.10.2. La Matriz de covarianzas .................................................................... 134
6.10.3. Identificacin ....................................................................................... 135
6.10.3.1. Regla t ................................................................................. 136
6.10.3.2. Regla del B nulo ................................................................. 136
6.10.3.3. Regla recursiva ................................................................... 137
6.10.3.4. Condiciones de rango y orden .......................................... 137
6.10.3.5. Resumen de las reglas de identificacin .......................... 141
6.10.4. Estimacin ........................................................................................... 141
Bibliografa........................................................................................... 144
7. MODELOS DE UTILIDAD DISCRETA ........................................................................... 149
7.1. Reglas de decisin ........................................................................................... 150
7.1.1. Modelos con regla de decisin estocstica ..................................... 150
7.1.2. Modelos con utilidad estocstica ....................................................... 153
7.2. Funciones de densidad para elecciones discretas ........................................ 155
7.3. Funciones de utilidad y funciones indirectas de utilidad ............................... 157
ICESI
5
7.4. Elecciones discretas con productos diferenciados ........................................ 160
7.4.1. La funcin de demanda para un continuo de consumidores ............. 162
7.4.2. El consumidor representativo multinomial .......................................... 164
7.5. Anlisis de riqueza ........................................................................................... 166
7.5.1. Teorema de Small y Rosen .................................................................. 167
Bibliografa ............................................................................................. 169
8. APLICACIONES DE LA TEORA DEL CONSUMIDOR A LA ELECCION DE OCIO... 171
8.1. Efecto de las herencias sobre la oferta laboral .............................................. 180
8.2. Restricciones no lineales y restricciones sobre las horas ............................. 182
8.3. Restricciones sobre las horas trabajadas ....................................................... 183
8.4. Asignacin del tiempo para dormir .................................................................. 185
8.4.1. Demanda de tiempo para dormir ......................................................... 186
8.4.2. Efecto sustitucin y efecto ingreso en la demanda
de tiempo para dormir ........................................................................... 187
Bibliografa ............................................................................................. 190
9. APLICACIONES DE LA TEORA DEL CONSUMIDOR AL MEDIO AMBIENTE ......... 192
9.1. El mtodo de coste de viaje ............................................................................. 192
9.1.1. El uso de variables latentes .................................................................. 193
9.1.2. El modelo de utilidad aleatorio ............................................................. 199
9.2. El mtodo de los precios hednicos................................................................ 203
9.3. El Mtodo de la valoracin contingente ......................................................... 209
9.3.1. La funcin de gasto y la funcin de utilidad ........................................ 210
9.3.2. Estimacin por mxima verosimilitud con datos de "referndum" ..... 212
Bibliografa ............................................................................................. 215
ICESI
7
Presentacin
Este libro, tiene su origen en el curso de Microeconometra dictado entre 1997 y 1998
en la Universidad del Valle. Adicionalmente algunos captulos de la teora del consu-
midor fueron expuestos durante el ao 1999 y 2000 en el curso de Economa Neoclsica
(Microeconoma I) en el pregrado. El objetivo del curso consisti en revisar la teora del
consumidor y sus alcances empricos. No obstante, ante la profusa publicacin de artcu-
los y la inexistente mencin de la mayora de stos en los libros de microeconoma en
espaol, surgi la idea de escribir estas notas.
El libro de Deaton, A y Muellbauer, J.(1980) Economics and Consumer Behavior, Cambridge,
Cambridge U. Press, consiste en el punto de partida de lo que aqu se expondr. La razn
es muy simple: el libro de Deaton y Muellbauer es pionero en integrar la teora del
consumidor a los desarrollos en econometra, razn por la cual siempre ser de consulta
fundamental. Desarrollos posteriores a la obra de Deaton y Muellbauer, como los modelos
de autoseleccin de Heckman o las aplicaciones a la teora medioambiental, han sido
tratados en libros como el de Maddala (1983) o en los libros sobre medioambiente, como
el de Azqueta (1994) Valoracin econmica de la calidad ambiental, Mc Graw-Hill
(Espaa) y, en pocas ocasiones, han sido tratados como el avance inevitable de la
aplicacin economtrica de la teora del consumidor. Dos libros ms merecen la atencin
del lector: el libro de Mas-Collel, A., Whinston, M.D y Green, J.R. (1995), Microeconomic
Theory, Oxford University Press, y el libro de Anderson, S.P., Palma, A y Thisse, J.F. (1995),
Discrete choice theory of product diferentiation, MIT Press, Cambridge Mass. La impeca-
ble presentacin de la teora del consumidor realizada por Mascollel et-al, hace de este
libro una invaluable fuente de consulta. Por otro lado, el libro de Anderson et-al introduce
al lector en los modelos de eleccin discreta presentando una gran ayuda en el anlisis
emprico.
Agradezco a los estudiantes del curso de Microeconometra, pues a ellos les debo el
entusiasmo de comenzar a escribir el libro. Agradezco tambin a los profesores del
Departamento de Economa en la Universidad del Valle, ya que durante los aos que all
estuve me hicieron valiosos comentarios e ideas. De igual forma, agradezco a Hctor
Ochoa (Decano de la facultad de Economa) y a Natalia Gonzlez de la Universidad ICESI
por sus comentarios y, por supuesto, a la Universidad ICESI por brindarme el tiempo y
ICESI
8
JHON JAMES MORA
el apoyo financiero para realizar las correcciones y publicar esta versin. Agradezco
tambin a los monitores que durante la realizacin del libro han soportado las diferentes
versiones: Eliana, R.; Adriana, G., y Liliana, S., quienes sin lugar a dudas aportaron
bastante a la presentacin final del mismo. Finalmente agradezco los comentarios de un
evaluador annimo. Como es usual, los errores que persisten son mi responsabilidad.
Jhon James Mora R.
Departamento de Economa,
Universidad ICESI
e-mail: jjmora@icesi.edu.co
http:\\www.icesi.edu.co\~ jjmora
ICESI
9
Introduccin
Siendo las 6 de la maana suena el reloj despertador. Usted se levanta, prepara su
desayuno, y conduce hacia el trabajo. A las 8 a.m. se encuentra en la oficina y su
mejor compaero de trabajo es Linda. A eso de las 11, toma un descanso y empieza
a reflexionar sobre la maana. Se da cuenta que al preparar el desayuno, ha invertido
una gran cantidad de tiempo y que usted vive repitiendo en la oficina" mi tiempo es
oro", pero al preparar el desayuno no valor lo suficiente su tiempo o si no hubiese
desayunado en una cafetera. De igual forma observa que el trfico estuvo bastante
congestionado, y que conducir produce una desutilidad que hasta el momento
nunca haba considerado.
Al pensar en Linda, se acuerda que su madre nunca trabaj y que por el contrario hoy
es muy comn encontrar que una gran parte de nuestros compaeros de trabajo son
mujeres, y entonces exclama: Definitivamente han cambiado los tiempos! Cul
podra ser la explicacin de que ella trabajara?
Linda, que se da cuenta de cunto tiempo ha perdido usted en esta reflexin, como
buena economista recuerda sus primeras clases en la Universidad y repite en voz
alta: "La economa es la ciencia que estudia el comportamiento humano como una
relacin entre los fines y los medios escasos que tienen usos alternativos"
*
. Usted,
algo desconcertado por la abrupta exclamacin de Linda, le exige que ahonde en sus
explicaciones. Ve, de reojo, cmo Linda realiza unos "clculos" algo complicados a
primera vista, y entonces ella responde que si usted le paga $50.000 la hora, con
mucho gusto le explica el significado de aquella frase. Ms enojado que al principio,
a usted le parece increble que Linda "cobre" por una simple explicacin. Entonces
decide suspender la conversacin, continuar con el trabajo, y tal vez en la tarde pasar
por la biblioteca de la Universidad a buscar el significado de la frase de Linda. Dos
das despus de haber realizado una bsqueda amplia por la biblioteca y recordando
aquella frase "mi tiempo es oro", piensa en que de pronto habra sido mejor haberle
pagado a Linda por la explicacin.
* Esta frase la usaba el profesor de Linda al entrar a clase en homenaje a Lionel Robbins [ Classic Monograph, An
essay on the nature and significance of economics science, Macmillan & Co.,Ltd, London, 1932, pag 15]
ICESI
10
JHON JAMES MORA
La situacin anterior es ms comn de lo que pensamos. La mayora de nuestras
decisiones estn determinadas por la escasez de los recursos y servicios. La cuenta
de Linda no es otra cosa que la valoracin de su tiempo, que no es infinito: al
contrario, Linda deseara tener ms tiempo para realizar otras actividades.
En estas pginas usted encontrar una descripcin de cmo opera el proceso de
asignacin cuando agentes como usted y Linda enfrentan restricciones, y cmo se
verifica si estas restricciones se cumplen.
Objetivo principal del libro
El objetivo principal de este libro, consiste en mostrar cmo la microeconoma puede
ser aplicada a situaciones que los consumidores enfrentan cotidianamente. Para
esto, se provee al lector de las herramientas comnmente usadas por los economis-
tas para explicar el comportamiento individual de los agentes. Por tal razn, se desa-
rrolla el esquema formal de la microeconoma, de tal forma que podamos aproxi-
marnos a la conducta de los agentes, siempre y cuando acten bajo los supuestos
enunciados. Ya que este libro pretende ofrecer una introduccin bsica de la teora
del consumidor, no se demostrar rigurosamente algunos de los teoremas usados,
lo cual no implica que no se desarrolle cuidadosamente como stos pueden em-
plearse en las estimaciones sobre los diferentes aspectos que conciernen a la
eleccin del consumidor.
Los modelos econmicos
Los modelos econmicos son representaciones abstractas de la realidad para estu-
diar algn fenmeno econmico y social. Ya que no se pueden construir versiones
del mercado laboral, del mercado del ocio, etc., se acude a la representacin abs-
tracta del fenmeno en cuestin
*
. Esta representacin no es otra cosa que un modelo
matemtico, en donde, las ecuaciones desarrolladas representan caractersticas del
comportamiento de los agentes. Las ecuaciones del modelo, buscan aproximarse
a las interrelaciones en la economa, y a partir, del planteamiento de las ecuaciones
llegar a su estimacin. A lo largo del libro el lector deber identificar los siguientes
elementos:
1. Un conjunto de supuestos, denotados como A = { A
1
, ..., A
n
} que tiene que ver
con el comportamiento de una construccin terica, y que en ltimas, estn
relacionados con el mundo real. Los supuestos son proposiciones universales
* Sin embargo, el avance en la economa experimental ha permitido recrear el funcionamiento de los mercados
mostrando la distancia entre la presentacin formal, su estimacin, y el verdadero funcionamiento de stos.
Aunque muchos de los resultados provenientes de la economa experimental usen pocos individuos, generalmen-
te son estudiantes de ltimos semestres, no dejan de ser interesantes las conclusiones en torno a lo que todava
ignoramos de la conducta de los agentes en el medioambiente social. Ser de gran utilidad, despus de conocer
la teora formal, revisar el libro de Hey, J.D (1991), Experimentos en economa (1996), Fondo de Cultura Econmica
(Mxico); para una introduccin al tema Montenegro, A. (1995), Introduc c in a la ec onoma experimental,
Ediciones Uniandes/Ecoe, (Colombia);para una buena presentacin de la economa experimental, Douglas,
D y Ch, Holt. (1993), Experimental economics, Princeton University Press.
ICESI
11
de la forma: todo x tiene la propiedad r. Ejemplos de tales proposiciones sern
"todos los consumidores maximizarn su utilidad" o "todos los consumidores son
tomadores de precios" o "todas las preferencias son separables".
2. Ya que los supuestos de comportamiento debern estar relacionados con el
mundo real, un segundo elemento consistir en el conjunto de condiciones, bajo
las cuales los supuestos son comprobados. Este conjunto de condiciones se
denotar como C = { C
1
, ..., C
n
} . Las condiciones debern incluir la forma de
identificar los efectos sobre las variables. Por ejemplo, suponga que deseamos
comprobar que un aumento en los costos de viaje a una zona recreativa disminuye
la demanda por viajes a dicha zona en el ao 2001. Esto requiere primero observar
las razones por las cuales las personas viajan a dicha zona, en otras palabras,
sus preferencias por una serie de actividades como navegar en vela, montar a
caballo, acampar, etc. Tambin debemos observar los costos de viajar en el ao 2001
incluyendo la depreciacin del automvil y los costos de oportunidad del salario
en el ao 2001. Este conjunto de condiciones especficas, sita a Juan demandan-
do viajes a dicha zona en 2001.
3. El ltimo elemento consiste en los eventos E = { E
1
, ..., E
n
} que son predecibles
por la teora. La teora nos dice que el conjunto de supuestos A implica que si las
condiciones C son vlidas entonces el evento E podra ocurrir. Por ejemplo, si el
comportamiento de Juan consiste en maximizar su funcin de utilidad sujeto a la
restriccin presupuestaria, lo cual se podra denotar como A, cuando las con-
diciones C se mantienen, entonces la disminucin en la demanda de viajes a la zona
en cuestin, el evento E, cuando aumentan los precios del viaje, ser observado.
La estructura lgica se construye de tal forma que el conjunto de supuestos A implica
que si C es cierto, entonces E deber ser cierto. Esto es, ( A . C ) E, donde el
smbolo significa "implica". De esta forma, los supuestos A y las consecuencias C
implican la observacin de los eventos E.
Un elemento final consiste en la forma funcional elegida. Suponga que usted desea
considerar la ocurrencia de un evento; para describir este evento, definiremos una
variable aleatoria Y. Asuma que la probabilidad del evento depende sobre un vector
de variables independientes x* y un vector de parmetros desconocidos . El
subndice i denota el i-simo individuo. De esta forma, el modelo general se puede
expresar como:
p
i
= p( Y
i
) = G( x*
i
, ) ; i = 1,2,...., n.
Los Y
i
son distribuidos independientemente. Suponga que Y
i
es la probabilidad de
que ocurra el evento, entonces x*
i
representar aquellas variables que permiten que
Y ocurra. Dado que el "modelo" anterior es muy general, se deber escoger alguna
funcin H( x*
i
, ), la cual se conoce que opera sobre un vector de parmetros , y
de esta forma:
p( Y
i
) = F[ H( x*
i
, )]
ICESI
12
JHON JAMES MORA
Yo espero que usted pueda identificar, a lo largo del libro, la forma anterior. Y as, estas
notas habrn contribuido a mejorar su percepcin de la teora del consumidor.
Contenido del Libro
El libro se ha estructurado en nueve captulos, cubriendo desde los temas tradicio-
nales que en cualquier libro de microeconoma se conoce como la teora del consu-
midor, hasta aquellos temas que generalmente no se desarrollan como la funcin de
produccin de hogares, la diferenciacin de productos y la utilidad aleatoria.
En los captulos del 1 al 3 se desarrollar la teora formal del consumidor. En el primer
captulo se discute la forma de la restriccin presupuestaria haciendo nfasis en las
restricciones no lineales que un consumidor enfrentara. En el segundo captulo se
plantea formalmente la teora del consumidor y se analizan aquellas formas funcio-
nales que tienen una mayor tradicin en economa.
En el captulo tercero se desarrolla el concepto de demanda del consumidor, as
como el concepto de excedente del consumidor y la recuperacin de las preferen-
cias del mismo a partir de su participacin en el mercado.
En el captulo cuarto se discute la separabilidad de las preferencias y el presupuesto
en dos etapas: es de especial atencin en este captulo la hiptesis de separabilidad
y aditividad.
En el captulo quinto se presenta el modelo de funcin de produccin de hogares. La
importancia de este modelo radica en la formalizacin del uso del tiempo en diferen-
tes actividades, y lo que esto significa en la eleccin de ocio y trabajo.
El captulo sexto desarrolla la parte estadstica que se usar en los captulos poste-
riores. En este captulo se presentan los modelos de Probabilidad Lineal, Logit, Logit
Ordenado, Logit Condicionado, Probit, las diferentes modalidades del Tobit. Tam-
bin se incluye una seccin sobre los contrastes de especificacin y finalmente se
incluye una seccin sobre variables latentes.
El captulo sptimo presenta los modelos de utilidad discreta as como las diferentes
versiones del mismo. En particular, la presentacin de las funciones de densidad ser
de vital importancia para el desarrollo del captulo noveno.
El captulo octavo presenta aplicaciones a la eleccin de ocio por parte del consumi-
dor partiendo de las restricciones presupuestarias cuando los individuos deciden
asignar su tiempo entre trabajo, ocio y otro tipo de actividades.
El captulo noveno desarrolla aplicaciones de la teora del consumidor al medioambiente.
El nfasis de estos modelos radica en el clculo del excedente del consumidor
cuando los bienes medioambientales entran en la funcin de utilidad.
Y, al final de cada captulo se brindar una bibliografa de referencia a ser consultada.
ICESI
13
1.
Las oportunidades de elegir una canasta de bienes son directamente observables
para cualquier consumidor, y cualquier variacin en las oportunidades deber influir
directamente sobre la eleccin, lo cual muestra que los cambios en las elecciones
generalmente son debidos a la variacin en el conjunto de oportunidades.
A menudo cuando usted va a comprar algn bien, no slo encuentra el bien que desea
sino que adems encuentra otros productos que le hacen reflexionar sobre los bienes
que llevar. Esta situacin tan solo muestra que las condiciones sobre las cuales debe
elegir han variado y, por lo tanto, que el conjunto de oportunidades ha cambiado.
1.1. El conjunto de oportunidades
El conjunto de oportunidades ms comn, se puede describir cuando los hogares
tienen un ingreso Y, el cual gastan durante un perodo en m bienes, o en algunos.
Dado que los bienes, o la cantidad de ellos, son positivos, a precios positivos, la
restriccin puede escribirse como:
(1.1) Y ; cuando m = 2 tendremos: Y p
1
x
1
+ p
2
x
2
Donde Y es el ingreso, p
i
los precios y x
i
las cantidades del bien i. Supongamos que
existen dos bienes, Comida (x
1
) y Abrigo (x
2
) a unos precios p
1
y p
2
, entonces la
grfica que ilustra el lmite al consumo de stos ser:
Lmites a la eleccin
ICESI
14
JHON JAMES MORA
1.2. Restricciones tpicas
Suponga que las cantidades mnimas de los dos bienes anteriores para sobrevivir son
x
1
Mnimo
y x
2
Mnimo
. La eleccin estar determinada por el tringulo CDE (Grfica1.1). De
la anterior grfica, un ingreso menor a Y= p
1
x
1
Mnimo
+ p
2
x
2
Mnimo
no le dara oportunidad
de elegir al individuo. Las restricciones pueden tomar diferentes formas: muy pocos
abrigos y ms alimentos pueden ser ms necesarios que una gran cantidad de abrigos.
Suponga a continuacin, que el consumidor comienza el perodo 1 sin dinero,
adems ahorra o pide prestado a una tasa de inters de cero, el ingreso se distribuye
en los perodos Y
1
y Y
2
y todo se gasta, entonces la restriccin presupuestaria ser:
(1.2) Y
1
+ Y
2
p
1
x
1
+ p
2
x
2
con Y
1
+ Y
2
= Y
En la anterior restriccin existe como supuesto implcito un mercado eficiente y cero
costos de transaccin.
No siempre es posible derivar directamente el conjunto de oportunidades; suponga-
mos los siguientes casos:
A- El primer bien es perfectamente divisible, pero el segundo es disponible en
cantidades discretas.
GRFICA 1.1. Restriccin de
GRFICA 1.2. Indivisibilidades en X
2
.
GRFICA 1.1. Restriccin de
supervi venc i a
ICESI
15
B- El pan puede ser consumido al medio da por un individuo, ya sea en Santaf de
Bogot o en Santiago de Cali, pero no al mismo tiempo en ambas ciudades.
1.3. Restricciones no lineales
Consideremos una economa de trueque y sea A la dotacin inicial de alimentos y
vestidos. Ahora, suponga la existencia de dos grupos: el grupo de los glotones y el
grupo de los bien vestidos; el grupo de los glotones tiene comida y desea vestidos
y el grupo de los bien vestidos tiene ropa y desea comida. Los dos grupos viven en
una isla y estn aislados uno del otro; dado que no existe un medio nico de
intercambio, tampoco existir una razn nica de intercambio.
Como puede observar, sin un medio general de intercambio, la informacin y los
costos de transaccin evitan al grupo que desea intercambiar ropa por alimentos a
travs de AC "iniciar un intercambio" con aquellos que desean cambiar alimentos por
ropa a travs de AB. De igual forma, sin un patrn monetario nico, la tasa de
intercambio difiere en las dos direcciones, por lo tanto, los grupos tienen diferentes
tasas de intercambio. Una economa totalmente monetizada, donde se utilice como
patrn de intercambio el dinero, eliminar las divergencias entre dichas tasas de
intercambio, lo que se puede observar a travs de la lnea discontinua BC.
GRFICA 1.4. Diferentes tasas
de intercambio.
GRFICA 1.3. Imposibilidad geogrfica
de consumir un bien.
ICESI
16
JHON JAMES MORA
La no linealidad es ms comn de lo que se piensa; por ejemplo, la existencia de
cobros diferenciales en las tarifas de agua: al consumir x cantidades de m
3
de agua a
un precio tendremos unos precios relativos entre el agua y los otros bienes, y al
consumir ms agua y pagar ms por este consumo los precios relativos cambiarn.
Supongamos que existe un consumo ptimo de agua, la tarifa t* (grfica 1.5),
entonces a la izquierda se paga una mayor tasa, lo que induce a consumir menos
agua y ms de los otros bienes, pero no tanto.
En las elecciones de trabajo es frecuente tambin que existan no linealidades sobre
todo en la eleccin de ocio o en el comportamiento intertemporal. Supongamos un
individuo que elige el nmero de horas que puede trabajar y, cada hora se paga a una
tasa fija de salario w. Adicionalmente, el individuo tiene algn tipo de transferencia ,
en el ingreso como herencias, premios de loteras, etc. Si T es el nmero de horas
disponibles y x
0
es el ocio, la restriccin presupuestaria vendr dada por:
(1.3)
GRFICA 1.5. No linealidad en tarifas.
Otros bienes
diferentes tasas
Agua
0
t*
GRFICA 1.6. No linealidad
en la fuerza de trabajo. 0,
+ w
2
T
p
B
1
B
2

p
A,
T
x
0
x
Agua
GRFICA 1.6. No linealidad
en la fuerza de trabajo.
0,
+ w
1
T
p
ICESI
17
Observe que cuando el individuo gasta todo su dinero en los bienes y x es la cantidad
de bienes que puede comprar trabajando, la restriccin (1.3) se puede escribir como:
(1.4) + wT - wx
0
= px
Y cuando x sea igual a 0, y tambin sea igual a 0
1
entonces wT= wx
0

T = x
0
, por lo tanto todo el tiempo disponible se usa en ocio. Si no existe ocio,
entonces + wT = px, de esta forma:
(1.5) x =
La eleccin del consumidor entre AB
1
AB
2
, en la grfica (1.6), es la eleccin de
cunto el individuo decide trabajar y, por lo tanto, el desplazamiento a travs de AB
1
AB
2
depende de los gustos, ya que AB
1
y AB
2
implican diferentes salarios recibidos,
distintas cantidades de los otros bienes y diferentes elecciones de ocio.
Suponga ahora que existen impuestos al ingreso como retencin en la fuente e
incentivos por productividad. Despus de un cierto nmero de horas de trabajo, el
individuo tendr un mayor salario, como se puede ver en la lnea E-D de la Grfica 1.7.
Sin embargo, la existencia de impuestos hace que el incremento en el tiempo
trabajado no sea igual al incremento en el salario sino menor, lo cual se traduce en
una pendiente menor (- w) en la lnea C-B como se puede observar:
1. Si el individuo no tiene transferencias deber en algn momento trabajar. De esta forma, a la izquierda de A existe
una tasa de salario que lo incita a trabajar.
Aunque B tambin es posible, el individuo podra elegir C debido a que implica un
mayor salario. Por otro lado, cuando se trabaja mas all de D, se deber pagar
impuestos.
Cuando las elecciones realizadas incluyen tres tipos de trabajos, cada uno con
diferente hora de trabajo y salario, entonces:
GRFICA 1.7. Efecto de un impuesto
en la decisin de trabajar.
ICESI
18
JHON JAMES MORA
Otra forma de no linealidades es introducida cuando en el conjunto de oportunida-
des, la relacin ocio-ingreso es diferente de acuerdo con el perodo en el cual stos
son consumidos, veamos:
Si el consumidor desea gastar ms ingreso en el perodo 1, deber prestar a una tasa
de inters y pagar en el perodo 2. Cuando los consumidores no pueden conseguir
dinero prestado, las elecciones se realizan en un mercado imperfecto de capitales,
esto se puede observar si la restriccin presupuestaria no es ABC sino ABD. Los
consumidores en B gastan todo su ingreso. Si la situacin no es tan extrema y
asumimos la existencia de la tasa de inters, esto es, el consumidor paga una mayor
tasa por pedir prestado, la restriccin ser menos severa y ser descrita por la lnea
ABE. La pendiente est determinada por el hecho de que la tasa de inters de pedir
prestado ser diferente de la tasa de inters para prestar.
Uno de los ms importantes desarrollos, desde la postguerra, en la teora del consu-
midor, consiste en aquellos modelos donde el hogar se ve como una funcin de
produccin, esto es, cuando la combinacin de los bienes con el ocio se hace a
travs de una funcin de produccin de hogares. La funcin de produccin de
hogares nos muestra la produccin de un nmero limitado de bienes bsicos con-
siderados como el objeto real de la eleccin del consumidor.
GRFICA 1.8. Elecciones de trabajo
y ocio a diferentes salarios.
GRFICA 1.9. Eleccin intertemporal con

mercado de capital imperfecto.
ICESI
19
Si existen dos bienes bsicos Z
1
y Z
2
, su producto es limitado por el tiempo disponible
en el hogar, por la tasa de salario y por los precios del bien en el mercado. Si la funcin
de produccin asigna una igual sustitucin entre tiempo y bienes de mercado como
insumos, una restriccin tpica podr ser:
Otra forma de no linealidad se encuentra en el problema de la dieta. Supongamos un
hogar que requiere de protenas(P) y caloras(C). Dado que los alimentos azcar,
pescados, leche y huevos tienen protenas y caloras, la restriccin podra venir
especificada de la siguiente forma:
Si el gasto total se realiza en azcar, pescado, leche y huevos los puntos muestran los
lmites a la eleccin. Los segmentos mostrarn canastas mixtas compradas, pero la
eleccin no se realiza sobre los ejes { P, C} pues ellos mostrarn un 100% de protenas
o un 100% de caloras.
Otro ejemplo de no linealidades proviene de los modelos que asignan una cantidad
determinada de tiempo sobre un sitio en modelos de demanda por recreacin.
P
0
GRFICA 1.11. El problema de la dieta.
GRFICA 1.10. Restriccin de presupuesto para una
funcin de produccin de hogares
con tecnologa de coeficientes fijos.
ICESI
20
JHON JAMES MORA
Suponga que un consumidor elige viajar a un lugar, x, y una canasta de bienes Z. En
cada viaje se consume t, donde t es el tiempo sobre el lugar:
(1.6) Y = xc
x
+ xtc
t
+ czZ
Sea Y el ingreso monetario, C
x
el costo del viaje, c
t
los gastos en el lugar por unidad
de tiempo (t en horas) y c
Z
el precio de la canasta Z. Asumiendo que exista la siguiente
restriccin de tiempo:
(1.7) T* =
x
x + xt + Z
Donde T* es el tiempo disponible por consumir una serie de actividades, es el
tiempo gastado en consumir Z y
x
es el tiempo de viaje por cada paseo. Si T* ,
x
, t
y son medidas en las mismas unidades (horas, das, aos, etc.) y T es el tiempo
disponible para trabajar o consumir:
(1.8) T* = T - h
Donde h es el tiempo usado en trabajar. El agente elige la cantidad de tiempo para
trabajar si h es endgeno. Cuando el agente elige una determinada cantidad de
tiempo para trabajar los ingresos sern:
(1.9) wh = w(T - T* ) w(T -
x
x - xt - Z)
(1.10) y
0
+ wh = xc
x
+ xtc
t
+ c
Z
Z
Siendo y
0
un ingreso exgeno, por ejemplo transferencias, herencias, loteras, etc.
Reacomodando trminos:
(1.11) y
0
+ w(T -
x
x - xt - Z) = xc
x
+ xtc
t
+ c
Z
Z
(1.12) y
0
+ wT = xc
x
+
x
xw + xtc
t
+ wxt + c
Z
Z + wZ
(1.13) y
0
+ wT = x(c
x
+
x
w) + xt(c
t
+ w) + Z(c
Z
+ w)
Si hacemos p
x
= c
x
+
x
w , p
t
= c
t
+ w y p
z
= c
Z
+ w, entonces:
(1.14) y
0
+ wT = x(p
x
+ p
t
t) + p
z
Z
Los ingresos totales se pueden asumir dados y deduciendo a los ingresos totales el
consumo de la canasta Z, y
0
+ w
T
- p
z
Z, lo que queda ser lo que se gasta en
consumir x unidades de viaje. Haciendo y
0
+ wT - p
z
Z = c
1
tendremos:
(1.15) c
1
= xp
x
+ xp
t
t
(1.16)
c
1

= x + x
p
t

t
p
x
p
x
ICESI
21
(1.17)
Por lo tanto, la restriccin presupuestaria no ser lineal en el precio de x, p
x
. Haciendo
p
x
= 1 se obtiene:
(1.18)
En la Grfica 1.12 la solucin interior resulta de la interseccin de la restriccin
presupuestaria con la curva de indiferencia
1
. Si no existe ninguna restriccin sobre
la funcin de utilidad, la solucin ser c
1
con la curva de indiferencia
2
, lo que se
conoce como solucin de esquina. Cuando existe dbil complementariedad, t = 0 y
/x = 0, en el punto c
1
el individuo gastar xp
x
entonces podra moverse a y
ahorrar dinero sin haber reducido su utilidad, de esta forma c
1
nunca sera elegido. As,
cuando existe dbil complementariedad, soluciones como y sern relevantes.
En resumen, la existencia de no linealidades en la restriccin presupuestaria es muy
comn y estas no linealidades producirn variaciones diferentes en el conjunto de
oportunidades de eleccin de los agentes, afectando as las elecciones realizadas
por stos.
1.4. Mltiples restricciones
En algunas situaciones el consumidor no se enfrenta a una sola restriccin, sino a
mltiples restricciones, por lo cual podra estar racionado en un conjunto de bienes.
Suponga un individuo que deber realizar una serie de elecciones entre una serie de
bienes como deportes, ocio, educacin, etc., a las que denominaremos x
i
. De igual
forma, el consumir una unidad (i) requiere una cantidad de tiempo i= 1,2,.,n. Por
lo cual las restricciones para el consumidor sern:

+
=
GRFICA 1.12. No linealidad en la
demanda por recreacin.
ICESI
22
JHON JAMES MORA
(1.19)
Donde Y es el ingreso del individuo, t
i
el tiempo dedicado a la actividad (i) y T el tiempo
total disponible.
Bibliografa
DEATON, A. (1989). El consumo, Alianza Editorial.
DEATON, A. y MUELLBAUER, J. (1980). Economics and consumer behavior, Cambridge, Cambridge
University Press, Quinta edicin(1989).
MACCONELL, K.E. (1992). "On site time in the demand for recreation", American journal of
agricultural economics, November, pp.918-25.
ICESI
23
2. Esto significa que deber cumplir el teorema de aciclicidad: Si para un entero finito n, x
1
> x
2
, x
2
> x
3
, x
3
> x
4
,..,
x
n-1
> x
n
entonces x
n
x
1
(Kreps 1995).
Un elemento fundamental en la teora microeconmica consiste en cmo los indivi-
duos realizan sus decisiones y cmo seleccionan alternativas de un conjunto dispo-
nibles de las mismas. La teora postula que cada individuo ordena las alternativas de
acuerdo con su preferencia relativa. De esta forma, cuando el individuo realiza una
eleccin, ste selecciona la alternativa con aquello que ms tiene de todo lo posible.
En este captulo se desarrollar el marco terico asociado con el concepto de
preferencia.
2.1. Preferencias individuales
Asuma la existencia de n alternativas, stas pueden contener n bienes que usted puede
poseer, n posibles candidatos por los cuales votar, n empleos a optar, etc. En general,
cuando hay n alternativas en algn orden que desea, usted podr expresar un orden
de preferencias por las mismas. Cuando algunas alternativas tienen el mismo nivel en
su lista, usted tendr indiferencia entre las mismas. Existen dos propiedades importan-
tes en su lista: Primera, es posible comparar dos alternativas diciendo cul de las dos
es mayor; de esta forma, una es ms preferida que la otra, o cuando ella tiene el mismo
nivel. Segunda, dada la naturaleza de las preferencias sta no es cclica
2
, es decir, si
la primera alternativa es mayor que la segunda, y tambin mayor que la tercera,
entonces la primera alternativa es mayor que la tercera. Ahora, usted puede establecer
un orden, y si solamente algunas de las alternativas son posibles, entonces podr
seleccionar aquella alternativa que ms prefiera. Un orden ms general se establece
para un infinito nmero de elementos y aun cuando la lista con dicho orden sea
complicada, el ordenamiento se mantiene.
2.
Preferencias individuales
ICESI
24
JHON JAMES MORA
2.1.1 Definicin Formal
Sea X el conjunto de alternativas consideradas por un individuo; el conjunto X puede
ser un conjunto finito de alternativas o representar el conjunto de canastas de bienes
disponibles. Una relacin binaria sobre X, es una relacin R de X a X, con el conjunto
de pares ordenados (x , q) donde x X y q X. Los pares en la relacin de R se dicen
que satisfacen esta relacin. Una relacin de preferencia es un caso especial y se
escribe x q s (x , q) X X satisface esta relacin. S x q entonces se dice que
x es preferido a q. Esta relacin puede entenderse en el sentido dbil como "al menos
es tan bueno como" ms que en el sentido de "es mejor que". De igual forma, una
relacin estricta de preferencias se define como x q x q pero no q x
, y se lee x es preferido a q. La relacin se conoce como indiferencia y se define por
x ~ q x q y q x y se lee x es indiferente a q. En orden a cualificar la relacin
de preferencias, la relacin deber satisfacer las siguientes propiedades funda-
mentales:
2.1.1.1. Reflexibidad
Para todo x X, x x. Este supuesto nos dice que la canasta x, en el sentido dbil,
es preferida a s misma, es decir, que al menos es tan buena como ella misma.
2.1.1.2. Completitud
Para todos los elementos x, q en X se cumple que x q q x o ambos. Este
supuesto simplemente nos dice que dos canastas pueden ser comparadas.
2.1.1.3. Transitividad
Para todo x , q y z en X, si x q y q z entonces x z. La propiedad de transitividad
plantea la coherencia en las elecciones.
Las propiedades 2.1.1.1 a 2.1.1.3 definen un conjunto de eleccin preordenado.
Preferencias sobre
Las relaciones de preferencias se usan para caracterizar los deseos de los consumi-
dores, por varias combinaciones de bienes. Los bienes son indexados de 1 hasta m.
Una canasta de bienes es una coleccin de varias cantidades de esos m bienes, y la
cantidad de cada bien en una canasta es un nmero real positivo. Tambin podemos
ver una canasta como la representacin de un vector m-dimensional de nmeros no
negativos, comnmente se asume que los bienes son divisibles. Tomemos X =
como el ortante no negativo de , en este conjunto una relacin de preferencia en
el caso de dos dimensiones puede verse de la siguiente forma:
ICESI
25
2.1.1.4. Conti nui dad
Una relacin de preferencias sobre X= se dice que es continua s para cada x
X los conjuntos { y X | y x } y { y X | x y } son cerrados. Esto es, para alguna
canasta x defina A(x) como el conjunto donde x es "al menos tan bueno como y " y
B(x) "no existe un mejor conjunto que x ", as:
(2.1) A(x)= { y X | y x } y B(x) = { y X | x y }
Donde A(x) y B(x) son cerrados dado que contienen sus propios lmites para X en el
conjunto de eleccin. A A(x) se le denomina el conjunto superior y a B(x) el conjunto
inferior. De lo anterior, se deduce que:
(2.2) A(x) = { y X | y x } y B(x) = { y X | x y }
Sern abiertos. Se podr observar entonces que (2.1) y (2.2) se utilizan para evitar
conductas discontinuas.
Y, para un orden de preferencias , la interseccin entre los conjuntos superior e
inferior, para algn x, definir el conjunto de indiferencia I(x) = { y X | y ~ x } el cual
es cerrado. Con respecto a la Grfica 2.1 la continuidad asegura que los puntos
sobre la frontera de (X) = { y X | y x} sean equivalentes al elemento x. Observe,
sin embargo, que la continuidad no asegura la posibilidad de que la superficie de la
curva de indiferencia pueda contener conjuntos cerrados. Por ejemplo, en el conjun-
to de preferencias lexicogrficas:
GRFICA 2.1. Preferencias en dos

dimensiones.
ICESI
26
JHON JAMES MORA
El orden de preferencias lexicogrficas no es continuo. Como se puede observar en el caso
de dos dimensiones, considrese un conjunto cuyo contorno superior corresponda al
elemento x = (1,1), esto es, el conjunto de elementos q x cuya grfica es (2.2),
claramente no es cerrado debido a que la frontera del conjunto por abajo (1,1) no est
contenida en el conjunto. Por ejemplo (1,) < (1,1) y de igual forma (1,1) (1,1).
2.1.1.5. Insaciabilidad
Una relacin de preferencia sobre X se dice que no es saciada s para todo x X
existe un q X siendo q x.
Lo contrario a dicha afirmacin es la existencia de un elemento x
0
en X que sea preferido
a otro elemento. Tal elemento se denominar "punto de felicidad" y se puede observar
en la siguiente grfica:
Existen otras propiedades relacionadas con la insaciabilidad, a saber:
2.1.1.5.1. Insaciabilidad local
Una relacin de preferencia sobre X = satisface la insaciabilidad local s para
algn x en X y algn > 0 existe algn q en X con tal que
GRFICA 2.3. Puntos de felicidad.
GRFICA 2.2. Preferencias lexicogr-
ficas: Se salta de estrictamente peor
en x a estrictamente mejor en y.
ICESI
27
q x
(3)
. Esto significa, que para alguna canasta x, existen canastas cercanas que son
estrictamente preferidas a x, lo cual podra entenderse siempre que es posible
mejorar aunque slo se introduzcan pequeas variaciones en la canasta de bienes.
2.1.1.5.2. Fuerte monotonicidad
Una relacin de preferencia sobre X= es fuertemente montona s
x X, q X y q x, q x implica que q x. La fuerte monotonicidad implica
insaciabilidad local. Si una cesta de bienes contiene como mnimo la misma cantidad
de bienes que otra y ms de alguno de ellos, esta cesta es estrictamente mejor que
la otra, lo cual significa suponer que los bienes son buenos, pues si uno de ellos fuese
un mal, como la contaminacin o la basura, no se cumplira este supuesto. En
trminos generales, esta propiedad se conoce tambin como que "los bienes son
buenos".
2.1.1.5.3. Homotecia
Una relacin de preferencias montonas sobre X= es homottica si todos los
conjuntos de indiferencia estn relacionados por un rayo de expansin proporcional,
esto es, si x ~ q entonces x ~ q para algn 0; veamos:
2.1.1.6. Convexidad
Una relacin de preferencia sobre X= es convexa si dado algn x, q y z en
X tal que x q, x z , q z entonces para todo , 0< < 1, se cumple que
x + (1- )q z y se dice que es estrictamente convexa si x z , q z y para todo
, 0< < 1, se cumple que x + (1- )q z. De igual forma, esta propiedad podra
leerse como que la canasta media es preferida a los extremos; veamos:
3. Donde es la distancia euclideana entre los puntos x y q:
GRFICA 2.4. Preferencias
homotticas.
ICESI
28
JHON JAMES MORA
2.2. La funcin de utilidad
Si la ordenacin de preferencias es completa, transitiva, reflexiva y continua, entonces
las preferencias se pueden representar a travs de una funcin de utilidad continua. La
funcin de utilidad, u, es una funcin con valores reales, definida sobre el conjunto X,
de tal forma que el orden de las preferencias sobre X se preserva por la magnitud de
u. De esta forma, una funcin de utilidad tiene la propiedad de que dados dos
elementos x y q en X se cumple que u(q) u(x) s y solo s q x.
No todas las relaciones de preferencias pueden ser representadas por funciones de
utilidad, pero si la relacin de preferencias es continua sobre entonces sta
puede ser representada por una funcin de utilidad. Por lo tanto, s las preferencias
son reflexivas, transitivas, completas y continuas, u(x) representa dichas preferen-
cias y deber cumplirse: Primero, u(x) es estrictamente creciente s y slo s las
preferencias son montonas. Segundo, u(x) es cuasiconcava s y solo s las preferen-
cias son convexas y tercero u(x) es estrictamente cuasiconcava s y solo s las
preferencias son estrictamente convexas
4
.
2.2.1. Invarianza de la funcin de utilidad
Sea un orden de preferencias continuo tal que u(x) es una funcin de utilidad que
represente a stas. Si f( ) es una funcin estrictamente creciente de una variable
4. Una funcin f: D R es cuasicncava si x
1
y x
2
en D : f( x
t
) min [ f(x
1
), f(x
2
)] t [ 0,1 ]
GRFICA 2.5. Conjuntos convexos y no convexos.
ICESI
29
singular, y f(u(x)) es la funcin compuesta y esta es una transformacin montona
positiva de u(x), entonces esta tambin representa una funcin de utilidad. De lo
anterior se deduce:
1) Que u(x
1
,x
2
) represente significa que u(x
1
,x
2
) > u(q
1
,q
2
) (x
1
,x
2
) (q
1
,q
2
)
2) f( ) es una transformacin montona de u(x
1
,x
2
) > u(q
1
,q
2
) f(u(x
1
,x
2
)) > f(u(q
1
,q
2
))
3) De (2) se observa que f(u(x
1
,x
2
)) > f(u(q
1
,q
2
)) (x
1
,x
2
) (q
1
,q
2
)
PROPOSICIN 2.1
Si una relacin de preferencia es representada por una funcin de utilidad sobre ,
entonces una funcin de la forma v(x) = (u(x)), donde es estrictamente creciente
en el rango de v sobre u, ser tambin una funcin que represente la misma relacin
de preferencia. Si y u son continuas entonces v tambin es continua. Esto se
deduce de (1),(2) y (3).
La invarianza en la funcin de utilidad deber incluir como requisitos adicionales:
mantener la invarianza en la descripcin, la invarianza en el procedimiento y la
invarianza en el contexto
5
.
2.2.1.1. Invarianza en la descripcin
Este requisito requiere que las preferencias entre las opciones no dependan de la forma
en la cual ellas son presentadas. De esta forma, dos descripciones del mismo problema
debern llevar a la misma eleccin [ Arrow (1982), Tversky y Kahneman (1986)] .
Tversky y Kahneman (1986) proveen el siguiente ejemplo, que viola esta propiedad.
Problema 3. (126 individuos participaron en el experimento): Asuma que usted se
enriquece en $300 ms que hoy, y debe realizar una eleccin entre:
5. Ver tambin la descripcin de Kreps (1995) sobre el encuadramiento (framing).
GRFICA 2.5. Transformacin
montona de u.
ICESI
30
JHON JAMES MORA
A) Una ganancia segura de $100 (72% de los individuos eligieron esta opcin).
B) 50% de oportunidad de ganar $200 y 50% de oportunidad de no ganar nada
(28% de los individuos eligieron esta opcin).
Problema 4. (128 individuos participaron en el experimento): Asuma que usted se
enriquece en $500 ms que hoy, y debe realizar una eleccin entre:
A) Una prdida segura de $100 (36% de los individuos eligieron esta opcin).
B) 50% de oportunidad de no perder nada y 50% de oportunidad de perder $200
(64% de los individuos eligieron esta opcin).
Dado que los dos problemas son idnticos, la variacin en la descripcin tiene un
gran efecto en las preferencias.
2.2.1.2. Invarianza en el procedimiento
Esta propiedad requiere que los mtodos de "extraer" las preferencias mantengan el
mismo orden en ellas, entonces dos procedimientos diferentes debern mantener el
mismo orden en las preferencias. Este fenmeno est asociado directamente a la
existencia de inversin en las preferencias descrito inicialmente por Sarah Lichtenstein
y Paul Slovicv y ampliado por Tversky y Kahneman. Considere un individuo que tiene
la oportunidad de jugar dos loteras representadas en la grfica siguiente:
6
6. Esta versin de la inversin en las preferencias es tomada de Plott,Ch.R (1996).
LOTERA A LOTERA B
La lotera A da un pago de $4 con una gran certeza y un pago de $0 con una pequea
probabilidad. La lotera B da un pago de $16 con una probabilidad de un 30% y un
pago de $0 con una probabilidad de 70%. La lotera A es llamada P-Bet debido a que
la probabilidad de ganar es muy grande y la lotera B es llamada $-Bet debido a que
la cantidad a ganar es muy grande. Cuando los individuos son preguntados por su
P-Bet
$0
$4
$-Bet
$0
$16
ICESI
31
eleccin la mayora elige A. Sin embargo, cuando se les pregunta cunto pagaran
por el derecho a jugar las loteras, el mismo individuo deseara pagar ms por el derecho
a jugar la lotera B. De esta forma, la inconsistencia en el comportamiento es evidente,
mostrando asimetra en el procedimiento. [Ver tambin Tversky (1996) y McFadden
(1999)].
2.2.1.3. Invarianza en el contexto
El ltimo requisito consiste en la invarianza en el contexto, definido por el conjunto de
opciones bajo consideracin. De acuerdo con Tversky (1996) uno de los supuestos
bsicos en una eleccin racional consiste en que cada alternativa tiene una utilidad que
depende solamente de esa alternativa. Esto significa que una opcin no preferida, no
puede preferirse si se adicionan nuevas alternativas al conjunto de eleccin. Lo contrario
mostrara que no existe invarianza en el contexto. Esta hiptesis implica que si no existe
invarianza, la 'parte del mercado' de x podra incrementarse al adicionar a { x,y} una
tercera alternativa z que es claramente inferior a x pero no a y. Un ejemplo sobre la
violacin de este supuesto, es provisto por los autores anteriores: A un grupo de 106
encuestados se les ofreci elegir entre $6 y un bolgrafo Cross, el porcentaje que
seleccion el bolgrafo fue del 36% y el resto prefiri el dinero. A un segundo grupo de
115 encuestados se les ofreci elegir tres opciones: $6, el bolgrafo Cross y un bolgrafo
menos atractivo; el 2% eligi el bolgrafo menos atractivo, mientras el porcentaje que
eligi el Cross aumento del 36% al 46%.
2.3. El problema bsico del consumidor
Deberemos ahora introducir los precios en nuestro modelo bsico. Cualquier consu-
midor ha experimentado que sus deseos de elegir m bienes se ven frustrados cuando
decide ir al mercado, a un centro comercial, etc. Dicha frustracin no es ms que la
confirmacin de que aun cuando se tienen preferencias por los bienes, stas por s
solas no bastan, esto es, existen restricciones como la cantidad de dinero que
poseemos en nuestros bolsillos para comprar dichos bienes. De una manera ms
formal, asumamos que existen m bienes, los cuales son infinitamente divisibles.
Un consumidor selecciona una canasta que contiene dichos bienes descritos por el
m vector en X = (x
1
,x
2
,,x
m
) donde x
i
, i= 1,..,m, representa la cantidad del bien i. Las
preferencias del consumidor, sobre varias posibles canastas, se representa por la
relacin de preferencias sobre .
Asociado a cada bien i existe un precio, medido en alguna unidad monetaria p
i
0,
de tal forma que el costo de elegir x
i
ser p
i
x
i
. El costo total de elegir la canasta
X = (x
1
,x
2
,,x
m
) ser = p X. Asumiremos por simplicidad, que el consumi-
dor tiene un presupuesto de y unidades monetarias.
As, la eleccin del consumidor es restringida a la restriccin de presupuesto:
ICESI
32
JHON JAMES MORA
Por lo tanto, el consumidor elegir una canasta determinada de acuerdo a la siguiente
restriccin:
(2.3) y
Esta situacin se representa en la Grfica 2.6, donde la restriccin de presupuesto se
define como el rea sombreada debajo de la recta p
i
. x
i
= y. Como se podr observar,
la diagonal de esta regin ser perpendicular al vector de precios p. Si el presupuesto
cambia, digamos aumenta, dicha regin tambin aumentar desplazndose a la
derecha y, de lo contrario, a la izquierda. Para cualquier consumidor la restriccin
(2.3) le indica que tanto U
0
como U
1
son asequibles mientras U
2
no.
Cmo se deber elegir entre U
0
y U
1
? Para resolver dicho interrogante se usar el
supuesto 2.1.1.5.1 por lo cual la desigualdad se convertir en igualdad y, entonces
la canasta ptima ser X* con la curva de indiferencia U
1
. Mas-Collel, Whinston y
Green (1995) definen esta solucin de la siguiente forma: la demanda Walrasiana
x(p,y) satisface la ley de Walras, s para cada p > > 0 e y > 0 se cumple que
p . x = y x X (p,y), esto es, el consumidor gasta totalmente su riqueza. De manera
formal, diremos que el problema bsico del consumidor, dados unos precios p y, un
presupuesto y, consistir en solucionar:
(2.4)
S p es estrictamente positivo (> > ) y u( . ) es continua, el problema de maximizacin
de la utilidad tiene una solucin.
GRFICA 2.6. Eleccin del consumidor.
ICESI
33
2.3.1. Restricciones mltiples
Suponga una funcin de utilidad continua y cuasi-cncava. Cada g
i
(x) es
convexa y X es un conjunto convexo. Suponga tambin que existe algn xX con
g
i
(x) < 0 i= 1,2,.., s. Si x* es una solucin existe una serie de
1
,
2
,..,
s
positivos,
pero no todos iguales a cero, tal que x* es una solucin al problema:
(2.4.1)
As, el problema 1.12 del captulo 1 podra escribirse como
(2.4.2)
Como podr observarse
tiempo
consiste en una clara interpretacin del valor del
tiempo; este ser el valor por medio del cual una unidad de tiempo, por ejemplo una
hora, puede ser convertida en dinero.
2.4. Dualidad
Uno de los aspectos importantes en la teora del consumidor, consiste en la dualidad.
La dualidad es una de las "herramientas" ms usadas en la estimacin de modelos.
Bsicamente la dualidad expresa la relacin entre los bienes por un lado y los precios
por el otro. De esta forma, el consumidor podr elegir entre maximizar la funcin de
utilidad sujeto a la restriccin de presupuesto o, minimizar su gasto en una serie de
bienes siempre y cuando, la funcin de utilidad permanezca constante. El problema
se plantea como:
(2.5)

