UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERA ECONMICA Y CIENCIAS SOCIALES

ESCUELA PROFESIONAL DE INGENIERA ESTADSTICA











TRABAJO DE TALLER
DE TESIS

Un anlisis de distraccin del conductor autobuses de trnsito utilizando modelos
de regresin logstica multinomial



AUTOR: Licares Ascona, Percy Diego











LIMA PER

2014







INTRODUCCIN






Este trabajo explora el problema de conducir distrado en una agencia de autobs local para
identificar las fuentes de distraccin y proporcionar una comprensin de los factores
responsables de la distraccin del conductor. Un sitema de rango de riesgo sistema fue
desarrollado para clasificar la distraccin actividades en cuatro zonas de riesgo. Las actividades
de distraccin en la zona de alto riesgo fueron analizados utilizando modelos de regresin
logstica multinomial para determinar el impacto de diferentes factores sobre los mltiples
niveles categrica de distraccin del conductor. Los modelos demostraron que era la mayor
fuente de distracciones del conductor debido a actividades relacionadas con el pasajero y el
nivel de distraccin fue influenciado por ubicacin, conduccin horas y Demografa de
conductor. Los resultados del modelo fueron validados por simulacin sobre toda una gama de
variables de entrada al azar. El modelo y los resultados podran ayudar a mitigar la distraccin
y mejorar el rendimiento de trnsito.


















FONDO Y REVISIN DE LITERATURA

Segn el administracin de seguridad y trafico de carretera nacional(NHTSA), los accidentes
por distraccin del conductor alcanzo ms de 3.000 vidas en los Estados Unidos en el 2010. Un
estudio de ms de 20.000 conductores en la industria del transporte, identificaron las
distracciones estadsticamente significativas y constat que los conductores de transporte que
han estado involucrados en una colisin de dos veces son tan propensos a usar regularmente
un telfono celular porttil en comparacin con los conductores que no hayan estado
involucrados en una colisin (Metro Magazine 2011). Los reguladores del gobierno han
respondido proponiendo polticas para prohibir todo uso de telfono celular, incluyendo
dispositivos de manos libres mientras se conduce, salvo en situaciones de emergencia (US DOT
2011). Esas polticas son inconsistentes porque no existe suficiente informacin sobre las
actividades y los factores que causan la distraccin del conductor autobs.
Este estudio explora los problemas de manejar distrado en conductores de buses de agencia
de transporte local, que brinda servicio a siete ciudades y suburbios de los alrededores de la
regin. Esto es solamente uno de los pocos estudios para examinar la gama completa de
distracciones y riesgo asociado al transporte de buses.
















Justificacin
La razn para la realizacin de este estudio fue obtener una mejor comprensin de las
actividades de distraccin en las operaciones de transporte, ya que este representa un
problema significativo en el sector de transporte pblico y privado, para ello utilizaremos los
Modelos de regresin logstica multinomial (MLR) que son ampliamente utilizados en los
estudios de transporte para encontrar relacin entre la variable dependiente categrica y un
conjunto de variables predictores independientes continuas y categrica
Ejm:
Washington et al(2011), desarroll un modelo de MLR que consta de 18 variables
independientes tales como tipo de automvil, flujo de trfico, distancia y nmero de seales
etc. para estudiar los de factores que influyen en la ruta de seleccin del conductor que viaja
por las maanas hacia su trabajo.





