Professional Documents
Culture Documents
INDICE
1
I.- INTRODUCCION.....3
II.- ANTECEDENTES..3
III.- OBJETIVOS...4
IV.- MARCO TEORICO...4
V.- METODOLOGIA.8
VI.- RESULTADOS11
VII.- CONCLUSIONES..14
VIII. BIBLIOGRAFIA..15
IX.- ANEXOS..16
I.- INTRODUCCIN
En la cuenca del ro Locumba se ha identificado fuentes de contaminacin como son:
vertimientos de aguas residuales industriales y domsticos; botaderos de residuos
slidos municipales y fuentes de aguas naturales que requiere caracterizar para evaluar
su aporte. Se registraron11 vertimientos a los cuerpos naturales de agua, de los cuales
02 son industriales y 09 son del tipo domstico. Las empresas que realizan los
vertimientos de aguas residuales industriales son: Southern Copper y la empresa
Agroindustrial del Per S.A.C. Por otro lado, la mayora de centros poblados as como
distritos inmersos en la cuenca del rio Locumba, realizan vertimientos de aguas
residuales domsticas sin tratamiento y sin Autorizacin por parte de la Autoridad
Nacional del Agua; por otro lado, existen centros poblados que poseen pozos spticos
donde tratan sus aguas residuales domsticas.
II.- ANTECEDENTES
En la actualidad la Cuenca del Ro Locumba est siendo fuertemente alterada debido al
impacto negativo que las comunidades aledaas (urbanas y agrcolas) estn
ocasionando sobre la calidad de sus aguas. Dicha agresin ambiental hacia sus ros es
debido generalmente por la utilizacin de agroqumicos (pesticidas y fertilizantes) que
ingresan al ro de manera superficial o por filtracin y a ello se suma, el ingreso de
materia orgnica, debido a las aguas residuales (desages) que no tienen tratamiento
alguno y que llegan directamente al cuerpo de agua por falta de servicios de saneamiento
ambiental y de un sistema de alcantarillado adecuado para la zona. La contaminacin de
3
los ros tributarios que integran la cuenca del Ro Locumba contribuyen sinergticamente
al arrastrar los residuos orgnicos e inorgnicos desde una poblacin a otra aguas abajo,
incrementando la cantidad de materia orgnica en toda esta cadena de arrastre de
contaminantes. Todo esto est cambiando la calidad del agua de la Cuenca del Ro
Locumba y as como la salud de la poblacin ubicada ro abajo, debido a los agentes
patgenos que son transportados por estas aguas provenientes desde una poblacin
altitudinalmente superior.
III.- OBJETIVOS
Objetivo General:
Valorar econmicamente el cambio en la calidad del agua generada por la
construccin de una planta de tratamiento primario y secundario para el Ro
Locumba.
IV.- MARCO TEORICO
1. UBICACIN GEOGRAFICA Y LIMITES
La provincia Jorge Basadre est ubicada al noroeste de la Regin Tacna a la que
pertenece. Comprendida entre las coordenadas 17 25 00 Latitud Sur y 70 30 37
Latitud Oeste.
La Provincia de Jorge Basadre tiene los siguientes lmites:
Se encuentra ubicada sobre la margen derecha del ro del mismo nombre, en la provincia
de Jorge Basadre, Regin Tacna, adems se encuentra en las coordenadas 17 36 35
Latitud Sur y los 70 45 39 de Longitud Oeste, presenta un clima semi clido a clido
durante el da y con temperaturas templadas por las noches.
3.- POBLACIN
El comportamiento de la poblacin provincial y distrital, descansa en la dinmica
5
principalmente.
Segn el informe del CNUMAD (1992), se estimaba que el 80% de todas las
enfermedades y ms de un tercio de los fallecimientos en los pases en desarrollo se
deban al consumo de agua contaminada, es decir de mala calidad, y que en promedio,
hasta la dcima parte del tiempo productivo de cada persona se perda a causa de
enfermedades relacionadas con el agua.
Variable
discreta
categrica
ordenada
que
representa
el
estrato
socioeconmico.
X15 Variable independiente binaria que representa el nivel de educacin del
entrevistado, si es universitaria o mayor (=1), y (=0) si tiene un nivel de educacin
inferior al universitario.
VI.- RESULTADOS
VER ANEXO N 3: MODELO ECONOMETRICO 1 - CALIDAD A: RO TRATADO CON OLOR
MOHOSO
10
Como puede apreciarse, los signos de los coeficientes son consistentes con la teora.
