estimación monetaria del valor de la viviendas en la ciudad de asunción y sus distritos...
TRANSCRIPT
UNIVERSIDAD NACIONAL DE ASUNCIÓN FACULTAD DE CIENCIAS ECONÓMICAS
CARRERA DE ECONOMÍA
“Estimación Monetaria del valor de las viviendas en la
ciudad de Asunción y sus distritos limítrofes. Un enfoque
hedónico de los precios. Periodo 2004-2014”
Oskar Manuel Alejandro Báez Ortiz
San Lorenzo-Paraguay
2014
I
Agradecimientos
En primer lugar quiero agradecer a Dios y a la virgen María por darme la
salud necesaria para culminar esta etapa de mi vida.
Además quiero agradecer al profesor Dr. Mario Bernalt Ovelar por haber
aceptado la misión de ser mi tutor, por haber creído y confiado en mi persona y
haberme dado valiosas recomendaciones.
Quiero agradecer especialmente a los que custodian un pedazo de la
historia de nuestro país, a los funcionarios de la Hemeroteca Nacional Carlos A.
López, en la persona del señor Antonio Sanabria Alfonso, pues sin su ayuda sería
imposible recabar la información necesaria para llevar a cabo esta interesante
investigación.
Agradezco también a mi familia, por el apoyo que me brindó durante todo
mi proceso académico, y en especial en estos últimos dos meses, porque sin su
ayuda no habría terminado en tiempo y forma este trabajo.
Quiero agradecer muy especialmente a mi novia Lorena A. Martínez, que
también me acompañó y vivió conmigo esta travesía académica, y me ayudó de
manera incansable en el proceso tan largo y meticuloso de procesar los datos
necesarios para la investigación.
Y por último quiero agradecer a las personas y amigos que me ayudaron
directa o indirectamente para concluir mi investigación.
II
Resumen Ejecutivo
El cometido central de esta investigación es el de hallar la ecuación que
determine precio óptimo de las viviendas de acuerdo a las características que
estas poseen. Además, el análisis, trasciende el plano temporal, el cual permitirá
conocer las fluctuaciones y variaciones de los precios a través del tiempo, y hacer
una comparación de los mismos entre el pasado y los actuales, se pretende
también averiguar, de entre un conjunto de variables, cuál de ellas tiene mayor
relevancia en el precio final de un bien inmueble.
Para llevar a cabo la investigación se tendrán en cuenta viviendas que se
encontraron a la venta, entre los años 2004 y 2013, y las que actualmente están
en venta, año 2014, en de la ciudad de Asunción y sus distritos colindantes.
El trabajo está estructurado en cuatro capítulos, que son los siguientes:
Capítulo I, el cual trata los aspectos generales de la investigación, las
ciudades que van a ser estudiadas con sus características principales y mercado
inmobiliario en el Paraguay.
Capítulo II, este capítulo presenta al modelo de los precios hedónicos con
sus supuestos y su desarrollo matemático, y además expone dos estudios de
casos de países distintos.
Capítulo III, en este se expone una jerarquización de las viviendas, los
tipos de variables que se utilizan en las regresiones y las ecuaciones
econométricas para el año 2014, así como también las intertemporales.
Capítulo IV, este último, presenta el análisis efectuado en base a todas
las estimaciones obtenidas en el capítulo anterior.
III
Índice
Introducción......................................................................................................... 1
CAPÍTULO I ........................................................................................................ 4
Generalidades ................................................................................................. 4
1 Características fundamentales de la Ciudad de Asunción y sus distritos limítrofes. Fundación. Topografía y Límites. Barrios. Economía .................. 4
2 Características del mercado de viviendas en el Paraguay ...................... 13
3 Estrategia de obtención de datos. Tamaño de la muestra. Técnica de muestreo ..................................................................................................... 14
CAPÍTULO II ..................................................................................................... 21
Presentación del Modelo de los Precios Hedónicos ...................................... 21
1 Prolegómenos del modelo ....................................................................... 21
2 Supuestos ................................................................................................ 22
3 Función de los precios hedónicos ........................................................... 23
4 Discrepancia metodológica del Método de los precios hedónicos ........... 25
5 El modelo inmobiliario y el precio hedónico de la vivienda ...................... 29
6 Estudio de Casos. Caso Estados Unidos. Caso Español ........................ 31
CAPÍTULO III .................................................................................................... 37
Estimaciones Econométricas ......................................................................... 37
1 Categorización de viviendas .................................................................... 37
2 Variables a ser Utilizadas. Descripción.................................................... 39
3 Especificación y procesamiento de los datos .......................................... 41
4 Planteamiento del Modelo. Presunciones sobre las betas ...................... 42
5 Estimación ............................................................................................... 45
IV
6 Estimaciones Intertemporales ................................................................. 47
CAPÍTULO IV .................................................................................................... 58
Análisis y contraste de resultados ................................................................. 58
Conclusiones ..................................................................................................... 82
Recomendaciones ............................................................................................ 84
Bibliografía ........................................................................................................ 85
Anexo ................................................................................................................ 88
1
Introducción
El mercado inmobiliario es cada vez más amplio, dinámico y robusto, por
lo tanto es necesario empezar a analizarlo más pormenorizadamente. Por este
motivo la siguiente investigación trata de ver como las características implícitas
que componen una vivienda afectan al precio final de las mismas.
Para el efecto este estudio se basa en modelo de los precios hedónicos,
metodología que permite estudiar un conjunto de bienes heterogéneos a través
de sus atributos homogéneos, por lo tanto el resultado de esta investigación
proporcionará un modelo consistente que permita establecer un valor final
adecuado a una vivienda, teniendo en cuenta sus características.
Como el estudio se realiza entre los años 2004 y 2014, el mismo revelará
la evolución media de los precios en todos esos años y además establecerá un
año base a modo de comparar los precios del pasado con los actuales.
Este estudio se circunscribe a la cuidad de Asunción y los distritos del gran
Asunción que son limítrofes a ella, y toma en cuenta como muestra viviendas que
se encontraron en venta en el periodo mencionado.
En cuanto a la problemática, como se describió anteriormente en el
mercado de viviendas del Paraguay, está en auge y existe una gran variedad de
opciones y propuestas, sin embargo se observa que las ventas de las mismas no
se efectúan de manera dinámica, lo que devela que existe un impedimento a la
hora de comercializar las residencias. Esta dificultad que existe para comerciar
estos bienes puede acontecer debido a una gran cantidad de variables que
inciden en el momento de la venta, tales como, la localización, el nivel de ingreso
y la preferencia de las personas, y especialmente el precio, que son entre otras,
los factores que están presentes en el momento de la negociación.
2
Este trastorno, referente a la comercialización de las viviendas, que está
determinado por muchos otros factores, entre los cuales, más se destaca el
precio, ocasionaría distorsiones cada vez más severas en el mercado, lo que
afectaría tanto a los oferentes como a los demandantes.
Por las consideraciones expuestas anteriormente, se puede decir que una
mejor forma de lograr un trato más ecuánime en las transacciones de venta de
los inmuebles, es la de establecer un precio óptimo de acuerdo variables
apropiadas, que permita satisfacer a ambos lados del mercado.
Para justificar la importancia de esta investigación, con esta se intenta
demostrar cómo los atributos y características que componen una vivienda
influye en el precio final de esta, haciendo que el valor esté sesgado.
Por lo tanto esta investigación puede resultar provechosa a todas aquellas
personas que desean adquirir una vivienda, así como también aquellas otras que
estén interesadas en venderlas; por otro lado este estudio servirá de sustento
académico a personas que quieran investigar otras aristas de este tema o
profundizar aún más, en un futuro, este mismo tema.
En cuanto a la viabilidad se puede decir que esta investigación es muy
factible de llevarse a cabo debido a que existe un gran sustento teórico, además
del matemático.
OBJETIVO GENERAL
Por lo expuesto con anterioridad se desprenden el siguiente objetivo
general:
Establecer un precio adecuado que refleje el valor real de una vivienda en
la cuidad de Asunción y sus distritos limítrofes.
En cuanto a la metodología, la investigación se basa en una combinación
de la modalidad documental bibliográfica y la investigación de campo, estas se
realizaran en base a documentos tales como: Libros referentes al tema en
3
cuestión, artículos escritos por profesionales en el tema, ya sean estos en forma
física o digital, y además otras fuentes de información que tratan sobre el tema
como las páginas web. Además visitar la hemeroteca nacional para acceder a
periódicos de años pasados necesarios para el estudio intertemporal, para luego
procesarla y estudiarla mediante procesos matemáticos y econométricos.
HIPÓTESIS
Por último, en este apartado, se presenta la hipótesis de investigación, la
cual es establecida en base a los precios de viviendas que se encontraban en
venta, por lo tanto la hipótesis es la siguiente:
El precio óptimo refleja el valor real de una vivienda.
Variable dependiente: Precio.
Variable Independiente: Valor real de una vivienda.
4
CAPÍTULO I
Generalidades
1 Características fundamentales de la Ciudad de Asunción y
sus distritos limítrofes. Fundación. Topografía y Límites.
Barrios. Economía
ASUNCIÓN
Asunción, conocida también como “Madre de ciudades”1 fue fundada en el
15 de agosto de 1537, bajo la categoría de fuerte militar por Juan de Salazar y
Espinosa de los Monteros2, no fue ciudad sino hasta el 16 de setiembre de 1541,
cuando gobernador Domingo Martínez de Irala instituyó el cabildo de la ciudad,
acuñándole el nombre oficial de “La Muy Noble y Leal Ciudad de Nuestra Señora
Santa María de la Asunción”.
Asunción con una superficie total de 117 Km2, cuenta con una población
estimada según la dirección nacional de encuestas estadísticas y censos para el
año 2002 de 512.112 habitantes. La ciudad está ubicada sobre la orilla izquierda
del Río Paraguay que la separa al noreste de la región Occidental y al sur del
territorio Argentino. Está comprendida entre los paralelos 25° 15'3 y 25° 20' de
latitud al sur y entre los meridianos 57° 40' y 57° 30' de longitud al oeste. Al
noreste limita con la ciudad de Mariano Roque Alonso, al este
con Luque y Fernando de la Mora, y al sur con Lambaré y Villa Elisa.
1 Conocida con ese nombre debido a que de allí partieron varias otras expediciones con el objetivo de fundar otras ciudades del cono Sur Americano. 2 Conquistador español. 3 Coordenadas geográficas: son un sistema de referencia que u (Almeida & Soares, 2006) (Municipal, Barrios, 2014) (Municipal, Barrios, 2014)tiliza las dos coordenadas angulares, latitud(Norte y Sur) y longitud (Este y Oeste) y sirve para determinar los laterales de la superficie terrestre (o en general de un círculo o un esferoide).
5
En lo referente a su división política la ciudad de Asunción está
estructurada territorialmente en seis distritos, La Encarnación, Catedral, San
Roque, Santísima Trinidad, La recoleta y Ceballos Cué.
A su vez los distritos se subdividen en barrios4, existen una cantidad de 70
barrios los cuales se citan a continuación:
4 Imagen 1: Mapa detallado de los barrios de Asunción.
Tabla 1. Barrios de Asunción
1. Itá Enramada 24. Seminario 47. Pinoza
2. Santa Ana 25. Vista Alegre 48. Jara
3. Bañado Santa Ana 26. Panambí Retá 49. Banco San Miguel
4. Roberto L. Pettit 27. Panambí Verá 50. Tablada Nueva
5. Republicano 28. San Pablo 51. Virgen del Huerto
6. Pirizal 29. Terminal 52. Virgen de la Asunción
7. San Vicente 30. Hipódromo 53. Bella Vista
8. Bañado Tacumbú 31. Nazareth 54. Santo Domingo
9. Obrero 32. Villa Aurelia 55. Cañada del Ybaray
10. Tacumbú 33. Los Laureles 56. Las Lomas (Carmelitas)
11. Sajonia34. Mariscal
Estigarribia57. Madame Lynch
12. Itá Pytá Punta 35. San Cristóbal 58. Salvador del Mundo
13. San Antonio 36. Herrera 59. Ñu Guazú
14. Dr. Francia 37. Santa María 60. Mbocayaty
15. La Encarnación 38. Ytay 61. Mburucuyá
16. Catedral 39. San Jorge 62. Trinidad
17. General Díaz 40. Ycuá Satí 63. Virgen de Fátima
18. Pettirossi 41. Manorá 64. San Rafael
19. San Roque 42. Villa Morra 65. Botánico
20. Ricardo Brugada(Chacarita)
43. Recoleta 66. Zeballos Cué
21. San Felipe 44. Tembetary 67. Loma Pytá
22. Las Mercedes 45. Mburicaó 68. San Blas
23. Ciudad Nueva46. General
Caballero69. Santa Rosa
70. Mariscal López
Barrios
Fuente: Fuente elaboración propia con datos de la Municipalidad de Asunción
6
La Población Económicamente Activa (PEA) de la capital del país según
la encuesta permanente de hogares (EPH) para el año 2013 era de 268.403,
mientras que la población económicamente inactiva (PEI) alcanza el valor de
178.064.
En cuanto al sector económico5 en al que se dedica la población de la
ciudad de Asunción se divide la siguiente manera:
Por último es importante mencionar que importantes bancas
internacionales tiene sus matrices en la capital, Citybank, Banco Itaú, HSBC y
BBVA, mientras que las bancas de origen paraguayo son las siguientes, Banco
Nacional de Fomento, al Banco Familiar, Banco Amambay, Banco Regional, y
Visión Banco, etc.
FERNANDO DE LA MORA
La actual la ciudad de Fernando de la Mora, anteriormente pertenecía al
distrito de San Lorenzo de Campo grande y recibía en nombre Zavala Cué, hasta
5 Sector Económico: Rama de la actividad económica a la que se dedica una persona Primario: agricultura, ganadería, caza y pesca Secundario: industrias manufactureras, construcción, minas y canteras Terciario: electricidad, gas y agua, comercio, restaurantes y hoteles, transporte, almacenamiento y comunicaciones, finanzas, seguros, inmuebles, servicios comunales, sociales y personales
Sector Económico Porcentaje
Pirmario /
Secundario 13,6
Terciario 85,6
Tabla 2. Sectores Económicos
Fuente: Fuente elaboración propia con datos de la EPH
7
el 28 de febrero de 1939, año que bajo la presidencia de Dr. Félix Paiva6 logró su
independencia y de esta manera su fundación.
La ciudad está dividida en dos regiones, comprendiendo en total 21 km2
de dimensión. Está comprendida a 25°19′ de latitud a sur y 57°32′ de longitud al
Oeste Es recorrida de norte a sur con una importante cantidad de calles
asfaltadas y bien cuidadas como: Zavala Cué, Pitiantuta, 10 de julio, Las
Residentas, entre otros.
La ciudad Limita con los distritos de Luque y san Lorenzo al Norte, con el
distrito de Villa Elisa al Sur, al este con San Lorenzo y Ñemby, y al Oeste con
Asunción.
En lo referente a su división política la ciudad de Fernando de la Mora está
estructurada territorialmente en dos grandes zonas, Zona Norte y Zona Sur, estas
a su vez cuentan con quince barrios, ocho en la zona Norte, seis en la zona Sur
y uno que se divide en entre las dos zonas mencionadas.
6 Félix Paiva (Caazapá, 21 de febrero de 1877 — Asunción, 2 de noviembre de 1965), fue un abogado, periodista y político paraguayo. Fue presidente provisorio de la República en dos ocasiones, la primera en 1921 y por segunda vez entre 1937 y 1939.
Zona Sur Zona norte
Ita Ka´aguy Domingo SavioPitiantuta Estanzuela
Tres Bocas Laguna GrandeSan Juan Las residentas
Kokue Guazu Villa OfeliaBernardino Caballero Laguna Sati
Orilla del Campo GrandeIPVU
Tabla 3. Barrios de Fernando de la Mora
Fuente: Fuente elaboración propia con datos de la Gobernación de Central
Zona Norte y Sur
Barrio centro
8
La ciudad Fernandina cuenta con una intensa actividad comercial
desarrollada en gran medida por sus pobladores, poco y nada queda de aquella
comunidad que se dedicaba esencialmente a los cultivos y la cría de ganado ya
que actualmente la ciudad es 100% Urbana. Hoy día proliferan los comercios y
las industrias pequeñas y medianas, especialmente aquellas que pertenecen al
rubro metalúrgico, químico y otras.
Es una ciudad considerada dormitorio ya que un porcentaje importante de
las personas viven que en Fernando de la Mora trabajan en la capital Asunción.
LUQUE
La ciudad de Luque fue declara distrito por el gobernador Pedro Melo de
Portugal y Villena7, en el año 1781, bajo el nombre oficial de “Partido de Luque”,
nombre que conserva hasta la actualidad este distrito y su ciudad cabecera; sin
embargo se desconoce la fecha real de su fundación.
La ciudad de Luque se encuentra a unos 15 Km de la capital, Asunción,
está asentada sobre una planicie que se extiende desde el lago Ypacaraí hasta
la margen occidental de río Paraguay. Debido a esta ubicación geográfica
particular, la ciudad se encuentra expuesta a los efectos del clima característico
de las planicies que no cuentan con las barreras naturales para su protección.
Está comprendida a 25°16′12″ de latitud a sur y de 57°29′14″ longitud al Oeste,
y posee una extensión de 220 Km2.
Limita con ocho ciudades distintas, al norte con Mariano R. Alonso, Limpio,
Nueva Colombia8, al sur con Fernando de la Mora y San Lorenzo, al este con
Aregua, al oeste con Asunción y por último al sureste con Capiatá.
7 Pedro Melo de Portugal y Villena o Vilhena, nació en Badajoz, el 29 de abril de 1733. Fue Caballero de la Orden de Santiago, Gentilhombre de Cámara de S.M. con ejercicio, primer Caballerizo de la Reina, Teniente General de los reales ejércitos del reino de España, y desempeñó los cargos de Gobernador de Paraguay y Virrey del Río de la Plata. 8 Distrito perteneciente al Departamento de Coordillera.
9
En lo referente a su división política la ciudad de Luque está dividida en
doce grandes compañas y estas a su vez cuenta con treinta barrios9 más
pequeños.