Metodologa
Un instrumento de encuesta desarrollado por salmn et al (2006) fue rediseado para recopilar
datos de distraccin de una muestra de conductores contratados por la Agencia de trnsito local.
La ubicacin del conductor fue registrada segn los distritos geogrficos cubiertos mientras
conduca el autobs: Norte y sur. Los datos se recogieron 18 fuentes de distraccin del conductor y
percepcin de riesgos asociados con una determinada actividad de distraccin junto con factores
independientes incluyendo ubicacin, horas de manejo/semana, edad, gnero y experiencia de
conduccin. Las clasificaciones y las duraciones de cada actividad fueron promediadas y luego cada
actividad se ubicaba basado en promedio clasificacin as como la duracin promedio (salmn et al
2006 y Cruz et al., 2010). Las actividades implican riesgos de efectos de percepcin visual, manual y
cognitivos a los conductores fueron alineados basados en el recuento total. Las actividades
pertenecientes a los 5 ms altos de la calificacin promedio de rating de distraccin, promedio de
duracin, y el riesgo de percepcin de conductor fueron formulados en un sistema de rango de
riesgo que se utiliz para clasificar las actividades de distraccin en la zona de riesgo respectivo.
La regresin logstica multinomial (MLR) fue utilizada para modelar las 7 zonas de riesgo de
actividades de distraccin utilizando niveles de distraccin como variable dependiente y
correlacionar esto con los factores como variables independientes/predictor. La variable
dependiente categrica (distraccin del conductor) tena cuatro niveles: no distrados, un poco
distrada, distrado y muy distrado. Esto es similar a la variable dependiente categrica utilizada
para el estudio de la satisfaccin del cliente en los sistemas de transporte pblico (Morfoulaki et al.
2007). Las variables independientes incluidas las variables categricas como gnero y ubicacin y
las variables continuas como la edad, experiencia de conduccin y conducir horas semanales. El Mir
fue modelada como una extensin de la regresin logstica binaria (Moutinho y Hutcheson 2011 y
campo 2009) mediante la comparacin de cada nivel de distraccin (un poco distrado, distrado,
muy distrado) con un nivel de referencia de la distraccin (no distrado), produciendo as la
regresin logstica binaria tres salidas. Un procedimiento stepwise incluye todos los elementos
seleccionados en el modelo inicialmente; factores significativos fueron eliminados hasta que se
logr un buen ajuste con factores significativos. La bondad del modelo de ajuste fue
estadsticamente comprobada y verificada grficamente (Landwehr et al. 1984)
Adems, salida del modelo fueron validados por simulacin Monte Carlo con las variables de
entrada al azar asumiendo valores esperados bajo entorno de conduccin real. Se construy un
modelo de simulacin de la hoja de clculo (Albright y Winston 2005) con distribucin de
probabilidad acumulativa para cada variable de entrada, las frmulas y la lgica para calcular las
probabilidades de distraccin y las salidas que contiene la probabilidad promedio de 1.000
conductores al azar. La funcin RAND fue incrustada en cada celda de entrada variable proporciona
un conjunto de nmeros al azar 4equally probable que entre 0 y 1 para la replicacin. Cada variable
de entrada fue replicado por 1.000 conductores manteniendo las restantes variables de entrada
fijadas. Los niveles de cada variable dependiente parecen ser ordenado (que van desde no distrae a
muy distrado); por lo tanto, uno puede considerar el uso del modelo de regresin logstica ordinal.
Un modelo de regresin logstica ordinal prueba desarrollada para pasajeros mediante telfono
mvil actividad exhibi un pobre ajuste (p = 0.381) con no significativas variables independientes.
Adems, los modelos de regresin logstica ordinal coloca una restriccin sobre cmo las variables
afectan las probabilidades de resultado (Washington et al., 2011). Debido al mal ajuste, los
problemas reportados con la restriccin del modelo de regresin logstica ordinal (Gkritza et al.
2006 y Washington et al., 2011) y el Mir para mltiples tipos de distraccin fue modelada como una
serie de modelos de regresin logstica binaria, adopt la MLR ampliamente utilizado en este
estudio aunque la variable dependiente parece ser ordenado







