AGRO DRENAJE VIAS DIS AL PERIMETRO - 41 14400 5KM VI SIN AGUA 5 5.79 SI BUENO $ 484,652,777

41 14400 5KM VI SIN AGUA 5 5.79 SI BUENO $ 484,652,777

C. AGRO DRENAJE VIAS DIS AL PERIMETRO

URBANO KM FRENTE DE VÍA PAISAJE V/HA 1 12050 1 2 3 5 1 1 2 $ 365,145,228.22 2 25600 3 2 3 5 1 1 2 $ 230,078,125.00 3 23700 3 4 3 5 1 1 2 $ 160,337,552.74 4 16300 3 4 3 6 2 1 2 $ 372,871,165.64 5 53051 3 4 3 5 2 1 2 $ 335,526,191.78 7 1600 5 4 1 6 6 1 1 $ 1,178,750,000.00 8 25600 3 4 1 6 6 1 2 $ 160,156,250.00 9 25600 3 4 1 5 4 1 2 $ 1,805,488,281.25 10 22000 10 6 1 5 4 1 1 $ 340,909,090.91 11 9000 10 6 1 5 3 0 2 $ 300,000,000.00 12 12800 10 6 3 5 13 1 1 $ 335,937,500.00 13 80197 10 4 3 5 12 1 2 $ 239,240,869.36 16 6400 10 4 2 5 9 1 1 $ 204,687,500.00 17 8400 5 4 3 5 6 1 2 $ 282,857,142.86 18 3300 5 4 3 5 6 1 2 $ 356,363,636.36 19 7342 3 4 3 5 4 1 2 $ 641,242,168.35 20 16000 15 6 3 5 4 1 1 $ 325,000,000.00 21 10000 15 6 3 5 3 1 1 $ 560,000,000.00 24 12800 15 6 1 5 16 1 1 $ 74,218,750.00 27 44800 15 6 3 5 17 1 1 $ 81,250,000.00 28 64000 10 4 1 5 16 1 1 $ 106,250,000.00 29 6000 5 4 1 5 7 1 1 $ 793,000,000.00 30 12800 3 2 3 1 6 1 2 $ 259,375,000.00 32 147200 10 4 1 6 3 1 1 $ 119,972,826.09 33 6400 5 2 2 5 6 1 2 $ 1,171,875,000.00 34 19200 15 6 2 5 8 1 1 $ 359,947,916.67 35 18431 3 4 3 5 5 1 2 $ 603,411,372.14 36 64000 10 4 1 6 15 1 1 $ 110,312,500.00 37 10000 10 6 3 5 1 1 1 $ 2,070,000,000.00 38 24000 5 6 3 5 2 0 2 $ 318,125,000.00 39 19200 15 7 3 7 8 1 1 $ 312,500,000.00 40 22400 3 2 3 5 8 1 2 $ 447,544,642.86 41 14400 3 4 3 6 6 1 2 $ 484,652,777.78 42 179200 17 6 1 6 17 1 1 $ 97,767,857.14

43 20000 15 6 3 6 3 1 1 $ 680,000,000.00 44 37000 5 4 2 6 5 1 1 $ 366,962,162.16 45 640000 3 2 3 4 21 1 2 $ 87,187,500.00 46 5700 5 4 3 4 16 0 2 $ 631,578,947.37 47 19200 5 4 1 5 5 1 2 $ 731,770,833.33 48 53400 5 4 3 7 3 1 2 $ 445,692,883.90 49 28400 5 4 3 7 6 0 2 $ 285,211,267.61 50 204800 10 4 3 5 5 0 1 $ 97,656,250.00 51 8000 5 7 3 5 3 1 2 $ 3,973,750,000.00 52 19200 10 7 1 5 5 1 1 $ 519,791,666.67 53 30900 5 7 3 3 6 1 2 $ 604,692,556.63 54 25000 10 7 3 3 6 1 1 $ 405,600,000.00 55 264000 5 4 3 5 6 1 2 $ 231,818,181.82 56 35200 10 7 1 5 14 1 1 $ 289,772,727.27 57 13000 5 7 3 3 6 1 2 $ 219,230,769.23 58 12800 10 7 3 5 12 1 1 $ 332,031,250.00 59 20000 4 3 5 5 1 1 1 $ 178,000,000.00

Para este caso se halla un modelo de regresión lineal MLR; donde se obtiene el coeficiente de correlación, que estudia si las variables están relacionada entre sí y estadísticamente significativo en el valor de la hectárea.

Los resultados de ANOVA que es el análisis de la varianza estadísticamente es una colección de modelos estadísticos y sus procedimientos asociados en el cual la varianza esta particionada en varios componentes debido a diferentes variables explicativas.

La estimación de los efectos:

___ ____ ____ ____ ____ (R) /__ / ____/ / ____/

4905 Lakeway Drive

Special Edition College Station, Texas 77845 USA

800-STATA-PC http://www.stata.com 979-696-4600 [email protected] 979-696-4601 (fax)

Single-user Stata license expires 31 Dec 9999: Serial number: 71606281563

Licensed to: STATAForAll STATA Notes:

1. (/m# option or -set memory-) 50.00 MB allocated to data 2. (/v# option or -set maxvar-) 5000 maximum variables . *(10 variables, 51 observations pasted into data editor)

. reg vha paisaje frentedeva disalperimetrourbanokm vias drenaje cagro buferkm Source | SS df MS Number of obs = 51 ---+--- F( 7, 43) = 1.49 Model | 3.8946e+18 7 5.5638e+17 Prob > F = 0.1964 Residual | 1.6052e+19 43 3.7330e+17 R-squared = 0.1953 ---+--- Adj R-squared = 0.0642 Total | 1.9947e+19 50 3.9893e+17 Root MSE = 6.1e+08 --- vha | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---+--- paisaje | 1.15e+08 2.83e+08 0.41 0.686 -4.55e+08 6.85e+08 frentedeva | 2.78e+08 2.98e+08 0.93 0.356 -3.22e+08 8.78e+08 disalperim~m | -2.56e+07 1.97e+07 -1.30 0.201 -6.54e+07 1.42e+07 vias | 2.78e+07 9.18e+07 0.30 0.764 -1.57e+08 2.13e+08 drenaje | -4.45e+07 1.07e+08 -0.42 0.679 -2.60e+08 1.71e+08 cagro | 1.65e+08 7.50e+07 2.20 0.033 1.36e+07 3.16e+08 buferkm | -4.33e+07 3.70e+07 -1.17 0.248 -1.18e+08 3.13e+07 _cons | -2.33e+08 9.76e+08 -0.24 0.812 -2.20e+09 1.74e+09 ---

En el primer análisis que se realiza con STATA se puede observar que el Valor de la Hectárea (vha) apenas encuentra una relación del 19.53% de los datos en relación al comportamiento de las 7 variables establecidas, las cuales son:

 Paisaje: “paisaje” es la característica física de cómo es percibido el paisaje en el terreno siendo 1=Excelente y 2=Bueno.