(2.6)
ICESI
34
JHON JAMES MORA
De la solucin al problema (2.5) se obtienen las demandas marshallianas, mientras de
la solucin a (2.6) se obtienen las demandas Hicksianas o demandas compensadas.
Las funciones Hicksianas satisfacen la cantidad de bienes x a los precios p cuando la
utilidad permanece constante, de ah su nombre:
(2.6.1) X
i
= g
i
(y,p) = h
i
(u,p)
(2.6.2) u = v(x
1
,,x
m
) = v[ g
1
(y,p),g
2
(y,p),..,g
m
(y,p)] = v (y,p)
(2.6.3) x = = C(u,p)
Donde v (y,p) es la funcin indirecta de utilidad o el mximo sostenible de utilidad
dados los precios y el ingreso:
(2.6.4) v (y,p) = [ v(x); px= y]
Y la funcin C(u,p) es el mnimo gasto que mantiene la utilidad constante, dado los
precios p, y claramente es una solucin al problema dual:
(2.6.5) C(u,p) = [ px= ; u(x) = v]
La funcin de gasto y la funcin indirecta de utilidad estn ntimamente relacionadas,
pues a partir de invertir C(u,p) = x se encuentra u en funcin de x y p. Similarmente
la inversin de u = v (y,p) nos lleva directamente a x = C(u,p). Esto se puede observar
mejor en el siguiente esquema:
ICESI
35
2.4.1. Propiedades de la funcin indirecta de utilidad
Entre las propiedades usuales de la funcin indirecta de utilidad, tenemos
1) Es homognea de grado cero en (p,y), esto es, v( tp, ty)= v(p,y) t > 0.
2) No es creciente en p y es estrictamente creciente en y.
3) Es cuasi convexa con respecto a p, esto es el conjunto { p: v(p,y) c} es convexo
para cada y > 0 y algn c.
4) La derivada de la funcin indirecta de utilidad con respecto a los precios e ingreso
se conoce tambin como la Identidad de Roy y es una forma conveniente de
recuperar la demanda Marshalliana,
(2.7) x
i
m
= g
i
(y,p) = v =
5) Es continua en p e y.
2.4.2. Propiedades de la funcin de gasto
Entre las propiedades usuales de la funcin de gasto, se encuentran:
1) La funcin de gasto es homognea de grado uno en precios, formalmente para
algn escalar > 0 : C(u, p) = C(u,p). Esto es, si los precios se doblan se
deber desembolsar dos veces ms cantidad de dinero para estar en la misma
curva de indiferencia.
2) La funcin de gasto es creciente en m, no decreciente en p y creciente en al
menos un precio. Esto se deriva del axioma de insaciabilidad ya que dados unos
precios, el consumidor tiene que gastar ms para estar mejor, debido a que un
incremento en precios requiere ms cantidad de dinero para permanecer mejor.
3) La funcin de gasto es cncava en precios. Cuando el precio de un bien cambia,
mientras los otros precios y la utilidad permanecen constantes, la concavidad
implica que el costo aumenta no ms que linealmente, esto es esencial, porque el
consumidor minimiza sus gastos reacomodando sus compras en orden a tomar las
ventajas de la estructura de precios. Es decir,
(2.8) C(u,p) C(u,p) ; 0 1
La estricta concavidad se mantiene, si en (2.8) se reemplaza por > . Supongamos
los siguientes bienes y precios:
ICESI
36
JHON JAMES MORA
x
i
p
i
x
i
p
i
1 2 4 8
2 4 5 20
3 6 4.5 27
Y definamos p
3
como p
1
+ (1-)p
2
y si es igual a 0.5 entonces p
3
= 4.5. Entonces,
C(u,p
1
) = x
1
p
1
= 8 x
3
p
1
= 24
C(u,p
2
) = x
2
p
2
= 20 x
3
p
2
= 30
Se deber demostrar que C(u, p
1
+ (1- )p
2
) [ C(u, p
1
)] + (1- )[ C(u, p
2
)] . S C(u,
p
1
+ (1-)p
2
)= C(u,p
3
)= x
3
p
3
= 27 y dado que [ C(u, p
1
)] = 0.5* 8 y (1-)[ C(u,
p
2
)] = 10:
C(u, p
1
+ (1-)p
2
) [ C(u, p
1
)] + (1-)[ C(u, p
2
)] ya que 27 > 14.
4) La funcin de gasto es continua en p y la primera y la segunda derivada con
respecto a los precios existe.
5) Cuando ellas existan, las derivadas parciales de las funciones de gasto con
respecto a los precios sern las funciones de demandas Hicksianas:
(2.9)
La anterior propiedad se conoce tambin como el Lema de Sheppard.
2.4.3. Propiedades de las funciones
de demandas Marshallianas y Hicksianas
Como se ha encontrado anteriormente, de la solucin a (2.5) se obtiene la demanda
Marshalliana mientras de la solucin a (2.6) se obtiene la demanda Hicksiana. Ahora
derivaremos algunas de las propiedades para dichas demandas.
2.4.3.1. Adicin
El valor total de las demandas Hicksianas y Marshallianas sern los gastos totales:
(2.10) = = y
ICESI
37
2.4.3.2. Homogeneidad
Las demandas Hicksianas son homogneas de grado cero en precios; las deman-
das Marshallianas en el gasto total y en los precios tambin lo son, esto es, para algn
escalar > 0, se cumple:
(2.11) hi (u, p) = hi (u, p)= g
i
(y, p) = g
i
(y, p)
2.4.3.3. Simetra
Las derivadas transversales de los precios, en las demandas Hicksianas son simtricas:
(2.12)
Para todo i j. Esta propiedad adems se deriva del teorema de Young.
2.4.3.4. Negatividad
La matriz de n n formada de los elementos de es semidefinida negativa,
(2.13) i
j

i
j
0
Si es proporcional a p, la desigualdad llegar a ser una igualdad, y la forma
cuadrtica (2.13) ser cero. El resultado anterior se mantiene en tanto es la
matriz de segundas derivadas de la funcin de gasto, que es una funcin cncava y
semidefinida negativa. Por conveniencia se reemplaza por s
ij
y se conoce como
la matriz de sustitucin o la matriz de Slutzky, donde los elementos diagonales de
dicha matriz sern no positivos para todo i,
(2.14) s
ii
0
De esta forma, un incremento en precios con la utilidad constante deber producir
una mayor demanda para aquel bien o aquellos que permanecen sin cambiar. La
expresin (2.14) podra considerarse tambin como la famosa "ley de la demanda".
Por supuesto, (2.14) nos muestra una funcin de demanda compensada, pero a
diferencia de la visin tradicional de la demanda (2.14) proviene de la funcin de
ICESI
38
JHON JAMES MORA
gasto, la cual es cncava aunque las preferencias sean o no convexas. La propiedad
de negatividad no nos dice nada acerca de las curvas de indiferencia y, por supuesto
si stas fueran cncavas al origen dichas demandas mostraran soluciones de esqui-
na, las cuales no son explicadas por (2.14).
De esta forma, las propiedades bsicas de las curvas de demanda son la adicin, la
homogeneidad de grado cero en precios e ingreso. Por lo tanto, sern simtricas las
respuestas en precios y formarn una matriz semidefinida negativa. Si la simetra y
negatividad son comprobables entonces es posible observar la matriz de sustitucin
de Slutzky. Al derivar la Hicksiana con respecto a p
j
y usando el lema de Sheppard
encontraremos:
(2.15) s
ij
= =
Donde el ltimo trmino es la derivada de los precios no compensados con respecto
a p
j
. El trmino compensado se refiere a la cantidad de veces x
j
(la derivada del
mnimo costo con respecto a p
j
) que (el gasto total derivado de x
i
) deber ser
adicionado. Cada una de las magnitudes de (2.15) en principio pueden ser observa-
das directamente variando a x y p. La ecuacin (2.15) se descompone entonces en
el efecto sustitucin del cambio en precios y en el efecto ingreso . Un s
ij
positivo slo puede ocurrir en el caso de un bien inferior, por ejemplo bienes giffen,
ya que todos los bienes giffen son inferiores pero lo contrario no es cierto. Los bienes
giffen son muy raros y slo se citan casos excepcionales como la papa, ya que si
aumenta su precio su demanda no disminuir. La matriz de sustitucin tiene una
funcin importante en clasificar los bienes: si los bienes i y j son complementarios
s
ij
es negativo y si los bienes i y j son sustitutos s
ij
es positivo.
2.5. Trayectorias de expansin
Usualmente la funcin de demanda cambia ante un cambio en precios o ingreso; este
cambio puede observarse en trminos de la esttica comparativa: Suponga que los
precios estn fijos pero el ingreso del consumidor lentamente se incrementa, entonces
a partir de la coleccin de puntos resultantes se podra trazar una trayectoria en el
ortante no negativo que se denomina trayectoria de expansin del ingreso. Esta
trayectoria puede ser proyectada en un plano definido por dos bienes, mostrando
dicha trayectoria la expansin del ingreso relativo a estos dos bienes de la siguiente
forma:
ICESI
39
Como podr observarse, la grfica (2.7.a) muestra un conjunto de bienes normales:
el consumo de los bienes x
1
y x
2
se incrementa cuando el ingreso se incrementa. En
la grfica (2.7.b) el bien x
2
es un bien inferior, esto es, el consumo cae en tanto el
ingreso aumenta. Cuando la demanda de un bien se grafica como una funcin del
ingreso, el resultado se conoce como la curva de Engel para dicho bien. Deber
adems observarse que en el caso de que las preferencias sean homotticas, se
cumple que u(tx)= tu(x) t > 0, entonces, la trayectoria de expansin y la curva de
Engel ser una lnea de trazo continuo como en la grfica (2.7.c).
2.6. La tasa marginal de sustitucin
Considere la curva de indiferencia u(x
1
,x
2
) = u
1
cuya representacin viene dada por
la grfica (2.6) para algn valor fijo de u. Esta curva puede ser pensada como la
funcin x
2
(x
1
). De dichas curvas se define la tasa marginal de sustitucin del bien 2
por el bien 1 como:
GRFICAS 2.7.a 2-7.b. Trayectorias de expansin. GRFICA 2.7.c. Curva de Engel.
GRFICA 2.7.d. Puntos de felicidad y
restricciones presupuestarias B
i
.
GRFICA 2.7.e. Curva de Engel.
Y
X
1
X
1
ICESI
40
JHON JAMES MORA
(2.16) TMS
21
=
La tasa marginal de sustitucin es la pendiente de la curva de indiferencia, y su
sentido econmico no es otro que la cantidad que se est dispuesto a renunciar del
consumo del bien 1 por consumir unidades adicionales del bien 2, por esta razn la
tasa marginal de sustitucin definida de la anterior forma decrece cuando x
1
crece.
Si nosotros diferenciamos u(x
1
,x
2
) = U
1
con respecto a x
1
, se encuentra:
(2.17)
De igual forma, la solucin al problema bsico del consumidor nos muestra:
(2.18)
Donde (2.18) es la tasa de sustitucin econmica del bien 2 por el bien 1, y sta es
la pendiente de la lnea de restriccin presupuestaria:
Se asume que la solucin anterior ocurre en un punto x con x > 0, esto es posible
incluso para uno o ms componentes de x que sean cero, tal es el caso de las
soluciones de esquina como en (2.9), veamos:

GRFICA 2.8. Tasa marginal
de sustitucin.
ICESI
41
La grfica anterior en el caso de dos dimensiones nos muestra que si la solucin ocurre
en el punto x
1
> 0 y x
2
= 0 la TMS
21
> , este resultado se extiende a dimensiones
mayores.
2.7. Elasticidad
Cuando se discute la sensibilidad de la demanda del consumidor ante cambios en
variables como el precio o el ingreso, se puede medir directamente dicha sensibili-
dad, a travs de la elasticidad, por ejemplo, x/y en el caso de la sensibilidad en el
ingreso. Una de las desventajas de esta medida, es la dependencia sobre las unida-
des usadas. Es comn usar la elasticidad ingreso de la demanda:
(2.19)
As (2.19) es el porcentaje de cambio en la demanda ante un cambio porcentual en el
ingreso. Como un resultado adicional, se deber observar que la elasticidad ingreso
promedio deber ser unitaria, esto es: k
1
1
+ ... + k
j
j
= 1 donde k
j
= es la
proporcin del ingreso gastado en la bien j.
La elasticidad precio de la demanda del bien x vendr definida por:
x
2
GRFICA 2.9. Solucin de esquina.

u
ICESI
42
JHON JAMES MORA
(2.19)
2.8. Algunas formas funcionales
En esta seccin se desarrollar primero un ejemplo usual de maximizacin y luego se
discutirn algunas formas funcionales tradicionales en la demanda. Suponga un
consumidor, cuya funcin de utilidad viene definida por u(x
1
,x
2
) = x
1
2
+ x
2
2
. La
restriccin presupuestaria viene dada por p
1
x
1
+ p
2
x
2
= Y. Para solucionar este proble-
ma se usar el Lagrangiano y deduciremos las condiciones de primer orden. El
problema se plantea como:
Max u(x
1
,x
2
) = x
1
2
+ x
2
2
Sujeto a p
1
x
1
+ p
2
x
2
= Y
l = x
1

2
+ x
2

2
- ( p
1
x
1
+ p
2
x
2
- Y )
(2.20)
(2.21)
(2.22)
Cul es el significado econmico del multiplicador Lagrangiano ? Se puede
observar que el multiplicador es la razn de cambio del mximo (o mnimo) valor de
la funcin objetivo con respecto a un cambio paramtrico en el valor de la restriccin.
Supongamos, que la funcin objetivo para un individuo est determinada por el
trabajo y el ocio, sujeta a la restriccin del tiempo en algn nivel k: S un incremento
adicional del tiempo, ocurriese en k unidades, el ingreso se incrementara en y*
* k. En otras palabras, * ser el valor marginal del tiempo o el costo de oportuni-
dad del mismo, y en una economa competitiva, las empresas estaran dispuestas a
pagar * por cada incremento en el tiempo, esto significa que * podra ser visto
como el precio de reserva del tiempo, es decir el salario de reserva.
ICESI
43
Despejando (2.20) y (2.21) e igualando obtenemos,
(2.23)
Sustituyendo (2.23) en (2.22):
(2.24)
De donde se deduce que la demanda Marshalliana viene determinada por:
(2.25)
De igual forma, reemplazando esta solucin en (2.22), la demanda del bien x
1
ser:
(2.26)
La funcin indirecta de utilidad se encuentra reemplazando (2.25) y (2.26) en la
funcin de utilidad:
(2.27)
A partir de (2.27) se puede usar la identidad de Roy, entonces:
(2.28)
(2.29)
ICESI
44
JHON JAMES MORA
De donde se deduce:
(2.30)
De esta forma, la demanda ser:
(2.31)
De acuerdo con la dualidad, el problema tambin se puede plantear como:
Min p
1
x
1
+ p
2
x
2
Sujeto a u(x
1
,x
2
) = x
1
2
+ x
2
2
= u
0
As, el Lagrangiano es:
l = p
1
x
1
+ p
2
x
2
+ ( x
1
2
+ x
1
2
- u
0
)
(2.32)
(2.33)
(2.34)
Despejando (2.32) y (2.33) e igualando:
(2.35)
Sustituyendo (2.35) en (2.34) se obtiene:
(2.36)
De donde se deduce que la demanda Hicksiana viene determinada por:
ICESI
45
(2.37)
Usando el Lema de Sheppard:
(2.38) C(u,p
1
,p
2
)
Por lo cual,
(2.39) y
Veamos otro ejemplo. Considere la siguiente funcin de utilidad y la restriccin
presupuestaria:
(2.20.1) U(x
1
,x
2
) = x
1
x
2
(
1-
)
(2.20.2) p
1
x
1
+ p
2
x
2
= y
Para solucionar el problema del consumidor, tendremos:
(2.20.3) = x
1
x
2
(
1-
) -( p
1
x
1
+ p
2
x
2
- y)
(2.20.4) = 0 (2.20.5)
ICESI
46
JHON JAMES MORA
(2.20.6)
Igualando (2.20.3) y(2.20.4) se encuentra que:
(2.20.5)
Sustituyendo en (2.20.6) se obtienen las siguientes demandas Marshallianas:
(2.20.6)
(2.20.7)
La funcin indirecta de utilidad, V (p
1
,p
2
,y),ser:
(2.20.8) V(p
1
,p
2
,y) =
2.8.1. El sistema Lineal de Gasto
El sistema lineal de gasto (LES) es una generalizacin de la funcin de utilidad Cobb-
Douglas. Fue desarrollado por Klein y Rubin (1947-48) y Samuelson (1947-48).
Investigado empricamente por Stone (1954) y Geary (1950), por lo cual se le da el
nombre Stone-Geary. El sistema lineal de gasto es bsicamente una Cobb-Douglas
trasladada en el origen al punto (B
1
,B
2
), en el cuadrante positivo:
(2.40)
(2.41) por la proposicin 2.1
Supongamos la restriccin:
(2.42)
ICESI
47
Entonces el problema de maximizar (2.41) sujeto a (2.42) se resuelve con el Lagrangiano:
(2.43)
(2.44) (2.45)
(2.46)
Igualando (2.44) y (2.45) tendremos:
;
Sustituyendo en (2.46)las demandas marshalianas sern:
S

ICESI
48
JHON JAMES MORA

(2.47)
(2.48)
Las ecuaciones (2.47) y (2.48) son las demandas Marshallianas. Escribiendo las
funciones de demanda en forma de gasto:
(2.49)
(2.50)
De esta forma, el gasto en cada bien X
i
P
i
es lineal en precios e ingreso. El LES
describe a unos consumidores comprando primero las cantidades de subsistencia
de cada bien ( B
i
) y, dividiendo lo que queda del gasto, entre los bienes, en
proporciones fijas (
1
,
2
) . El gasto marginal en cada bien es constante y el LES tiene
una curva de Engel lineal que no es homottica, ya que todas las lneas de ingreso-
gasto pasan a travs del punto B
i
Howe, Pollack y Wales(1979) estiman un LES usando los siguientes bienes: alimentos,
ropa, abrigos y miscelneos denominados por f, c, s y m respectivamente; los datos
fueron tomados del consumo en Estados Unidos entre 1929 y 1975 excluyendo los
aos de guerra(1942-1945), el resultado obtenido fue:
GRFICA 2.8. Sendas de expansin
para una LES no homottica.
ICESI
49
Parmetro Val or Desvi aci n Estndar
f
0.38 0.022
c
0.24 0.015
s
0.17 0.02
m
0.21
Los
i
{ f,c,s,m} son las partes asignadas del presupuesto marginalmente y stas son
necesariamente independientes de los precios, del gasto y del consumo pasado. La
restriccin implcita como se puede observar, consiste en
i
4
= 1, debido a que no
se puede gastar ms de lo que se tiene en cada bien, y no tiene sentido gastar menos.
De igual forma, para 1975 Howe et-al encontraron unos valores
i
{ f,c,s,m} de 0.32,
0.12, 0.36 y 0.20 respectivamente.
La concavidad en la funcin de gasto se satisface por el hecho de que los
i
son
positivos y x
i
no es menor que
i
p
i
B
i
ya que x
i
B
i
i. Si dichas restricciones no se
mantienen, la funcin de gasto no es cncava. Deaton y Muelbauer(1981) indican
que si observamos la cantidad
i
p
i

i
sta nos muestra que no existen efectos de
sustitucin y entonces se deber pensar en el LES como una funcin de utilidad
"comprada" a un precio constante por unidad . De igual forma, los s
pueden ser pensados como la media geomtrica de los precios y, de esta forma,
como un ndice de precios que representa el "costo marginal de vida".
Para obtener un indicador "real" de riqueza, deberemos partir de que s los B
i
repre-
sentan los requisitos de subsistencia, solamente Y -
i
p
i
B
i
es lo que queda para
asignarse en forma discrecional, y s deflactamos lo que queda por la media geomtrica
ponderada de los precios
i
, entonces obtendremos dicho indicador.
2.8.2. La funcin de Utilidad CES
La funcin de utilidad CES surge como una analoga directa a la teora de la produc-
cin (Arrow et-al 1961) y tiene la forma:
(2.51) u(x
1
,x
2
) = (
1
x
1

+
2
x
2
)
1/
con 1
Maximizando (2.51) sujeto a la restriccin de presupuesto:
(2.52)
Y utilizando las condiciones de primer orden derivadas de usar el Lagrangiano
obtenemos:
(2.53)
ICESI
50
JHON JAMES MORA
(2.54)
(2.55)
Igualando (2.53) y (2.54) se obtiene:
(2.56)
De donde la elasticidad de sustitucin vendr dada por:
(2.57)
Entre mayor sea el valor del parmetro mayor ser el grado de sustitucin entre los
bienes. Observe que s = 0 la CES ser una Cobb-Douglas y cuando ser
una Leontief. Las funciones de demandas Marshallianas correspondientes a la CES
sern:
(2.58) Y
De donde,
(2.59)
Dado que las preferencias representadas por la funcin de utilidad CES son homotticas,
las funciones de demandas marshallianas son lineales en el Ingreso. Para encontrar la
funcin de utilidad indirecta, se sustituye (2.59) en (2.55) y dado que
obtenemos la funcin indirecta de utilidad:
y
ICESI
51
(2.60)
La funcin de gasto se obtiene directamente invirtiendo la funcin indirecta de utilidad:
(2.61)
2.8.3. La funcin de Utilidad Indirecta Addilog
Como se ha podido observar en los ejercicios anteriores, es posible derivar las funciones
de demanda de los bienes a travs de maximizar la utilidad, sujeta a la restriccin de
gasto. Sin embargo, la solucin no siempre es estimable. La teora de la dualidad sugiere
que una alternativa es especificar una funcin indirecta de utilidad, una funcin que es no
decreciente en el ingreso, no decreciente y cuasi convexa en precios, continua y
homognea de grado cero en precios e ingreso. De esta forma, a partir de la funcin de
utilidad indirecta que corresponda a algn tipo de preferencias del consumidor puede
recuperarse la demanda con la identidad de Roy. Una forma funcional es la funcin
"addilog" de utilidad indirecta introducida por Houthakker (1965):
(2.62) V(p
1
,p
2
,Y) =
Las funciones de demandas obtenidas de una "addilog" usando la identidad de Roy
sern:
(2.63)
Si nosotros dividimos x
1
Y por x
2
Y y tomamos logaritmos, el resultado es una logartmica
lineal en el ingreso y en los precios relativos de x
1
, x
2
:
ICESI
52
JHON JAMES MORA
(2.64)
2.8.4. Las especificaciones Translogartmicas
La funcin de utilidad translogartmica proviene de Christensen, Jorgenson y Lau
(1971,1975). Esta ha sido la forma funcional ms usada en anlisis empricos de
demanda. Una de las ventajas de la translogartmica es su forma funcional flexible,
ya que puede ser aproximada de una funcin de segundo orden por Taylor a una
funcin de utilidad indirecta arbitraria. La especificacin translogartmica bsica
viene dada por:
(2.65)
Las restricciones tericas nos indican que por adicin y por simetra
kj
=
jk
k y j. Cuando sea ms conveniente trabajar con las ecuaciones de gasto que
con las ecuaciones de demanda, entonces se usarn las especificaciones
translogartmicas:
(2.66)
La especificacin translogartmica puede denotarse tambin como:
(2.67)
Las ecuaciones de gasto se pueden obtener a travs de la diferenciacin logartmica
de (2.67) y se escriben:
ICESI
53
(2.68)
Un caso especial de la translogartmica es la translogartmica homottica, la cual se
obtiene a travs de imponer las siguientes restricciones:
(2.69)
j
kj
= 0 , k = 1,,n
que se conocen como restricciones de Homogeneidad. Dadas estas n restricciones,
la funcin de utilidad indirecta y las ecuaciones de gasto sern:
(2.70)
(2.80)
La ecuacin (2.80) muestra que las partes del gasto son independientes del ingreso,
lo cual confirma que las preferencias son homotticas. Observe tambin que la
funcin indirecta de utilidad (2.79) puede ser invertida para obtener una funcin de
gasto translogartmica homottica:
(2.81)
La funcin de gasto (2.81) se usa frecuentemente en estudios empricos sobre
funciones de produccin, ya que si se interpreta Y* como el costo total, entonces las
ecuaciones de intensidades factoriales se obtienen a travs del Lema de Sheppard.
2.8.5. El sistema Casi - Ideal de Gasto AIDS
El sistema de ecuaciones de demanda puede ser derivado a partir de la funcin de
gasto. Suponiendo que ste es continuo y no-decreciente precios y utilidad, y
adems cncavo y homogneo de grado cero, entonces:
(2.82)
ICESI
54
JHON JAMES MORA
Usando el Lema de Sheppard, las ecuaciones de gasto sern:
(2.83)
Donde
Deaton y Muellbauer arguyen que p puede ser considerado como un ndice de
precios y que puede ser aproximado por
j
x
i
p
i
Logp
i
. Dada esta aproximacin, el
sistema de ecuaciones de demanda sern lineales en el logaritmo de precios e
ingreso real.
El sistema AIDS (Almost Ideal Demand Sistem) cumple las restricciones de adicin,
homogeneidad y simetra. Para satisfacer las condiciones de negatividad se requiere
que la matriz de Slutzky sea semidefinida negativa:
(2.84) c
ij
=
ij
+
i

j
Log (Y/ p) - x
i
p
i

ij
+ x
j
p
j
x
i
p
i
Donde es el producto de kronecker
7
que ser igual a 1 s i= j y 0 de lo contrario.
Los resultados ms importantes del AIDS consisten en que (2.84) es lineal y puede
ser estimado por mnimos cuadrados ordinarios. Las restricciones sobre y ase-
guran que p sea lineal, aunque en muchas estimaciones p pueda resultar colineal, si
se usa algn ndice de precios se elimina dicho problema. Los s del AIDS determi-
nan cundo los bienes son de lujo o necesarios: si
i
> 0 el gasto (x
i
p
i
) se incrementa
con x, por lo cual, el bien i ser de lujo, de forma similar
i
< 0 el bien i ser necesario.
Los ij miden el cambio en la i- sima parte del gasto siguiendo un cambio propor-
cional en p
j
con (Y/ P) permaneciendo constante.
7. S A es(mn) y B es (pq) entonces se dice que el producto de Kronecker A B = { b
ij
A }
mp,nq
ICESI
55
2.8.6. El modelo de Rotterdam
Propuesto inicialmente por Theil(1965) y Barten(1966). Este modelo es parecido al
Stone-Geary, slo que en lugar de trabajar con los niveles de los logaritmos se usan
las diferencias de los mismos, esto es, diferenciando (2.51) se obtiene:
(2.85)
Se supone en (2.85) que las elasticidades e
i
y e
ij
permanecen constantes. Usando
la descomposicin de Slutzky y obteniendo e
ij
= e
ij
* - e
i
x
i
p
i
donde e
ij
* es la elasticidad
cruzada de los precios:
(2.86)
Las restricciones se efectan tambin sobre las ecuaciones de gasto, de esta forma:
(2.87)
Donde,
(2.88) Log = Log x -
k
x
k
p
k
Logp
k
=
k
x
k
p
k
Logx
k
(2.89) b
i
= x
i
p
i
e
i
= p
i

(2.90) c
ij
= x
i
p
i
e
i
* =
Y, s
ij
es el ( i , j) trmino de la matriz de sustitucin de Slutzky. Observe que (2.88) es
un ndice que representa el cambio proporcional en el gasto total real, mientras que
(2.90) representa la demanda Hicksiana y (2.89) es la propensin marginal a gastar
en el i- simo bien.
La propiedad de adicin requiere que las propensiones marginales a gastar en cada
bien sumen uno y que el efecto neto de un cambio de precio en el presupuesto sea
cero. Algunas pruebas sobre homogeneidad en (2.88) han sido propuestas por
Barten (1969) y Deaton (1974). Ver adems Deaton et-al (pag. 71-73).
ICESI
56
JHON JAMES MORA
Bi bl i ograf a
ARROW, K.J et-al. (1968). "Labor substitution and economic efficiency", Review of economics
and statistics, vl.43, pp.225-250, August .
.(1982). "Risk perception in psychology and economics", Economic inquiry, Vol. 20,
pp.1-9.
BARTEN, A. P. (1969). "Maximum likelihood estimation of complete system of demand equations",
European economic review, vl. 1, pp. 7-73.
. (1966). "Theorie en empire van een volledig stelsel van vraaguergelijkingen",
Doctoral dissertation, Roterdam : University of Roterdam.
CHRISTENSEN, L. R., DALE, W.J AND LAWRENCE, J.L. (1975). "Transcendental logarithmic utility
function" American economic review, nm.65, pp.367-383, June.
CHRISTENSEN, L, D JOGERSON, L. LAU. (1971). "Conjugate duality and the trascendental
logaritmic production function". Econometric 3 Jul, 255-56.
DEATON, A. (1974). "The analysis of consumer demand in the united kingdon,1900-1970 ",
Econometrica, vl.42, pp.341-67.
DEATON, A Y MUELLBAUER, J. (1980). Economics and consumer behavior. Cambridge University
Press (1989).
1980) "Almost ideal demand system", American economic review, vl. 70, pp.312-
336.
HOUTHAKKER, H.S. (1965). "A note on self-dual preferences", Econometrica, nm.33, pp.797-
801, Oct.
HOWE H R:A POLLACK AND T.J WILES (1979). "Theory and time series estimation of the quadratic
expendiure system". Econometric, vol.47, No.5, pp.1231.
KAHNEMAN, D AND TVERSKY, A. (1992). "Advances in prospect theory: cumulative representation
of uncertainty", Journal of risk and uncertainty, vl.5, pp.46-55.
KLEIN, LR. AND H. RUBIN. (1947-48) " A constant utility index of the cost of living". Review of
economic studies, 15, pp. 84-57.
KREPS, D.M. (1995). Curso de Teora Microeconmica. Mcgraw-Hill.
LUENBERGER, D.L. (1995). Microeconomic theory, Mc Graw-Hill.
MCFADDEN, D. (1999). "Rationality for economists?". Journal of risk and uncertainty, Dec.
PLOTT, CH. R. (1996). Rational individual behavior in markets and the social choice process:
the discovered preferences hypothesis; en Kenneth J. Arrow., Enrico Colombato., Mark
Perlman and Christian Schmidt (comps.), The rational foundations of economic behaviour-
Proceedings of the IEA conference in held Turin, Italy, St Martin s press.inc.Usa.
TVERSKY, A .(1996). Rational theory and constructive choice; en Kenneth J. Arrow., Enrico
Colombato., Mark Perlman and Christian Schmidt (comps.), The rational foundations of
economic behaviour-Proceedings of the IEA conference in held Turin, Italy, St Martin s
press.inc.Usa.
TVERSKY, A AND KAHNEMAN, D. (1991). "Loss aversion in riskless choice: a reference dependent
model", Quaterly journal of economics, vl.107, pp.1039-61.
ICESI
57
TVERSKY, A., SLOVIC, P. AND KAHNEMAN, D. (1990). "The causes of preference reversal" American
economic review, vol. 80, pp.204-17.
MASCOLLEL, A.., WHINSTON,M.D Y GREEN,J.R. (1995). Microeconomic Theory, NY, Oxford
University Press.
STONE, R. (1954). "Linear expenditure systems and demand analysis: an application to the
pattern of British demand", Economic journal, nm.64, pp.511-527, Sep.
THEIL, H. (1965). "The information approach to demand analysis", Econometrica, vl. 33,
pp.67-87.
ICESI
58
JHON JAMES MORA
La demanda representa la cantidad que un consumidor desea comprar de una serie
de bienes, ya sea expresada como una funcin de los precios y el ingreso o como una
funcin de la utilidad y de los precios.
Debemos partir de que el comportamiento del consumidor es racional. Si las decisio-
nes que toma el consumidor contradicen los supuestos, entonces el consumidor es
considerado irracional. De hecho, un estudio en sicticos crnicos realizado en una
institucin mental en New York (USA) encontr que aquellas personas a quien la
sociedad considera como "irracionales" siguen la famosa ley de la demanda: "com-
pran menos cuando aumentan los precios" (Battalio et-al 1973).
Obviamente la discusin sobre "el comportamiento racional" es ms profunda de lo que
se considera aqu, ya que no necesariamente se necesita estar en una institucin mental
para caracterizar a un individuo como "irracional", o que comprar menos cuando aumen-
tan los precios, ratifique el comportamiento maximizador de los individuos
8
.
3.1. Unicidad y continuidad
La demanda que corresponde a un vector de precios e ingreso podra no ser nica,
como se observa en la grfica (3.1); all existen dos soluciones x
A
y x
B
correspondien-
tes a la restriccin de presupuesto. Desde un punto de vista tcnico, la condicin que
garantiza una funcin de demanda nica consistir en:
"Si un orden de preferencias es continuo, satisface la insaciabilidad local, y es
estrictamente convexo, entonces para todo p > > 0, y > 0 la demanda x( p, y) es
nica, define un valor singular, y es una funcin continua de (p, y)".
3.
La demanda del consumidor
8. Una "buena" discusin sobre el problema de la racionalidad se presenta en la Parte III del libro "Rational Behaviour
From An Experimental Approach", de Arrow, K..,Colombato, E., Perlman, M y Schmidt, Ch. (1996), y en McFfadden
(1999).
ICESI
59
3.2. El excedente del consumidor y disponibilidad a pagar
La teora del consumidor nos muestra un individuo eligiendo una canasta de bienes,
dados unos precios e ingresos Qu sucede cuando el entorno que rodea al consu-
midor cambia? Este ser el objetivo de esta seccin.
Consideremos a un consumidor con preferencias racionales, continuas y localmente
no saciadas. Asumiremos tambin que las funciones de gasto y utilidad indirectas
son diferenciables, y concentraremos nuestro inters en los cambios de precios.
Suponga que la riqueza del consumidor permanece constante a un nivel y > 0 y el
vector inicial de precios es p
0
. Nosotros deseamos evaluar el impacto sobre la
riqueza del consumidor, de un cambio de p
0
a un nuevo vector de precios p
1
. Dicho
cambio no debe parecernos extrao. Por ejemplo, si el gobierno decide aumentar los
impuestos esto se traducir directamente en los precios.
El problema se traduce en evaluar cundo el consumidor estar mejor o peor.
Entonces, a partir de la funcin indirecta de utilidad el consumidor estar en peor
situacin s v(p
1
,y) - v(p
0
,y) < 0.
La funcin de utilidad derivada de es suficiente para realizar alguna comparacin.
Sin embargo existe una funcin de utilidad indirecta que lleva a una medida del
cambio de la riqueza en unidades monetarias (pesos) que se puede denominar
utilidad indirecta mtrica monetaria y que se construye a travs de la funcin de
gasto. En particular, se parte de la funcin de utilidad indirecta v(.,. ), eligiendo un
vector de precios arbitrarios estrictamente positivo, y a partir de la funcin e(,v(p, y)),
se puede obtener la riqueza necesaria para alcanzar el nivel de utilidad v(p, y) cuando
los precios son p. Observe tambin que la funcin de gasto es estrictamente crecien-
te, ya que depende del nivel de v(p, y). As, una medida del cambio de la riqueza
expresada en pesos vendr determinada por:
(3.10)
GRFICA 3.1. Soluciones no-nicas.
ICESI
60
JHON JAMES MORA
Grficamente lo podemos ver como:
De esta forma, la utilidad indirecta mtrica monetaria puede ser construida para algn
vector de precios. Estas elecciones llevan a dos medidas en torno al cambio de la
riqueza: la primera conocida como la variacin equivalente ( VE ) y la segunda como
la variacin compensatoria (VC).
Formalmente sea u
0
= v(p
0
,y) y u
1
= v(p
1
,y).
Haciendo e(p
0
,u
0
)= e(p
1
,u
1
)= y, se obtiene:
(3.11) VE (p
0
, p
1
,y) = e(p
0
,u
1
)- e(p
0
,u
0
)= e(p
0
,u
1
)- y
(3.12) VC (p
0
, p
1
,y) = e(p
1
,u
1
)- e(p
1
,u
0
)= y - e(p
1
,u
o
)
La variacin equivalente ser la cantidad de pesos ante la cual el consumidor es
indiferente, en lugar de aceptar un cambio en precios. Esto es, el cambio en su
riqueza que es equivalente al cambio en precios en trminos del impacto de riqueza
(ste es negativo si el cambio en precios hace que el consumidor se encuentre peor).
Deber observarse que e(p
0
,u
1
) es el nivel de riqueza al cual el consumidor alcanza
exactamente el nivel de utilidad u
1
, es decir, el nivel generado por el cambio en
precios desde p
0
. Adems e(p
0
,u
1
) - y es el cambio neto en la riqueza de tal forma que
el consumidor alcanza la utilidad u
1
a precios p
0
.
La variacin compensatoria medir el ingreso neto que debe compensar al consumidor
por el cambio en precios una vez ste ha ocurrido, de tal forma que el consumidor
recobre su nivel original de utilidad u
0
. Como menciona Mascollel et-al, "sta puede ser
GRFICA 3.2. Funcin de utilidad mtrica
monetaria. B = restriccin
presupuestaria.
B
ICESI
61
pensada como la cantidad negativa que el consumidor justamente estara dispuesto a
aceptar del planeador que ha asignado el nuevo cambio de precios" (pag 82).
Grficamente, estas medidas se pueden ver como:
Las variaciones equivalentes y compensatorias podran diferir si el vector de precios
(que asume la compensacin) difiere. Esto significa, como observa Azqueta (1994),
que en el caso de una cada en los precios VC < VE y ante una elevacin en el precio
del bien VC > VE.
El cambio en la riqueza producido por una variacin en el precio del bien 1 puede ser
medido a travs de la curva de demanda marshallian. De esta forma, si definimos la
medida de variacin (MV) como:
(3.13) MV(p
0
, p
1
,y) =
Y si no existen efectos de riqueza en el bien 1, entonces esta medida de variacin es
exactamente igual a las medidas equivalentes y compensatorias. Esta medida ser
el cambio en el excedente del consumidor marshalliano. En tanto se consideren las
variaciones en la riqueza como efecto de variaciones en los precios, el excedente del
consumidor se encuentra entre la variacin equivalente y compensatoria. El error
cometido de usar esta medida es del 2%, como observa Willing (1976). Cuando las
variaciones en la riqueza son debidas a cambios en las cantidades, Hanemman
(1991) ha demostrado que estas dos medidas difieren ampliamente, pues ya no slo
se deber tener en cuenta el efecto renta, sino tambin efectos de sustitucin.
3.2.1. La disponibilidad a pagar
Suponga que un consumidor tiene la oportunidad de comprar una cantidad x de un
bien. Nosotros deseamos determinar cunto de esta oportunidad corresponde al
"esfuerzo", medido en unidades de gasto sobre otros tems. Para determinar este
GRFICA 3.3. Medidas del cambio de riqueza:
(a) Variacin equivalente (b) Variacin compensatoria.
(a)
(b)
ICESI
62
JHON JAMES MORA
valor, deberemos usar la grfica (3.3), pero ahora la curva muestra la curva inversa de
la demanda del consumidor compensada. Esta curva resulta de fijar la utilidad u
0
al
valor original (x= 0) y calcular su forma inversa. Imagine entonces una curva que se
devuelve una unidad, comprando cada unidad al precio indicado. El consumidor
estar dispuesto a pagar ms por cada unidad y la utilidad permanecer constante
durante este proceso. De esta forma, la cantidad total que se estara dispuesto a
pagar ser:
(3.14) DP(x) =
Donde p
c
(,u
0
) es la demanda inversa compensada: el precio ajustado cuando los
otros precios estn fijos. De aqu se obtiene:
(3.15) p
c
(x,u
0
) = y (x)
Esto es, si el consumidor compra x unidades al precio p, el rea bajo la curva de
demanda compensada antes del precio p es la disponibilidad a pagar neta. En
general, esta medida es diferente al excedente del consumidor, slo que si no existen
efectos ingreso x(p,y)/y = 0 las dos curvas de demandas sern iguales y la
disponibilidad neta por pagar ser igual al excedente del consumidor.
3.2.2. La compensacin exigida
La compensacin exigida CE, refleja lo que se demandara con el fin de aceptar un
cambio que empeore su situacin, o renunciar a un cambio que mejore su situacin.
Cuando el precio cae la CE es equivalente a la VE y cuando el precio aumenta la CE
es equivalente a la VC. Por otro lado la CE no est limitada por la renta, por lo cual
su principal efecto ser en trminos de sustitucin.
3.2.3. Comparacin entre la disponibilidad
a pagar y la compensacin exigida
Aunque ambas medidas tericamente representan los mismos resultados, los estu-
dios de Hahneman (1991), Kahnemann, Knetsh y Thaler (1990) han mostrado que
estas medidas difieren. Por un lado, Hahneman seala que existen diferencias cuan-
do el cambio en la renta es debido a un cambio en las cantidades, sobre todo en la
provisin de bienes pblicos. Por otro lado, existen asimetras entre lo que un
individuo est dispuesto a aceptar y entre lo que un individuo estara dispuesto a
renunciar (Kahnemann, Knetsh y Thaler, 1990). En ltimas, si existe un punto de
referencia entre ambas medidas, las propiedades de la funcin de utilidad subyacen-
te hacia dichas medidas diferirn en convexidad y direccin, esto significara depen-
dencia con respecto al punto de referencia (prdidas y ganancias), aversin al riesgo
ICESI
63
(la pendiente de la funcin del ortante positivo tiene un valor mayor con relacin al
ortante negativo, lo que significa que las prdidas tienen un valor superior que las
ganancias) y, por ltimo, el valor marginal de las prdidas y las ganancias disminuye
con su tamao.[ Tversky y Kahneman (1991, pag.1039)] .
3.3. Integrabilidad de la funcin de utilidad
A partir de la funcin de demanda x(p,y) se puede recobrar la funcin de utilidad
subyacente, en lo que se conoce como integrabilidad.
Suponga que nosotros tenemos un funcin de demanda continua y diferenciable
x(p,y). Si esta funcin se encuentra bien definida y se cumple el supuesto de insacia-
bilidad local (y la ley de Walras) asegurando la igualdad, entonces como previamente
se ha demostrado, debern cumplirse las siguientes condiciones:
1. No negatividad : x(p,y) 0 p e y
2. Homogeneidad : x(tp,ty)= x(p,y) t > 0
3. Insaciabilidad : px(p,y)= y
4. Simetra : La matrix de Slutzky es simtrica.
5. Semidefinida : S es semidefinida negativa
Usando el Lema de Shepard como la relacin entre la demanda compensada y la
funcin de gasto, encontramos:
(3.16)
Donde (3.16) es un sistema de ecuaciones diferenciales parciales, y u se introduce
como un parmetro. Especificando tambin las condiciones de contorno de la forma
e(p* ,u)= c donde p* y c estn dados, entonces se podr recuperar la funcin de
utilidad de e.
La solucin que resulta es nica y depende continuamente de c. Una vez que la
funcin de gasto sea encontrada, la funcin de utilidad indirecta se puede hallar
teniendo en cuenta que:
(3.17) e(p,y) = y
Donde e es estrictamente creciente, y puede ser invertida para encontrar v(p,y).
Considere las siguientes funciones de demanda que provienen de una funcin de
utilidad Cobb-Douglas:
(3.18) x
i
(p,y) =
ICESI
64
JHON JAMES MORA
Siendo . De acuerdo con (3.16) se tiene:
(3.19)
La i- sima ecuacin puede ser integrada con respecto a p
i
obteniendo:
(3.20) ln e(p,u) =
Donde c
i
no depende de p
i
(pero podra depender de p
j
para algn ji). Agregando:
(3.21) ln e(p,u) =
Ahora c es independiente de todos los p
i
s. La constante c representa la libertad en
las condiciones de contorno. Para cada u se deber hacer p* = (1,1,,1), y usar la
condicin de contorno e(p* ,u)= u, por lo cual:
(3.22) ln e(p,u) =
Entonces (3.22) es fcilmente invertible:
(3.23) ln v(p,y) =
La cual es una transformacin montona de la funcin indirecta de utilidad, para una
funcin de utilidad Cobb-Douglas.
3.4. Preferencias reveladas
Los axiomas bsicos sobre las preferencias son criticados por ser demasiado fuertes, ya
sea en su preordenamiento o en su ordenamiento completo. Sin embargo, a menudo
observamos cmo los individuos realizan elecciones, aunque las restricciones sobre el
conjunto de preferencias no sean observables. Una forma de hacer compatibles los
supuestos sobre las preferencias y las decisiones que observamos en el mercado,
consiste en lo que comnmente se denomina como preferencias reveladas.
ICESI
65
La "eficacia" de la teora de la preferencia revelada radica en que el estado de las
preferencias se construye a partir de las decisiones observables, esto es, de las
elecciones actuales realizadas por un consumidor determinado.
Dado un vector de precios p 0, un nivel de ingreso y > 0 y una canasta de bienes
xX, se puede definir una restriccin presupuestaria de la forma px y. Asumiendo
que la existencia de la restriccin presupuestaria est relacionada con la eleccin de
una casta posible x para el consumidor, donde x depende de p e y de la forma x( p,
y) cuando se realiza la eleccin
9
.
3.4.1. Preferencia revelada directamente
Suponga la existencia de un vector de precios p y un nivel de ingreso ( y ), de tal forma
que xx(p,y) y px y para algn x X. Entonces u(x) u(x ). Se dice que x se revela
preferido directamente a x , y se escribe esta relacin como xR
p
x .
La relacin R
p
es una clase parcial de relacin de preferencias sobre x y puede ser
usada para construir cmo se realizan las elecciones. Sin embargo, R
p
tiene muy
pocas propiedades: no se puede cumplir xR
p
x si x es la canasta elegida, lo que
significa que no siempre se cumple la reflexividad; adems, xR
p
x no se cumple si x
no es elegida. Rp no es completa y tampoco es transitiva, ya que si se tiene xR
p
x y
x R
p
x de aqu no se deriva que xR
p
x .
3.4.2. Preferencia revelada
Una cesta x se dice que es revelada preferida a x , R
c
p
, si no se revela preferido x a
x, esto es, si existe un nmero finito de cestas x
1
,x
2
,..,x
m
en X tales que xR
c
p
x
1
, x
1
R
c
p
x
2
,
x
2
R
c
p
x
3
,, x
m
R
c
p
x , se dice que x R
c
p
x .
La relacin anterior se ha construido teniendo en cuenta la existencia de R
c
p
relacio-
nes y se denomina la clausura transitiva, esto es, nosotros tenemos que x R
c
p
x si x
es elegido sobre x
1
, x
1
sobre x
2
, x
2
,.., y finalmente x
m
sobre x para algn punto
intermedio. La relacin de comparacin no necesariamente deber ser directa, pero
la relacin de hecho es transitiva: Si adems de tener que x R
c
p
x tenemos que
x R
c
p
x entonces x R
c
p
x
1
, x
1
R
c
p
x
2
,, x
n
R
c
p
x para algn x
i
, adems si tene-
mos que xR
c
p
x
1
, x
1
R
c
p
x
2
, x
2
R
c
p
x
3
,, x
m
R
c
p
x , x R
c
p
x
1
,, x
n
R
c
p
x entonces x R
c
p
x
cumple la transitividad.
Adicionalmente deber observarse que si x R
c
p
x entonces p x p x, lo cual se
puede observar grficamente como:
9. Esto implica que x(p,y) deber ser homognea de grado cero con respecto a p e y.
ICESI
66
JHON JAMES MORA
3.4.2.1. El axioma dbil de la preferencia revelada
Si xR
c
p
x y x no es igual a x , entonces no es cierto que x R
c
p
x. Esto implica que si
px(p ,y ) y, y s x(p ,y ) x(p,y) entonces necesariamente p x(p,y)> y . De esta
forma, dados los precios e ingreso, la canasta x(p,y) es elegida incluso cuando
x(p ,y ) es tambin alcanzable. De aqu se deduce que la canasta x(p,y) no es
alcanzable a la combinacin de precios y riqueza (p ,y ) en la cual el consumidor ha
elegido x(p ,y ), por lo cual deber cumplirse que p x(p,y) > y .
Para algn cambio compensado en precios de la situacin inicial (p,y), a una nueva
situacin de riqueza (p ,y )= (p ,p x(p,y)), se deber cumplir:
(3.24) (p p)[ x(p ,y ) x(p,y)] 0
Con estricta desigualdad siempre que x(p,y) x(p ,y ). Como demuestra Mas-collel
et al (1995) la violacin del dbil axioma implica la violacin del cambio compensado
en precios. A continuacin, veamos grficamente cundo se satisface el dbil axio-
ma y cundo lo viola.
GRFICA 3.4. Preferencias reveladas.
GRFICA 3.5. (a), (b) y (c)
satisfacen el dbil axioma
y (d), (e) no lo satisfacen.
Si a los precios p tanto x como x son alcanzables, entonces
por insaciabilidad local u(x) > u(x ). De esto se deduce que
xR
c
p
x ya que p x p x.
ICESI
67
3.4.2.2. El axioma fuerte de la preferencia revelada
Si xR
c
p
x y x no es igual a x , entonces no es cierto que x R
c
p
x. Esto implica que dada
una lista de precios e ingreso (p,y),(p ,y ),,(p
m
,y
m
) con x(p
m+ 1
,y
m+ 1
) x(p
m
,y
m
) m
M-1. Entonces p
M
x(p,y)> y
M
cuando p
M
x(p
m+ 1
,y
m+ 1
) y
M
m M-1. En otras
palabras, si x(p,y) es directamente (o indirectamente) revelado preferido a x(p
m
,y
m
),
entonces x(p
m
,y
m
) no puede ser directa (o indirectamente) revelado preferido a x(p,y),
esto es x(p,y) no puede ser alcanzado a (p
m
,y
m
). De lo anterior se deriva que si una
funcin de demanda Walrasiana x(p,y) satisface el axioma fuerte de la preferencia
revelada, entonces existe una relacin de preferencia racional ( ) que racionaliza
x(p,y), esto es, para todo (p,y), x(p,y)> x para cada x x(p,y) donde x pertenece
a la restriccin presupuestaria en (p,y), y que ( ) racionalice x(p,y), significa que la
conducta observada alcanza su valor mximo en el conjunto presupuestario de las
cestas elegidas.
3.4.3. Condicin suficiente para maximizar la utilidad
Si las elecciones (p,x) fueron generadas por un consumidor que maximiza su utilidad
y sus preferencias cumplen el supuesto de insaciabilidad, entonces estas elecciones
satisfacen las preferencias reveladas directamente. Formalmente se requiere el cum-
plimiento del teorema de Afriat. Supongamos que (p
t
,x
t
), t= 1,,T., sea un nmero
finito de observaciones de vectores de precios y cestas de consumo, las siguientes
condiciones son equivalentes:
1- Existe una funcin de utilidad que cumple la insaciabilidad local y que raciona-
liza las elecciones.
2- Las elecciones (p,x) satisfacen R
c
p
.
3- Existe una serie de nmeros positivos (u
t
,
t
),t= 1,,T que satisfacen las des-
igualdades de Afriat; esto implica que u
1
u
t
+
t
(x -x
t
) cualesquiera que sean
( t ) y ( ).
4- Existe una funcin de utilidad montona, cncava, continua y no saciada que
racionaliza las elecciones.
La existencia de una funcin de utilidad que racionalice las elecciones (p,x) implica
que existe una funcin de utilidad montona, cncava, continua y no saciada que
racionaliza las elecciones (p,x), y si la funcin de utilidad no estuviera definida con las
propiedades anteriores, nunca se observara que se tomara alguna decisin en
dichas cestas; esto significa que las elecciones extradas del mercado no permiten
rechazar la hiptesis de convexidad y monotonicidad en las preferencias.
ICESI
68
JHON JAMES MORA
3.5. Agregacin
Un punto de singular importancia consiste en la agregacin sobre los individuos, ya
que el comportamiento agregado de los consumidores, en muchas situaciones, es
ms importante que el comportamiento de un consumidor en particular. Y desde un
punto de vista economtrico, debern existir restricciones en la agregacin cuando
se estimen las funciones de demanda.
En torno a la demanda agregada se deber discutir en primer lugar si sta puede ser
expresada como una funcin de los precios y de la riqueza agregada. En segundo
lugar, si las restricciones individuales sobre las preferencias se sostienen en el
agregado; y en tercer lugar, cmo se mediran dichos cambios agregados.
Una agregacin perfecta en un perodo, depende de que todos los precios sean los
mismos para todos los individuos. As, las variaciones provienen por parte de la
riqueza que cada individuo posee. Por otro lado, en modelos de elecciones
intertemporales no slo existen diferencias en el ingreso, tambin existen diferencias
en la edad y en las expectativas acerca de los precios futuros.
3.5.1. Agregacin lineal
Supongamos la existencia de I consumidores con preferencias racionales y
funciones Walrasianas de demanda x
i
(p,W
i
). Dados unos precios y unos niveles de
riqueza (W
1
,,W
I
) para I consumidores y m bienes, la demanda agregada viene
determinada por:
(3.26)
Se puede observar que la demanda agregada depende no solamente de los precios
sino tambin de los niveles de ingreso de los consumidores. La funcin (3.26) se
mantiene, en tanto la agregacin sea igual en todas las posibles distribuciones de la
riqueza de los consumidores. Suponga que existen (W
1
,,W
I
) y (W
1
,,W
I
) y
, entonces:
(3.27)
La condicin (3.27) implica invarianza en la demanda agregada ante cambios en la
redistribucin de la riqueza, grficamente esto se puede observar como:
ICESI
69
La condicin (3.27) muestra que para todos los consumidores las trayectorias de
expansin de la riqueza son paralelas, como se observa en la grfica (3.6).
Una condicin necesaria y suficiente para que el conjunto de consumidores tenga
trayectorias de expansin de riqueza paralelas consistir en que las preferencias
admitan funciones de utilidad indirectas tipo GORMAN:
(3.28) V
i
(p,W
i
) = a
i
(p) + b(p)W
i
En (3.28) b(p) deber ser igual para todos los agentes y a
i
podra diferir entre todos
los consumidores [ Luenberger (1995), Mas-Collel et-al (1995)] . Deaton (1980) con-
sidera que a
i
puede interpretarse como el gasto de subsistencia que debera ser igual
para todos los agentes que pertenecen a una comunidad. A travs de la identidad de
Roy, se puede demostrar que las demandas vienen definidas como:
(3.29) X
i
(p,W
i
) = A
i
(p) + B(p)W
i
Y la demanda agregada, sobre todos los consumidores, viene definida por:
(3.30) X(p, W
1
, W
2
, W
3
,..,W
I
) = { A
i
(p) + B(p)W
i
}
Lo cual muestra que la demanda agregada depende de los niveles de ingreso
solamente con relacin a la riqueza total. Por otro lado, la demanda de un bien
deber ser cero, siempre que W
i
sea cero. En el caso bsico a
i
debera ser cero, sin
embargo todo depende del bien en cuestin. En cumplimiento de la homoteticidad,
las curvas de Engel debern provenir de una elasticidad de gasto unitaria y las
funciones de utilidad idnticas y homogneas de grado 1. La condicin anterior no
debe ser tomada a la ligera, pues implica que cualquier transformacin montona
creciente deber mantener la funcin de utilidad. Finalmente, se deber exigir que la
GRFICA 3.6. Invarianza en la funcin
de utilidad.
ICESI
70
JHON JAMES MORA
demanda agregada satisfaga el dbil y fuerte axioma de la preferencia revelada[ Mas-
Collel, et-al (1995)] y que sea dos veces continuamente diferenciable.
De esta forma, suponiendo que todos los consumidores tienen preferencias
, funciones de demanda individuales (p,W) y que la riqueza individual se distribu-
ye uniformemente en el intervalo [ 0, ] , entonces existe un continuo de consumido-
res, cuya funcin de demanda agregada (el promedio) vendr determinada por:
(3.31) X(p) =
Suponiendo que existe una distribucin uniforme de la riqueza a travs de los
consumidores, en el caso de dos bienes, una relacin positiva mostrara que aque-
llos consumidores con un consumo mayor que el promedio de un bien, gastan una
fraccin mayor que el promedio de la ltima unidad de riqueza sobre el bien:
Las ecuaciones (3.28) a (3.31) implican que se puede agregar las preferecias de una
serie de individuos cuando ellos tienen preferencias consistentes con su comporta-
miento. Sin embargo, para agregar perfectamente, se deber imponer como condi-
cin que el intercepto, que est reflejando las caractersticas del hogar como la edad,
el sexo, la raza, la educacin del padre, el nmero de hijos, etc., [ ver adems Pollak
(1970)] , no est relacionado entre los individuos con variables como el gasto total y
las cantidades demandadas.
3.5.2. Agregacin no lineal
Una agregacin lineal exacta requiere que la demanda promedio del mercado est
en funcin de gasto total promedio [ Deaton y Muelbauer (1980:154), Deaton (1989:53)] .
GRFICA 3.7. Trayectoria de expansin
de la riqueza:
a) Relacin positiva.
b) Relacin negativa.
ICESI
71
La manipulacin de esta condicin da como restriccin curvas de Engel lineales y stas
tienen la misma pendiente para cada individuo. Supongamos que la riqueza agregada,
, para el i-simo bien sea:
(3.32)
De tal forma que el patrn de demanda es un patrn promedio de los patrones del
hogar, y estos promedios son proporcionales al gasto de cada hogar. Si est en
funcin de los precios y de los gastos totales de cada hogar, una aproximacin a la
agregacin consiste en restringir de tal forma que dependa sobre los precios y
que el nivel de los gastos x
0
est en funcin de la distribucin de los mismos. Si esto
se mantiene, la demanda agregada de mercado puede ser derivada del comporta-
miento de un individuo representativo, con un gasto total x
0
a unos precios p.
Formalmente un consumidor representativo existe si nosotros podemos definir una
funcin de utilidad u(x, p) asociada a una funcin de gasto g(u, p), de tal forma que
para algn u
0
= u(x
0
, p) se cumpla que:
(3.33)
Siendo g
h
(u
h
, p) la funcin de gasto del hogar h y u
h
= u(x
h
,p). Entonces la ecuacin (3.33)
est definida como una agregacin no lineal modificada a travs de m
h
= u
0
. El conjunto
de ecuaciones diferenciales parciales (3.33) pueden integrarse para encontrar la funcin
de gasto, esto es, para el hogar h la funcin de gasto toma la forma:
(3.34) g
h
(u
h
, p) =
h
[ u
h
, a(p),b(p)] +
h
(p)
Con a(p), b(p) y
h
(p) funciones homogneas lineales de los precios y
h
una funcin
homognea lineal en a(p) y b(p). Por otro lado,
h
, a(p) y b(p) sern funciones
crecientes en sus argumentos y
h
cncava en a(p), b(p) y p. Agregando en todos los
consumidores
h
(p) deber ser cero, por lo cual la funcin de gasto podra expresar-
se como:
(3.35) g(u
0
,p)= [ u
0
, a(p),b(p)]
Por otro lado, (3.35) podra reescribirse de la siguiente forma:
(3.36)
ICESI
72
JHON JAMES MORA
Dado que es homognea de grado uno en a(p) y b(p), entonces .
De esta forma, (3.36) se puede escribir:
(3.37)
Con =
Si los precios son constantes, puede estimarse directamente. La restriccin lineal
impuesta a (3.35), se conoce tambin como Linealidad Generalizada, y para un
consumidor representativo x
0
podra ser algn punto en la funcin de distribucin del
gasto; dicha posicin est determinada por el grado de no-linealidad en la curva de
Engel y el vector de precios p.
Un caso especial ocurre cuando el nivel de gasto para un consumidor representativo
es independiente de los precios y depende solamente de la distribucin de los
gastos, este caso se conoce como Linealidad Generalizada Independiente de los
Precios y ocurre cuando las funciones de gasto toman la forma:
(3.38) g
h
(u
h
, p) = k
h
[ a(p) ( 1 u
h
)+ b(p) u
h
]
1/
La ecuacin (3.38) representa la funcin de gasto, con la utilidad promedio de orden
entre los dos ndices. Cuando tiende a 0 y tomando logaritmos, nosotros tendre-
mos:
(3.39) Log g(u
h
, p) = ( 1 u
h
)Log a(p)+ u
h
Log b(p)
Esta funcin logartmica es tambin conocida como PIGLOG. Como se puede obser-
var, el parmetro es importante en determinar la no-linealidad de las curvas de
Engel, as cuando es igual a 1, la funcin de costo y las curvas de Engel son lineales.
Si = 1 entonces las curvas de Engel son cuadrticas.
Bibliografa
ARROW,K.,COLOMBATO, E.,PERLMAN, M Y SCHMIDT,CH. (1996). The Rational Foundations Of
Economic Behaviour.
AZQUETA, O.D.(1994).Valoracin econmica de la calidad ambiental, Mc Graw-Hill.
ICESI
73
BATTALIO, (1973). "A test of consumer demand theory using observations of individual
purchases", Western economic journal, Dec, pp.411-428.
CHIPMAN,J.S. (1974). "Homothetic preferences and aggregation", Journal of economic theory,
vl 8, pp.26-38.
DEATON, A. (1989). El consumo, Alianza Editorial.
DEATON, A Y MUELLBAUER, J. (1980). Economics and consumer behavior. Cambridge University
Press (1989).
DEATON, A AND MUELLBAUER, J. (1989). Economics and consumer behavior. Ny. Cambridge
University Press.
HANEMANN,W.M. (1991). "Willingness to pay and willingness to accept: how much can they
differ?" American economic review, vl.81, nm.3, pp.635-647.
KAHNEMAN,KNETSCH AND THALER. (1990). "Experimental test of the endowment effect and the
coase theorem" Journal of political economy, vl.98, nm.6, pp.1325-1348.
LUENBERGER, D.L.(1995). Microeconomic theory, Mc Graw-Hill.
MCFADDEN, D. (1999). "Rationality for economists?". Journal of risk and uncertainty, dec.
MAS-COLLEL,A.,WHINSTON,M.D.,GREEN,J.R. (1995). Microeconomic Theory.Oxford University
press.
POLLAK, R.A AND T.J, WALES. (1969). "Estimation of the linear expenditure system", Econometrica,
37, pp. 611-28.
SAMUELSON,P.A. (1956). "Social Indiference curves", Quaterly journal of economics, vl. 70,
pp.1-22.
SILBERBERG, E. (1990). The structure of economics: a mathematical analysis. Mc Graw Hill.
TVERSKY, AMOS AND DANIEL. KAHNEMAN.(1991). "Loss Aversion in Riskless Choice : A Reference-
Dependent Model", Quart. J. Econ. 106:4, pp.1039-61.
VARIAN,H.R. (1992). Anlisis microeconomico. Antoni Bosh (tercera edicin).
WILLING,R.D. (1976). "Consumer s surplus without apology", American economic review,
vl.66, num.4, pp.589-597.
ICESI
74
JHON JAMES MORA
Cuando usted va a comprar alimentos, es natural que destine una parte de su ingreso
para la compra de stos. Al igual como destina parte de su ingreso en comprar
alimentos, destinar dinero para alquiler, servicios pblicos, ropa, entretenimiento,
etc. Observe que esto implica que en cada tem se agrupe una serie de bienes (por
ejemplo alquiler de apartamento, garaje, etc.; ropa: camisas, zapatos, etc., y as
sucesivamente). Agrupar los bienes requiere que las preferencias reflejen este agru-
pamiento. Hace algunos aos Sono(1962), Goldman y Usawa (1964) y Pudney
(1981), entre otros, observaron que es posible separar las decisiones de los indivi-
duos de asignar sus ingresos a una serie de bienes, manteniendo la estructura de
preferencias, de las decisiones intertemporales de gastar.
De esta forma, el objetivo de este captulo consistir en mostrar cmo manteniendo
la estructura de las preferencias es posible separar las decisiones de gastar en cada
grupo.
4.1. Estructura de las preferencias
Supongamos que los bienes son particionados en dos subgrupos, con un vector
x = (y,z), esto es, X = Y Z. Para un z fijo se define un orden condicional
z
sobre
Y tal que la relacin y
z
y se mantiene si y slo si (y,z) (y ,z). De esta forma,