Anlisis de los conductores distrados de buses

El Hampton University transporte centro Bus Driver distraccin encuesta recopil informacin
sobre el origen, alcance y duracin de la distraccin. Los conductores de autobs de trnsito
calificacin como distraccin encontraron las actividades mencionadas y la duracin aproximada
que experimentan las actividades de distraccin en un turno de 8 horas tpica. Las clasificaciones y
las duraciones de cada actividad era un promedio y clasificado de mayor a menor. En relacin con
la calificacin ms alta (2.48) se calificaron las actividades distraes ms altas cinco enumeradas en
la tabla 1. La gama de clasificacin para la zona de riesgo estaba listo en sobre el 90% de la
calificacin ms alta [> 2.2]. Asimismo, el rango de riesgo zona II fue fijado en entre 70% y 90% de
la calificacin ms alta [1,8 2.2], y el rango de riesgo zona III fue de 50% a 70% de la calificacin
ms alta [1.2-1.8]. El rango de riesgo zona IV fue fijado por debajo del 50% de la calificacin ms
alta [< 1.2]. Las duraciones distraes ms altas cinco enumeradas en la Tabla 2 se clasificaron en
relacin con la duracin mxima (2,66 hrs). La gama de duracin para la Zona de Riesgo me
tendieron a sobre el 90% de la duracin mxima [> 2.4 horas]. Asimismo, riesgo zona II fue fijado en
entre 70% y 90% de la duracin mxima [1.9 2.4 Hrs] y riesgo zona III fue de 50% a 70% de la
duracin mxima [1.3 1.9 horas]. El rango de riesgo zona IV fue fijado por debajo del 50% de la
duracin mxima [< 1.3 Horas] El PUNTO u. S. (2010) ha categorizado distracciones como Cognitiva,
Visual y Manual aumenta la severidad de las distracciones implica mayor nmero de categoras.
Los conductores de autobs se les pidi que categorizar cada actividad distrae segn su percepcin
de Las respuestas totales de los conductores de autobuses fueron clasificadas de mayor a menor.
cinco mayor nmero de respuestas de conductor para cada categora se enumeran en la Tabla 3 se
clasificaron en relacin con el visual ms alto (19 respuestas conductor), cognitivos (respuestas 33
controlador) y manual (11 respuestas de conductor). El rango de calificacin para la Zona de Riesgo
me tendieron a sobre el 90% de lo visual ms alto [respuestas conductor > 17], mayor cognitiva
[respuestas conductor > 30] y mayor manual [> 10 respuestas driver]. Asimismo, el rango de riesgo
zona II fue fijado en 70% de las respuestas ms alta del conductor y el rango de riesgo zona III se
fij en el 50% de las respuestas ms alta del conductor. El rango de riesgo zona IV fue fijado debajo
del 50% de las respuestas ms alta del conductor. Los rangos estimados para calificacin, duracin
media y percibido los efectos de la distraccin se combinaron para desarrollar un sistema de rango
de riesgo (tabla 4) para clasificar todas las actividades de distraccin en zonas de riesgo respectivo.
El sistema de la gama de riesgos considera la calificacin, la duracin y las percepciones de cada
actividad distrae resultando en clasificacin de siete 5activities de alto riesgo en zonas de riesgo I, II
y III y quedan 11 actividades clasificadas en zona IV (Figura 1)













Modelado de alto riesgo actividades
Multinomial se aplic regresin logstica (MLR) como una extensin de la regresin logstica binaria
a las actividades de distraccin modelo en zona de riesgo I, II y III, donde cada nivel variable de
respuesta se compara con una referencia de nivel ofrece tres modelos de regresin logstica
binaria. El modelo general de MLR propuesto por Moutinho y Hutcheson (2011) se expresa como: (


donde j es el nivel de distraccin identificados y j' es el nivel de distraccin de referencia

Modelo Logit 2 comparando poco distrado con No Distrado se expresa como:


Modelo Logit 3 comparando Distrado con No Distrado se expresa:


Modelo Logit 4 comparando muy distrado con Not Distrado se expresa como:


Los modelos logit 2, 3 y 4 proporcionan tres estimaciones para el impacto de cada variable
independiente tiene
sobre la variable dependiente, lo que el impacto de Xk variable dependiente que se calcula para
cada modelo logit y para todo el modelo.


variable dependiente, permitiendo que el impacto de la variable dependiente Xk ser computado
para cada modelo logit y para todo el modelo.
La intercepcin 0 es el valor de Y cuando todas las variables independientes son iguales a cero.
1, 2, 3... k son los coeficientes de regresin de X 1, X 2, X 3... XK. Cada uno de los coeficientes
de regresin describe el tamao de la contribucin de factores de riesgo Xi relativas a una categora
de referencia. Un coeficiente de regresin positivo significa que la variable explicativa aumenta la
probabilidad de que el resultado, mientras que un coeficiente de regresin negativo significa que la
variable disminuye la probabilidad de que ese resultado (Bhadra 2005 y Washington et al. 2011);
un coeficiente de regresin grande significa que el factor de riesgo influye fuertemente en la
probabilidad de que ese resultado, mientras que un coeficiente de regresin casi cero significa que
ese factor de riesgo tiene poca influencia en la probabilidad de que ese resultado (Petrucci 2009).
La variable dependiente multinomial Yi (logit) que mide la contribucin total de los cinco factores
(variables independientes) se expresa como:





Donde,
LOCAT: Ubicacin del conductor, una variable categrica, 1 = Northside, 2 = Southside.
SEXO: Sexo del conductor, una variable categrica, 1 = varn, 2 = mujer.
EDAD: Edad divulgada del conductor en aos, una variable continua.
EXP: Nmero de aos de experiencia conduciendo un autobs, una variable continua.
CONDUCCIN/WK: Semanalmente horas, conduciendo una variable continua.