 Frente de vía: “frentedeva” es la característica física si el terreno cuenta con acceso a una vía en el frente de su predio, siendo 1=cuenta con vía y 0= no cuenta con vía.

 Distancia al perímetro Urbano: “disalperim~m” es la característica física que se evaluó mediante la georreferenciación en ArcGis con la información de vías del IGAC, la ruta más rápida hasta el perímetro urbano dando como resultado la distancia total desde el predio hasta el perímetro urbano.

 Vías: “Vías” es la característica física que se evaluó en ArcGis con la información del IGAC cuál es la clasificación de la vía en la que se encuentra el predio; ya que la clasificación del IGAC va de 1 a 7 siendo 1 las vías con mejores características.

 Drenaje: “drenaje” es la característica física que se evaluó en ArcGis con la capa de drenaje sencillo y drenaje doble de la información del IGAC, donde se revisó si el predio contaba o no con agua, siendo 1=Suficiente, 2=Escasas y 3=Sin Agua.

 Clase Agrologica: “cagro” es la clasificación agrologica en la que se encuentra el predio de acuerdo a la información del IGAC mediante el cruce de la información predial con la clasificación agrologica en el software ArcGis.

 Bufer Km: “buferkm” fue el análisis espacial que se realizó en ArcGis en relación al perímetro urbano y cuan distante se encontraba el predio de esté; se avaluó en distancias de 3km, 5km, 10km y 17km.

Esta relación estadística entre las variables nos dice que casi no tienen relación entre sí y estadísticamente no son significativas en el valor de la hectárea; pero la relación que se realiza con variables cualitativas para dar explicación a la variable cuantitativa que para este caso es el valor de la hectárea no es correcto.

Por ello es importante crear dummy para cada variable cualitativa en STATA para establecer una relación el valor de la hectárea; de tal forma que se establece el prototipo en una escala real de las variables explicativas o “independientes”, es decir, las causas X, en el que se puede considerar la totalidad de elementos de manera visual, que se van a usar en la producto final de la variable que se quiere explicar “dependiente” endógena, es decir, los efectos en Y=vha.

Para esto en el software STATA se realiza el procedimiento para cada variable y se vuelve analizar para mejorar el r² esperado.

1. Análisis con dummy se realizó para la variable Bufer Km: . tab buferkm, gen(dummybuffer)

BUFER-KM | Freq. Percent Cum. ---+--- 1 | 1 1.96 1.96 3 | 12 23.53 25.49 5 | 16 31.37 56.86 10 | 14 27.45 84.31 15 | 7 13.73 98.04 17 | 1 1.96 100.00 ---+--- Total | 51 100.00

. reg vha paisaje frentedeva disalperimetrourbanokm vias drenaje cagro dummybuffer6 dummybuffer5 dummybuffer4 dummybuffer3 dumm

> ybuffer2 dummybuffer1

note: dummybuffer6 omitted because of collinearity

Source | SS df MS Number of obs = 51 ---+--- F( 11, 39) = 1.00 Model | 4.4042e+18 11 4.0039e+17 Prob > F = 0.4601 Residual | 1.5542e+19 39 3.9853e+17 R-squared = 0.2208 ---+--- Adj R-squared = 0.0010 Total | 1.9947e+19 50 3.9893e+17 Root MSE = 6.3e+08 --- vha | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---+--- paisaje | 1.37e+08 3.18e+08 0.43 0.669 -5.06e+08 7.80e+08 frentedeva | 3.59e+08 3.32e+08 1.08 0.285 -3.12e+08 1.03e+09 disalperim~m | -2.74e+07 2.11e+07 -1.30 0.201 -7.00e+07 1.52e+07 vias | 1.74e+07 9.65e+07 0.18 0.858 -1.78e+08 2.13e+08 drenaje | -4.32e+07 1.16e+08 -0.37 0.712 -2.78e+08 1.92e+08 cagro | 1.39e+08 8.26e+07 1.68 0.101 -2.85e+07 3.06e+08 dummybuffer6 | (omitted)

dummybuffer5 | 6.72e+07 7.19e+08 0.09 0.926 -1.39e+09 1.52e+09 dummybuffer4 | 2.27e+08 7.00e+08 0.32 0.748 -1.19e+09 1.64e+09 dummybuffer3 | 5.78e+08 7.62e+08 0.76 0.453 -9.63e+08 2.12e+09 dummybuffer2 | 3.78e+08 8.40e+08 0.45 0.655 -1.32e+09 2.08e+09 dummybuffer1 | 3.50e+08 1.11e+09 0.32 0.754 -1.90e+09 2.60e+09 _cons | -8.26e+08 1.31e+09 -0.63 0.533 -3.48e+09 1.83e+09 ---

Cuando nos aparece el error de colinealidad resaltado en rojo el software nos indica que una variable X1 sea combinación lineal de otra X2, significa que ambas están relacionadas por la expresión X1 = b1 + b2X2, siendo b1 y b2 constantes, por lo tanto, el coeficiente de correlación entre ambas variables será 1, es decir que la variable ya está siendo explicada en otra y por tanto se debe sacar del análisis.

2. Análisis con dummy se realizó para la variable Clase Agrologica:

. reg vha paisaje frentedeva disalperimetrourbanokm vias drenaje dummyclaseagro1 dummyclaseagro2 dummyclaseagro3 dummyclaseagro

> 4 dummybuffer5 dummybuffer4 dummybuffer3 dummybuffer2 dummybuffer1 note: dummyclaseagro1 omitted because of collinearity

