Estimación monetaria del valor de la viviendas en la ciudad de Asunción y sus distritos...

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.


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


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


+ 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


+ 0,1676�?ℎ@ + 0,3666<G? + 0,1682<OF�V + 0,2184G?@L>=

+ 0,2440?@?ℎ?>== + 0,7792CD? + 0,2879L2





Criterio: FAV<10

No hay multicolinealidad

49



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.



de las viviendas.




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




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


50



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.



de las viviendas.




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





Criterio: FAV<10


51



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.


0,584}38, lo que indica que el las variables explican en un 58,38% al precio

de las viviendas.




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





Criterio: FAV<10


52



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.



de las viviendas.




AÑO 2009


+ 0,3417�?ℎ@ + 0,4070<G? − 0,0621<OF�V + 0,2385G?@L>=

+ 0,2442?@?ℎ?>== + 0,4573CD? + 0,2218L2




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


53



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.



de las viviendas.


F alcanza un valor de 8,77 el cual es mayor al valor-p, lo que indica que el


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





Criterio: FAV<10


54



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.



de las viviendas.


F alcanza un valor de 9,86 el cual es mayor al valor-p, lo que indica que el


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





Criterio: FAV<10


55



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.



de las viviendas.


F alcanza un valor de 16,38 el cual es mayor al valor-p, lo que indica que


AÑO 2012


+ 0,1983�?ℎ@ + 0,2418<G? − 0,2064<OF�V + 0,2757G?@L>=

+ 0,0729?@?ℎ?>== + 0,5333CD? + 0,6481L2





Criterio: FAV<10


56



comprueba que solo la variable ubicación y la constante son significativas

al 1%, además no hay variables no significativas ni negativas.



de las viviendas.




AÑO 2013


+ 0,1803�?ℎ@ + 0,3578<G? − 0,0228<OF�V − 0,1795G?@L>=

+ 0,2299?@?ℎ?>== + 0,4909CD? + 0,4146L2





Criterio: FAV<10


Criterio: FAV<10


57



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.



de las viviendas.




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%


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%


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%


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%


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


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


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%


2005





que si una vivienda posee baño social el precio de la misma aumenta en 19,09%





60



20% 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.











61

2006










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















62











2007




El parámetro estimado para la variable bñScl es -0,1919 lo que significa


aproximadamente, si todo lo demás se mantiene constante. El signo de esta

variable se comporta de manera contraria a lo esperado para este año.










63




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%
















2008




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












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%








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








2009





que si una vivienda posee baño social el precio de la misma aumenta en 2235%


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%











66


que si una vivienda posee dos plantas el precio de la misma disminuye en 6,21%

















2010

El parámetro estimado para la variable dorm es -0,0758 lo que significa


disminuye en 7,58% aproximadamente, si todo lo demás se mantiene constante.




67




























68



2011
























69













2012













70





si una vivienda posee piscina el precio de la misma disminuye en 24,18%

aproximadamente, si todo lo demás se mantiene constante..


que si una vivienda posee dos plantas el precio de la misma aumenta en 20,64%

















71

2013


























72











2014
















73




El parámetro estimado para la variable plant es 0,0819lo que significa que













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



respecto al año base se incrementó en 12,31%.

2007




2008

77




2009




2010




2011




2012




2013




78

2014




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




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




2010-2011




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




81

2013-2014




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.


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



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


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


Robust

Root MSE = .66038

R-squared = 0.6099

Prob > F = 0.0000

F( 11, 88) = 25.89




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


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


Robust

Root MSE = .53646

R-squared = 0.6936

Prob > F = 0.0000

F( 11, 86) = 15.99




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


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


Robust

Root MSE = .55309

R-squared = 0.7379

Prob > F = 0.0000

F( 11, 88) = 31.21



Tabla 20. FAV 2006



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


Robust

Root MSE = .46613

R-squared = 0.5838

Prob > F = 0.0000

F( 11, 88) = 17.35


Tabla 22. FAV 2007




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


Robust

Root MSE = .55283

R-squared = 0.6544

Prob > F = 0.0000

F( 11, 87) = 18.54



Tabla 24. FAV 2008



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


Robust

Root MSE = .53771

R-squared = 0.5618

Prob > F = 0.0000

F( 11, 88) = 8.77


Tabla 26. FAV 2009




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


Robust

Root MSE = .59159

R-squared = 0.5167

Prob > F = 0.0000

F( 11, 88) = 9.68


Tabla 28. FAV 2010




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


Robust

Root MSE = .58207

R-squared = 0.5771

Prob > F = 0.0000

F( 11, 88) = 16.38



Tabla 30. FAV 2011



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


Robust

Root MSE = .48154

R-squared = 0.6879

Prob > F = 0.0000

F( 11, 88) = 23.25


Tabla 33. FAV 2012




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


Robust

Root MSE = .42407

R-squared = 0.7001

Prob > F = .

F( 10, 88) = .


Tabla 34. FAV 2013




105

Test de breusch-Pagan 2014



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







Prob > chi2 = 0.0100

chi2(1) = 6.63




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

Estimación monetaria del valor de la viviendas en la ciudad de Asunción y sus distritos...

Real Estate

Transcript of Estimación monetaria del valor de la viviendas en la ciudad de Asunción y sus distritos...