9 Imagen 2: Mapa detallado de los barrios de la Ciudad de Luque.
Compañias Nombres
1° Cñia Campo Grande y Jhugua de Seda2° Cñia Campo Grande y Laurelty3° Cñia Isla Bogado4° Cñia Cañada San Rafael y Costa Sosa
5° Cñia Ycuá Duré, Maka’i y Yaguareté Cora
6° Cñia Maramburé e Ybycu’i7° Cñia Yuquyry e Itá Angua8° Cñia Tarumandy y Salado+J139°Cñia Itapuami10°Cñia Cañada Garay y Marín Caaguy11°Cñia Icaa, Mora Cué e Ycuá Karanda’y12°Cñia Zárate Isla, Loma Merlo y KM 12
Aeropuerto 1° Barrio
Ñu Guasu 2° Barrio
Campo Grande Marambure
Laurelty Cañada Garay
Isla Bogado Loma Merlo
Cañada San Rafael Jukyry
Costa Sosa Ita Angua
Ycua Duré Marin Kaaguy
Macai Ykaa
Hugua de Seda Zarate Isla
4° Barrio Ykua Karanday
Jaguarete Cora Mora cue
3° Barrio Itapuamí
Centro Tarumandy
Barrios
Tabla 5. Barrios de Luque
Tabla 4. Compañías de Luque
Fuente: Fuente elaboración propia con datos de la Gobernación de Central
Fuente: Fuente elaboración propia con datos de la pág. Web infoluque.com.py
10
En lo que respecta al orden económico la ciudad se sustenta gracias a
industrias muy diversificadas, que dan ocupación a numerosa mano de obra
local.
La orfebrería en forma artesanal ocupa un lugar muy especial en la
economía Luqueña, así como también la fabricación de instrumentos musicales
que incluso son exportados a diversos países.
Además, podemos citar algunos rubros que ocupan la mano de obra
familiar:
El trabajo sobre el cuero: guampas para tereré, mate, carteras, cintos etc.
La confección de prendas de vestir y calzados de los más variados
modelos y gustos y fabricación de artículos deportivos.
LAMBARÉ
Lambaré fue fundada por el gobernador Carlos Murphy en el año 1766, se
formalizó su creación mediante ley N° 791, del 5 de junio de 1962. El decreto de
la formación del nuevo municipio fue firmado bajo el gobierno de Alfredo
Stroessner.
La ciudad de Lambaré se encuentra en Departamento Central y forma
parte del Gran Asunción, su territorio presenta formas irregulares, caracterizados
por depresiones de causes hídricos, con áreas muy urbanizadas y otras áreas
verdes sin urbanizar. Cuenta con una superficie territorial de 27 km2 y está
comprendida a 25°20′ de latitud a sur y de 57°38′ longitud al Oeste.
Los límites de la ciudad de Lambaré son al sur con su límite natural el río
Paraguay, que lo separa de la República Argentina, al oeste y al este con la
ciudad de Asunción, y el este con la ciudad de Villa Elisa.
En lo referente a su división política la ciudad de Lambaré está dividida en
28 barrios, los cuales son:
11
Según la gobernación del departamento central del Paraguay la actividad
económica de la ciudad se basa principalmente en el aporte del capital privado
que ayudó a desarrollar notablemente a la ciudad. Gracias a ellos se han
levantado supermercados, clubes, urbanizaciones.
Además Lambaré tiene una increíble cantidad de construcciones de
altísima calidad arquitectónica, en donde la zona del Yacht y Golf Club
Paraguayo probablemente sea la más importante y desarrollada de la ciudad. Es
un centro deportivo del más alto nivel, donde se practican deportes náuticos, golf,
fútbol, tenis, básquet. Por ultimo cabe destacar que posee un moderno complejo
hotelero que ha sido el de hospedaje elegido por los más distinguidos visitantes
del país.
MARIANO ROQUE ALONSO
La cuidad adquiere categoría de distrito en el 30 de agosto de 1945, bajo
el gobierno del entonces presidente de la Republica Don Higinio Morínigo,
creándose una municipalidad de tercera categoría. No fue sino hasta el 12 de
Palomar 8 de diciembre
Santa Rosa Santa Lucia
Panambi Reta 4 Mojones
Cerro Cora San Antonio
Valle Yvate San Roque
Mcal Lopez Santo Domingo
Felicidad Puerto Pabla
San Rafael 1 La Victoria
San Rafael 2 Cañada
Kennedy San Miguel
Centro Urbano Villa Mirta
Villa Virginia Ciudad Nueva
Valle Apu’a 1 San Isidro
Valle Apu’a 2 Parques del Yacht y Golf Club (barrio Cerrado)
Barrios
Tabla 6. Barrios de Lambaré
Fuente: Fuente elaboración propia con datos de la Municipalidad de Lambaré
12
mayo de 1977 a través del decreto N° 30.982 que este municipio fue elevado a
primera categoría.
La ciudad se encuentra en el departamento central a unos 15 de la Ciudad
de Asunción, Abarca una superficie total de 50 Km2. Está comprendida a
25°12′44″ de latitud a sur y de 57°31′59″ longitud al Oeste.
La ciudad limita al Norte con la ciudad de Limpio, al Sur: con el Barrio Loma
Pyta, que pertenece a la ciudad de Asunción, al Este: Con las ciudades de Luque
y Limpio, al Oeste: con el río Paraguay.
En lo referente a su división política la ciudad de Mariano Roque Alonso10
está dividida en 14 barrios:
10 Imagen 3: Mapa de la Ciudad de Mariano R. Alonso.
BarriosCorumba Cué
ArecayaCaaguy Cupe
María AuxiliadoraMonseñor Juan Sinforiano Bogarín
San LuisVirgen de la Rosa Mística
Defensores del ChacoSan JorgeSan Blas
San Ramón LombardoCaacupe Mi
Remanso Castillo
Tabla 7. Barrios de Mariano Roque Alonso
Fuente: Fuente elaboración propia con datos de la Gobernación del Departamento Central
13
Según fuentes oficiales la economía de la ciudad de Mariano Roque
Alonso experimentó un inusitado desarrollo en los últimos cinco años, debido a
que se han instalado, industrias, modernos comercios, grandes supermercados
etc. Sumado a esto se destaca la construcción de un importante centro comercial
que genera alrededor de ochocientos nuevos puestos de trabajo. Otra actividad
importante en la ciudad es la pesquera.
2 Características del mercado de viviendas en el Paraguay
El Paraguay como un país de las oportunidades ha experimentado en los
últimos años un incremento exponencial en el desarrollo inmobiliario, según lo
destaca Víctor Cálcena, ex presidente del Club de Ejecutivos del Paraguay.
Este descollante crecimiento se refleja en varios distritos del departamento
central, así como en otros importantes departamentos, Itapúa y Alto Paraná; sin
embargo la capital, Asunción, ha sido la que experimento el más relevante
crecimiento, ocasionando una situación en la que la mano de obra del sector
construcción era insuficiente para satisfacer la creciente demanda del sector que
tiene como objetivo la urbanización.
Conforme al informe del ex presidente del Club de ejecutivos del Paraguay
los factores que influyeron de manera eficiente en el desarrollo inmobiliario son
los siguientes:
a) La crisis de Norte America del 2008, ocurrida en el momento
que se inició el despegue del negocio inmobiliario en Paraguay, generó
una importante repatriación de capitales paraguayos, principalmente de
los Estados Unidos. Hecho significativo que rompió el mito de que el dinero
estaba más seguro y era más rentable afuera. De un día para otro el
paraguayo descubrió que la sensación de seguridad aumentaba teniendo
su dinero en el país, y encontró un interesante y rentable refugio en el
negocio inmobiliario; otro aspecto destacado fue,
14
b) Que aparecieron también los desarrolladores inmobiliarios,
que constituidos como tales, o bajo diferentes figuras, lograron aumentar
la consistencia y la repetición en los desarrollos realizados, y convertir en
un negocio lo que hasta ese momento tenía la característica de ser muy
circunstancial y esporádico; por último,
c) Uno de los factores más importantes, que se debe tener en
cuenta es la llegada de inversión extranjera al sector, capital proveniente
principalmente de España y Argentina; mientras que en el sector de
inversiones inmobiliarias rurales la apuesta fuerte fue realizada por
capitales provenientes del Brasil y del Uruguay.
Los principales polos de desarrollo en el sector inmobiliario son: las
viviendas, sean estas dúplex, casas en condominios o edificios de
departamentos, las oficinas corporativas y el retail11.
3 Estrategia de obtención de datos. Tamaño de la muestra.
Técnica de muestreo
Los datos muestrales para el cómputo han sido obtenidos de la
hemeroteca Carlos Antonio López de la Biblioteca Nacional del Paraguay, la cual
contaba con un extenso archivo que permitió obtener sin problema la muestra
necesitada.
La muestra estudiada fue recogida de periódicos, específicamente de la
sección de clasificados, de todos los días domingos de los 12 meses del año. El
periodo de años seleccionado para tomar la muestra fue de diez años,
empezando en el año 2004 hasta el mes de setiembre del año 2014.
Los datos recogidos corresponden a precios de casas que se encontraban
en venta en el periodo mencionado, atendiendo que las mismas cumplan con las
11 Retail es el término inglés para comercio al por menor o al detalle.
15
características necesarias para satisfacer lo planteado por el modelo de los
precios hedónicos12.
TÉCNICA DE MUESTREO
Según el Departamento de Matemáticas de la Universidad de Sonora13 la
muestra debe lograr una representación adecuada de la población, en la que se
reproduzca de la mejor manera los rasgos esenciales de dicha población que
son importantes para la investigación. Para que una muestra sea representativa,
y por lo tanto útil, debe de reflejar las similitudes y diferencias encontradas en la
población, es decir ejemplificar las características de ésta.
En lo referente a la técnica de muestro existen diferentes criterios de
clasificación, que en general pueden dividirse en dos grandes grupos:
1) Métodos de muestreo probabilísticos.
2) Métodos de muestreo no probabilísticos.
Sin embargo la investigación tomará el criterio del muestro probabilístico,
por lo tanto no se profundizará en el muestreo no probabilístico.
Nuevamente el Departamento de Matemática de la universidad citada
anteriormente, señala que los métodos de muestreo probabilísticos son aquellos
que se basan en el principio de equiprobabilidad. Es decir, aquellos en los que
todos los individuos tienen la misma probabilidad de ser elegidos para formar
parte de una muestra y, consiguientemente, todas las posibles muestras de
tamaño n tienen la misma probabilidad de ser seleccionadas. Sólo los métodos
de muestreo probabilísticos nos aseguran la representatividad de la muestra
extraída y son, por tanto, los más recomendables.
Existen cuatro tipos de métodos de muestreo probabilísticos distintos los
cuales se describen a continuación:
12 Modelo en base al cual se realiza la investigación. 13 Material: El muestreo. Autores: Departamento de Matemáticas. País: México. Páginas: 1-2.
16
1) Muestreo aleatorio simple:
El procedimiento empleado es el siguiente, primero se asigna un número
a cada individuo de la población y segundo a través de algún medio mecánico
(bolas dentro de una bolsa, tablas de números aleatorios, números aleatorios
generados con una calculadora u ordenador, etc.) se eligen tantos sujetos como
sea necesario para completar el tamaño de muestra requerido. Este procedimiento, atractivo por su simpleza, tiene poca o nula utilidad
práctica cuando la población que estamos manejando es muy grande.
2) Muestreo aleatorio sistemático:
Este procedimiento exige, como el anterior, numerar todos los elementos
de la población, pero en lugar de extraer n números aleatorios sólo se extrae uno.
Se parte de ese número aleatorio i, que es un número elegido al azar, y los
elementos que integran la muestra son los que ocupa los lugares i, i+k, i+2k,
i+3k,...,i+(n-1)k, es decir se toman los individuos de k en k, siendo k el resultado
de dividir el tamaño de la población entre el tamaño de la muestra: k= N/n. El
número i que empleamos como punto de partida será un número al azar entre 1
y k.
El riesgo este tipo de muestreo está en los casos en que se dan
periodicidades en la población ya que al elegir a los miembros de la muestra con
una periodicidad constante (k) podemos introducir una homogeneidad que no se
da en la población. Imaginemos que estamos seleccionando una muestra sobre
listas de 10 individuos en los que los 5 primeros son varones y los 5 últimos
mujeres, si empleamos un muestreo aleatorio sistemático con k=10 siempre
seleccionaríamos o sólo hombres o sólo mujeres, no podría haber una
representación de los dos sexos.
3) Muestreo aleatorio estratificado
Trata de obviar las dificultades que presentan los dos anteriores ya que
simplifican los procesos y suelen reducir el error muestral para un tamaño dado
de la muestra. Consiste en considerar categorías típicas diferentes entre sí
(estratos) que poseen gran homogeneidad respecto a alguna característica (se
17
puede estratificar, por ejemplo, según la profesión, el municipio de residencia, el
sexo, el estado civil, etc.). Lo que se pretende con este tipo de muestreo es
asegurarse de que todos los estratos de interés estarán representados
adecuadamente en la muestra. Cada estrato funciona independientemente,
pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o el estratificado
para elegir los elementos concretos que formarán parte de la muestra. En
ocasiones las dificultades que plantean son demasiado grandes, pues exige un
conocimiento detallado de la población. (Tamaño geográfico, sexos, edades,...).
La distribución de la muestra en función de los diferentes estratos se
denomina afijación, y puede ser de diferentes tipos: Afijación simple, Afijación
proporcional y Afijación óptima.
4) Muestreo aleatorio por conglomerados:
Los métodos presentados hasta ahora están pensados para seleccionar
directamente los elementos de la población, es decir, que las unidades
muéstrales son los elementos de la población.
En el muestreo por conglomerados la unidad muestral es un grupo de
elementos de la población que forman una unidad, a la que llamamos
conglomerado. Las unidades hospitalarias, los departamentos universitarios, una
caja de determinado producto, etc., son conglomerados naturales. En otras
ocasiones se pueden utilizar conglomerados no naturales como, por ejemplo, las
urnas electorales. Cuando los conglomerados son áreas geográficas suele
hablarse de "muestreo por áreas".
El muestreo por conglomerados consiste en seleccionar aleatoriamente un
cierto número de conglomerados (el necesario para alcanzar el tamaño muestral
establecido) y en investigar después todos los elementos pertenecientes a los
conglomerados elegidos.
18
TAMAÑO DE LA MUESTRA
Según Canales Hernández et al14., de la universidad de Veracruz15,
México, el cálculo del tamaño de la muestra es uno de los aspectos más
importantes a concretar en las fases previas a la investigación y determina el
grado de credibilidad que se van a conceder a los resultados obtenidos.
Para calcular el tamaño de una muestra hay que tener en cuenta tres
factores:
1) El porcentaje de confianza con el cual se quiere generalizar
los datos desde la muestra hacia la población total:
La confianza o el porcentaje de confianza es el porcentaje de seguridad
que existe para generalizar los resultados obtenidos. Esto quiere decir que un
porcentaje del 100% equivale a decir que no existe ninguna duda para generalizar
tales resultados, pero también implica estudiar a la totalidad de los casos de la
población, sin embargo utilizar ese nivel de porcentaje no se ajusta a la realidad
2) El porcentaje de error que se pretende aceptar al momento
de hacer la generalización:
El error o porcentaje de error equivale a elegir una probabilidad de aceptar
una hipótesis que sea falsa como si fuera verdadera, a la inversa rechaza
hipótesis verdadera que sea falsa. Al igual que en el caso de la confianza, si se
quiere eliminar el riesgo del error y considerarlo como cero, entonces la muestra
debe ser del mismo tamaño de la población, por lo que conviene correr cierto
riesgo a equivocarse debido a que no puede tomarse como muestra a la totalidad
de la población.
3) El nivel de variabilidad que se calcula para comprobar la
hipótesis:
La variabilidad es la probabilidad (o porcentaje) con el que se aceptó o se
rechazó la hipótesis en alguna investigación anterior o un ensayo previo a la
14 Escobar M., Fernández Z., González L., Jiménez F., Muñoz R. 15 Obra: Estadística Inferencial. Página: 2
19
investigación actual. El porcentaje con que se aceptó tal hipótesis se denomina
variabilidad positiva y se denota por la letra p, y el porcentaje con que se rechazó
la hipótesis es la variabilidad negativa, denotada por q.
Hay que considerar que p y q son complementarios, es decir, que su suma
es igual a la unidad, en el caso de no existir antecedentes sobre la investigación,
entonces los valores de variabilidad son iguales a p=q=0,5.
Supuestos
1) Error permitido
2) Nivel de confianza estimado
3) Carácter Finito o Infinito de la Población
Según (Spiegel y Stephens, 2009)16 para el cálculo del tamaño de una
muestra infinita o desconocida se utiliza la siguiente formula:
� =��
�. �. �
�
En donde:
n: Tamaño muestral
ρ: Variabilidad positiva
q: variabilidad negativa
i: Precisión o error
El cálculo del tamaño de la muestra17 para esta investigación es la
siguiente:
Nivel de confianza: 95% Precisión: 10%
16 Obra: Estadística Autores: Murray R. Spiegel y Larry J. Stephens. Año: 2009 País: México 17 Fuente Elaboración propia.
20
Variabilidad positiva de 0,5 (50%) debido a que no existe información ni
literatura anterior en el Paraguay de donde se pueda acceder a esta información.
Debido a la complementariedad, ρ+q=1, la variabilidad negativa es
también de 0,5. (q=1-0,5=0,5).
� =1,96�. 0,5.0,5
(0,1)�= 96,04 ≈ 96
Por lo tanto el tamaño de muestra adecuado para la investigación es de 96
observaciones, no obstante la cantidad de muestras colectadas para la
investigación son de 100 para cada uno de los 10 años.
21
CAPÍTULO II
Presentación del Modelo de los Precios Hedónicos
1 Prolegómenos del modelo
El empleo de la modelización hedónica se remonta al año 1967, gracias a
los trabajos de Ronald G. Ridker y John A. Henning, quienes realizaron un
estudio para analizar en la ciudad de St. Louis18, Estados Unidos, el efecto de la
polución del aire sobre el precio de mercado de las viviendas, así como de otras
características propias de los inmuebles y su vecindario.
