Tcnicas estadsticas

Los estudios estadsticos permiten a los analistas estimar parmetros clave de modelos de costos o produccin. Los anlisis
economtricos requieren de un importante grupo de datos para asegurar la obtencin de resultados confiables. A menudo la obtencin
de la cantidad de observaciones necesarias para derivar en una estimacin eficiente y objetiva de las estructuras de costos (o
produccin) puede resultar ser una tarea difcil. Los resultados de las regresiones son sensibles a la especificacin del modelo (por
ejemplo, una forma funcional lineal vs. una forma funcional no lineal). Asimismo, para algunos modelos, la interpretacin del trmino de
error se vuelve importante.

Los primeros estudios tendan a utilizar el mtodo de mnimos cuadrados ordinarios (MCO) para estimar las funciones de costos de las
empresas. Debido a las limitaciones en los datos, la mayora de estos estudios fueron realizados sobre muestras representativas.
Adems de utilizar datos correspondientes a un nico ao, los investigadores emplearon datos provenientes de Inglaterra y Gales o de
Estados Unidos. Con frecuencia, estos estudios acadmicos se concentraron en el desempeo relativo de las empresas privadas de
servicios de agua y saneamiento en comparacin con el de las empresas estatales. Adems, investigaron el alcance de las economas
de escala y las economas de produccin conjunta (con prestacin de servicios tanto de agua como de saneamiento). En algunos
casos, consideraron los impactos de los clientes residenciales en comparacin con los clientes industriales/comerciales.

A medida que se pudo disponer de datos correspondientes a Brasil, Per y otras naciones en desarrollo, se publicaron estudios sobre
otros pases que con frecuencia utilizaban tcnicas economtricas (parmetricas) o no paramtricas de anlisis de datos. Comenzaron
a aparecer, en la literatura acadmica, estudios de las empresas de servicios de Francia, Italia y otras naciones. Se empezaron a
aplicar tcnicas asociadas al Anlisis de Fronteras Estocsticas tanto a funciones de produccin como a funciones de costos. Los
datos en paneles facilitaron la incorporacin de densidad de clientes, topologa y otras variables.

Los mtodos paramtricos mayormente utilizados son los modelos de mnimos cuadrados ordinarios (MCO) y mnimos cuadrados
ordinarios corregidos (MCOC, por su sigla en ingls) y el Anlisis de Fronteras Estocsticas (SFA, por su sigla en ingls). La diferencia
principal entre estos modelos consiste en que el mtodo MCOC atribuye todas las desviaciones a la ineficiencia, mientras que los
modelos SFA atribuyen parte de las desviaciones a la ineficiencia y parte de ellas al ruido aleatorio. En otras palabras, los modelos
SFA toman en consideracin tanto la ineficiencia como el ruido aleatorio. Entre los modelos de frontera estocstica ms utilizados se
encuentran el modelo de frontera de produccin estocstica, el modelo de frontera de costos estocstica y el modelo de funcin de
distancia estocstica. Antes de seleccionar un modelo especfico, los analistas deben elegir inicialmente entre las formas funcionales
ms comnmente utilizadas: la funcin de Cobb-Douglas y la funcin translogartmica.

Modelos de mnimos cuadrados ordinarios

Las tcnicas MCO pueden utilizarse para realizar una comparacin que relacione el desempeo de una empresa en particular con lo
que se podra esperar: una estimacin de una funcin de produccin o costos promedio de una muestra de empresas. Pueden
utilizarse mtodos promedio de comparacin para comparar empresas con costos relativamente similares o cuando no se cuenta con
datos suficientes de empresas comparables para la aplicacin de mtodos de frontera. Bsicamente, el mtodo se refiere a la
estimacin de una forma funcional de regresin para los costos o la produccin utilizando el enfoque de MCO. El anlisis de regresin
lineal pretende derivar una relacin entre el desempeo de la empresa (en trminos del producto o costo total) y las condiciones del
mercado y las caractersticas de los procesos de produccin. El anlisis estadstico puede aislar los impactos de condiciones
especficas o niveles de producto de modo tal de que puedan determinarse los roles que desempean numerosas variables
independientes. Los datos correspondientes a las empresas que estn siendo comparadas pueden luego utilizarse para obtener
dimensiones esperadas del desempeo de la empresa, dadas las variables que caracterizan a cada empresa.

