5
CONCLUSIONES Y RECOMENDACIONES
Se determinaron las variables formadoras de valor, de mayor importancia para el municipio de Tabio, a partir de la participación de profesionales conocedores del comportamiento de mercado de los terrenos de la zona de estudio. Por medio de estas variables fue posible modelar valores obtenidos por diferentes técnicas como modelos de regresión simple, modelos de programación por metas ponderada, modelos de regresión múltiple, modelos de regresión geográficamente ponderada. Se logró identificar que el modelo actual de zonas homogéneas físicas y geoeconómicas establecido por el IGAC pronostica para el área de estudio valores de mercado mucho mejor que algunos modelos probados como el modelo de regresión simple lineal (modelo 1), el modelo de regresión simple no lineal (modelo 2), modelos de regresión múltiple (modelo 4 y modelo 5), y modelo de regresión múltiple en forma exponencial (modelo 6) y resulta para el caso de estudio mucho mejor que el modelo de programación por metas ponderado WGP (modelo 8). Ahora bien, se demuestra que el modelo de Zonas Homogéneas Físicas y geoeconómicas del IGAC puede ser susceptible de mejoras en la estimación, sobre todo, si se resuelve el tema de ponderación de variables uniéndolo al método de proceso analítico jerárquico. Según los estadísticos de distancia manhattan, índice de adecuación, error medio cuadrático, coeficiente de Pearson y error típico, el utilizar modelos de regresión múltiple con las variables capacidad de uso, densidad, norma y vías mejora las estimaciones en un 34.3% (modelo 3). Sin embargo, se debe tener especial cuidado y tratamiento de estos modelos debido a los problemas de normalidad, autocorrelación y linealidad, situación que se deriva especialmente de la autocorrelación espacial de los errores, situación que es normal debido a que los valores de los terrenos son un fenómeno espacial, fuertemente auto correlacionado. Igualmente ocurre con la utilización del modelo exponencial que utiliza las variables, aguas, capacidad de uso, densidad, vías, norma en logaritmo, ya que este mejora la estimación en un 38.6% (modelo 7) sin embargo presenta autocorrelación espacial de los errores que se aprecia a través del mapa de residuales, donde lo errores más altos se agrupan hacia las zonas más costosas. Para solucionar esto, se vinculó al análisis los modelos de regresión geográficamente ponderada y como resultado final se logra mejorar las estimaciones de valores de terreno 102