Los coeficientes calculados por los modelos de Mir son relativas a la categora de referencia y se
utilizan para predecir la probabilidad de la medida en que un conductor encuentra una actividad de
distraccin frente a la categora de referencia de la siguiente funcin logstica binaria (campo
2009):







Donde, f (Yi) es la probabilidad de que un conductor un poco distrado, distrado o muy distrado.

Cada nivel se hace referencia versus no distrado. El evento Y es muy poco probable que ocurra si f
(Yi) es cercano al 0 y muy probable que ocurra si es cerca de 1. La salida se divide en tres mesas
desde las variables dependientes categricas se comparan en pares. Debido a la restriccin del
espacio, la prueba estadstica las proporciones y el parmetro estima para pasajeros utilizando el
telfono mvil (zona de riesgo) se ha presentado en la tabla 5. El paquete estadstico (SPSS 17.0
2008) incluye la entrada directa de todas las variables en el modelo de Mir. No es necesario crear
variables dummy para las variables categricas LOCAT y sexo, ya que el software har esto
automticamente cuando estas variables son introducidas como "factores" en el paquete de
software. El anlisis se realiz para cada uno de los siete distraes la actividad en el riesgo de la zona
I, II y III (Figura 1) para estimar la funcin de utilidad ij (logit) del modelo MLR que mejor adapte a
los datos para cada actividad de distraccin. Siete MLR modelos desarrollados para las actividades
de la zona de riesgo, seis fueron encontrados para ser altamente significativo y exhibiendo un buen
ajuste (tabla 6). La funcin de utilidad ij (logit) para distraer los niveles incluidos los coeficientes de
la variable independiente que fueron no significativas (N/S) en el nivel 0,05.


Resultados del modelo MLR. La magnitud y direccin de cada trmino constante y variable
independiente significativo coeficiente de las funciones de utilidad de Mir en el cuadro 6 junto con
odds-ratios se usaron para identificar el impacto de cada cambio en la variable dependiente
categrica (UCLA 2007 y Washington et al. 2011). Una cantidad mayor o positiva de un coeficiente
de la variable independiente resultara en un mayor resultado variable dependiente y viceversa.
Donde el intervalo de confianza no incluye 1.0 y odds-ratio es mayor que 1 indican una mayor
probabilidad de un controlador para distraerme versus no se distraigan por la actividad de la zona
de riesgo por un incremento unitario en la variable independiente. Del mismo modo, donde el
intervalo de confianza no incluye 1.0 y odds-ratio es inferior a 1 indican una probabilidad inferior
de un controlador para distraerme versus no se distraigan por la actividad de la zona de riesgo por
un incremento unitario en la variable independiente. TRMINO constante: El logit Y12 para
pasajeros utilizando el telfono mvil tiene un trmino constante negativo y Y13 tiene un trmino
positivo constante. Por lo tanto, manteniendo todo lo dems lo mismo, es menos probable que
conseguir un poco distrada que distrae al conductor. El logit Y23 para el pasajero tiene un trmino
constante negativo. Por lo tanto, todo lo dems que lo mismo, el conductor es menos probable que
te distraigas que un poco distrada seguido muy manteniendo distrado. El logit Y43 para la
actividad del pasajero no etiqueta siguiente tiene un trmino positivo constante. Por lo tanto, todo
lo dems que lo mismo, el conductor es ms probable que te distraigas que un poco distrada
seguido muy manteniendo distrado. Algunos de los ij logit faltan trminos constantes resultando
en reescalado de las restantes constantes (Washington et al., 2011)