El signo que acompaa a la variable precio es negativa sealando la relacin inversa
entre el valor de la tarifa a pagar por al descontaminacin del agua del ro Locumba y la
probabilidad de responder afirmativamente a la pregunta de pago.
El signo que acompaa a la variable ingreso es positivo, sealando una relacin directa
entre el ingreso familiar y la probabilidad de responder afirmativamente a la pregunta
de pago. El signo positivo de la variable X2, nos dice que a medida que los olores son
percibidos por las personas, la probabilidad de responder afirmativamente a la pregunta
de disponibilidad es mayor. Por ltimo, el signo negativo que acompaa a la variable
X15, nivel de educacin del entrevistado, significa que entre menor sea el nivel de
educacin del entrevistado, la probabilidad de responder afirmativamente a la pregunta
de disponibilidad a pagar ser memor.
Los resultados de la disponibilidad a pagar son:
>CALC;COEF1=B(1)$
>CALC;COEF3=B(3)$
>CALC;COEF4=B(4)$
>CALC;COEF5=B(5)$
>CREATE;BETA=B(2)$
>CREATE;ALFA=COEF1+COEF3*X13+COEF4*X2+COEF5*X15$
>CREATE;DAPA=ALFA/BETA$
>DSTAT;RHS=DAPA$
DescriptiveStatistics
Allresultsbasedonnonmissingobservations.
===============================================================================
VariableMeanStd.Dev.MinimumMaximumCases
===============================================================================
Allobservationsincurrentsample
DAPA1740.996342251.5405311809.63322977.8760340
NATURAL
Note que los signos de los coeficientes se siguen manteniendo. Por consiguiente,
seguimos teniendo consistencia en los resultados esperados.
>CALC;COEF1=B(1)$
>CALC;COEF3=B(3)$
>CALC;COEF4=B(4)$
>CALC;COEF5=B(5)$
>CREATE;BETA=B(2)$
>CREATE;ALFA=COEF1+COEF3*X13+COEF4*X2+COEF5*X15$
>CREATE;DAPB=ALFA/BETA$
>DSTAT1;RHS=DAPB$
DescriptiveStatistics
Allresultsbasedonnonmissingobservations.
===============================================================================
VariableMeanStd.Dev.MinimumMaximumCases
===============================================================================
Allobservationsincurrentsample
DAPB2885.376152408.0836811497.77394236.5099240
Al igual que en los dos modelos anteriormente estimados, los signos de los coeficientes
siguen sin variar. Los resultados siguen estando de acuerdo con lo esperado
>CALC;COEF1=B(1)$
>CALC;COEF3=B(3)$
>CALC;COEF4=B(4)$
>CALC;COEF5=B(5)$
>CREATE;BETA=B(2)$
>CREATE;ALFA=COEF1+COEF3*X13+COEF4*X2+COEF5*X15$
>CREATE;DAPC=ALFA/BETA$
12
>DSTAT2;RHS=DAPC$
DescriptiveStatistics
Allresultsbasedonnonmissingobservations.
===============================================================================
VariableMeanStd.Dev.MinimumMaximumCases
===============================================================================
Allobservationsincurrentsample
DAPC6225.9886517096.670598551.004311613.966240
Ahora observamos el orden de los valores de disponibilidad para los tres niveles de
calidad ambiental propuestos para el ro
>DSTATOT;RHS=DAPA,DAPB,DAPC$
DescriptiveStatistics
Allresultsbasedonnonmissingobservations.
===============================================================================
VariableMeanStd.Dev.MinimumMaximumCases
===============================================================================
Allobservationsincurrentsample
DAPA1740.996342251.5405311809.63322977.8760340
DAPB2885.376152408.0836811497.77394236.5099240
DAPC6225.9886517096.670598551.004311613.966240
Como puede observarse, a mayor nivel de calidad ambiental, la disponibilidad a pagar de los
hogares es mayor. Esto es un indicativo de que las personas perciben los problemas
ambientales en el distrito de Locumba, y saben que estos problemas pueden impactar
negativamente a travs de la afectacin de los flujos de servicios provistos por el ro Locumba
y afectados por la contaminacin. En realidad los hogares estn dispuestos a pagar por
mejoras ambientales, porque saben que estas, impactarn de manera positiva sus niveles de
bienestar.