En términos concretos los precios hedónicos, son un modelo de
diferenciación de productos, se basan en la hipótesis de que los bienes son
valorados de acuerdo a la utilidad que producen, a sus atributos o sus
características, por lo tanto, intentan revelar todos los atributos del bien que
explican su precio, y discriminar así la importancia relativa de cada uno de ellos.
Los precios hedónicos son definidos como los precios implícitos de los
atributos y son revelados a los agentes económicos a partir de la observación de
precios de productos diferenciados y del valor de características específicas
asociados a ellos (Rosen, 1974).
Según (Lever, 2000)19 la Teoría de Precios Hedónicos pretende explicar
el valor de un bien raíz, entendido como un conjunto de atributos (superficie,
aptitud de uso del suelo, calidad de la construcción, diseño interior y exterior,
áreas verdes, ubicación, características del vecindario, etc.), en función de cada
uno de ellos, obteniendo sus respectivas valoraciones y, por ende, demandas
implícitas.
18 Del inglés San Luis. 19 Obra: El modelo de los precios Hedónicos. Autor: George Lever. Página 3.
22
En otras palabras, la teoría permite identificar la importancia relativa de
cada atributo en el valor asignado por el mercado a un bien raíz, mediante lo cual
es posible determinar cómo cambiará dicho valor al variar la cantidad y calidad
que se encuentra presente cada uno de estos atributos, y consecuentemente,
predecir precios (Lever, 2000).
Este método tiene muchas aplicaciones en distintos campos, como por
ejemplo el campo medio ambiental, este análisis se enfoca uno de los casos más
comunes en la mayoría de las literaturas, la vivienda.
2 Supuestos
A continuación se enumeran los supuestos necesarios para que el este
modelo pueda sustentarse.
Según (Rosen 1974)20 los supuestos de la metodología hedónica son los
siguientes:
1. El precio de los bienes, particularmente los bienes de
“propiedad raíz”, como la vivienda y la propiedad rural, está en función de
las características o atributos ambientales de su entorno.
2. El rango de las características o atributos de un bien es
continuo.
3. La cantidad de una característica particular puede variar
independientemente, permitiendo una especificación lineal de la función
de precios. 4. La escogencia del lugar de un bien de “propiedad raíz”, como
vivienda, depende de las preferencias, el ingreso del individuo y los
precios de los atributos ambientales de esos bienes.
20 Obra: Hedonic Prices and Implicit Markets: Product Differentiation in Pure Competition. Autor: Sherwin Rose. Año: 1974. País: E.E.U.U. Páginas: 34-55
23
Aparte de los supuestos establecidos por (Rosen 1974), es importante
rescatar otros 3 supuestos que según (Azqueta 1994)21 son importantes:
1. La movilidad
Para que la persona pueda expresar su disposición a pagar por un bien
cualquiera, tiene que poder elegir distintas cantidades de dicho bien, es decir, los
costes de transacción no han de ser prohibitivos: han de ser lo suficientemente
móvil como para poder escoger, por ejemplo, viviendas afectadas por distintos
niveles de contaminación ambiental y además poder optar por cambiarse de
zona.
2. El papel de la renta per cápita
La renta per cápita es una variable fundamental a la hora de estimar la
función de precios hedónicos, la disposición a pagar por un bien cualquiera es
función, entre otras cosas, de la capacidad de pago, la disposición a pagar por
los mismos, aumenta más que proporcionalmente con la renta.
3. Valor de uso y valores de no-uso
Refleja el valor que los usuarios de un bien privado, que se ve afectado
por la modificación en la calidad ambiental, que se proyecta en el mercado, por
lo tanto se trata de un método que permite reflejar el valor de uso de un bien.
No se incluyen los todos los valores posibles de no uso que el bien puede
tener para una serie de personas distintas.
3 Función de los precios hedónicos
El procedimiento estándar establece una ecuación hedónica de precios
que captura el efecto de los distintos atributos particulares que posee una
vivienda, para establecer su valía en el mercado.
21 Obra: Valoración Económica de la Calidad Ambiental. Autor: Diego Azqueta. Año: 1994. País: España. Páginas: 131-147.
24
La estructura general del modelo es la siguiente:
� = �(�, �, �, �, �, �; �)
La P, que es la llamada variable dependiente, corresponde al precio de la
vivienda, el cual se asume está determinado por los argumentos de la función f.
Las llamadas variables independientes de la ecuación hedónica se
agrupan en síes distintas clases:
I: es el vector de características inherentes al inmueble (superficie
construida, superficie del terreno aptitud de uso del suelo, aspectos de
arquitectura y diseño interior, equipamiento interior, número de habitaciones,
calidad de los materiales, etc.).
V: es el vector de características del vecindario (nivel socioeconómico,
tipo de residentes, seguridad, etc.).
U: es el vector de características de ubicación del bien raíz (área
residencial, área industrial, distancia geográfica y accesibilidad a centros de
importancia, etc.).
Z: es el vector de características determinadas por la ubicación del
inmueble dentro del Plano Regulador de la ciudad (zona) (densidad de la
construcción, tipos de actividades y usos del suelo permitidos, etc.).
S: es el vector de características determinadas por el nivel de
equipamiento exterior, servicios e infraestructura que recibe el inmueble
(agua, alcantarillado, electricidad, pavimentación, etc.).
25
E: es el vector de externalidades, tanto positas como negativas,
presentes en el entorno en que se encuentra el bien raíz (actividades
contaminantes, áreas verdes, vertederos de desperdicios, etc.)
w : conjunto de parámetros que acompañan a cada atributo y que
constituyen los precios implícitos (sombra) de cada característica del inmueble.
La ecuación señalada más arriba, muestra que el precio de mercado de
una vivienda está determinada por el conjunto de distintos atributos (I, V, U, Z, S
y E) que posee el inmueble y que lo caracteriza y la diferencia de otros bienes
raíces de su tipo (Lever, 2000).
Según (Lever, 2000) es posible explicitar la forma estimable del modelo de
la siguiente manera;
Pi = b0 + b1 x1i + b2 x2i + ... + bm xmi + mi
Donde k=1, 2,..., m; i=1,2,..., n; las m variables xKI corresponden a los
argumentos de la función f incorporados en los grupos de atributos I, V, U, Z, E
y S de la ecuación; los coeficientes b corresponden a los parámetros incluidos
en el set, y m es un error aleatorio (Lever, 2000).
4 Discrepancia metodológica del Método de los precios
hedónicos
Existe un dilema a la hora de establecer la forma funcional del modelo de
los precios hedónicos, más concretamente el problema al que se enfrenta la
ecuación es el de especificar y estimar la función.
26
Esta debe relacionar a través de una regresión el precio observado de las
viviendas y las propiedades que estas poseen, utilizando para ello la forma
funcional que reporte un mejor ajuste.
Conforme lo establecido por (Azqueta, 1994) las formas funcionales más
habituales para este modelo son:
a) Funciones Lineales
Implica que los precios implícitos de las diferentes características
analizadas permanecerían constantes, cualquiera que fuese el nivel de partida
de la misma. En otras palabras, el "precio" de un incremento determinado en el
nivel de ruido (el perjuicio que genera) sería el mismo en una situación de
tranquilidad relativa (en un parque que no congestionado), que cuando partimos
de una situación ya contaminada (una calle invadida por el tráfico).
b) Funciones no Lineales
Supone que el precio implícito de cada característica cambia con la
cantidad de referencia de la misma. Lo interesante, en este caso, es analizar el
comportamiento que supone con respecto a su precio implícito, cada una de las
distintas especificaciones posibles (logarítmica, semilogarítmica, cuadra tica,
exponencial, transformación Box-Cox, etc.). En otras palabras: ¿cómo evoluciona
el precio implícito, por ejemplo del ruido, ante un aumento del nivel del mismo?
¿Aumenta más o menos que proporcionalmente? Es decir: una elevación del
nivel del ruido, ¿causa un perjuicio mayor cuando partimos de un nivel ya alto (la
situación se hace insoportable, un ejemplo)? ¿O cuando estamos en una
situación muy deteriorada un incremento adicional ya no tiene mucha
importancia, y lo que realmente cuenta es el perjuicio que se causa al principio,
cuando el nivel de contaminación acústica era inexistente? En este segundo
caso, el precio implícito de la característica irá descendiendo al aumentar el nivel
27
de la misma, mientras que en el primero, se producirá el fenómeno inverso, un
aumento progresivo de su precio.
Un ejemplo ilustrativo que relaciona el precio de una vivienda con su
superficie representaría mejor la idea que propone (Azqueta, 1994) sobre los dos
tipos de formas funcionales referidas en párrafos anteriores.
GRAFICO 2. Función Lineal
Fuente: Lever, G. (2000). Determinantes del precio de la vivienda en Santiago: Una estimación Hedónica. Santiago, Chile.
Fuente: Lever, G. (2000). Determinantes del precio de la vivienda en Santiago: Una estimación Hedónica. Santiago, Chile.
GRAFICO 1. Observaciones
28
En términos más concretos, y profundizando sobre las formas funcionales,
(Lever, 2000) presenta el modelo desarrollado por Box-Cox (1964), el cual
establece instrumento teórico para determinar la forma funcional exacta a partir
de la siguiente expresión general:
Pa = c + aXa + bYa + dZa
En la que a representa el coeficiente de Box-Cox y cuya determinación
provee la forma funcional buscada.
Esta ecuación adopta la forma lineal (recta) cuando a vale 1, y adopta la
forma logarítmica cuando a vale cero.
GRAFICO 3. Función No Lineal
Fuente: Lever, G. (2000). Determinantes del precio de la vivienda en Santiago: Una estimación Hedónica. Santiago, Chile.
29
Empíricamente, se ha descartado la hipótesis de relación lineal,
encontrándose valores de a cercanos a cero, lo que lleva a la conclusión de que
la forma funcional "f" en la ecuación P=f(I,V,U,Z,S,E;W) tiende a ser muy
aproximada a la logarítmica.
Esta conclusión apoya la indicación de omitir, en la práctica, la aplicación
del modelo Box-Cox, y reemplazarla por el uso directo de modelos semi-
logarítmicos, que corresponden simplemente a un modelo lineal tradicional, en el
que las variables ‘precio’ y ‘superficie’ son reemplazadas por sus respectivos
logaritmos naturales (este método conduce a obtener, como resultado final, el
logaritmo del precio de un inmueble, el que luego debe ser ‘re-convertido’ a precio
aplicando el antilogaritmo (o exponencial) (Lever, 2000).
5 El modelo inmobiliario y el precio hedónico de la vivienda
Advierte (Azqueta, 1994) que pueden surgir problemas de índole practica
cuando se intenta estimar la función del precio hedónico para la vivienda, estos
se originan en la necesidad de contar con una información del valor de la misma;
y además de eso, en la necesidad de contar con una estimación del nivel de la
característica ambiental en la que estamos interesados: calidad del aire o nivel
de ruido por ejemplo.
22 Mínimos cuadrados Ordinarios
Forma funcional Valor del coeficiente Estimador
Lineal a = 1 M.C.O22
Doble Logarítmica a = 0 M.C.O
Semilogarítmica a ≈ 0 M.C.O
TABLA 8. Transformaciones Box-Cox
Fuente: Elaboración propia con datos de “Determinantes del precio de la vivienda en Santiago: Una estimación Hedónica.” y “Metodologías para la valoración Económica de Bienes, Servicios Ambientales y Recursos Naturales”
30
Este autor señala que existen dos grupos de problemas operativos los
cuales son los siguientes:
� Primer grupo
a. Valor de la vivienda
En primer lugar, se hace necesario elegir entre el valor de la vivienda, o el
valor del suelo en la zona (metro cuadrado). Las opiniones al respecto son
diversas. En principio, el valor del suelo parece un candidato sumamente
adecuado, ya que capitaliza todas las rentas con independencia de su utilización.
Por otro lado, sin embargo, si se quieren estimar modelos más complejos, en los
que se incluyen múltiples características, se hace necesario recurrir al valor de la
vivienda. Éste último es el caso más normal en la literatura.
b. Fuente de información
En segundo lugar se plantea el problema de qué fuente de información
sobre el valor de la vivienda utilizar ya que existen, al tres posibilidades, sin
embargo otros autores concuerdan de que existen otras que pueden ser
utilizadas.
Por un lado, las transacciones reales efectuadas en el mercado
inmobiliario.
En segundo lugar, existe la posibilidad de acudir a la opinión de expertos,
es decir, agentes de la propiedad inmobiliaria.
Finalmente, existe, la posibilidad de preguntar al propietario de la vivienda
directamente.
c. Tipo de Precio
En tercer lugar, puede surgir la duda sobre qué tipo de precio utilizar:
¿precio de venta de la vivienda, o precio de alquiler? Así pues encontramos que
ambas posibilidades tienen sus ventajas y desventajas. El alquiler, al ser una
actividad con una tasa de rotación mayor (no es lo mismo alquilar un apartamento
que comprar. Es más fácil, y menos costoso, cambiar en el primer caso el
segundo), puede acentuar el problema, de que la persona no siga una conducta
óptima, sino meramente satisfactoria.
31
En el caso del alquiler, el “precio del error”, es menor. Por otro lado, sin
embargo, y dada esta misma característica los alquileres, más dinámicos, este
precio se encuentra mejor preparado para reflejar los cambios que se van
produciendo en el entorno y, en concreto, en las características objetivo de
atención. Se trata, en definitiva, un precio más actualizado.
d. Los impuestos
Finalmente, en este primer grupo de problemas cabe señalar aquellos
originados en la existencia de impuestos sobre la propiedad. El problema en este
caso radica como es obvio que los impuestos (las plusvalías, por ejemplo), se
interponen entre aparición de una mejora (o un cambio, en términos generales),
y la capitalización de dicho cambio en el precio de la vivienda, lo que supone
distorsionar la información recogida en los precios hedónicos, impidiendo recoger
cabalmente el cambio producido: podría firmarse que una parte de las rentas
generadas por el cambio se ha “fugado”.
� Segundo grupo
El segundo grupo de problemas trata de la medición de la variable
ambiental, la cual expone dos tipos de problemas, que son, la medida del cambio
y la evolución en el tiempo; los cuales no serán profundizados en esta
investigación.
6 Estudio de Casos. Caso Estados Unidos. Caso Español
En este apartado se va a presentar el estudio de casos de casos para dos
ciudades distintas de diferentes continentes, en los cuales se mostrará la
aplicación de los precios hedónicos en casos concretos.
Caso Estados Unidos
En este caso en particular se examinará el trabajo expuesto en “Estimating
the demand for the Caracteristics of Housing” en donde (Palmquist, 1984) trata
de estimar la disposición marginal a pagar por las características más relevantes
de la vivienda en Estados Unidos.
32
Los resultados de la estimación han sido realizados en base a siete
ciudades tipo de los Estados Unidos. Los datos, han sido de hipotecas, y han
sido recogidos en el año 1977 en su mayoría. Las ciudades usadas en el estudio
de (Palmquist, 1984) son:
� Atlanta, 2863 ventas
� Denver, 4775 ventas
� Houston, 3185 ventas
� Louisville, 2050 ventas
� Miami, 2390 ventas
� Oklahoma City, 3058 ventas
� Seattle, 1976 ventas
Para llevar a cabo la investigación el autor estableció un conjunto de
supuestos que le permitían estructurar su modelo y son los siguientes:
a- Los mercados no estaban segmentados dentro de cada
ciudad. Según (Azqueta, 1994), (Palmquist, 1984) con ello garantizaba la
movilidad necesaria para que el ejercicio pudiera llevarse a cabo sin
trabas.
b- Los elevados costes de transporte impedían la movilidad
perfecta entre ciudades. Según (Azqueta, 1994), para (Palmquist, 1984)
tendría sentido calcular una función distinta para cada una de ellas, con lo
que se podía tratar de estimar las funciones de demandan individuales,
dada la distinta composición de la población de cada ciudad.
Las variables empleadas por (Palmquist, 1984) para las regresiones
hedónicas se encuentran en la tabla "9"23. La selección de las mismas se efectuó
en función a una doble experiencia, basado en experiencias previas con
regresiones hedónicas y la de los propios evaluadores.
23 La tabla 9 se encuentra en el ANEXO.
33
En cuanto a la forma funcional de la ecuación, (Palmquist, 1984) empleo
con las cuatro formas funcionales usadas más frecuentes: lineal, semilogarítmica,
lineal-logarítmica, e inversa semilogarítmica. De las cuales la forma lineal fue la
que obtuvo mejores resultados, estos resultados están reflejados en la tabla “9”24,
en todas las áreas excepto en Miami en donde la forma funcional usada fue la
semilogarítmica.
Desde el punto de vista de (Azqueta, 1994) a los resultados más
destacables que llegó (Palmquist, 1984) con la función de precios hedónicos
estimada son los siguientes:
1. La gran influencia negativa, en el precio de la vivienda, el
porcentaje de población no blanca, los coeficientes relativos a esta
variable, que indican en cuanto se apreciaba una vivienda Standard, si el
porcentaje de población no blanca de las zonas aumentaba en 1%
2. La influencia, igualmente negativas del porcentaje de la
población transeúnte.
3. La incidencia, positiva por el contrario, del nivel de educación
de los vecinos de la zona, y la ausencia del hacinamiento.
4. La única variable ambiental recogida del trabajo, la calidad
del aire medida por el nivel de partículas en suspensión, no ofreció los
resultados esperados al ser sólo significativa en 4 de las 7 áreas
metropolitanas analizadas.
Caso España
En este segundo caso propuesto se examinará el trabajo expuesto en
“Determinación de la demanda de características de vivienda. Una aplicación
para los principales municipios Asturianos” realizado por Celia Bilbao Terol, de
ahora en más (Bilbao, 1997), para la Universidad de Oviedo.
El objetivo principal de (Bilbao, 1997) es estimar una función de demanda
de vivienda, teniendo en cuenta de una manera explícita la heterogeneidad
24 La tabla 10 se encuentra en el ANEXO.
34
inherente del bien. Para ello utiliza el método de precios hedónicos de Rosen
(1974).