La tcnica del anlisis de regresin est definida por los siguientes pasos: 1) seleccin tanto de la medida de costos (o producto) como
de variables exgenas, 2) estimacin de la funcin de costos (o produccin) del sector, y 3) clculo del coeficiente de eficiencia
correspondiente a cada empresa dentro del sector. La produccin proyectada en comparacin con la produccin real brinda la medida
del desempeo relativo. Luego, puede evaluarse estadsticamente la calidad de estos resultados para ofrecerles a los encargados de
formular polticas un marco para la evaluacin de las empresas. La cuestin de la regresin lineal por oposicin a la no lineal puede
analizarse mediante la inclusin de parmetros que capturen economas o deseconomas de escala.

Ventajas: El mtodo estadstico revela informacin acerca de las estructuras de costos y distingue entre los roles de las
diferentes variables en la afectacin del producto. Los coeficientes pueden interpretarse en trminos de los factores
determinantes de los costos o la forma en que los insumos contribuyen al producto.

Desventajas: Es necesario contar con un importante grupo de datos para obtener resultados confiables. Los resultados de la
regresin son sensibles a la forma funcional si no se interpreta correctamente el trmino de error, lo que puede generar
conclusiones muy variadas, dependiendo de la forma en que se haya organizado inicialmente la regresin.

Aplicacin: OFWAT, el regulador del agua en el Reino Unido, aplica mtodos de media y promedio a los costos operativos
(OPEX) y gastos de capital (CAPEX) de las empresas de servicios de agua para la determinacin quinquenal de los precios
mximos. OFWAT ha desarrollado un anlisis de eficiencia basado en mtodos de media y promedio que constituye un
elemento clave de su proceso de determinacin de precios.
Modelos de mnimos cuadrados ordinarios corregidos (MCOC)

Un enfoque ligeramente distinto del MCO implica desplazar la lnea hacia la empresa con mejor desempeo, lo que se denomina
metodologa de los Mnimos Cuadrados Corregidos (MCOC). En sentido general, los modelos MCOC no son sino una funcin
promedio desplazada. Existen dos pasos necesarios, uno para obtener el valor esperado del trmino de error y otro para desplazar o
centrar la ecuacin.

Al utilizar los modelos MCO o MCOC, se considera una buena prctica realizar un anlisis por Cuantiles. El anlisis por cuantiles sirve
para superar el efecto posible de valores atpicos sobre la media estimada, lo que le permite al analista detectar la presencia de
prestadores en cuantiles especficos o extremos, como por ejemplo los cuantiles ms bajos (25%) y los ms altos (75%).

Ventajas: El mtodo estadstico revela informacin acerca de las estructuras de costos y distingue entre los roles de las
distintas variables en la afectacin del producto. El ajuste convierte al modelo MCO en un enfoque de frontera.

Desventajas: Al igual que ocurre en el caso del modelo MCO, se necesita contar con un conjunto de datos importante para
obtener resultados confiables. Los resultados de la regresin son sensibles a la forma funcional si no se interpreta
correctamente el trmino de error, lo que puede generar conclusiones muy dispares dependiendo de la organizacin inicial de
la regresin. Por otra parte, los resultados son particularmente sensibles a los valores atpicos, dado que el prestador con
mejor desempeo en cualquier dimensin sirve para anclar el valor estimado. En consecuencia, los puntajes de desempeo
son muy sensibles a los valores atpicos.

Aplicacin: La mayor parte de los estudios que analizan las relaciones de frontera utilizan el Anlisis de Fronteras
Estocsticas (SFA, por su sigla en ingls). De esta manera, se pierde cierto grado de sencillez, pero el modelo SFA permite
identificar pruebas de las fuentes de distintos tipos de errores.

Modelos de mnimos cuadrados ordinarios (MCO)

El Anlisis de Fronteras Estocsticas pretende estimar una frontera eficiente que incorpore la posibilidad de errores de medicin o
factores aleatorios en el clculo. Para separar la ineficiencia del ruido, se necesita contar con supuestos slidos en materia de
distribucin del ruido entre cada empresa observada. Las fronteras estocsticas pueden clasificarse en fronteras
de Produccin, Costos y Distancia de Insumos.