13
VII.- CONCLUSIONES
A manera de resumir los aspectos ms significativos a los cuales se arriban se considera que
resulta concluyente exponer lo siguiente:
En conclusin a mayor nivel de calidad ambiental, la disponibilidad a pagar de los
hogares es mayor. Esto es un indicativo de que las personas perciben los problemas
ambientales en el distrito de Locumba, y saben que estos problemas pueden impactar
negativamente a travs de la afectacin de los flujos de servicios provistos por el ro
Locumba y afectados por la contaminacin. En realidad los hogares estn dispuestos a
pagar por mejoras ambientales, porque saben que estas, impactarn de manera
positiva sus niveles de bienestar
El proceso de valorar econmicamente el medio ambiente se da a travs de la
medicin y cuantificacin de la calidad ambiental debido a que los cambios que se
producen generan cambios en el bienestar de las personas.
Algunas tcnicas, como las examinadas, permiten estimar en unidades monetarias el
efecto externo sobre las personas de ciertas polticas, acciones y proyectos con
impacto ambiental. Son ms fiables cuando la valoracin se realiza sobre los usuarios
o personas ms directamente afectadas (valores de uso).
El empleo de los mtodos de valoracin econmica ambiental permite conocer los
beneficios que la sociedad atribuye a mejorar la calidad ambiental y los costos que los
distintos niveles de intervencin implican en el desempeo de los bienes y servicios
ambientales.
VIII.- BIBLIOGRAFIA
AZQUETA OYARZUN, A.; (1996). Valoracin econmica de la calidad ambiental.
McGraw Hill. Madrid. 299 p.
14
IX.- ANEXOS
ANEXO N 1: NUMERO DE MUESTRAS Y VARIABLES
N de
Muestras
15
X
1
X
2
1000
2
3
1
2
1
1
9 10
9 12
0
1
1000
1000
1
1
X3 X4
X
5
X6
X7
X8 X9
150
0 1
150
0 1
150 1
X1
1
X1
2
X13
X1
4
X1
5
1500
300
2000
2000
1
1
4
2
300
100
3
3
1
0
X10
16
12 30
1000
1000
1000
12 30
1000
12
1000
12 15
1000
10
1000
11
1000
12
12 30
1000
13
12 15
1000
14
6 30
1000
15
9 17
1500
16
12 30
1500
17
12 30
1500
18
12 15
1500
19
12 30
1500
20
1500
21
12 30
1500
22
12
1500
23
9 17
1500
24
12 30
1500
25
1500
26
11 20
1500
27
6 15
1500
28
12
1500
29
12 30
1500
30
12 15
1500
0
150
0
150
0
150
0
150
0
150
0
150
0
150
0
150
0
200
0
200
0
200
0
150
0
150
0
150
0
150
0
200
0
200
0
200
0
200
0
200
0
200
0
200
0
200
0
200
0
200
0
250
0
350
0
2000
300
2000
7 1100
2000
300
2000
100
2000
100
2000
300
2000
700
2000
700
3000
6 1100
3000
500
3000
700
1500
100
1500
100
2000
500
2000
100
2500
500
2500
700
2500
900
2500
700
2500
700
2500
500
2500
900
2500
300
2500
700
2500
300
3500
300
5500
700
31
6 30
2000
32
2000
33
12 30
2000
34
12 30
2000
35
8 30
2000
36
12 10
2000
37
1 17
2000
38
4 15
2000
39
2000
40
6 20
2000
200
0
200
0
200
0
250
0
250
0
250
0
250
0
250
0
250
0
250
0
2500
100
2500
700
2500
700
2500
100
3000
300
3000
900
3000
3 1100
3000
700
3000
300
3000
900
Allobservationsincurrentsample
X12.050000001.036512891.000000004.0000000040
X2.975000000.158113883.0000000001.0000000040
X39.050000003.373729581.0000000012.000000040
X417.075000010.77601212.0000000030.000000040
X5.425000000.500640615.0000000001.0000000040
X61450.00000388.9499341000.000002000.0000040
X7.725000000.452202587.0000000001.0000000040
X81950.00000450.0712191500.000003500.0000040
X9.875000000.334932064.0000000001.0000000040
X102487.50000683.9506281500.000005500.0000040
X11.825000000.384807644.0000000001.0000000040