Los resultados de la estimación han sido realizados en base a las
principales poblaciones de la zona central del Principado de Asturias. Los datos,
fueron tomados de 2 fuentes distintas, las agencias y promotoras inmobiliarias y
la Consejería de Medio Ambiente del Principado de Asturias, y han sido recogidos
en el año 1996.
La muestra tomada contiene 364 datos de viviendas vendidas en los
principales núcleos urbanos y son las siguientes:
� Oviedo, 80 muestras
� Gijón, 98 Muestras
� Avilés, 68 muestras
� Mieres, 54 muestras
� Langreo, 64 muestras
Para llevar a cabo la investigación (Bilbao, 1997) estableció un conjunto
de supuestos, que en esencia se tomaron de otros autores Palmquist (1984) y
Parsons (1986), y que le permitieron estructurar su modelo.
a- Los parámetros de la función de precios hedónicos son
iguales dentro de cada ciudad y distintos en cada una de ellas. Es decir,
los mercados de vivienda están segmentados por ciudad de manera que
variaciones en precios se deben a distintas condiciones de oferta o a
distintas distribuciones de las preferencias a lo largo de los mercados; por
tanto las variaciones en precios son exógenas a los consumidores.
b- Los agentes del mercado no pueden influir en el precio del
bien sino que lo toman como dado, ya que el método hedónico trata sobre
comportamientos individuales y no sobre ofertas o demandas globales.
35
c- Los parámetros de las funciones de demanda son idénticos
en todas las poblaciones mientras que los precios no. Se estima una
función de precios hedónicos en cada población y una sola demanda para
toda la zona de estudio.
d- Las preferencias de las familias son débilmente separables
en características de vivienda y otros bienes.
e- La función de precios hedónicos es lineal, de tal forma que la
restricción presupuestaria que hace frente la familia también lo es.
(Bilbao, 1997) divide en dos etapas su investigación, la primera, la
estimación de las ecuaciones hedónicas, la segunda, la estimación de las
demandas de características de vivienda, la cual no será profundizada debido a
que en la presente investigación no se centrará en este tipo de análisis.
Las variables empleadas por (Bilbao, 1997) para las regresiones
hedónicas se citan a continuación: metros cuadrados útiles (mu), número de
baños (bas), si tiene calefacción (cal), altura (alt), si tiene garaje (gar), si es nueva
o usada (edad), calle donde se sitúa la vivienda (dis) y por último la cantidad de
dióxido de azufre (SO2).
La forma funcional seleccionada por (Bilbao, 1997) es la lineal, de manera
que presenta la siguiente expresión:
P=a0+a1mu+a2bas+a3cal+a4alt+a5gar+a6edad+a7dist+a8so+ei
Donde ei es el término de error.
La autora corre cinco regresiones distintas, una para cada ciudad
estudiada, de modo que, los resultados están reflejados en la tabla “10”25.
Los principales resultados obtenidos por (Bilbao, 1997) se presentan a
continuación:
25 La tabla 11 se encuentre en el ANEXO.
36
1. Los R2 ajustados de las estimaciones de las ecuaciones hedónicas
sobrepasan en la mayoría de los casos el 85%, excepto en Oviedo y Mieres.
2. Los estadísticos de significatividad conjunta F indican también que
todas las variables y en todas ecuaciones son globalmente significativas.
3. Si la vivienda es nueva y está situada en Oviedo su precio se
incrementa en 5.093.000 pts.26 frente a una vivienda usada, este valor es de
4.330.600 pts. para Gijón, de 2.857.000 pts. para Avilés, de 2.408.500 pts.
para Mieres y de 2.352.000 pts. para Langreo.
26 Peseta: Unidad Monetaria española hasta enero de 1999.
37
CAPÍTULO III
Estimaciones Econométricas
1 Categorización de viviendas
Debido a que no existe un criterio de categorización estrictamente definido,
estos pueden variar y no ser idénticos de país en país, como ejemplo para
graficar esta tesitura, se toma el caso de Uruguay y Chile, estudiado en el artículo
de la CEPAL “Perfil de déficit y políticas de vivienda social: Situación de algunos
países de la región en los noventa”, con respecto al primer país citado el mismo
establece dos variables para caracterizar las viviendas: su calidad y el estado de
conservación. La primera de estas variables clasifica las viviendas en cuatro
tipos: confortable, mediana, modesta y precaria. En tanto que para la segunda
las definiciones son: necesita reparaciones importantes, necesita reparaciones
pequeñas y no necesita reparaciones.
El chileno por ejemplo tiene en cuenta el material predominante en el piso,
muros y techo y define cinco tipos para el primer elemento, y siete para el material
de los otros dos.
Sin embargo gracias a la teoría de avaluación de inmuebles27 se puede
establecer un conjunto de componentes físicos que influyen en el valor del mismo
y por ende en sus categorías.
Según (Almieda y Soares, 2006) primeramente hay que tener en cuenta la
región en donde se encuentra el inmueble, es decir, un reconocimiento de la
región, el cual se realiza a través de la localización del inmueble dentro del área
estudiada (ciudad, barrio, cuadra), nivel de actividad económica y tendencia de
crecimiento, etc.; otro aspecto importante es la calle por ejemplo su estado de
conservación, si tiene asfalto, empedrado o tierra.
27 Ficha para avaluar los se encuentra en el ANEXO.
38
El siguiente aspecto importante a tener en cuenta es el terreno, en donde
esta edificada la vivienda. Además de estos, existen otros aspectos más a tener
en cuenta, sin embargo estos se refieren a aspectos de especificaciones
constructivas y arquitectónicas que son importantes pero escapan a la esencia
de la investigación.
A modo de conocer cómo afectan al precio ciertas variables importantes
al momento de categorizar las viviendas si estimó la siguiente ecuación.
;�<=>?@ = AB + CD?A� + >EFEA� + >G�AH + >I
En donde:
Ubic: se refiere a la ciudad donde se encuentra la vivienda.
Edad: si la vivienda es a estrenar o usada.
Esq: si la vivienda se encuentra en la esquina de la cuadra o no.
Los resultados fueron los siguientes:
Tabla 12. Regresión de Categoría
Fuente: Fuente elaboración .
_cons 19.07148 .0374545 509.19 0.000 18.99799 19.14497
esq .2478896 .1492831 1.66 0.097 -.0450233 .5408026
edad .3009762 .0910963 3.30 0.001 .1222334 .4797191
ubic 1.005547 .0482594 20.84 0.000 .9108556 1.100238
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Total 964.691659 1099 .877790408 Root MSE = .79165
Adj R-squared = 0.2860
Residual 686.882009 1096 .626717161 R-squared = 0.2880
Model 277.80965 3 92.6032166 Prob > F = 0.0000
F( 3, 1096) = 147.76
Source SS df MS Number of obs = 1100
39
Como se puede observar los signos de las betas son los esperados es
decir todos positivos, además todas las variables son significativas
individualmente y así como también es significativa globalmente. Por último es
importante resaltar que el valor del coeficiente de determinación es
inusitadamente bajo.
2 Variables a ser Utilizadas. Descripción
A continuación se presenta el conjunto de variables hedónicas más
destacadas que determinan el precio de una vivienda. Las mismas van a ser
a utilizadas para realizar las estimaciones para el año 2014 y las estimaciones
intertemporales.
Precio: Valor de venta de la vivienda. Variable que indica el valor de la
vivienda. Denotada con el nombre “precio” en la ecuación.
Dormitorio: Cantidad de habitaciones que posee la vivienda. Variable que
indica la cantidad de dormitorios que detenta la vivienda. Denotada con el nombre
“dorm” en la ecuación.
Baño Social: Habitación de aseo personal del área social que posee una
vivienda. Variable que indica la cantidad de baños que detenta la vivienda.
Denotada con el nombre “bñScl” en la ecuación.
Sala: Habitación social que posee una vivienda. Variable dicotómica que
toma el valor de 1 si la vivienda posee sala y 0 (cero) en otro caso. Denotada con
el nombre “sal” en la ecuación.
Ubicación: Ciudad donde se encuentra la vivienda en venta. Variable
dicotómica que toma el valor de 1 si la vivienda se encuentra en la ciudad de
Asunción y 0 (cero) si se encuentra en otro distrito limítrofe a Asunción. Denotada
con el nombre “ubic” en la ecuación.
Área de servicio: Dependencia de la vivienda destinada al reposo del
personal de doméstico. Variable dicotómica que toma el valor de 1 si la vivienda
40
posee área de servicio y 0 (cero) en otro caso. Denotada con el nombre “aserv”
en la ecuación.
Quincho: Dependencia destinada al esparcimiento el cual cuenta con una
parrilla. Variable dicotómica que toma el valor de 1 si la vivienda posee quincho
y 0 (cero) en otro caso. Denotada con el nombre “qcho” en la ecuación.
Piscina: Estanque destinado al baño, a la natación o a otros ejercicios y
deportes acuáticos. Variable dicotómica que toma el valor de 1 si la vivienda
posee piscina y 0 (cero) en otro caso. Denotada con el nombre “pisc” en la
ecuación.
Plantas: Cantidad de pisos que posee la vivienda. Variable dicotómica que
toma el valor de 1 si la vivienda posee dos plantas y 0 (cero) en otro caso.
Denotada con el nombre “plant” en la ecuación.
Salón Comercial: Dependencia destinada a la actividad comercial dentro
de una vivienda. Variable dicotómica que toma el valor de 1 si la vivienda posee
salón comercial y 0 (cero) en otro caso. Denotada con el nombre “scomer” en la
ecuación.
Superficie: Tamaño de una vivienda expresado en metros cuadrados.
Variable que indica la cantidad de metros cuadrados que posee una vivienda.
Denotada con el nombre “m2” en la ecuación.
Cochera: Zona en donde se estacionan los Vehículos. Variable dicotómica
que toma el valor de 1 si la vivienda posee cochera cerrada y 0 (cero) en otro
caso. Denotada con el nombre “cochcerr” en la ecuación.
Las variables detalladas anteriormente representan al conjuntos de las
mismas que van a ser usadas en las ecuaciones hedónicas a ser estimadas, no
obstante, existen otras variables importantes que no van a ser usadas, como,
superficie edificada, patio, sala de escritorio, vestidor, etc., debido a que primero,
no existe información suficiente sobre mismas, segundo porque una mayor
41
cantidad de variables pueden estar correlacionadas unas con otras y dar lugar al
problema de multicolinealidad28, y por último la inclusión de una cantidad mayor
de variables explicativas no ocasiona mejoras importantes al momento de
explicar la variable dependiente.
3 Especificación y procesamiento de los datos
Como se advirtió en el capítulo anterior el modelo de los precios hedónicos
analiza bienes heterogéneos a través de sus características homogéneas, esto
es, dormitorios, baños, piscina, etc. Sin embargo al analizar la información
proveída por los periódicos, se revela la existencia una gran cantidad de variables
distintas para mayoría de las viviendas, lo que dificultó la selección de los datos.
Ulteriormente para la selección de las observaciones a ser analizadas fue
necesario establecer un conjunto de variables que permitieran captar a cabalidad
las características de una vivienda, teniendo en cuenta “a priori” no cometer la
violación de uno de los supuesto de MCO, la multicolinealidad, el conjunto de
variables fue escogido en base a experiencias de estudios anteriores realizados
sobre el mismo tema, por distintos autores.
Como se explicita en el capítulo I, las cien observaciones fueron
seleccionadas completamente de forma aleatoria, además de eso las mismas
fueron tomadas de los doce meses de cada año, para un periodo de diez años,
totalizando así la cantidad de 1000 observaciones.
El conjunto de muestras recopiladas corresponden solamente a casas que
se encontraban en venta, tanto en guaraníes como en dolares29, en el periodo
mencionado anteriormente, al ser seleccionados los datos, estos pasaron por un
proceso de depuración en donde quedaron fuera del estudio, viviendas del tipo
28 La multicolinealidad consiste en la existencia de relaciones lineales entre dos o más variables independientes del modelo lineal uniecuacional múltiple. 29 Fue tomado el dólar promedio anual y se presenta en el cuadro 1 en el ANEXO.
42
dúplex, edificios de apartamentos, casas quinta, domicilios de tres o más plantas,
viviendas con tinglados, etc.
Sumado a lo anterior se dejaron de lado las casas en venta destinadas
exclusivamente a vivienda, pero que no cumplían con las condiciones necesarias
para ser seleccionadas, es decir, las que no presentaban información sobre el
precio de venta de la vivienda, cantidad de baños, cantidad de dormitorios, etc.
En lo referente a las ciudades de las cuales fueron tomadas las muestras,
se dejaron de lado los distritos del gran Asunción no son limítrofes a la ciudad de
Asunción, los cuales son San Lorenzo, Capiatá, Ñemby, entre otros.
En lo que concierne al procedimiento de procesamiento de datos, los
mismos fueron seleccionados de los clasificados dominicales, luego fueron a
registrados, de a cien observaciones, en planillas; para posteriormente ser
recopilados en la computadora a modo de correr regresiones, y así poder analizar
los resultados.
4 Planteamiento del Modelo. Presunciones sobre las betas
A continuación se presenta el modelo hedónico el cual se va a emplear
para estimar las regresiones.
Precioi = f (dormi, bñScli, sali, aservi, qchoi, pisci, planti, scomeri, cochcerri, ubici,
m2i)
El regresando que se pretende construir en el modelo es el precio final de
una vivienda, a través de la estimación de las variables explicativas que son las
características de la misma.
Según (Tabales, Villamando y Velázquez de la torre, 2001) la primera
decisión a tomar es la selección de una forma funcional adecuada para la
estimación del modelo hedónico, esta puede ser lineal o no lineal. A criterio de
estos autores dicha elección se reduce a una cuestión totalmente empírica, ya
que las distintas aportaciones existentes sobre este tema no han establecido un
43
criterio para seleccionar aquella forma funcional que ofrezca mejores resultados.
Por este motivo se ensaya con diferentes formas funcionales y se elige aquélla
que proporciona un mejor ajuste. Así pues como se ha mencionado en el capítulo
anterior las formas funcionales más utilizadas tradicionalmente la forma lineal, la
semilogarítmica y la doblemente logarítmica.
En este caso se utilizan dos formas funcionales distintas, debido a que son
las que mejor se adaptan a los datos, la primera una forma funcional log-lin para
el año 2014, y la segunda así como en (Meloni y Nuñez, 2002), es la
semilogarítmica, en donde las variables precio (dependiente) y superficie
(independiente) son logarítmizadas con el logaritmo natural.
Por lo tanto los modelos hedónicos formales utilizados para las
estimaciones en esta investigación son los siguientes:
Modelo Año 2014 (Log-lin)
;�J=>?@I = AB + AKE@=LI + A�DñN?OI + AHGFOI + APFG>=QI + AR�?ℎ@I + AT<G?I
+ AU<OF�VI + AWG?@L>=I + AX?@?ℎ?>==I + AKBCD?I + AKKL2I + >I
En donde:
ei: es el termino de error
I: 1, 2,…, n
44
Modelo intertemporal (Log-Log)
;�J=>?@I = AB + AKE@=LI + A�DñN?OI + AHGFOI + APFG>=QI + AR�?ℎ@I + AT<G?I
+ AU<OF�VI + AWG?@L>=I + AX?@?ℎ?>==I + AKBCD?I + AKK;�L2I + >I
En donde:
De acuerdo a lo planteado por (Moore, et al., 1999) es posible estimar la
ecuación a través de Mínimos cuadrados Ordinarios ya que al logaritmizar, tanto
el regresando como los regresores se obtiene un modelo del tipo semilogarítmico
el cual es plausible de estimarlo por el método citado anteriormente.
Existe en la ecuación tres variables del tipo ordinal, de las cuales dos están
el logaritmo natural, y nueve variables del tipo dummy30.
PRESUNCIONES SOBRE LAS BETAS
A continuación se presentan los signos esperados que van deben tener
los parámetros estimados en las ecuaciones hedónicas.
30 Nombre en Ingles de la variable dicotómica
ei: es el termino de error
Ln: es el logaritmo natural en base e
I: 1, 2,…, n
45
Una observación importante es que el beta cero al ser intercepto carece
de significado económico por lo tanto su signo esperado puede tanto positivo
como negativo. La mayoría de los signos esperados son positivos, siendo el único
negativo el beta 8 que se refiere a la variable salón comercial.
5 Estimación
En este apartado se desarrollara la estimación de la regresión para el año
2014 el cual nos dará la ecuación que nos permitirá obtener el precio óptimo de
la vivienda, el cual refleje el valor real de la misma, teniendo en cuenta las
características hedónicas que estas poseen.
A continuación se presenta el modelo estimado para el año 2014
O<=>?Y@Z = 18,97 + 0,1128E@=L + 0,7527DñN?O + 0,1562GFO + 0,3227FG>=Q
+ 0,1488�?ℎ@ + 0,6111<G? + 0,0819<OF�V + 0,2042G?@L>=
+ 0,3289?@?ℎ?>== + 0,3188CD? + 0,0001769L2
Tabla 13. Signos esperados de las Betas
Fuente: Fuente elaboración propia.
β0 Positivo
β1 Positivo
β2 Positivo
β3 Positivo
β4 Positivo
β5 Positivo
β6 Positivo
β7 Positivo
β8 Negativo
β9 Positivo
β10 Positivo
β11 Positivo
Betas
46
La existencia del problema de multicolinealidad entre las variables
independientes suele ser muy frecuente en este tipo de modelo, ocasionando que
haya una fuerte asociación entre las variables independientes, privándoles a
estas su capacidad de explicar al regresando de manera individual.
Según los síntomas que comúnmente indican la presencia de
multicolinealidad se puede decir “a priori” de que no existe dicho problema en
esta regresión, ya que no presenta R2 muy elevado, tampoco test “t” muy altos y
menos aún el test “F” alto.
No obstante para asegurar la ausencia de multicolinealidad se recurrió al
test de Factor de agrandamiento de la varianza (FAV), (VIF por sus siglas en
inglés).
Según (Gomez, 2012) el FAV se interpreta como la razón entre la varianza
observada y que habría en caso de que la variable independiente estuviera
incorrelacionada con el resto de las variables independientes del modelo, es
decir, muestra en qué medida se agranda la varianza del estimador como
consecuencia de la relación de los estimadores. Valores de FAV superiores a 10
indican la posible presencia de multicolinealidad en la ecuación.