Ubicacin: La ubicacin de conduccin tena un impacto significativo en el nivel en el cual un
conductor encontrara la actividad de la zona de riesgo distraccin. La variable independiente
multinomial LOCAT compara Northside manejando las rutas a Southside manejando las rutas para
la variable dependiente. Desde entonces, el coeficiente de la variable LOCAT es siempre negativo y
odds-ratios son < 1, uno podra concluir que Southside conductores son ms propensos a
distraerme un Poco seguido por Distrado que los conductores Northside por el pasajero y
tecnologa relacionados con el riesgo zona actividades. parece que la mayor distraccin
posiblemente podra conducir a creciente peligro para la seguridad de tal modo confirmando la
ocurrencia de ms alto ndice de accidentes en el zona Sur (62 accidente / millones de millas) en
comparacin con el Northside (accidente 54 / millones de millas). SEXO: La literatura reporta
resultados mixtos para el impacto de gnero en controlador distraccin. La variable independiente
multinomial SEXO compara masculinos controladores drivers femenino para la variable
dependiente. desde Entonces, el coeficiente del variable SEXO es consistentemente positivo y
odds-ratios son > 1, uno podra concluir que conductores masculinos son ms propensos que
pilotos femeninos para obtener Un poco distrado seguido distrado y muy distrado por alguno de
los pasajeros relacionados con las actividades. Otros estudios han demostrado que los camioneros
masculinos son ms propensos a estar involucrados en accidentes chocados (posiblemente debido
a la distraccin) en comparacin a los conductores femeninos (Yan, et. al. 2009). Pilotos femeninos
son ms propensos que conductores masculinos para distraerme un poco con la mquina de
boletos.
EDAD: Edad es un factor importante relacionado con accidentes con conductores ms jvenes ms
propensos a la conduccin distrada y accidentes. El promedio de edad del conductor del autobs
de trnsito regional es de 49 aos con controladores de Southside ligeramente mayores (51 aos)
en comparacin a los conductores de Northside (47 aos). Estudios anteriores realizados en
vehculos de pasajeros lleg a la conclusin de que era de un conductor tuvo un impacto
significativo en distraccin, con los conductores ms jvenes y ms viejas ms propensos a la
distraccin. Este estudio revela impacto positivo y negativo de la edad de distraccin. El coeficiente
de la variable edad para actividades relacionadas con la tecnologa como el Ticket de la mquina es
un valor negativo y odds-ratio es < 1 indicando que como edad de los aumentos del conductor,
controladores tienen menos probabilidades de obtener un poco distrada por la mquina de
boletos. El coeficiente de la variable edad para las distracciones relacionadas con pasajeros son
negativos (excepto para un poco distrado) y odds ratio < 1 indicando que como edad del conductor
aumentado, conductores son menos propensos a distraernos un poco seguido por distrados por
pasajeros relacionados con las actividades. EXPERIENCIA: Los conductores de autobs de trnsito
tuvieron un promedio de 12 aos de experiencia conduciendo autobuses. All era una diferencia de
significado en la conduccin experiencia en ambas localidades con los controladores en el lado Sur
(15 aos) tener experiencia de conduccin ms en comparacin con los conductores de Northside
(8 aos). se cree que los conductores experimentados obtendra menos distrado por la distraccin
actividades. El coeficiente de las variables EXP son consistentemente positiva los valores y los odds-
ratios son > 1, indicando que la experiencia adicional aumenta el las actividades relacionadas con
probabilidad de conseguir un poco distrada seguido por distrado debido al pasajero y billete de la
mquina. Esto parece contrario a la creencia popular, donde la experiencia mejor un conductor en
el manejo de distraccin y posiblemente debido a los ms experimentados conductores Southside
tambin tiene un alto ndice de accidentes. CONDUCCIN horas/semana: Los conductores de
autobs informaron que conducen un autobs para un promedio de 43 horas semanales y que
tpicamente conducen los autobuses sobre todo durante el da (65%) pico y horas no pico y durante
la noche (35%). Las horas de conduccin por semana se ha encontrado para ser relacionado con
drivers error aunque no se inform como distraccin del conductor. Este estudio revela que los
impactos positivos y negativos de la conduccin de carga de distraccin. Los coeficientes de la
variable conducir/semana por distraccin relacionados con la tecnologa como el Ticket de la
mquina y el Control del clima son negativos los valores y las probabilidades cocientes < 1
indicando que como conductores con mayor carga 11are conduccin menos propensos a distraerse
un poco por la tecnologa de las actividades relacionadas con. El coeficiente de la variable
conducir/semana para actividades relacionadas con el pasajero es valores negativos y positivos, por
lo tanto, no pueden establecerse conclusiones.