z
, es una restriccin sobre el orden original definiendo un z fijo. Deber observar
que para algn z la relacin
z
es de hecho un orden de preferencia sobre Y. Para
una particin x = (y,z) si el orden de preferencias condicionado sobre Y es indepen-
diente de z, nosotros diremos que y es independiente de z.
4.1.1. Independencia
Suponga un orden de preferencia representado por una funcin de utilidad u(y,z).
Entonces, si y es independiente de z la funcin de utilidad ser:
4.
Separabilidad
ICESI
75
(4.1) u(y,z) = U((y),z)
Donde U(,z) es estrictamente creciente en . Si u es continua y fuertemente mon-
tona, entonces y u son continuas.
4.1.2. Dbil y fuerte independencia
Suponga la existencia de n bienes particionados en g grupos. Una particin se define
como { n
1
,n
2
,.,n
g
} con n
i
n
j
vaco para todo ij y . Para una canasta
de bienes arbitraria x particionada como x = (x
1
,x
2
,,x
g
) dado algn i= 1,2,,g.
Sea x
-i
el vector de bienes en el complemento de n
i
, de tal forma que
x
-i
= (x
1
,x
2
,x
3
,..,x
i-1
,x
i+ 1
,,x
g
), entonces:
A) Un orden de preferencias es dbilmente independiente, con respecto a una
particin { n
1
,n
2
,.,n
g
} , si para cada i= 1,2,..,g el vector x
i
es independiente de su
complemento.
B) Un orden de preferencias es fuertemente independiente con respecto una parti-
cin { n
1
,n
2
,.,n
g
} , si este es dbilmente independiente con respecto a la parti-
cin { n
1
,n
2
,.,n
g
} y, con respecto a las particiones que consisten de todas las
uniones de n
1
,.,n
g
y a los subconjuntos propios de n.
Dado que es continua y creciente,
-1
u es aditiva y representar el mismo orden de
preferencias
10
. En general, no se requieren ms supuestos excepto cuando x
1
,...x
n
son consumos en el tiempo 1,...,t. En tal caso se debe usar el principio de Stroz, esto
es, la consistencia dinmica de las preferencias.
4.1.3. Separabilidad dbil y fuerte
Sea N= una particin del conjunto del conjunto { 1,.,g} , y asuma el conjun-
to de consumo X = S
1
..S
k
. Tal particin es apenas natural si el consumo es
considerado en varios lugares. La separabilidad implica que las preferencias sobre
las canastas en cada elemento de la particin, en la fecha y en el lugar ser indepen-
diente del nivel de consumo [ Barten, A y Bhn, V (1982)] .
4.1.3.1. Separabilidad dbil
Una funcin de utilidad es dbilmente separable, si existe
una funcin continua , j J y tal que
.
10. Ver Barten, A y Bhn, V. (1982).
ICESI
76
JHON JAMES MORA
4.1.3.2. Separabi l i dad fuerte
Una funcin de utilidad es fuertemente separable si existe una
funcin continua , j J y tal que .
4.2. Separabilidad de las preferencias
Para definir grupos de bienes o estructuras de bienes, deberemos partir de la defini-
cin de separabilidad en torno a las preferencias. Si esto es plausible, los bienes
pueden ser particionados en grupos donde las cantidades en un grupo son indepen-
dientes de las cantidades en otros grupos. Si los alimentos pertenecen a un grupo,
el consumidor puede ordenar diferentes canastas de alimentos en un orden bien
definido, el cual es independiente del consumo en gasolina, entretenimiento, arren-
damientos, y cualquier bien por fuera del grupo. Esto significa que nosotros tendra-
mos funciones de subutilidades para cada grupo y que los valores de cada subgrupo
de utilidades se combinan de tal forma que se puede obtener una utilidad total.
Para una definicin ms formal, considere J = { 1,,k} y para algn j J y x X , sea
x
-i
= (x
1
,x
2
,x
3
,..,x
i-1
,x
i+ 1
,,x
g
) el vector de componentes diferentes de x
j
. Para algn
i
fijo, el orden de preferencias , induce un orden de preferencias sobre S
j
, el cual
est definido por x
j

i
x
j
si y slo si (
i
,x
j
) (
i
, x
j
) para algn x
j
y x
j
en S
j
. La
primera nocin de separabilidad nos indica que los rdenes de preferencias para un
elemento particular j de la particin son idnticos para todos los
i
.
Dbil separabilidad de las preferencias: Un orden de preferencias sobre
es llamado dbilmente separable, si para cada j J, x
j

i
x
j
implica x
j

i
x
j
para
todo
i
. Supongamos el siguiente esquema:
GRFICA 4.1. Separabilidad de la funcin de utilidad.

ICESI
77
A partir de la grfica (4.2), se puede plantear la siguiente funcin de utilidad:
(4.2) U = (q
1
, q
2
, q
3
, q
4
, q
5
, q
6
) = F [ A (q
1
, q
2
), P (q
3
, q
4
), E (q
5
, q
6
) ]
Donde, F(.) es una funcin creciente y A, P, E son funciones de subutilidades
asociadas con alimentos, proteccin y entretenimiento.
Este diagrama de utilidad nos muestra un presupuesto en dos estados; esto ocurre
cuando el consumidor puede asignar el gasto total en las dos etapas. La primera
etapa podra caracterizarse como un mayor estado del gasto total en un grupo
extenso de bienes como alimentos, proteccin, entretenimiento, y un segundo
estado, ms bajo, de bienes individuales como cereales, carne, casa, ropa, internet
y deportes. La separabilidad de las preferencias y el presupuesto en dos etapas est
ntimamente relacionadas, pero esto no significa que la una implique la otra; lo que
s es cierto es que la separabilidad en (4.2) es necesaria y suficiente para el segundo
estado de presupuesto.
Si algn grupo de bienes aparece solamente en una subfuncin de utilidad separa-
ble, entonces las cantidades compradas en el grupo pueden descomponerse como
una funcin del gasto del grupo y precios con el grupo solamente. Esto se puede ver
de la grfica (4.2). La maximizacin de la utilidad en (4.2) deber implicar que A, P
y E se maximizan cada una, sujeta a la restriccin de cuanto se gasta en alimentos,
proteccin y entretenimiento; si esto no fuese as,
A
,
P
y
E
sern crecientes,
violando la restriccin presupuestaria.
Los gastos sobre q
1
y q
2
son el resultado de maximizar
A
(q
1
, q
2
) sujeto a p
1
q
1
+ p
2
q
2
= x
A
el gasto total sobre el ingreso, as el gasto total en alimentos puede escribirse como:
(4.3) q
i
= g
Fi
( x
F
, p
1
, p
2
) ; i = 1,2
Donde q
i
es la demanda marshalliana para un subgrupo. Qu tipo de relacin existe
entre la dbil separabilidad y el segundo estado? En primer lugar, la separabilidad
sobre las preferencias impone restricciones sobre el comportamiento y limita los
GRFICA 4.2. Presupuesto en dos etapas.

ICESI
78
JHON JAMES MORA
posibles efectos sustitucin entre los bienes en grupos diferentes. En segundo lugar,
aparte de los efectos ingreso, un cambio en el precio de los cereales podra afectar
las cantidades de gasolina o deporte. Para mantener la consistencia, diremos que
los siguientes lemas deben cumplirse:
Lema 1: Las preferencias son dbilmente separables intertemporalmente. Este supuesto
depende del perodo de tiempo; es decir, el supuesto implica que la demanda de cada
bien, en cada perodo, es una funcin del gasto total y precios en cada perodo.
Lema 2: Si el ocio es dbilmente separable de los bienes, la asignacin del gasto total
es independiente de las decisiones sobre las horas, lo cual es claramente imposible
para bienes que sean complementarios totalmente como el ocio y bienes recreacionales
como la televisin o entre bienes sustitutos como viajar al trabajo y el ocio; sin
embargo, podra ser aceptable para el tamao de los gastos de los consumidores.
En un segundo estado del presupuesto, se deber usar la dbil separabilidad y, la
asignacin de todo el gasto, sin considerar las horas trabajadas, ser vlida siempre
y cuando todos los bienes sean separables del ocio.
Lema 3: El gasto sobre el bien se relaciona con el gasto y precios del grupo sola-
mente.
Lema 4: Aplicacin de racionamiento: Si algn bien o grupo de bienes es racionado
y si otro grupo de bienes es separable del bien racionado o del grupo racionado,
entonces el efecto del racionamiento sobre los bienes en el grupo separable se hace
a travs del gasto total en el grupo. Si uno de los bienes es racionado y los otros
bienes son separables de ste, el gasto necesario para comprar la racin se deduce
simplemente del gasto total, y lo que queda se asigna entre los otros bienes indepen-
dientemente de la racin. Como ejemplo, tomaremos el ocio: Si un consumidor no
tiene eleccin sobre el nmero de horas trabajadas y si los bienes son separables
dbilmente del ocio, lo que se gasta como resultado del ingreso es explicable sin
necesidad de usar el nmero de horas actualmente trabajadas; lo inverso es tambin
importante: Si los bienes no son dbilmente separables del ocio y si el consumidor
es restringido en las horas trabajadas, las horas trabajadas aparecern como un
argumento exgeno en la asignacin del gasto.
4.3. Separabilidad y sustitucin intergrupal
La separabilidad dbil implica restriccin sobre el grado de sustituibilidad entre los
bienes, en grupos diferentes. Suponga que las preferencias separables son repre-
sentadas por una funcin de utilidad de la forma:
(4.4) U= F[
1
(q
1
),
2
(q
2
), ....,
G
(q
G
)]
Con los subvectores q1,...,q
G
y una funcin F(.) creciente en sus argumentos. La
anterior funcin de utilidad implica un subgrupo de demanda o demandas condicio-
nales de la forma:
ICESI
79
(4.5) ; i G
Con la cantidad total gastada sobre el grupo G. Ahora suponga,
que existe un i G y un j H donde G H son subgrupos. Si diferenciamos (4.5) con
respecto a j, manteniendo constante la utilidad, el efecto ser a travs de x
G
:
(4.6)
Por simetra,
(4.7)
Y como es independiente de j, nosotros podemos representar esta cantidad por
GH
. Haciendo y por (4.6) conocemos que , de
donde se deduce:
(4.8)
Y, haciendo
(4.10)
ICESI
80
JHON JAMES MORA
La ecuacin (4.10) muestra la condicin necesaria y suficiente para separabilidad
dbil. Esta ecuacin resume las implicaciones empricas de la separabilidad. La
sustituibilidad entre bienes en grupos diferentes est limitada como es natural. La
cantidad
GH
resume la interrelacin entre los grupos y es independiente de i y de j.
4.4. Separabilidad y aditividad
La hiptesis de separabilidad [ Sono (1962), Leontief (1947)] implica que la utilidad
puede ser aditiva o separable. Una funcin de utilidad es aditiva si cumple:
(4.11)
Donde las utilidades individuales u
n
estn en funcin de las cantidades consumidas y F(.)
es una funcin aditiva de n utilidades. Adicionalmente, una funcin ser aditiva grupalmente
si cada funcin de utilidad est definida por (4.2). Una funcin es separable si toma la
forma (4.4). Pearce(1964) ha mostrado cmo la ecuacin de Slutzky, correspondiente a
una funcin de utilidad grupalmente aditiva, tiene la forma:
(4.12)
Para algn i I, j J, IJ, donde K
ij
son los trminos de sustitucin del ingreso
compensado, q son las cantidades, p los precios, Y el ingreso y un escalar.
Expresando (4.12) en elasticidades:
(4.13)
Haciendo = /y y reescribiendo (4.13) como una restriccin no lineal:
(4.14)
Donde e
ij
es la elasticidad de la demanda para el bien ( i ) con respecto al precio del
bien. E
i
es la elasticidad ingreso de la demanda para el bien (i) y w
j
= p
j
q
j
/Y es la
proporcin del gasto total usada en el bien (j). Donde 1/ es denominado por Frish
(1959) como la "flexibilidad de la utilidad marginal del dinero" y por Barten (1964)
como "la elasticidad de la utilidad marginal del dinero". La ecuacin de Slutzky para
una funcin de utilidad separable, puede escribirse como:
(4.15)
ICESI
81
Para Pearce (1964) los coeficientes de separabilidad entre grupos
IJ
pueden ser
interpretados como la medida del nivel general de sustitucin entre diferentes grupos
que representan diferentes deseos. Con relacin a los trabajos empricos, se ha
llegado a la distincin entre: aditividad, aditividad grupal, y separabilidad. Y, con el fin
de presentar un conjunto de restricciones, deber adicionarse la homogeneidad, la
agregacin de Engel y la simetra de Slutzky:
(4.16) Homogeneidad
(4.17) Agregacin de Engel
(4.18) Simetra Slutzky
(4.19) Separabilidad (o Separabilidad de Pearce)
Claramente la restriccin de separabilidad depende sobre la hiptesis de aditividad
y de la agrupacin elegida. Deber observarse que las condiciones locales para que
se cumpla la condicin de Slutzky implican pequeos cambios bajo el supuesto de
que los gustos no cambian.
4.5. Pruebas de separabilidad
1
La mayora de las pruebas de separabilidad son desarrolladas por Byron (1969),
Jorgenson-Lau (1975) y Pudney (1981), quienes han usado esta tcnica para
encontrar patrones de separabilidad entre bienes con cierto grado de separabilidad
en un perodo determinado.
Barten ha comprobado la hiptesis de la restriccin de separabilidad entre bienes y
ocio usando series de tiempo para datos en U.S.A y ha rechazado la separabilidad.
Los resultados en ltimas podrn sugerir una considerable especificacin errnea de
los estudios tradicionales.
Es tambin posible usar un test de separabilidad de corte transversal entre bienes y
ocio como lo hace Muellbauer (1981). Sea la siguiente funcin de gasto:
1. Para una mejor comprensin de esta seccin deber leerse primero el Captulo 6.
ICESI
82
JHON JAMES MORA
(4.20)
Donde w es el salario, d(p), b(p) y a(p) estn en funcin de p y son homogneas de
grado 1, 0, 1 respectivamente. A travs del Lema de Sheppard, Muellbauer muestra:
(4.21) q
i
=
i
+
i
w +
i
(4.22) w
h
=
0
+
0
w +
0
Para un ingreso transferido en unidades, una cantidad de horas trabajadas h, y una

serie de parmetros , , constantes en una serie de corte transversal. Observe que
(4.20) satisface (4.4) para el ocio a travs de los bienes solamente cuando b(p) es
constante, esto implica que en (4.21) y (4.22) sea independiente para todo
i= 1,..,n.
El sistema (4.20) se estima por mnimos cuadrados ordinarios y se usa la prueba de
Wald para los (n-1) restricciones, i= 1,....,(n-1); esto significa probar la restriccin:
(4.23) B
i
n
-
i
n
= 0
Deaton (1981) sugiere que existe poco conflicto con la separabilidad. Blundell y
Walker (1982) usando una variacin de (4.20) rechazan la hiptesis de que el ocio de
las esposas sea separable de los bienes. Deberemos observar que probar la
separabilidad entre diferentes perodos de tiempo es muy difcil, ya que es imposible
obtener estimadores no restringidos de los efectos sustitucin entre los bienes
individuales a travs de los diferentes perodos.
Bibliografa
BARTEN, A. P. (1964). Family composition, prices and expenditure patterns, in P.E. Hart, G.
Mills, and J. K Whitaker (eds.), Econometric Analysis for National Economics Planning,
London : Butterworth.
.(1977). "The systems of consumer demand functions approach: A review",
Econometrica, 45, pp.23-51.
.(1982). Consumer theory, en K Arrow and M.D. Intriligator(comps.) Handbook
of mathematical economics, Vl II, North Holland Publishing.
BLACKORBY, I . (1978). "Measures of quality and their meaning in terms of social welfare",
Journal of economic theory, vl.18, pp. 59 - 80.
BLUNDELL, R.W AND WALKER, I. (1982). "Modeling the joint determination of household labor
variation", Economic journal, 92, pp.351-64
ICESI
83
BYRON, R.A. (1970). "A simple method for estimating demand systems under separability
assumptions", Review of economics studies, 37, pp.261-74.
DEATON, A. (1981). Theoretical and empirical approaches to consumer demand under rationing,
en Deaton, A (Editor) Essays in the theory and measurement of consumer behavior, N.Y,
Cambridge University Press.
and Muellbauer, J. (1989). Economics and consumer behavior. Ny. Cambridge
University Press.
DIEWERT, W.E. (1982). Duality approaches to microeconomic theory, en K Arrow and M.D.
Intriligator (comps,) Handbook of mathematical economics, Vl II, North Holland Publishing.
FRISH, R. (1959). "A complete scheme for computing all direct and cross demand elasticities
in a model with many sectors", Econometrica, 27, pp.367-97.
GOLDMAN, S.M AND USAWA. H. (1964). "A note on separability in demand analysis", Econometrica,
vl 32, jul.
JORGENSON, D.W AND LAU, T.S. (1975). "The structure of consumer preferences", Annals of
economic and social measurement, 4, pp.49-101.
KATZNER. D. (1970). Static demand theory, London, Macmillan.
LEONTIEF, W. (1947). "Introduction to a theory of the internal structure of functional relationships",
Econometrica, 15, pp.361-73.
MUELLBAUER, J. (1981). "Linear aggregation in neoclassical labor supply", Review of economics
studies, 41, pp.28-36
PEARCE, I.F. (1964). A contribution to demand analysis, Oxford University Press.
PUDNEY, S.E. (1981). "An empirical method of approximating the separable structure of consumer
preferences", Review of economics studies, 48, pp.561-77.
SONO, M. (1962). "The effect of price changes on the demand and supply of separable goods"
International economic review, vl.2, pp.239-71.
ICESI
84
JHON JAMES MORA
Entre 1965 y 1966 los artculos de Gary Becker y Kevin Lancaster, introducen el
concepto de Funcin de Produccin de Hogares (household production function).
De esta forma, los consumidores en lugar de obtener la utilidad directamente de los
bienes comprados en el mercado, derivan sta de los atributos que poseen los
bienes; por ejemplo, aunque el consumidor compre alimentos sin cocinar en el
mercado, la utilidad se deriva de consumir una comida que ha sido producida a travs
de combinar alimentos crudos con trabajo, tiempo, electricidad y otros insumos.
Muchos bienes parecen ser producidos de la forma anterior. Al igual que los alimen-
tos, la ropa y gran parte de los bienes parecen exhibir una gama de variedades y
cualidades. Los consumidores parecen seleccionar una o pocas de estas cualidades
y privarse completamente del consumo de otras. Becker (1965) propone que "ver
una opera" depende de una serie de insumos como el tiempo, los actores, etc. Y por
ejemplo, "dormir" depende del insumo cama, del hogar y tiempo. De igual forma, "el
jugo de naranja" se produce con un vector de caractersticas tales como caloras,
vitamina C y tiempo.
El lgebra de maximizacin, a la cual estamos acostumbrados, indica que debemos
clasificar a un bien como X
1
y otro bien como X
2
aplicando este anlisis de igual forma
a naranjas, kiwi, peras, manzanas o autos.
Esta forma de clasificar los bienes hace que nosotros consideremos la carne de res
y la carne de cerdo como sustitutos o un disquete y un programa de computadora
como complementarios. Pero esta idea tiene su fundamento en la tecnologa de usar
dichos bienes particularmente, esto es, la va a travs de la cual se combina una serie
de insumos y tiempo en orden a producir alguna utilidad.
Lancaster (1966) postula que el vector de bienes X, comprado en el mercado al
vector de precios P se transforma por alguna funcin Z= g(X), en la cual los atributos
Z producen alguna utilidad. En forma general, el problema se puede plantear como:
La funcin de produccin de hogares
5.
ICESI
85
(5.1) Maximizar z u = u (z)
Sujeto a Z = g(X)
P X = Y
Siendo Y el Ingreso total del consumidor. Combinando la funcin de transformacin
y la funcin de utilidad, se puede plantear el problema de la siguiente forma:
(5.2) Maximizar u = u(g(X)) = (X) ; Sujeto a P X - Y = 0
A este nivel de generalidad, el modelo de Lancaster es equivalente al modelo de
utilidad estndar asumiendo que (X) exhibe las mismas propiedades de una
funcin de utilidad. Sin embargo, las curvas de demandas compensadas X = X* (P,
) definidas como la solucin de:
(5.3) Minimizar PX = Y ; Sujeto a (X) =
0
muestran que las derivadas parciales no tienen realmente efectos puros de sustitu-
cin en el sentido tradicional, ya que cambios en la produccin, cambios en Z a
travs de g(X), podrn tomar lugar como cambios en precios solamente aunque la
matriz (X* ) /P sea semidefinida negativa, lo cual al nivel de generalidad propuesta
lo hace indistinguible del modelo de utilidad estndar.
En orden a conservar una estructura observable, Lancaster impone algunas restric-
ciones sobre la funcin de transformacin g(X). Para Lancaster g(X) deber ser lineal
Z = b.X siendo b una matriz de coeficientes tecnolgicos constantes.
Por otro lado, b deber ser constante entre los consumidores, esto significa que la
tecnologa por medio de la cual se convierten X's bienes en los atributos Z's es la
misma para todos los consumidores. Si la matriz b difiere de cada consumidor existe
poca probabilidad de que el modelo sea operacional. Normalmente una de las X's es
tiempo y puede estar en funcin del salario.
Adicionalmente, la funcin de produccin deber ser separable, de esta forma s el
conjunto de produccin es convexo, es fcil mostrar que la cuasiconcavidad en u(Z)
implica la cuasiconcavidad de (X). De otra forma, existir una funcin de produccin
conjunta y la tecnologa subyacente en t(Z,X) no podr expresarse en trminos de
dos funciones de produccin separadas y existirn rendimientos crecientes a escala.
Si existen rendimientos crecientes, el conjunto de produccin no es convexo, y esta
no-convexidad mostrar unos bienes cuya funcin de utilidad no es cuasicncava.
Suponga u(Z
1
,Z
2
)= Z
1
1/2
Z
2
1/2
y la tecnologa en el hogar est dada por las funciones
de produccin Z
1
= X
1
4
y Z
2
= X
2
4
la funcin de utilidad ser entonces (X
1
,X
2
)= X
1
2
X
2
2
la cual claramente no es cuasicncava. Esto es apenas evidente: s hacemos que
una de las X's sea la fuerza de trabajo y existen indivisibilidades en el uso de la misma
el resultado ser el antes mencionado
11
. Por ejemplo, si X es el tiempo de un
individuo y con este tiempo se puede comer y ver simultneamente televisin, existirn
11. Aplicando el teorema de B.K Ross y M Star con indivisibilidades suficientes y disminucin de los costes de
coordinacin el resultado sern rendimientos crecientes.
ICESI
86
JHON JAMES MORA
rendimientos crecientes en el uso de X. Por lo tanto, no se puede asumir produccin
conjunta en t y la funcin de costos conjunta deber tener como restriccin t(Z,X) =
0. En general, la restriccin podra no ser lineal en los Z's y los costos marginales de
los bienes podran ser solamente funciones del bien elegido.
Para alcanzar el mximo de utilidad de Z, Z* , el consumidor necesariamente deber
comprar en el mercado los bienes X's que producen Z* al menor costo. De esta
forma, el consumidor deber tambin solucionar el siguiente problema lineal:
(5.4) Min { P.X | t(Z,X) = 0 } ; Sujeto a bX = Z*
En el caso de n bienes que satisfacen Z, el problema se plantea como:
(5.5) Max m (g(x))
Sujeto a bX
1
Z*
. .
bX
n
Z*
(X1,....,X
n
) 0
(P1,.....,P
n
) 0
Una condicin suficiente, consiste en que el conjunto de los Z's alcanzables sea un
poliedro convexo n-dimensional con esquinas y caras en Z
i
donde u( Z
i
) Z, como
se puede observar a continuacin.
Si los cambios en los costes de la tecnologa, son menores que el costo de producir:
algn atributo Z
i
, el cambio en algn bien podra seguirse realizando al menor costo
de produccin y al mismo tiempo maximizar los atributos Z
i
de la utilidad.
Por ejemplo, si para producir un artculo usted usa una computadora y dado que los
productores de computadores van mejorando la calidad de los procesadores pasan-
do desde el 286 hasta el 486 y del Pentium I hasta el Pentium IV, aun cuando un
individuo cambie de computadora para producir el artculo, la utilidad derivada de
ste no ha cambiado. La idea de una computadora que usa Pentium como un nuevo
bien es lo que el anlisis tradicional nos indica. Sin embargo, esta idea puede
GRFICA 6.2. Dos atributos en Zi. GRFICA 6.3. Tres atributos en Zi.
ICESI
87
replantearse ya que la invencin de una nueva "computadora" no debe generar una
reorganizacin en el conjunto de preferencias sino una nueva solucin al problema
de la minimizacin de los costes que involucra el atributo "computadora".
Como podr observarse, identificar y medir los atributos puede ser ms difcil que
medir los bienes de mercado. Incluso si existiesen pocas variables, medir y predecir
los cambios en los coeficientes tecnolgicos es algo complejo. En general, el modelo
funciona bien en aquellos bienes que tienen atributos aditivos y no conflictivos
(Silberberg 1985); en el caso de las computadoras, el principio ser aplicable para
aquel que pase de 286 a 486 comprando las tarjetas necesarias e incluso cambiando
a Pentium, pero no modificar el artculo por producido ni la utilidad derivada de ste.
A diferencia de Lancaster, Gary Becker incorpora decisiones respecto al uso del
tiempo en el modelo estndar de la utilidad al considerar el costo del tiempo en
trminos de un uso gastado en producir ingreso. De esta forma, Becker provee las
bases para explicar los cambios en el consumo como cambios en el ingreso laboral
en trminos del efecto sustitucin, el cual tiene un signo conocido; as, en lugar de
tener que asumir supuestos ad-hoc sobre el efecto ingreso, ya conocemos su signo.
Si el incremento en el ingreso es resultado de un incremento en el salario, entonces
este cambio se ver representado en el valor marginal del ocio. Deber, por lo tanto,
esperarse que el consumidor sustituya bienes intensivos en tiempo, aquellos bienes
cuyo consumo involucra usar ms tiempo, por bienes que tengan un menor costo de
tiempo. De esta forma, los cambios en el consumo ya no son ad-hoc, dado que un
cambio en los gustos o un cambio en el signo del efecto ingreso, son el resultado de
la ley de la demanda.
Becker asume que la utilidad es una funcin de un vector de atributos Z
i
, u = u (Z
i
)
pero adopta una estructura para la produccin de atributos; para cada Z
i
tendramos:
(5.6) T
i
= t
i
Z
i
; X
i
= b
i
Z
i
Donde t
i
es un parmetro que indica, por unidad de tiempo, el consumo de tiempo
para cada Z
i
consumido. De esta forma, el gasto total de tiempo consumido en
alguna cantidad Z
i
es T
i
. Por otro lado, b
i
es un parmetro que indica la cantidad del
bien de mercado X
i
requerido por unidad de Z
i
. As, aquellos atributos que tengan
mayores valores de t
i
sern intensivos en tiempo.
Los consumidores maximizarn la utilidad de los atributos consumidos sujetos a las
restricciones de presupuesto y a las restricciones de tiempo.
Supongamos que T representa el tiempo total disponible para todas las actividades
(por ejemplo 24 Horas), denotando T
w
como la cantidad de tiempo gastado trabajan-
do a alguna tasa de salario constante y asumiendo que los individuos tienen un
ingreso individual no salarial (herencias, arriendos, etc.) en la cantidad , entonces
el problema para el consumidor vendr dado como:
ICESI
88
JHON JAMES MORA
(5.7) Max u = u (Z
1
,...., Z
n
)
Sujeto a p
i
x
i
= wT
w
+
T
i
= T- T
w
Dado que el tiempo y el mercado de bienes se encuentran relacionados por las
ecuaciones de produccin (5.6), las dos restricciones pueden ser combinadas reem-
plazando T
w
en la restriccin del ingreso por T - T
i
de la segunda restriccin, lo cual
da como resultado restriccin:
(5.8) p
i
x
i
= w (T - T
i
) +
Al despejar,
(5.9) p
i
x
i
+ w T
i
= w T +
Y, al reemplazar (5. 6) en (5.9) obtenemos:
(5.10) p
i
b
i
Z
i
+ w t
i
Z
i
= wT +
As, finalmente el problema para el consumidor se puede plantear de la siguiente
forma:
(5.11) Max = (Z1,...., Zn)
Sujeto a (p
i
b
i
+ w t
i
) Z
i
= w T +
Adems, puede interpretarse
i
= p
i
b
i
+ w t
i
como el precio total de consumir Z
i
. El
precio implcito de Z
i
es independiente de la eleccin final de Z
i
y solamente depende
de la tecnologa de la funcin de produccin de hogares; especficamente debemos
asumir que Z
i
= g(X
i
) tiene rendimientos constantes a escala (Pollack y Watcher)
como ya se haba mencionado.
Cuando una unidad de algn atributo se consume, el gasto monetario ser p
i
b
i
ms
el gasto en tiempo de t
i
horas; este tiempo puede ser usado en la produccin de
ingreso en la cantidad w t
i
que ser el costo de oportunidad de consumir Z
i
.
En este modelo, el tiempo para "holgazanear" y dormir son atributos y parte del
conjunto de los Z
i
's . Dado que no involucran algn gasto monetario, el valor de b
i
para dichos bienes ser de cero. Todo el tiempo deber ser valorado a alguna tasa
constante de salario w, asumiendo entonces que el individuo tiene disponible mucho
trabajo que el o ella desea a la tasa de salario presente.
Y, como el tiempo total usado en consumir todos los atributos es T
c
= T- T
w
= T
i
la solucin de las condiciones de primer orden producir el conjunto de demandas
Marshallianas:
(5.12) Z
i
= Z
i
Y
(
1
,....,
n
, w,Y) = Z
i
Y
(p,b,t,w, )
ICESI
89
Donde p,b y t son vectores de precios, coeficientes tecnolgicos e intensidades de
tiempo respectivamente.
5.1. Esttica comparativa
Bajo el anlisis de esttica comparativa, nos interesan las respuestas de los consu-
midores ante un cambio en el salario y los coeficientes tecnolgicos. Como cualquier
modelo de maximizacin de la utilidad, todos los parmetros del modelo de Becker
entran en la restriccin, y las implicaciones usuales pueden ser derivadas de la
maximizacin solamente. Considerando los efectos de sustitucin puros las deman-
das Hicksianas se obtienen de la siguiente forma:
(5.13) Min (p
i
b
i
+ w t
i
) Z
i
- w T
Sujeto a u (Z
1
,...., Z
n
) = u
0
Si las condiciones de primer y segundo orden se mantienen, las demandas Hicksianas
sern:
(5.14) Z
i
h
= Z
i
u
(
1
,....,
n
, w, u
0
) = Z
i
u
(p,b,t,w, u
0
)
La estructura del modelo en
i
y Z
i
es formalmente idntica al modelo estndar de
minimizacin del gasto, esto es: Z
i
u
/
i
< 0. Y dados los cambios paramtricos en
p
i
, b
i
y t
i
ste se incrementar en una cantidad proporcional
i
, de esto se sigue que
Z
i
u
/ p
i
< 0, Z
i
u
/ b
i
< 0 y Z
i
u
/ t
i
< 0. A partir de las restricciones tecnolgicas
y definiendo las demandas Hicksianas para los bienes de mercado y el tiempo
gastado en cada bien como X
i
u
y T
i
u
, podemos observar
Sin embargo, los efectos de un cambio en b
i
sobre X
i
y de t
i
sobre T
i
son ambiguos:
(5.16)
(5.15)
ICESI
90
JHON JAMES MORA
Donde
b
es la elasticidad del consumo en Z
i
, con respecto a los cambios en el
coeficiente b
i
uniendo X
i
con Z
i
. La elasticidad es negativa, sin embargo, el signo de
la magnitud entera depende de la proporcin relativa en la unidad que tenga cada Z
i
.
De igual forma, para T
i
tendremos:
(5.17)
Donde
t
es la elasticidad consumo de Z
i
con respecto a los cambios en el coeficiente
t
i
. Esto se puede interpretar de la siguiente forma: suponga que t
i
se incrementa,
entonces un aumento en t
i
significa que el consumo de alguna cantidad Z
i
requiere
ahora de un mayor tiempo, lo cual aumenta el precio total de Z
i
y adems reduce las
cantidades consumidas. Solamente cuando la reduccin en Z
i
es proporcionalmente
mayor que el incremento en t
i
, se reducir la cantidad total de tiempo gastada sobre
el atributo; sin embargo, como X
i
= b
i
Z
i
, una disminucin en Z
i
deber llevar a
consumir menos del bien X
i
del cual se deriva.
El anlisis sobre los cambios en salarios es todava ms problemtico. El parmetro
w entra en el precio total de cada uno de los Z
i
para el cual el tiempo es consumido.
Un cambio en w deber cambiar muchos precios simultneamente (recreacin,
ocio, etc.) complicando el anlisis de la demanda. Dado que w aparece en todas las
ecuaciones de primer orden (primeras derivadas) es imposible establecer ecuaciones
de demanda compensadas. Por esta razn, Becker arguye que si el salario se
incrementa, el consumo podra cambiar de bienes que son ms intensivos en tiempo
a aquellos menos intensivos en tiempo. Esto parece plausible, pero debe hacerse
supuestos adicionales sobre los valores de varios de los parmetros en el modelo
para obtener un resultado riguroso.
El efecto sustitucin surge de la consideracin sobre el nmero total de horas
trabajadas; sin embargo, no existe un signo determinado. Si usamos la relacin
T
i
= T- T
w
entonces el modelo de minimizacin del gasto en todas las n+ 1 variables,
las Z
1
,...., Z
n
, T
w
y las dos restricciones, se expresa como:
(5.18) Min p
i
b
i
Z
i
- w T
w
Sujeto a u (Z
1
,...., Z
n
) = u
0
T
i
+ T
w
= T
El parmetro w no aparece en las restricciones, ste entra en la funcin objetivo en
una forma simple -wT
w
como un precio de T
w
, esto es, (-wT
w
u
) /w < 0 lo cual indica
que la funcin de gasto es cncava en w y T
w
u
muestra la demanda compensada de
las horas trabajadas.
Dado que el ocio en este tipo de modelos significa el tiempo total gastado en
consumir los Z
i
's, entonces (T
w
u
)/w = (T - T
w
u
)/w < 0.
ICESI
91
En un modelo simple de ocio y trabajo, un incremento compensado en los salarios
representa un incremento en el coste de oportunidad del ocio y lleva a una cada en
el ocio consumido y a un incremento en el nmero de horas trabajadas.
Las teoras econmicas de la familia, de las tasas de nacimiento, del nmero de hijos
ptimos, de la participacin en el mercado de trabajo, de la diferenciacin entre grupos
de hombres y mujeres e incluso el reciente auge en los modelos medioambientales del
coste de viaje, se derivan de aqu. Mayores salarios en el mercado para las mujeres, por
ejemplo, aumentan el coste de oportunidad de los nios y de otras tareas que debern
realizar las mujeres en el hogar. De esta forma, el incremento en el consumo de "bienes
convenientes" por familias con dos trabajadores puede ser atribuido a salarios de
mercado ms altos y mayores salarios compraran tems con "mayores cualidades"
donde la cualidad del atributo reduce la cantidad de tiempo dedicado a las tareas en el
hogar (reparaciones, atencin de los nios, etc.).
La teora de la funcin produccin de hogares nos da para pensar ms rigurosamen-
te sobre la importancia de las elecciones y provee un marco para reemplazar las
explicaciones basadas en los gustos, por aquella basada en el cambio en las opor-
tunidades.
5.2. Anlisis de la riqueza en el mercado de bienes
La Funcin de Produccin de Hogares se usa tambin "para analizar el dao realiza-
do por la contaminacin del aire, o los beneficios derivados de actividades recreati-
vas, o proyectos de evaluacin social" (Pollack 1978, pg. 28). Esta aproximacin
depende de la distincin entre bienes comprados y bienes consumidos, y en parti-
cular, del uso de la medicin de los beneficios derivados de los bienes pblicos.
Los trabajos de Willig (1976) y Hausman (1981) emplean el teorema de la dualidad
para demostrar que dada la unin entre el gasto y las funciones de utilidad, la
demanda compensada no observada (debido a los atributos Z
i
) puede ser encontra-
da a partir de la funcin de demanda Marshalliana que s es observada.
Bockstael y MacConell (1983) por su parte tienen serios reparos en los trabajos
anteriores. Como ellos mencionan, es imposible derivar la curva de demanda
Marshalliana de la compensada dada la ausencia de precios exgenos, esto es, la
utilidad y la funcin de gasto existen, pero la ausencia de precios para los atributos
impide directamente usar la identidad de Roy para recuperar la Marshalliana de la
funcin de utilidad indirecta. Deber observarse tambin que es imposible moverse
de una funcin de demanda compensada a una nica funcin de gasto debido a las
no linealidades en la funcin de gasto cuando existen diferentes tecnologas en la
produccin de los Z
i
's. Las medidas de riqueza pueden ser derivadas en un espacio
de bienes pero de una forma diferente. Por simplicidad, se usar Z
1
pensando que
algn Z
i
podr ser elegido. Supongamos la siguiente particin de bienes Z= ( Z
1
,
) donde = (Z
2
,...,Z
n
) . Al derivar la funcin de gasto condicionada sobre el atributo
Z
1
encontramos:
ICESI
92
JHON JAMES MORA
(5.19) E(Z
1
, p, u
0
) =
Por el teorema de la envolvente:
(5.20)
Donde es ajustado ptimamente cuando Z
1
, p y u
0
cambian.
El primer trmino a la derecha en (5.20), es el valor marginal compensado para Z
1
y el
segundo trmino es el costo marginal de producir Z
1
. De esta forma (5.20) refleja el
cambio en el gasto necesario para mantener el nivel de utilidad u
0
cuando Z
1
se
incrementa. Esta expresin podr ser negativa para Z
1
< Z
1
*
(la cantidad ptima de Z
1
).
A travs de E(Z
1
, p, u
0
), se puede calcular la variacin compensada asociada con el
consumo de Z
1
*
. Esta medida refleja el cambio en el ingreso, el cual podr alcanzar
el consumidor a su nivel de utilidad y se halla integrando entre 0 y Z
1
*
como se puede
observar:
(5.21)
= E(Z
1
,p, u
0
) - E(0,p, u
0
)
Esta expresin es la parte negativa del rea entre el valor marginal compensado y el
costo marginal para Z
1
. En ltimas, dicha rea puede ser expresada como:
(5.22)
5.3. Bienes Pblicos
Supongamos que sea un bien medioambiental, tal como la calidad del aire, un lago
o un paisaje. Entonces entra en la funcin de utilidad directamente y es comple-
mentario con algn bien denotado como Z
1
, por ejemplo recreacin. De esta forma,
la utilidad es una funcin de y Z. Observe tambin cmo entra en la funcin de
transformacin t(z,x, ) y la funcin de gasto depender de . Cuando u
0
es el nivel
de riqueza inicial, la variacin compensada de un cambio en el vector de parmetro
de
0
a ' esta dado por:
(5.23) VC= C(p, u
0
, ') - C(p, u
0
,
0
)
ICESI
93
Donde C es la funcin de gasto. Si es un bien pblico la variacin compensada es
negativa para un incremento en y positiva cuando sta cae. La medida dada por
(5.23) no es directamente observable como sealan Bockstael y MacConnell para
evaluar los efectos de riqueza cuando existe un cambio en dada la informacin
sobre la produccin y el consumo asociado a la del bien Z
1
.
La diferencia entre el valor marginal y el costo marginal evaluado de
0
a ' es
equivalente a:
(5.24)
Esta expresin, puede escribirse como:
(5.25) E(Z
1
* ('),p, u
0
, ') - E(0,p, u
0
, ') - E(Z
1
* (
0
),p, u
0
,
0
) - E(0,p, u
0
,
0
)
Anlogamente E(Z
1
* (p, u
0
)p, u
0
)= C(p, u
0
), de donde se deduce:
(5.26) C(p, u
0
, ') - C( p, u
0
, u
0
) - E(Z
1
* ,p, u
0
, ') + E(0,p, u
0
,
0
)
Entonces:
(5.27) E(Z
1
* ,p, u
0
, ') = E(0,p, u
0
,
0
)
De esta forma, la variacin compensada asociada con un cambio en puede ser medida
a travs de los cambios en el rea perteneciente a la demanda compensada y la curva
de costo marginal para Z
1
. Adems (5.26) es la medida correcta de los cambios en la
riqueza dados por (5.23). Por otro lado, deber entrar en la funcin de preferencias
del hogar directamente como una condicin suficiente para que (5.27) se mantenga, y
deber tambin satisfacer que sea dbilmente complementaria con Z
1
.
Karl-Gran Mler define la dbil complementariedad de la forma siguiente: " Si la
demanda para un bien privado es cero, entonces la demanda para algn servicio
medioambiental [ bien pblico] podra tambin ser cero" (pag 183). Esta dbil
complementariedad consiste en lo cual implica que el individuo es
indiferente a variacin en los niveles del bien exgeno cuando l no consume Z
1
.
Alternativamente cuando entra como un insumo en el proceso productivo la con-
dicin (5.27) se mantiene si es solamente un insumo en la produccin de Z
1
.
ICESI
94
JHON JAMES MORA
Bi bl i ograf a
BECKER, G. S. (1965). "A theory of the allocation of time", Economic Journal, vol.75, pp.493-
517.
BOCKSTAEL, N.E. AND K.E, MCCONNELL. (1983). "Welfare measurenment in the household
production framework", American economic review, vl.66, pp.799-812,Sep.
DEATON A, AND MUELLBAUER,J. (1980). Economics and consumer behavior, Cambridge,
Cambridge University Press, tercera edicin (1989).
EDWARDS, B.K AND M.R, STARR. (1987). "A note on indivisibilities, specialization, and economics
of scale", American Economic Review, march, pp.192-195.
EUGENE, S. (1985). "Nutrition and the demand for tastes", Journal of political economy, vl.93,
nm.5, pp.881-900.
GARY, B. (1965). "A theory of allocation of the time", Economic journal, nm.75, pp.493-517,
Sep.
HAUSMAN, J.A. (1981). "Exact consumer surplus and deadweight loss", American economic
review, vl.71, pp.662-676, Sep.
KEVIN, L. (1966). "A new approach to consumer theory", Journal of political economy, vl.74,
pp.132-157, April.
LANCASTER, K. J. (1966a). " A new approach to consumer theory", Journal of Political
Economy , vol.74, pp132-57.
.(1966b). " Change and innovation in the technology of consumption", American
Economic Reviw, vol.56, pp14-23.
MLER, K.G. (1974). Environmental economics: A theoretical inquiry, Baltimore:John Hopkins
Press.
POLLACK, R. A. (1978). "Endogenous tastes in demand and welfare analysis", American
Economic Review, vol.68. pp.374-79.
POLLACK AND WATCHER, M. (1975). "The relevance of the household production function and
its implications for the allocation of time", Journal of political economy, vl.88, nm.2,
pp.255-277, April.
SILBERBERG, E. (1985). "Nutrition and the demand for tastes", Journal of political economy,
vl.95,nm.5,pp.881-900.
WILLIG,R.D. (1976). "Consumer surplus without apology", American economic review, vl.66,
nm.5, pp. 89-591, Sep.
ICESI
95
Existen muchos fenmenos en la actividad econmica que responden a elecciones
discretas como la decisin de trabajar, la decisin de comprar una bien, la decisin
de votar por un candidato, etc.
Para Amemiya (1981), existen dos factores que explican el inters en los modelos de
respuesta cualitativa: Primero, los economistas trabajan con modelos que involucran
ms de una variable discreta, ms de dos respuestas, y por supuesto, ms de una
variable independiente. Segundo, el creciente nmero de encuestas que se realizan
y la posibilidad de trabajar los datos que stas producen.
A continuacin, se desarrollarn algunos modelos estadsticos cuyo objetivo consis-
te en facilitar la contrastacin emprica de la teora del consumidor. Estos modelos
son el de probabilidad lineal, el Logit, el Probit y el Tobit en sus diferentes versiones.
Luego se presentar una versin del modelo de autoseleccin de Heckman y, final-
mente, el modelo de variables latentes.
6.1. Especificacin del modelo
Suponga que usted desea considerar la ocurrencia de un evento como "comprar un
carro"; para describir este evento, definiremos la variable aleatoria dicotmica Y, la
cual tomar el valor de 1 si el evento ocurre y 0 si no ocurre. De igual forma,
deberemos asumir que la probabilidad del evento depende sobre un vector de
variables independientes x* y un vector de parmetros desconocidos . El subndice
i denota el i- simo individuo. De esta forma, un modelo general dicotmico univariado,
se puede expresar como:
Variables dependientes
discretas y limitadas
6.
ICESI
96
JHON JAMES MORA
(6.1) p
i
= p( Y
i
= 1) = G( x*
i
, ) ; i = 1,2,...., n.
Los Y
i
son distribuidos independientemente. Por otro lado, dado que Y
i
es la pro-
babilidad de comprar un auto, x*
i
estara representando aquellas variables que explican
Y como el ingreso, el sexo, la edad, el estatus, la educacin del individuo i, as como los
precios del auto. Ya que (6.1) es muy general, el investigador deber escoger alguna
funcin H(x*
i
, ) sobre un vector de parmetros :
(6.2) p( Y
i
= 1) = F[ H( x*
i
, )]
6.2. Formas comunes de las funciones de probabilidad
Considere el siguiente modelo de consumo de automviles: el consumidor respon-
der Y= 1 si compra el automvil y Y= 0 si no lo compra. Dado que nosotros consi-
deraremos que los factores x*
i
, explican la decisin que toma el consumidor:
(6.3) Prob ( Y = 1 ) = F ( 'x)
Prob ( Y = 0 ) = 1- F ( 'x)
El conjunto de parmetros refleja el impacto de los cambios en x sobre la probabi-
lidad. Una primera forma de representar este evento es considerar la siguiente
regresin lineal:
(6.4) F(x, ) = 'x
i
Dado que E[ Y] = F(x, ) , el modelo de regresin ser:
(6.4.1) Y
i
= E[ Y
i
] + (Y
i
- E[ Y
i
] )
= 'x
i
+
i
, con
i
= Y
i
- E[ Y
i
]
que se conoce como el modelo de Probabilidad Lineal. El modelo de Probabilidad
Lineal tiene como "debilidad" que 'x
i
no est restringido a pertenecer entre 0 y 1
como debera ser en trminos de la probabilidad. Esto significa que no se satisface
en el modelo de probabilidad lineal la condicin 0 < 'x
i
< 1.
Amemiya (1981) nos indica que este defecto podr corregirse si definimos F= 1 si
F('x
i
) > 1 y F= 0 si F('x
i
) < 1, lo cual produce puntos de truncamiento no reales.
Este procedimiento fue utilizado en los primeros aos de investigacin por su simpli-
cidad computacional.
Igualmente, el modelo de probabilidad lineal presenta problemas de heterocedasticidad,
ya que deber ser igual a uno o cero. Entonces deber ser igual tanto a -'x como
a 1- 'x con probabilidades 1-F y F por lo cual V [ | x] = V(Y
i
) = 'x
i
(1-'x
i
).
Como menciona Green (1999), restringir B'x
i
al intervalo (0, 1) producira probabilida-
des y varianzas negativas. Dadas las desventajas del modelo de Probabilidad Lineal,
ICESI
97
su inters ha ido decayendo, lo cual ha originado que modelos como el Logit o Probit
se usen ms frecuentemente. Veamos en qu consisten estos modelos.
Suponga que para un vector de regresores se cumple:
(6.5) Prob (Y
i
= 1) = 1
Prob (Y
i
= 0) = 0
Asumiendo una distribucin normal estndar , obtenemos el modelo Probit:
(6.6) Prob (Y= 1) =
= ('x) =
De igual forma se obtiene la distribucin logstica:
(6.7) Prob (Y= 1) = = ('x) = L('x)
Donde ('x) es la funcin de distribucin acumulativa logstica. Las funciones de
distribucin Logit y Probit estn acotadas entre 0 y 1. La distribucin logstica tiene
varianza igual a
2
/3. Considere ahora:
(6.8)
Para un valor apropiado de se puede aproximar (6.8) a una normal estndar. Esto
significa que cuando se tendra una distribucin con media cero y varianza
unitaria. Amemiya (1981) muestra los diferentes valores para los cuales (6.6) y (6.7)
difieren a partir de (0,5). Debido a la similitud entre (6.6) y (6.7), es difcil distinguir
estadsticamente entre estas funciones, a menos que uno tenga una gran cantidad
de datos [ Chambers y Cox (1967)] .
De esta forma, en modelos univariados dicotmicos no es posible distinguir cundo
usar Logit o Probit, a menos que exista una concentracin en la cola dadas las
caractersticas del problema estudiado. Debido a las anotaciones anteriores, la
distribucin logstica tiende a dar mayores probabilidades a Y= 0 que la distribucin
normal cuando 'x es muy pequeo y probabilidades menores que la distribucin
normal a Y = 0 cuando 'x es muy grande. De esta forma, el tamao de la muestra
ICESI
98
JHON JAMES MORA
podra influenciar los resultados aunque asintticamente ambas distribuciones no
difieren significativamente
12
.
Amemiya (1981) muestra las equivalencias en los parmetros entre ambos modelos.
Si es el parmetro estimado en ambos modelos:
(6.9)