Por lo tanto la practicar el test FAV31 a las variables explicativas de la
ecuación ningún de ellas dio valores superiores a 1,75 lo que indica que
efectivamente no existe multicolinealidad.
En cuanto a la violación del supuesto de homoscedasticidad se refiere,
ninguna regresión se ve afectada por este problema ya las mismas fueron
corridas en base a que sus errores estándar sean robustos, esto es, técnica
conocida como Huber-White o sándwich.
31 Los valores de la tabla 14 FAV se presentan en el ANEXO
47
Los datos fueron analizados con el software econométrico Stata32, los
resultados arrojados para la regresión fueron los siguientes:
� En cuanto a la prueba de significancia individual se comprueba que
todas las variables son significativas al 5%, e incluso la mayoría pero no todas
son significativas al 1%
� El valor que arroja el coeficiente de determinación R2 es de 0,6383,
lo que indica que las variables explican en un 63,83% al precio de las
viviendas.
� En cuanto a la significancia global se comprueba que el test F
alcanza un valor de 29,59, el cual es mayor al valor-p, lo que indica que el
modelo es significativo globalmente.
6 Estimaciones Intertemporales
En esta sección se van a presentar las ecuaciones hedónicas para el
periodo temporal de análisis.
AÑO 2004
O<=>?Y@Z = 15,91 + 0,2107E@=L + 0,3301DñN?O + 0,3869GFO + 0,5533FG>=Q
+ 0,2228�?ℎ@ + 0,2654<G? + 0,1572<OF�V − 0,1057G?@L>=
+ 0,1060?@?ℎ?>== + 0,4983CD? + 0,2260L2
Los resultados del test FAV33 demuestran que para el año 2004 el conjunto
de variables regresadas no presenta multicolinealidad debido a que ninguna de
las variables posee un valor superior a 1,75
32 La tabla 15 de regresión proveída por software será presentada en el ANEXO 33 Los valores de la tabla 16 FAV se presentan en el ANEXO
48
Los resultados principales para el año 200434 son:
� En cuanto a la prueba de significancia individual se
comprueba que solo dos de las variables, área de servicio y ubicación,
además de la constante son significativas al 1%, no obstante se demuestra
también que la variable salón comercial no es significativa y negativa.
� El valor que arroja el coeficiente de determinación R2 es de
0,6099, lo que indica que el las variables explican en un 60,99% al precio
de las viviendas.
� En cuanto a la significancia global se comprueba que el test
F alcanza un valor de 25,89, el cual es mayor al valor-p, lo que indica que
el modelo es significativo globalmente.
AÑO 2005
O<=>?Y@Z = 15,77 + 0,1395E@=L + 0,1909DñN?O + 0,4683GFO + 0,2000FG>=Q
+ 0,1676�?ℎ@ + 0,3666<G? + 0,1682<OF�V + 0,2184G?@L>=
+ 0,2440?@?ℎ?>== + 0,7792CD? + 0,2879L2
Los resultados del test FAV35 demuestran que para el año 2005 el conjunto
de variables regresadas no presenta multicolinealidad debido a que ninguna de
las variables posee un valor superior a 1,60
34 La tabla 17 de regresión proveída por software será presentada en el ANEXO 35 Los valores de la tabla 18 FAV se presentan en el ANEXO
Criterio: FAV<10
No hay multicolinealidad
49
Los resultados principales para el año 200536 son:
� En cuanto a la prueba de significancia individual se
comprueba que solo todas las variables, son significativas por lo menos al
10%, además solo las variable ubicación y constante son significativas al
1%, no hay variables no significativas.
� El valor que arroja el coeficiente de determinación R2 es de
0,6936, lo que indica que el las variables explican en un 69,36% al precio
de las viviendas.
� En cuanto a la significancia global se comprueba que el test
F alcanza un valor de 15,99, el cual es mayor al valor-p, lo que indica que
el modelo es significativo globalmente.
AÑO 2006
O<=>?Y@Z = 14,87 + 0,1496E@=L + 0,2409DñN?O + 0,7836GFO − 0,0212FG>=Q
+ 0,5324�?ℎ@ + 0,3005G? + 0,0903<OF�V − 0,2160G?@L>=
+ 0,1637?@?ℎ?>== + 0,8277CD? + 0,3902L2
Los resultados del test FAV37 demuestran que para el año 2006 el conjunto
de variables regresadas no presenta multicolinealidad debido a que ninguna de
las variables posee un valor superior a 1,70
36 La tabla 19 de regresión y FAV proveída por el software será presentada en el ANEXO. 37 Los valores de la tabla 20 FAV se presentan en el ANEXO.
Criterio: FAV<10
No hay multicolinealidad
50
Los resultados principales para el año 200638 son:
� En cuanto a la prueba de significancia individual se
comprueba que solo dos de las variables, ubicación y sala, además de la
constante son significativas al 1%, no obstante existen dos variables que
no son significativas plantas y área de servicio, además esta es negativa,
asi como también la variable salón comercial.
� El valor que arroja el coeficiente de determinación R2 es de
0,7379, lo que indica que el las variables explican en un 73,79% al precio
de las viviendas.
� En cuanto a la significancia global se comprueba que el test
F alcanza un valor de 31,21, el cual es mayor al valor-p, lo que indica que
el modelo es significativo globalmente.
AÑO 2007
O<=>?Y@Z = 17,30 + 0,1629E@=L − 0,1919DñN?O + 0,1199GFO + 0,2934FG>=Q
+ 0,1278�?ℎ@ + 0,4311<G? − 0,1842<OF�V − 0,2174G?@L>=
+ 0,0840?@?ℎ?>== + 0,5867CD? + 0,1501L2
Los resultados del test FAV39 demuestran que para el año 2007 el conjunto
de variables regresadas no presenta multicolinealidad debido a que ninguna de
las variables posee un valor superior a 1,60
38 La tabla 21 de regresión proveída por software será presentada en el ANEXO 39 Los valores de la tabla 22 FAV se presentan en el ANEXO
Criterio: FAV<10
No hay multicolinealidad
51
Los resultados principales para el año 200740 son:
� En cuanto a la prueba de significancia individual se
comprueba que solo tres de las variables, ubicación, sala y quincho,
además de la constante son significativas al 1%, sin embargo tres
variables, dos importantes, baño social y plantas, tienen signos en contra
a lo esperado.
� El valor que arroja el coeficiente de determinación R2 es de
0,584}38, lo que indica que el las variables explican en un 58,38% al precio
de las viviendas.
� En cuanto a la significancia global se comprueba que el test
F alcanza un valor de 17,35, el cual es mayor al valor-p, lo que indica que
el modelo es significativo globalmente.
AÑO 2008
O<=>?Y@Z = 14,40 + 0,1673E@=L − 0,4822DñN?O + 0,4444GFO + 0,1168FG>=Q
+ 0,1144�?ℎ@ + 0,4871<G? + 0,1483<OF�V − 0,0729G?@L>=
− 0,1010?@?ℎ?>== + 0,5781CD? + 0,5624L2
Los resultados del test FAV41 demuestran que para el año 2008 el conjunto
de variables regresadas no presenta multicolinealidad debido a que ninguna de
las variables posee un valor superior a 1,50
40 La tabla 23 de regresión proveída por software será presentada en el ANEXO 41 Los valores de la tabla 24 FAV se presentan en el ANEXO
Criterio: FAV<10
No hay multicolinealidad
52
Los resultados principales para el año 200842 son:
� En cuanto a la prueba de significancia individual se
comprueba que solo cuatro de las variables, ubicación, baño social,
superficie y piscina, además de la constante son significativas al 1%, sin
embargo la variable salón comercial es no significativa y negativa, la
variable cochera es negativa.
� El valor que arroja el coeficiente de determinación R2 es de
0,6544, lo que indica que el las variables explican en un 65,44% al precio
de las viviendas.
� En cuanto a la significancia global se comprueba que el test
F alcanza un valor de 18,54, el cual es mayor al valor-p, lo que indica que
el modelo es significativo globalmente.
AÑO 2009
O<=>?Y@Z = 16,40 + 0,1163E@=L + 0,2235DñN?O + 0,7446GFO + 0,2566FG>=Q
+ 0,3417�?ℎ@ + 0,4070<G? − 0,0621<OF�V + 0,2385G?@L>=
+ 0,2442?@?ℎ?>== + 0,4573CD? + 0,2218L2
Los resultados del test FAV43 demuestran que para el año 2009 el conjunto
de variables regresadas no presenta multicolinealidad debido a que ninguna de
las variables posee un valor superior a 1,55
42 La tabla 25 de regresión proveída por software será presentada en el ANEXO. 43 Los valores de la tabla 26 FAV se presentan en el ANEXO.
Criterio: FAV<10
No hay multicolinealidad
53
Los resultados principales para el año 200944 son:
� En cuanto a la prueba de significancia individual se
comprueba que solo dos de las variables, ubicación y piscina, además de
la constante son significativas al 1%, sin embargo la variable plantas es no
significativa y negativa.
� El valor que arroja el coeficiente de determinación R2 es de
0,5618, lo que indica que el las variables explican en un 56,18% al precio
de las viviendas.
� En cuanto a la significancia global se comprueba que el test
F alcanza un valor de 8,77 el cual es mayor al valor-p, lo que indica que el
modelo es significativo globalmente.
AÑO 2010
O<=>?Y@Z = 16,95 − 0,0758E@=L + 0,0395DñN?O + 0,4953GFO + 0,1869FG>=Q
+ 0,0005�?ℎ@ + 0,4477<G? − 0,3698<OF�V − 0,0534G?@L>=
+ 0,2663?@?ℎ?>== + 0,8194CD? + 0,3164L2
Los resultados del test FAV45 demuestran que para el año 2010 el conjunto
de variables regresadas no presenta multicolinealidad debido a que ninguna de
las variables posee un valor superior a 1,65
44 La tabla 27 de regresión proveída por software será presentada en el ANEXO. 45 Los valores de la tabla 28 FAV se presentan en el ANEXO.
Criterio: FAV<10
No hay multicolinealidad
54
Los resultados principales para el año 201046 son:
� En cuanto a la prueba de significancia individual se
comprueba que solo dos de las variables, ubicación y piscina, además de
la constante son significativas al 1%, sin embargo la variable quincho es
no significativa, la variable salón comercial es no significativa y negativa,
y por último la variable dormitorio es significativa pero negativa.
� El valor que arroja el coeficiente de determinación R2 es de
0,5167, lo que indica que el las variables explican en un 51,67% al precio
de las viviendas.
� En cuanto a la significancia global se comprueba que el test
F alcanza un valor de 9,86 el cual es mayor al valor-p, lo que indica que el
modelo es significativo globalmente.
AÑO 2011
O<=>?Y@Z = 15,10 + 0,1544E@=L + 0,4406DñN?O − 0,1289GFO + 0,0824FG>=Q
+ 0,1212�?ℎ@ + 0,3110<G? + 0,3651<OF�V + 0,0403G?@L>=
+ 0,1446?@?ℎ?>== + 0,6592CD? + 0,5813L2
Los resultados del test FAV47 demuestran que para el año 2011 el conjunto
de variables regresadas no presenta multicolinealidad debido a que ninguna de
las variables posee un valor superior a 1,65
46 La tabla 29 de regresión proveída por software será presentada en el ANEXO. 47 Los valores de la tabla 30 FAV se presentan en el ANEXO.
Criterio: FAV<10
No hay multicolinealidad
55
Los resultados principales para el año 201148 son:
� En cuanto a la prueba de significancia individual se
comprueba que solo dos de las variables, ubicación y baño social, además
de la constante son significativas al 1%, sin embargo la variable sala es no
significativa y negativa, la variable salón comercial y área de servicio son
no significativas.
� El valor que arroja el coeficiente de determinación R2 es de
0,5771, lo que indica que el las variables explican en un 57,71% al precio
de las viviendas.
� En cuanto a la significancia global se comprueba que el test
F alcanza un valor de 16,38 el cual es mayor al valor-p, lo que indica que
el modelo es significativo globalmente.
AÑO 2012
O<=>?Y@Z = 14,98 + 0,0791E@=L + 0,2310DñN?O + 0,1555GFO + 0,2074FG>=Q
+ 0,1983�?ℎ@ + 0,2418<G? − 0,2064<OF�V + 0,2757G?@L>=
+ 0,0729?@?ℎ?>== + 0,5333CD? + 0,6481L2
Los resultados del test FAV49 demuestran que para el año 2012 el conjunto
de variables regresadas no presenta multicolinealidad debido a que ninguna de
las variables posee un valor superior a 1,60
48 La tabla 31 de regresión proveída por software será presentada en el ANEXO. 49 Los valores de la tabla 32 FAV se presentan en el ANEXO.
Criterio: FAV<10
No hay multicolinealidad
56
Los resultados principales para el año 201250 son:
� En cuanto a la prueba de significancia individual se
comprueba que solo la variable ubicación y la constante son significativas
al 1%, además no hay variables no significativas ni negativas.
� El valor que arroja el coeficiente de determinación R2 es de
0,6879, lo que indica que el las variables explican en un 68,79% al precio
de las viviendas.
� En cuanto a la significancia global se comprueba que el test
F alcanza un valor de 23,25 el cual es mayor al valor-p, lo que indica que
el modelo es significativo globalmente.
AÑO 2013
O<=>?Y@Z = 15,63 + 0,1214E@=L + 0,2542DñN?O + 0,8361GFO + 0,3037FG>=Q
+ 0,1803�?ℎ@ + 0,3578<G? − 0,0228<OF�V − 0,1795G?@L>=
+ 0,2299?@?ℎ?>== + 0,4909CD? + 0,4146L2
Los resultados del test FAV51 demuestran que para el año 2013 el conjunto
de variables regresadas no presenta multicolinealidad debido a que ninguna de
las variables posee un valor superior a 1,55
50 La tabla 33 de regresión proveída por software será presentada en el ANEXO. 51 Los valores de la tabla 34 FAV se presentan en el ANEXO.
Criterio: FAV<10
No hay multicolinealidad
Criterio: FAV<10
No hay multicolinealidad
57
Los resultados principales para el año 201352 son:
� En cuanto a la prueba de significancia individual se
comprueba que solo cuatro de las variables, ubicación, baño social, área
de servicio y piscina, además de la constante son significativas al 1%,
además la variable plantas es no significativa, pero la variable salón
comercial es negativa.
� El valor que arroja el coeficiente de determinación R2 es de
0,7001, lo que indica que el las variables explican en un 70,01% al precio
de las viviendas.
� En cuanto a la significancia global se comprueba que el test
F alcanza un valor de 18,67 el cual es mayor al valor-p, lo que indica que
el modelo es significativo globalmente.
Es importante mencionar que la regresión de los modelos también se
realizó sin emplear el procedimiento de los errores estándar robustos, y solo en
los años 2007, 2011 y 2014 los modelos presentaron problemas de
heteroscedasticidad, los mismos fueron probados a través del test de breusch-
Pagan53 para detectar el problema citado anteriormente.
52 La tabla 35 de regresión proveída por software será presentada en el ANEXO 53 Los test para cada año se encuentran en el ANEXO.
58
CAPÍTULO IV
Análisis y contraste de resultados
En este capítulo se realizará la interpretación y los análisis los resultados
obtenidos de las estimaciones para el periodo 2004-2014.
A continuación se presenta la exégesis de los resultados el cual será en
orden cronológico empezando en el año 2004 para finalizar con año el 2014.
2004
El parámetro estimado para la variable dorm es 0,2107 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
aumenta en 21% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es 0,3301 lo que significa
que si una vivienda posee baño social el precio de la misma aumenta en 33%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable sal es 0,3869 lo que significa que
si una vivienda posee sala el precio de la misma aumenta en 38,69%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable aserv es 0,5533 lo que significa
que si una vivienda posee área de servicio el precio de la misma aumenta en
55,33% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable qcho es 0,2228 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 22,28%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable pisc es 0,2654 lo que significa que
si una vivienda posee piscina el precio de la misma aumenta en 26,54%
aproximadamente, si todo lo demás se mantiene constante.
59
El parámetro estimado para la variable plant es 0,1572 lo que significa que
si una vivienda posee dos plantas el precio de la misma aumenta en 22,28%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable scomer es -0,1057 lo que significa
que si una vivienda posee salón comercial el precio de la misma disminuye en
10,57% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable cochcerr es 0,1060 lo que significa
que si una vivienda posee cochera cerrada el precio de la misma aumenta en
10,6% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable ubic es 0,4983 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 49,83% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,2260 (simboliza el valor
de su elasticidad con respecto al precio) lo que significa que si hay un aumento
de 10% en la superficie del terreno el precio de la vivienda aumenta en 22,6%
aproximadamente, si todo lo demás se mantiene constante.
2005
El parámetro estimado para la variable dorm es 0,1395 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
aumenta en 13,95% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es 0,1909 lo que significa
que si una vivienda posee baño social el precio de la misma aumenta en 19,09%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable sal es 0,4683 lo que significa que
si una vivienda posee sala el precio de la misma aumenta en 46,83%
aproximadamente, si todo lo demás se mantiene constante.
60
El parámetro estimado para la variable aserv es 0,2000 lo que significa
que si una vivienda posee área de servicio el precio de la misma aumenta en
20% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable qcho es 0,1676 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 16,76%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable pisc es 0,3666 lo que significa que
si una vivienda posee piscina el precio de la misma aumenta en 36,66%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable plant es 0,1682 lo que significa que
si una vivienda posee dos plantas el precio de la misma aumenta en 16,82%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable scomer es 0,2184 lo que significa
que si una vivienda posee salón comercial el precio de la misma aumenta en
21,84% aproximadamente, si todo lo demás se mantiene constante. El signo de
esta variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable cochcerr es 0,2440 lo que significa
que si una vivienda posee cochera cerrada el precio de la misma aumenta en
24,40% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable ubic es 0,7792 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 77,92% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,2879 (simboliza el valor
de su elasticidad con respecto al precio) lo que significa que si hay un aumento
de 10% en la superficie del terreno el precio de la vivienda aumenta en 28,79%
aproximadamente, si todo lo demás se mantiene constante.