X124.250000001.192927882.000000007.0000000040
X13510.000000313.622344100.0000001100.0000040
X142.97500000.5304811561.000000004.0000000040
X15.475000000.505736325.0000000001.0000000040
17
Matrix: LastDsta
[15,7]
CorrelationMatrixforListedVariables
X1X2X3X4X5X6X7X8
X11.00000.16428.01540.20466.09141.10176.13403.17039
X2.164281.00000.00240.00113.13767.02085.26000.16214
X3.01540.002401.00000.42589.02808.12506.07479.05741
X4.20466.00113.425891.00000.05359.19974.11142.15147
X5.09141.13767.02808.053591.00000.28311.26333.35846
X6.10176.02085.12506.19974.283111.00000.22596.64449
X7.13403.26000.07479.11142.26333.225961.00000.24567
X8.17039.16214.05741.15147.35846.64449.245671.00000
X1X2X3X4X5X6X7X8
X9.05539.42366.26663.26019.17203.14762.27511.12757
X10.18175.23414.03917.13407.32106.35904.32022.91418
X11.04179.34768.02666.04004.00333.02570.45311.02221
X12.19700.16993.04778.11818.18247.00000.15448.04776
X13.25083.21200.33006.14135.41970.13032.34533.33061
X14.18886.00764.18553.05416.24861.06835.39816.20942
X15.10027.15231.05936.13844.21014.07169.13735.00563
X9X10X11X12X13X14X15
X91.00000.06296.62171.24066.25631.41490.05677
X10.062961.00000.04019.09821.37116.28180.09173
X11.62171.040191.00000.18154.09986.35485.08893
X12.24066.09821.181541.00000.36324.15194.18063
X13.25631.37116.09986.363241.00000.27896.42193
X14.41490.28180.35485.15194.278961.00000.04540
X15.05677.09173.08893.18063.42193.045401.00000
18
|Loglikelihoodfunction18.42280|
|Restrictedloglikelihood23.52675|
|Chisquared10.20790|
|Degreesoffreedom4|
|Prob[ChiSqd>value]=.3706755E01|
|HosmerLemeshowchisquared=.41925|
|Pvalue=.81089withdeg.fr.=2|
++
+++++++
|Variable|Coefficient|StandardError|b/St.Er.|P[|Z|>z]|MeanofX|
+++++++
CharacteristicsinnumeratorofProb[Y=1]
Constant24.9977320.107405D+07.0001.0000
X6.00208673.001188311.756.07911450.00000
X13.00354169.001730662.046.0407510.000000
X227.6988198.107405D+07.0001.0000.97500000
X15.38290779.91503825.418.6756.47500000
Matrix: LastOutp
[5,4]
++
|InformationStatisticsforDiscreteChoiceModel.|
|M=ModelMC=ConstantsOnlyM0=NoModel|
|CriterionF(logL)18.4228023.5267527.72589|
|LRStatisticvs.MC10.20790.00000.00000|
|DegreesofFreedom4.00000.00000.00000|
|Prob.ValueforLR.03707.00000.00000|
|Entropyforprobs.18.4228023.5267527.72589|
|NormalizedEntropy.66446.848551.00000|
|EntropyRatioStat.18.606178.39827.00000|
|BayesInfoCriterion51.6011261.8090270.20729|
|BICBIC(nomodel)18.606178.39827.00000|
|PseudoRsquared.21694.00000.00000|
|Pct.CorrectPrec.80.00000.0000050.00000|
|Means:y=0y=1y=2y=3yu=4y=5,y=6y>=7|
|Outcome.2750.7250.0000.0000.0000.0000.0000.0000|
|Pred.Pr.2750.7250.0000.0000.0000.0000.0000.0000|
|Notes:EntropycomputedasSum(i)Sum(j)Pfit(i,j)*logPfit(i,j).|
|NormalizedentropyiscomputedagainstM0.|
|EntropyratiostatisticiscomputedagainstM0.|
|BIC=2*criterionlog(N)*degreesoffreedom.|
|Ifthemodelhasonlyconstantsorifithasnoconstants,|
|thestatisticsreportedherearenotuseable.|
++
++
|FitMeasuresforBinomialChoiceModel|
|LogitmodelforvariableX7|
++
|ProportionsP0=.275000P1=.725000|
|N=40N0=11N1=29|
|LogL=18.42280LogL0=23.5268|
|Estrella=1(L/L0)^(2L0/n)=.24999|
19
++
|Efron|McFadden|Ben./Lerman|
|.23030|.21694|.69711|
|Cramer|Veall/Zim.|Rsqrd_ML|
|.24040|.37615|.22524|
++
|InformationAkaikeI.C.SchwarzI.C.|
|Criteria1.1711455.29000|
++
Frequenciesofactual&predictedoutcomes
Predictedoutcomehasmaximumprobability.
