Estimación de la disposición a pagar en el Brunas usando modelos Logit aplicados a datos balanceados con el algoritmo Rose

• Autores: López de Castilla Vásquez, Carlos, Porras Cerrón, Jaime, Villar Morales, Gesabel
• Formato: artículo
• Fecha de Publicación: 2023
• Institución: Universidad Nacional Agraria La Molina
• Repositorio: Revistas - Universidad Nacional Agraria La Molina
• Lenguaje: español
• OAI Identifier: oai:revistas.lamolina.edu.pe:article/1697
• Enlace del recurso: https://revistas.lamolina.edu.pe/index.php/ne/article/view/1697
• Nivel de acceso: acceso abierto
• Materia: modelo de regresión logística binaria; bootstrap; algoritmo ROSE; valoración contingente; disposición a pagar (DAP); Bosque Reservado de la Universidad Nacional Agraria de la Selva (BRUNAS); logistic regression model; ROSE algorithm; contingent valuation; willingness to pay (WTP); Reserved Forest of the National Agrarian University of the Jungle (BRUNAS)

Uno de los métodos de valoración económica más conocidos es denominado valoración contingente. En su aplicación, los encuestados responden una pregunta sobre su disposición a pagar (DAP) por el uso y preservación de un bien público. Sin embargo, este método tiene una seria limitación relacionada con la posibilidad de obtener sesgo hipotético, debido a la falta de honestidad en las respuestas, lo que produce un desbalance en el tamaño de los grupos de respuestas negativas (no dispuestas a pagar) y positivas (dispuestas a pagar). Utilizando datos de valoración contingente del Bosque Reservado de la Universidad Nacional Agraria de la Selva (BRUNAS), se calculó la DAP utilizando diferentes modelos de regresión logística binaria. El primer modelo se obtuvo considerando el conjunto original de datos con grupos no balanceados. El segundo modelo se estimó luego de aplicar el algoritmo ROSE, que permitió balancear los grupos a través de la generación de datos sintéticos. Después de aplicar ROSE, el modelo obtenido logró una estimación más realista de la DAP y de su error estándar lo que resultó en intervalos de confianza con menor amplitud en comparación con el modelo inicial.