61
2006
El parámetro estimado para la variable dorm es 0,1496 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
aumenta en 14,96% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es 0,2409 lo que significa
que si una vivienda posee baño social el precio de la misma aumenta en 24,09%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable sal es 0,7836 lo que significa que
si una vivienda posee sala el precio de la misma aumenta en 78,36%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable aserv es -0,0212 lo que significa
que si una vivienda posee área de servicio el precio de la misma disminuye en
2,12% aproximadamente, si todo lo demás se mantiene constante. El signo de
esta variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable qcho es 0,5324 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 53,24%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable pisc es 0,3005 lo que significa que
si una vivienda posee piscina el precio de la misma aumenta en 30,05%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable plant es 0,0903 lo que significa que
si una vivienda posee dos plantas el precio de la misma aumenta en 9,03%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable scomer es -0,2160 lo que significa
que si una vivienda posee salón comercial el precio de la misma disminuye en
21,60% aproximadamente, si todo lo demás se mantiene constante.
62
El parámetro estimado para la variable cochcerr es 0,1637 lo que significa
que si una vivienda posee cochera cerrada el precio de la misma aumenta en
16,37% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable ubic es 0,8277 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 82,77% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,3902 (simboliza el valor
de su elasticidad con respecto al precio) lo que significa que si hay un aumento
de 10% en la superficie del terreno el precio de la vivienda aumenta en 39,02%
aproximadamente, si todo lo demás se mantiene constante.
2007
El parámetro estimado para la variable dorm es 0,1629 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
aumenta en 16,29% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es -0,1919 lo que significa
que si una vivienda posee baño social el precio de la misma aumenta en 19,19%
aproximadamente, si todo lo demás se mantiene constante. El signo de esta
variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable sal es 0,1199 lo que significa que
si una vivienda posee sala el precio de la misma aumenta en 11,99%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable aserv es 0,2934 lo que significa
que si una vivienda posee área de servicio el precio de la misma aumenta en
29,34% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable qcho es 0,1278 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 12,78%
aproximadamente, si todo lo demás se mantiene constante.
63
El parámetro estimado para la variable pisc es 0,4311 lo que significa que
si una vivienda posee piscina el precio de la misma aumenta en 43,11%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable plant es -0,1842 lo que significa
que si una vivienda posee dos plantas el precio de la misma aumenta en 18,42%
aproximadamente, si todo lo demás se mantiene constante. El signo de esta
variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable scomer es -0,2174 lo que significa
que si una vivienda posee salón comercial el precio de la misma disminuye en
21,74% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable cochcerr es 0,0840 lo que significa
que si una vivienda posee cochera cerrada el precio de la misma aumenta en
8,4% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable ubic es 0,5867 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 58,67% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,1501 (simboliza el valor
de su elasticidad con respecto al precio) lo que significa que si hay un aumento
de 10% en la superficie del terreno el precio de la vivienda aumenta en 15,01%
aproximadamente, si todo lo demás se mantiene constante.
2008
El parámetro estimado para la variable dorm es 0,1673 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
aumenta en 16,73% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es -0,4822 lo que significa
que si una vivienda posee baño social el precio de la misma disminuye en
64
48,22% aproximadamente, si todo lo demás se mantiene constante. El signo de
esta variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable sal es 0,4444 lo que significa que
si una vivienda posee sala el precio de la misma aumenta en 44,44%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable aserv es 0,1168 lo que significa
que si una vivienda posee área de servicio el precio de la misma aumenta en
11,68% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable qcho es 0,1144 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 11,44%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable pisc es 0,487154 lo que significa
que si una vivienda posee piscina el precio de la misma aumenta en 48,71%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable plant es 0,1483 lo que significa que
si una vivienda posee dos plantas el precio de la misma aumenta en 14,83%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable scomer es -0,0729 lo que significa
que si una vivienda posee salón comercial el precio de la misma disminuye en
7,29% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable cochcerr es -0,1010 lo que
significa que si una vivienda posee cochera cerrada el precio de la misma
disminuye en 10,1% aproximadamente, si todo lo demás se mantiene constante.
El signo de esta variable se comporta de manera contraria a lo esperado para
este año.
65
El parámetro estimado para la variable ubic es 0,5781 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 57,81% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,5624 (simboliza el valor
de su elasticidad con respecto al precio) lo que significa que si hay un aumento
de 10% en la superficie del terreno el precio de la vivienda aumenta en 56,24%
aproximadamente, si todo lo demás se mantiene constante.
2009
El parámetro estimado para la variable dorm es 0,1163 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
aumenta en 11,63% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es 0,2235 lo que significa
que si una vivienda posee baño social el precio de la misma aumenta en 2235%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable sal es 0,744 lo que significa que si
una vivienda posee sala el precio de la misma aumenta en 74,4%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable aserv es 0,2566 lo que significa
que si una vivienda posee área de servicio el precio de la misma aumenta en
25,66% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable qcho es 0,3417 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 34,17%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable pisc es 0,4070 lo que significa que
si una vivienda posee piscina el precio de la misma aumenta en 40,70%
aproximadamente, si todo lo demás se mantiene constante.
66
El parámetro estimado para la variable plant es -0,0621 lo que significa
que si una vivienda posee dos plantas el precio de la misma disminuye en 6,21%
aproximadamente, si todo lo demás se mantiene constante. El signo de esta
variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable scomer es 0,2385 lo que significa
que si una vivienda posee salón comercial el precio de la misma disminuye en
23,85% aproximadamente, si todo lo demás se mantiene constante. El signo de
esta variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable cochcerr es 0,2442 lo que significa
que si una vivienda posee cochera cerrada el precio de la misma aumenta en
24,42% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable ubic es 0,4573 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 45,73% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,2218 (simboliza el valor
de su elasticidad con respecto al precio) lo que significa que si hay un aumento
de 10% en la superficie del terreno el precio de la vivienda aumenta en 22,18%
aproximadamente, si todo lo demás se mantiene constante.
2010
El parámetro estimado para la variable dorm es -0,0758 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
disminuye en 7,58% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es 0,0395 lo que significa
que si una vivienda posee baño social el precio de la misma aumenta en 3,95%
aproximadamente, si todo lo demás se mantiene constante.
67
El parámetro estimado para la variable sal es 0,4953 lo que significa que
si una vivienda posee sala el precio de la misma aumenta en 49,53%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable aserv es 0,1869 lo que significa
que si una vivienda posee área de servicio el precio de la misma aumenta en
18,69% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable qcho es 0,0005 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 0,05%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable pisc es 0,4477 lo que significa que
si una vivienda posee piscina el precio de la misma aumenta en 44,77%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable plant es -0,3698 lo que significa
que si una vivienda posee dos plantas el precio de la misma disminuye en 36,98%
aproximadamente, si todo lo demás se mantiene constante. El signo de esta
variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable scomer es -0,0534 lo que significa
que si una vivienda posee salón comercial el precio de la misma disminuye en
5,34% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable cochcerr es 0,2663 lo que significa
que si una vivienda posee cochera cerrada el precio de la misma aumenta en
26,63% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable ubic es 0,8194 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 81,94% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,3164 (simboliza el valor
de su elasticidad con respecto al precio) lo que significa que si hay un aumento
68
de 10% en la superficie del terreno el precio de la vivienda aumenta en 31,64%
aproximadamente, si todo lo demás se mantiene constante.
2011
El parámetro estimado para la variable dorm es 0,1544 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
aumenta en 15,44% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es 0,4406 lo que significa
que si una vivienda posee baño social el precio de la misma aumenta en 44,06%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable sal es 0,1289 lo que significa que
si una vivienda posee sala el precio de la misma aumenta en 12,89%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable aserv es 0,0824 lo que significa
que si una vivienda posee área de servicio el precio de la misma aumenta en
8,24% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable qcho es 0,1212 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 12,12%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable pisc es 0,3110 lo que significa que
si una vivienda posee piscina el precio de la misma aumenta en 31,10%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable plant es 0,3651 lo que significa que
si una vivienda posee dos plantas el precio de la misma aumenta en 36,51%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable scomer es 0,0403 lo que significa
que si una vivienda posee salón comercial el precio de la misma aumenta en
69
4,03% aproximadamente, si todo lo demás se mantiene constante. El signo de
esta variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable cochcerr es 0,1446 lo que significa
que si una vivienda posee cochera cerrada el precio de la misma aumenta en
14,46% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable ubic es 0,6592 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 65,92% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,5813 (simboliza el valor
de su elasticidad con respecto al precio) lo que significa que si hay un aumento
de 10% en la superficie del terreno el precio de la vivienda aumenta en 58,13%
aproximadamente, si todo lo demás se mantiene constante.
2012
El parámetro estimado para la variable dorm es 0,0791 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
aumenta en 7,91% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es 0,2310 lo que significa
que si una vivienda posee baño social el precio de la misma aumenta en 23,10%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable sal es 0,1555 lo que significa que
si una vivienda posee sala el precio de la misma aumenta en 15,55%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable aserv es 0,2074 lo que significa
que si una vivienda posee área de servicio el precio de la misma aumenta en
20,74% aproximadamente, si todo lo demás se mantiene constante.
70
El parámetro estimado para la variable qcho es 0,1983 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 19,83%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable pisc es 0,2418 lo que significa que
si una vivienda posee piscina el precio de la misma disminuye en 24,18%
aproximadamente, si todo lo demás se mantiene constante..
El parámetro estimado para la variable plant es -0,2064 lo que significa
que si una vivienda posee dos plantas el precio de la misma aumenta en 20,64%
aproximadamente, si todo lo demás se mantiene constante. El signo de esta
variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable scomer es 0,2757 lo que significa
que si una vivienda posee salón comercial el precio de la misma disminuye en
27,57% aproximadamente, si todo lo demás se mantiene constante. El signo de
esta variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable cochcerr es 0,0729 lo que significa
que si una vivienda posee cochera cerrada el precio de la misma aumenta en
7,29% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable ubic es 0,5333 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 53,33% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,6481 (simboliza el valor
de su elasticidad con respecto al precio) lo que significa que si hay un aumento
de 10% en la superficie del terreno el precio de la vivienda aumenta en 64,81%
aproximadamente, si todo lo demás se mantiene constante.
71
2013
El parámetro estimado para la variable dorm es 0,1214 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
aumenta en 12,14% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es 0,2542 lo que significa
que si una vivienda posee baño social el precio de la misma aumenta en 25,42%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable sal es 0,8361 lo que significa que
si una vivienda posee sala el precio de la misma aumenta en 83,61%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable aserv es 0,3037 lo que significa
que si una vivienda posee área de servicio el precio de la misma aumenta en
30,37% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable qcho es 0,1803 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 18,03%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable pisc es 0,3878 lo que significa que
si una vivienda posee piscina el precio de la misma aumenta en 38,78%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable plant es -0,0228 lo que significa
que si una vivienda posee dos plantas el precio de la misma disminuye en 2,28%
aproximadamente, si todo lo demás se mantiene constante. El signo de esta
variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable scomer es -0,1795 lo que significa
que si una vivienda posee salón comercial el precio de la misma disminuye en
17,95% aproximadamente, si todo lo demás se mantiene constante.
72
El parámetro estimado para la variable cochcerr es 0,2299 lo que significa
que si una vivienda posee cochera cerrada el precio de la misma aumenta en
22,99% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable ubic es 0,4909 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 49,09% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,4146 (simboliza el valor
de su elasticidad con respecto al precio) lo que significa que si hay un aumento
de 10% en la superficie del terreno el precio de la vivienda aumenta en 41,46%
aproximadamente, si todo lo demás se mantiene constante.
2014
El parámetro estimado para la variable dorm es 0,1128 lo que significa
que por cada dormitorio adicional que posea una vivienda el precio de la misma
aumenta en 11,28% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable bñScl es 0,7527 lo que significa
que si una vivienda posee baño social el precio de la misma aumenta en 75,27%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable sal es 0,1562 lo que significa que
si una vivienda posee sala el precio de la misma aumenta en 15,62%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable aserv es 0,3227 lo que significa
que si una vivienda posee área de servicio el precio de la misma aumenta en
32,27% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable qcho es 0,1482 lo que significa que
si una vivienda posee quincho el precio de la misma aumenta en 14,82%
aproximadamente, si todo lo demás se mantiene constante.
73
El parámetro estimado para la variable pisc es 0,6111 lo que significa que
si una vivienda posee piscina el precio de la misma aumenta en 61,11%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable plant es 0,0819lo que significa que
si una vivienda posee dos plantas el precio de la misma aumenta en 8,19%
aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable scomer es 0,2042 lo que significa
que si una vivienda posee salón comercial el precio de la misma aumenta en
20,42% aproximadamente, si todo lo demás se mantiene constante. El signo de
esta variable se comporta de manera contraria a lo esperado para este año.
El parámetro estimado para la variable cochcerr es 0,3289 lo que significa
que si una vivienda posee cochera cerrada el precio de la misma aumenta en
32,89% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable ubic es 0,3243 lo que significa que
si una vivienda está ubicada en la ciudad de Asunción el precio de la misma
aumenta en 32,43% aproximadamente, si todo lo demás se mantiene constante.
El parámetro estimado para la variable m2 es 0,0001769 lo que significa
que por cada metro cuadrado adicional que posea una vivienda el precio de la
misma aumenta en 0,01769% aproximadamente, si todo lo demás se mantiene
constante.
Para responder al objetivo general de establecer un precio que refleje el
valor real de una vivienda para el año 2014 es necesarios hacer un supuesto.
Se supone una vivienda que cuente con las siguientes características, se
encuentra en un barrio residencial de la ciudad de Asunción, la casa posee 3
habitaciones, sala, baño social, quincho, tiene dos plantas y una superficie de
360 m2, así mismo la vivienda no posee cochera cerrada, piscina, área de servicio
74
ni salón comercial, por lo tanto una vez contemplados estos datos en la ecuación,
el precio que refleja el valor real de una vivienda es:
O<=>?Y@Z = 18,97 + (0,1128 ∗ 3) + (0,7527 ∗ 1) + (0,1562 ∗ 1) + (0,3227 ∗ 0)
+ (0,1488 ∗ 1) + (0,6111 ∗ 0) + (0,0819 ∗ 1) + (0,2042 ∗ 0)
+ (0,3289 ∗ 0) + (0,3188 ∗ 1) + (0,0001769 ∗ 360)
O<=>?Y@Z = 1.113.177.082₲
Es importante resaltar que el precio que refleja el valor real de una vivienda
depende de los atributos de la misma, por lo tanto el precio que resulta de la
ecuación planteada más arriba, es el valor que posee una vivienda de acuerdo a
las características descritas con anterioridad, sin embargo ese precio puede
variar dependiendo de los atributos que posea la casa que se esté analizando,
por lo tanto para establecer el precio que refleje el valor real de una vivienda es
necesario conocer los atributos que esta tiene y de esta manera conocer su valor
real.
Una vez interpretados los coeficientes de todas las estimaciones del
periodo estudiado y hecho el análisis del precio que refleja el valor de la vivienda,
se va a pasar al análisis de los atributos hedónicos que tienen mayor
influencia en el precio final de una vivienda.
El conjunto de variables que más inciden en el precio final de una vivienda
fueron seleccionadas bajo un criterio en el que las variables que aumentan el
precio de una vivienda en un porcentaje ≥ 30% son las que más influencia tienen
en el momento final de valorar una vivienda.
Ubicación: Es el atributo que más incide en el precio final debido que el
mismo presenta un alto poder explicativo en todas de las estimaciones, esto se
debe a que las personas tienen una preferencia significativa a la hora de elegir a
la ciudad de Asunción como sitio en donde establecerse.
75
Piscina: En segundo en cuanto a capacidad explicativa se encuentra este
atributo, el cual es considerado como un bien de lujo, por lo tanto la existencia de
una alberca en la vivienda eleva significativamente el precio final de la misma, ya
que un individuo estaría dispuesto a destinar más recursos monetarios a la
compra de una vivienda que posea este bien.
Superficie: ubicada en tercer lugar en orden de importancia, esta variable
tienen un peso significativo a la hora de valorar una vivienda, ya que hablando
en términos porcentuales un aumento del 10% en la superficie del terreno de una
vivienda el mismo aumenta su precio en más de 30%.
Sala: Se encuentra en el cuatro lugar de importancia a la hora de explicar
el precio de una vivienda, esto se debe a que casas que cuentan con zonas social
son consideradas más lujosas por lo tanto ubica a las personas en un estatus
distinto.
Baño Social: Este es otro atributo de relevancia, está estrictamente
relacionada con la variable anterior, debido a que las casas que poseen
tocadores en el área social son consideradas como viviendas suntuosas.
Área de servicio: El siguiente atributo tiene un gran influencia positiva en
el precio final, ya que viviendas con este tipo de atributo son signos de opulencia
actualmente, debido a que cada vez resulta existe menos individuos a realizar
trabajos del tipo doméstico.
Plantas: El penúltimo atributo en orden de importancia es la cantidad de
plantas que posee una vivienda, este incide en el precio principalmente por que
aumente la cantidad de metros cuadrados construidos de un vivienda por lo tanto
esta tiene un tamaño más considerable y por tanto un mayor precio.
Quincho: El último atributo pero no menos importante es este, la
incidencia en el precio del quincho se debe a que los individuos valoran
considerable un área en donde compartir con familiares y amigos, debido a esto
esta variable es una de las que más se repiten en la muestra.
76
COMPARACIÓN DE PRECIOS
Para poder realizar la comparación de los precios, de las viviendas,
anteriores con los actuales, se realizará un sencillo análisis estadístico a través
de su evolución en términos absolutos y porcentuales.
Se tomó la media de todas las observaciones de los precios de venta de
las viviendas para cada año estudiado, posteriormente se estableció el 2004
como año base para estudiar y comparar los mismos.
2004
La media de los precios es de 328.781.540 ₲, como es el año base tiene
un valor porcentual de 100%.
2005
La media de los precios es de 327.540.480 ₲, su valor porcentual
contrastado con el año 2004 es de 99,62% lo que significa que el precio con
respecto al año anterior se redujo en 0,38%.
2006
La media de los precios es de 369.251.580 ₲, su valor porcentual
contrastado con el año 2004 es de 112,31% lo que significa que el precio con
respecto al año base se incrementó en 12,31%.
