Processing

El AC comprenden una familia de técnicas de análisis de preferencias que abarca diversos enfoques, los cuales se seleccionan dependiendo de los objetivos de cada investigación. Entre los distintos enfoques de AC pueden citarse las siguientes:

Tabla 2.1 Familia de enfoques del Análisis Conjunto Enfoque

Enfoque Objetivo Referencias

1 Experimento de selección (choice experiment)

Elección entre dos o más alternativas en la que una representa el estatus quo

(Ryan, Bate et al. 2001; Hanley, Wright et al. 2002)

2 Ordenación contingente (contingent ranking)

Clasificación u ordenamiento de una serie de alternativas

(Garrod and Willis 1997; Bateman, Cole et al. 2006)

3 Calificación contingente (contingent rating)

Calificación (mediante una escala de puntuación: 1-10) de una serie de alternativas

(Alvarez-Farizo, Hanley et al. 2001; Cuccia and Cellini 2007)

4 Comparaciones pareadas

(paired comparisons)

Calificación de pares de alternativas en una escala similar

(Green and Srinivasan 1990; Green, Krieger et al. 2001)

Fuente: Adaptado de Hanley & Colaboradores (2001)

Con relación a la validez y confiabilidad de los distintos enfoques de AC, las opiniones son divergentes pero concuerdan en el hecho de que cada enfoque de análisis de preferencias debe ser seleccionado cuidadosamente tomando en cuenta los objetivos de la investigación (Green, Krieger et al. 2001; Hanley, Mourato et al. 2001).

En el caso de la ordenación contingente y la calificación contingente, se ha encontrado que las dos técnicas son válidas para la detección de la estructura ordinal de preferencias, pero que la

ordenación contingente revela de manera más eficiente la diferencia entre niveles de atributos que la calificación contingente, mientras que esta última recoge más claramente las estimaciones de utilidad, aunque es débil incorporando la heterogeneidad asociada a las características socioeconómicas de los sujetos (Sayadi, González Roa et al. 2005).

En todo caso, algunos autores recomiendan no recodificar datos provenientes de escalas de calificación a escalas de ranking debido a dificultades que pueden derivarse del diseño metodológico de uno y otro enfoque, más que a un fallo en el principio de transitividad de las preferencias (Boyle, Holmes et al. 2001).

El planteamiento común: utilidad aleatoria

A los participantes en un AC se les pedirá que elijan diferentes "cestas de bienes" que se describen en términos de su atributos y niveles de atributos. Suponiendo que las decisiones sobre qué cesta se prefiere dentro de un conjunto, depende de la utilidad esperada, la función de utilidad individual puede ser representada de la siguiente manera:

En donde: Uni representa la utilidad esperada o latente "i", derivada de la combinación de atributos de la alternativa "n"; Fni representa la combinación de diferentes atributos que determinan la utilidad esperada la cual se puede medir y Sn, representa las características socioeconómicas de los sujetos o de las organizaciones, las cuales pueden afectar el procesos de selección (Hanley, Wright et al. 1998).

Siguiendo a Macfadden (1980), la alternativa "n" será elegida ante alguna otra alternativa "k" sólo y si la utilidad esperada de la alternativa n es mayor que la de la alternativa k (Un>Uk), elección condicionada por las características socioeconómicas en el caso de individuos o de las características estructurales como el tamaño o actividad, en el caso de las empresas, por lo que a la función de utilidad anterior, la hace falta el componente aleatorio o no observable recogido en el término del error (Hanley, Wright et al. 1998):

En donde: Uni representa nuevamente la utilidad esperada o latente "i", derivada de la combinación de atributos de la alternativa "n"; Fni representa la combinación de diferentes atributos que determinan la utilidad; Sn representa las características socioeconómicas de los sujetos y 𝑒ni

representa el componente aleatorio (Hanley, Wright et al. 2002; Louviere, Hensher et al. 2010). A partir de lo anterior, la función de utilidad puede ser particionada en dos componentes separados, uno observables (L) y uno no observable o aleatorio (ε), que permite redefinir la función de utilidad de la siguiente manera:

Por consiguiente, la probabilidad de que un sujeto “n” seleccione la opción “i” sobre otras opciones “k” puede definirse de la siguiente manera:

En donde "S" representa el conjunto completo de elección al que pertenece la alternativa “i” con su componente observable (Lni) más el componente aleatorio (Ekn). Lo anterior supone una función de utilidad definida en términos probabilísticos, que en principio cumple con el axioma central de la familia de enfoques de AC: la independencia de las alternativas irrelevantes o IIA (por sus siglas en inglés), el cual afirma que la probabilidad de elegir una alternativa ante otra teniendo las dos alternativas una probabilidad distinta de cero de ser elegida, no se verá afectada por la presencia o ausencia de otras alternativas en el conjunto de elección, lo que expresa en la baja correlación entre las alternativas (Adamowicz, Boxall et al. 1998; Louviere, Hensher et al. 2010).

El componente observable L se asume como una función de utilidad lineal y aditivamente separable que relaciona cada alternativa con los atributos que la describen (Kallas, Gómez-Limón et al. 2006), la cual puede ser descrita de la siguiente manera:

L

= CEI

+

β

X

a

∑

!

En la expresión anterior, CEIi representa la constante específica de la alternativa i; ki representa a la alternativa i con otras alternativas k; a representa los atributos que describen a la

alternativa i; βa representa el coeficiente del atributo a; Xai representa el valor del atributo a en la alternativa i. La función lineal anterior representa el vector de utilidad asociado con la combinación de atributos y niveles seleccionada por los sujetos y que se utiliza para estimar la probabilidad de elección. A continuación se revisan rápidamente dos de los enfoques más populares de AC: el experimento de selección y la ordenación contingente o de preferencias.