Source | SS df MS Number of obs = 51 ---+--- F( 13, 37) = 0.97 Model | 5.0773e+18 13 3.9056e+17 Prob > F = 0.4954 Residual | 1.4869e+19 37 4.0188e+17 R-squared = 0.2545 ---+--- Adj R-squared = -0.0074 Total | 1.9947e+19 50 3.9893e+17 Root MSE = 6.3e+08 --- vha | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---+--- paisaje | 9.79e+07 3.21e+08 0.31 0.762 -5.52e+08 7.48e+08 frentedeva | 3.62e+08 3.49e+08 1.04 0.307 -3.46e+08 1.07e+09 disalperim~m | -2.64e+07 2.18e+07 -1.21 0.234 -7.06e+07 1.78e+07 vias | 8.09e+07 1.09e+08 0.74 0.461 -1.39e+08 3.01e+08 drenaje | -5.06e+07 1.18e+08 -0.43 0.669 -2.89e+08 1.88e+08 dummyclase~1 | (omitted)

dummyclase~2 | -1.19e+08 3.67e+08 -0.32 0.748 -8.62e+08 6.25e+08 dummyclase~3 | 4.35e+08 4.95e+08 0.88 0.385 -5.68e+08 1.44e+09 dummyclase~4 | 5.06e+08 4.40e+08 1.15 0.257 -3.85e+08 1.40e+09 dummybuffer5 | 1.34e+08 7.28e+08 0.18 0.855 -1.34e+09 1.61e+09 dummybuffer4 | 4.50e+08 7.63e+08 0.59 0.559 -1.10e+09 2.00e+09 dummybuffer3 | 8.85e+08 8.58e+08 1.03 0.309 -8.52e+08 2.62e+09 dummybuffer2 | 6.59e+08 9.26e+08 0.71 0.481 -1.22e+09 2.53e+09 dummybuffer1 | 3.64e+08 1.19e+09 0.31 0.761 -2.04e+09 2.77e+09 _cons | -7.84e+08 1.37e+09 -0.57 0.571 -3.56e+09 1.99e+09 ---

3. Análisis con dummy se realizó para la variable Drenaje:

. tab drenaje, gen(dummydrenaje)

DRENAJE | Freq. Percent Cum. ---+--- 1 | 14 27.45 27.45 2 | 4 7.84 35.29 3 | 33 64.71 100.00 ---+--- Total | 51 100.00

. reg vha paisaje frentedeva disalperimetrourbanokm vias dummydrenaje1 dummydrenaje2 dummydrenaje3 dummyclaseagro2 dummyclaseag

> ro3 dummyclaseagro4 dummybuffer5 dummybuffer4 dummybuffer3 dummybuffer2 dummybuffer1

note: dummydrenaje2 omitted because of collinearity

Source | SS df MS Number of obs = 51 ---+--- F( 14, 36) = 0.88 Model | 5.0898e+18 14 3.6356e+17 Prob > F = 0.5844 Residual | 1.4857e+19 36 4.1269e+17 R-squared = 0.2552 ---+--- Adj R-squared = -0.0345 Total | 1.9947e+19 50 3.9893e+17 Root MSE = 6.4e+08

dummydrena~3 | -1.13e+08 3.80e+08 -0.30 0.767 -8.83e+08 6.57e+08 dummyclase~2 | -1.01e+08 3.85e+08 -0.26 0.794 -8.83e+08 6.80e+08 dummyclase~3 | 4.60e+08 5.22e+08 0.88 0.384 -5.99e+08 1.52e+09 dummyclase~4 | 5.34e+08 4.74e+08 1.13 0.267 -4.27e+08 1.50e+09 dummybuffer5 | 1.25e+08 7.39e+08 0.17 0.867 -1.37e+09 1.62e+09 dummybuffer4 | 4.48e+08 7.74e+08 0.58 0.566 -1.12e+09 2.02e+09 dummybuffer3 | 8.80e+08 8.69e+08 1.01 0.318 -8.83e+08 2.64e+09 dummybuffer2 | 6.69e+08 9.40e+08 0.71 0.481 -1.24e+09 2.57e+09 dummybuffer1 | 3.87e+08 1.21e+09 0.32 0.751 -2.07e+09 2.84e+09 _cons | -8.50e+08 1.38e+09 -0.62 0.542 -3.65e+09 1.95e+09 ---

4. Análisis con dummy se realizó para la variable Vías:

. tab vias, gen(dummycategvia)

VIAS | Freq. Percent Cum. ---+--- 1 | 1 1.96 1.96 3 | 3 5.88 7.84 4 | 2 3.92 11.76 5 | 33 64.71 76.47 6 | 9 17.65 94.12 7 | 3 5.88 100.00 ---+--- Total | 51 100.00

. reg vha paisaje frentedeva disalperimetrourbanokm dummycategvia1

dummycategvia2 dummycategvia3 dummycategvia4 dummycategvia5

> dummycategvia6 dummydrenaje1 dummydrenaje3 dummyclaseagro2 dummyclaseagro3 dummyclaseagro4 dummybuffer5 dummybuffer4 dummybuf

> fer3 dummybuffer2 dummybuffer1

note: dummycategvia2 omitted because of collinearity

Source | SS df MS Number of obs = 51 ---+--- F( 18, 32) = 1.10 Model | 7.6189e+18 18 4.2327e+17 Prob > F = 0.3960 Residual | 1.2328e+19 32 3.8524e+17 R-squared = 0.3820 ---+--- Adj R-squared = 0.0343 Total | 1.9947e+19 50 3.9893e+17 Root MSE = 6.2e+08 --- vha | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---+--- paisaje | 1.88e+08 3.26e+08 0.58 0.568 -4.77e+08 8.53e+08 frentedeva | 5.01e+08 3.82e+08 1.31 0.199 -2.78e+08 1.28e+09 disalperim~m | -4.80e+07 2.69e+07 -1.79 0.084 -1.03e+08 6742764 dummycateg~1 | 1.08e+09 8.70e+08 1.24 0.225 -6.95e+08 2.85e+09 dummycateg~2 | (omitted)

dummycateg~3 | 1.81e+09 7.99e+08 2.26 0.031 1.81e+08 3.44e+09 dummycateg~4 | 1.17e+09 4.90e+08 2.38 0.023 1.68e+08 2.16e+09 dummycateg~5 | 1.15e+09 5.82e+08 1.97 0.058 -3.89e+07 2.33e+09 dummycateg~6 | 8.33e+08 5.97e+08 1.40 0.173 -3.83e+08 2.05e+09 dummydrena~1 | -4.36e+07 3.91e+08 -0.11 0.912 -8.41e+08 7.54e+08 dummydrena~3 | -9.99e+07 3.76e+08 -0.27 0.792 -8.65e+08 6.66e+08 dummyclase~2 | 6.28e+07 3.99e+08 0.16 0.876 -7.49e+08 8.75e+08 dummyclase~3 | 5.43e+08 5.54e+08 0.98 0.335 -5.86e+08 1.67e+09 dummyclase~4 | 1.05e+09 5.30e+08 1.99 0.055 -2.45e+07 2.13e+09 dummybuffer5 | -1.76e+08 7.56e+08 -0.23 0.818 -1.72e+09 1.36e+09 dummybuffer4 | 7.33e+07 7.93e+08 0.09 0.927 -1.54e+09 1.69e+09 dummybuffer3 | 4.88e+08 8.84e+08 0.55 0.585 -1.31e+09 2.29e+09 dummybuffer2 | 1.15e+08 9.53e+08 0.12 0.905 -1.83e+09 2.06e+09 dummybuffer1 | -1.10e+08 1.23e+09 -0.09 0.930 -2.61e+09 2.39e+09 _cons | -1.42e+09 1.34e+09 -1.06 0.298 -4.15e+09 1.31e+09 ---