2007
La media de los precios es de 390.070.960 ₲, su valor porcentual
contrastado con el año 2004 es de 118,64% lo que significa que el precio con
respecto al año base se incrementó en 18,64%.
2008
77
La media de los precios es de 389.852.910 ₲, su valor porcentual
contrastado con el año 2004 es de 118,58% lo que significa que el precio con
respecto al año base se incrementó en 18,58%.
2009
La media de los precios es de 390.644.720 ₲, su valor porcentual
contrastado con el año 2004 es de 118,82% lo que significa que el precio con
respecto al año base se incrementó en 18,82%.
2010
La media de los precios es de 583.350.160 ₲, su valor porcentual
contrastado con el año 2004 es de 177,43% lo que significa que el precio con
respecto al año base se incrementó en 77,43%.
2011
La media de los precios es de 719.577.165 ₲, su valor porcentual
contrastado con el año 2004 es de 218,86% lo que significa que el precio con
respecto al año base se incrementó en 118,86%.
2012
La media de los precios es de 658.880.000 ₲, su valor porcentual
contrastado con el año 2004 es de 200,40% lo que significa que el precio con
respecto al año base se incrementó en 100,40%.
2013
La media de los precios es de 742.502.000 ₲, su valor porcentual
contrastado con el año 2004 es de 225,83% lo que significa que el precio con
respecto al año base se incrementó en 125,83%.
78
2014
La media de los precios es de 989.977.550 ₲, su valor porcentual
contrastado con el año 2004 es de 301,11% lo que significa que el precio con
respecto al año base se incrementó en 201,11%.
El siguiente gráfico muestra el comportamiento porcentual de los precios
con respecto al año base 2004.
En el que se puede ver como entre los dos primeros años la diferencia de
precios en términos porcentuales es mínimo, además hasta el año 2009 la
diferencia de precios es de dos cifras porcentuales, pero el mismo es bastante
comedido, si bien para el año 2010 la diferencia porcentual sigue siendo de dos
cifras se puede observar que el mismo ya es bastante mayor con relación al año,
sin embargo a partir del año 2011 la diferencia porcentual con el año base
alcanzó tres cifras, culminando en el año 2014 con una diferencia de más del
200% con respecto al año 2004.
Gráfico 4. Comparación de precios
0,3812,31 18,64 18,58 18,82
77,43
118,86
100,4
125,83
201,11
0
50
100
150
200
250
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Fuente: Elaboración propia
79
EVOLUCIÓN DE PRECIOS
Para realizar el análisis de la evolución de precios de las viviendas, se
realizará un estudio similar al anterior, sin embargo este análisis no establecerá
ningún año base, sino realizará un contraste año a año para todo el periodo
estudiado.
Análogamente para iniciar el estudio se toma la media de precios del año
2004 para realizar la primera comparación, luego se irá avanzando año tras año
sucesivamente.
2004-2005
Entre estos dos años hubo una disminución media de 1.241.060 ₲ en
términos absolutos en los precios de las viviendas. En términos porcentuales la
disminución alcanza la cifra de 0,38%.
2005-2006
Entre estos dos años hubo un aumento medio de 41.711.100 ₲ en
términos absolutos en los precios de las viviendas. En términos porcentuales el
aumento alcanza la cifra de 12,79%.
2006-2007
Entre estos dos años hubo un aumento medio de 20.819.380 ₲ en
términos absolutos en los precios de las viviendas. En términos porcentuales el
aumento alcanza la cifra de 5,64%.
2007-2008
Entre estos dos años hubo una disminución media de 218.050 ₲ en
términos absolutos en los precios de las viviendas. En términos porcentuales la
disminución alcanza la cifra de 0,056%.
80
2008-2009
Entre estos dos años hubo un aumento medio de 791.810 ₲ en términos
absolutos en los precios de las viviendas. En términos porcentuales el aumento
alcanza la cifra de 0,20%.
2009-2010
Entre estos dos años hubo un aumento medio de 192.705.440 ₲ en
términos absolutos en los precios de las viviendas. En términos porcentuales el
aumento alcanza la cifra de 49,33%.
2010-2011
Entre estos dos años hubo un aumento medio de 136.227.005 ₲ en
términos absolutos en los precios de las viviendas. En términos porcentuales el
aumento alcanza la cifra de 23,35%.
2011-2012
Entre el año estos dos años hubo una disminución media de 60.697.165
₲ en términos absolutos en los precios de las viviendas. En términos
porcentuales la disminución alcanza la cifra de 8,46%
2012-2013
Entre estos dos años hubo un aumento medio de 83.622.000 ₲ en
términos absolutos en los precios de las viviendas. En términos porcentuales el
aumento alcanza la cifra de 12,69%.
81
2013-2014
Entre estos dos años hubo un aumento medio de 247.475.550 ₲ en
términos absolutos en los precios de las viviendas. En términos porcentuales el
aumento alcanza la cifra de 33,33%.
En el gráfico precedente se muestra como la evolución de los precios se
comporta de manera creciente, pese a existir altibajos como en el año 2012 que
experimentó reducciones, los años subsiguientes volvieron a aumentar.
Además de eso se puede resaltar que entre los años 2004 y 2009 el
crecimiento de los precios fue moderado.
Otro resultado importante que devela el gráfico es que existieron dos
momentos en el tiempo en que se experimentaron aumentos importantes de
precio, estos son, entre los años 2009 y 2011, y los años 2012 y 2014.
Fuente: Elaboración propia
Gráfico 5. Evolución de precios
Gs -
Gs 200.000.000
Gs 400.000.000
Gs 600.000.000
Gs 800.000.000
Gs 1.000.000.000
Gs 1.200.000.000
2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
PR
EC
IOS
AÑOS
82
Conclusiones
La investigación que antecede a este último capítulo, ha tenido como
premisa converger a una ecuación del tipo hedónico que sea capaz de estimar
un precio final adecuado que refleje la valía real de una vivienda atendiendo las
características implícitas que esta posee, al parecer este es uno de los pocos
trabajos en el Paraguay que demuestra experimentalmente, la importancia y la
significancia individual de las características propias de una vivienda en los
precios de venta de las mismas, además es el único que hace un contraste
relevante entre la ciudad de Asunción con los distritos que se encuentran más
cercanos a ella.
Las estimaciones y análisis anteriores permiten concluir la importancia que
tiene la ubicación de la vivienda a la hora de justipreciar esta, por lo tanto se
puede decir que esta variable es la que tiene mayor impacto en el precio final de
mercado de los bienes inmobiliarios, sumado a esto es importante destacar que
si una vivienda se encuentra en la ciudad de Asunción el precio de esta aumenta
más que proporcionalmente, que si esa misma vivienda se encuentre ubicada en
cualquier otro distrito limítrofe a Asunción.
Otra conclusión de relevancia en cuanto a atributos del hogar se refiere,
que ocupa una posición menos destacada, pero no por eso menos importante,
es la consideración que los individuos le reportan al bien de lujo piscina, en base
a los resultados de las estimaciones se concluye que esta variable tiene un peso
significativo al momento de explicar los precios.
En cuanto al aspecto intertemporal se puede inferir que los precios medios
entre los años 2004 y 2009 no aumentaron en demasía, es más, hubo vaivenes
en donde en algunos años disminuían para luego aumentar moderadamente; no
obstante a partir del año 2010 los precios pegaron un salto bastante importante,
debido probablemente a la repercusión tardía de la crisis inmobiliaria en el norte
83
del continente americano, cuestión que afectó probablemente al mercado
paraguayo en términos positivos.
Otra conclusión importante que resaltar está relacionada a la comparación
de los precios medios del pasado con los actuales, en los cuales en los primeros
años, los precios mostraron un aumento con respecto al año base, sin embargo
este fue muy mesurado. No obstante a partir de que se inicia la nueva década;
los precios empezaron a aumentar más significativamente y la diferencia con el
año base se hizo más importante, pero en el año 2012 hubo un disminución en
la diferencia, cosa que pudo haber sucedido debido a la controversia creada por
los sucesos previos y el hecho en sí de la destitución del entonces presidente del
Paraguay.
84
Recomendaciones A modo de finiquitar la investigación, en base a las fuentes de información
disponibles para llevar a cabo este tipo de investigación empírica, es decir modelo
hedónicos de precios, se recomienda estructurar una base de datos sólidas, por
parte organismos oficiales, la cual cuente con información pormenorizada sobre
el mercado inmobiliario paraguayo, atendiendo detalladamente las
características que poseen las viviendas, de modo que el mismo sea útil para
realizar este tipo de análisis de manera análoga para otros distritos y ciudades
del Paraguay.
Además se recomienda que este tipo de datos esté disponible de manera
digital y en internet, a modo de que esté a disposición de todos los individuos que
precisen de la misma.
En adición a esto se recomienda que las autoridades, específicamente las
municipales, sean más abiertas y tratables al momento de cooperar con personas
que necesitan información sobre las ciudades, las cuales gobiernan.
Por último se recomienda que la oferta, al momento de ofrecer el bien que
quieren comerciar, en este caso las viviendas, los mismos propinen la
información adecuada y detallada de sus bienes de modo que tengan más
oportunidades en el competitivo y creciente mercado inmobiliario.
85
Bibliografía Almeida, C. A., & Soares, C. A. (2006). Porcedimentos para vistoria de imóveis urbanos.
Fortaleza.
Alonso Borrego, C., & Sánchez Mangas, R. (s.f.). Stata. Guía de utilización. Madrid: Universidad
Carlos III de Madrid.
Azqueta, D. (1994). Valoración Económica de la Calidad Ambiental. Madrid: McGraw Hill.
Bilbao, C. (1997). Determinación de la demanda de características de viviendas: una aplicación
para los principales municipios asturianos. España: Universidad de Oviedo.
Brañas Garza, P., Dios Palomares, R., & Escribano Fernández, P. (s.f.). Casco Histórico de
córdoba. Análisis del precio de las caracteristicas de la vivienda: Un Enfoque Hedónico.
Córdoba: Universidad de Córdoba.
Cálcena, V. (23 de Octubre de 2014). Club de Ejecutivos. Obtenido de Club de Ejecutivos:
http://www.clubdeejecutivos.org.py/informes-detalle/el_boom_inmobiliario-98
Casas Torres, J., & Higueras Arnal, A. (1977). Compendio de Geografía General. Madrid: RIALP.
central, G. d. (8 de Octubre de 2014). Gobernación del Departamento central. Obtenido de
Gobernación del Departamento central: http://www.central.gov.py/web_institucional/
Centro, I. (22 de Octubre de 2012). Info Centro. Obtenido de Info Centro: http://www.info-
centro-24.com/bancos-paraguay.html
Color, D. A. (1-30 de Enero-Diciembre de 2004-2014). Clasificados y Agrupados. ABC Color, pág.
Variadas.
del Carpio Gonzales, J. (2008). Manual de Stata. La Paz: DC Consulting.
Dirección General de Encuestas, E. y. (14 de Octubre de 2002). Dirección General de Encuestas,
Estadística y Censos. Obtenido de Átlas Censal del Paraguay:
http://www.dgeec.gov.py/Publicaciones/Biblioteca/Atlas%20Censal%20del%20Paragu
ay/3%20Atlas%20Asuncion%20censo.pdf
Figueroa B., E., & Lever D., G. (1992). Determinantes del precio de la vivienda en Santiago: Una
estimación hedónica. Santiago: Estudios de Economía. Vol. 19, No. 1, Págs. 67-84.
Gil Moore, , A., Selvaggi, M., & Caminos, J. (1999). Elavoración de Indices de Precios de
Propiedades. Una Aplicación en tasaciones del Gran Mendoza. Rosario.
González Espitia, C. (s.f.). Problemas Econométricos con Stata. Cali: Universidad Icesi.
Gonzalo , D., & Molina de Castro, D. (2001). Historia Genealógica de los Virreyes del Río de la
Plata. Buenos Aires: Junta Sabatina de Especialidades Históricas.
86
Grupo de Análisis Económico e Investigación - Ministerio de Ambiente, V. y. (2003).
Metodologías para la valoración económica de bienes, servicios ambientales y recursos
naturales. Ecuador: Ministerio de Ambiente, Vivienda y Desarrollo Territorial.
Guarani, P. (22 de Octubre de 2014). Portal Guarani. Obtenido de
http://www.portalguarani.com/detalles_museos_exposiciones.php?id=27&id_exposici
on=1
Gujarati, D. N. (1997). Econometria. México, D.F.: McGraw Hill.
Lever D., G. (2000). Determinantes del precio de la vivienda en Santiago: Una estimación
Hedónica. Santiago.
Luque, I. (22 de Octubre de 2014). Info Luque. Obtenido de Info Luque:
http://www.infoluque.com.py/turismo/dp/map.htm
Martorell, M. (2001). Historia de la peseta. La España contemporánea vista a través de su
moneda. Barcelona: Planeta.
MaxiCambios. (24 de Octubre de 2014). Maxi Cambios. Obtenido de Maxi Cambios:
http://www.maxicambios.com.py/cierre.php
MaxiCambios. (27 de Octubre de 2014). Maxi Cambios. Obtenido de Maxi Cambios:
http://www.maxicambios.com.py/estadisticas.php
Meloni, O., & Ruíz Nuñez, F. (2002). El precio de los terrenos y el Valor de sus atributos. Un
enfoque de Precios Hedónicos. Tucumán: Económica, La Plata.
Municipal, S. d. (6 de Octubre de 2014). Barrios. Asunción, Paraguay.
Municipal, S. d. (7 de Noviembre de 2014). Barrios. Lambaré, Paraguay.
Muñoz, J. (s.f.). Curso de introduccón a stata. Barcelona: Universidad Autónoma de Barcelona.
myspace, B. (3 de Noviembre de 2014). Bop myspace. Obtenido de Bop myspace:
http://www.bopmyspace.com/image_146/asuncion
Núñez Tabales, J. M., Ceular Villamandos, N., & Millán Vázquez de la Torre, G. (s.f.).
Aproximación a la valoración inmobiliaria mediante la metodología de Precios
Hedonicos. Cordoba: Grupo de investigacion FEDRA.
Ovsov, A. (26 de Octubre de 2014). Pballew. Obtenido de
http://www.pballew.net/arithme1.html#ln
Plamquist, R. B. (1984). Estimating the Demand for the Characteristics of Housing.
Massachusetts: The MIT Press.
Rosales Álvarez, R. A., Perdomo Clavo, J. A., Morales Torrado, C. A., & Urrego Mondragón, J. A.
(2010). Fundamentos de Econometría Intermedia: Teoría y Aplicaciones. Bogotá:
Uniandes.
87
Rosen, S. (1974). Hedonic Prices and implicit Markets: Product Diferentation in Pure
Competition. Illinios: The University of Chicago Press.
Salmerón, R., & Gómez, S. (2012). Relación entre los factores institucionales y el
emprendimiento: análisis mediante técnicas cuantitativas. Métodos Cuantitativos para
la Economía y la Empresa, 54-72.
Spiegel, M. R., & Stephens, L. J. (2009). Estadística. México D.F.: Mc. Graw-Hill.
SudamericanaExpress. (27 de Octubre de 2014). Sudamericana Express. Obtenido de
Sudamericana Express: http://www.sudamericaexpress.com.py/HistGen.asp
Szalachman, R. (2000). Perfil de Déficit y políticas de vivienda de interes social: Situación de
algunos países de la región en los noventa. Santiago: Naciones Unidas.
Vela Peón, F. (2010). Varianza del error no constante: Heteroscedasticidad. México D. F.:
Universidad Autónoma Metropolitana.
88
Anexo
IMAGEN 1. Mapa de Barrial de Asunción
Fuente: Página Web www.bopmyspace.com
89
IMAGEN 2. Mapa Barrial Luque
Fuente: Página Web www.Infoque.com.py
IMAGEN 3. Mapa Mariano R. Alonso
Fuente: Municipalidad de M.R.A.
90
Tabla 8. Variables Plamquist, 1984.
Fuente: Plamquist, R. B. (1984). Estimating the Demand for the Characteristics of Housing. Massachusetts: The MIT Press.
91
Tabla 9. Resultados Palmquist, 1984.
Fuente: Plamquist, R. B. (1984). Estimating the Demand for the Characteristics of Housing. Massachusetts: The MIT Press.
92
Tabla 10. Resultados Bilbao, 1997
Fuente: Bilbao Celia 1997, Determinación de la demanda de características de viviendas: una aplicación para los principales municipios asturianos, Universidad de Oviedo.