Cuando se desea comparar modelos con diferentes funciones de probabilidad, es
mejor comparar directamente las probabilidades que los coeficientes estimados. De
esta forma, observaremos las derivadas de las probabilidades con respecto a una
variable independiente en particular. Sea x
ik
el k elemento del vector x
i
y sea
ik
el k
elemento del vector de parmetros
i
, entonces, las derivadas para (6.4), (6.6) y (6.7)
sern:
(6.10)
Donde es la funcin de densidad normal estndar. En el limite, como muestran
Amemiya (1981) y Green (1999) la diferencia no es sustancial.
12. Green(1999) menciona que los modelos generan predicciones diferentes si una muestra contiene pocas respues-
tas afirmativas (Y= 1) o pocas respuestas negativas (Y= 0) y s existe una gran variacin en la variable indepen-
diente de importancia.
ICESI
99
6.3. Estimacin
A excepcin del modelo de Probabilidad Lineal, los modelos Probit y Logit se estiman
por mxima verosimilitud donde cada observacin es extrada de una distribucin de
Bernoulli. El modelo con una probabilidad de suceso f('x) y observaciones indepen-
dientes lleva a una probabilidad conjunta o a una funcin de verosimilitud de la forma:
(6.11)
Reacomodando trminos, (6.11) puede escribirse como:
(6.12)
La cual es la probabilidad para una muestra de n observaciones. Tomando logaritmos:
(6.13)
Al derivar con respecto al vector de parmetros se obtiene:
(6.14)
La eleccin de una F( ) en particular lleva a un modelo emprico. Entre las formas
disponibles para calcular (6.13) se encuentra el mtodo de algoritmos de Newton,
Newton-Rampson, Mxima verosimilitud. Hoy da, calcular un Logit o un Probit es
bastante sencillo, pues estos mtodos se encuentran en paquetes estadsticos como
el RATS, SAS, SPSS, GAUSS, LIMDEP, E-Views, Easy Reg (de Libre Uso) y el STATA
debiendo solamente especificarse qu algoritmo se desea.
6.4. Algunos modelos aplicados
En economa, la tradicin de usar modelos Logit y Probit es extensa, aqu menciono
tan slo algunos modelos, quedando en deuda con el resto.
6.4.1. Domencich y McFadden
Considrese a un individuo que toma la decisin entre conducir o usar un mtodo
alternativo para ir al trabajo (autobs, metro, etc.). La utilidad que se asocia a cada
forma de transporte, est en funcin de las caractersticas Z (principalmente el
tiempo y el costo en que se incurre en cada eleccin) y las caractersticas individuales
ICESI
100
JHON JAMES MORA
socioeconmicas w, ms un trmino aleatorio de error . Definiendo
i1
y
i0
como la
utilidad indirecta
13
asociada a la i-sima persona cuando conduce o toma otro
transporte y cuando esta funcin es lineal:
(6.15)
De esta forma, la i-sima persona conduce el automvil si u
i1
> u
i0
y viaja en otro tipo
de transporte si u
i1
< u
i0
. El individuo estara indeciso si u
i1
= u
i0
pero esto suceder
con una probabilidad de cero si
i1
y
i0
son variables continuas aleatorias. Definiendo
y
i
= 1 si la i-sima persona conduce un automvil y cero de otra forma, se tendrn
las probabilidades:

(6.16)
Donde F es la funcin de i
0
-
i1
. Si se asume una distribucin normal para
i1
-
i0
se
obtendr un Probit .
Domencich y McFadden sustentan que el trmino aleatorio de error est determina-
do por el tipo de transporte, que a su vez vendr determinado por una serie de
caractersticas socioeconmicas que no son observadas por el investigador. Conve-
nientemente debe asumirse que las utilidades de individuos diferentes son distribui-
das independientemente, es decir, que la correlacin entre
i1
y
i0
es cero.
Por otro lado, la idea de que las constantes
o
y
1
en (6.15) sean diferentes no es muy
consistente con la idea "abstracta de una forma de transporte" ya que esto significa
diferencias en el efecto de transportar en una forma especifica ms que diferencias
en los atributos que son los que explican uno u otro. Por esta razn, los autores
debern asumir que
o
=
1
y excluir el trmino constante. Sin embargo, las constan-
tes se incluyeron con el fin de ajustar mejor los datos.
El modelo utilizado fue un Logit para una encuesta con 115 individuos en Pisttburg
(U.S.A.) en 1967; los resultados fueron:
(6.17)
Desviaciones estndar entre parntesis, y Tw es el tiempo de trnsito a pie (en
minutos), Aiv es el tiempo en automvil, Tss es el tiempo de transporte entre estacio-
13. En el captulo siguiente, se discutir con mayor detalle los modelos de utilidad aleatoria.
Prob
Prob Prob
ICESI
101
nes, Ac es el costo de parqueadero ms costos de operar el vehculo (en dlares), F
es el precio del pasaje en autobs, A/w es el nmero de autos por trabajador en el
hogar, R es la raza (0 si es blanco, 1 si no es blanco), Z es la ocupacin (0 si no es
trabajador profesional, 1 si es trabajador profesional). El ingreso y otras variables
socioeconmicas se excluyen dado que son comunes en ambas funciones de
utilidad.
En el modelo de eleccin de transporte se puede tambin definir un ndice que nos
muestre la propensin a preferir un carro con relacin a transitar en algn otro
transporte para la i-sima persona. Sea y*
i
= ' x
i
-
i
donde x
i
es el vector de
variables que aparece a la derecha de (6.17) y
i
corresponde a
i0
-
i1
. Entonces, el
modelo de transporte vendr determinado por la distribucin especfica de
i
. De esta
forma si definimos y
i
= 1 s y solo s y*
i
> 0 encontraremos un ndice continuo.
6.4.2. Lee, L.F.
Lee define la propensin del i-simo trabajador de unirse a un sindicato como:
(6.18)
Donde w
i1
y w
i0
ser el salario cuando el trabajador pertenece a un sindicato y cuando
no respectivamente, x
i
es un vector de caractersticas del i-simo trabajador as como
los atributos en la industria en la cual est empleado. El trabajador se une a un
sindicato (y
i
= 1) s y solo s y*
i
> 0. Lee asume una distribucin normal para
i
y
estima los parmetros por mxima verosimilitud para un Probit.
6.4.3. Pencavel
Pencavel estudia cmo inciden en las decisiones de trabajar de la esposa y el esposo
la ayuda econmica brindada por el gobierno de los Estados Unidos en Seattle y
Denver. De esta forma, estima la probabilidad de trabajar de la esposa usando 1657
familias durante 2 aos. Las variables que el autor usa son: F igual a uno si la familia
pertenece al experimento y cero lo contrario; L igual a uno si el esposo trabaja
durante el ao anterior al experimento y cero lo contrario; Y igual a uno si la obser-
vacin es extrada del segundo ao de experimento y cero si es extrada del primer
ao; U igual a uno si el esposo estuvo desempleado durante el ao. Se estimaron dos
modelos: uno que reporta estimaciones bajo un modelo de probabilidad lineal y
otro que estima un modelo Logit , como se observa a continuacin:
(6.19)
ICESI
102
JHON JAMES MORA
(6.20)
Entre parntesis, los errores estndar. Por otro lado, los trminos constantes fueron
incluidos en el modelo pero no fueron reportados. Como observa Pencavel, las
probabilidades estimadas por los dos modelos son parecidas.
6.5. Modelo de efectos fijos y aleatorios en datos de panel
Considrese el modelo estructural Probit para datos de panel:
14
(6.21) , i = 1,....,n ; t = 1, ...,T
i
y cero de otra forma
Si las
it
son variables estndar independientes, la naturaleza de los datos de panel
es irrelevante. Como el modelo Probit en s mismo no tiene efectos fijos, esto es,
it
=
i
, remover la heterogeneidad presente en los datos, sobre todo en corte
transversal, es bastante complicado, por esto idealmente nosotros debemos espe-
cificar que
it
y
s
sean libremente correlacionados (en el grupo y no entre grupos), lo
cual involucrar calcular la probabilidad conjunta de una distribucin normal bivariada
de dimensin T, lo cual tambin es problemtico.
En contraposicin al Probit, el Logit puede incorporar tratamientos de efectos fijos,
por lo cual:
(6.22)
El cual es un modelo no lineal. Chamberlain (1980) sugiere que cuando el conjunto
de datos tiene un gran n y el T
i
es pequeo, la probabilidad no condicionada para nT
observaciones vendr dada por:
(6.23)
Chamberlain sugiere maximizar la funcin condicional de verosimilitud:
(6.24)
14. Son datos obtenidos a travs de un seguimiento a lo largo del tiempo de secciones cruzadas; por ejemplo, un
seguimiento a las familias en diferentes periodos de tiempo (Green, pag 256).
ICESI
103
De esta forma, para T observaciones en (6.24) se condiciona la verosimilitud al nmero
de unos que hay en este conjunto de T observaciones. Por ejemplo, suponga que la
muestra consiste en un gran nmero de unidades de corte transversal y que cada
observacin se da solamente en los perodos 1 y 2. La verosimilitud no condicionada
ser:
(6.25)
Si las observaciones son independientes, la funcin de verosimilitud es el producto
de las probabilidades, y para cada par de observaciones se tienen las siguientes
posibilidades:
y
i1
= 0 e y
i2
= 0 prob (0,0| suma= 0) = 1
y
i1
= 0 e y
i2
= 1 prob (1,1| suma= 2) = 1
Como podr observarse el i-simo trmino en la funcin de verosimilitud condiciona-
da ser uno por lo que su contribucin a la funcin de verosimilitud condicionada es
nula. En el caso de que y
i1
= 0 y que y
i2
= 1, tendremos:
prob((0,1) | suma = 1) =
En trminos generales, la probabilidad condicionada para un par de observaciones
vendr dada por:
(6.26)
Al condicionar las probabilidades a la suma en las dos observaciones se remueve la
heterogeneidad existente. Por lo tanto, la funcin de verosimilitud condicional ser el
producto de los conjuntos de observaciones para los que la suma no es cero ni T.
6.6. El modelo Logit condicionado
Esta es una versin reciente para incluir los atributos presentes en los bienes. Suponga
que exista un modelo de eleccin no ordenada que provenga de una utilidad aleatoria
para el i- simo consumo en j elecciones. De esta forma, la utilidad de la eleccin j es:
(8.27)
Si el consumidor realiza una eleccin j en particular, y asumiendo que U
ij
es el mximo
entre j utilidades, el modelo estadstico que depende de la eleccin j ser:
ICESI
104
JHON JAMES MORA
(8.27.1) Prob (U
ij
> U
ik
) k j
Sea y
i
una variable aleatoria indicando la eleccin realizada, McFadden muestra que
s y solo s las j perturbaciones son independientes e idnticamente distribuidas
siguiendo una distribucin Weibull:
(6.28)
(6.28.1)
El cual se denomina Logit Condicionado. Usualmente la eleccin depende de los
atributos de Z
ij
. Por lo tanto, x
ij
, vara entre los individuos adems de las w
i
caracte-
rsticas individuales. De esta manera, el modelo puede plantearse de la forma:
(6.28.2)
Schmidt y Strauss (1975), estiman un modelo de ocupacin basado en una muestra
de 1000 observaciones cuya variable dependiente es la Ocupacin, que es igual a 1
si es empleado domstico, 2 si es obrero no especializado, 3 si es artesano (traba-
jador manual), 4 si es oficinista y 5 si es trabajador profesional. En el conjunto de
variables independientes se incluyeron la constante, la educacin, la experiencia, la
raza y el sexo. El modelo, incluyendo los estratos sociales, ser:
(6.28.2)
Debe observarse que las probabilidades estimadas dependen de los estratos 1, 2, 3,
4 y 5. De esta forma, el modelo condicional Logit computa las probabilidades relati-
vas a cada estrato, el estrato podr contener pocos casos o muchos casos. Por lo
tanto, la probabilidad de que la i-sima observacin pertenezca a un estrato social s
i
,
viene dada por:
(6.28.3)
ICESI
105
6.7. Modelos multinomiales
Un modelo multinomial de respuesta cualitativa se define de la siguiente forma.
Asuma que la variable dependiente y
i
toma m
i
+ 1 valores { 0, 1, 2, . . ., mi} , entonces
el modelo multinomial vendr dado:
(6.29) P(y
i
= j ) = F
ij
( x* , ) ; i = 1, 2, . . ., n y j = 1, 2, . . .,m
i
.
Donde x* y son vectores de variables independientes y parmetros respectiva-
mente. De esta forma, m
i
depende de un i en particular cuando los individuos tienen
diferentes conjuntos de eleccin. Para definir el estimador de en el modelo (6.29)
usualmente se definen
n
i
= 1 (m
i
+ 1) variables binarias, de la forma:
(6.29.1) y
ij
= 1 si y
i
= j
= 0 si y
i
j ; i = 1, 2, . . ., n y j = 1, 2, . . .,m
i
.
La funcin de verosimilitud viene definida como:
(6.29.2)
Donde el estimador insesgado de se define como una solucin a la ecuacin
= 0.
6.7.1. Modelos ordenados
Los modelos multinomiales de respuestas cualitativas se pueden clasificar en mode-
los ordenados y no ordenados. Un modelo ordenado se define como:
(6.30) P(Y = j | x, ) = p (S
j
)
Para alguna medida de probabilidad p, sobre x y , y una secuencia finita de
intervalos sucesivos { S
j
} que depende sobre x y tal que .
En los modelos ordenados, los valores que y toma, corresponden a una particin
sobre la lnea real. A diferencia de un modelo no ordenado, donde la particin
correspondera a particiones no sucesivas sobre la lnea real o a particiones de
dimensiones mayores sobre el espacio euclideano. En la mayora de las aplicacio-
nes, el modelo ordenado toma la forma:
(6.31) P(Y = j | x, , ) = F(
j+ 1
- x ) - F(
j
- x ) ; j = 0, 1,...,m;
0
= - ;
j

j+ 1
;
m+ 1
=
Para alguna distribucin F, se puede definir un modelo Probit ordenado o un modelo
Logit ordenado.
ICESI
106
JHON JAMES MORA
6.7.2. Modelo Logit multinomial
El modelo Logit multinomial se define como:
(6.32) P(Y
i
= J) = ; i = 1,2,...,n y j= 0,1,....,m
i
.
McFadden (1974)
15
considera el siguiente modelo multinomial derivado del proble-
ma del consumidor. Considere a un individuo (i) cuyas utilidades estn asociadas
con tres alternativas, de la forma siguiente:
(6.33) U
ij
=
ij
+
ij
, con j = 0, 1, 2
Donde U
ij
no es una funcin estocstica sino determinstica. En Mora (2001) se
presenta un resumen de u
ij
estocstica y no estocstica. Por otro lado, y
ij
, es el usual
trmino aleatorio de error. De esta forma, el individuo elige aquella alternativa en la
que obtiene la mayor utilidad. El multinomial Logit se puede derivar del problema de
maximizar la utilidad s y solo s los
ij
son independientes y la funcin de distribucin
de
ij
viene dada por exp[ -exp(
ij
)] . De esta manera, la probabilidad de que el i
individuo elija una alternativa j, ser:
(6.34) P(y
i
= 2) = P (U
i2
> U
i1
, U
i2
> U
i0
)
= P (
2
+
2
-
1
>
1
,
2
+
2
-
0
>
0
)
=
=
=
Y tomar una forma parecida a (6.32) s hacemos
i2
-
i0
= x
i2
y
i1
-
i0
= x
i1
.
6.8. Variables dependientes limitadas
Existe un gran nmero de datos cuya observacin nos muestra que estn limitados
o acotados de alguna forma. Este fenmeno lleva a dos tipos de efectos: el trunca-
miento y la censura.
15. En el captulo siguiente se profundizar en el modelo de McFadden.
ICESI
107
El efecto de truncamiento ocurre cuando la muestra de datos es extrada aleatoriamente
de una poblacin de inters, por ejemplo, cuando se estudia el ingreso y la pobreza se
establece un valor sobre el cual el ingreso se encuentra por encima o por debajo del
mismo. De esta forma, algunos individuos podrn no ser tenidos en cuenta.
Por otro lado, censurar es un procedimiento en el cual los rangos de una variable son
limitados a priori por el investigador; este procedimiento produce una distorsin
estadstica similar al proceso de truncamiento.
6.8.1. Truncamiento
Una distribucin truncada es la parte de una distribucin no-truncada antes o des-
pus de un valor especfico; imagnese por ejemplo que nosotros deseamos conocer
la distribucin de los ingresos anteriores a 100.000 o el nmero de viajes a una zona
mayores de 2, sta ser tan slo una parte de la distribucin total.
6.8.1.2. Densidad de una variable aleatoria truncada
Si una variable continua aleatoria x, tiene una funcin de densidad de probabilida-
des, pdf(x), y a es una constante, entonces:
(6.35)
Si x tiene una distribucin normal con media y desviacin estndar
(6.36)

Donde es funcin de densidad acumulativa, entonces la distri-
bucin normal truncada ser:
(6.37)

ICESI
108
JHON JAMES MORA
Donde ser la pdf normal estndar. La distribucin normal estndar truncada con
= 0 y = 1 para a igual a -0.5, 0 y 0.5, ser:
6.8.1.3. Momentos de una Distribucin Truncada
Los momentos de mayor inters son la media y la varianza. Estos momentos son
convenientes para hallar la razn inversa de Mills. Si x~ N[ ,
2
] con constante,
entonces la media vendr dada por E[ x| truncamiento] = + (), y la varianza por
var[ x| truncamiento] =
2
(1-()) donde = (a-)/. Por otro lado, nosotros obser-
vamos que:
(6.38) Si el truncamiento ocurre en x > a
Si el truncamiento ocurre en x < a
Como , y .
Donde (a) se conoce tambin como la razn inversa de Mills.
6.8.1.3.4. Estimacin por mxima verosimilitud
Tomando el logaritmo de (6.37), y al realizar la suma de los logaritmos de estas
densidades, nosotros obtenemos:
(6.39)
GRFICA 6.1. Distribuciones normales
truncadas.
ICESI
109
Las condiciones necesarias para maximizar (6.39) sern:
(6.40)
6.8.2. Censuramiento
Un procedimiento normal con datos microeconmicos, consiste en censurar la
variable dependiente. Cuando la variable dependiente es censurada, los valores en
un determinado rango son todos transformados a un valor singular. De esta forma,
si definimos una variable aleatoria y transformada de la variable original como:
(6.41) y = 0 Si y* 0 y = y* Si y* > 0
La distribucin correspondiente a y* ~ N[ ,
2
] ser:
prob (y= 0) = prob(y* 0)

GRFICA 6.2. Distribucin sensurada.
ICESI
110
JHON JAMES MORA
Si y* > 0 y tiene la densidad de y* , entonces la distribucin tiene partes discretas y
continuas, donde la probabilidad total ser de 1 como se requiere. Para lograr esto,
se asigna la probabilidad total en la regin censurada al punto de censuramiento.
6.8.2.1. Momentos
La media de una variable censurada vendr dada por:
(6.42)
Y la varianza:
(6.43)
Donde
6.8.3. Modelos Tobit
Los modelos Tobit se refiere a modelos censurados o truncados donde el rango de la
variable dependiente se restringe de alguna forma. El problema puede verse como:
(6.44) y = y* Si y* > y
0
y = 0 Si y* y
0
Asumiendo que y* =
1
+
2
x + , con el trmino de perturbacin aleatoria, y que y
0
vara entre los hogares pero que dicha variacin es conocida, el modelo que genera los
datos para una funcin de verosimilitud con n observaciones independientes ser:
(6.45)
Donde F
i
y f
i
son las funciones de distribucin y de densidad de y
i
* . Por otro lado,
0
significa el producto sobre aquellos i para los cuales y
i
* y
0i
y
1
significa el
producto sobre aquellos i para los cuales y
i
* > y
0i
. Por esta razn, el modelo estndar
puede definirse como:
(6.46)
ICESI
111
Asumiendo que
i
~ N[ 0,
2
] , la funcin de verosimilitud para el modelo Tobit estndar
ser:
(6.47)
Donde y son las funciones de distribucin y densidad normal estndar. La
funcin de verosimilitud de la versin truncada del Tobit puede escribirse como:
(6.48)
De igual forma se puede plantear la funcin:
(6.48.1)
Dado el creciente uso de los modelo tipo Tobit, Amemiya realiz la laboriosa tarea de
clasificar, los modelos Tobit de acuerdo con similitudes en la funcin de verosimilitud.
La caracterizacin de los tipos de modelos Tobit es la siguiente:
Tipo Variable Dependiente
y
1
y
2
y
3
1 Censurado - -
2 Binario Censurado -
3 Censurado Censurado -
4 Censurado Censurado Censurado
5 Binario Censurado Censurado
Las funciones de verosimilitud sern:
Tipo Funcin de Verosimilitud
1 p(y
1
< 0) . p(y
1
)
2 p(y
1
< 0) . p(y
1
> 0, y
2
)
3 p(y
1
< 0) . p(y
1
, y
2
)
4 p(y
1
< 0, y
3
) . p(y
1
, y
2
)
5 p(y
1
< 0, y
3
) . p(y
1
> 0, y
2
)
ICESI
112
JHON JAMES MORA
Cada y
j
con j = 1,2,3 se asume que tiene una distribucin del tipo N( '
j
x
j
,
2
j
) y p denota
una probabilidad, o densidad o una combinacin. Amemiya toma el producto de cada
p sobre la observacin que pertenece a una categora particular determinada por el
signo de y
1
. De esta forma, el tipo 1, modelo Tobit estndar, la funcin de verosimilitud
[ p(y
1
< 0).p(y
1
)] , ser una notacin abreviada para donde
f
1i
es la densidad de N('
1
x
1i
,
2
1
). De igual forma, en cada tipo de modelo el signo de
y
i
determina cada una de las dos posibles categoras para las observaciones y la
variable censurada se observa en una categora y no en la otra.
1
< 0) . p(y
1
> 0, y
2
)}
Este modelo se define como:
(6.49) ; i = 1, 2, 3,........., n
Donde {
1i
,
2y
} son i.i.d extrados de una distribucin normal bivariada con media
cero, varianzas
2
1
y
2
2
y covarianza
12
. Se asume que solamente el signo de y*
1i
se observa y que y*
2i
se observa cuando y*
1i
> 0. De igual forma, x
1i
se observa para
todos los i, sin embargo x
2i
no necesariamente se observa para aquellos i tales que
y*
1i
0. La funcin de verosimilitud para este modelo ser:
(6.50)
Donde
0
y
1
es el producto para aquel i en el cual y
21
= 0 y y
21
0 respectivamente
y f( | y*
1i
> 0) es la densidad condicional de y*
2i
dado y*
1i
> 0. Este tipo de modelos
fueron originalmente usados por Nelson (1977), Dudley y Montmarquette (1976),
Weslin y Gillen (1978). Veamos el modelo de Gronau (1976).
Gronau (1976) asume que el salario ofrecido W
0
a cada ama de casa es independien-
te de las horas trabajadas H. En este sentido no existe un men de salarios W
0
(H).
Dado W
0
, una ama de casa solucionar el siguiente problema:
(6.50.1) Maximizar u(C,X)
Sujeto a W
0
H + V = Y [ Restriccin de ingresos]
C + H = T [ Restriccin de tiempo]
ICESI
113
Donde C es el tiempo gastado en el hogar para cuidar los nios, X es un vector de dos
bienes, T es tiempo total disponible y V otros ingresos. De esta forma una ama de casa
no trabajar si:
(6.50.2)
Y trabajar si la desigualdad contraria se mantiene. Si ella trabaja H y la tasa actual
de salario es W
0
, entonces:
(6.50.3)
La parte derecha de (6.50.2) se conoce como el salario de reserva y, en adelante, se
denotar como W
r
. Asumiendo que W
0
y W
r
son combinaciones lineales de variables
independientes ms el trmino de perturbacin aleatoria
i
, el modelo estadstico
puede plantearse como:
(6.50.4)
Donde los {
2i
,
i
} son i.i.d extradas de una distribucin normal bivariada con
media cero, varianzas
2
2
y
2
y covarianza
. Note que si se hace