La frontera de produccin revela las relaciones tcnicas entre los insumos y los productos de las empresas y representa una
alternativa cuando no es posible calcular fronteras de costos debido a la falta de datos. El producto estimado es el mximo producto
posible para los insumos dados de determinada empresa. La diferencia de producto que se obtiene en el clculo se interpreta como
ineficiencia tcnica de cada empresa en particular. En la frontera de produccin, la opcin ms sensata es la de utilizar retornos
variables a escala, y es necesario incluir cambios de eficiencia a escala apropiada al calcular la productividad total de los factores.

La frontera de costos muestra los costos como una funcin del nivel de producto/s y los precios de los insumos. Resulta de utilidad
cuando se intenta acceder a la brecha entre las tarifas y los costos mnimos. Conceptualmente, la funcin de costo mnimo define una
frontera que muestra los costos tcnicamente posibles asociados a diversos niveles de insumos y variables de control. Se prefiere el
uso de fronteras de costos totales por sobre fronteras de costos variables o costos de gastos para explicar la sustituibilidad de los
insumos de los factores. Los modelos separados para CAPEX y OPEX no permiten la asignacin de gastos entre costos operativos y
gastos de capital. La eficiencia de costos contiene los efectos de la eficiencia tcnica y asignativa.

Cada criterio (produccin o costos) puede generar resultados distintos. La diferencia ser mayor si existen grandes distorsiones
asignativas. En este caso, los parmetros de la frontera de costos estarn sesgados. Un factor importante que debe considerarse al
elegir entre una frontera de costos y una frontera de produccin consiste en que, por lo general, las empresas reguladas estn
obligadas a prestar el servicio a la tarifa predeterminada y deben satisfacer la demanda. En este sentido, las empresas no tienen
permitido elegir su propio nivel de producto, lo que convierte al producto en una variable exgena. La empresa regulada maximiza sus
beneficios mediante la minimizacin de los costos de producir un nivel dado de producto. El costo es la variable opcional para la
empresa, por lo que el enfoque de frontera de costos constituye la opcin ms sensata.

Por ltimo, la frontera de distancia de insumos es la opcin obvia para las industrias reguladas en las que la cantidad de producto es
exgena y las cantidades de insumos son endgenas, y en aquellos casos en los que la naturaleza de la tecnologa es de mltiples
productos o no existen datos disponibles sobre los precios de los insumos. ste es el caso de la industria de agua y saneamiento, ya
que existen diferentes productos dentro de la misma empresa, cuya prestacin es el resultado de insumos compartidos que, en
conjunto, determinan la funcin de produccin.

La funcin de distancia puede tener tanto orientacin de entrada como de salida. La orientacin de entrada considera cunto puede
contraerse proporcionalmente el vector de insumos si se mantiene fijo el vector de producto. La orientacin de salida considera cunto
puede expandirse proporcionalmente el vector de producto si se mantiene fijo el vector de insumos. Las funciones de distancia de
insumos pueden estimarse ya sea por mtodos estocsticos o por el mtodo DEA. La ventaja que ofrece la frontera de distancia
respecto de la frontera de costos es que no se trabaja sobre el supuesto de que la empresa est minimizando sus costos. Respecto de
la frontera de produccin, la ventaja radica en que evita el problema endgeno.

Ventajas de las Fronteras Estocsticas: Representan el ruido de los datos, como por ejemplo errores en los datos y
variables omitidas. Pueden utilizarse pruebas estadsticas estndar para comprobar las hiptesis sobre especificacin del
modelo y la importancia y significancia de las variables incluidas en el modelo. Tambin resulta mejor para modelar los
efectos de otras variables (por ejemplo, medioambiente, calidad).

Desventajas de las Fronteras Estocsticas: Se necesita la especificacin de la forma funcional y tecnologa de produccin.
Asimismo, la separacin de ruido e ineficiencia se basa en fuertes supuestos sobre la distribucin del trmino de error.

Aplicacin: Varios estudios utilizan estas tcnicas, como la eficiencia relativa de empresas privadas y pblicas de servicios
de agua en el rea de Asia Oriental y el Pacfico.

Clasificacin de las Tcnicas Estadsticas

Antes de comenzar a describir las tcnicas estadsticas ms habituales, describiremos

los niveles de medida mas usuales de las variables.