5. Análisis con dummy se realizó para la variable Distancia al Perímetro Urbano:

. tab disalperimetrourbanokm, gen(dummydisturb) DIS AL |

PERIMETRO |

URBANO KM | Freq. Percent Cum. ---+--- 1 | 4 7.84 7.84 2 | 3 5.88 13.73 3 | 6 11.76 25.49 4 | 4 7.84 33.33 5 | 6 11.76 45.10 6 | 12 23.53 68.63 7 | 1 1.96 70.59 8 | 3 5.88 76.47 9 | 1 1.96 78.43 12 | 2 3.92 82.35 13 | 1 1.96 84.31 14 | 1 1.96 86.27 15 | 1 1.96 88.24 16 | 3 5.88 94.12 17 | 2 3.92 98.04 21 | 1 1.96 100.00 ---+--- Total | 51 100.00

reg vha paisaje frentedeva dummydisturb1 dummydisturb2 dummydisturb3

dummydisturb4 dummydisturb5 dummydisturb6 dummydisturb7

> dummydisturb8 dummydisturb9 dummydisturb10 dummydisturb11 dummydisturb12 dummydisturb13 dummydisturb14 dummydisturb15 dummydi

> sturb16 dummycategvia1 dummycategvia3 dummycategvia4 dummycategvia5

dummycategvia6 dummydrenaje1 dummydrenaje3 dummyclaseagro

> 2 dummyclaseagro3 dummyclaseagro4 dummybuffer5 dummybuffer4 dummybuffer3 dummybuffer2 dummybuffer1

note: dummydisturb9 omitted because of collinearity

Source | SS df MS Number of obs = 51 ---+--- F( 32, 18) = 0.67 Model | 1.0849e+19 32 3.3904e+17 Prob > F = 0.8419 Residual | 9.0974e+18 18 5.0541e+17 R-squared = 0.5439

---+--- Adj R-squared = -0.2669 Total | 1.9947e+19 50 3.9893e+17 Root MSE = 7.1e+08 --- vha | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---+--- paisaje | 1.04e+08 5.55e+08 0.19 0.853 -1.06e+09 1.27e+09 frentedeva | 1.96e+08 5.37e+08 0.37 0.719 -9.32e+08 1.32e+09 dummydist~b1 | 6.33e+08 1.11e+09 0.57 0.575 -1.69e+09 2.96e+09 dummydist~b2 | -8.94e+07 1.16e+09 -0.08 0.939 -2.52e+09 2.34e+09 dummydist~b3 | 8.57e+08 1.09e+09 0.78 0.443 -1.44e+09 3.15e+09 dummydist~b4 | 7.51e+08 1.06e+09 0.71 0.488 -1.48e+09 2.98e+09 dummydist~b5 | -2.91e+07 9.68e+08 -0.03 0.976 -2.06e+09 2.01e+09 dummydist~b6 | 1.79e+08 1.06e+09 0.17 0.868 -2.04e+09 2.40e+09 dummydistu~7 | 5.29e+08 1.36e+09 0.39 0.702 -2.33e+09 3.39e+09 dummydistu~8 | 3.44e+08 1.06e+09 0.32 0.750 -1.89e+09 2.58e+09 dummydistu~9 | (omitted)

dummydist~10 | -3.53e+08 1.10e+09 -0.32 0.753 -2.67e+09 1.97e+09 dummydist~11 | 8.89e+07 1.32e+09 0.07 0.947 -2.68e+09 2.86e+09 dummydist~12 | -7.79e+08 1.23e+09 -0.63 0.534 -3.36e+09 1.80e+09 dummydist~13 | 3.81e+08 1.28e+09 0.30 0.769 -2.31e+09 3.07e+09 dummydist~14 | 4.87e+08 1.14e+09 0.43 0.673 -1.90e+09 2.87e+09 dummydist~15 | 3.83e+08 1.29e+09 0.30 0.770 -2.33e+09 3.10e+09 dummydist~16 | 2.77e+08 1.81e+09 0.15 0.880 -3.53e+09 4.08e+09 dummycateg~1 | 1.52e+09 1.12e+09 1.36 0.191 -8.33e+08 3.88e+09 dummycateg~3 | 1.25e+09 1.35e+09 0.92 0.367 -1.59e+09 4.09e+09 dummycateg~4 | 1.48e+09 6.95e+08 2.12 0.048 1.62e+07 2.94e+09 dummycateg~5 | 1.50e+09 8.66e+08 1.73 0.100 -3.19e+08 3.32e+09 dummycateg~6 | 8.13e+08 8.50e+08 0.96 0.351 -9.73e+08 2.60e+09 dummydrena~1 | -4.98e+08 6.11e+08 -0.82 0.425 -1.78e+09 7.85e+08 dummydrena~3 | -2.99e+08 5.53e+08 -0.54 0.595 -1.46e+09 8.62e+08 dummyclase~2 | 2.44e+08 5.58e+08 0.44 0.668 -9.30e+08 1.42e+09 dummyclase~3 | 5.85e+08 7.71e+08 0.76 0.458 -1.03e+09 2.21e+09 dummyclase~4 | 1.61e+09 7.16e+08 2.24 0.038 1.01e+08 3.11e+09 dummybuffer5 | -1.92e+08 1.13e+09 -0.17 0.866 -2.56e+09 2.18e+09 dummybuffer4 | 3.56e+08 1.24e+09 0.29 0.777 -2.25e+09 2.96e+09 dummybuffer3 | 9.13e+08 1.31e+09 0.70 0.494 -1.83e+09 3.66e+09 dummybuffer2 | 6.26e+08 1.39e+09 0.45 0.658 -2.30e+09 3.55e+09 dummybuffer1 | 3.22e+08 1.68e+09 0.19 0.850 -3.21e+09 3.86e+09 _cons | -2.17e+09 2.01e+09 -1.08 0.293 -6.39e+09 2.04e+09 ---

6. Análisis con dummy se realizó para la variable Frente de vía:

. tab frentedeva, gen(dummyfrentevia) FRENTE DE |

VÍA | Freq. Percent Cum. ---+--- 0 | 5 9.80 9.80 1 | 46 90.20 100.00 ---+--- Total | 51 100.00