tendremos el modelo (6.49).
1
< 0) . p(y
1
, y
2
)}
El tipo 3 se define como
(6.51)
ICESI
114
JHON JAMES MORA
Donde los {
1i
,
2i
} son extrados de una distribucin normal bivariada con media cero,
varianza
2
1
y
2
2
y covarianza
12
. Este modelo difiere del anterior en que y*
1i
tambin
se observa cuando este es positivo. La funcin de verosimilitud vendr dada por:
(6.52)
Donde f(.,.) es la densidad conjunta de y*
1i
y y*
2
i. Dado que y*
1i
se observa cuando
es positivo, todos los parmetros son identificables, incluyendo
2
1
.
El modelo tipo (3) tambin se conoce como de autoseleccin tipo Heckman; a
continuacin se expondr en qu consiste.
Heckman (1974) propone un modelo diferente al de Gronau en el sentido de que
Heckman incluye la determinacin del nmero de horas trabajadas [H] en el modelo. Al
igual que Gronau, Heckman asume que el salario ofrecido W
0
es independiente de las
horas trabajadas, adems la ecuacin de W
0
es la misma de la ecuacin de Gronau:
(6.52.1) W
0
i
=
2
X
2i
+
2i
Y define:
(6.52.2)
Por lo tanto:
(6.52.3) W
r
i
= H
i
+ Z
i
+
i
De esta forma, un individuo trabajar si:
(6.52.4) W
r
i
( H
i
= 0 ) = Z
i
+
i
< W
0
i
El salario W
i
y las horas trabajadas H
i
se determinan cuando se soluciona simult-
neamente (6.52.1) y (6.52.3), entonces W
0
i
= W
r
i
= W
i
. El modelo de Heckman se
puede definir como:
(6.52.5) W
i
=
2
X
2i
+
2i
(6.52.6) W
i
= H
i
+ Z
i
+
i
Y para el i que cumple la restriccin de las horas trabajadas:
(6.52.7) H*
i
=
1
X
1i
+
1i
> 0
ICESI
115
Donde
1
X
1i
=
-1
(
2
X
2i
- Z
i
) y
1i
=
-1
(
2i
-
i
). Se puede observar que (6.52.4)
y (6.52.7) son equivalentes dado que > 0.
1
< 0, y
3
) . p(y
1
, y
2
)}
El modelo Tobit tipo 4 se define como:
(6.53)
Donde los {
1i
,
2i
,
3i
} son i.i.d extrados de una distribucin normal trivariada. Este
modelo difiere del tipo 3 en la adicin de y*
3i
, el cual se observa solamente si
y*
1i
0. La funcin de verosimilitud vendr dada por:
(6.54)
Donde f
3
(. ,.) ser la densidad conjunta de y*
1i
e y*
3i
, y f
2
(. , .) la densidad conjunta
de y*
1i
e y*
2
i.
Nelson y Olson (1978) proveen el siguiente ejemplo: Sea y*
1
el tiempo que se usa en
entrenamiento escolar vocacional, que es completamente observado si y*
1
> 0. Si
esta condicin no se cumple entonces pertenecer al intervalo (-, 0] . El tiempo que
se usa en educacin y*
2
se observa que pertenece a uno de los intervalos (-, 0] ,
(0, 1] y (1, ). El salario y*
3
se observa completamente. De igual forma, y*
4
son las
horas trabajadas y son observables completamente.
Dado que cada variable pertenece a un conjunto de ecuaciones simultneas se
puede estimar solamente la forma reducida, en un modelo de 2 ecuaciones simult-
neas:
(6.54.1)
(6.54.2)
ICESI
116
JHON JAMES MORA
Donde y
2i
se observa siempre. Por otro lado, y*
1i
se observa como y
1i
si y*
1i
> 0. Los
parmetros estructurales de este modelo se estiman de la siguiente forma:
Paso 1: Estime los parmetros de la ecuacin en la forma reducida para y*
1
con
un Tobit de mxima verosimilitud y para la ecuacin reducida y
2
estime los
parmetros por mnimos cuadrados ordinarios.
Paso 2: Reemplace y
2i
al lado derecho de (6.54.1) por la estimacin de los
mnimos cuadrados ordinarios obtenido en el paso anterior y estime los
parmetros de (6.54.1) a travs de un Tobit de mxima verosimilitud.
Paso 3: Reemplace y*
1i
en el lado derecho de (6.54.2) por su estimacin obtenida
en el paso 1 y estime los parmetros de (6.54.2) por mnimos cuadrados
ordinarios.
1
< 0, y
3
) . p(y
1
> 0, y
2
)}
El modelo Tobit tipo 5 se deriva del tipo 4, y se omite la ecuacin para y
1i
. Dado que
solamente observamos el signo de y*
1i
, tendremos:
(6.55)
Donde los {
1i
,
2i
,
3i
} son i.i.d extradas de una distribucin normal trivariada. La
funcin de verosimilitud para este modelo ser:
(6.56)
Donde f
3
(.,.) y f
2
(.,.) se definen como la densidad conjunta de y*
1i
y y
3i
. Por otro lado,
f
2
(.,. ) es la densidad conjunta de y*
1i
y y*
2i
. Lee (1978) desarrolla el siguiente modelo:
Sea y*
2i
el logaritmo de la tasa de salario del i-simo trabajador en el caso de que l
o ella se unan a un sindicato. Cuando el trabajador decide unirse o no al sindicato,
este evento estar determinado por el signo de la variable ( y*
1i
):
(6.57)
ICESI
117
Dado que nosotros observamos y
*
2i
solamente s el trabajador se une al sindicato y
s no se une al sindicato ( y*
3i
), el logaritmo del salario observado, denotado por y
i
,
se define como:
(6.57.1)
Lee asume que x
2
y x
3
, las variables independientes en ( y
2i
) y ( y*
3i
), incluyen
caractersticas individuales de las firmas y trabajadores tales como la localizacin
regional, el tamao de la ciudad, la educacin, la experiencia, la raza, el sexo y la
riqueza. Por otro lado, Z incluye caractersticas individuales y variables que represen-
tan el costo monetario y no-monetario de ser miembro del sindicato. Dado que y*
1
no
es observado a excepcin del signo, la varianza de y*
1
puede asumirse como
unitaria. Lee estima el modelo en dos etapas tipo Heckman aplicado separadamente
a ( y*
2
) y ( y*
3
). Amemiya (1994) define tambin el Tobit tipo 5 como:
(6.57.2)
Donde cada y
i
, x
ji
, S
ji
son observados. Se asume que {
ji
, V
ji
} son i.i.d a travs de i,
pero correlacionado a travs de j, y para cada i y j las dos variables pueden estar
correlacionadas. La forma de verosimilitud vendr dada por:
(6.57.3)
Donde
j
es el producto sobre aquel i para el cual Z*
ji
es el mximo (max) y
p
ji
= p ( Z*
ji
mximo).
6.9. Contrastes de especificacin
De la mano con el desarrollo de las formas de estimacin de los modelos, la literatura
ha venido ofrecindonos una serie de contrastes para conocer la "bondad" de los
modelos estimados. El origen de estos contrastes se remonta a los trabajos de Rao
(1947) en lo que se conoce como "contraste Score" o "contraste de puntuacin".
Posteriormente Silvey (1959) propone el contraste de multiplicadores de Lagrange
que no es otra cosa que el mismo contraste de Rao.
El contraste de multiplicadores de Lagrange no es el nico que se pueda usar, pues
estn el de Hausman (1978) y el contraste de momentos condicionales [ Newey
ICESI
118
JHON JAMES MORA
(1985) y Tauchen (1985)] . Para Pagan y Vella (1989) el uso del contraste de especifica-
cin en variables dependientes limitadas no es muy comn debido a la dificultad
computacional de los mismos.
Los contrastes de especificacin que se desarrollarn sern: El contraste de Rao
contraste de puntuacin; el contraste de especificacin de Hausman, el cual parte de
los trabajos de Durbin (1954) y por lo tanto se conoce tambin como Durbin-Hausman
o Durbin-Wu-Hausman debido a los trabajos de Wu (1973); el contraste de la matriz
de informacin de White (1982) y el contraste de momentos condicionales sugerido
por Newey (1985) y Tauchen (1985).
6.9.1. Contraste de Rao contraste de puntuacin
Suponga que existen n observaciones independientes y
1
, y
2
, y
3
,......, y
n
con funciones
de densidad idnticas f( y, ) donde es un vector p 1 de p parmetros. Entonces
la funcin de verosimilitud L( ), el vector de puntuacin (Score vector) d( ), y la
matriz de informacin I( ) vienen definidas como:
L( ) =
d( ) = , para algn q, E[ d( )] = 0
I( ) = cov[ d( q )] = E[ d( ) d( ) ] =
El estimador mximo verosmil viene dado por la ecuacin d( ) = 0. La hiptesis
a probar ser H
0
= h( )= 0, donde h( ) es una vector de dimensin r de (r p) con
una constante dada c. Rao (1948), propone el siguiente estadstico:
(6.58) dl( )[ I( )]
-1
d( )
Donde ( ) es el estimador mximo verosmil restringido de ( ) bajo Ho. Si Ho es
cierto, entonces d( ) se espera que tienda a cero. Rao muestra que el estadstico
Score tiene una distribucin chi-cuadrada (
2
) con r grados de libertad bajo Ho.
Breusch y Pagan (1980) sugieren usar este estadstico como un contraste de espe-
cificacin. La ventaja del contraste de puntuacin consiste en que depende solamen-
te de los estimadores mximos verosmiles del modelo restringido, ya que tanto el
vector de puntuacin como la matriz de informacin se basan en el modelo total. Una
extensin del contraste de puntuacin consiste en un estimador general ms que
en la restriccin mximo verosmil, a esta extensin se le denomina el contraste
Neyman-Rao [ Hall y Mathiason (1990)] .
ICESI
119
Para modelos de eleccin binarios, Davidson y Mackinon (1989) muestran que el
contraste de puntuacin con base en la matriz de informacin puede ser computado
fcilmente y Orme (1992) muestra que las propiedades se conservan en los modelos
Tobit
16
.
6.9.2. El contraste Durbin-Hausman
El contraste de especificacin sugerido por Hausman se basa en la comparacin de
dos conjuntos de parmetros estimados: Sea un estimador de el cual es
eficiente bajo Ho, pero inconsistente bajo H
1
, y un estimador de el cual es
consistente bajo Ho y H
1
pero ineficiente bajo Ho. Sea d= - y var( ) = V
1
y var( ) = V
0
. El contraste de Hausman se basa en el resultado de var( d)= V
1
- V
0
bajo Ho (Rao 1973,pp.317). El test estadstico consiste en ( d) ( V
1
- V
0
)
-1
(
d) que tiene una distribucin chi-cuadrada con p grados de libertad, que es la
dimensin de . En el caso de que ( V
1
- V
0
)
-1
no exista, se puede usar la inversa
generalizada [ Rao y Mitra (1971)] , pero la chi-cuadrada tendr menores grados de
libertad. Existe una variacin del tipo Hausman, en el que ambos estimadores son
inconsistentes bajo H
1
, aunque pLim pLim bajo H
1
[ ver Ruud (1984)] .
6.9.3. El contraste de la matriz de informacin de White
La matriz de informacin de White(1982) se basa en el hecho de que en un modelo
especificado correctamente, tendremos:
(6.59) E[ d( ) d( ) ] =
Si nosotros consideramos el estadstico d( ) d( ) + ste deber tener
media cero para un modelo especificado correctamente. Como problema de esta
constante se encuentra el hecho de que al tratar de obtener la varianza de este
contraste se requieren derivadas de orden superior de al de L. Lancaster (1984) ha
mostrado que este estadstico se puede obtener a partir de la regresin:
(6.60) r = GC
1
+ ZC
2
+
i
16. Como existen diferentes formas del contraste Score, que dependen de los estimadores de la matriz de informacin,
en datos pequeos, las propiedades del estimador son bastante malas con respecto a la matriz de informacin
cuando se usa el mtodo del gradiente del producto externo (outer product gradient) [ Davidson y Mackinon (1989),
Orme (1990)] . Una alternativa consiste en tomar el hesiano como lo observa Taylor (1991).
ICESI
120
JHON JAMES MORA
Donde r es un vector de unos, G es una matriz n p cuyos i,j elementos son:
G
i
,
j
( ) = , i= 1,2,3,...,n; j= 1,2,3,...,p; Z es una matriz cuyos elementos tpicos
son:
+ j= 1,2,...,p; k= 1,2,...,j.
Z y G son evaluados en el estimador restringido mximo verosmil. El nmero de
columnas en Z ser (k
2
+ k). Cox (1983) y Chesher (1984) demuestran que el
contraste de la matriz de informacin puede ser interpretado como un contraste de
puntuacin para rechazar heterogeneidad o una variacin de los parmetros en .
6.9.4. El contraste de momentos condicionados (CM)
El contraste de momentos condicionados fue sugerido por Newey (1985) y Tauchen
(1985), y se basa en la premisa de que bajo una especificacin correcta, no solamen-
te se tiene E[ d( )] = 0 sino tambin condiciones de sobreidentificacin como
E[ m ( y, )] = 0. El contraste de momentos condicionados puede reducirse a la
regresin:
(6.61) i= C + b +
i
Donde G es la matriz { G
ij
= } e i es un vector de unos. es ortogonal a i
dado que i = 0 son las ecuaciones de solucin mximo verosmil y ser
ortogonal a i si la condicin de momentos se satisface. De esta forma, un contraste
para la condicin de momentos consiste en la hiptesis b = 0 en la ecuacin (6.61).
En el caso de que existan r condiciones de momentos, se define la matriz
= m ( ) de n r, y se contrasta la hiptesis b= 0 en la regresin (6.61). Aun
cuando i = 0 es importante incluir en la regresin [Mackinon (1992, pp,132)]. La
regresin artificial se basa en la igualdad informacional (6.59) la cual es vlida solamente
cuando la densidad completa de las observaciones es especificada correctamente.
Un ltimo contraste de especificacin proviene de Pregibon (1980); este contraste
consiste en que si la regresin est bien especificada, no se deberan encontrar
variables independientes significativas. De esta forma, una clase de error consistir
en que la variable dependiente necesitase algn tipo de transformacin en su rela-
ICESI
121
cin con las variables dependientes, en lo que se conoce como una funcin de unin
(LINK FUNCTION). El contraste consiste en la regresin:
(6.61.1) y = x
i
+
i
Donde sern los paramentos estimados, entonces deber ser significativo y
no. El modelo tambin se usa para especificacin en transformaciones de
las variables independientes, de esta forma, si en un modelo inicial Logit o Probit
da significativo entonces alguna variable independiente podra necesitar algn
tipo de transformacin, una vez realizada esta no deber ser significativo.
6.9.5. Contrastes de heterocedasticidad
Entre los primeros trabajos sobre Heterocedasticidad realizados por Maddala y
Nelson (1975) se argumentan que una regresin con Heterocedasticidad en los
errores, los estimadores son consistentes pero ineficientes. En el caso del Tobit, el
estimador mximo verosmil (ML) es inconsistente en la presencia de Heterocedasticidad
[ Brannas y Laitila (1989)] .
En un modelo de regresin, la comprobacin de Heterocedasticidad se realiza con
base en los residuos del modelo de mnimos cuadrados. Pagan y Park (1993)
sugieren que los contrastes existentes para probar heterocedasticidad pueden ser
considerados como un contraste de momentos condicionados(CM). La condicin
de momentos para un contraste CM, ser:
(6.61)
Siendo
i
el error con varianza
2
bajo Homocedasticidad, y Z
i
es indicador mal
especificado. Por ejemplo, s asumimos que Var(
i
) =
2
( 1 + Z
i
)
2
se deber
mostrar que esta condicin se sigue del contraste de puntuacin en el caso del Tobit.
En el caso de un Probit o Logit, sea y*
i
= x
i
+
i
;
i
~ i.i.d(0,
2
), el cual es
observado solamente cuando . Dado que y*
i
es observa-
do como una variable dicotmica, solamente / es estimable. Asumiendo que
= 1, entonces:
(6.63) Probabilidad [ y
i
= 1] = F ( x
i
)
De esta forma, el logaritmo mximo verosmil L ser:
ICESI
122
JHON JAMES MORA
(6.63.1) L =
Sea G
ij
( ) =
=
Donde f
i
es la primera derivada de Fi, es decir, f( x
i
) es la funcin de densidad. El
j-simo elemento del vector de puntuacin d() es igual a . Si nosotros
deseamos probar la hiptesis de que = 0 entonces se deber obtener un contraste
de puntuacin con nR
2
en una regresin artificial de i sobre G() donde i es un vector
de unos. Davidson y Mackinnon (1984) denotan este contraste como LM
1
.
Considere ahora el estadstico basado en la matriz de informacin. Diferenciando L
i
dos veces con respecto a , obtenemos:
(6.64)
Tomando E(y
i
) = F( x
i
) entonces:
(6.64.1) I( b ) =
Davidson y Mackinnon sugieren el siguiente contraste de puntuacin: Defina la
matriz R() de n p cuyos elementos tpicos son:
(6.64.2) R
ij
( ) =
El n-vector, r( ) tendr como elemento tpico:
(6.64.3) r
i
( ) =
ICESI
123
De esta forma, la matriz de informacin ser I() = R ()R() y el vector de puntuacin
d() = R ()r(). De aqu, el contraste estadstico ser:
(6.64.4) LM
2
= d'Id= r R(R R
)-1
R r
El cual no es ms que nR
2
de la regresin artificial r= Rc+
i
. Davidson y Mackinnon
arguyen que LM
1
tiene propiedades dbiles con relacin a LM
2
. Para comprobar
Heterocedasticidad, se especifica Var(
i
) = ( 1 + Z
i
)
2
y se contrasta Ho: = 0. Por
otro lado, Davidson y Mackinnon especifican Var(
i
) = exp( 2 Z
i
) y Harvey (1976)
Var(
i
) = [ exp( Z
i
)]
2
. Reemplazando x
i
en el modelo de regresin por
x
i
/ ( 1 + Z
i
) y haciendo el estimador mximo verosmil de bajo Ho: = 0
entonces se reemplaza por en LM
1
y LM
2
. La matriz G ser ahora de
n ( p + m ) donde m es la dimensin de , de esta forma:
(6.65)
(6.65.1)
La matriz R es ahora n ( p + m ) y en la i-sima fila tendremos:
[ R
i
( ), R
i
()] =
El Score vector d( ,0) es R r el cual es un vector (p + m):
ICESI
124
JHON JAMES MORA

Dado que
es el residuo generalizado [ Gauriroux, Monfort y Trognon (1987)] y denotndolo por
, entonces (6.65) puede escribirse como:
(6.66) y
De esta forma, el contraste de heterocedasticidad involucra solamente y no .
Veamos qu sucede en el modelo Tobit.
Lee y Maddala (1985) usan la forma funcional Var(
i
) =
2
i = G( + Z
i
) y sugieren
probar = 0. Asumiendo que
i
= + Z
i
y definiendo un indicador I
i
como:
el logaritmo de la funcin de verosimilitud L, viene dado por:
(6.67)
Bajo Ho: = 0, entonces:
(6.68)
Donde
i
es la razn de Mills, esto es:
(6.68.1)
El vector de puntuacin, ser proporcional a:
(6.68.2)
ICESI
125
La condicin de momentos para probar Heterocedasticidad en el contraste CM, es:
(6.68.3)
De esta forma, el test para comprobar Heterocedasticidad se reduce al CM. Otro
contraste comnmente usado consiste en el contraste de las razones de verosimili-
tud o LR-test, el cual consiste en:
(6.69) LR = -2[ Ln - Ln ]
Donde y son los logaritmos de las funciones de verosimilitud del modelo
con heterocedasticidad y el modelo sin heterocedasticidad. De esta forma,
nosotros podemos probar Heterocedasticidad sobre una varianza del tipo
Var(
i
) = ( 1 + Z
i
)
2
Var(
i
) = exp( 2 Z
i
) Var(
i
) = [ exp( Z
i
)]
2
bajo
Ho: = 0. Por lo tanto, si no existe evidencia estadstica para rechazar Ho existir
homocedasticidad y de forma contraria existir. Adems, LR ~
2

d - dr
donde d y dr
son los grados de libertad asociados al modelo general y al modelo con
heterocedasticidad.
6.9.6. Contrastes de normalidad
Cuando no existe normalidad, existen sesgos en los estimadores[ Goldberger (1983)] .
Pagan y Vella (1989) sugieren un contraste CM para normalidad con base en el tercer
y cuarto momento de los residuos. En trminos generales, ya se trate de un Logit,
Probit o Tobit, el problema consiste en evaluar el momento E[
p
i
| y
i
= 0] . Lee y
Maddala (1985) sugieren usar el mtodo de recursividad para los momentos de
i
= , el cual consiste en:
(6.70)
Para p 1 y E(
i
| y
i
= 0)= -
i
donde
i
es la razn de Mills. Definiendo el indicador:
, entonces:
(6.71)
ICESI
126
JHON JAMES MORA
(6.72)
De esta forma, el contraste de normalidad se basa en
1i
y
2i
[ Pagan y Vella (1989)
y Skeels y Vella (1993)] . Para implementar este contraste se necesitan los residuos,
pero no se pueden obtener de ( y
i
- x
i
) pues stos no tienen media cero. Una forma
de corregir este problema consiste en obtener los residuos generalizados:
(6.73)
Para el Probit, el valor esperado del error ser:
(6.74)
El residuo generalizado para un modelo de eleccin discreto, viene dado por:
(6.75)
Powell (1986) desarrolla un estimador de cuadrados ordinarios censurado
simtricamente (SCLS) para un Tobit de la forma siguiente: Se eliminan las observa-
ciones para las cuales xi < 0. A continuacin, se hace y
i
= 2 x
i
. De esta forma,
los y
i
son distribuidos simtricamente sobre ( 0, 2 x
i
) y los errores ( y
i
- x
i
) son
distribuidos simtricamente sobre - x
i
y x
i
, por lo cual tendrn media cero.
Newey (1985) parte de una distribucin F
i
, bajo la hiptesis alternativa de que
F
i
= (
i
+
1

i
2
+
2

i
3
) donde
i
= . Las condiciones de momentos
resultantes sern:
(6.76) y
Bera, Jarque y Lee (1984) construyen el siguiente contraste: Suponga una funcin de
densidad g(m) que satisface la ecuacin diferencial:
(6.77)
Si tiene media cero, esto implica que a = -b
1
, despus de reparametrizar:
ICESI
127
(6.78)
De esta forma, si se hace c
1
= 0,c
2
= 0 y c
0
=
2
obtendremos una densidad de
N(0,
2
), por lo tanto, un contraste de normalidad consiste en contrastar c
1
= 0,c
2
=
0. Smith (1989) sugiere usar polinomios ortogonales y construir un contraste de
puntuacin para los supuestos distribucionales. Bajo condiciones generales, se
puede escribir una densidad h(Z, , ) de Z como el producto de otra densidad f(Z,
) con momentos finitos de todos los rdenes y una serie de polinomios ortogonales
p
k
( Z, ); de esta forma tendramos:
(6.79) h( Z, , ) =
Donde a
0
( , ) = 1 y p
0
( Z, ) = 1. La hiptesis de Smith para normalidad consiste
en hacer Ho: a
k
( , ) = 0 para k > 1.
Newey (1987) considera un contraste de normalidad tipo Hausman de la forma:
(6.80) y*
i
= Z
t
+
i
con
Donde Z
t
incluye variables endgenas. El contraste se basa en la diferencia entre un
estimador Tobit mximo verosmil (MLE), , y un estimador SCLS, mnimo cuadra-
do censurado simtricamente. El contraste de normalidad de Hausman, ser:
(6.81)
Los supuestos distribucionales del contraste podran ser afectados por especifica-
ciones errneas en la ecuacin [ Blundell y Meghir (1986)] . Por otro lado, cuando
existen distorsiones en el tamao el contraste podra sobrerrechazar la hiptesis nula
[ Newey (1987)] . Algunos autores como Chesher, Lancaster e Irish (1985) proponen
usar mtodos grficos para detectar fallas en los supuestos distribucionales. Aunque
el procedimiento es menos formal, podra informarnos preliminarmente sobre pro-
blemas de distribucin, y consiste en tomar los residuos y computar la funcin de
distribucin usando el mtodo de Kaplan-Meier (KPM). La comparacin visual de esta
funcin con respecto a la distribucin F se hace a travs de graficar F-1[KPM( )] contra
ICESI
128
JHON JAMES MORA
en el caso de una distribucin normal F = . Si el modelo es correcto, la grfica
que resulta ser continua [ Horowitz y Neuman (1989)] .
6.9.7. Contraste de correlacin contempornea
Considere el siguiente Probit bivariado:
(6.82)
Donde y*
1
y y*
2
son variables dependientes dicotmicas y {
1
y
2
} son normales
bivariadas con media cero varianza unitaria y correlacin . El vector de puntuacin
para este modelo viene dado por:
(6.83) , ,
Donde y son los residuos generalizados para las dos ecuaciones Probit. El
contraste estadstico viene dado por nR
2
de una regresin artificial de un vector de
unos sobre ( x
1
, x
2
, ). Una alternativa simple consiste en computar los
residuos generalizados, su correlacin al cuadrado r
2
, y usar nr
2
como una chi-
cuadrado con un grado.
Kiefer (1982) desarrolla un contraste Score para un Probit multivariado: l comienza
con el supuesto general de que la matriz de correlacin de los errores es R y crea un
contraste de puntuacin para la hiptesis R = I. Kiefer tambin desarrolla un
contraste para la hiptesis = 0 cuando R = (1-)I + ee , donde e es un vector de
unos; este contraste es bastante conveniente en modelos de efectos aleatorios con
datos de panel.
6.9.8. Contraste de sesgos de seleccin
El contraste para sesgos de seleccin fue el primer contraste de especificacin en
modelos con variables dependientes limitadas. Este contraste fue desarrollado por
Gronau (1974) y Heckman (1979). En trminos generales se le conoce como el
contraste de Heckman. El problema planteado parte del modelo de autoseleccin
tipo Heckman, de la forma:
(6.84)
ICESI
129
Y la ecuacin de seleccin es:
(6.85)
De esta forma, y*
1i
es observado e igual a y
1i
s y solo s y*
2i
> 0. Por lo tanto, y*
1i
es
censurado por la ecuacin de seleccin. Es tambin de esperar que
1i
y
2i
tengan
un grado de correlacin . Dado que y*
2i
es observado como una variable dicotmica,
normalizando (6.85) a travs de Var(
2i
) = 1, deberemos asumir:
(6.86) ~
Una estimacin por mnimos cuadrados ordinarios de (6.84) da como resultado
estimadores sesgados de
1
dado que E [
1i
| y*
2i
> 0] es diferente de cero; esta
expresin viene dada por
i
donde
i
es la razn de Mills. De esta forma (6.84) en
trminos de la variable observada y
1i
puede escribirse como:
(6.87) y
1i
=
1
x
1i
+
i
+
1i
donde E[
1i
] = 0
Una inspeccin de (6.87) nos muestra la naturaleza del error, esto es, la omisin de
i
. Dado que
i
no es observado, Heckman sugiere obtener el estimador preliminar
de con base en
2
, el Probit estimado de (6.85) y luego estimar (6.87) por mnimos
cuadrados ordinarios. Adicionalmente si es igual a cero no existirn sesgos.
Melino (1982) muestra que el contraste de significancia de
i
en (6.87) es un contraste
de puntuacin sobre = 0. El modelo puede ser estimado en dos etapas, sin embargo,
existen restricciones: Si x
2i
contiene solamente una constante entonces
i
es una
constante y el coeficiente no es estimable; si
i
es una funcin lineal de los
componentes de x
1i
entonces se producir multicolinealidad, esto ocurre cuando x
2i
contiene solamente variables dummy (falsas) y x
1i
incluye las mismas variables
dummy y sus combinaciones. Usando ML el problema puede resolverse, sin embar-
go la estimacin bajo ML tiene como problema que se podra entrar en un LOOP al
buscar convergencia, y en muchas ocasiones podra encontrarse mximo locales y
no globales. Recientemente se ha popularizado el estimador ML provisto por el
programa LIMDEP para este tipo de Modelos; Nawata (1993a, 1993b) ha demostra-
do cmo los estimadores obtenidos por LIMDEP no son confiables. Olsen (1982)
muestra que la funcin de verosimilitud para el modelo de seleccin tiene un nico
mximo condicionado sobre . Olsen, sugiere que uno puede obtener estimadores
ML condicionados sobre y examinarlos en . El procedimiento ha sido usado por
Nawata, mostrando que este procedimiento da resultados ms confiables que usar
el programa LIMDEP.
ICESI
130
JHON JAMES MORA
6.9.9. Contraste de estabilidad
No es muy comn contrastar estabilidad en modelos de variables dependientes
limitadas, sin embargo, Anderson (1987) abre el camino en este tipo de contrastes.
Anderson propone comparar el logaritmo de la verosimilitud cuando el modelo es
regresado sobre un perodo, con respecto a un perodo posterior. El trabajo se
inspira en el contraste de estabilidad de Chow, extendindose el uso de las variables
dummy a los modelos Tobit y Probit. Hoffman y Pagan (1989) sugieren, siguiendo a
Anderson, definir primero un perodo de 1 hasta s y un perodo de s+ 1 hasta s+ S,
y elaborar el estadstico:
(6.88)
Donde son los estimadores de puntuacin. La media de los perodos del estima-
dor posterior deber ser cercana o igual a cero en el caso de estabilidad en los
parmetros. La varianza asinttica de ser S(1+ k)I
[ Hoffman y Pagan (1989)]

donde K = s/S. De esta forma, el contraste estadstico ser:
(6.89)
el cual sigue una distribucin chi-cuadrada con s grados de libertad. Este contraste
puede ser aplicado a cualquier modelo de variables dependientes limitadas y se
estima por mxima verosimilitud.
6.9.10. Contraste de exogeneidad
En modelos de ecuaciones simultneas que involucran variables dependientes limi-
tadas, Groger (1990) considera un contraste de exogeneidad tipo Hausman a travs
de una estimacin de mnimos cuadrados ordinarios no-linelaes. Smith y Blundell
(1986) consideran el siguiente modelo:
(6.90) ; y
~
ICESI
131
Donde y*
1i
no es observado. La hiptesis para probar exogeneidad consiste en
Ho:
12
= 0. Smith y Blundell sugieren:
Suponga que
1i
=
2i
+ e
1i
y sustityalo en (6.90)
Denote Var(e
1i
) =
12
Estime y*
1i
= y
2i

1
+ x
1i
1
+
2i
+ E
1i
como un Probit y pruebe la hiptesis
Ho: = 0. Smith y Blundell a este estimador, el estimador condicional ML.
Rivers y Voung (1988) consideran el mismo modelo que Blundell y Smith pero en un
contexto Probit y Vella y Verbeek (1993) lo consideran para el caso de un modelo de
panel.
6.10. Variables latentes
Las variables latentes representan conceptos unidimensionales en su ms pura
forma, puede decirse que se trata de variables abstractas como inteligencia, paisaje,
etc. Como todas las variables latentes corresponden a conceptos, ellas son varia-
bles hipotticas que varan en su grado de abstraccin: inteligencia, clase social,
poder y expectativas son variables latentes abstractas creadas en la teora. Variables
menos abstractas son la educacin y el tamao de la poblacin.
Un ejemplo es la hiptesis de Emile Durkheim sobre la relacin inversa entre la cohesin
social y el suicidio: la cohesin social se refiere a la solidaridad de grupo, la cual es una
variable abstracta; el suicidio es directamente observable, pero la relacin directa-
indirecta es muy dbil de acuerdo con la misma clasificacin de los suicidios.
Un modelo latente se acompaa de un conjunto de ecuaciones estructurales que
resumen las relaciones entre las variables latentes. Bollen (1989) usa las relaciones
entre la democracia poltica y la industrializacin en pases desarrollados, para
introducir la nocin de modelos de variables latentes. Dado que algunas sociedades
han alternado entre dictaduras y regmenes electorales, es difcil discernir si la
asociacin realmente existe. La democracia poltica se refiere a la extensin de los
derechos polticos (imparcialidad de las elecciones) y libertades polticas (libertad de
prensa) en un pas. La industrializacin es el grado en el cual la economa de una
sociedad se caracteriza por el proceso de manufactura mecanizado, esto implica
riqueza social, poblacin educada, avances en el estndar de vida, y stas son las
oportunidades de una democracia.
Suponga que se tienen tres variables latentes aleatorias: democracia poltica en 1965
y 1960 e industrializacin en 1960. Uno podra asumir que la democracia poltica en
1965 es una funcin de la democracia poltica e industrializacin de 1960. No existe
nada que nos diga que el nivel de industrializacin es una variable latente exgena
(independiente) y se simboliza como
1
, esta es exgena, en tanto sus causas estn
por fuera del modelo. La variable democracia poltica es una variable latente endgena,
ella est determinada por variables en el modelo, cada variable latente es represen-
ICESI
132
JHON JAMES MORA
tada por
i
. De esta forma, la democracia poltica en 1960 es representada por
1
y la
democracia poltica en 1965 por
2
, las variables latentes endgenas son parcialmente
explicadas en el modelo y el componente no explicado
i
es un trmino aleatorio; de
esta forma, el modelo de variables latentes para el ejemplo ser:
(6.91)
Escribindolo en notacin matricial:
(6.91.1)
Compactamente, tenemos:
(6.92)
Adems, E( ) = 0, E( ) = 0, E( ) = 0 y no esta correlacionado con . Por otro
lado, (I-B) es no singular. De esta forma (6.92) es una matriz general que representa
las ecuaciones estructurales para un modelo de variable latentes.
6.10.1. Ecuaciones estructurales con variables observadas
La ecuacin (6.92) es una representacin general de ecuaciones estructurales con
variables observadas de la forma:
(6.93)
Donde y es un vector de variables endgenas de m1, B es una matriz de coeficien-
tes de mm, es una matriz de coeficientes de mn, x es un vector de variables
exgenas n1 y es un vector de errores en las ecuaciones de m1. Los
representan los errores aleatorios en las relaciones entre los y
i
s y los x
i
s. El supuesto
estndar consiste en que los errores no estn no-correlacionados con x. Por otro
lado, E(
2
ik
) = Var
i
k y Cov(
ik
,
il
) = 0 k l.
El modelo implcito para las ecuaciones estructurales con variables observadas, ser:
(6.93.1)
Los modelos recursivos son sistemas de ecuaciones que tienen casualidad no
recproca como en 6.3.a o retroalimentacin como en 6.3.b. Cuando esto es cierto
es posible denotar a B como una matriz triangular inferior, adicionalmente la matriz
ICESI
133
de covarianzas de los errores en las ecuaciones () ser diagonal, esto significa que
los errores para una ecuacin no estn correlacionados con los errores de las otras
ecuaciones. Por ejemplo, si y
1
causa y
2
, y
2
no tiene efecto sobre y
1
ni directamente,
ni a travs de alguna relacin con otras variables, veamos:
McDonald y Clelland (1984) proponen el siguiente modelo, el cual representa el deseo
de unin de los trabajadores textiles en el suroeste de los Estados Unidos. Donde x
1
representa los aos en la fbrica de textiles, x
2
representa la edad, y
1
la sumisin al
empresario, y
2
el apoyo a las actividades de los trabajadores y, y
3
la propensin hacia
las uniones.
GRFICA 6.3.a. Causalidad unidireccional. GRFICA 6.3.b. Retroalimentacin.
GRFICA 6.3.c. Retroalimentacin en un modelo de sindicatos.
ICESI
134
JHON JAMES MORA
El ordenamiento causal de McDonald y Clelland consiste en que la sumisin influencia
la actitud hacia el activismo y
2
y las uniones y
3
, y el activismo afecta el sentimiento de
unin. Por otro lado, los 's errores no estn correlacionados a travs de las
ecuaciones. La ecuacin en trminos matriciales ser:
(6.94)
6.10.2. La Matriz de covarianzas
La hiptesis del modelo de ecuacin estructural general, consiste en
(6.95)
Donde es la matriz de covarianzas de la poblacin de y e x, y () es la matriz de
covarianzas como funcin de un modelo de parmetros libres en . La ecuacin
(6.92) implica que cada elemento de la matriz de covarianzas es una funcin de uno
o ms parmetros del modelo. La relacin entre y () es fundamental para
entender la identificacin y estimacin del modelo ajustado.
La matriz de covarianzas () rene los siguientes elementos: Primero, la matriz de
covarianzas de y. Segundo, la matriz de covarianzas de x con y. Tercero, la matriz de
covarianzas de x. Considrese primero
yy
(), esto es, la matriz de covarianzas de y:
(6.95.1)
Donde es la matriz de covarianzas de x, es la matriz de covarianzas de y. La
matriz de covarianza de x,
xx
(), es igual a , esto es:
(6.95.2)
ICESI
135
La parte final de la matriz de covarianzas es
xy
(), esto es, la covarianza de x con y:
(6.95.3)
De esta forma, encontramos que () ser:
(6.96)
6.10.3. Identificacin
La identificacin del modelo (6.96) con una o ms ecuaciones, requiere una investi-
gacin de cules parmetros son conocidos y desconocidos. Por parmetros cono-
cidos entindase aquellos que pueden ser identificados, estos parmetros general-
mente son caractersticas de la poblacin y de la distribucin de las variables obser-
vadas como las varianzas y covarianzas para los cuales los estimadores de la
muestra son consistentes. Los parmetros desconocidos son aquellos parmetros
cuyo estatus de identificacin no es conocido, estableciendo entonces el investiga-
dor cundo existen valores nicos para estos.
El modelo se encuentra identificado si se muestra que los parmetros desconocidos
son funciones solamente de los parmetros identificados, y que estas funciones
llevan a soluciones nicas. Suponga que la Var(y) es el parmetro identificado,
1
y
2
son parmetros desconocidos, y la ecuacin que los relaciona es Var(y) =
1
+
2
.
La identificacin deber establecer cuando se alcanzan valores nicos de
1
y
2
en
esta ecuacin. Claramente con dos parmetros desconocidos
1
,
2
en una sola
ecuacin, la identificacin no es posible. Para algn valor dado de Var(y) un conjunto
infinito de valores de
1
y
2
satisfacen dicha ecuacin. Sin embargo, adicionando
una segunda ecuacin
1
=
2
se puede asegurar la identificacin por la cual cada
parmetro ser igual a .
Este principio general deber mantenerse para ecuaciones estructurales ms com-
plicadas. Los parmetros cuya identificacin es desconocida estn en y contiene
t libres parmetros restringidos(no-redundantes) de B, , y . La ecuacin que
relaciona a es la hiptesis de la estructura de la covarianza = (). Este principio
ICESI
136
JHON JAMES MORA
general lo enuncia Bollen de la siguiente forma "Si un parmetro desconocido en se
escribe como una funcin de uno o ms elementos de , este parmetro es identifi-
cado, si todos los parmetros desconocidos en son identificados, entonces el
modelo es identificado".
Un conjunto ms apropiado de identificacin es conocido como la regla t, la regla del
B nulo, la regla recursiva y las condiciones de rango y orden.
6.10.3.1. Regla t
Esta es la condicin ms sencilla, pero no es una condicin suficiente. La regla t,
parte de que el nmero de elementos no-redundantes en la matriz de covarianzas de
las variables observadas deber ser mayor o igual al nmero de parmetros desco-
nocidos en , esto es:
(6.97)
Donde, p+ q es el nmero de variables observadas y t es el nmero de parmetros
libres en .
6.10.3.2. Regla del B nulo
En un modelo multiecuacional donde las variables que no son endgenas afectan a
alguna variable endgena, la matriz B es cero. Veamos:
(6.98)
La matriz B es cero dado que y
1
no afecta a y
2
, ni y
2
afecta y
1
. De esta forma se
establece que la identificacin de algn modelo donde B es cero, los parmetros
desconocidos en , y son funciones de los parmetros identificados de .
Sustituyendo B= 0 en (6.96) y particionando , obtenemos:
(6.99)
Como puede observarse =
xx
, por lo cual es identificado. Por otro lado:
(6.100)
ICESI
137
De esta forma, es una funcin conocida que se identifica a partir de las matrices de
covarianzas y que en s misma es identificada. Tambin podemos observar que:
(6.101)
Entonces, cuando B= 0, , y , pueden escribirse como funciones de las matrices
de covarianzas identificadas de las variables observadas. Si los errores de una
ecuacin no estn correlacionados con aquellos de las otras ecuaciones, en un
sistema ( es diagonal), entonces esas ecuaciones pueden tratarse como separa-
das o no relacionadas. Si no es diagonal y los errores de las ltimas dos ecuaciones
estn correlacionadas, entonces tal modelo ser llamado "Seemingly unrelated
regresions". La regla B nula es una condicin suficiente para identificar un modelo.
6.10.3.3. Regla recursiva
A diferencia de la regla anterior, la regla recursiva no requiere que B= 0; para aplicar
la regla recursiva B deber ser una matriz triangular, y diagonal. Una condicin
ms exacta para B, consiste en que sta sea una matriz triangular inferior. Si ambas
condiciones se mantienen, el modelo est identificado. Supongamos el modelo de
sindicatos de la grfica 6.3.c:
(6.102)
Una propiedad para todos los modelos recursivos consiste en que para una ecua-
cin dada, el trmino de error no est correlacionado con las variables explicatorias.
De esta forma, cov (x
2
,
2
) = 0, cov (x
3
,
1
) = 0 y cov (x
2
,
3
) = 0, y de igual forma para
cov (
2
, y
1
)= cov (
2
,
2
x
2
+
1
) = 0. As,
2
no est correlacionado con y
1
y x
2
, las dos
variables explicatorias de la segunda ecuacin, y de igual forma cov (
3
, y
1
)= 0 y
cov (
3
, y
2
)= 0. En general, para la i-sima ecuacin en algn modelo recursivo,
i
no
est correlacionado con las variables endgenas, las cuales son variables explicatorias
en esa ecuacin; esto se debe a que las variables endgenas estn en funcin de las
variables exgenas y de los errores de las otras ecuaciones, los cuales no estn
correlacionados con
i
.
6.10.3.4. Condiciones de rango y orden
Si una condicin de restriccin en una ecuacin se determina a partir de las variables
excluidas, entonces "una condicin necesaria para que una ecuacin sea identifica-
ICESI
138
JHON JAMES MORA
da consiste en que el nmero de variables excluidas de la ecuacin sea al menos
p-1 ". Considere el modelo:
(6.103)
Multiplicando ambos lados por N y tomando el valor esperado:
(6.104)
Si B'
i
y '
i
son funciones solamente de los elementos de las covarianzas de '
yix
y
Zix
,
ellos son identificados. Una condicin necesaria consiste en que el nmero de
ecuaciones en (6.104) sea al menos igual al nmero de parmetros libres descono-
cidos en . El nmero de ecuaciones es el nmero de elementos en '
yix
, esto
es, q. De esto se sigue que q covarianzas con y
i
resultan de q variables en x. El
nmero de parmetros desconocidos en B'
i
es (p-1) y en '
i
es q. De esto se deduce
que, con q ecuaciones en (p-1) + q desconocidos, B'
i
y '
i
no pueden ser identifica-
dos, entonces los (p-1) + q desconocidos debern ser reducidas a q.
La condicin de orden se define propiamente como "si las variables excluidas son
solamente el tipo de restricciones, entonces las (p-1) variables debern ser excluidas
de la i-sima ecuacin para que sea posible la identificacin" Bollen. Suponga el
siguiente modelo:
(6.105)
Y suponga que en la primera ecuacin
13
y
12
no sean restringidas a cero, entonces:
(6.105.1)
El cual tiene la misma forma que (6.103). Multiplicando ambos lados por las
variables exgenas y tomando valores esperados:
(6.105.2)
El resultado son dos ecuaciones para cuatro desconocidas (B
12
, B
13
,
11
,
12
) y es claro
entonces que una nica solucin no es posible, la condicin de orden requiere (p-1)
o 2 exclusiones de la primera ecuacin. La especificacin de
13
= 0 y
12
= 0 satisface
este requerimiento, as que a partir de la primera ecuacin, se encuentra una condi-
cin suficiente para la identificacin.
ICESI
139
Una forma para revisar la condicin de orden para todas las ecuaciones en el modelo
consiste en formar una matriz C, la cual es [ (1-B)| -] . As, para cada fila se cuenta
el nmero de ceros, si una fila tiene (p-1) o ms ceros, esta es una condicin de
orden. Para el ejemplo anterior, tendremos:
(6.105.3)
Cada fila en (6.105.3) tiene (p-1) o 2 exclusiones, as que se satisface la condicin de
orden. De igual forma la condicin de orden nos brinda una regla para detectar
sobreidentificacin para modelos no recursivos. Con libres de sobreidentificacin,
sta podr ocurrir si es posible producir una nueva ecuacin con la misma forma
pero con parmetros diferentes de una ecuacin anterior, a travs de usar una
combinacin lineal de las otras ecuaciones en un modelo, esto ocurre cuando dos
o ms ecuaciones tienen restricciones idnticas, veamos:
(6.106)
Suponga que se excluye x
2
de ambas ecuaciones (
12
=
22
= 0), entonces la matriz C
ser:
(6.106.1)
La condicin de orden para ambas ecuaciones consiste en hallar si cada ecuacin
tiene una exclusin (p1). Multiplicando la segunda fila de (6.106.1) por una cons-
tante a y al sumar este resultado a la primera fila, se obtiene:
(6.106.2)
Dividiendo cada elemento de la primera fila por (1-a
21
) se obtiene:
(6.106.3)
ICESI
140
JHON JAMES MORA
Donde . La primera ecuacin representada por
la primera fila de C* en (6.106.3) tiene la misma forma y las mismas variables excluidas
que C en (6.105.3). De esta forma, existir un infinito conjunto de valores para *
12
y
de *
11
pero que no son iguales al verdadero B
12
y
11
, es por esta razn que B
12
y
11
no son identificados incluso cuando se satisface la condicin de orden. Este procedi-
miento es sencillo con dos ecuaciones, pero en sistemas complejos multiecuacionales
no es tan viable. Para determinar la regla del rango con C { [ (I-B)| -] } revise la
identificacin para la i-sima ecuacin, borre todas las columnas de C que no tengan
ceros en la i-sima fila de C y use las columnas que quedan para construir una nueva
matriz C. Y de esta forma, una condicin suficiente y necesaria para la identificacin
de la i-sima ecuacin consistir en que el rango de C
i
sea igual a p-1. Esta es la
condicin de rango de Bollen.
A manera de ilustracin considere (6.106) y la C matriz es (6.106.1) y examinemos
la identificacin de la primera ecuacin: solamente existen ceros en la primera fila en
la cuarta columna, de esta forma se borran las 3 columnas y C
i
queda como:
(6.106.3.1)
Dado que el rango de una matriz o vector es el nmero de filas independientes y
columnas, con ambos elementos de C
1
cero, su rango ser cero; con un rango menor
que uno, la primera ecuacin no es identificable como se demostr anteriormente.
Para la segunda ecuacin de C en (6.106.1) C
2
ser:
(6.106.3.2)
Excepto cuando
11
es cero, el rango de C
2
ser uno, lo cual satisface la condicin
de rango y entonces la segunda ecuacin es identificada.
Haavelmo (1953) desarrolla un modelo de propensin marginal a consumir, esto es,
la parte del ingreso disponible para comprar bienes de consumo. De esta forma, si
este ingreso es igual a los gastos en inversin (x
1
), a un gasto en consumo y
2
y los
gastos en consumo estn en funcin del ingreso disponible y
1
ms un trmino de
error , el sistema de dos ecuaciones ser:
(6.107)
ICESI
141
En trminos matriciales:
(6.107.1)
La matriz C ser:
(6.107.2)
La matriz, C
2
ser:
(6.107.3)
El rango es uno, lo cual satisface la condicin de rango, por lo tanto es identificada.
6.10.3.5. Resumen de las reglas de identificacin
Las reglas de identificacin para ecuaciones estructurales con variables observadas
asumiendo que no existen errores de medicin, esto es , ser:
Reglas de Evala Requisitos Condicin Condicin
identificacin necesaria suficiente
t-regla Modelo t (1/2)(p+ q)(p+ q+ 1) S No
Regla B nulo Modelo B = 0 No S
Regla recursiva Modelo B triangular, diagonal No S
Condicin de Orden Ecuacin Restriccin p-1, libre S No
Condicin de rango Ecuacin Rango (C
i
) = p-1, libre S S
6.10.4. Estimacin
El procedimiento de estimacin se deriva de la relacin de la matriz de covarianzas
de las variables observadas a los parmetros estructurales. De esta forma:
(6.108)
Si el modelo de ecuaciones estructurales es correcto y los parmetros de la pobla-
cin son conocidos, entonces ser igual a (). La forma de estimar el modelo de
ICESI
142
JHON JAMES MORA
ecuaciones estructurales se realiza a travs de una funcin de mximo verosimilitud,
donde dicha funcin se ajusta maximizando:
(6.109)
Donde S es la matriz de covarianzas para y
i
y x
i
. A travs de este procedimiento se
obtendrn estimaciones maximoverosmiles. Mora (1997), supone el siguiente mo-
delo: Supngase que el paisaje rural es una variable latente. Debido a que existen
diferentes caractersticas que determinan un paisaje supondremos que este tiene
cuatro indicadores principales, como se observa en la siguiente grfica:
Con
(6.110) ;