ThresholdvalueforpredictingY=1=.5000
Predicted
+
Actual01|Total
+
056|11
1227|29
+
Total733|40
Como puede apreciarse, los signos de los coeficientes son consistentes con la teora.
El signo que acompaa a la variable precio es negativa sealando la relacin inversa
entre el valor de la tarifa a pagar por al descontaminacin del agua del ro Locumba y la
probabilidad de responder afirmativamente a la pregunta de pago.
El signo que acompaa a la variable ingreso es positivo, sealando una relacin directa
entre el ingreso familiar y la probabilidad de responder afirmativamente a la pregunta
de pago. El signo positivo de la variable X2, nos dice que a medida que los olores son
percibidos por las personas, la probabilidad de responder afirmativamente a la pregunta
de disponibilidad es mayor. Por ltimo, el signo negativo que acompaa a la variable
X15, nivel de educacin del entrevistado, significa que entre menor sea el nivel de
educacin del entrevistado, la probabilidad de responder afirmativamente a la pregunta
de disponibilidad a pagar ser memor.
Los resultados de la disponibilidad a pagar son:
>CALC;COEF1=B(1)$
>CALC;COEF3=B(3)$
>CALC;COEF4=B(4)$
>CALC;COEF5=B(5)$
20
>CREATE;BETA=B(2)$
>CREATE;ALFA=COEF1+COEF3*X13+COEF4*X2+COEF5*X15$
>CREATE;DAPA=ALFA/BETA$
>DSTAT;RHS=DAPA$
DescriptiveStatistics
Allresultsbasedonnonmissingobservations.
===============================================================================
VariableMeanStd.Dev.MinimumMaximumCases
===============================================================================
Allobservationsincurrentsample
DAPA1740.996342251.5405311809.63322977.8760340
21
Matrix: LastOutp
[5,4]
++
|InformationStatisticsforDiscreteChoiceModel.|
|M=ModelMC=ConstantsOnlyM0=NoModel|
|CriterionF(logL)10.2214415.0708127.72589|
|LRStatisticvs.MC9.69874.00000.00000|
|DegreesofFreedom4.00000.00000.00000|
|Prob.ValueforLR.04582.00000.00000|
|Entropyforprobs.10.2214415.0708127.72589|
|NormalizedEntropy.36866.543561.00000|
|EntropyRatioStat.35.0089025.31016.00000|
|BayesInfoCriterion35.1983944.8971370.20729|
|BICBIC(nomodel)35.0089025.31016.00000|
|PseudoRsquared.32177.00000.00000|
|Pct.CorrectPrec.92.50000.0000050.00000|
|Means:y=0y=1y=2y=3yu=4y=5,y=6y>=7|
|Outcome.1250.8750.0000.0000.0000.0000.0000.0000|
|Pred.Pr.1250.8750.0000.0000.0000.0000.0000.0000|
|Notes:EntropycomputedasSum(i)Sum(j)Pfit(i,j)*logPfit(i,j).|
|NormalizedentropyiscomputedagainstM0.|
|EntropyratiostatisticiscomputedagainstM0.|
|BIC=2*criterionlog(N)*degreesoffreedom.|
|Ifthemodelhasonlyconstantsorifithasnoconstants,|
|thestatisticsreportedherearenotuseable.|
++
++
|FitMeasuresforBinomialChoiceModel|
|LogitmodelforvariableX9|
++
|ProportionsP0=.125000P1=.875000|
|N=40N0=5N1=35|
|LogL=10.22144LogL0=15.0708|
|Estrella=1(L/L0)^(2L0/n)=.25366|
++
|Efron|McFadden|Ben./Lerman|
|.36496|.32177|.85683|
|Cramer|Veall/Zim.|Rsqrd_ML|
|.34553|.45413|.21531|
++
|InformationAkaikeI.C.SchwarzI.C.|
|Criteria.7610738.88727|
++
Frequenciesofactual&predictedoutcomes
Predictedoutcomehasmaximumprobability.
ThresholdvalueforpredictingY=1=.5000
Predicted
+
Actual01|Total
+
023|5
22
1035|35
+
Total238|40
Note que los signos de los coeficientes se siguen manteniendo. Por consiguiente, seguimos
teniendo consistencia en los resultados esperados.
>CALC;COEF1=B(1)$
>CALC;COEF3=B(3)$
>CALC;COEF4=B(4)$
>CALC;COEF5=B(5)$
>CREATE;BETA=B(2)$
>CREATE;ALFA=COEF1+COEF3*X13+COEF4*X2+COEF5*X15$
>CREATE;DAPB=ALFA/BETA$
>DSTAT1;RHS=DAPB$
DescriptiveStatistics
Allresultsbasedonnonmissingobservations.