. reg vha paisaje dummyfrentevia1 dummyfrentevia2 dummydisturb1 dummydisturb2 dummydisturb3 dummydisturb4 dummydisturb5 dummydi

> sturb6 dummydisturb7 dummydisturb8 dummydisturb10 dummydisturb11

> dummydisturb16 dummycategvia1 dummycategvia3 dummycategvia4 dummycategvia5 dummycategvia6 dummydrenaje1 dummydrenaje3 dummyc

> laseagro2 dummyclaseagro3 dummyclaseagro4 dummybuffer5 dummybuffer4

dummybuffer3 dummybuffer2 dummybuffer1

note: dummyfrentevia2 omitted because of collinearity

dummydist~b1 | 6.33e+08 1.11e+09 0.57 0.575 -1.69e+09 2.96e+09 dummydist~b2 | -8.94e+07 1.16e+09 -0.08 0.939 -2.52e+09 2.34e+09 dummydist~b3 | 8.57e+08 1.09e+09 0.78 0.443 -1.44e+09 3.15e+09 dummydist~b4 | 7.51e+08 1.06e+09 0.71 0.488 -1.48e+09 2.98e+09 dummydist~b5 | -2.91e+07 9.68e+08 -0.03 0.976 -2.06e+09 2.01e+09 dummydist~b6 | 1.79e+08 1.06e+09 0.17 0.868 -2.04e+09 2.40e+09 dummydistu~7 | 5.29e+08 1.36e+09 0.39 0.702 -2.33e+09 3.39e+09 dummydistu~8 | 3.44e+08 1.06e+09 0.32 0.750 -1.89e+09 2.58e+09 dummydist~10 | -3.53e+08 1.10e+09 -0.32 0.753 -2.67e+09 1.97e+09 dummydist~11 | 8.89e+07 1.32e+09 0.07 0.947 -2.68e+09 2.86e+09 dummydist~12 | -7.79e+08 1.23e+09 -0.63 0.534 -3.36e+09 1.80e+09 dummydist~13 | 3.81e+08 1.28e+09 0.30 0.769 -2.31e+09 3.07e+09 dummydist~14 | 4.87e+08 1.14e+09 0.43 0.673 -1.90e+09 2.87e+09 dummydist~15 | 3.83e+08 1.29e+09 0.30 0.770 -2.33e+09 3.10e+09 dummydist~16 | 2.77e+08 1.81e+09 0.15 0.880 -3.53e+09 4.08e+09 dummycateg~1 | 1.52e+09 1.12e+09 1.36 0.191 -8.33e+08 3.88e+09 dummycateg~3 | 1.25e+09 1.35e+09 0.92 0.367 -1.59e+09 4.09e+09 dummycateg~4 | 1.48e+09 6.95e+08 2.12 0.048 1.62e+07 2.94e+09 dummycateg~5 | 1.50e+09 8.66e+08 1.73 0.100 -3.19e+08 3.32e+09 dummycateg~6 | 8.13e+08 8.50e+08 0.96 0.351 -9.73e+08 2.60e+09 dummydrena~1 | -4.98e+08 6.11e+08 -0.82 0.425 -1.78e+09 7.85e+08 dummydrena~3 | -2.99e+08 5.53e+08 -0.54 0.595 -1.46e+09 8.62e+08 dummyclase~2 | 2.44e+08 5.58e+08 0.44 0.668 -9.30e+08 1.42e+09 dummyclase~3 | 5.85e+08 7.71e+08 0.76 0.458 -1.03e+09 2.21e+09 dummyclase~4 | 1.61e+09 7.16e+08 2.24 0.038 1.01e+08 3.11e+09 dummybuffer5 | -1.92e+08 1.13e+09 -0.17 0.866 -2.56e+09 2.18e+09 dummybuffer4 | 3.56e+08 1.24e+09 0.29 0.777 -2.25e+09 2.96e+09 dummybuffer3 | 9.13e+08 1.31e+09 0.70 0.494 -1.83e+09 3.66e+09 dummybuffer2 | 6.26e+08 1.39e+09 0.45 0.658 -2.30e+09 3.55e+09 dummybuffer1 | 3.22e+08 1.68e+09 0.19 0.850 -3.21e+09 3.86e+09 _cons | -1.98e+09 1.84e+09 -1.08 0.296 -5.84e+09 1.88e+09 ---

7. Análisis con dummy se realizó para la variable Paisaje:

. tab paisaje, gen(dummypaisaje)

PAISAJE | Freq. Percent Cum. ---+--- 1 | 24 47.06 47.06

2 | 27 52.94 100.00 ---+--- Total | 51 100.00

. reg vha dummypaisaje2 dummypaisaje1 dummyfrentevia1 dummydisturb1

dummydisturb2 dummydisturb3 dummydisturb4 dummydisturb5 dum

> mydisturb6 dummydisturb7 dummydisturb8 dummydisturb10 dummydisturb11 dummydisturb12 dummydisturb13 dummydisturb14 dummydistu

> rb15 dummydisturb16 dummycategvia1 dummycategvia3 dummycategvia4

dummycategvia5 dummycategvia6 dummydrenaje1 dummydrenaje3 du

> mmyclaseagro2 dummyclaseagro3 dummyclaseagro4 dummybuffer5 dummybuffer4 dummybuffer3 dummybuffer2 dummybuffer1