Nivel de medida.
En la prctica, la opcin de un mtodo estadstico depende en gran parte de la
naturaleza de las observaciones que vayamos a realizar. A continuacin se muestran
ordenados de menor a mayor los distintos niveles de medida, comenzando por el ms
dbil y terminando por el ms fuerte.

Nominal: Cada valor de una variable nominal se corresponde con una categora de la
variable, este emparejamiento es por lo general arbitrario, como ejemplos de variables
nominales podemos considerar el sexo de una persona, lugar de nacimiento etc. En
este nivel de medida las categoras no pueden ser ordenadas en ningn sentido, y por
supuesto no tiene sentido calcular medias, medianas... etc. Los estadsticos habituales
sern frecuencias y porcentajes.

Ordinal: Cada valor representa la ordenacin o el ranking, por ejemplo el lugar de

llegada a meta de los corredores, 1 significara el primero, 2 significara el segundo ...
etc. Es muy comn encontrarse este tipo de variables en la evaluacin del gusto de los
consumidores, se les suministra una serie de productos y ellos van indicando el mas
preferido... etc. Sabremos cual es el ms preferido, el segundo ms preferido ... etc,
pero no sabremos cuanto es de preferido, en el ejemplo de la carrera sabremos cual ha
sido el primero, el segundo, pero no vamos a saber cual es la distancia entre el
primero y el segundo. El SPSS proporciona estadsticos especficos asociados a
rangos.

Intervalo: En variables de intervalo un incremento de una unidad en el valor

numrico representa el mismo cambio en la magnitud medida, con independencia de
donde ocurra en la escala. En este nivel de medida los estadsticos habituales son la
media, la desviacin tpica y la mediana. La mayora de los anlisis asumen que las
variables tienen por lo menos este nivel de medida. Un ejemplo de variable con nivel
de intervalo la temperatura.

Razn: Las variables de Razn tienen las mismas propiedades que las de intervalo,
pero adems tienen un punto cero significativo, dicho punto representa una ausencia
completa de la caracterstica medida, por ejemplo la edad o las ganancias anuales de
una persona. Por esta razn las variables de Razn tienen propiedades ms fuertes que
las de intervalo

Clasificacin de las tcnicas estadsticas.

Entre las muchas clasificaciones que se pueden hacer de las tcnicas estadsticas.
mostramos a titulo meramente orientativo la clasificacin de Steven.

Variables independientes
Nivel de medida
Variables
dependientes

Nominal u Ordinal
Una variable

Sin variables
dependientes

Test X2 de bondad
de ajuste

Medidas de
asociacin.
Modelos Loglienales.
Test X2 de
independencia.
Anlisis de
correspondencias.

T-test.
Estadsticos
descriptivos.
Test de
normalidad.

Matriz de
correlaciones.
Componentes
principales.
Anlisis Cluster.

Una variable
nominal u
ordinal.

X2 Test.
Test exacto de
Fisher.

Regresin logstica.
Modelos Loglineales.

Anlisis
Discriminante.
Regresin
logstica.
Estadsticos

Anlisis
discriminante.
Regresin
logstica.

Dos o ms variables

Intervalo o Razn
Una variable

Dos o ms
variables

univariantes de
dos muestras.

Ms de una
variable nominal
u ordinal.

Modelos
LogLineales. Ttest.
Anlisis de
varianza.
Anlisis de
supervivencia.

Una variable de
intervalo o
razn.

T-Test.
Anlisis de
varianza.
Anlisis de
supervivencia.
Anlisis
multivariado de la
varianza.
Anlisis de
varianza en
componentes
principales.
T2 de Hotelling.

Ms de una
variable de
intervalo o
razn.

Modelos
LogLineales.
Anlisis de varianza.
Anlisis de
Clasificaciones
Mltiples.
Anlisis de
supervivencia.
Anlisis de varianza.
Anlisis de
clasificaciones.
Anlisis de
supervivencia.
Anlisis Multivariado
de la Varianza.
Anlisis de varianza
en componentes
principales.

Regresin lineal.
Anlisis de
correlaciones.
Anlisis de
supervivencia.

Anlisis de
Regresin
Mltiple.
Anlisis de
supervivencia.

Regresin lineal.
Anlisis de
correlaciones.
Anlisis de
supervivencia.
Anlisis de
correlaciones
cannicas.

Anlisis de
Regresin
mltiple.
Anlisis de
supervivencia.
Modelos de
ecuaciones
estructurales.