Donde el paisaje es la variable latente y es el verdadero paisaje. El P indicador
del paisaje en P
*
i
sirve como indicador de la variable latente , el verdadero paisaje.
Sin prdida de generalidad, si el indicador es centrado alrededor de cero, de tal
forma que P*
i
tiene un valor extremo, con los parmetros consistentes de los
elementos de , la varianza de P*
i
, , y la varianza del error. Tomando segundos
momentos a ambos lados de la ecuacin (6.110)
ICESI
143
(6.111)
(6.112) Cov( ) =
Donde ; ;
Siguiendo a Bollen (1989), el modelo anterior puede ser identificado siempre que
t 1/2(p)(p+ 1), es decir, t < 10 factores desconocidos. A travs de (6.111) se obtiene:
(6.113)
En (6.113) existen 10 elementos desconocidos, escribiendo cada elemento en la
matriz de covarianzas P1, P2, P3, P4 en trminos de sus correspondientes parme-
tros estructurales y haciendo
11
= 1 para escalar
1
y poder identificar (), se
encuentran 9 ecuaciones con 9 elementos desconocidos, lo que lleva a una solucin
para los parmetros desconocidos. Con este resultado, se calcula (6.113). De Saris
(1978) se conoce adems:
(6.114)
Se podr observar adems que es un indicador imperfecto de si
y si es un indicador perfecto de . Entonces, obtenemos (6.114)
como una aproximacin del paisaje y su funcin de verosimilitud vendr dada por:
(6.115)
Donde . Para estimar (6.115) se requiere estimar (6.113) a travs de
mxima verosimilitud; los resultados encontrados usando una encuesta sobre paisa-
je, que se describe en el captulo 9, fueron:
ICESI
144
JHON JAMES MORA
[ -0.00026]
Bollen (1989), provee el siguiente contraste de sobreidentificacin:
(6.116) FML
Y FML donde Ho= MAIC= Min AIC. El resultado encontrado
fue FML = 0.389563; dado este valor, bajo H
0
no existe sobreidentificacin, esto es,
no existe suficiente evidencia estadstica para rechazar H
0
.
Bibliografa
AIGNER, D.J AND GOLDBERGER. (1977). Latent variables in socioeconomic models, North Holland.
AMEMIYA, T. (1994). Introduction to statistics and econometrics, Harvard University Press.
. (1981). "Qualitative response models: a survey", Journal of economics history, vol.
XIX, pp. 1483-1536.
. (1974). " Tobit models : A Survey ", Journal of econometrics, 24, pp- 3-63.
ANDERSON, G.J. (1987). "Prediction test in limited dependent variable models", Journal of
econometrics, 34, pp.253-61.
BERA, A.K., JARQUE, C.M. Y L.F, LEE. (1984). "Testing the normality assumption in limited
dependent variable models", International economic review, 25, pp.563-78.
BLUNDELL, R. AND C, MEGHIR. (1986). "Selection criteria for microeconomic model of labor
supply", Journal of applied econometrics, 1, pp.55-82.
BOLLEN, K. (1989). Structural equations with latent variables, John Wiley Sons.Inc.
BRANNAS, K AND T, LAITILA. (1989). "Heterocedasticity in the tobit model", Statistical papers, 30,
pp.185-196.
ICESI
145
BREUSH, T.S AND A.R, PAGAN. (1980). "The lagrange multiplier test and its applications to model
specification in econometrics", Review of economic studies, 47, pp. 239-53.
BYRON, R.P. (1969) " A simple model for estimation demand systems under separable utility
assumptions". Review of economic studies, pp. 261-274.
CESARIO, F.J. AND J. L, KNETSH. (1970). "Time bias in recreation benefit estimates", Water
resources research, 6, pp.700-704.
CHAMBERS, E.A AND COX, D.R. (1967)."Discrimation between alternative binary response
models". Biometrika. Vol 4, nums (3-4), pp. 573-78.
CHAMBERLAIN, G. (1980). "Analysis of covariance with qualitative data". Review of economic
studies, Jan, pp. 225-38.
CHESHER, A.D. (1984). "Testing for neglected hetoregeneity", Econometrica, vol. 52, pp.865-
72.
, LANCASTER, T. AND M. IRISH. (1985). "On detecting the failure of distributions assumptions",
Annals de L INSEE, 59, pp. 7-44.
COX, D.R. (1983). "Some remarks on overdispersion", Biometrika , 70,pp.269-74.
DAVIDSON, R AND J.G, MACKINNON. (1989). "Testing for consistency using artificial regressions"
Econometric Theory, 5, pp.363-84.
.(1984). "Convenient specification test for Logit and Probit models", Journal of
econometrics, 25, pp. 241-62.
DOMENCICH, T.A AND D, MCFADDEN. (1975). Urban travel demand, Amsterdam, North holland.
DUDLEY, L. AND MONTMARQUETLE, C. (1976). " A model of the supply of bilateral foreign aid"
American economic review, March pp.132-42.
DURBIN, J. (1954). "Errors in variables", Review of the international statistical institute, 22,
pp.22-32.
EYE VON, A AND C, CLOGG. (1994). Latent variable analysis: Applications for development
research, Sage Publications.
GOLDBERGER, A.S. (1983). "Abnormal selection bias" en Karlin, Amemiya y Goodman (comps.),
Studies in econometrics, Time series and multivariate analysis, New York, Academic
Press.
GAURIROUX, C.A, MONFORT, E.R Y A, TROGNON. (1987). "Generalized residuals", Journal of
GREEN, W.H. (1999). Anlisis economtrico, Tercera edicin, Prentice Hall Iberia.
GROGGER, C. (1991). "Model for truncated counts", Journal of applied econometrics, vol. 6, pp.
225-38.
GROGGER, J. (1990). "A simple test for exogeneity in probit, logit and poisson regression
models", Economics letters, 33, pp. 329-32.
GRONAU R. (1976). "The allocation time of Israel women". Journal of Political economic, Aug,
pp.201-20.
HAUSMAN, J. (1978). "Specification test in econometrics", Econometrica, vol.46, pp.1251-71.
HALL, W.J AND D.J, MATHIASON. (1990). "On large sample estimation and testing in parametric
models", International statistical review, 58, pp.77-97.
ICESI
146
JHON JAMES MORA
HARVEY, A. (1976). "Estimating regression models with multiplicative heteroskedasticity".
Econometric, 44, pp. 461-465.
HECKMAN, J. (1979). "Sample selection bias as a specification error", Econometrica, 47,
pp.153-61.
-.(1998). "Detecting discrimination", The journal of economic perspectives, vl 12,
num.2, pp. 101-18, spring.
. (1974). "Shadow prices, market wages and labor supply", Econometrica, 42,
pp.679-94.
HOFFMAN, D AND A.R, PAGAN. (1989). "Post-sample prediction test for generalized method of
moments estimators", Oxford bulletin of economics and statistics, 51, pp. 333-44.
HOROWITZ, J.L AND G.R, NEUMAN. (1989). "Specification testing in censored regression models:
parametric and semiparametric methods", Journal of applied econometrics, 4, pp.s61-
s86.
KEALY, M.J AND R.C, BISHOP. (1986). "Theoretical and empirical specifications issues in travel
cost demand studies", American journal of agricultural economics, august, pp. 660-67.
KIEFER, N.M. (1982). "Testing for dependence in multivariate Probit models", Bometrika, 69,
pp.161-6.
LANCASTER, T. (1984). "Test of specification in econometrics", Econometrics review, 3, pp.211-
42.
LEE, L.F. (1978). "Unionism and wage rates : A simultaneous equations model with qualitative
and limited dependent variables. International economic review Jun, pp. 415-34.
MCDONALD, J. A, AND D.A CLELLAND. (1984). "Textile workers and union sentimen". Social
Forces 63; pp.502-521.
MCFADDEN, D. (1974). "Conditional logit analysis of qualitative choice behavior" in fronters in
econometrics edited by P. Zarembka, New York: Academic Press, pp. 105-42.
-.(1981). "Econometric models of probabilistic choice", in structural analysis discrete
date, edited by C.F Mansky and D. McFadden. Cambridge Mass: Mit Press.
MACKINNON, J.G. (1992). "Model specification test and artificial regressions", Journal of economic
literature, vol. 30, pp.102-46.
MACREALY, G AND C.M, DAYTON. (1994). "Latent class model for longitudinal assessment of trait
acquisition", en Alexander Von Eye, Clifford C Clogg (comps.), Latent variable analysis:
application for development research.
MADDALA, G.S. (1995) "Specification test in limited dependent variable models" en Phillips,
P.C.B.,
NELSON, F. "Censored regression models with unobserved stochastic censoring thresholds".
Econometric 6, pp.309-327.
NELSON, F Y L.. OLSON. "Specification and estimation of a simultaneous equation model with
limited dependent variables". International economic review, Oct , pp.695-710.
PAGAN, A. R AND PARK, Y. (1993). "Testin for heteroskedasticity in G.S maddala". C.R Rao an
H.D vinod (eds), Handook of Statistic Vol. 11 Amsterdam : North-Holland, pp.489-518.
PENCAVEL, J.H. (1979). "Market work decisions and unemployment of husbands and wives
in the seatle and Denver income maintenance experiments". Mimeographed. April.
ICESI
147
RAO, C.R AND MITRA, S.K. (1971). "Generalid inverses of matrices and its applications, New
York : Wiley.
SRINVASAN, T.N (comps. ), Advances in econometrics and qualitative variables, Basil Blackwell.
(1994) Econometrics methods and applications, Volume II, Edward Edgar Publishing.
(1983) Dependent and qualitative variables in econometrics, Cambridge, Cambridge
University Press.
PHILLIPS, P.C.B., SRINVASAN, T.N (1995). Advances in econometrics and qualitative
variables, Basil Blackwell.
, AND F.D, NELSON. (1975). "Specification errors in limited dependent variable models"
NBER Working paper series, No 96.
, AND L.F, LEE. (1985). "The common structure of test for selectivity bias, serial
correlation, heterocedasticity and non-normality in the Tobit model", International economic
review, 26,pp.1-20
MELINO, A. (1982). "Testing for sample selection bias ", Review of economic studies, 49,
pp.151-3.
MORA, J.J. (1997). "Aspectos microeconmicos del paisaje", Boletn Socioeconmico, nm.
30, pp.81-97.
(2001). El efecto de las caractersticas socioeconmicas sobre la consistencia en la
toma de decisiones: Un anlisis experimental, Borradores de Economa y Finanzas, 01,
mayo, Universidad Icesi.
NAWATA, K. (1993a). "A note on the estimation of models with sample selection biases",
Economic letters, 42, pp.15-24.
(1993b). "Estimation of sample selection biases models", Manuscript, Dept of economics,
University of Western, Australia.
NEWEY, W.K. (1985). "Maximum likelihood specification testing and conditional moment test",
Econometrica, vol. 53, pp.1047-73.
(1987). "Specification test for distributional assumptions in the Tobit model", Journal
of econometrics, vol. 34, pp.125-45.
OLSEN, R. (1982). "Distributional test for selectivity bias and more robust likelihood estimator",
International economic review, 23, pp. 233-40.
ORME, R.J. (1990) "The small-sample performance of the information matrix test", Journal of
(1992). "Efficient score test for heterocedasticity in microeconometrics", Econometrics
review, 11, pp. 235-52.
PAGAN, A.R AND F, VELLA. (1989). "Diagnostic test for models based on unit record data: a
survey", Journal of applied econometrics, 4, pp. 175-94.
, AND Y, PARK. (1993). "Testing for heterocedasticity " en G.S.Maddala., C.R. Rao and
H. D. Vinod (comps.) Handbook of statistic, vol.11, Amsterdam: North-Holland, pp.489-
518.
POWELL, J.L. (1986). "Symmetrically trimmed least squares estimation for Tobit models",
ICESI
148
JHON JAMES MORA
PREGINON, D. (1980). " Goodness of link test for generalized linear models", Applied statistics,
29, pp.15-24.
RAO, C.R. (1947) "Large sample test of statistical hypothesis concerning several parameters
with applications to problems of estimation", Proceedings of the Cambridge philosophical
society, 44, pp.50-7.
(1973). Linear statistical inference and its applications, New York, John Wiley and
Sons.
AND MITRA, S.K. (1971). Generalized inverses of matrices and its applications, New
York, John Wiley and Sons.
RUUD, P.A. (1984). "Test of specification in econometrics", Econometric reviews, 3, pp.211-42.
SCHMID, P. AND STRAUSS, R.P (1975). " The prediction of occupation using multiple logit model".
International economic review; June, pp. 47-86.
SILVEY, S.D. (1959). "The lagrangian multiplier test", Annals of mathematical statistics, nm
7.pp.389-407.
SKEELS, C.L AND F, VELLA. (1993). The performance of conditional moment test in Tobit and
Probit models. ANU, Camberra.
SMITH, R. (1989). "On the use of distributional misspecification checks in limited dependent
variable models", Economic journal, supplement, 99, pp.178-92.
, AND BLUNDELL, R. (1986) "An exogeneity test for simultaneous equation Tobit model
with application to labor supply", Econometrica, vol. 54, pp. 679-85.
WEDDERBURN. (1976). "Quasi-likelihood functions, generalized linear models, and the gauss
newton method", Biometrika, vol.61, num. 3, pp. 439.
WESTIN, R.B AND GUILLEN, D.W. (1978)." Parking location and transit demand : A case study
of endogenous attributes in disaggregate mode choice functions". Journal of econometric,
8, pp. 75-101.
TAYLOR, L. (1991). "Testing exclusion restricctions for misspecified Tobit model", Economics
letters, 37, pp.411-16.
TAUCHEN, G. (1985). "Diagnostic testing and evaluation of maximum likelihood models",
Journal of econometrics, 30, pp.415-43.
TUKEY, J.W. (1949). "One degree of freedom for non-additivity", Biometrics, 5, pp. 232-242.
WHITE, H. (1982). "Maximum likelihood estimation of misspecified models", Econometrica,
vol 50, pp.1-25.
WU, D.M. (1973). "Alternative test of independence between stochastic regressors and
disturbances", Economtrica, vol.41, pp.134-39.
ICESI
149
Generalmente las elecciones de los consumidores involucran elecciones discretas
como usar gas o no, usar energa elctrica o no, comprar un automvil o no, etc.
En los captulos anteriores hemos considerado a un individuo que elige una alterna-
tiva de un conjunto de elecciones finitas A. Si en A se cumplen los axiomas de
completitud, reflexividad y transitividad, y dado que A es finita, entonces una alterna-
tiva ptima a* A para el individuo est definida como la alternativa a* a a A,
por lo cual es posible encontrar una funcin de utilidad que represente las preferen-
cias individuales,esto es, existe una funcin U() que satisface la propiedad U(a* )
U(a) si y solo si a* a cuando la alternativa a* maximiza U sobre A.
La anterior aproximacin ha sido criticada por siclogos como Thurstone (1927),
Luce y Supes (1955), Tversky (1969) y por economistas como Georgescu-Roegen
(1958), Quandt (1956) y Macfadden (1981, 1986), ya que implica fuertes postulados
sobre el poder discriminatorio de los agentes, as como una capacidad ilimitada de
procesar informacin.
Para Tversky, cuando se realiza una eleccin entre varias alternativas, las personas
parten de experiencias inciertas e inconsistentes. Esto es, las personas no estn
seguras sobre cul alternativa deberan seleccionar, as como tampoco toman siem-
pre la misma eleccin bajo condiciones parecidas. Este comportamiento, aparente-
mente irracional, lleva al autor a concluir que "el proceso de eleccin debe ser visto
como un proceso probabilstico" (Tversky, 1972, p. 281).
Naturalmente, deberemos preguntarnos qu factores determinan dicha probabili-
dad. Es decir, el comportamiento de los agentes es intrnsecamente probabilstico o
el modelador no puede representar el comportamiento del consumidor, o ambos.
Con respecto a lo primero, Quandt (1956) arguye que una alternativa puede ser vista
como un conjunto finito de caractersticas, donde las preferencias son definidas
directamente sobre las caractersticas e indirectamente sobre las alternativas.
Modelos de utilidad discreta
7
ICESI
150
JHON JAMES MORA
Para Quandt, puede que las personas, en alguna ocasin, consideren algunas caracters-
ticas de una alternativa y/o cometan un error al evaluar la importancia de una caracterstica
asociada con una alternativa; de esta forma, las circunstancias bajo las cuales las
elecciones son efectivamente realizadas pueden "perturbar" la percepcin y/ o la
deseabilidad de una alternativa. Quandt cita el siguiente ejemplo: Un hombre que
compra vino, podra comprar una botella sin tener en cuenta la cosecha, pero ante la
presencia de un catador de vinos l podra comprar un vino de mejor cosecha; de esta
forma, el comportamiento individual podra cambiar de acuerdo con factores externos,
sin que las preferencias individuales sobre las caractersticas hayan cambiado. Desde
este punto de vista, el proceso de eleccin es intrnsecamente probabilstico.
Para Manski (1977), la falta de informacin lleva al modelador a determinar reglas
probabilsticas de eleccin en los individuos ms que la falta de racionalidad.
Ambas interpretaciones llevan a un esquema probabilstico donde se pueden dife-
renciar dos familias de modelos: La primera familia parte de que la regla de decisin
es estocstica mientras la utilidad es determinstica (Luce, Tversky). La segunda
familia parte de una regla de decisin determinstica mientras la utilidad es estocstica
(Macfadden, Thurstone). Ambas familias pueden distinguirse a travs de la naturale-
za del mecanismo aleatorio que gobierna la eleccin.
Otra aproximacin es realizada por Machina (1985), para quien el individuo maximiza
una utilidad determinstica definida sobre loteras en el conjunto de eleccin. En la
aproximacin de Machina la utilidad se define sobre las loteras, y las probabilidades
de estados alternativos de la naturaleza provienen exgenamente
17
.
7.1. Reglas de decisin
7.1.1. Modelos con regla de decisin estocstica
La interpretacin proviene de Tversky (1972a), para quien la utilidad de diferentes
alternativas es determinstica, pero el proceso de eleccin en s mismo es probabilstico.
En este tipo de modelos el individuo no necesariamente elige la alternativa que da la
mayor utilidad; en lugar de esto, existe una probabilidad de elegir cada una de las
posibles alternativas, incorporando la idea de "racionalidad limitada" dado que los
individuos no necesariamente seleccionan lo que es mejor para ellos [ Macfadden
(1981, pp.198)] .
El primer modelo desarrollado bajo esta perspectiva es el de Luce (1959). Luce
muestra que cuando las probabilidades de eleccin satisfacen los axiomas de elec-
17. Los primeros trabajos originales al respecto, se deben a Von Newman y Morgensten (1944); posteriormente Pratt
(1964) y Arrow (1971), desarrollan las famosas medidas de aversin al riesgo Arrow-Pratt, y Machina(1985), trabaja
la generalizacin de la utilidad esperada.
ICESI
151
cin, una escala puede ser definida sobre las alternativas, de tal forma que las
probabilidades de eleccin pueden ser derivadas de escalas de alternativas.
El modelo de Luce tiene como inconveniente que una nueva alternativa, que sea ms
que proporcional a las otras, reducir las probabilidades de eleccin de alternativas
existentes que son similares y causar reducciones menos que proporcionales en las
probabilidades de eleccin en alternativas diferentes (Anderson, et. al, pp. 23-25).
Tversky (1972), propone que la eleccin de una alternativa puede verse como un
proceso estocstico, en el cual las alternativas son sucesivamente eliminadas hasta
que quede solamente una; para esto supone que cada alternativa est compuesta
por una lista de caractersticas, las cuales son binarias en trminos de que las
alternativas poseen o no dichas caractersticas (por ejemplo, un automvil puede o
no tener aire acondicionado, sonido, etc.). En el caso de caractersticas que no sean
estrictamente binarias (verbi gracia, el nmero de kilmetros recorridos por galn),
Tversky sugiere usar niveles de umbrales, por ejemplo si el carro puede alcanzar ms
o menos 30 Kilmetros por galn, para convertirlas en binarias.
A cada caracterstica se le asigna una escala positiva o valor de "utilidad" expresando
la importancia de la caracterstica para el individuo. El proceso de seleccin de una
alternativa es el siguiente: Primero, una caracterstica se selecciona y todas las
alternativas que no posean esta caracterstica son eliminadas del conjunto de elec-
cin. Segundo, se selecciona como el criterio para eliminar aquellas alternativas que
quedan y as sucesivamente. Si una alternativa queda, sta es la alternativa elegida
por el individuo. Si varias alternativas quedan, ellas son elegidas con igual probabi-
lidad. La probabilidad de seleccionar una caracterstica como el criterio de eleccin
de las alternativas que quedan depende de la escala de valores. Como podrn existir
secuencias de eliminacin diferentes, la probabilidad de elegir una alternativa parti-
cular es la suma de las probabilidades de todas las secuencias que finalizan con esta
alternativa. Esta aproximacin es muy parecida a la ordenacin de preferencias
lexicogrficas, sin embargo, es diferente debido a que el orden de seleccin de las
caractersticas es aleatorio mientras ste viene dado a priori en el modelo lexicogrfico.
Para ilustrar el proceso de eliminacin de Tversky considere el siguiente ejemplo:
Existen tres alternativas A = { a, b, c } y siete caractersticas i = 1,2,...,7. Cada
caracterstica se asocia con una escala de utilidad
i
. Las alternativas en A son
discretas, por lo cual:
a = ( U
1
, 0 , 0 , U
4
, U
5
, 0 , U
7
)
b = ( 0 , U
2
, 0 , U
4
, 0 , U
6
, U
7
)
c = ( 0 , 0 , U
3
, 0 , U
5
, U
6
, U
7
)
Donde cero indica que la alternativa no posee la caracterstica. Dado que la ltima
caracterstica U
7
, est presente en todas las alternativas, sta no es considerada en
el proceso de eliminacin. Simplificando, a partir de K = deber mostrarse
ICESI
152
JHON JAMES MORA
como P
i
( a ) se determina. La alternativa a puede ser elegida si la primera caracterstica
es seleccionada, dado que no est presente en b o en c. Este evento se debe asumir
que ocurre con probabilidad . Si la caracterstica cuarta o quinta es una de las
seleccionadas, entonces la alternativa a podr ser seleccionada como la probabilidad
de seleccionar la cuarta caracterstica que tiene una probabilidad , entonces c es
eliminado pues no posee esta caracterstica, la alternativa a se elegir por lo tanto con
una probabilidad P( a , b ). La quinta caracterstica es seleccionada con probabilidad
y si este evento ocurre b es eliminado y a es elegido con probabilidad P( a , c ).
Dado que el proceso de seleccin de la primera caracterstica es un evento mutuamen-
te excluyente, tendremos:
( 7.1 ) P
A
( a ) =
Donde y
Observe que en P( a , b ) la caracterstica cuatro es comn en a y b, por lo cual se
elimina. De igual forma en P( a , c ) la caracterstica cinco es comn en b y c . El
procedimiento mostrado por Tversky se resume en los siguientes pasos:
Paso 1: Elimine las caractersticas comunes a todas las alternativas.
Paso 2: Seleccione una de las caractersticas que permanecen.
Paso 3: Elimine las alternativas que no poseen esta caracterstica.
Paso 4: Detngase si las alternativas que quedan tienen la misma caracterstica, de
otra forma regrese al paso 2.
Formalmente, suponga que existe una funcin U no negativa que especifica la
utilidad para cada caracterstica y dentese S como el nmero de caractersticas que
estn presentes despus de haber eliminado las caractersticas comunes a las
alternativas en el conjunto de eleccin S A. Finalmente, sea S
i
el conjunto de las
alternativas contenidas en S que contienen las caractersticas i, i = 1, 2, ..., S. En el
modelo de Eliminacin por Aspectos (EBA) propuesto por Tversky, la probabilidad
de que la alternativa a S sea elegida vendr dada por:
(7.2 ) P
S
( a ) =
ICESI
153
Cuando todas las caractersticas son comunes a todas las alternativas en S y
P
S
( a ) = donde es el nmero de elementos en S. Como se puede observar (7.2)
es recursivo, esto es, P
S
(a) es el peso de la suma de las probabilidades P
si
(a) donde
a ha sido elegido del conjunto de S
i
alternativas teniendo las caractersticas i en comn,
i = 1, 2, ..., S. Los pesos k, representan las probabilidades de seleccionar las
caractersticas j = 1, 2, ..., S y las probabilidades P
si
(a) son definidas por (7.2).
7.1.2. Modelos con utilidad estocstica
Existen dos versiones tradicionales de los modelos de utilidad estocstica. El prime-
ro proviene de Thurstone a partir de la teora sicolgica de la eleccin individual y el
segundo proviene de Macfadden en la versin econmica de la eleccin discreta.
El modelo de Thurstone tiene su origen en una serie de experimentos donde se les
preguntaba a los individuos acerca de comparar intensidades de estmulos fsicos,
por ejemplo, el rango de tonos en trminos del ruido. Dada la variabilidad en las
respuestas, Thurstone propone que un estmulo provoca una "sensacin" o un
estado sicolgico que es la realizacin de una variable aleatoria. De esta forma, "las
utilidades se asumen que varan de un momento a otro , y el proceso de decisin
consiste en una regla fija de escoger la alternativa con la mayor utilidad momentnea"
Edgell y Geisler (pp. 266).
Considere un individuo compuesto por varios homo-econmicos. Cada tipo obede-
ce a la teora neoclsica, y dependiendo del estado de la mente del individuo un
homo-econmico en particular es seleccionado, por lo cual el individuo se comporta
racionalmente segn una utilidad determinstica. De acuerdo con esta aproximacin,
los valores de las alternativas en A debern ser considerados como variables aleatorias,
U
1
+
1
,..., U
n
+
n
, las variables U
1
,..., U
n
son escalas de valores asociados a
alternativas constantes mientras que
1
,...,
n
son variables aleatorias. Suponga que
la funcin de distribucin acumulativa de = (
1
,..,
n
) es continua con respecto a la
medida de Lebesque [ Pr (
i
-
j
= = 0 ) constante e i j ] . Si
i
tiene media cero
(de lo contrario la media de puede ser adicionada al escalar
i
), las probabilidades
del conjunto de eleccin vienen determinadas por:
( 7.3 ) , i = 1,...,n
La versin de Macfadden es conceptualmente diferente: considere una poblacin de
individuos haciendo la misma eleccin sobre el conjunto A y determine la fraccin de
la poblacin que elige una alternativa determinada. La poblacin total puede ser
ICESI
154
JHON JAMES MORA
dividida en subpoblaciones tales que cada subpoblacin sea homognea con respecto
a ciertos factores socioeconmicos observables (ingreso, edad, profesin, etc.). Cada
individuo se supone que tiene una funcin de utilidad determinista U definida sobre A. Sin
embargo, el modelador podr observar imperfectamente las caractersticas que influencian
las decisiones individuales y entonces tendr un conocimiento imperfecto de la funcin
de utilidad U. La funcin U se descompone en dos partes, una parte: que representa
la parte conocida de la utilidad y definida sobre las caractersticas observables, y la otra
parte, e, que representa la diferencia entre U y . Para cada i = 1, 2, ..., n la utilidad
deseada de la alternativa i puede escribirse como:
(7.4 ) , ~ ( 0 ,
2
)
Pensando que el comportamiento es determinstico, para el modelador es imposible
predecir exactamente la eleccin del individuo dado que l no puede ser observado.
Esto es posible, ya que cada miembro difiere de los otros en la subpoblacin
considerada con respecto a las caractersticas no observables y los factores que
influencian al individuo en su eleccin. De esta forma, U
i
puede ser modelado como
una variable aleatoria:
(7.5) =
Aqu es la utilidad observable y refleja las preferencias de la subpoblacin para la
i-sima alternativa y
i
toma en cuenta las diferencias entre los gustos en los indivi-
duos de la subpoblacin. La probabilidad de que un individuo aleatoriamente selec-
cione la alternativa i viene dada por:
(7.6 ) = ) , i = 1,...,n
Existen diferentes fuentes de incertidumbre: caractersticas no observables, variacio-
nes no observables en las utilidades individuales, desconocimiento de la cantidad de
caractersticas observables y finalmente, especificacin funcional errnea [ Manski
(1977)] . El modelador podra estar satisfecho si pudiera agrupar una poblacin y si
en la funcin puede incluir los principales factores observables. Podemos observar
entonces que aun cuando entre (7.3) y (7.6) existen diferencias epistemolgicas, a
un nivel agregado, como observa Macfadden, las "variaciones intraindividuales e
interindividuales en los gustos son indistinguibles en su efecto sobre la distribucin
observada en la demanda" (pp. 205), lo cual indica que (7.3) y (7.6) tienen las mismas
probabilidades de eleccin. Consideremos a una poblacin de individuos, los cuales
son estadsticamente idnticos e independientes, lo cual significa que las elecciones
estn gobernadas por la misma distribucin de probabilidades, aunque las eleccio-
nes actuales difieran entre los individuos. Esto implica que la probabilidad de un
individuo de elegir una alternativa particular es independiente de las elecciones
realizadas por otros individuos. Bajo este supuesto, la distribucin de eleccin es
multinomial con media dada por = N PA( i ) , i = 1,2,...,n , la cual es la demanda
ICESI
155
esperada para la alternativa i. Si N es suficientemente grande, es una buena
aproximacin de la demanda agregada, dado que la desviacin estndar de la
distribucin de la funcin de demanda decrece a una razn .
7.2. Funciones de densidad para elecciones discretas
Para determinar las probabilidades de eleccin, se deber especificar la distribucin
de las variables aleatorias
i
. Estas probabilidades para una serie de distribuciones,
como la del modelo de probabilidad lineal, del Logit, el Probit y el Multinomial,
se conocen como modelos de eleccin binaria. Sea f(X), la densidad donde

2
-
1
tendremos:
( 7.7 ) P
A
(1) =
Donde (7.7) es el valor de la funcin de densidad acumulativa de sobre U
1
- U
2
.
Supongamos que est distribuido uniformemente en el intervalo [ -L , L] , entonces:
(7.8 )
Por lo cual la probabilidad de eleccin para la alternativa 1 ser:
(7.9 )
Este modelo es conocido como el Modelo de Probabilidad Lineal, ya que la proba-
bilidad (7.9) es lineal sobre el intervalo [ -L , L ] . Consideremos ahora que se
distribuya normalmente y que
1
y
2
se pueden ver como variables independientes
no observables. Suponga que
1
~ ( 0,
1
2
) y
2
~ ( 0,
2
2
) y que la covarianza entre
1
y
2
estar dada por
12
, entonces ~ ( 0 ,
12
+
2
2
- 2
12
) y obtenemos:
(7.10 ) PA ( 1 ) =
ICESI
156
JHON JAMES MORA
El cual es un Probit. Si asumimos que se distribuye logsticamente, la funcin de la
distribucin para viene dada por , la media de es cero y su varianza es
. La probabilidad de elegir 1 viene dada por el Logit definido como:
( 7.11 ) P
A
( 1 ) =
La grfica anterior se define para valores de 0 < < < . La pendiente sigmoidal
de la curva es ms pronunciada para valores mayores de . La curva tiene un punto
de inflexin en ' - ' ' donde P
A
(1) = . P
A
(1) es decreciente o creciente en cuando
U
1
es mayor o menor que U
2
. Un modelo de eleccin determinstico inicialmente se
puede definir entre los siguientes tres modelos: Probabilidad Lineal, Probit y Logit.
Para L 0 en (7.9) con U
1
U2 , P
A
(i ) = 1 si y slo si U
i
= max { U
1
, U
2
} . Este tambin
es el lmite para el modelo Probit cuando 0 y en el Logit cuando 0. Cuando
L, y tienden a infinito, el comportamiento individual es impredecible completamente
y entonces P
A
(1) = P
A
(2) = .
GRFICA 7.1. Modelo Probit.
ICESI
157
7.3. Funciones de utilidad y funciones indirectas de utilidad
Un individuo consume de acuerdo con una funcin de utilidad definida sobre los
bienes X
1
,......X
n
y Z, siendo Z el numerario. La utilidad del consumidor podra tambin
depender de una serie de atributos de los bienes X'
s
denotadas por b
1
,.....b
n
, los
cuales son tomados exgenamente; adicionalmente las preferencias podran de-
pender de caractersticas propias como la educacin, la raza, la cultura, la edad...,
etc., representadas por el vector S
18
. De esta forma, la funcin de utilidad se escribir
compactamente como U( X, b, Z, S, ), donde es una variable aleatoria con alguna
funcin de densidad conjunta f (
1
,.....
n
), sobre U. Un supuesto adicional consiste
en que los X's sean mutuamente excluyentes, esto es, un individuo no puede rentar
su casa y vivir all mismo por lo cual X
i
X
j
= 0 ij.
Suponga que el consumidor decide consumir solamente el bien j; condicionado
sobre esta decisin, su funcin de utilidad ser una funcin de X
j
y Z, por lo cual la
utilidad vendr definida por:
(7.12)
Suponiendo que existe dbil complementariedad, la utilidad directa condicional
puede escribirse como:
(7.13)
El consumidor maximiza sobre la restriccin tradicional de presupuesto y no negatividad
para X
j
y Z. Asumiendo estricta cuasiconcavidad en
j
, en relacin con X
j
y Z la
solucin viene dada por X
j
> 0. Las funciones de demandas Marshallianas ordinarias
sern:
(7.14)

Y la funcin indirecta de utilidad vendr dada por:
(7.15)
Siendo cuasiconvexa, decreciente en p
j
y creciente en Y. Usando la identidad de
Roy para encontrar la demanda marshalliana obtenemos:
18. La introduccin de S se debe originalmente a los trabajos de Pollack y Wales (1979).
;
ICESI
158
JHON JAMES MORA
(7.16)
Las Cantidades son cantidades conocidas para el consumidor pero dado
que las preferencias se observan incompletamente, stas sern variables aleatorias
desde el punto de vista del investigador. Sea la densidad conjunta de
denotada por y la distribucin acumulativa. Si la eleccin
discreta, por medio de la cual un bien puede ser seleccionado se representa por un
conjunto binario de ndices de valores de la forma:
(7.17)
1
,,
N
=
Entonces la eleccin puede ser expresada en trminos de las funciones condiciona-
das de utilidad indirecta como:
(7.18)
j
(p,b,Y,S,) =
Para el observador, los ndices discretos de eleccin son variables de medicin
E(
j
)=
j
que vienen dados por:
(7.19)
j
(p,b,Y,S,) =
Donde es la derivada de ( . ) con respecto a su i-simo argumento. De (7.18)
nosotros sabemos que las demandas estn condicionadas a la existencia de los
ndices, por lo cual:
(7.20) X
j
(p,b,Y,S,) =
j
(p,b,Y,S,) j= 1,..,N
V(p,b,Y,S,) = max[ ]
ICESI
159
Dado que V(.) es cuasiconvexa, la solucin de esquina puede representarse como:
En el punto A, grfica (7.3), la utilidad indirecta al precio j es mxima. A estos precios
se cumple (7.17), y dada la funcin de utilidad, la demanda de X
j
cuando
j
= 1 se
obtiene en el punto A, grfica (7.2). Para encontrar las distribucio-
nes de probabilidades de X
j
y V, suponga que existe un conj unto
A
j
{ | } ; j= 1..N;
de f se puede construir como , esto es, la densidad conjunta de
1
,,
N
dado que Aj y cuando el bien j es seleccionado, la probabilidad de
densidad de , puede ser obtenida de
De esta forma, la probabilidad de densidad de X
j
, f X
j
(X) = Pr { X
j
= X} tomar la forma:
(7.21)
As, una vez especificado el modelo, uno puede construir las densidades y
las cuales son usadas en la funcin de probabilidades de eleccin discreta y las
densidades condicionadas y no condicionadas de las X
j
s. Por ejemplo, si N fuese
igual a dos se puede establecer que:
(7.22)
GRFICA 7.2. GRFICA 7.3.
p
j
ICESI
160
JHON JAMES MORA
Cuando hay T individuos y j * es el ndice seleccionado por el i-simo individuo y X
t
*
el consumo observado sobre este ndice para un individuo, la funcin de verosimili-
tud para la muestra vendr dada por:
(7.23)
En principio (7.23) puede ser obtenido por mxima verosimilitud, sin embargo
Haneman(1984) sostiene que en la prctica las ecuaciones normales podran tener
mltiples races, y a menos que se comience con un estimador inicial consistente, no
existe garanta de convergencia a un mximo global. Usualmente se sugiere el
procedimiento de dos etapas de Heckman, esto es, encontrar por mxima verosimi-
litud, usando un Logit, el conjunto de parmetros que sern consistentes pero no
eficientes dado que ellos ignoran la informacin contenida en datos continuos; con
estos parmetros, uno puede entonces obtener estimadores consistentes de (
i
/ )
t
y realizar una regresin para elecciones continuas donde el modelo vendra determi-
nado por:
(7.24)
Con V s iid, EV(,-0.57222) ; E(V
t
)= 0 ; Var V
t
= .
Finalmente, se puede usar la subrutina Maxlik del programa gauss y obtener estimadores
eficientes, o usar el programa LIMDEP.
7.4. Elecciones discretas con productos diferenciados
El consumidor representativo es un agente cuya utilidad nos muestra un conjunto de
preferencias diversas. Ya que en la prctica los consumidores tienden a comprar,
solamente una, o en todo caso muy pocas de las variantes de un producto que se les
ofrece, el consumidor representativo ha sido bastante criticado
19
. Como bien lo han
sealado Archival, Eaton y Lipsey (1986), la cuestin sobre cundo el consumidor
representativo puede constituir una descripcin agregada vlida de una poblacin
de consumidores caracterizados por elecciones discretas en el mbito individual es
un punto de discusin abierto.
En este sentido, el inters principal de esta seccin, consistir en mostrar cmo
encontrar un consumidor representativo para una poblacin de consumidores que
realizan elecciones discretas, dados unos supuestos sobre el proceso de eleccin o
19. Lo que produce soluciones de esquina o en el caso de que el consumidor adquiera ms de una variante soluciones
interiores.
ICESI
161
la eleccin de probabilidades y cules seran las propiedades de la funcin de utilidad
correspondiente.
Suponga que existen m+ 1 bienes y N consumidores estadsticamente idnticos e
independientes. El bien 0 es perfectamente divisible y se toma como numerario. Los
bienes i= 1, 2, ....., m son los variantes de un producto diferenciado a los precios
p
1
, ..., p
m
. Sea A el conjunto de variantes donde la variante i se asocia a un ndice de
calidad a
i
20
. Cada consumidor tiene un ingreso real Y con el que puede comprar una
unidad de una variante singular. Asuma que 0 p
i
Y lo cual asegura que cada
variante es alcanzable por todos los consumidores. Suponga tambin que la funcin
indirecta de utilidad derivada de la compra de la variante i viene dada por la siguiente
forma aditiva:
(7.25) = Y - p
i
+ a
i
+
i
; i = 1, ..., m
Donde
i
son las n variables aleatorias con una densidad f(x) y x = x
1
, ..., x
n
. La
probabilidad de que un consumidor seleccione la variante i, viene dada por:
(7.26) P
i
= Prob[ a
i
- p
i
+
i
= ( a
j
- p
j
+
j
) ]
= Prob[ a
i
- p
i
+
i
= ( a
j
- p
j
+
j
) ]
Lo que se conoce como utilidad aleatoria (LRUM). La demanda esperada para la
variante i, se define como:
(7.27) X
i
= NP
i
La estructura particular de LRUM depende del modelo en cuestin. Suponga un
modelo multinomial, entonces la probabilidad de que un individuo elija una variante
i viene dada por:
(7.28) P
i
(a - p ) =
La funcin (7.28) deber satisfacer las siguientes propiedades:
Primera Propiedad: . deber cumplir-
se tambin para P
m
.
20. El ndice de calidad a
i
resume todas las caractersticas observables de la variante i. De esta forma, si la variante
i tiene varias caractersticas observables y los consumidores tienen valoraciones idnticas e independientes
entonces a
i
es el producto de las caractersticas observables con las valoraciones de los consumidores.
ICESI
162
JHON JAMES MORA
Segunda Propiedad:
Tercera propiedad: Para algn , P
i
[ a - (p + )] = P
i
(a - p), i = 1...m. Donde p+
es un vector con componentes p
j
+ , j= 1,...,m.
Cuarta propiedad: P
i
= 1; i= 1...m, con a
j
- p
j
finito y j i.
Por la primera propiedad se tiene que las variantes de los productos diferenciados
son dbilmente sustitutas, lo cual significa que . Por la
segunda propiedad se garantiza la igualdad de las derivadas cruzadas de los pre-
cios. De (7.27) conocemos que la demanda es independiente del ingreso. Si estas
demandas son el resultado de la maximizacin individual, entonces las derivadas
cruzadas representan los efectos sustitucin en la matriz de Slutzky. La tercera
propiedad significa que la probabilidad depende solamente de las diferencias en
precios. La cuarta propiedad significa que todos los consumidores eligen una varian-
te i con certeza cuando esta variante es infinitamente atractiva en trminos de la
medida de utilidad { u
i
= a
i
- p
i
} cuando las otras utilidades son finitas.
De la primera propiedad, se puede deducir la funcin de distribucin acumulativa y
la funcin de densidad, las cuales se definen como:
(7.29) F(z
1
,..., z
m
) =
Donde (t) ser una probabilidad de densidad univariada y derivando (7.29) encon-
tramos la siguiente funcin de densidad:
(7.30) f (z
1
,..., z
m
) =
Combinando ( 7.30 ) con (7.28) genera las probabilidades P
1
...P
m.
7.4.1. La funcin de demanda
para un continuo de consumidores
Considere un continuo de consumidores igual a N cada uno con gustos determinsticos.
Un consumidor tiene un ingreso Y y compra una unidad de una variante de un
producto diferenciado. La funcin de utilidad indirecta condicionada viene dada por:
ICESI
163
(7.31) V
i
= Y - p
i
+ a
i
+ e
i
; i = 1, ..., m
Donde e
1
... e
m
describe las valoraciones de un consumidor para un conjunto de variantes.
Cada conjunto de valoraciones define un tipo de consumidor. Aunque los ndices de
cualidades a
1
,...,a
m
son comunes a todos los consumidores, las valoraciones son indivi-
duales y toman valores diferentes para consumidores diferentes. Las valoraciones se
distribuyen sobre
m
de acuerdo con la siguiente funcin de densidad:
(7.32) g(e) Nf(e)
Donde f(e) es la densidad de probabilidades de
1
...
m
. Por construccin .
El segmento de mercado para la variante i se puede definir como:
(7.33) S
i
{ e
m
; V
i
(e) V
j
(e) , j = 1,...,m. }
Mostrando el conjunto de tipos para los cuales la variante i es dbilmente preferida
sobre todos los otros. De esta forma, la demanda total para i viene definida por:
(7.34) X
i
=
La cual es igual al total de consumidores en el segmento de mercado para la variante
i. Es importante observar que la funcin de densidad del consumidor cumple el
mismo papel que la funcin de densidad de probabilidades (7.26). Sin embargo, la
diferencia entre (7.26) y (7.34) es sustancial, pues la funcin derivada de la integra-
cin de las utilidades mximas sobre la densidad de probabilidades (7.26) puede ser
interpretada como la utilidad esperada del consumidor, mientras que la integral de
las utilidades mximas de los individuos sobre la densidad de tipos producir la
funcin de riqueza a partir de la utilidad. Esta ltima idea se desarrollar a continua-
cin. Suponga que la funcin de riqueza derivada de la utilidad se define como:
(7.35) V = W +
Donde W = NY es el ingreso agregado. Note primero que V satisface las caracters-
ticas propias de la funcin indirecta de utilidad (cap. 2, sec. 2.4.1, pag 20):
Primera propiedad : V es continua en p
i
y W.
Segunda propiedad : V no es creciente en p
i
y es creciente en W.
Tercera propiedad : V es convexa en p
i
.
Cuarta propiedad : V es homognea de grado cero en todos los precios e
ingreso.
ICESI
164
JHON JAMES MORA
La propiedad tercera se sigue del hecho de que la integral de funciones convexas es
convexa,
21
la cuarta propiedad se mantiene en tanto p
1
,..,p
m
y W se encuentran en
trminos reales al dividir por el precio del bien 0, el cual es el bien numerario. Dado
que las utilidades individuales son lineales en el ingreso, la utilidad marginal del
ingreso es igual a uno para todos los individuos. Lo cual significa que un cambio en
cualidades o precios que aumentan a V aumentar las transferencias de ingreso en
todos los consumidores situndoles mejor que antes del cambio en precios o ingre-
so. El segundo trmino de (7.35) puede usarse para cuantificar los cambios en el
excedente del consumidor atribuible a cambios en precios y cualidades, lo cual se
puede ver tambin como una medida del beneficio del consumidor de introducir una
nueva variante.
7.4.2. El consumidor representativo multinomial
Suponga un consumidor con una funcin de utilidad aleatoria = Y - p
i
+ a
i
+ e
i
.
Las demandas esperadas vendrn dadas por:
(7.36) X
i
= ; i = 1,...,m.
A travs de (7.35) la funcin de utilidad indirecta para un consumidor representativo,
se puede definir como:
(7.37) V = W + NLn
Con el fin de ilustrar estas funciones, suponga el caso de que m= 2 las demandas
sern:
(7.36.1) X
i
= ; i = 1, 2.
Dado que las demandas para las variantes son independientes del ingreso y depen-
den multiplicativamente de N, debe esperarse una funcin de utilidad directa de la
forma:
(7.36.2) U = Nu(x
1
, 1 - x
1
) + X
0
21. Cuando se normaliza con el precio del bien 0 V es cuasiconvexa en todos los precios ( p
0
, p
1
,...,p
n
) [ Anderson,
de Palma y Thisse (1992), (1995)] .
ICESI
165
Donde x
1
X
1
/ N y X
0
es el consumo del bien numerario. Suponga que la restriccin
presupuestaria viene dada por:
(7.36.3) Y = + X
0
Y sustituyendo X
0
de (7.36.3) en (7.36.2) se obtiene:
(7.36.4) U = Nu(x
1
, 1 - x
1
) + Y - p
1
Nx
1
- p
2
N(1 - x
1
)
Tomando las condiciones de primer orden, se encuentra que:
(7.36.5) = (p
1
- p
2
)
De (7.36.1) se observa la condicin:
(7.35.6)
Que tambin se puede ver como:
(7.36.7) p
1
- p
2
= a
1
- a
2
- [ Ln x
1
- Ln ( 1 - x
1
)]
Sustituyendo (7.36.7) en (7.36.5) e integrando para recobrar u:
(7.36.8) u(x
1
, 1- x
1
) = a
1
x
1
+ a
2
(1 - x
1
) - [ x
1
Ln x
1
- ( 1 - x
1
)Ln ( 1 - x
1
)]
Donde la constante de integracin deber ser igual a a
2
. A travs de (7.36.2) se tiene
que la funcin de utilidad indirecta ser:
(7.36.9) V = N(a
1
x
1
+ a
2
(1 - x
1
) - [ x
1
Ln x
1
- ( 1 - x
1
)Ln ( 1 - x
1
)] + X
0
Dado que cada consumidor compra una unidad de una variante en el modelo de
utilidad aleatorio, el consumidor representativo comprar N unidades. Esto bajo el
supuesto de que la utilidad tiende a - para otros consumos.
Finalmente, una funcin de utilidad para un consumidor representativo con deman-
das tipo Logit multinomiales vendr dada por:
(7.38)
ICESI
166
JHON JAMES MORA
El Lagrangiano para el problema de la maximizacin del consumidor se define como:
(7.39)
Donde
1
y
2
son los multiplicadores Lagrangianos de las restricciones. Dado que
los precios e ingreso son tales que el consumo ptimo del bien numerario es positivo
2
= 1, el conjunto de primeras condiciones para X
i
ser:
(7.40) a
i
- (Lnx
i
+ 1) - p
i
+
1
= 0, i = 1,...,m
La condicin (7.40) puede escribirse tambin como:
(7.41) x
i
= exp ( -1 +
1
/ ) exp (a
i
- p
i
) / , i = 1,...,m
Si hacemos = 1 se encuentra que exp (1 -
1
/ ) = exp (a
i
- p
i
) / , de donde
se sigue que las demandas multinomiales representadas por (7.36) son similares a
(7.41).
7.5. Anlisis de riqueza
En un anlisis continuo se puede encontrar el excedente del consumidor a travs de
integrar la curva de demanda compensada entre dos precios. Sin embargo, en el
anlisis discreto existirn puntos de discontinuidad y no-diferenciacin en la funcin
indirecta de utilidad y en la funcin de gasto, por lo tanto existirn problemas al
integrar las funciones. La demanda se podra modelar, como observan Small y Rosen
(1981), a travs de tres aproximaciones:
Primero, pensar que los bienes son disponibles en cantidades continuas, pero
solamente en un pequeo nmero de variedades mutuamente excluyentes; un ejem-
plo sera una casa: usted podra alquilarla o vivir en ella, pero solamente la posesin
de la misma le dara una cantidad continua de usos para ser consumidas, como
clavar puntillas para colgar cuadros, pintarla de todos los colores y las veces que
usted quisiera, etc.
Segundo, los bienes pueden son disponibles en unidades discretas entre ms con-
sumidores elijan una o dos unidades, como en el caso del transporte para trabajado-
res, los colegios, las antenas parablicas, y en general muchos bienes durables.
Tercero, los bienes pueden ser comprados en unidades discretas pero debido a las no-
concavidades en la funcin de utilidad, llevara al consumidor a elegir entre soluciones
alternativas de esquina. Por ejemplo, podramos tener dos o ms televisores con diferen-
tes programas cada uno y observarlos al mismo tiempo; sin embargo, ver un slo
programa podra generar mayor utilidad que ver dos programas al mismo tiempo.
ICESI
167
A continuacin se analizar primero el caso de un modelo con 3 bienes, dos de los
cuales son mutuamente excluyentes. Considere un consumidor con una funcin de
utilidad U= U(X
n
,X
1
,X
2
) donde X
n
es el bien numerario, la utilidad es finita siempre que
X
1
o X
2
sean cero. Como en el caso estndar, la utilidad se maximiza con la restriccin:
(7.42) X
n
+ P
1
X
1
+ P
2
X
2
= Y ; X
j
0 (j= 1,2,n)
Por ltimo, se requiere que X
1
X
2
= 0 y asumiendo soluciones interiores, se llega al
siguiente teorema.
7.5.1. El teorema de Small y Rosen
Suponga un consumidor que maximiza sujeto a la restriccin (7.42) con una funcin
de utilidad dos veces diferenciable y estrictamente cuasicncava. Asuma que U es
finito siempre que X
1
o X
2
sean cero, y que U es estrictamente creciente en X
n
y no
decreciente en X
1
y X
2
. Sea e(P
1
,P
2
,U) el mnimo gasto requerido para alcanzar el
nivel de utilidad U y sea ,Y) el valor de la funcin indirecta de utilidad
a los precios iniciales y el ingreso; entonces la variacin compensada para un cambio
de precios en p
1
de a viene definido como:
(7.43)
Y la funcin de demanda compensada para el bien 1 vendr definida por:
(7.44) X
1
c
(p
1
,p
2
,U
o
)= X
1
(p
1
,p
2
,e(p
1
,p
2
,U
o
))
Adicionando un continuo de consumidores se obtiene:
(7.45) E =
Donde U
i
es el nivel de utilidad inicial para el i-simo consumidor y (7.45) es el
excedente del consumidor. Considere ahora el caso de un bien comprado solamente
en unidades discretas cuando una gran parte de los consumidores eligen una o dos
unidades. Sea la funcin de utilidad U(X
n
,X
1
) donde X
n
> 0 y X
1
puede tomar valores
binarios de 0 y 1. La utilidad se maximiza sujeta a la restriccin presupuestaria
X
n
+ X
1
p
1
= Y. Si X
1
= 0 la cantidad ptima de X
n
es igual a Y, esta caracterstica da
como resultado una funcin de gasto (U) condicionada sobre X
1
= 0. Si X
1
es igual
a 1 la funcin de gasto (p
1
,U) se puede encontrar. El punto de mxima utilidad est
asociado con el mnimo de estas dos funciones de gasto, entonces:
ICESI
168
JHON JAMES MORA
(7.46) e(p
1
, ) = min { ( ), (p
1
, )}
Dado que , son continuamente diferenciables en precios [ = 0] excepto a los
precios a los cuales = y e es continuo y diferenciable, las funciones de
demandas sern continuas, pero un conjunto de precios particulares y de ingreso
llevarn a soluciones de esquina en el cual el bien no es consumido totalmente.
Se puede observar que el rango de precios estar dividido por p
1
* ( ), esto es, para
p
1
< p
1
* ( ) una solucin interior en el bien 1 existe. De esta forma, las demandas
compensadas y la funcin de gasto se derivan como , , cuando p
1
p
1
* ( ),
es por esta razn que una solucin de esquina se alcanza y el bien 1 no es consu-
mido; esta solucin viene determinada por y por lo cual la restriccin presu-
puestaria requiere solamente que satisfaga la condicin:
(7.47) ( p
1
, ) + p
1
( p
1
, ) = (p
1
, ) s p
1
< p
1
* ( )
( ) = ( ) s p
1
p
1
* ( )
Donde p
1
* ( ) se define como el precio lmite en el cual la demanda se hace cero
(precio mximo). De esta forma, la demanda compensada viene definida como:
(7.48)
Que es continua en p
1
, de donde se infiere que el (p
1
, )= ( ).
Cuando un bien es comprado en unidades discretas, pero existen no-concavidades
en la funcin de utilidad, el consumidor elige entre soluciones alternativas de esqui-
na. Supongamos una canasta de 3 bienes donde las curvas de indiferencia entre
X
1
, X
2
y el bien numerario son convexas, entonces en cada vector de precios el
consumo tanto en X
1
como en X
2
podra ser cero. Los supuestos del teorema de Small
y Rosen garantizan que los U(X
n
,0,X
2
) y U(X
n
,X
1
,0) sean funciones bien definidas
mantenindose el excedente del consumidor. Resumiendo, el excedente del consu-
midor se puede encontrar siempre que exista una funcin de gasto ( ) dado que
dicha funcin es diferenciable en precios.
ICESI
169
Bi bl i ograf a
ARROW, K.J.(1971). Essays in the theory of risk beaning. Chicago:Markham.
ANDERSON, S.P., PALMA, A AND J.F, THISSE. (1995). Discrete choice theory of product differentiation,
MIT press, Cambridge Mass.
-,, .(1992). "Interpretations of the logit discrete choice model in the
theory of product differentiation" en J.M.E. Gee and G.Norman (comps.) Market structure
and strategy, Hemmel Hempstead: Harvester Wheatsheaf.
ARCHIBALD, G.C AND B.C. EATON AND R.G. LIPSEY. (1986). "Address models of value" en J.E.
Stiglitz and F.G, Mathewson (comps.) New developments in the analysis of market
structure, Cambridge, MIT Press.
ARROW, K.J (1970A). "Exposition of the theory of choice under uncertainty", in K. J. Arrow,
Ensays in the Theory of Risk-Bearing, Amsterdam : North-Holland.
.(1970b). "The theory of risk aversion", in K. J. Arrow, Essays in the Theory of Risk-
bearing, Amsterdam : North-Holland.
DUBIN, J.A AND D.L, MACFADDEN. (1984). "An econometric analysis of residential electric
appliance holdings and consumption", Econometrica, vol.52, March, num.2, pp.345-362.
EDGELL, S.E AND W.S, GEISLER. (1980). "A set-theoretic random utility models of choice
behavior". Journal of mathematical psychology, 21, pp.265-278.
GEORGESCU-ROEGEN, W. (1958). "Threshold in choice and the theory of demand", Econometrica,
vol.26, pp.157-168.
HANEMANN, M.W. (1984). "Discrete/continuous models of consumer demand", Econometrica,
vol.52, May, num.3, pp.541-561.
LUCE, R.D AND P, SUPES. (1965). "Preference, utility and subjective probability" en Luce, R.D.,
Brush, R.R and Galante, E. (comps.) Handbook of mathematical psychology, New York.
LUCE, R.D. (1959). Individual choice behavior: a theoretical analysis. New York: Wiley.
. (1977). "The choice axiom after twenty years", Journal of mathematical psychology,
15, pp.215-233.
MCFADDEN, D. (1984). "Econometric analysis of qualitative response models" en Z.Griliches
(comp.), Handbook of econometrics, vol. 2.
.(1981). "Econometric models of probabilistic choice", in structural analysis discrete
date, edited by C.F Mansky and D. McFadden. Cambridge Mass: Mit Press.
. (1986). "The choice theory of market research", Marketing science,5,pp.275-297.
MACHINA, M.J. (1985). "Stochastic choice functions generated from deterministic preferences
over lotteries", Economic journal, 95, pp.575-594.
ICESI
170
JHON JAMES MORA
MANSKI, C.F. (1977). "The structure of random utility models", Theory and decision, 8, pp.229-
254.
PRATT,J. (1964). "Risk aversion in the small and in the large", Econometrica, 32,pp.122-36.
POLLACK AND T.J WALES. (1979). "Welfare comparisons and equivalence scales", American
Economic Review, vol. 69, pp.216-21.
QUANDT, R.E. (1956). "A probabilistic theory of consumer behavior", Quarterly journal of
economics, 70, pp.507-536.
SMALL, K.A AND ROSEN, H.S. (1981). "Applied welfare economics with discrete choice models",
SLUTZKY, E. (1915). " Sulia teoria del bilancio des consomatore", Giornale degli Economisti,
vol51, pp.1-26. English trans. In Readings in Price Theory; G.J. Stigler and K.E Boulding
(eds.), Chicago University Press,1952.
THURSTONE, L.L. (1927). "A locus of comparative judgement", Psychological review, 34, pp.273-
286.
TVERSKY, A. (1972). "Elimination by aspects: a theory of choice", Psychological review, 79,
pp.281-299.
. (1969)."Intrasitivity of Preferences", Psych. Rev. 76, pp.31-48
WILLIG, R. (1976). "Consumer s surplus without apology", American economic review, vol.66,
pp.589-597.
VON NEUMANN, J., AND O. MORGENSTERN.(1944). Theory of games and economic behavior,
Princeton University Press, Princeton,New York.
ICESI
171
La teora y el anlisis emprico nos han mostrado que los individuos producen y consu-
men teniendo como restricciones el ingreso y el tiempo. Ya hemos visto cmo el ingreso
se puede considerar de forma exgena, sin exigir una mayor formalizacin. Sin embargo,
debemos preguntarnos, por un lado, de dnde sale el ingreso, y por otro, cmo influye
en el tiempo cuando los consumidores toman este tipo de decisiones.
Existen lmites en las restricciones para asignar el tiempo en ocio y trabajo. Como
anota Hamermesh (1998), existen restricciones biolgicas, culturales e histricas
que hacen que los consumidores asignen el tiempo entre ocio y trabajo. Aparte de
estas restricciones no econmicas, cambios en el precio del tiempo pueden inducir
a cambios en las restricciones de ocio y trabajo. Por esta razn, un incremento en el
valor del tiempo producir restricciones en las interacciones entre la familia, los
colegas, etc. Como observa Hamermesh, no solamente ha habido un cambio en las
horas trabajadas en este siglo, tambin ha habido un cambio importante en franjas
horarias no tradicionales, como de las 6:00 a 7:00 A.M y de las 5:00 a 6:00 P.M. La
tendencia hoy da consiste en trabajar ms horas en pocos das, lo que ha llevado a
que se pase de semanas de trabajo de seis a cinco das, como se puede observar en
la grfica:
Aplicaciones de la teora del consumidor
a la eleccin de ocio
8.
GRFICA 8.1: Distribucin de los das

trabajados.
ICESI
172
JHON JAMES MORA
De la grfica 8.1, observe como en 1991 el porcentaje de individuos que trabajaba 6
das disminuy.
Supongamos un individuo o un hogar, compuesto por un trabajador, cuya eleccin
consiste en la compra de diferentes canastas de bienes, a un vector de precios
dados. Estas compras pueden realizarse con un ingreso no laboral m y un ingreso
laboral wL. Donde w es la tasa de salario y L es la cantidad de tiempo que el individuo
elige trabajar. Formalmente tendremos:
(8.1 )
Por el axioma de Insaciabilidad, se garantiza la igualdad. Adicionalmente x
i
0 y
T L 0, por lo cual no se pueden comprar cantidades negativas de los bienes
y la oferta de trabajo no puede exceder el tiempo total del individuo.
Una mejor especificacin podra partir de que el tiempo dedicado a trabajar es de 24
horas menos el tiempo necesario para dormir y otras tareas mnimas de manteni-
miento, como aseo, comida, etc.
En el largo plazo los individuos podran elegir las horas que trabajen a travs de la
eleccin de diferentes trabajos; sin embargo, en el corto plazo muchas de las
elecciones estarn condicionadas por las horas de trabajo que a su vez vienen
determinadas por los regmenes laborales, observe que en mercados laborales
como el de U.S.A y Europa, la posibilidad de ms de un empleo flexibiliza el nmero
de horas trabajadas, cuando existen trabajos de medio tiempo.
Finalmente, la linealidad en la restriccin presupuestaria es un punto de discusin,
en tanto no necesariamente la tasa de salario vara en forma directa con el nmero
de horas de trabajo si las horas no tienen la misma tasa salarial. Por simplificar, se
tomar linealmente. Sea la funcin de utilidad:
(8.2)
Siendo . El ocio es comparable con los otros bienes y separable
de los mismos, el precio del ocio ser la tasa de salario. Por cuestiones de simplifi-
cacin, se puede asumir un bien agregado tipo Hicks
22
. As, la funcin de utilidad
podr plantearse como:
(8.3)
Donde x
1
* es el bien agregado de Hicks. El problema puede plantearse como:
22. Para Trabajar con un bien agregado tipo Hicks, se requiere que los n s precios relativos permanezcan constantes.
ICESI
173
(8.4) Max
Sujeto a

