BIBLIOTECA VIRTUAL de Derecho, Economía y Ciencias Sociales


MODELO MICROECONOMÉTRICO PARA EL ANÁLISIS DE LA DIFERENCIACIÓN DE PRODUCTOS

Julio César Ceniceros Angulo



Esta página muestra parte del texto pero sin formato.

Puede bajarse el libro completo en PDF comprimido ZIP (138 páginas, 1,72 Mb) pulsando aquí

 

 

1.4. Técnicas de dependencia de segmentación jerárquica

En el conjunto de técnicas de dependencia clasificadas como de segmentación jerárquica, tenemos que:

Si retomamos:

Por consecuencia, por ejemplo, en el caso de la detección automática de interacciones (AID), (que busca a través de la variable dependiente la integración o formación de grupos, es decir sirven principalmente para segmentar) su patrón de comportamiento no se ajusta a la estructura de la ecuación anterior ya que se basa en un algoritmo que busca particionar en forma dicotómica los grupos (en realidad es un análisis de varianza secuencial). Así para Santesmases (2001), el AID, busca maximizar la varianza Inter-grupos o minimizar la varianza intra-grupos. Una de de sus principales críticas y por lo que quedaría descartada en el análisis como modelo principal es que no proporciona información sobre los valores n (pesos específicos) en la explicación de un problema clásico de dependencia, así como no aclara la relación funcional entre las variables de la ecuación (1), limitando con ello la capacidad predictiva del modelo. Adicionalmente, los tamaños de muestra recomendados para esta técnica multivariante son muy grandes 1000, habitualmente, Lévy y Varela (2003), lo que la convierte en una fuerte limitante en el uso de este tipo de prototipos.

Un buen ejemplo en la representación en la solución de un problema clásico en el modelo de dependencia AID, se muestra a continuación en Kinnear y Taylor. (1998). Para mayor detalle vid., a los mismos autores (PP. 639-640)

Una derivación de AID, lo constituye CHAID (Chi- Squared Automatic Interaction Detection), que básicamente busca el mismo propósito pero supera algunas de las restricciones de AID, tales como el hecho de que las particiones en los grupos de interés ya no son dicotómicas si no que puede generar una representación en forma de árbol con más de dos ramificaciones (para ello utiliza el estadístico de prueba Chi- Cuadrada, ) lo que lo constituye en una técnica más conveniente a ser utilizada solo de forma complementaria. Otra diferencia con AID, es que conserva todas las categorías heterogéneas con relación a la variable dependiente, adicionalmente, es posible conocer el efecto interacción entre las variables. A pesar de ser una herramienta poderosa en la segmentación de mercados y el posicionamiento de productos, Lévy y Varela (2003). Se podrá considerar como alternativa en forma complementaria con la fuerte restricción principal de este tipo de modelos, no existe una relación funcional clara entre y las variable predictoras (Santesmases, 2001; Lévy y Varela, 2003) y el uso de tamaños de muestra muy grandes, por lo general 1000.

1.5. Otras técnicas.

En lo que concierne a otras técnicas, tenemos que uno de los métodos clásicos que llama fuertemente la atención dentro de las técnicas multivariables es sin duda el análisis con redes neuronales (ARN), ya que en el procedimiento general trata de reproducir el funcionamiento cerebral humano en la búsqueda de respuesta en la investigación social. Así, se hace uso de algoritmos que permiten simular el funcionamiento del cerebro humano y se establecen analogías, por ejemplo la unidad básica y fundamental del ARN la constituyen las neuronas (nodos, en Hair, et., al. 1999) que en el contexto de la investigación multivariable se utiliza como el procesador de la información que fluye en forma unidireccional de atrás hacia delante en un esquema general de entradas de información (inputs), procesamiento en la capa intermedia de la información dándose la función de transferencia hacia las salidas en forma de outputs, todas las neuronas se organizan en capas no teniendo conexión entre ellas, la información se transfiere de la capa intermedia a través de una función sigmoide generalmente. Lévy y Varela, (2003). El proceso es iterativo ya que, el error si rebasa a un umbral determinado en el modelo se vuelve a introducir hasta su corrección, de aquí su nombre de algoritmo de retro propagación que retransfiere en forma sináptica (conexión de una neurona con otra). vid., figura 3.

