Lösta och olösta problem i tidsvärdesestimering

En presentation över ämnet: "Lösta och olösta problem i tidsvärdesestimering"— Presentationens avskrift:

1 Lösta och olösta problem i tidsvärdesestimering
Jonas Eliasson Professor Transport systems analysis Director Centre for Transport Studies

2 Diverse problem vid estimering av tidsvärden
Restidsvärdet = betalningsviljan för att förkorta restiden Beror av individens och resans egenskaper Specifikt: alternativnytta av tid, alternativnytta av pengar samt restidens ”direkta nytta” Hur reder man ut vad som beror på vad? Och vad bör man ”rensa bort” (om något)? Tidsvärdet påverkas av egenskaper hos experimentet. Hur rensar man bort det? Tidsvärdet är fördelat. Ingen hänsyn till det => skeva estimat. Så hur gör man?

3 Idé Bara två variabler => kan räkna ut ett tidsvärdes-”bud”
Kan kolla hur många som ”accepterar budet” (väljer det dyrare alternativet) Kan undersöka tidsvärdets fördelning utan att göra antaganden Dessutom lättare att införa förklaringsvariabler och sedan rensa bort experimentrelaterat och ev. annat

4 Resultat andel som inte accepterar budet bud
Vad måste man göra? Titta på sina data!! Här är fördelningen!! Tisvärdet varierar bud

5 Resultat (2) Fördelningen ger medelvärde etc.
Obs: måste kunna observera ”svansen” (höga tidsvärden) gick inte i danska studien pga. för låga bud, men gick i svenska studien Nu är fråga 3 löst!

6 Vad är problemet med den ”traditionella” metoden?
Om  gumbel => logitmodell. Tidsvärdet = Traditionell metod: Men (1):  och  är fördelade. Tar man inte hänsyn till fördelningarna riskerar man skevt estimat. Beräkna kvoten av två fördelningar är ofta svårt, ineffektivt och/eller omöjligt Men (2): Varför ska felet  se ut just så? Är ”fel-antagandet” fel påverkas estimaten Kan testa detta med nya ansatsen! … och det visar sig att kvotskattningens ”fel-ansats” funkar bättre

7 Ny ansats ”med variabler”
Anta att tidsvärdet W = exp(x +   är normalfördelad slumpterm, x är kovariater,  parametervektor Tidsvärdet blir lognormalfördelat y = 1{W < bud + }  logistiskt fel, representerar ”slumpfel” hos respondenten Kan nu estimera parametrarna  Varför? Behövs inte för att veta medeltidsvärdet (det är redan avklarat) Vill kunna ”ta bort” experiment-effekter… (fråga 2!) … och kanske vissa socioekonomiska effekter… (? – fråga 1!) Notera hur lätt det blir att stoppa in kovariater! Not: Vid kvotskattning måste man anta fördelat tidsvärde, annars blir det tokigt!

8 ”Experiment-artefakter”
Val är referensberoende Olika namn/fenomen: Loss aversion, inertia bias, WTP/WTA-gap, endowment effect etc. Fenomenen är ”verkliga” – men existerar bara ”på kort sikt” På lång sikt finns ingen ”referens” Men existerar i experimentsituationen! – men har eg. inget med att valet är hypotetiskt att göra Dock: minskar vid vana beslutssituationer resp. stora insatser Dessa fenomen kan orsaka att värderingsstudier ger helt olika resultat! Biliststudien 1995, nya holländska studien: Mycket små tidsvinster i spelet (pga. korta resor) => väldigt låga tidsvärden

9 Två (tre?) särskilt viktiga fenomen
WTP-WTA-gapet Tidsvärdet högre för försämring än för förbättring ”Löst” (?) – går att frilägga underliggande, referensfritt tidsvärde måste dock anta att detta existerar (?) Beroende av ”delta-t” – tidsvinstens storlek Större tidsvinst => högre tidsvärde Beroende av reslängd (tid och kostnad) I viss utsträckning OK – kan dock innehålla ”size bias” Måste iaf kontrollera för det!

10 WTP-WTA-skillnad (loss aversion, endowment effect)
cost WTP EL ”Deep VoT” = (WTP*WTA)½ = (EG*EL)½ time EG WTA

11 Effekt av t (tidsvinst i experimentet) (”small time savings”)
Kan t ex bero på att liten tidsvinst inte kan sparas, kanske inte ens användas (givet res-situationen) ”Finns” bara i experimentet – men hur ska den ”tas bort”? Olöst fråga!

12 Effekten av kovariater
(not. att det finns inget ”rent (situationsfritt) tidsvärde”!) Mycket lättare testa/estimera kovariater! Tidsvärdet bör öka om lite tillgänglig tid (upptagen med annat) => hög alt. tidsnytta annat roligt att göra i st f att resa => hög alt. tidsnytta hög inkomst => låg alt. penganytta resan ”otrevlig”/improduktiv => låg restidsnytta Varför vill vi veta detta? Nyfiken… ”Prognosera” tidsvärde i nya situationer Rensa bort vissa skillnader? – inkomst?

13 Alltså Tidsvärdesestimering nuförtiden mycket bättre
Gamla studier kan vara missvisande WTP/WTA-gapet löst t-problemet olöst, men vi har lite grepp om det… Mycket bättre uppfattning om kovariaters inflytande, dvs. hur tidsvärdet varierar mellan individer och situationer… … men hur ska vi använda denna kunskap?