Grficamente se puede observar:
Y la restriccin ser:
(8.5) px + wx
0
= + wT
Si x = 0 y no existe ingreso adicional, entonces wx
0
= wT x
0
= T si x
0
= T = 0, por
lo cual w = 0 y x = / p. La cantidad de trabajo ofrecida se mide por la distancia
0 - T. Las curvas tendrn diferentes pendientes de acuerdo con la tasa de salario. La
decisin de cuntas horas ofrecer al individuo determinar la decisin de participar
en el mercado laboral. Un cambio en w altera el ingreso y el efecto sustitucin, la
cantidad + wT representa el ingreso total disponible del consumidor que ser
gastado en ocio y bienes.
Ya que los trabajadores son libres de participar en el mercado y varan las horas que
deciden trabajar, en especial si trabajan tiempo parcial, un grupo importante, podr
tomar dichas decisiones, por ejemplo, las mujeres casadas para quienes un segun-
do trabajo consiste en las actividades que realizan en el hogar.
La grfica (8.3) muestra las diferentes restricciones presupuestarias de acuerdo con
las tasas de salario w
1
(CAT) y w
2
(DAT). La curva de indiferencia es tangente a la lnea
quebrada (E-F), mientras la pendiente de (E-F) es w* /p, esto es, la tasa marginal de
sustitucin la cual es un indicador de la tasa de salario de reserva w* el punto A en
la grfica (8.3).
GRFICA 8.2. Decisin de trabajar.
ICESI
174
JHON JAMES MORA
Si el salario es menor que w* , el individuo no participar en el mercado, si el salario
es w
2
se ofrecern horas positivas. Si w = w* el trabajador es indiferente. Donde w*
es el salario de reserva, aquel valor de w que hace que x
0
= T:
(8.6)
Supongamos la siguiente funcin de utilidad:
(8.7)
Donde
0
+
1
= 1 y,
0
y
1
son ocio y consumo respectivamente. Partiendo de (8.1)
y (8.5) se obtiene T - L = x
0
y = wL + , entonces px = w(T- x
0
) + . De donde:
(8.8) px + wx
0
= + wT
Haciendo Y = + wT , el problema se puede plantear como:
(8.9) Max
St. : px + wx
0
= Y
El Lagrangiano resultante ser:
GRFICA 8.3. El salario mnimo
que induce a participar.
ICESI
175
Igualando (1) y (2),
Sustituyendo en (3) se obtiene,
,
ICESI
176
JHON JAMES MORA
Nosotros sabemos que T - L = x
0
y que px + wx
0
= + wT de donde:
(8.10)
Si el tiempo total es un parmetro a ser estimado esta ecuacin nos indicara que
(T -
0
) el tiempo que se excede sobre el ocio ya comprometido, se puede identificar.
Los parmetros nos dan una forma natural de incorporar diferencias en los gustos y las
caractersticas de los hogares, en funcin de la oferta de corte transversal. Estos, son
usualmente incorporados a travs de variables como el hogar, el sexo, la educacin, el
tamao del hogar, la localizacin, etc. De igual forma, se puede observar que:
(8.11)
Donde L* indica la restriccin de no-negatividad sobre las horas trabajadas. El
salario de reserva se define cuando L* = 0, esto implica que:
(8.12)
Por lo cual:
(8.13)
De esta forma, la oferta laboral L viene dada por:
(8.14)
(8.15)
Entre los determinantes fundamentales del salario, se considera que la educacin
juega un papel importante y, por lo tanto, a mayor educacin mayor salario de
reserva [ Kettunen, J (1994), Alba, A (1992) en Uribe (1998)] . Entre otros factores que
inciden en el salario de reserva, se encuentran la probabilidad de recibir una oferta,
la distribucin de los salarios, los factores que determinan el bienestar de estar
desempleado [ Andres, Garca y Jimnez (1989)] . El salario de reserva entonces
podra ser una funcin que decrece con el tiempo de bsqueda.
ICESI
177
Para Uribe (1998) W* depende de la posicin en el hogar, de la edad, del sexo, del
tiempo de bsqueda y de la educacin. De igual forma Uribe (1998) determina el
salario esperado por los trabajadores como una funcin de la dispersin salarial, del
nmero de vacantes, del tiempo de bsqueda, del ingreso obtenido en el sector
informal y de la tasa de desempleo. Al igualar el salario de reserva y el salario
esperado se encuentran los determinantes del tiempo de bsqueda (ver Grfica 8.4).
Uribe encontr para la ciudad de Santiago de Cali, usando la Encuesta Nacional de
Hogares de 1992, que la elasticidad educacin del tiempo de bsqueda es del
0.7487, la elasticidad experiencia del tiempo de bsqueda es de 0.48. Que los jefes
de hogar buscan un 44.6% menos de tiempo en comparacin con los que no lo son
y tienen caractersticas similares y que un incremento en el 100% de las vacantes
disminuye el tiempo de bsqueda en el 0.6%.
En trabajos empricos, la desigualdad determina cundo (8.14) (8.15) es observa-
do. Supongamos que (8.13) se cumple. Ahora consideremos una familia en la cual
existe una cantidad de horas institucionales que debern trabajarse y nosotros
estamos interesados en la decisin de participar de un segundo trabajador, en el
mercado laboral, con lo cual estaramos considerando a dos integrantes de la familia
que trabajaran.
Las ganancias del primer trabajador podran ser un ingreso exgeno m. Inversamente,
el salario de reserva podra disminuir ante la existencia de deudas o intereses. El
parmetro
0
puede interpretarse como el ocio ya comprometido y variar entre los
hogares de acuerdo con las edades de los hijos y gustos. A mayor
0
, cuando el grupo
familiar tiene nios incrementa w* y reduce la probabilidad de trabajar, ya que entre
menos edad tenga el nio ms tiempo demandar para su cuidado y reducir la
probabilidad de participar.
De esta forma, el conjunto de ecuaciones (8.14) y (8.15), sirve para estimar las horas
trabajadas, como una funcin de la tasa salarial en estudios de corte transversal y
series de tiempo. La tasa de participacin y el nmero de horas trabajadas, han sido
usados como medidas de la oferta de trabajo, donde sta es explicada por las tasas
salariales y el ingreso[ Mincer (1970)] influyendo sobre la participacin de la mujer, en
el mercado laboral [ Owen (1969, 1971) Abbot y Ashelfeltar (1976) y Phlips (1978)] .
GRFICA 8.4. Determinacin
del tiempo de bsqueda.
ICESI
178
JHON JAMES MORA
Esta aproximacin nos muestra por qu muchos estudios son errneos: cambios en
la oferta agregada de trabajo como respuesta a cambios en w y son ocasionados
no solamente a cambios en la oferta de aquellos quienes actualmente estn traba-
jando, y que se puede ver en la ecuacin (8.13), sino tambin a travs de los cambios
ocasionados por la unin de los individuos en el hogar, y adems del tiempo que
queda para laborar en otros trabajos
23
. En ltimas, la oferta depende del cambio de
w* a travs de w.
La evidencia agregada a travs de series de tiempo es consistente con mostrar una
cada en el largo plazo en ambas horas trabajadas y en un incremento en la partici-
pacin de la mujer.
Para aquellos hombres que tienen un salario de reserva bajo y quienes trabajan
relativamente largas horas el efecto ingreso es dominante. En los estudios observa-
dos, esto significa que aumenta el salario, el ingreso y L.
Para las mujeres, sin embargo, el tiempo que se pasa en el hogar tiene un mayor
salario de reserva y, por lo tanto, la participacin y las horas trabajadas son menos
que la de los hombres. Por lo tanto, al analizar la oferta de trabajo deber realizarse
necesariamente en un contexto familiar.
En estudios de corte transversal de los hogares, los trabajadores decidirn cundo
participar o no, siendo la variable de participacin dicotmica . En algunos estudios,
esta variable dicotmica simplemente se regresa contra los determinantes de parti-
cipacin: nmero de hijos, nmero de personas que trabajan en la familia, sexo,
edad, nivel de educacin (Grenhalg (1980)).
Gronau (1973) ha propuesto el siguiente modelo: Sea
0
el ocio para el individuo h
que viene dado por:
(8.16)
Con Z
h
una variable de composicin, y
h
un trmino aleatorio de error. Si w
h
es el
salario ofrecido por participar, h podra participar si w
h
> w*
h
, esto es, si:
(8.17)
Por conveniencia
0
, T, Y y p no varan entre los hogares. Reescribiendo en trminos
de
h
tendremos:
23. Como menciona Pencavel (1998), existe una amplia literatura sobre las elecciones de trabajo de esposas y
esposos, pero muy poca literatura sobre las elecciones maritales que explican conjuntamente a esposos y
esposas. El trabajo de Pencavel apunta a las elecciones por educacin en los matrimonios, encontrando que
mientras en 1940 el 12% de esposas y el 15% de maridos tenan ms de 12 aos de escolaridad, en 1991 estos
porcentajes eran del 55% para esposas y esposos.
ICESI
179
(8.18)
Que es la decisin de participar. Nosotros sabemos que si sigue alguna funcin de
densidad, por ejemplo la normal, la desigualdad anterior nos dara la probabilidad de
participar en trminos de la funcin de distribucin, de las variables Z
h
, w
h
, y los
h
parmetros.
Si y*
1
representa el salario ofrecido menos el salario de reserva, el salario ms bajo
que se est dispuesto a aceptar, y y*
2
representa el salario ofrecido solamente
cuando exceda el salario de reserva, entonces nosotros observaremos el salario
actual, el cual es igual al salario ofrecido cuando:
(8.19) y
2i
= y*
2i
S y*
1i
> 0
y
2i
= 0 S y*
1i
0 i = 1,2,3...
Por otro lado, tambin sabemos que:
(8.20) y*
1i
= x'
1i

1
+
1i
y*
2i
= x'
2
i
2
+
2i
Donde
1i
y
2i
son distribuciones normales bivariadas con media cero, varianzas
21
y
2
2
y covarianza
12
. La funcin de verosimilitud vendr dada para este modelo como:
(8.21)
En ltimas, la fsuncin de verosimilitud se puede escribir tambin como:
(8.22)
Con la distribucin normal estndar y la funcin de densidad. Siendo un estima-
dor mximo verosmil, que es consistente incluso cuando los errores estn serialmente
correlacionados. De esta forma para un Tobit normal truncado tendremos:
ICESI
180
JHON JAMES MORA
(8.23)
8.1. El efecto de las herencias sobre la oferta laboral
El efecto de la herencia sobre la oferta laboral se conoce tambin como la hiptesis
de Carnegie [ Holtz-Eakin, Joulfaian, Rosen (1993)] . Segn esta hiptesis, una mayor
herencia disminuye la oferta laboral individual. En particular, los autores muestran
que una persona que recibe una herencia de U$150.000 est cuatro veces ms
dispuesta a no trabajar que una persona que recibe una herencia de U$ 25.000. La
hiptesis es importante en el sentido de que la corroboracin de la misma es
consistente con la hiptesis de que el ocio puede ser tratado como un bien normal.
Sin embargo, su importancia no slo radica en trminos de la verificacin de la
normalidad del ocio, tambin puede observarse cmo influye en el ciclo de vida a
travs de la decisin de trabajar. Holtz-Eakin, Joulfaian y Rosen (1993) encuentran
los siguientes resultados:
Modelo 1 2 3
Constante - 0,1485 0,0002771 1,272
(0,1507) (0,8588) (0,8819)
Herencia (Millones de U$) - 4,775 - 3,931 - 3,681
(0,7769) (0,7877) (0,8017)
[ Herencia (Millones de U$)]
2
2,427 1,944 2,069
(0,7976) (0,7781) (0,7450)
LF 82 = 1 si trabajo en 1982
0 de otra forma 2,915 2,918 2,203
(0,1679) (0,1757) (0,2056)
Edad en 1982 0,02375 - 0,03802
(0,04990) (0,05166)
[ Edad en 1982
] 2
- 0,0007358 - 0,00006577
(0,0006405) (0,0006626)
Ingresos (Millones de U$)
en 1982. 0,05749
(0,01091)
Dividendos + intereses
en 1982. - 0,01075
(0,004479)
Dependientes en 1982 0,3361
(0,1664)
Log Likelihood - 552,0 - 537,9 - 513,8
N 1632 1632 1632
TABLA 8.1. Modelo Logit sobre Herencias. (errores estndar entre parntesis)
Variable dependiente: 1 si trabaj en 1985
0 de otra forma
ICESI
181
Como se puede observar del modelo (1), un incremento en la herencia recibida reduce la
probabilidad de trabajar en 1985, siendo este efecto significativamente importante. Del
modelo (2) y (3) se puede deducir que la probabilidad de trabajar depende negativamen-
te de la edad, lo cual significa que a mayor edad mayor probabilidad de salir de la fuerza
de trabajo. En el modelo (3) se introducen los ingresos, los dividendos e intereses y el
nmero de personas dependientes del individuo en 1982. Los ingresos se interpretan
como una medida del costo de oportunidad de la fuerza de trabajo y debe esperarse que
individuos con mayores ingresos estn dispuestos a permanecer trabajando. Tambin
se puede observar que la probabilidad de permanecer trabajando aumenta con el
nmero de dependientes y decrece con la edad y los ingresos no dependientes del
ingreso (Herencias). Finalmente Holtz-Eakin, Joulfaian y Rosen estiman el mismo mode-
lo cuando los individuos reciben 2 o 3 ingresos adicionales y los resultados se mantienen
como se puede observar:
Modelo 1 2 3
Constante - 0,7466- 4,420 - 3,979
(0,2829) (0,8325) (0,8854)
Herencia (Millones de U$) - 2,6832 - 2.353 - 2,365
(0,4324) (0,4326) (0,4352)
[ Herencia (Millones de U$)]
2
1,259 1,0794 1,087
(0,3866) (0,3724) (0,3726)
LF 82 = 1 si la familia tiene
un ingreso por
trabajos en 1982
0 de otra forma 3,995 3,853 3,764
(0,3093) (0,3303) (0,3337)
LF 2 82 = 1 si la familia
tiene dos ingresos
por trabajos en
1982
0 de otra forma 6,196 6,071 5,985
(0,3135) (0,3346) (0,3398)
Edad en 1982 0,2315 0,2078
(0,03963) (0,04372)
[ Edad en 1982]
2
- 0,003139 -0,002854
(0,0004779) (0,0005296)
Ingresos (Millones de U$)
en 1982. 0,001964 (0,001613)
Dividendos + intereses
en 1982. - 0,0006123
(0,001051)
Dependientes en 1982 0,03711
(0,04144)
Log Likeli hood - 1768,0 -1727,1 -1725,4
N 2700 2700 2700
TABLA 8.2. Modelo Logit multinomial sobre herencias (errores estndar entre parntesis)
Variable dependiente: 0 si la familia tiene 0 ingresos en 1985
1 si la familia tiene 1 ingreso en 1985
2 si la familia tiene 2 ingresos en 1985
ICESI
182
JHON JAMES MORA
Los resultados confirman las conclusiones de que una mayor herencia recibida por la
familia reduce la probabilidad de que ambos cnyuges participen en el mercado de
trabajo e incrementa la probabilidad de que ninguno de ellos participe en el mercado
de trabajo.
8.2. Restricciones no lineales
y restricciones sobre las horas
Cuando en un pas existe un sistema de impuestos complejo y seguridad social, ello
origina restricciones no lineales, ya que las relaciones marginales cambiarn con el
ingreso:
Dado que los sistemas impositivos no son lineales, los incrementos marginales
aumentan con el ingreso produciendo una restriccin no lineal en la participacin de
la fuerza de trabajo como se observa en la grfica (8.5). La pendiente depender de
la relacin entre los ingresos, la existencia de patrimonios superiores a un monto
determinado por el gobierno, loteras, la existencia de herencias y del nmero de
dependientes. Por ejemplo, para el ao 2000 el gobierno Colombiano estableci la
siguiente tabla de retencin en la fuente, declaracin de renta y complementarios:
GRFICA 8.5. No linealidades generales
por tasas impositivas diferentes.
Interval os % Val or % Val or
retencin a retener Intervalos retencin a retener
1 a 1.100.000 0.00% 0 2.000.001 a 2.050.000 9.80% 198.500
1.100.001 a 1.110.000 0.09% 1.000 2.250.001 a 2.300.000 11.91% 271.000
1.110.001 a 1.120.000 0.27% 3.000 2.500.001 a 2.550.000 13.60% 343.500
1.120.001 a 1.130.000 0.44% 5.000 2.750.001 a 2.800.000 14.99% 416.000
1.130.001 a 1.140.000 0.62% 7.000 3.000.001 a 3.050.000 16.15% 488.500
1.140.001 a 1.150.000 0.79% 9.000 3.250.001 a 3.300.000 15.13% 561.000
1.150.001 a 1.200.000 1.28% 15.000 3.500.001 a 3.550.000 17.97% 633.500
1.200.001 a 1.250.000 2.04% 25.000 4.000.001 a 4.050.000 19.34% 778.500
1.500.001 a 1.550.000 5.57% 85.000 4.500.001 a 4.550.000 20.51% 915.000
1.550.001 a 1.600.000 6.03% 95.000 5.000.001 a 5.050.000 22.04% 1.107.500
1.600.001 a 1.650.000 6.46% 105.000 5.250.001 a 5.300.000 22.65% 1.195.000
1.650.001 a 1.700.000 6.87% 115.000 5.500.001 en adelante 35%
TABLA 8.3. Impuesto de retencin en la fuente: Ao gravable 2000.
ICESI
183
Lo cual origina no-linealidades en las relaciones consumo-ocio entre los individuos.
Ya que existe una gran cantidad de variables que podran causar no convexidades en
la participacin de la fuerza de trabajo, Hall (1973) ha sugerido que la restriccin no
lineal para un individuo puede ser reemplazada por la restriccin lineal C D tangen-
te al punto [ A] , grfica (8.6). En el punto [ A] el comportamiento correspondiente a la
restriccin TDC es idntico a TD'C'. Sin embargo, al estimar linealmente C'D', esta
depende de la oferta de trabajo observada y la causalidad podr presentarse no
solamente del salario al nmero de horas sino a la inversa, lo cual significa que los
individuos con bajas preferencias por ocio podrn tener un salario bajo y el efecto
estimado de los salarios sobre las horas podra estar sesgado hacia abajo. En
principio, una estimacin bajo un sistema de ecuaciones simultneas que reconozca
que la oferta y la tasa de salario son endgenamente dependientes, solucionar el
problema:
8.3. Restricciones sobre las horas trabajadas
La duracin del da de trabajo ha cambiado sustancialmente como lo observa Costa
(1998): pues de 10 horas en 1880 se pas a 8 horas en 1940 y a menos de 8 horas
en 1991 en U.S.A. Estos cambios son explicados por cambios tecnolgicos como la
electrificacin, lo cual se traduce en cambios en la demanda por das de trabajo de
las firmas; y en gran medida estos cambios se deben tambin a cambios en la
legislacin. Costa(1998) tambin muestra que para la poblacin masculina entre 25
y 64 aos, la elasticidad del salario con respecto a las horas trabajadas pas de
GRFICA 8.6. Causalidad bidireccional
del salario a las horas trabajadas.
Interval os de renta Tari fa del Interval os de renta Tari fa del
gravabl e o gananci a promedi o Impuesto gravabl e o gananci a promedi o Impuesto
ocasi onal del i nterval o ocasi onal del i nterval o
1 a 12.300.000 0.00% 0 35.500.001 a 35.700.000 17.44% 6.208.000
12.300.001 a 12.500.000 0.16% 20.000 40.100.001 a 40.300.000 18.76% 7.542.000
20.100.001 a 20.300.000 8.62% 1.742.000 50.100.001 a 50.300.000 20.92% 10.502.000
30.100.001 a 30.300.000 15.37% 4.642.000 53.700.001 a 53.900.00 21.86% 11.762.000
TABLA 8.4. Tarifas del impuesto sobre la renta y complementarios: Ao gravable 2000.
ICESI
184
JHON JAMES MORA
- 0.536 en 1890 a 0.104 en 1991. Cabe anotar tambin que las desigualdades en
ingresos entre los deciles 9 y 10, entre 1973 y 1991, son atribuibles a diferencias en
las horas trabajadas.
Debido a factores tecnolgicos y legislativos, muchos trabajadores no tienen una
completa flexibilidad al elegir las horas que desean trabajar. Esto afecta, al menos en
el corto plazo, la eleccin efectiva entre trabajar un da, una semana o no trabajar.
Para examinar cmo influye esta restriccin, supongamos que el nmero de horas
por semana es fijo a un nivel (independiente si trabaja un da, una semana o un
ao). Si el individuo decide trabajar, la restriccin presupuestaria ser:
(8.24) px = w + ,
De esta forma, la maximizacin de U(x, T - ) con T - = x
0
(ocio) sujeto a la restriccin
y usando la funcin indirecta de utilidad condicionada sobre el nmero de horas,
tendremos que n(w + , p, T - ). Como la decisin de trabajar es una eleccin
binaria, una comparacin entre la utilidad de trabajar y la utilidad de no trabajar
W(, p, T) determinar cundo es preferible trabajar o no:
El nmero de trabajadores que estaran dispuestos a trabajar, depender en el
agregado, a travs de la comparacin binaria de la distribucin conjunta de las tasas
de salario, del ingreso no laboral, de las caractersticas observables, y aquellas no
observables que entraran en la funcin de utilidad.
Como puede observarse, la curva de indiferencia
2
no es tangente sobre [ AB] en [ A] ,
en este caso el individuo trabaja ms horas en [ A] , de lo que podra elegir si todo [ AB]
fuese disponible. Sin embargo, [ B] no es la mejor eleccin para el individuo pues
implica una menor curva de indiferencia,
1
. La situacin est dada para que el
empleador tenga una considerable flexibilidad en poder variar el nmero de horas

GRFICA 8.7. Eleccin de trabajar.
ICESI
185
requerido. En el caso anterior, el trabajador solamente puede elegir no trabajar al
salario dado, si las horas trabajadas estn por encima de [ B] aunque l podra
aceptar algn nmero de horas entre [ A] y [ B] . Por otro lado, estar desempleado
podra ser resultado de informacin imperfecta acerca del rango de oportunidades
disponibles [ Spence (1973) y Stiglizt (1975)] .
Comprobar cundo los individuos tienen algn tipo de restriccin o no, puede ser un
procedimiento simple, en tanto se pueda obtener una estimacin correcta del grado
en el cual ellos estn subempleados o sobreempleados, entonces las tasas pueden
ser corregidas dada la oferta actual de trabajo.
Si esto no es as, es decir, si la informacin no es disponible, una solucin consiste
en partir del grado de subempleo terico y encontrar las funciones de probabilidades
subyacentes; veamos. Suponga que L
h
horas son reportadas por un individuo, cuya
oferta de trabajo es L
s
, entonces, hay tres posibilidades: Primero, l puede reportar
que est subempleado, en cuyo caso L
s
h
L
h
. Segundo, l puede reportar que est
sobreempleado, en cuyo caso L
s
h
L
h
y Tercero, l puede reportar que no est
racionado, en cuyo caso L
s
h
= L
h
. Si especificamos la funcin de oferta de trabajo
como L
s
h
= L
s
(x
h
) +
h
y
h
tiene una funcin de distribucin F() y una funcin de
densidad f(). Estos tres eventos pueden ser descritos como:
Evento Condiciones Probabilidad
Subempleado L
s
h
L
h
=
h
L
h
- L
s
(x
h
) 1 - F[ L
h
- L
s
(x
h
)]
Sobreempleado L
s
h
L
h
=
h
L
h
- L
s
(x
h
) F[ L
h
- L
s
(x
h
)]
Sin racionamiento L
s
h
= L
h
=
h
= L
h
- L
s
(x
h
) f[ L
h
- L
s
(x
h
)]
Suponga que las observaciones de 1 hasta R
1
se refieren a los subempleados, de
R
1
+ 1 a R
2
se refieren a los sobreempleados y de R2 + 1 hasta H se refiere a los no
racionados, entonces la densidad de probabilidad conjunta de la muestra, asumien-
do que
h
es independiente de xh a travs de los hogares ser:
(8.25)
En un estudio realizado por Ham (1977) usando datos de la universidad de Michigan
sobre ingresos, encontr a partir de la muestra que de las mujeres con edad entre 25
y 50 aos en 1967 solamente el 28% no experiment ninguna forma de racionamien-
to entre 1967 y 1974. El porcentaje anual de desempleados vari del 3.5% al 7%. Ham
censur la muestra (ver capitulo 6) y us mxima verosimilitud para estimar los datos.
8.4. Asignacin del tiempo para dormir
Como hemos visto hasta ahora, los consumidores asignan su tiempo entre las ms
diversas actividades, incluyendo el tiempo para dormir. Parece existir un consenso
de que las necesidades de dormir vienen determinadas biolgicamente, razn por la
ICESI
186
JHON JAMES MORA
cual su anlisis no debe ir ms all. En la mayora de estudios de oferta de trabajo
individual se asume implcitamente que es fija la cantidad de tiempo asignado entre
trabajo-ocio-dormir [ Michael (1973), Heckman y MaCurdy (1980), Deaton y Muellbauer
(1980)] . Sin embargo, la cantidad de trabajo que un individuo ofrece podra ser
variable si el tiempo usado para dormir cambia de semana a semana y de ao en ao.
Esto podra ser as, si la variacin en el tiempo usado para dormir cambia como
respuesta a cambios en los incentivos econmicos. Webb (1985) encuentra que la
presencia de nios en el hogar reduce la duracin del sueo y que las personas
duermen menos en los das de trabajo que en los fines de semana. De igual forma
Biddle y Hamermesh (1990) encuentran que una hora adicional de trabajo reduce el
tiempo para dormir en aproximadamente 10 minutos.
8.4.1. Demanda de tiempo para dormir
Cuando las personas no derivan utilidad de dormir y este hecho no tiene impacto
sobre la productividad del trabajo, entonces la eleccin de un consumidor es simple:
La duracin del sueo es igual al mnimo biolgico necesario T*
B
el cual variar
dependiendo de las elecciones que las personas realicen en torno a la asignacin de
su tiempo.
Para algunos individuos se puede asumir que el sueo es un bien intensivo en tiempo
y que su consumo produce utilidad como lo hacen otros bienes. Particularmente,
ser un bien que toma solamente tiempo y no bienes, aunque reduce la cantidad de
tiempo disponible para producir ingresos salariales
24
. Suponga que el salario de
mercado W
m
sea:
(8.26) W
m
= W
1
+ W
2
T
s
Donde W
1
y W
2
son positivos y T
s
es el tiempo asignado para dormir. Asuma que la
funcin de utilidad esta definida sobre T
s
y un bien Z de la forma:
(8.27) u = U ( Z, T
s
)
Asuma tambin que el tiempo de trabajo T* se divide en T
Z
+ T
s
+ T
w
. Por otro lado,
T
Z
= b
Z
es el tiempo usado en producir Z . La produccin de Z requiere una serie de
insumos X tales que X =
Z
25
. El precio de X es p y la restriccin individual vendr dada
por:
(8.28) pX = W
m
T
W
+
Donde es un ingreso no laboral como herencias, rifas o ingresos ocasionales. De
(8.26) y (8.28) se deduce que la restriccin para un individuo viene dada por:
24. No solamente es indispensable por estas caractersticas, como observa Becker (1965), el tiempo para dormir es
necesario para la productividad individual y la eficiencia.
25. Deber adoptarse coeficientes fijos en la tecnologa de la funcin de produccin de hogares (Captulo 5).
ICESI
187
(8.29) (W
1
+ W
2
T
s
)(T* - T
Z
- T
s
) + = pZ
La persona entonces maximizar (8.27) sujeto a (8.29). De esta forma, el problema
se plantea como:
(8.30) Max u = U
1
(Z) + U
2
(T
s
)
Sujeto a (W
1
+ W
2
T
s
)(T* - T
Z
- T
s
) + = pZ
El Lagrangiano ser:
(8.31)
De donde se deduce:
(8.32)
La ecuacin (8.32) muestra que la razn de las utilidades marginales entre consumo
y sueo debern ser iguales a la razn entre precios. El precio de una unidad de Z
refleja el costo de los bienes requeridos para producir ste, y el precio sombra del
tiempo necesario para su produccin. El precio de una unidad de sueo ser la tasa
de salario menos alguna adicin al ingreso laboral proveniente del efecto extra del
sueo sobre la productividad.
8.4.2. Efecto sustitucin y efecto ingreso
en la demanda de tiempo para dormir
A continuacin analizaremos qu sucede con el tiempo para dormir ante un cambio
en los incentivos econmicos. Suponga que I sea la situacin inicial sobre la lnea AC.
en la grfica 8.8, entonces un incremento en W produce una rotacin hacia afuera
partiendo desde A hacia AF, en la grfica 8.8. El efecto es contrario a lo que sucede
en el caso tradicional donde un incremento en el precio del bien sobre el eje horizon-
tal produce que la lnea de presupuesto gire desde CA hacia CG. La diferencia entre
ICESI
188
JHON JAMES MORA
CG y FA consiste en el efecto ingreso extra cuando se reasigna el tiempo total. De
esta forma, el efecto sustitucin ante un cambio de salarios ser el movimiento de I
a IV mientras el efecto ingreso ser de IV a II y no de IV a III como se observa en la
grfica:
La grfica (8.8) muestra cmo el efecto ingreso es positivo ante un incremento en W
para la demanda de Z y T
s
, dado que son bienes normales. Este resultado grfico se
puede corroborar de la solucin al problema (8.30), veamos:
(8.33)
De (8.33) se puede observar que la demanda por sueo se ve afectada por cambios
en aquellos factores exgenos que cambian la demanda por bienes o a travs del
bien compuesto Z. La demanda por sueo depender tambin de la cantidad de
ingresos laborales y del tiempo total, e inversamente del salario derivado por trabajar
y de la produccin de Z. Los efectos sustitucin e ingreso se pueden observar a
travs de un cambio en W
m
sobre T
s
en la forma usual:
(8.34)
En (8.34) el efecto ingreso ser positivo mientras el efecto sustitucin ser negativo.
Tambin se puede observar que cuando cambian los ingresos no laborales, siendo
productivo el sueo, una cada en T
W
aumenta el precio del sueo:
GRFICA 8.8. Efecto sustitucin
y Efecto ingreso.
ICESI
189
(8.35)
Biddle y Hamermesh estiman una ecuacin de demanda usando una muestra de
consumidores sobre usos de tiempo entre 1975-1976. La ecuacin estimada por
ellos, es:
(8.36) T
j
=
1j
+
2j
W
m
+
3j
I +
j
X +
j
Donde T es el logaritmo del tiempo cuando se trata de la demanda por sueo j = s
y caso de la demanda por el bien Z , j = Z. Wm es el logaritmo de la tasa de salario,
I es el logaritmo de otros ingresos, X es un vector de variables demogrficas y
j
es
el trmino aleatorio de error. Los resultados encontrados fueron:
Variable dependiente Salarios Ingreso
Todos los individuos
Sueo y Sueo ligero - 141.44 - 1.78
(77.35) (4.80) 0.24
Tiempo para producir Z 132.18 - 1.71
(129.37) (8.09) 0.162
Hombres
Sueo y Sueo ligero - 181.68 - 2.88
(120.88) (5.77) 0.40
Tiempo para producir Z 233.34 - 6.69
(193.67) (9.30) 0.50
Mujeres
Sueo y Sueo ligero - 64.30 1.55
(93.44) (8.43) 0.18
Tiempo para producir Z - 262.42 14.44
(166.99) (4.80) 0.053
TABLA 8.5. Demanda de tiempo para dormir.
En la tabla (8.5) se muestran los resultados para
2j
y
3j
. Los resultados son presentados
para la muestra entera y en forma separada para hombres y mujeres. Tal vez la conclu-
sin ms importante que se pueda obtener de un estudio como este, consiste en que
al menos una parte del tiempo para dormir es una reserva de la cual las personas
extraen tiempo cuando las circunstancias hacen atractivos otros usos. Esto significa,
que la eleccin del consumidor con relacin a la eleccin por tiempo para dormir, se
ve afectada por variables econmicas al igual que otras elecciones que usan tiempo.
ICESI
190
JHON JAMES MORA
Bi bl i ograf a
ABBOTT, M AND O, ASHENFELTER. (1976). "Labor supply, commodity demand, and the allocation
of time", Review of economics studies, vol. 43, pp.389-411.
ANDRS, JAVIER; JAUME GARCA Y SERGIO JIMENEZ. (1989). "La incidencia y la duracin del
desempleo masculino en Espaa", Moneda y credito,189, pp.75-124.
BECKER; G. S. (1965), "A theory of the allocation of time", Economic Journal, vol.75, pp. 493-
517.
BIDDLE, J.E AND D.S, HAMERMESH. (1990). "Sleep and the allocation of time", Journal of political
economy, vl.98, nm.5, pt.1, pp.922-943.
COSTA, D.L. (1998). "The unequal workday: a long-term view", The American economic review,
vol.88, num.2, pp.330-334.
DEATON, A AND MUELLBAUER, J. (1980). Economics and consumer behavior. Cambridge University
Press (1989).
GREEHALG, C. (1980). "Participation and hours of work for married women in Great Britain",
Oxford Papers, vl.32, pp. 296 - 318.
GRONAU, R. (1973). "The effects of children on the housewife: value of time", Journal of political
economy, vol. 81, supplement, pp. S168 - 99.
HALL, R.E. (1973). "Wages income and hours of work in the U.S. labor price" en Cain, B y Watts,
H (Comps.), Income maintenance and labor supply, Chicago.
HAM, J.C. (1977). "Rationing and the supply of labor: an econometric approach" en Deaton,
A and Muellbauer, J (Comps.) Economics and consumer behavior, (1989), Cambridge,
Cambridge University Press.
HAMERMESH, D.S. (1998). "When we work", The American economic review, vol.88, num.2,
pp.321-325.
HECKMAN, J.J AND T.E, MACURDY. (1980). "A life cycle model of female labor supply", Review of
economic studies, vl.47, Jan, pp.47-74
HOLTZ-EAKIN, D., D, JOULFAIAN AND H.S, ROSEN. (1993). "The Carnegie conjecture: some
empirical evidence", The quarterly journal of economics, may, pp.413-435.
MINCER, J. (1970). "The distribution of labor incomes: a survey with special reference to the
human capital approach", Journal of economic literature, vl.8, pp.1-26.
MICHAEL, R.T. (1973). "Education in nonmarket production", Journal of political economy,
vl.81, nm.2, pt.1, pp.306-27.
OWEN, J.D. (1970). "The demand for leisure", Journal of political economy, vol. 79, pp.56-76.
PENCAVEL, J. (1998). "Assortative mating by schooling and the work behavior of wives and
husbands", The American economic review, vol.88, num.2, pp.326- 329.
PHLIPS, L. (1978). "The demand for leisure and money", Econometrica, vol. 46, pp.1025-43.
ICESI
191
SPENCE, M. (1973). "Job market signaling", Quarterly journal of economics, vol.87, pp.355-
79.
STIGLITZ, J.E. (1975). "The theory of screening, education and the distribution of income",
American economic review, vl.65, pp.283-300.
URIBE, J.I. (1998). "Duracin del desempleo: un modelo de determinantes y su aplicacin al
rea metropolitana de Cali", Tesis doctoral no publicada, Facultad de Ciencias Econmi-
cas y Empresariales, Departamento de Economa Aplicada III, Universidad Complutense
de Madrid.
WEBB, W.B. (1985). "Sleep in industrialized settings in the Northern Hemisphere", Psychological
reports, 57, Oct, pp.591-98.
ICESI
192
JHON JAMES MORA
En los ltimos aos, el desarrollo de la legislacin medioambiental en pases como
el nuestro
26
, ha despertado un creciente inters en estimar los cambios en el bienes-
tar de los individuos ante cambios en las provisiones de bienes naturales como el
medio ambiente, esto es, el efecto de una modificacin por ejemplo en la calidad del
aire, o en la calidad de zonas naturales como parques, lagos, paisajes, etc.
En este captulo se presentarn los siguientes mtodos de valoracin ambiental: el
mtodo de coste de viaje, el mtodo de los precios hednicos y el mtodo de la
valoracin contingente. El objetivo fundamental de este captulo es ampliar el horizon-
te de pensamiento de aquel lector que ha seguido los captulos anteriores. En este
sentido, una revisin de los captulos 1-3 de este libro y luego una lectura al libro de
Azqueta (1994), Pearce y Turner (1990) y al libro de Freeman III (1993) podrn brindar
una idea ms general de los mtodos de valoracin ambiental.
9.1. El mtodo de coste de viaje
Para ilustrar el mtodo de coste de viaje, se usarn dos aproximaciones: La primera
parte consiste en el modelo tradicional de coste de viaje adicionando el uso de
variables latentes [ Mora (1997)] . La segunda parte consiste en el modelo de utilidad
aleatorio para el nmero de visitas.
9.
Aplicaciones de la teora del consumidor
al medio ambiente
26. Especialmente con la expedicin de la ley 99 de 1993 se reglamenta el cobro por uso de los recursos ambientales.
A partir de la expedicin de esta ley, diferentes modificaciones se han realizado, una de las ltimas, el decreto 901
de abril de 1997, reglamenta las tasas retributivas por uso directo o indirecto del agua como receptor de
vertimientos puntuales.
ICESI
193
9.1.1. El uso de variables latentes
Considere una serie de consumidores que deciden visitar un paisaje especfico, el
cual es considerado como un bien. Los agentes econmicos toman la decisin de
visitar dicho paisaje, de acuerdo con los "precios" del paisaje, y aunque no existe un
precio explcito por el bien paisaje, esto no quiere decir que este precio no exista, ya
que el consumidor realiza una serie de gastos cuando visita un lugar determinado,
y a travs de estos gastos se puede estimar una funcin de demanda por paisaje. Los
gastos dependen del coste del viaje en cualquier tipo de transporte (Pt), del gasto
derivado de estar en un lugar determinado (incluyendo alimentacin, etc.) (PA), y del
coste de oportunidad del salario (PW).
Dado que cada visita tiene un gasto, el consumidor buscar minimizar el gasto de
cada visita manteniendo su utilidad. As el problema se plantea como:
(9.1)
Donde c(u,p) es la funcin de gasto e Y el ingreso. De esta forma, un consumidor
planea una serie de actividades derivadas de contemplar un paisaje, pasear por un
lugar, etc. y elige un bien Z, la cantidad de viajes a ese lugar. El problema planteado
de la anterior forma, es el simple modelo de coste de viaje utilizado por Bockstael et-
al (1987), Smith y Kouru (1990). Siguiendo a Kealy y Bishop (1986) y asumiendo una
funcin de utilidad cuadrtica (cuasilineal) de la forma:
(9.2)
Donde A
0
, A
1
y A
2
son los parmetros de la funcin de utilidad. A
0
depende de las
caractersticas individuales S(Sexo, Edad, Ingreso), Pollak y Walles (1969), Pollak
(1969,1970)
27
y A
2
depende de las caractersticas paisajsticas P
j
. Siendo A
0
y A
2
lineales, el problema se puede tambin plantear como:
(9.3)
Solucionando la anterior ecuacin, para el problema de maximizacin en Z, bajo una
solucin interior obtenemos:
(9.4)
27. En Deaton y Muellbauer (1980).
ICESI
194
JHON JAMES MORA
Donde y . La funcin de demanda anterior requiere una
solucin interior para el mercado de trabajo, dependiendo la misma del tiempo cuando
este es exgeno o endgeno McConell (1992), Bockstael, Hanemann y Strand (1987).
Si se asume como en Bockstael et-al que la tasa de salario refleja el valor del tiempo
individual, dado que trabajo y ocio se intercambia marginalmente, obtenemos un valor
real para el parmetro asociado al coste de oportunidad. En caso contrario el valor
marginal del tiempo individual en otros usos, no es igual a la tasa de salario y el coste
de oportunidad no es igual al valor del parmetro obtenido.
Balkan y Kahn (1988), Willis y Garrod (1991), Kealy y Bishop (1986), Bokstael, Strand
y Hanemman (1987) entre otros, muestran lo inapropiado de utilizar mnimos cuadra-
dos ordinarios para estimar (9.1.4) cuando se usan encuestas debido al sesgo
obtenido cuando no se tiene en cuenta a toda la poblacin. Los resultados muestran
que bajo mnimos cuadrados ordinarios se sobrestima la verdadera magnitud del
excedente del consumidor. Esta es una consecuencia del sesgo de truncamiento
asociado con la coleccin de datos cuando se estima slo una parte de la poblacin
real o cuando existen sesgos de informacin en la misma encuesta. De esta forma,
asumiendo que la demanda por paisaje, derivada de una encuesta, provee la infor-
macin sobre la parte de la poblacin que elige un determinado sitio por visitar, pero
no toma en cuenta la informacin sobre otros grupos que demandan paisaje como
serian los ganaderos, los pastores, etc.,
28
o sobre los que no viajan aun cuando
pudieran demandar paisaje, cualquier estimacin bajo mnimos cuadrados ordina-
rios mostrara sesgos de truncamiento. Siguiendo la especificacin de Englin y
Schonkwiler (1995) la funcin de demanda tiene la siguiente forma semilogartmica:
(9.5) E(Z
i
, X
i
)= u
i
= e
X* iB
donde X*
i
= [ P*
i
| X
i
] =
Esto significa que una de las variables independientes se construye a partir de un
modelo Latente P*
i
, y de las variables X
i
definidas en la ecuacin de demanda (9.4).
Teniendo en cuenta que un estimador es consistente, si los trminos de los errores
son normales, [ Grogger y Carson (1989)] , y obteniendo una funcin de verosimilitud
conjunta para un modelo de variables latentes y truncado, obtenemos un estimador
mximo verosmil basado en la funcin de densidad de Z
ji
la cual es truncada a una
normal
29
.
28. Willis y Garrod (1991) justifican su uso, ya que se sobrestima la verdadera magnitud del excedente del consumidor de
la siguiente forma: Esta una consecuencia de los sesgos de truncar asociados con la coleccin de datos, los cuales
surgen porque en el modelo de demanda estimado sobre encuestas existen sesgos conducidos en cada lugar de recrea-
cin, si bien, tales encuestas son usadas comnmente en estudios de demanda por recursos, ellos no proveen informa-
cin sobre los individuos que no eligen usar un lugar Pg. 39.
29. Englin y Schonkwiler (1995), utilizan una binomial negativa truncada con variables latentes, el hecho de que el parmetro
de sobredispersin diera mayor que cinco, muestra la existencia de sesgos al 95% segn Grogger y Carson (1989,
pag32), siendo de esta forma los resultados inconsistentes. Por esta razn, y con base en los resultados de Grogger y
Carson (1989) se propuso una funcin truncada a una normal con variables latentes.
ICESI
195
(9.6)
La ecuacin (9.6) representa la funcin de demanda por paisaje, en donde la varia-
cin compensatoria y la equivalente son iguales al excedente del consumidor, que a
su vez viene definido como:
(9.7)
Donde A1 es el valor estimado del parmetro en P, y Z el nmero de viajes. De Kealy
y Bishop (1986), Bockstael, Hanemman y Strand (1987) se conoce que C
s
es sesga-
do y de la forma (1/ (t-ratio)^ 2), y el excedente agregado del
consumidor ser:
(9.8)
Donde n es la poblacin total de visitantes, Z el nmero de viajes por persona y Cs
el excedente del consumidor por viaje definido en (9.7).
Para estimar (9.7) y (9.8) se realiz una encuesta aleatoria en la zona de Alameda del
Valle (Espaa), situada a 92 Kilmetros al norte de Madrid. El lugar tiene 2520,8 Ha
de zonas especialmente protegidas y 20,2 Ha de suelo urbano. La configuracin del
paisaje depende de una serie de caractersticas particulares como la presencia de
pinos y robles sembrados en Montes de propiedad pblica, la utilizacin de cercas
de piedra para encerrar al ganado y que hoy da tiene poca funcin, pues la actividad
ganadera viene decayendo a raz de las medidas tomadas por el gobierno espaol
para la insercin de Espaa a la Comunidad Econmica Europea. Esta serie de
caractersticas muestran un paisaje rural, donde la actividad del hombre ha sido
decisiva en la configuracin de dicho paisaje. El tamao de la encuesta es de 70
personas a quienes se les pregunt acerca de caractersticas como la vegetacin
anteriormente descrita, las cercas de piedra, el aspecto rural, y la relacin entre el
hombre y la naturaleza. Se pregunt adems caractersticas individuales como sexo,
edad, ingresos, profesin, aos de educacin, el tamao del grupo con que se
desplazaba y el tipo de transporte utilizado. De a cuerdo con estas preguntas se
obtuvo que el 68.58% de las personas que visitaban Alameda del Valle eran hombres,
el 77.15% le gustan los paisajes con pino, el 70% las cercas de piedra, el 67.72% los
paisajes con roble, el 75.72% le gustan los paisajes con aspectos rurales, el 64.25%
le gusta la relacin entre el hombre y la naturaleza, el 54.29% le gusta el paisaje de
ICESI
196
JHON JAMES MORA
la zona por su valor histrico, el 78.58% los espacios libres, el 87.15% de las personas
haba visitado antes la zona, el 70% de las personas tiene como nico motivo visitar
la zona. En relacin con preferencias por zonas aledaas, el 34.28% prefiere adems
de Alameda del Valle, la zona de Presa Pinilla y el 31.42% prefiere adems el Paular.
Tambin se encontr que el 62.85% de las personas no pertenecen a grupos relacio-
nados con el medioambiente. Con relacin a las variables de respuesta cuantitativa
se obtuvieron los siguientes datos:
De la encuesta realizada, se procedi a estimar (9.6) por mxima verosimilitud usando
los costos implcitos, esto es, los costos de desplazamiento que se construyen como
2* 92 km* 0,026 mil pesetas ms los gastos en el da reportados en la encuesta. Por otro
lado, 0.026 son los costos de desplazarse en automvil por Km. (incluye Gasolina,
gastos de depreciacin, aceite, etc.) y 92 es la distancia desde Madrid a Alameda del
Valle, a este valor se le suman los costos de estar en el lugar(alimentacin, etc. que
fueron reportados en la encuesta). Cuando se le suman a los costos implcitos, el costo
de oportunidad del tiempo se obtiene el costo total. Los resultados se pueden
observar en la tabla (9.2).
Variable Observaciones Media Mnimo Mximo
Educacin 70 15.17143 0 19
Aos 70 34.97143 18 70
Ingreso 70 161.4286 20 500
Numero de visitas 70 9.357143 1 45
Costo implcito 70 7.133857 4.98 10.98
Costo total 70 11.3035 6.3217 25.605
TABLA 9.1. Resumen estadstico de las variables.
ICESI
197
Variable dependiente
30
: Nmero de viajes
Nmero de observaciones: 70
Variables Modelo 1 Modelo 2
Sexo
31
/ -1.02807 0.69317
(-0.916) (0.596)
Educacin -0.840202 -0.984842
(-1.805) (-1.960)
Aos 0.240119 -0.001238
(0.462) (-0.023)
Ingreso 0.0000132 0.154519
(1.803) (1.674)
Latpaisa
32
/ 0.1765821 0.1757131
(1.681) (1.484)
Costo implcito -0.4963451
(-1.849)
Costo total -0.1943029
(-4.226)
Constante 17.4997 16.9545
(2.186) (1.973)
2.6444 2.800848
(0.592606)* (0.6312835)*
2
(6)= 16.37 Prob>
2
= 0.119
2
(6)= 12.80 Prob>
2
= 0.0464
Pseudo R
2
= 0.1403 Pseudo R
2
= 0.1097
Log Likelihood= -50.153017 Log Likelihood= -51.93669
Likelihood Ratio Test
33
2
(5) = 13.43
2
(5) = 12.49
Prob>
2
= 0.0197 Prob> c2 = 0.028
Information Matrix
F(5,64)= 1.67 F(5,64)= 1.30
Prob> F= 0.1545 Prob> F= 0.2737
TABLA 9.2. Demanda estimada del modelo de coste de viaje
30. t entre parntesis a excepcin de (* ) errores estandar.
31. El resultado poco significativo en las variables de sexo y educacin contrasta con los resultados obtenidos cuando se
usaron los indicadores del paisaje, pues usando estos indicadores dichas variables fueron significativas.
32. Esta variable se construyo a partir del modelo de variables latentes descrito en l capitulo 6.
33. Maddala (1995) conjetura que Score Test es ms eficiente que Lr-test, sin embargo Maddala no presenta resultados que
invaliden Lr-test. Dado que
2
(5)
al 99% = 15,09 y al 99.5%= 16.75 no se puede rechazar la hiptesis de homocedasticidad.
Para el primer modelo se tuvieron en cuenta los costos implcitos. El coeficiente del
precio es negativo y diferente de cero al 6%, igualmente resultaron significativas las
variables educacin, ingreso, la variable latente paisaje y la constante. Sin embargo,
ICESI
198
JHON JAMES MORA
las variables sexo y edad no resultaron significativas
34
. En cuanto a la variable latente
del paisaje (Latpaisa) su valor se aproxima al verdadero valor del paisaje
35
. En
relacin con el excedente del consumidor, ste fue de 1007.36 pesetas con un sesgo
de 29.25%. En el segundo modelo se us el costo total que es igual al costo
implcito ms el coste de oportunidad del tiempo
36
, de aqu se observa que el
coeficiente del precio es negativo y significativamente diferente de cero, y las otras
variables conservan sus signos y significancia. El excedente del consumidor es de
5302.06 pesetas, con un sesgo del 5.5999%, de donde se observa que los resultados
no son significativamente diferentes con relacin a los costos en su conjunto, usando
variables latentes:
Si se toma el costo implcito, los resultados de modelar el paisaje como una variable
latente, o usar los indicadores del mismo tiene grandes efectos sobre el excedente
del consumidor. Si se toman los costos totales, el efecto sobre el excedente del
consumidor no es muy significativo.
El excedente del consumidor se grafica a travs de la curva de demanda de la
siguiente forma: Siguiendo a Balkan y kahn (1988)
38
, y usando el coste mnimo, se
despeja el nmero ptimo de visitas (z) de la ecuacin de demanda. Por otro lado,
la ecuacin de demanda en la grfica (9.1) se calcul teniendo en cuenta que si la
funcin de utilidad es lineal en el ingreso, la utilidad marginal del ingreso es constante
y por lo tanto igual a 1. Con respecto a la variable Latpaisa su valor es de 1 mientras
para las otras variables su valor ser de cero.
34. Este resultado se debe a la especificacin del paisaje como variable latente. En el modelo tradicional (usando los
indicadores del paisaje) esta variables resultaron significativas.
35. Cuando se usaron los indicadores del paisaje (pino, roble, cercas de piedra, aspecto histrico) los resultados para
estos valores eran inconsistentes. Con la nueva especificacin se obtiene (1/0.49645)* (0.17499)= 0.3557647, es
decir, 35,6% de cambio en el nmero de visitas ante una visin unidimensional del paisaje.
36. El coste de oportunidad del tiempo se calcul como el tiempo de viaje por 2 por (1/4) del salario del momento ms
el salario por (3/4) si el bienestar es mayor del 50%. El tiempo de viaje por 2 por (1/4) del salario del momento ms
el salario por (1/2) s el bienestar es igual al 50% y, el tiempo de viaje por 2 por (1/4) del salario del momento ms
el salario por (1/4) si el bienestar es inferior al 50%. Donde la variable bienestar proviene de la encuesta y capta
qu tanto consideran los agentes que le reporta beneficios el viaje a la zona de Alameda del Valle.
37. Esta regresin se calcul usando los indicadores del paisaje, esto es, cercas de piedra, pino, roble y aspectos
histricos junto a las variables de costo.
38. Balkan y kahn (1988) usan el coste promedio.
Diferencia entre modelos Costo implcito Costo total
Paisaje como variable latente. 1007.36 5302.06
Paisaje como variable normal
37
. 1398,81 5318,18
Variacin del excedente del consumidor. 38.82% 3.5%
TABLA 9.3. Excedente del consumidor por viaje.
ICESI
199
Si tenemos en cuenta el nmero de viajes ptimo derivado de la primera regresin, de
acuerdo con la grfica (9.1) el excedente del consumidor estimado por (9.7) sera de
(15.20485)^ 2/2* (0.496345) el cual es 232.889 pesetas que es aproximadamente el
rea ABC. El excedente agregado sera de 16'302.292(232.889* 70); si incorporamos
el sesgo (29,5%), su valor sera de 11'574.627 el cual es aproximadamente igual al valor
obtenido a travs de (9.7), esto es, de 11'982.590. Por otro lado, la valoracin social
del paisaje a travs del excedente agregado del consumidor es de 63'068.049 pesetas
usando el costo total en el modelo de variables latentes y la ecuacin (9.8).
9.1.2. El modelo de utilidad aleatorio
Parsons y Kealy (1992) consideran que un individuo toma el nmero total de viajes
a un lago como predeterminado y decide cul lago visitar en cada viaje. El o ella, tiene
una utilidad cuando viaja al lago (a
i
) de la siguiente forma:
(9.9)
ai
= V
a
+ V
ai
-
ai
-
a
V
a
es un componente sistemtico de utilidad comn a todos los lagos en el rea de
Wisconsin (a = 1 si el lago se localiza en el norte y a = 0 si se localiza en el sur). V
ai
es un componente sistemtico para el lago i en el rea a (i= 1,,N si est en el norte;
e i= 1,,S si est en el sur). El trmino
ai
+
a
es un elemento aleatorio que captura
las caractersticas excluidas del lago. La parte
a
incorpora las caractersticas exclui-
das comunes a todos los lagos en el rea a. Definiendo V
a
= V( X
ai
, p
ai
) donde X
ai
es
un vector de las caractersticas del lago como el tamao, facilidades comerciales,
calidad del agua del lago y p
ai
es el precio de visitar el lago incluyendo el costo de
oportunidad del tiempo y los costos de viaje. Parsons y Kealy (1992) usan una funcin
de utilidad lineal de la forma:
(9.10) V
ai
= Z
ai
donde Z
ai
= (X
ai
, p
ai
)
Dado que los lagos del noroeste de Wisconsin tienen substanciales diferencias con
respecto a los del sur, Parsons y Kealy definen V
a
= d
a
donde d
a
= 1 cuando el lago
se encuentra en el norte y d
a
= 0 cuando se encuentra en el sur. V
a
captura una
GRFICA 9.1. Demanda estimada y excedente del consumidor.
ICESI
200
JHON JAMES MORA
contribucin "promedio" a la utilidad para un viaje tomado en el norte en relacin con
un viaje en el sur. De esta forma, la utilidad aleatoria para una visita a un lago
(a
i
) es:
(9.11)
ai
= d
a
+ Z
ai
+
ai
+
a
Dado que un individuo decide cundo visitar un lago en el norte o en el sur, se asume que
ai
es una variable aleatoria idntica e independientemente distribuida con un parmetro
de escala = 1. De esto se sigue que la probabilidad individual de visitar el lago i , dado
que l o ella realizan un viaje al norte o al sur, viene definida por el Logit:
(9.12)
Donde N es el conjunto de lagos que entra en el conjunto de eleccin cuando el
individuo se desplaza al norte y S es el conjunto de lagos que entra en el conjunto de
eleccin cuando el individuo se desplaza al sur. De aqu se sigue que:
(9.13) Max(Z
11
+
11
,.., Z
1N
+
1N
)
(9.14) Max(Z
01
+
01
,.., Z
0N
+
0N
)
Son variables aleatorias con
(9.15) E(Max(Z
11
+
11
,.., bZ
1N
+
1N
))= I
1
= Ln + 0.577
(9.16) E(Max(Z
01
+
01
,.., Z
0N
+
0N
))= I
0
= Ln + 0.577
Definiendo = Max(Z
11
+
11
,.., Z
1N
+
1N
))-I
1
y = Max(Z
01
+
01
,.., Z
0N
+
0N
))- I
0
y,
asumiendo que +
1
y +
0
son i.i.d variables aleatorias con un parmetro de escala
, entonces la probabilidad de elegir un lago en el norte o en el sur, ser:
(9.17)
ICESI
201
Dado que = 1 en el lugar de eleccin, entonces / = en el rea de eleccin.
Tambin se asume que = en el modelo. Si un individuo visita el lugar (ai) un total
de T
ai
veces durante el ao, la probabilidad es [ P(ai)] . Si el individuo visita ms de
un lugar, la probabilidad de las visitas ser
a