93
Ficha de valuación de viviendas
Fuente: Procedimentos para visitoria de imóveis urbanos, Fortaleza, 2006
94
Tabla 14. FAV 2014
Tabla 15. Regresión 2014
Fuente: Elaboración propia
Fuente: Elaboración propia
Mean VIF 1.40
sal 1.11 0.904909
dorm 1.19 0.837627
m2 1.20 0.832208
scomer 1.33 0.750944
plant 1.35 0.739479
bñScl 1.39 0.718879
cochcerr 1.44 0.694204
pisc 1.48 0.673409
qcho 1.49 0.672150
aserv 1.71 0.584951
ubic 1.73 0.578370
Variable VIF 1/VIF
_cons 18.96611 .2179232 87.03 0.000 18.53303 19.39918
m2 .0001769 .000248 0.71 0.478 -.0003161 .0006698
ubic .3187895 .1176337 2.71 0.008 .0850173 .5525618
cochcerr .3289214 .1151945 2.86 0.005 .0999966 .5578463
scomer .204194 .1907331 1.07 0.287 -.174848 .5832359
plant .0818789 .1320984 0.62 0.537 -.1806388 .3443966
pisc .6111211 .1846951 3.31 0.001 .2440784 .9781637
qcho .1488772 .1105483 1.35 0.182 -.0708142 .3685686
aserv .3226907 .1288367 2.50 0.014 .0666549 .5787265
sal .1562167 .0832625 1.88 0.064 -.0092501 .3216834
bñScl .0752778 .1025808 0.73 0.465 -.12858 .2791356
dorm .1128197 .0398329 2.83 0.006 .0336602 .1919793
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .50551
R-squared = 0.6383
Prob > F = 0.0000
F( 11, 88) = 29.59
Linear regression Number of obs = 100
95
_cons 15.90954 1.200263 13.26 0.000 13.52427 18.29481
lm2 .2260052 .2029019 1.11 0.268 -.1772198 .6292301
ubic .4983378 .1674553 2.98 0.004 .1655555 .83112
cochcerr .1059892 .1143128 0.93 0.356 -.1211834 .3331619
scomer -.105724 .2007332 -0.53 0.600 -.504639 .293191
plant .1571599 .1908151 0.82 0.412 -.2220449 .5363648
pisc .2654468 .1681955 1.58 0.118 -.0688064 .5996999
qcho .2227787 .1427135 1.56 0.122 -.0608343 .5063918
aserv .5533408 .1722719 3.21 0.002 .2109866 .8956951
sal .3868663 .2281964 1.70 0.094 -.0666261 .8403586
bñScl .3301166 .1808587 1.83 0.071 -.029302 .6895353
dorm .2107028 .1146505 1.84 0.069 -.017141 .4385466
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .66038
R-squared = 0.6099
Prob > F = 0.0000
F( 11, 88) = 25.89
Linear regression Number of obs = 100
Tabla 17. Regresión 2004
Fuente: Elaboración propia
Mean VIF 1.39
scomer 1.11 0.901697
lm2 1.18 0.846562
sal 1.25 0.800783
cochcerr 1.35 0.740043
plant 1.35 0.739680
pisc 1.36 0.733872
ubic 1.40 0.716827
bñScl 1.47 0.681183
qcho 1.49 0.672016
dorm 1.65 0.604554
aserv 1.73 0.577727
Variable VIF 1/VIF
Fuente: Elaboración propia
Tabla 16. FAV 2004
96
_cons 15.7735 1.032466 15.28 0.000 13.72103 17.82598
lm2 .2878702 .1707029 1.69 0.095 -.0514758 .6272163
ubic .7792111 .1191679 6.54 0.000 .542313 1.016109
cochcerr .2440465 .1343106 1.82 0.073 -.0229542 .5110471
scomer .2184531 .2066998 1.06 0.294 -.1924524 .6293587
plant .1681586 .1310224 1.28 0.203 -.0923053 .4286225
pisc .3666444 .1770011 2.07 0.041 .0147778 .718511
qcho .1676271 .1328682 1.26 0.211 -.0965061 .4317604
aserv .1999665 .1270141 1.57 0.119 -.0525292 .4524621
sal .468342 .222802 2.10 0.038 .0254263 .9112577
bñScl .1908855 .1396852 1.37 0.175 -.0867995 .4685706
dorm .1395277 .0643932 2.17 0.033 .0115183 .267537
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .53646
R-squared = 0.6936
Prob > F = 0.0000
F( 11, 86) = 15.99
Linear regression Number of obs = 98
Tabla 19. Regresión 2005
Fuente: Elaboración propia
Mean VIF 1.36
scomer 1.15 0.866609
aserv 1.21 0.829383
ubic 1.23 0.815251
lm2 1.28 0.779734
sal 1.29 0.776133
plant 1.32 0.757624
pisc 1.34 0.747172
qcho 1.39 0.717238
bñScl 1.57 0.638751
cochcerr 1.57 0.638007
dorm 1.58 0.631120
Variable VIF 1/VIF
Tabla 18. FAV 2005
Fuente: Elaboración propia
97
Mean VIF 1.37
scomer 1.10 0.909561
cochcerr 1.16 0.858398
sal 1.19 0.842444
lm2 1.19 0.839312
aserv 1.31 0.765159
plant 1.39 0.719392
ubic 1.42 0.702559
pisc 1.46 0.686693
bñScl 1.60 0.625343
dorm 1.61 0.622433
qcho 1.69 0.591093
Variable VIF 1/VIF
_cons 14.86986 1.142382 13.02 0.000 12.59961 17.1401
lm2 .3902375 .1931402 2.02 0.046 .0064121 .774063
ubic .827692 .1181823 7.00 0.000 .5928295 1.062554
cochcerr .163659 .1548131 1.06 0.293 -.1439995 .4713175
scomer -.2160288 .2392035 -0.90 0.369 -.6913954 .2593378
plant .090371 .2060378 0.44 0.662 -.3190859 .4998279
pisc .3004534 .2117019 1.42 0.159 -.1202595 .7211664
qcho .5324253 .1398889 3.81 0.000 .2544256 .810425
aserv -.0212067 .1465393 -0.14 0.885 -.3124227 .2700093
sal .7836403 .198781 3.94 0.000 .3886048 1.178676
bñScl .2408831 .1328918 1.81 0.073 -.0232115 .5049777
dorm .1495739 .0614876 2.43 0.017 .0273803 .2717676
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .55309
R-squared = 0.7379
Prob > F = 0.0000
F( 11, 88) = 31.21
Linear regression Number of obs = 100
Tabla 21. Regresión 2006
Tabla 20. FAV 2006
Fuente: Elaboración propia
Fuente: Elaboración propia
98
Mean VIF 1.28
scomer 1.12 0.892336
lm2 1.14 0.879286
bñScl 1.14 0.878721
sal 1.15 0.872798
ubic 1.25 0.801080
pisc 1.29 0.772887
dorm 1.34 0.747171
qcho 1.34 0.746756
aserv 1.35 0.741193
plant 1.36 0.737970
cochcerr 1.60 0.625492
Variable VIF 1/VIF
_cons 17.30294 1.049129 16.49 0.000 15.21801 19.38786
lm2 .1500931 .1587612 0.95 0.347 -.1654114 .4655977
ubic .5867955 .090312 6.50 0.000 .4073194 .7662716
cochcerr .084049 .1205739 0.70 0.488 -.1555663 .3236644
scomer -.217404 .1158296 -1.88 0.064 -.4475911 .0127831
plant -.1842579 .1122385 -1.64 0.104 -.4073083 .0387926
pisc .4311275 .1176342 3.66 0.000 .1973541 .6649008
qcho .1277748 .1063454 1.20 0.233 -.0835643 .3391138
aserv .2934687 .1161985 2.53 0.013 .0625486 .5243889
sal .1198852 .1463342 0.82 0.415 -.1709233 .4106936
bñScl -.1918843 .115647 -1.66 0.101 -.4217084 .0379397
dorm .1628994 .0638657 2.55 0.012 .0359796 .2898191
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .46613
R-squared = 0.5838
Prob > F = 0.0000
F( 11, 88) = 17.35
Linear regression Number of obs = 100
Tabla 22. FAV 2007
Tabla 23. Regresión 2007
Fuente: Elaboración propia
Fuente: Elaboración propia
99
Mean VIF 1.26
sal 1.05 0.951283
scomer 1.10 0.908977
lm2 1.10 0.906822
aserv 1.21 0.824828
ubic 1.24 0.806208
dorm 1.27 0.790271
qcho 1.32 0.757857
cochcerr 1.32 0.755536
pisc 1.35 0.738894
plant 1.41 0.711414
bñScl 1.46 0.687086
Variable VIF 1/VIF
_cons 14.40032 .7652308 18.82 0.000 12.87935 15.9213
lm2 .56242 .1009601 5.57 0.000 .3617509 .7630891
ubic .5780841 .1150939 5.02 0.000 .3493226 .8068456
cochcerr -.1010352 .1502547 -0.67 0.503 -.3996827 .1976124
scomer -.0729955 .1971815 -0.37 0.712 -.4649152 .3189241
plant .1483191 .1679177 0.88 0.380 -.1854356 .4820738
pisc .4871193 .1803706 2.70 0.008 .1286132 .8456253
qcho .1144489 .1339272 0.85 0.395 -.1517459 .3806438
aserv .1168393 .1353653 0.86 0.390 -.1522139 .3858924
sal .4444468 .3289194 1.35 0.180 -.209316 1.09821
bñScl .4822583 .1559998 3.09 0.003 .1721918 .7923249
dorm .1673222 .0583644 2.87 0.005 .0513165 .2833278
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .55283
R-squared = 0.6544
Prob > F = 0.0000
F( 11, 87) = 18.54
Linear regression Number of obs = 99
Tabla 25. Regresión 2008
Tabla 24. FAV 2008
Fuente: Elaboración propia
Fuente: Elaboración propia
100
Mean VIF 1.22
sal 1.08 0.928107
cochcerr 1.09 0.918300
scomer 1.09 0.916746
plant 1.14 0.875881
pisc 1.15 0.868723
lm2 1.19 0.843132
bñScl 1.21 0.824289
ubic 1.23 0.811814
aserv 1.32 0.759416
qcho 1.33 0.749663
dorm 1.54 0.647828
Variable VIF 1/VIF
_cons 16.40441 1.551449 10.57 0.000 13.32123 19.48759
lm2 .221791 .2687315 0.83 0.411 -.3122564 .7558383
ubic .4573077 .1172588 3.90 0.000 .2242804 .690335
cochcerr .244294 .1346415 1.81 0.073 -.0232777 .5118658
scomer .2384736 .2157574 1.11 0.272 -.1902989 .6672461
plant -.0621259 .125288 -0.50 0.621 -.3111094 .1868577
pisc .4070478 .1515274 2.69 0.009 .1059189 .7081766
qcho .3417464 .1224487 2.79 0.006 .0984053 .5850875
aserv .256601 .1172451 2.19 0.031 .023601 .489601
sal .7445725 .3404384 2.19 0.031 .0680228 1.421122
bñScl .2235125 .1213228 1.84 0.069 -.0175911 .4646162
dorm .1162697 .0741441 1.57 0.120 -.0310761 .2636156
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .53771
R-squared = 0.5618
Prob > F = 0.0000
F( 11, 88) = 8.77
Linear regression Number of obs = 100
Tabla 26. FAV 2009
Tabla 27. Regresión 2009
Fuente: Elaboración propia
Fuente: Elaboración propia
101
Mean VIF 1.22
scomer 1.06 0.942132
pisc 1.08 0.923729
plant 1.10 0.906494
lm2 1.12 0.894427
bñScl 1.12 0.893154
qcho 1.17 0.852244
cochcerr 1.19 0.841160
ubic 1.21 0.826414
aserv 1.24 0.804264
sal 1.45 0.689703
dorm 1.65 0.606311
Variable VIF 1/VIF
_cons 16.95098 .8856924 19.14 0.000 15.19085 18.7111
lm2 .3163609 .1475108 2.14 0.035 .0232142 .6095077
ubic .8194452 .1290063 6.35 0.000 .5630723 1.075818
cochcerr .2662873 .1504783 1.77 0.080 -.0327566 .5653313
scomer -.0534173 .2271789 -0.24 0.815 -.5048877 .3980532
plant .3698398 .1779543 2.08 0.041 .016193 .7234867
pisc .4476586 .1536365 2.91 0.005 .1423385 .7529788
qcho .000465 .1371763 0.00 0.997 -.272144 .273074
aserv .1868617 .1449055 1.29 0.201 -.1011075 .4748309
sal .4953069 .2565789 1.93 0.057 -.0145898 1.005204
bñScl .0394897 .2381196 0.17 0.869 -.433723 .5127024
dorm -.0758743 .118462 -0.64 0.524 -.3112927 .1595441
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .59159
R-squared = 0.5167
Prob > F = 0.0000
F( 11, 88) = 9.68
Linear regression Number of obs = 100
Tabla 28. FAV 2010
Tabla 29. Regresión 2010
Fuente: Elaboración propia
Fuente: Elaboración propia
102
Mean VIF 1.26
scomer 1.11 0.898817
sal 1.15 0.868775
lm2 1.16 0.861011
cochcerr 1.18 0.845768
dorm 1.19 0.841970
plant 1.21 0.828397
bñScl 1.23 0.815407
ubic 1.23 0.815299
aserv 1.28 0.778683
pisc 1.52 0.659111
qcho 1.62 0.618183
Variable VIF 1/VIF
_cons 15.09688 .9233755 16.35 0.000 13.26187 16.9319
lm2 .5812727 .155516 3.74 0.000 .2722172 .8903281
ubic .6592285 .1580544 4.17 0.000 .3451286 .9733284
cochcerr .1446358 .1483014 0.98 0.332 -.150082 .4393536
scomer .0403316 .3790021 0.11 0.915 -.7128553 .7935186
plant .365123 .1545157 2.36 0.020 .0580556 .6721904
pisc .3110253 .1361435 2.28 0.025 .0404686 .5815819
qcho .1212603 .1723199 0.70 0.483 -.2211893 .4637099
aserv .0824251 .1682496 0.49 0.625 -.2519356 .4167859
sal -.128948 .3619082 -0.36 0.722 -.8481645 .5902685
bñScl .4406051 .1545969 2.85 0.005 .1333761 .747834
dorm .1544125 .1279985 1.21 0.231 -.0999577 .4087826
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .58207
R-squared = 0.5771
Prob > F = 0.0000
F( 11, 88) = 16.38
Linear regression Number of obs = 100
Tabla 31. Regresión 2011
Tabla 30. FAV 2011
Fuente: Elaboración propia
Fuente: Elaboración propia
103
Mean VIF 1.36
sal 1.10 0.910990
scomer 1.11 0.897516
lm2 1.18 0.850404
ubic 1.26 0.793817
dorm 1.32 0.760272
aserv 1.37 0.731508
qcho 1.42 0.706255
bñScl 1.51 0.664197
cochcerr 1.56 0.640890
pisc 1.57 0.636066
plant 1.60 0.626872
Variable VIF 1/VIF
_cons 14.97679 .640721 23.37 0.000 13.70349 16.25009
lm2 .648053 .105668 6.13 0.000 .4380601 .8580459
ubic .5332986 .1028305 5.19 0.000 .3289446 .7376525
cochcerr .0729995 .0470285 1.55 0.124 -.0204597 .1664588
scomer .2757379 .1715694 1.61 0.112 -.0652203 .616696
plant .2064209 .1512836 1.36 0.176 -.0942234 .5070653
pisc .2417666 .1805476 1.34 0.184 -.1170337 .600567
qcho .1983477 .1353219 1.47 0.146 -.0705761 .4672716
aserv .2074197 .1265305 1.64 0.105 -.0440332 .4588726
sal .1554845 .1710882 0.91 0.366 -.1845173 .4954864
bñScl .2309561 .1491637 1.55 0.125 -.0654754 .5273875
dorm .0791285 .0635755 1.24 0.217 -.0472145 .2054715
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .48154
R-squared = 0.6879
Prob > F = 0.0000
F( 11, 88) = 23.25
Linear regression Number of obs = 100
Tabla 33. FAV 2012
Tabla 33. Regresión 2012
Fuente: Elaboración propia
Fuente: Elaboración propia
104
Mean VIF 1.23
sal 1.05 0.956861
scomer 1.06 0.944553
lm2 1.09 0.917312
cochcerr 1.16 0.860439
plant 1.19 0.837335
aserv 1.22 0.822362
pisc 1.24 0.808490
bñScl 1.29 0.773079
ubic 1.34 0.744430
dorm 1.40 0.715526
qcho 1.53 0.654053
Variable VIF 1/VIF
_cons 15.63241 .7870746 19.86 0.000 14.06826 17.19656
lm2 .4145644 .1337657 3.10 0.003 .1487333 .6803955
ubic .4909042 .1018857 4.82 0.000 .2884277 .6933806
cochcerr .2299005 .0950439 2.42 0.018 .0410208 .4187802
scomer -.1794661 .0949568 -1.89 0.062 -.3681727 .0092406
plant .0227517 .089571 0.25 0.800 -.1552519 .2007553
pisc .3577934 .1227952 2.91 0.005 .1137637 .601823
qcho .1803409 .1266336 1.42 0.158 -.0713169 .4319986
aserv .3036595 .0943562 3.22 0.002 .1161464 .4911726
sal .8360946 .1029266 8.12 0.000 .6315496 1.04064
bñScl .2542043 .1054232 2.41 0.018 .0446978 .4637108
dorm .1213708 .0611082 1.99 0.050 -.0000688 .2428105
lprecio Coef. Std. Err. t P>|t| [95% Conf. Interval]
Robust
Root MSE = .42407
R-squared = 0.7001
Prob > F = .
F( 10, 88) = .
Linear regression Number of obs = 100
Tabla 34. FAV 2013
Tabla 35. Regresión 2013
Fuente: Elaboración propia
Fuente: Elaboración propia
105
Test de breusch-Pagan 2014
Test de breusch-Pagan 2011
Test de breusch-Pagan 2007
Prob > chi2 = 0.0409
chi2(1) = 4.18
Variables: fitted values of lprecio
Ho: Constant variance
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Prob > chi2 = 0.0288
chi2(1) = 4.78
Variables: fitted values of lprecio
Ho: Constant variance
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Fuente: Elaboración propia
Fuente: Elaboración propia
Fuente: Elaboración propia
Prob > chi2 = 0.0100
chi2(1) = 6.63
Variables: fitted values of lprecio
Ho: Constant variance
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
106
Año/mes 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Enero 6210 6330 6130 5180 4850 5080 4630 4590 4655 4290 4610
Febrero 6040 6270 6000 5180 4600 5130 4770 4580 4478 4118 4690
Marzo 5890 6285 5930 5050 4380 5100 4705 4358 4265 4025 4470
Abril 5730 6250 5740 5090 4100 5060 4685 4124 4295 4035 4490
Mayo 5990 6225 5750 5040 4070 5040 4730 4049 4300 4200 4472
Junio 5880 6060 5550 5140 3950 5020 4750 4021 4485 4330 4470
Julio 5880 5970 5480 5100 3990 4980 7765 3945 4500 4495 4425
Agosto 5880 6080 5400 5090 3980 4950 4775 3915 4400 4450 4350
Setiembre 5950 6100 5340 5030 3990 4880 4803 4021 4434 4481 4407
Octubre 6050 6130 5340 4820 4600 4860 4942 4125 4430 4460
Noviembre 6115 6140 5400 4720 4860 4780 4810 4155 4460 4452
Diciembre 6240 6080 5170 4850 4930 4780 4623 4437 4390 4455
Promedio 5988 6160 5603 5024 4358 4972 4999 4193 4424 4316 4487
Cuadro 1. Dólar Promedio
Fuente: Elaboración propia con datos de Maxi Cambios