Los problemas de redes neuronales han sido abordados desde los enfoques de perceptrón multicapas, función de base radial y el modelo de Kohonen, (Santesmases, 2001; Lévy y Varela, 2003: Hair, et., al., : 1999). Este tipo de modelos se constituyen en procesos iterativos en donde se busca gradualmente la reducción del error, por lo que haciendo su símil con el funcionamiento del cerebro humano, se basan en el “aprendizaje”. Es importante destacar que en el caso de los primeros dos métodos se puede comparar el patrón de salida (variable dependiente), por lo que reciben la denominación de modelos supervisados. Ahora bien, ¿Cual es la medida de bondad de un modelo ARN?, esto es, ¿qué tan bueno o apropiado resulta el modelo con relación al rendimiento de la red neuronal? La medida utilizada si el output es a nivel de medición métrica es generalmente el error cuadrático medio. (ECM)= , donde, representa el número total de estimaciones de cada iteración.

Las principales limitaciones en el uso de este tipo de modelos están relacionadas fuertemente con la falta de interpretación adecuada de las variables input (sus ponderaciones), ya que por el proceso de aprendizaje del sistema continuamente se modifican de una iteración a otra, por lo que estrictamente hablando no se pude hablar de un modelo de causa a efecto o por lo menos su forma de procesar y presentar la información al investigador es de la forma de “caja negra” Hair, et., al. (1999).

Algunas de las áreas donde han encontrado aplicación en el campo de las disciplinas económicas administrativas son; segmentación de mercados, posicionamiento de productos, pronósticos de demanda, entre otras. Lévy y Varela, (2003). De la misma manera, en estudios de factores que contribuyen en la relación de calidad entre comprador y vendedor (Wray, Palmer y Bijou, 1994), citado por Santesmases, (2001). Por lo que si bien no responden satisfactoriamente a establecer la valoración más objetiva de los factores explicativos en la diferenciación de productos, habrá que tenerlos en cuenta en el futuro.

Por lo que respecta a métodos de reciente impulso en la toma de decisiones en el contexto del análisis multivariable en sus diferentes ámbitos, se tienen un conjunto de técnicas agrupadas bajo la denominación de métodos de decisión multicriterio discreta, vid., Levy y Varela (2003).

Así, son métodos que pueden ser comprendidos de acuerdo a Martínez (1997) generalmente a través de:

1) Conjunto de alternativas estable, generalmente finito.

2) Familia de criterios de evaluación (atributos, objetivos) que permiten evaluar cada una de las alternativas (analizar sus consecuencias), conforme a los pesos (o ponderaciones) asignados por el agente decisor y que reflejan la importancia (preferencia) relativa de cada criterio.

3) Una matriz de decisión o de impactos que resume la evaluación de cada alternativa conforme a cada criterio; una valoración (precisa o subjetiva) de cada una de las soluciones a la luz de cada uno de los criterios; la escala de medida de las evaluaciones puede ser cuantitativa o cualitativa.

4) Una metodología o modelo de agregación de preferencias en una síntesis global; ordenación, clasificación, partición, o jerarquización.

5) Un proceso de toma de decisiones (contexto de análisis) en el cual se lleva a cabo una negociación consensual entre los actores o interesados. (P.3)

Levy y Varela (2003), identifican en términos generales dos métodos: ELECTRE, en su modalidad (I, IS, TRI, II, III y IV) y el Proceso Analítico Jerárquico (AHP, Analytical Hierarchy Process), en cambio, Rodenas y Barberis (sf) reseñan el método PROMETHEE, en sus versiones (I, II, III, IV y V).

Si analizamos con detenimiento la estructura que presenta este tipo de modelos, supra., Martínez (1997), entonces en parte podremos deducir razones importantes para no utilizarlos en la identificación y explicación de los elementos diferenciadores en los productos en la presente investigación. Veamos: Primero, en la estructura del problema no se manifiesta una relación funcional de dependencia entre la variable respuesta y las variables exógenas, por lo que no permite conocer en forma más o menos objetiva la contribución marginal de cada variable de interés en la explicación del problema. Segundo, en la tarea de asignar los pesos relativos a cada criterio de decisión se conduce de manera subjetiva por el centro decisor. Tercero, según Bustos (sf), complementando el punto anterior se tiene que, no se entiende con claridad la intensidad con el que el i esimo criterio se prefiere al esimo criterio, es importante reconocer que los = 1 (pesos asignados). Finalmente, siguiendo a Ródenas y Barberis (sf), la amplia gama de metodologías con sus respectivos algoritmos y tratamientos particulares plantea la posibilidad de encontrar resultados disímiles en el tratamiento del mismo problema.


Grupo EUMEDNET de la Universidad de Málaga Mensajes cristianos

Venta, Reparación y Liberación de Teléfonos Móviles
Enciclopedia Virtual
Biblioteca Virtual
Servicios