i
[ P(ai)] . La funcin de verosimilitud
para el Logit vendr dada por:
(9.18) L =
n
a

i
[ P
n
(i| a) P
n
(a)]
Donde Pr
n
(i| a) proviene de la ecuacin (9.12) y Pr(a) de la ecuacin (9.17) y n denota
el n-simo individuo.
La variacin equivalente y compensatoria para (9.18) ante un cambio en la calidad
del agua, viene determinada por:
(9.19) w = [ ]
Donde y se refiere a los valores de e con mejoramientos en la calidad del
agua y,
y
es la utilidad marginal del ingreso, esto es, el coeficiente sobre P
ai
en el
modelo de utilidad aleatoria.
Dado que Wisconsin tiene una gran variedad de lagos, los autores proponen estimar
el modelo de la siguiente forma: todos los sitios entran en el conjunto de oportunida-
des de la persona, pero el modelo se estima usando un subconjunto aleatorio
extrado del conjunto total. De esta forma, cuando un individuo visita un lago en el
norte, 23 lagos son extrados aleatoriamente del conjunto de lagos (esto significa
incluir todos aquellos en un radio de 180 millas desde el hogar) y se le adiciona al
subconjunto el lago que visita actualmente. Este mtodo tambin se us para el sur.
Los autores usan conjuntos de oportunidades aleatorias de 3,6,12 y 24 lagos.
MacFadden (1978) muestra que considerar, el modelo de esta forma, da estimadores
insesgados del modelo cuando se usa el conjunto de alternativas total. El resultado
encontrado por Parsons y Kealy (1992) se puede observar en la siguiente Tabla 9.4.
Donde la variable PRICE es el costo de oportunidad del viaje, esto es, 1/3* [ Ingreso
anual/2080] * Tiempo de Viaje ms [ 0.10* 2* distancia al lago] . LNACRES es el logaritmo
de los acres que tiene el lago. CF, que es igual a 1 si el lago tiene facilidades
comerciales y cero si no. REMOTE, que es igual a 1 si el lago es navegable y cero si
no. NORTH si el lago est en el norte y cero si no. LNMXD, que es el logaritmo de la
mxima profundidad del lago. BR, que es igual a 1 si existen rampas para botes y cero
si no. INLET, que es igual a 1si el lago tiene ensenadas y cero si no. DONO, que es
igual a 1 si el hypolimnion est vaco de oxgeno y cero si no. DOYES, que es igual
a 1 si el oxgeno disuelto en el hypolimnion es mayor que 5 ppm y cero de otra forma.
CLEAR, que es igual a 1 si la profundidad promedio es al menos de 3 metros y cero
ICESI
202
JHON JAMES MORA
de otra forma. Como puede observarse, la mayora de las variables fueron significa-
tivas dados sus valores t (entre parntesis). Parsons y Kealy consideraron para el
anlisis de cambio en el bienestar las variables DONO y DOYES que median el
cambio en la calidad del agua como se mencion anteriormente. Especficamente
cuando el nmero de lagos es de 24, se encontr que el valor fue de US$0.50 para
la pesca, mantenindose el patrn en todas las alternativas
39
.
39. Los autores estiman el modelo tambin cuando los visitantes usan el lago para natacin, pesca, vela, y por paisaje.
Los resultados aqu presentados son especficamente para pesca, el excedente para natacin es de US$0.83,
para vela de US$0.19 y para paisaje de US$0.15.
DATOS PARA PESCA
Nmero de lagos extrados del conjunto de oportunidades
Variables 3 6 12 24 24 (visitados)
PRICE -.20(24.8) -.27(33.8) -.25(45.5) -.23(52.4) -.24(55.1)
LNACRES .69(15.3) .61(21.1) .55(24.0) .56(30.0) .38(22.6)
CF -.22(1.7) .19(1.9) .18(2.4) .31(4.5 .20(2.9)
REMOTE .34(1.6) -.47(3.4) -.33(2.7) -.48(4.3) -.11(1.1)
LNMXD .45(5.6) .54(8.8) .44(9.9) .38(10.5) .26(7.0)
BR -.43(3.0) -.61(6.9) -.46(6.1) -.28(4.3) -.22(3.5)
INLET .86(5.2) .90(6.3) 93(8.7) .63(7.0) .64(7.0)
DONO -.85(4.7) -.88(6.7) -.84(8.2) -.79(8.8) -.82(10.0)
DOYES -.15(0.8) -1.02(6.5) .30(2.5) .11(1.0) .33(4.0)
CLEAR
INC VALUE () .20(9.9) .16(9.8) .17(9.9) .18(9.9) .18(9.6)
NORTH .54(3.5) .53(3.6) .52(3.5) .53(3.5) .59(3.8)
Nmero de
Visitas 3.598 3.598 3.598 3.598 3.598
Nmero de
Individuos 239 239 239 239 239
Primer estado:
Log Likelihood -790 -1,599 -2,670 -4,154 -5,162
Pendiente = 0
Log-L -3.954 -6,448 -8,943 -11,437 -11,437
Segundo estado:
Log Likelihood -338 -338 -338 -338 -337
Pendiente = 0
Log-L -438 -438 -438 -438 -401
TABLA 9.4. Demanda estimada del modelo de coste de viaje usando Mxima Verosimilitud para un Logit.
ICESI
203
9.2. El mtodo de los precios hednicos
Cuando los individuos adquieren un bien en el mercado, su adquisicin se realiza en
tanto tiene una serie de atributos que el consumidor desea
40
. Sin embargo, como se
observ en captulos anteriores, algunos bienes podran tener ms de un atributo
Quin usa el tiempo de ocio slo para ver televisin? Como bien lo plantean
Atkinson y Halvorsen (1984), muchos bienes pueden ser vistos como canastas de
atributos individuales que tienen mercados explcitos. En el captulo 5 se encontr
que los atributos de los bienes entraban directamente en la funcin de produccin de
hogares, que en adelante ser nuestra funcin de utilidad, aunque no tenan un
mercado explcito pues lo que observaban los agentes eran los precios de los bienes.
En esta seccin, se presentar una lnea de investigacin que pretende avanzar en
algunas de las ideas planteadas en dicho captulo.
Rosen (1974), propone una tcnica de estimacin de atributos en dos etapas:
Primero, el precio de un bien se regresa en trminos de sus atributos. Y la derivada
parcial del precio del bien con respecto a un atributo se interpreta como el precio
marginal implcito. En la segunda etapa los precios implcitos estimados son usados
para estimar las demandas inversas de los atributos.
La segunda etapa de Rosen, puede producir algunos "riesgos" como la multicolinealidad
entre los atributos, generando un cambio en los signos esperados [ Hogarty(1975),
Deaton y Muelbauer (1980), Atkinson y Halvorsen (1984)] .
El modelo de Precios hednicos puede plantearse de la siguiente forma: Suponga-
mos un consumidor con un vector de caractersticas socioeconmicas a que deriva
su utilidad de consumir varias caractersticas de un bien g que tiene una serie de
atributos z
1
, z
2
,.., z
n
(por supuesto, algunos atributos son medioambientales como la
polucin, etc.) y de un bien numerario x. Sea la funcin de utilidad:
(9.20) = (z
1
,z
2
,,z
n
, x, )
Que se maximiza con respecto a la restriccin presupuestal:
(9.21) Y = x + P(z
1
,z
2
,,z
n
)
De las ecuaciones anteriores deber quedar claro que la funcin de utilidad es
dbilmente separable en el sentido de Maler (ver Captulo 5), esto es, los atributos Z
i s
son dbilmente separables de los otros bienes. Dada la dbil separabilidad una
eleccin por los atributos puede ser analizada de maximizar la funcin de subutilidad
sujeta a las restricciones de gasto del bien en cuestin:
(9.24) Y
g
= C(g) +
40. Ver al respecto el captulo 7.
ICESI
204
JHON JAMES MORA
Se supone que Y
g
es la parte del gasto asignada al bien g. Adems, existen unos costes
fijos de consumir g, C(g). Y el bien se deprecia a una tasa de descuento de r, una mejor
formalizacin podra incluir una tasa de preferencia r en la especificacin. El lagrangiano
para este problema de maximizacin ser:
(9.25) L = (g,x) + l[ Yg - C(g) - ]
De las condiciones de primer orden, encontramos que la demanda para el bien g
depende de las caractersticas socioeconmicas y que indicara la disposicin
marginal a pagar por una unidad adicional de la misma, esto es, su precio implcito.
Por otro lado, la existencia de restricciones lineales o no lineales, podra volver algo
complejo el problema como en Palmquist (1984). En ltimas, una funcin lineal
implicara que los precios implcitos de los diferentes atributos permanecieran cons-
tantes cualquiera que fuese el nivel de partida, implicando una combinacin aditiva
entre estos. En cuanto a las restricciones no lineales, el precio implcito cambiar en
tanto cambien las caractersticas con relacin a la cantidad consumida, esto significa
que la importancia marginal del atributo cambiar de acuerdo con el tipo de especi-
ficacin (Logartmica, Semilogaritmica, Cuadrtica, Exponencial o Box-cox) [ Ver
Azqueta p.138] .
Un problema adicional surge en la estimacin: debido a que no se conoce la forma
funcional correcta y si adems algunos atributos no son incluidos, obviamente existe un
problema de identificacin. Atkinson y Halvorsen (1984) asumen funciones de utilidad
Homotticas y, de este forma, ecuaciones hednicas no lineales daran los cambios en
los precios marginales. La homoteticidad asignada escala las compras de los individuos
con diferentes ingresos, lo que da el nmero de observaciones necesarias sobre la curva
de indiferencia. Brown y Mendelsohn (1984), Brown y Rosen (1982) y Palmsquist (1984)
presentan como mtodo alternativo usar datos de mercados espacial o temporalmente
diferentes, de esta forma, separan las ecuaciones hednicas a ser estimadas en cada
mercado. La variacin entre los precios de mercado en los diferentes mercados permite
identificar las funciones de demanda. A continuacin, se presentar el procedimiento
realizado por Atkinson y Halvorsen (1984).
Sea W = w(a, X) la funcin de utilidad, donde a es un vector con n componentes de
atributos de un automvil adems de la eficiencia del mismo, X es un vector de los
otros bienes. Asumiendo separabilidad dbil en W = W[ (a),X] donde (a) es la
funcin de subutilidad del vehculo. En cumplimiento de la separabilidad dbil, la
restriccin sobre el gasto en un automvil vendr definida por:
(9.26) Z = C(a)+
ICESI
205
Donde Z es el valor presente de los gastos de los servicios que presta el automvil
sobre la vida del automvil, C(a) son los costos del capital del automvil, r es una tasa
de descuento, P
t
es el precio esperado de la gasolina en el ao t, M es el nmero de
millas conducidas en el ao t, E(a) es la eficiencia del automvil expresada en millas
por galn, y T es la vida esperada del automvil. El lagrangiano para este problema
de maximizacion de la subutilidad del automvil ser:
(9.27) L = U (a) + [ Z- C(a)- ]
Las condiciones de primer orden implican:
(9.28) = [ ]
(9.29) Z = C+
En (9.28) se muestra que la utilidad marginal de cada atributo deber ser igual al
costo marginal del capital ms los costos marginales de los gastos en la gasolina.
Los autores asumen que la eficiencia de la gasolina puede incrementarse solamente
cuando decrecen algunos de los atributos deseados por los consumidores. Las
elecciones tecnolgicas que incrementan la eficiencia de la gasolina sin que decrez-
can los otros atributos, formalmente pueden definirse de acuerdo con la siguiente
relacin c = c(a,F) y E = E(a,f), donde F representa la extensin del ahorro de
gasolina por la tecnologa incorporada en el automvil. En ltimas, las millas recorri-
das son una funcin de los atributos del automvil y de la eficiencia en la gasolina,
M= M[ a,E(a)] . Diferenciando totalmente, se encuentra:
(9.30) ; ,
Los cambios en las cantidades ptimas de los atributos como resultados de cambios
en los precios de la gasolina, se analizan a travs de esttica comparativa de la
siguiente forma:
(9.31)
ICESI
206
JHON JAMES MORA
Siendo P
o
el perodo base del precio de la gasolina, A
ij
= U
ij
- (C
ij
- E
ij
+ 2E
-1
E
i
E)
j
con
i,j= 1,..,N, y los subndices representan las primeras y segundas derivadas parciales
con respecto a los atributos, esto es, C
ij
=
2
C/a
i
a
j
y = .
De esta forma, q es igual a la derivada parcial negativa del valor total de los gastos
de la gasolina con respecto a la eficiencia, y tambin puede interpretarse como el
beneficio marginal de un incremento en la eficiencia de la gasolina ante un cambio
en el precio del perodo base de la gasolina. Por lo tanto, la magnitud del efecto sobre
los atributos, y de aqu sobre la eficiencia, podra depender sobre el nivel esperado
de los precios.
Para estimar el anterior modelo, los autores seleccionan una serie de atributos que
explican la variacin en el costo de capital, la eficiencia en el combustible como la
aceleracin A, el confort de un paseo R, su estilo tradicional S, y el confort de los
asientos delanteros C. Atributos como el prestigio del propietario y la calidad del
trabajador podran afectar el costo de capital sin tener efecto directo sobre la eficien-
cia del combustible. Como proxis de estas variables, los autores proponen incluir las
siguientes variables falsas: si es un carro importado, I; si es un carro de lujo, L; y si
es un carro especial, H. Estas variables falsas fueron incluidas en la ecuacin de
costos.
Los datos tomados incluyen 158 automviles nuevos en 1978. Se propone entonces,
especificar una funcin de subutilidad tipo Cobb-Douglas de la forma:
(9.32) Ln U =
0
+ ; i= A,R,S,C;
La forma funcional para el costo de capital y la eficiencia del combustible se desarro-
lla a partir de la metodologa Box-Cox. La forma estimada fue:
(9.33) C(
) =
0
+
(9.34) E(
) =
0
+ ; i = A , R, S, C; j = I, L, H.
Las transformaciones Box-Cox C(
), a
i
(
),E(
),a
i
(
), tienen la forma V(
) = ( V
- 1) / con
0 y V(
) = Ln V con = 0. Estas transformaciones son continuas alrededor de = 0

dado que el lmite en el caso de que 0 cuando 0 es Ln V. La forma funcional
Box-Cox tiene varios casos especiales, el log-lineal cuando = = 0, el lineal
cuando = = 1, la forma semi-log cuando = 0 y = 1, y la inversa semi-log
cuando = 1 y = 0. Los autores eligieron la forma Log-Lineal despus de desechar
las otras formas a travs de los valores de las funciones de verosimilitud.
ICESI
207
Funcin Funcin Funcin
Variables de costo de eficiencia de subutilidad
de capital del combustible del automvil
Intercepto 4.5215 7.0532
(11.0998) (28.8119)
Estilo tradicional 0.7040 -1.2678 0.3123
(2.5056) (6.8549)
Aceleracin 0.5638 -0.2940 0.2501
(5.4632) (3.6804)
Confort del
asiento delantero 0.8364 -0.6783 0.3710
(3.2849) (3.3822
Confort del
viaje 0.1502 -0.0996 0.0666
(1.7098) (1.5615)
Hecho en el
extranjero 0.3079
(7.4093)
Carro especial 0.1458
(2.9509)
Carro lujo 0.5597
(10.1551)
Nm. observaciones 158 158
R
2
0.71 0.71
(Razones t entre parntesis)
TABLA 9.5. Parmetros estimados del modelo de precios hednicos.
Los coeficientes de las variables estilo tradicional, aceleracin, confort del asiento
delantero, el intercepto, hecho en el extranjero, carro especial y carro de lujo son
significativos al 99% mientras la variable confort del viaje es significativa al 90%. Los
coeficientes de los atributos en la funcin de subutilidad son iguales a las partes de
los gastos. Estos valores fueron calculados a partir de la funcin de costo de capital
imponiendo la restriccin de homogeneidad = . Diferenciando la ecuacin
estimada del costo del capital, la ecuacin de eficiencia del combustible y la funcin
de subutilidad, se encuentra una aproximacin a (9.31), esto es:
(9.32) C
i

ICESI
208
JHON JAMES MORA
(9.33) C
ij

(9.34) E
i

(9.35) E
ij

(9.36) U
ij
=
Para calcular el valor del beneficio marginal de la eficiencia del combustible q, se
debe especificar las relaciones entre los precios esperados de la gasolina y el precio
del perodo base. Los autores eligen una especificacin que implica una elasticidad
unitaria gasolina-precios esperados con respecto al perodo de base, de la forma
siguiente:
(9.37) P
t
= P
0
(1+ f)
t
Donde P
0
es el precio del perodo de base y f es la tasa esperada de un incremento
en el precio real de la gasolina. Sustituyendo P
t
en , se obtiene la expresin
(9.38) =
Siendo (1+ b) = (1+ f)/(1+ r). Con el fin de calcular se asumi que P
0
= U$0.70 y
b= 0.2. Por otro lado, el valor de es calculado usando la frmula:
(9.39)
Esta ecuacin es simplemente la suma de la ecuacin (9.28) sobre i y luego se
despeja . Dados los valores estimados de (9.31) el sistema de ecuaciones se
soluciona para las derivadas parciales de los atributos con respecto al perodo de
ICESI
209
base de la gasolina. De esta forma, la elasticidad de demanda para el atributo i
respecto al precio de perodo de base se calcula como:
(9.40)
Los resultados encontrados, se muestran en la siguiente tabla:
Elasticidades de demanda para los atributos
Modelo Eficiencia Estilo Confort del Confort Elasticidad de
gasolina tradicional Aceleracin asiento del viaje demanda para
(Km/galn) delantero la eficiencia
del combustibl e
Cadillac El Dorado 11 -2.19 0.05 1.97 0.60 1.36
Oldsmobile Tornado 15 -1.90 0.06 1.64 0.52 1.23
Ford Fairmont 19 -2.22 0.25 1.96 0.77 1.33
Mercury Bobcat 24 -3.32 0.28 3.24 1.13 1.82
Chevrolet Chevette 28 -2.01 0.13 1.74 0.61 1.27
Plymouth Arrow 33 -2.22 0.06 2.00 0.61 1.38
Toyota Corolla 39 -1.94 0.07 1.68 0.54 1.25
TABLA 9.6. Elasticidades precio-gasolina de las demandas estimadas.
Como se puede observar, un incremento en el precio de la gasolina decrece la
demanda por estilo tradicional e incrementa la demanda por confort en los asientos
delanteros y en el viaje. El efecto neto de un cambio inducido en los atributos de los
automviles ser un incremento en la eficiencia del combustible. Dados los valores
de la elasticidad de la eficiencia del combustible, es posible pensar que en el largo
plazo la elasticidad propia de la demanda por gasolina es mayor que uno, esto
significa que responde ms que proporcionalmente a un cambio en los precios
esperados del combustible.
9.3. El mtodo de la valoracin contingente
El mtodo de la valoracin contingente busca obtener la valoracin que otorga un
individuo ante un cambio en el bienestar, como producto de una modificacin en las
condiciones de oferta de un bien, como podra ser el bien ambiental. Es un mtodo
directo, ya que la nica forma posible de encontrar dicha valoracin es preguntndo-
sela al individuo. En este sentido, el mtodo de la valoracin contingente busca que
el individuo revele lo que estara dispuesto a pagar por una mejora (o por evitar un
empeoramiento), o la cantidad exigida como compensacin por un dao(o a renun-
ciar a una mejora). El mecanismo de encuesta, como ya han mencionado Azqueta
(1995), Mitchel y Carson (1989) tiene, entre otros problemas, el punto de partida, el
problema del tiempo, el tipo de sesgo generado en la respuesta, el sesgo de infor-
ICESI
210
JHON JAMES MORA
macin y el sesgo de hiptesis. Sin embargo, a partir de los informes presentados
por Kenneth Arrow y Robert Solow (1993) a la National Ocean and Atmospheric
Administration (NOAA), se concluye que el mtodo proporciona una estimacin
confiable, siempre y cuando se pregunte por la disposicin a pagar, se use el formato
binario (o de referndum) y se recuerde constantemente al entrevistado la gran
cantidad de mejoras al medioambiente que compiten por una serie de recursos
financieros escasos, dada la limitacin presupuestaria.
Dadas las diferencias entre las disponibilidad a pagar o la compensacin exigida, los
modelos de valoracin contingente se centran en las funciones de utilidad indirectas
o las funciones de gasto. Aqu se presentarn ambas versiones, desarrolladas por
Hanemann (1984) y Cameron (1987) y luego la versin presentada por MacConell
(1988).
9.3.1. La funcin de gasto y la funcin de utilidad
El modelo de referndum se basa en respuestas binarias (s o no) de los individuos
y es usado como una medida del cambio de riqueza. El supuesto implcito consiste
en que las respuestas individuales, en forma discreta, provienen de la maximizacin
de la utilidad. Dicha maximizacin implica una respuesta acorde con la funcin de
utilidad tpica. Considere la respuesta a la pregunta Aceptara usted un cheque por
$ X para renunciar a los derechos de uso de este recurso durante un ao? Suponga
que la funcin de utilidad es la siguiente:
(9.41) u = v
j
( y ) +
j
Sea j = 1 para la situacin inicial, cuando existe acceso al bien, y j = 0 para la
situacin cuando no existe acceso al bien. Sea y el ingreso y
j
el trmino aleatorio de
error. Un individuo (i) podra responder s, a la pregunta, cuando:
(9.42) v
1
( y+ x ) v
0
( y ) +
1
-
0
Para Hanemann, la respuesta depende del nivel de utilidad indirecta en ambos
estados, y de esta forma, la funcin de respuesta es la diferencia en las funciones
indirectas de utilidad.
La interpretacin de Cameron de la respuesta, parte de la funcin de gasto: Sea
m
j
(u
0
+
j
), la cantidad de dinero necesaria para que un individuo alcance el nivel
de utilidad corriente (u
0
), y sea el trmino aleatorio de error; j = 1 en la situacin
corriente y J = 1 para la situacin sin acceso al recurso. Una respuesta s, implica:
(9.43) X > m
1
( u
0
) - m
0
( u
0
) +
1
-
0
A partir de (9.43) MacConnell define la funcin de variacin, como:
(9.44) s( m
i
, u
i
) = m
1
( u
0
) - m
0
( u
0
)
ICESI
211
La funcin (9.44) se denomina funcin de variacin debido a que puede ser conside-
rada como la variacin equivalente o compensatoria dependiendo de la pregunta
realizada. Sin el elemento aleatorio , los modelos que parten de la funcin de
utilidad indirecta o del gasto sern idnticos, esto es, estrictamente seran iguales si
las partes estocsticas fuesen cero, entonces m ser igual a u. Por lo tanto, cuando
la utilidad marginal del ingreso es constante e independiente en todos los esta-
dos , y constante a travs de todos los individuos en la muestra [ u
rI
= u
sI
= 0] , las distribuciones
1
-
0
y
1
-
0
son transformaciones lineales entre s. Sin
embargo, cuando no existe una utilidad marginal del ingreso constante y cuando se
adicionan los trminos de error, m y u no son iguales.
Suponga que la pregunta de partida consiste en Estara usted dispuesto a aceptar
$X por renunciar al uso de un recurso por un ao? Entonces el valor del acceso al
recurso, consistira en la variacin compensatoria para un cambio en los precios,
entre la situacin inicial y un precio de choque para aquel bien cuyo acceso ha sido
eliminado o restringido. Si el consumidor responde que no, entonces es lgico
pensar que la variacin compensatoria sera superior a la cantidad $ X propuesta.
Como la variacin compensatoria se puede calcular directamente de la funcin de
gasto (Cap. 3), entonces necesariamente:
(9.45) m ( p* , q, u) - m( p, q, u ) > X
u ( p, q, y ) > u ( p* , q, y + X )
Siendo p* el vector de precios de choque, q un vector de calidad de los bienes
consumidos. Dado que la funcin de utilidad no es observable y vara entre los
individuos con diferentes ingresos, se puede hacer que la variacin compensatoria
sea igual a (9.44), esto es, igual a la funcin de variacin. Asumiendo que sta es
estocstica, entonces:
(9.46) CV = s( p, q, y ) +
De esta forma, la probabilidad de responder S ser:
(9.47) Probabilidad [ aceptar X ] = Probabilidad [ X > s( p, q, y ) +
j
]
= Probabilidad [ X - s( p, q, y )
y
]
De igual forma se podra estimar [ s(p, q, y) X] a travs de estimar la probabilidad de
responder No. Por otro lado, ser mayor que cero cuando se trata de un bien
normal; igual a cero cuando sea un bien neutral, y menor que cero en un bien inferior.
Es de esperar que cuando se refiere a un bien superior, sea mayor que cero, ya
que el valor marginal de un incremento en la calidad del bien ser positivo.
ICESI
212
JHON JAMES MORA
9.3.2. Estimacin por mxima verosimilitud
con datos de "referndum"
Gran parte de los trabajos de valoracin contingente usan modelos de eleccin
dicotmica tipo Logit con datos de referndum, y luego se integra el rea bajo la
curva [ Cameron (1987a,b), Bishop y Heberlein (1979), Haneman (1984)] . Cameron
y Huppert (1991) proponen que el modelo de regresin sea censurado normalmente.
Suponga que la verdadera valoracin de aquel individuo que responde es Y
i
y que
Log Y
i
= X
i
+ ui, siendo u
i
normalmente distribuido con media cero y varianza .
Bajo un escenario de disponibilidad a pagar, al individuo se le ofrece un valor singular
de umbral t
i
. Si el individuo est dispuesto a pagar esta cantidad, entonces la
disponibilidad a pagar, Dp
i
, ser igual a 1 y cero en caso contrario. De esta forma, se
puede asumir:
(9.48) Probabilidad (Dp
i
= 1)
= Probabilidad (Log Y
i
> Logt
i
) = Probabilidad(u
i
> Logt
i
- X
i
)
= Probabilidad (u
i
/ > ( Logt
i
- X
i
) / )
= 1 - [ (Logt
i
- X
i
) / ]
De donde se deduce que la funcin de verosimilitud viene definida por:
(9.49) LogL=
Cuando los datos provienen de un tipo de encuesta que pregunta sobre intervalos,
generalmente se asigna un punto medio del intervalo relevante como proxi de la variable
sobre el intervalo, de esta forma se usan mnimos cuadrados ordinarios donde dichos
puntos medios son la variable dependiente. Cameron y Huppert (1991) encuentran la
funcin de mxima verosimilitud para dichos intervalos, eliminando la subvaluacin o
sobrevaluacin que proviene de escoger este punto medio; veamos:
Dado que Y
i
se conoce que pertenece al intervalo (t
Bi
, t
Ai
) , entonces el Log Y
i
se
encontrar entre Log t
Bi
y Log t
Ai
. Si Log Y
i
= X
i
+ u
i
y si u
i
tiene una distribucin
normal con media cero y varianza , entonces se puede estandarizar el rango de
valores del Log Y
i
de tal forma que:
(9.50) Probabilidad ( Y
i
(t
Bi
, t
Ai
))= Probabilidad [ (Logt
Bi
- X
i
) / < z
i
< (Logt
Ai
- X
i
) / ]
=
Dado que z
i
es la normal estndar y que es la funcin normal de densidad
acumulada, y que z
Bi
y z
Ai
son respectivamente la normal para los lmites bajos y altos,
la correspondiente funcin de Log-verosimilitud para una muestra de n observacio-
nes independientes viene definida como:
ICESI
213
(9.51)
Cameron y Hupper (1991) usan el siguiente tipo de pregunta, para realizar la valora-
cin contingente: Cunto es lo mximo que usted estara dispuesto a pagar cada
ao para apoyar las actividades de restauracin del hbitat cuyo resultado duplicase
las tasas de captura del salmn y del pescado rayado en la baha de San francisco
y el rea de ocano, de tal forma que sin estos esfuerzos usted esperara en esta rea
que los niveles de captura permanecieren en los niveles corrientes? (coloque un
circulo en la cantidad). La lista de los valores es $0, $5, $10, $15, $20, $25, $50, $75,
$100, $150, $200, $250, $300, $350, $400, $450, $500, $550, $600 y "$750 o ms". Se
usaron 342 observaciones y las estadsticas son las siguientes:
De acuerdo con los anteriores datos se estim (9.51) por mxima verosimilitud. Los
autores realizaron una serie de rplicas de la muestra, encontrando que mientras el
promedio de la disponibilidad a pagar era de $58.50 con una desviacin estndar de
(34.78), en el lmite bajo los valores estaban entre $28.42 y $384.54, y en el lmite alto
los valores se encontraban entre $200 y $32.30. Como bien lo sealan los autores,
las discrepancias encontradas se deben a la estrategia en los incentivos, a las
interpretaciones de las preguntas y a la seleccin de la muestra. Este resultado no es
sorprendente, si se tiene en cuenta que Bishop, Heberlein y Kealy (1983) ya haban
TABLA 9.7. Estadsticas descriptivas.
Variable
MIDPT
Log(MIDPT)
TRIPS
Log(INC)
S-TRIP
B-TRIP
ADVCD
OWNBOAT
S-TARG
Media y Desviacin Estndar
57.98
(132.96)
3.115
(1.371)
4.416
(5.449)
3.602
(0.6544)
0.4188
0.3339
0.2812
0.3317
0.7341
(1.046)
Descri pci n
Punto medio del intervalo de respuestas.
Logaritmo de MIDPT.
Nmero de viajes para capturar salmn y
pescado rayado en los 12 meses anterio-
res.
Logaritmo del ingreso del hogar en miles
de dlares usando el punto medio del in-
tervalo reportado.
1 si todos los viajes fueron para pescar
salmn, 0 de otra forma.
1 si todos los viajes fueron para pescar
pescado rayado, 0 de otra forma.
1 si tiene habilidades avanzadas de pes-
ca, 0 de otra forma.
1 si es el propietario del bote, 0 de otra
forma.
Nmero de Salmones/ Nmero de Viajes
cuya finalidad es capturar salmn.
ICESI
214
JHON JAMES MORA
Estimacin por mxima verosimilitud. Variable dependiente: Log(Disponibilidad
a pagar [ definida en intervalos] ). Nmero de observaciones: 200.
Lmite bajo Lmite alto
Variable Estimacin Media Mximo Media Mximo
puntual mnimo Mnimo
Constante 2.207 2.415 5.097 2.165 3.878
(5.151) (2.762) -0.3835 (2.752) -1.351
TRIPS 0.03008 0.03802 0.1024 0.03430 0.1028
(2.023) (1.806) -0.01193 (1.783) -0.02676
Log(INC) 0.3537 0.2804 0.9979 0.3414 1.160
(3.177) (1.404) -0.2457 (1.769) -0.1092
S-TRIP -0.4753 -0.2653 0.6333 -0.3460 0.3893
(-2.511) (-0.7022) -1.313 (-1.048) -1.247
B-TRIP -0.5884 -0.6132 0.4971 -0.5908 0.3826
(-2.956) (-1.524) -2.171 (-1.759) -.1580
ADVCD 0.5824 0.4121 1.449 0.4664 1.220
(3.355) (1.405) -0.4570 (1.835) -0.2779
OWNBOAT 0.4770 -0.2873 0.3374 -0.3615 0.4177
(2.982) (1.073) -1.082 (-1.290) -1.166
S-TARG -0.1798 -0.1590 0.1157 -0.1867 0.05930
(-2.175) (-1.246) -0.5174 (-1.553) -0.5460
1.292 1.166 2.214 1.197 2.091
(22.13) (4.572) 0.7080 (5.302) 0.7435
Max Log L -150.70 -157.16
(14.88) (17.09)
mencionado las diferencias que se podan encontrar usando diferentes estimadores de
esta valoracin. Por otro lado, Alberini (1995) muestra que el investigador deber hacer
supuestos fuertes en torno a la distribucin de la disponibilidad a pagar, y por lo tanto
supuestos distribucionales incorrectos generan funciones asimtricas de disponibili-
dad a pagar. Las simulaciones de Alberini muestran que el test de la chi-cuadrada (
2
)
tiene bajo poder a no ser que se tengan muestras grandes, incluso con mil observa-
ciones el poder no es mayor del 30%. Por lo cual una prueba de significancia del
modelo (Probit en el trabajo de Alberini) podra rechazar la hiptesis nula solamente
una tercera parte de las veces. Y podra llevar al investigador a concluir que la
valoracin contingente es un modelo razonable cuando la verdadera disponibilidad
a pagar es muy diferente de la que se ha asumido (pag. 92).
TABLA 9.8. Parmetros estimados del modelo de valoracin contingente.
ICESI
215
Bi bl i ograf a
AIGNER, D AND GOLDBERGER, J. (1977). Latent variables in socioeconomic models. North
Holland.
ALBERINI, A. (1995). "Testing willingness-to-pay models of discrete choice contingent valuation
survey data", Land economics, vl.71, nm.1, pp.83-95.
ATKINSON, S.E Y R, HALVORSEN. (1984). "A new hedonic technique for estimating attribute
demand: an application to the demand for automobile fuel efficiency",The review of
economics and statistics, vl.66, nm.3, pp.417-426.
AZQUETA, D. A. (1994). Valoracin econmica de la calidad ambiental, McGraw-Hill, Espaa.
BALKAN, E AND J.R, KAHN. (1988). "The value of changes in deer hunting quality: travel cost
approach", Applied economics, 20, pp. 533-39.
BISHOP, R.C AND T.A, HEBERLEIN. (1979). "Measuring values of extra-market goods: are indirect
measures biased", American journal of agricultural economics, nm.61, pp.926-930.
BOCKSTAEL,N.E., STRAND,I.E AND M, HANEMANN. (1987). "Time and recreational demand model",
American journal of agricultural economics, 69, pp. 293-302.
BROWN, G.JR AND R, MENDELSOHN. (1984). "The hedonic travel cost method", The review of
economics and statistics, nm. 6, August.
BROWN, G.JR AND H.S, ROSEN.(1982). "On the estimation of structural hedonic price models",
Econometrica, nm.50, May, pp.765-768.
CAMERON, T.A AND D.D, HUPPERT. (1991). "Referendum contingent valuation estimates: sensitivity
to the assignment of offered values", Journal of the american statistical association,
vl.86, nm.416, pp.910-920.
CAMERON, T.A AND M.D, JAMES. (1987). "Efficient estimation methods for use with closed-
ended contingent valuation survey data", The review of economics and statistic, nm.69,
pp.269-276.
CAMERON, T.A.(1987). "The impact of grouping coarseness in alternative grouped-data regression
models", Journal of econometrics, (annals), nm.35, pp.37-57.
DEATON, A AND J, MUELLBAUER. (1980). Economics and consumer behavior, Cambridge,
Cambridge University Press, quinta edicin (1989).
ENGLIN, J AND J.S, SHONKWILER. (1995). "Modeling recreation demand in the presence of
unobservable travel cost: toward a travel price model", Journal of environmental economics
and management, 29, pp. 368-77.
FREEMAN III, A.M. (1993). The measurement of environmental and resource values: theory and
methods, Resources for the future.
GROGGER, J.T AND R.T, CARSON. (1991), "Model for truncated counts", Journal of applied
econometrics, vol. 6, pp. 225-38.
HANEMANN, W.M. (1984). "Welfare evaluations in contingent valuation experiments with discrete
responses", American journal of agricultural economics, nm.66, pp.332-341.
ICESI
216
JHON JAMES MORA
HOGARTY, T.F. (1975). "Price quality for automobiles: a new approach", Applied economics,
vl. 7, march, pp.42-51.
KEALY, M.J AND R.C, BISHOP. (1986) "Theoretical and empirical specifications issues in travel
cost demand studies", American journal of agricultural economics, 68, pp.660-67.
MACFADDEN, D. (1978). "Modeling the choice of residential location" en A, Karlqvis ( comp.),
Spatial interaction theory and planning models, Amsterdam, North-Holland.
MACCONELL, K.E. (1988). "Models for referendum data: the structure of discrete choice models
for contingent valuation", Journal of environmental economics and management, nm.18,
pp.19-34.
MCCONELL, K.E. (1992). "On site time in the demand for recreation", American journal of
agricultural economics, 74, pp.918-25.
MITCHEL, R.C AND R.T, CARSON. (1989). Using surveys to value public goods: the contingent
valuation method, Resources for the future, Washington.D.C.
MORA, J. J. (1997). "Aspectos microeconmicos del paisaje", Boletn socioeconmico, nm.30,
pp.81-97.
PALMSQUIST, R.B. (1984). "Estimating the demand for the characteristic of housing", The review
of economics and statistics, vl.66, nm.3, pp.394-404.
PARSONS, G. R AND M.J, KEALY. (1992). "Randomly drawn opportunity sets in a random utility
model of lake recreation", Land economics, vl 68, nm 1, pp 93-106.
PEARCE, D.W AND R.K, TURNER. (1990). Economics of natural resources and the environment.
Harverster, Londres.
POLLAK, R.A AND T.J, WALES. (1969). "Estimation of the linear expenditure system", Econometrica,
37, pp. 611-28.
ROSEN, S. (1974). "Hedonic prices and implicit markets: product differentiation in pure
competition", Journal of political economic, nm 82, pp.34-55.
SMITH, K.V AND Y, KAURU. (1990). "Signals or noise? Explaining the variation in recreation,".
American journal of agricultural economics, 72, pp. 419-450.
SMITH,V.K., DESVOGES, W.H AND M.P, MCGIVENES. (1983). "The opportunity cost of travel time
in recreation demand models", Land economics, 59, pp. 59-77.
WILLIS, K.G AND G.D, GARROD. (1991). " An individual travel cost method of evaluating forest
recreation", American journal of agricultural economics, vl 42, pp. 33-42.

Teoría Del Consumidor

Cargado por

Copyright:

Formatos disponibles

Teoría Del Consumidor

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Teoría Del Consumidor

Cargado por

Copyright:

Formatos disponibles

Introduccin

a la Teora del Consumidor

GRFICA 1.9. Eleccin intertemporal con

GRFICA 2.1. Preferencias en dos

GRFICA 2.9. Solucin de esquina.

Para un ingreso transferido en unidades, una cantidad de horas trabajadas h, y una

. Note que si se hace

[ Hoffman y Pagan (1989)]

GRFICA 8.1: Distribucin de los das

) = Ln V con = 0. Estas transformaciones son continuas alrededor de = 0

También podría gustarte