note: dummypaisaje1 omitted because of collinearity

dummyfrent~1 | -1.96e+08 5.37e+08 -0.37 0.719 -1.32e+09 9.32e+08 dummydist~b1 | 6.33e+08 1.11e+09 0.57 0.575 -1.69e+09 2.96e+09 dummydist~b2 | -8.94e+07 1.16e+09 -0.08 0.939 -2.52e+09 2.34e+09 dummydist~b3 | 8.57e+08 1.09e+09 0.78 0.443 -1.44e+09 3.15e+09 dummydist~b4 | 7.51e+08 1.06e+09 0.71 0.488 -1.48e+09 2.98e+09 dummydist~b5 | -2.91e+07 9.68e+08 -0.03 0.976 -2.06e+09 2.01e+09 dummydist~b6 | 1.79e+08 1.06e+09 0.17 0.868 -2.04e+09 2.40e+09 dummydistu~7 | 5.29e+08 1.36e+09 0.39 0.702 -2.33e+09 3.39e+09 dummydistu~8 | 3.44e+08 1.06e+09 0.32 0.750 -1.89e+09 2.58e+09 dummydist~10 | -3.53e+08 1.10e+09 -0.32 0.753 -2.67e+09 1.97e+09 dummydist~11 | 8.89e+07 1.32e+09 0.07 0.947 -2.68e+09 2.86e+09 dummydist~12 | -7.79e+08 1.23e+09 -0.63 0.534 -3.36e+09 1.80e+09 dummydist~13 | 3.81e+08 1.28e+09 0.30 0.769 -2.31e+09 3.07e+09 dummydist~14 | 4.87e+08 1.14e+09 0.43 0.673 -1.90e+09 2.87e+09 dummydist~15 | 3.83e+08 1.29e+09 0.30 0.770 -2.33e+09 3.10e+09 dummydist~16 | 2.77e+08 1.81e+09 0.15 0.880 -3.53e+09 4.08e+09 dummycateg~1 | 1.52e+09 1.12e+09 1.36 0.191 -8.33e+08 3.88e+09 dummycateg~3 | 1.25e+09 1.35e+09 0.92 0.367 -1.59e+09 4.09e+09 dummycateg~4 | 1.48e+09 6.95e+08 2.12 0.048 1.62e+07 2.94e+09 dummycateg~5 | 1.50e+09 8.66e+08 1.73 0.100 -3.19e+08 3.32e+09 dummycateg~6 | 8.13e+08 8.50e+08 0.96 0.351 -9.73e+08 2.60e+09 dummydrena~1 | -4.98e+08 6.11e+08 -0.82 0.425 -1.78e+09 7.85e+08 dummydrena~3 | -2.99e+08 5.53e+08 -0.54 0.595 -1.46e+09 8.62e+08 dummyclase~2 | 2.44e+08 5.58e+08 0.44 0.668 -9.30e+08 1.42e+09 dummyclase~3 | 5.85e+08 7.71e+08 0.76 0.458 -1.03e+09 2.21e+09 dummyclase~4 | 1.61e+09 7.16e+08 2.24 0.038 1.01e+08 3.11e+09 dummybuffer5 | -1.92e+08 1.13e+09 -0.17 0.866 -2.56e+09 2.18e+09 dummybuffer4 | 3.56e+08 1.24e+09 0.29 0.777 -2.25e+09 2.96e+09 dummybuffer3 | 9.13e+08 1.31e+09 0.70 0.494 -1.83e+09 3.66e+09 dummybuffer2 | 6.26e+08 1.39e+09 0.45 0.658 -2.30e+09 3.55e+09 dummybuffer1 | 3.22e+08 1.68e+09 0.19 0.850 -3.21e+09 3.86e+09 _cons | -1.87e+09 1.68e+09 -1.12 0.279 -5.39e+09 1.65e+09 ---

Al finalizar las dummies para todas las variables, se encontró en los resultados ANOVA que en el ejercicio de los 51 datos de campo se está dando el 54.39% de la muestra son resultado de las variables explicativas, en como el valor de la hectárea se ve afectado si se tienen esas condiciones.

Por ello se realiza en STATA un modelo el método “stepwise”, que es explicado en el libro de Análisis de regresión múltiple. Técnicas de Investigación Social II de Rodríguez- Jaume, M. J., & Mora Catalá, R. (2001).

En el análisis de regresión múltiple, los estadísticos, pruebas y análisis que se aplican para determinar la relación y grado de asociación entre una variable dependiente y sus supuestas variables explicativas, así como la estimación de los parámetros de la ecuación, no difieren de los determinados en el análisis de regresión simple. De hecho, una parte del análisis de regresión bivariado se realiza aplicando el cuadro de diálogo específico del análisis de regresión múltiple. La diferencia estriba, pues, en que mientras en el análisis de regresión simple al contar exclusivamente con la relación de un par de variables el proceso se resolvía en un solo paso; en el análisis de regresión múltiple es necesario calcular estadísticos, pruebas y análisis a medida que vamos introduciendo y/o sacando variables independientes en el modelo.

En el análisis de regresión lineal múltiple la construcción de su correspondiente ecuación se realiza seleccionando las variables una a una, “paso a paso”. La finalidad perseguida es buscar de entre todas las posibles variables explicativas aquellas que más y mejor expliquen a la variable dependiente sin que ninguna de ellas sea combinación lineal de las restantes.

Este procedimiento implica que: (1) en cada paso solo se introduce aquella variable que cumple unos criterios de entrada; (2) una vez introducida, en cada paso se valora si alguna de las variables cumple criterios de salida; y (3), en cada paso se valora la bondad de ajuste de los datos al modelo de regresión lineal y se calculan los parámetros del modelo verificado en dicho paso. El proceso se inicia sin ninguna variable independiente en la ecuación de regresión y el proceso concluye cuando no queda ninguna variable fuera de la ecuación que satisfaga el criterio de selección (garantiza que las variables seleccionadas son significativas) y/o el criterio de eliminación (garantizar que una variable seleccionada no es redundante).

. stepwise, pr(.25): reg vha dummypaisaje2 dummyfrentevia1 dummydisturb1 dummydisturb2 dummydisturb3 dummydisturb4 dummydisturb

> 5 dummydisturb6 dummydisturb7 dummydisturb8 dummydisturb10 dummydisturb11 dummydisturb12 dummydisturb13 dummydisturb14 dummy

> disturb15 dummydisturb16 dummycategvia1 dummycategvia3 dummycategvia4

> e3 dummyclaseagro2 dummyclaseagro3 dummyclaseagro4 dummybuffer5 dummybuffer4 dummybuffer3 dummybuffer2 dummybuffer1

begin with full model p = 0.9763 >= 0.2500 removing dummydisturb5 p = 0.9247 >= 0.2500 removing dummydisturb2 p = 0.8732 >= 0.2500 removing dummydisturb11 p = 0.8648 >= 0.2500 removing dummydisturb16 p = 0.8686 >= 0.2500 removing dummypaisaje2 p = 0.8056 >= 0.2500 removing dummybuffer5 p = 0.6508 >= 0.2500 removing dummyclaseagro2 p = 0.6328 >= 0.2500 removing dummybuffer1 p = 0.6460 >= 0.2500 removing dummydisturb13 p = 0.6097 >= 0.2500 removing dummydisturb8 p = 0.6353 >= 0.2500 removing dummydisturb6 p = 0.6585 >= 0.2500 removing dummydisturb15 p = 0.6626 >= 0.2500 removing dummydisturb7 p = 0.6116 >= 0.2500 removing dummydisturb14 p = 0.5684 >= 0.2500 removing dummydrenaje3 p = 0.7220 >= 0.2500 removing dummydrenaje1 p = 0.5005 >= 0.2500 removing dummyfrentevia1 p = 0.5004 >= 0.2500 removing dummybuffer4 p = 0.6422 >= 0.2500 removing dummyclaseagro3 p = 0.4018 >= 0.2500 removing dummydisturb10 p = 0.3708 >= 0.2500 removing dummycategvia6