===============================================================================
VariableMeanStd.Dev.MinimumMaximumCases
===============================================================================
Allobservationsincurrentsample
DAPB2885.376152408.0836811497.77394236.5099240
23
|Degreesoffreedom4|
|Prob[ChiSqd>value]=.2783397|
++
+++++++
|Variable|Coefficient|StandardError|b/St.Er.|P[|Z|>z]|MeanofX|
+++++++
CharacteristicsinnumeratorofProb[Y=1]
Constant27.8827612.132223D+07.0001.0000
X10.00028174.00061620.457.64752487.50000
X13.00117097.00166813.702.4827510.000000
X230.3351883.132223D+07.0001.0000.97500000
X151.130819291.009375331.120.2626.47500000
Matrix: LastOutp
[5,4]
++
|InformationStatisticsforDiscreteChoiceModel.|
|M=ModelMC=ConstantsOnlyM0=NoModel|
|CriterionF(logL)16.0048218.5490627.72589|
|LRStatisticvs.MC5.08847.00000.00000|
|DegreesofFreedom4.00000.00000.00000|
|Prob.ValueforLR.27834.00000.00000|
|Entropyforprobs.16.0048218.5490627.72589|
|NormalizedEntropy.57725.669021.00000|
|EntropyRatioStat.23.4421318.35366.00000|
|BayesInfoCriterion46.7651651.8536370.20729|
|BICBIC(nomodel)23.4421318.35366.00000|
|PseudoRsquared.13716.00000.00000|
|Pct.CorrectPrec.85.00000.0000050.00000|
|Means:y=0y=1y=2y=3yu=4y=5,y=6y>=7|
|Outcome.1750.8250.0000.0000.0000.0000.0000.0000|
|Pred.Pr.1750.8250.0000.0000.0000.0000.0000.0000|
|Notes:EntropycomputedasSum(i)Sum(j)Pfit(i,j)*logPfit(i,j).|
|NormalizedentropyiscomputedagainstM0.|
|EntropyratiostatisticiscomputedagainstM0.|
|BIC=2*criterionlog(N)*degreesoffreedom.|
|Ifthemodelhasonlyconstantsorifithasnoconstants,|
|thestatisticsreportedherearenotuseable.|
++
++
|FitMeasuresforBinomialChoiceModel|
|LogitmodelforvariableX11|
++
|ProportionsP0=.175000P1=.825000|
|N=40N0=7N1=33|
|LogL=16.00482LogL0=18.5491|
|Estrella=1(L/L0)^(2L0/n)=.12788|
++
|Efron|McFadden|Ben./Lerman|
|.16303|.13716|.75733|
|Cramer|Veall/Zim.|Rsqrd_ML|
|.15959|.23454|.11945|
24
++
|InformationAkaikeI.C.SchwarzI.C.|
|Criteria1.0502450.45404|
++
Frequenciesofactual&predictedoutcomes
Predictedoutcomehasmaximumprobability.
ThresholdvalueforpredictingY=1=.5000
Predicted
+
Actual01|Total
+
016|7
1033|33
+
Total139|40
Al igual que en los dos modelos anteriormente estimados, los signos de los coeficientes
siguen sin variar. Los resultados siguen estando de acuerdo con lo esperado
>CALC;COEF1=B(1)$
>CALC;COEF3=B(3)$
>CALC;COEF4=B(4)$
>CALC;COEF5=B(5)$
>CREATE;BETA=B(2)$
>CREATE;ALFA=COEF1+COEF3*X13+COEF4*X2+COEF5*X15$
>CREATE;DAPC=ALFA/BETA$
>DSTAT2;RHS=DAPC$
DescriptiveStatistics
Allresultsbasedonnonmissingobservations.
===============================================================================
VariableMeanStd.Dev.MinimumMaximumCases
===============================================================================
Allobservationsincurrentsample
DAPC6225.9886517096.670598551.004311613.966240
25
>DSTATOT;RHS=DAPA,DAPB,DAPC$
DescriptiveStatistics
Allresultsbasedonnonmissingobservations.
===============================================================================
VariableMeanStd.Dev.MinimumMaximumCases
===============================================================================
Allobservationsincurrentsample
DAPA1740.996342251.5405311809.63322977.8760340
DAPB2885.376152408.0836811497.77394236.5099240
DAPC6225.9886517096.670598551.004311613.966240
26