Source | SS df MS Number of obs = 51 ---+--- F( 11, 39) = 3.07 Model | 9.2610e+18 11 8.4191e+17 Prob > F = 0.0047 Residual | 1.0686e+19 39 2.7399e+17 R-squared = 0.4643 ---+--- Adj R-squared = 0.3132 Total | 1.9947e+19 50 3.9893e+17 Root MSE = 5.2e+08 --- vha | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---+--- dummyclase~4 | 9.92e+08 2.67e+08 3.71 0.001 4.51e+08 1.53e+09 dummycateg~5 | 8.41e+08 3.43e+08 2.45 0.019 1.46e+08 1.54e+09 dummydist~b1 | 5.46e+08 2.99e+08 1.83 0.075 -5.85e+07 1.15e+09 dummybuffer2 | 2.67e+08 2.10e+08 1.27 0.211 -1.58e+08 6.92e+08 dummydist~b3 | 7.58e+08 2.39e+08 3.18 0.003 2.76e+08 1.24e+09 dummydist~b4 | 6.17e+08 2.99e+08 2.07 0.045 1.33e+07 1.22e+09 dummycateg~1 | 8.41e+08 6.27e+08 1.34 0.188 -4.27e+08 2.11e+09 dummybuffer3 | 6.59e+08 1.85e+08 3.56 0.001 2.84e+08 1.03e+09 dummycateg~4 | 8.75e+08 2.87e+08 3.05 0.004 2.94e+08 1.46e+09 dummycateg~3 | 7.45e+08 4.72e+08 1.58 0.122 -2.09e+08 1.70e+09 dummydist~12 | -7.29e+08 5.84e+08 -1.25 0.219 -1.91e+09 4.52e+08 _cons | -8.48e+08 3.21e+08 -2.64 0.012 -1.50e+09 -1.99e+08 ---

Después de esto se utilizó predict student, rstudent que es la predicción para implementar el comando de predicción para usar después de la estimación; ver [ R ] predecir y calcula la predicción lineal del modelo ajustado.

Es decir, todos los modelos pueden considerarse estimando un conjunto de parámetros b 1 , b 2 , ..., b k , y la predicción lineal es ̂y j = b 1 x 1j + b 2 x 2j +··· + b k x kj, para la regresión lineal; los valores ̂y se llaman valores pronosticados.

La estadística producida puede considerarse como el error estándar del valor esperado previsto, el patrón covariable de la observación. Esto también se conoce comúnmente como el error estándar del valor ajustado calcula el error estándar del pronóstico, que es el error estándar de la predicción puntual para 1 observación Se conoce comúnmente como el error estándar del valor futuro o pronosticado; de esta forma eliminamos datos para mejorar los resultados estadísticos.

. predict student, rstudent (1 missing value generated) . drop if student < -2 (0 observations deleted) . drop if student >2 (4 observations deleted)

. stepwise, pr(.25): reg vha dummypaisaje2 dummyfrentevia1 dummydisturb1 dummydisturb2 dummydisturb3 dummydisturb4 dummydisturb

> 5 dummydisturb6 dummydisturb7 dummydisturb8 dummydisturb10 dummydisturb11 dummydisturb12 dummydisturb13 dummydisturb14 dummy

> disturb15 dummydisturb16 dummycategvia1 dummycategvia3 dummycategvia4

dummycategvia5 dummycategvia6 dummydrenaje1 dummydrenaj

> e3 dummyclaseagro2 dummyclaseagro3 dummyclaseagro4 dummybuffer5 dummybuffer4 dummybuffer3 dummybuffer2 dummybuffer1

note: dummydisturb12 dropped because of collinearity begin with full model

p = 0.9883 >= 0.2500 removing dummycategvia6 p = 0.9800 >= 0.2500 removing dummydisturb13 p = 0.9648 >= 0.2500 removing dummydrenaje1 p = 0.9235 >= 0.2500 removing dummyfrentevia1 p = 0.8820 >= 0.2500 removing dummycategvia5 p = 0.8360 >= 0.2500 removing dummybuffer3 p = 0.9235 >= 0.2500 removing dummybuffer1 p = 0.7635 >= 0.2500 removing dummybuffer5 p = 0.7394 >= 0.2500 removing dummybuffer2 p = 0.7304 >= 0.2500 removing dummydisturb8 p = 0.5162 >= 0.2500 removing dummydisturb15 p = 0.5305 >= 0.2500 removing dummydisturb1 p = 0.4788 >= 0.2500 removing dummydisturb14 p = 0.4397 >= 0.2500 removing dummycategvia4 p = 0.3607 >= 0.2500 removing dummypaisaje2

Source | SS df MS Number of obs = 47 ---+--- F( 16, 30) = 2.31 Model | 1.6064e+18 16 1.0040e+17 Prob > F = 0.0235 Residual | 1.3066e+18 30 4.3552e+16 R-squared = 0.5515 ---+--- Adj R-squared = 0.3122 Total | 2.9130e+18 46 6.3325e+16 Root MSE = 2.1e+08 --- vha | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---+--- dummycateg~1 | -4.62e+08 2.46e+08 -1.88 0.070 -9.65e+08 4.04e+07 dummybuffer4 | -2.52e+08 1.00e+08 -2.52 0.017 -4.56e+08 -4.77e+07 dummyclase~2 | -3.36e+08 1.26e+08 -2.67 0.012 -5.93e+08 -7.95e+07 dummydist~b2 | 2.67e+08 1.45e+08 1.84 0.076 -2.95e+07 5.64e+08 dummydist~b3 | 3.77e+08 1.20e+08 3.13 0.004 1.31e+08 6.22e+08

dummydist~b4 | 3.92e+08 1.44e+08 2.73 0.011 9.84e+07 6.85e+08 dummydist~b5 | 2.80e+08 1.15e+08 2.43 0.022 4.43e+07 5.16e+08 dummydist~b6 | 2.94e+08 1.01e+08 2.91 0.007 8.79e+07 5.00e+08 dummydistu~7 | 4.92e+08 2.33e+08 2.11 0.043 1.58e+07 9.68e+08 dummyclase~4 | -1.94e+08 1.54e+08 -1.26 0.217 -5.08e+08 1.20e+08 dummydist~10 | 3.75e+08 1.86e+08 2.01 0.053 -5410858 7.55e+08 dummydist~11 | 5.46e+08 2.57e+08 2.13 0.042 2.16e+07 1.07e+09 dummydrena~3 | -2.09e+08 8.42e+07 -2.48 0.019 -3.81e+08 -3.71e+07 dummycateg~3 | 5.40e+08 2.27e+08 2.38 0.024 7.58e+07 1.00e+09 dummyclase~3 | -3.86e+08 1.38e+08 -2.81 0.009 -6.67e+08 -1.05e+08 dummydist~16 | -8.80e+08 3.21e+08 -2.74 0.010 -1.54e+09 -2.25e+08 _cons | 6.37e+08 1.25e+08 5.11 0.000 3.82e+08 8.91e+08 ---

En el nuevo análisis el resultado del r² mejoro y nos indica que en los resultados ANOVA que y eliminados los datos que no son representativos para las variables se está explicando 55.15%, lo cual mejoro en un 8.72% los resultados en como el valor de la hectárea se ve afectado si se tienen esas variables que si son representativas de acuerdo al modelo. Para ser más exigente, en la muestra analizamos nuevamente los datos con la predicción para determinar la relación y grado de asociación entre una variable dependiente y sus supuestas variables explicativas.

P>|t| valor es la probabilidad de cometer el error tipo 1, que significa: si incorporo esa variable al modelo, se está equivocando en menos del 0.01 que es menor al 10%, y que de igual forma podría ser evaluado en t student que también nos lo da STATA en el resultado, que es la distribución que se parece a la normal, es una distribución para construir hipótesis, y la hipótesis es ¿si el coeficiente es significativo o no?, se rechaza la hipótesis cuando el valor de la constante es pequeño y se acepta la hipótesis que el coeficiente 0 cuando el valor t es muy cercano a 0 y en consecuencia el p value P>|t| es muy cercano a 1; para este caso solo se observó P>|t| para determinar la ecuación.

Tabla 6 Variables evaluadas en STATA

VARIABLES

aream AREA m²

buferkm Buffer Km

cagro Clase Agrologica

drenaje Drenaje

vias Categoría de Vía

disalperimetrourbanokm Dist. Perímetro Urbano frentedeva Frente de vía

paisaje Paisaje

vha Valor por Ha

dummybuffer1 Buffer 1Km dummybuffer2 Buffer 3Km dummybuffer3 Buffer 5Km dummybuffer4 Buffer 10Km dummybuffer5 Buffer 15Km dummybuffer6 Buffer 17Km

dummyclaseagro1 Clase Agrologica 2 dummyclaseagro2 Clase Agrologica 4 dummyclaseagro3 Clase Agrologica 5 dummyclaseagro4 Clase Agrologica 6 dummyclaseagro5 Clase Agrologica 7

dummydrenaje1 Drenaje 1(suficiente agua) dummydrenaje2 Drenaje 2(escasa agua) dummydrenaje3 Drenaje 1(sin agua) dummycategvia1 Categoría de vía 1 dummycategvia2 Categoría de vía 3 dummycategvia3 Categoría de vía 4 dummycategvia4 Categoría de vía 5 dummycategvia5 Categoría de vía 6 dummycategvia6 Categoría de vía 7

dummydisturb1 Dist. Perímetro Urbano 1km

dummydisturb2 Dist. Perímetro Urbano 2km

dummydisturb3 Dist. Perímetro Urbano 3km

dummydisturb4 Dist. Perímetro Urbano 4km

dummydisturb5 Dist. Perímetro Urbano 5km

dummydisturb6 Dist. Perímetro Urbano 6km

dummydisturb7 Dist. Perímetro Urbano 7km

dummydisturb8 Dist. Perímetro Urbano 8km

dummydisturb9 Dist. Perímetro Urbano 9km

dummydisturb10 Dist. Perímetro Urbano 12km

dummydisturb11 Dist. Perímetro Urbano 13km

dummydisturb12 Dist. Perímetro Urbano 14km

dummydisturb13 Dist. Perimetro Urbano 15km

dummydisturb14 Dist. Perímetro Urbano 16km

dummydisturb15 Dist. Perímetro Urbano 17km

dummydisturb16 Dist. Perímetro Urbano 21km

dummyfrentevia1 Frente de vía 0 (no tiene) dummyfrentevia2 Frente de vía 0 (si tiene) dummypaisaje1 Paisaje 1(Excelente) dummypaisaje2 Paisaje 1(Bueno)

Aplicación de Factores

Para determinar si los factores propuestos generan datos coherentes con la realidad y con la dinámica inmobiliaria en Subachoque, se escogieron algunos predios que actualmente no están a la venta para proponer un valor aproximado por hectárea para cada uno de ellos. Se pudo identificar mediante el modelo econométrico que las variables utilizadas son significativas para determinar el valor por hectárea en los predios.

Nota: Es importante tener en cuenta que como fueron pocas las ofertas depuradas, no se obtuvieron factores para todos los escenarios, al contrario, solo se pudieron proponer unos pocos.

Características del Predio # 1

Número predial: 257690003000000020045000000000 Área: 1,27Ha

Clase Agrológica: VI Drenaje: Sin agua Vías: Tipo 7

Frente de vía: Si tiene frente de vía Buffer: 10 km

Paisaje: Excelente

Características del Predio # 2

Número predial: 257690003000000020284000000000 Área: 1,27Ha

Clase Agrológica: VI Drenaje: Con agua Vías: Tipo 7

Frente de vía: Si tiene frente de vía Buffer: 10 km

Paisaje: Excelente

Características del Predio # 3

Número predial: 257690001000000100226000000000 Área: 1,23 Ha

Clase Agrológica: VII Drenaje: Sin agua Vías: Tipo 5

Frente de vía: Si tiene frente de vía Buffer: 10 km

Paisaje: Excelente

Características del Predio # 4

Número predial: 257690001000000100601000000000 Área: 1,27 Ha

Clase Agrológica: VII Drenaje: Sin agua Vías: Tipo 5

Frente de vía: Si tiene frente de vía Buffer: 10 km

Paisaje: Excelente

Características del Predio # 5

Número predial: 257690003000000030668000000000 Área: 1,29 Ha

Clase Agrológica: VI Drenaje: Sin agua Vías: Tipo 5

Frente de vía: Si tiene frente de vía Buffer: 15 km

Paisaje: Excelente

Características del Predio # 6

Número predial: 257690003000000030660000000000 Área: 1,27 Ha

Clase Agrológica: VI Drenaje: Sin agua Vías: Tipo 5

Frente de vía: No tiene frente de vía Buffer: 15 km

Ilustración 9 Espacialización de predios utilizados para aplicación de factores

Tabla 7 Determinación de valor por hectárea y de terreno de seis predios utilizando factores

In document Propuesta de homogenización por factores y modelo econométrico para la determinación de avalúos comerciales rurales Estudio de caso: municipio de Subachoque (página 40-60)