MODELO de evaluacin y validacin de los resultados de la prueba de razn de verosimilitud
usando la informacin de conexin modelo para pasajeros utilizando el telfono mvil se presenta
en la tabla 5. Demuestra que la diferencia en el - 2Entrar probabilidad entre la intercepcin
solamente (sin ninguna variable independiente) y el modelo final (con todas las variables
independientes) proporciona la Chi-cuadrado (2) = 71.56 (24) lo que significa una buena mejora en
el ajuste del modelo. Se deduce que las variables independientes contribuyen significativamente al
resultado del nivel de distraccin. Los valores de la AIC (119.76/87.93) y el BIC (150.16/133.53)
disminuye durante el proceso paso a paso lo que indica un buen ajuste para el modelo final. Tabla 5
muestra bondad de ajuste del modelo segn lo indicado por las mltiples estadsticas. Los valores p
de Pearson y desviacin (ambos los mismos resultados de la prueba) ji cuadrado (2) = 1.00 (p = 1)
no demostrando ningn significado. Por lo tanto, los valores predichos del modelo no son
significativamente diferentes de los valores observados en todos los niveles de resultado el
modelo ajusta bien los datos. Las medidas de Pseudo R2 (0.833, 0.897 y 0.678) son razonablemente
similares y altos valores dando como resultado un buen ajuste. El impacto de cada coeficiente se
resume en la tabla 7.





Cloncusion
Los resultados de los modelos MLR indican que las actividades relacionadas con el pasajero que
estn fuera del control del conductor son ms distraes al conductor. Por lo tanto es un desafo para
la Agencia de trnsito desarrollar polticas efectivas para el manejo de comportamiento del
pasajero, que son menos propensos a participar en el uso de telfonos celulares, comportamiento
sin etiqueta, comportamiento ruidoso etc.. Por ejemplo, dispositivos electrnicos personales
podran permitir a utilizarse ms all de la seccin media del autobs para evitar distraer al
conductor. La seccin delantera del autobs podra ser sealada como telfono celular gratis.
Conductores deben evitar innecesarias comunicaciones con pasajeros y si no puede evitarse la
conversacin, debe hacerse con precaucin mientras se concentra en el camino por delante, o
cuando el autobs se detiene. Formacin debe centrarse en los conductores masculinos que son
ms propensos a distraerse con los pasajeros. Programa de formacin educativa sobre el uso
adecuado de los dispositivos tecnolgicos montado en la cabina o emitidos al conductor, y riesgos
asociados a la utilizacin de estos dispositivos durante la conduccin deben centrarse en
conductores mayores y mujeres que son propensos a distraernos con dispositivos tecnolgicos. El
diseo de mquina expendedora de billetes, panel de control y otros dispositivos debe ser fcil de
usar y no requiere largas miradas lejos de la carretera hacia adelante. Cmo podra la Agencia de
trnsito usar los modelos MLR desarrollados en este estudio? Podran ser aplicados para predecir la
distraccin para diversas caractersticas del conductor y los patrones de conduccin. Se observa
que conductores con diferentes factores son afectados diferentemente por actividades de
distraccin que posiblemente pueden ser corregidas a travs de una formacin adecuada. La
Agencia de trnsito podra desarrollar modelos MLR conductor para cada actividad de la zona de
riesgo desde su base de datos existente de conductor. Estos modelos pueden utilizarse para
predecir la probabilidad de un nuevo controlador se distraigan por las actividades de la zona de
riesgo. Si el valor de probabilidad es alto, el nuevo controlador podra programarse para
capacitacin relacionada. Otras agencias de trnsito podran utilizar este estudio como un marco
para el anlisis de la distraccin de los conductores. El nmero relativamente pequeo de
encuestas completa (48 conductores) de un total de 265 encuestas distribuidas para resultados de
conductores de autobuses en una tasa de respuesta baja del 18%. Esto equivale a un nmero de
casos por variable independiente de 9.6 por debajo el preferido una proporcin variable de caso de
20:1. Adems de las cinco variables independientes, otras variables tales como medio ambiente,
vehculos, carreteras diseos etc. tambin podran tener un impacto en la distraccin del conductor
pero no han sido incluidos en el modelo de Mir. (Washington et al 2011; Morfoulaki et al., 2007;
Yan et al., 2009; Gkritza et al. 2006). La clasificacin de las actividades de zona de riesgo es algo
subjetiva y podra ser reemplazada por un sistema de ndice objetivo similar al ndice de riesgo
desarrollado por Smith et al., (2005)
La presencia de multicolinealidad que fue detectada en el anlisis de correlacin de Pearson hace
difcil determinar la importancia relativa de cada independent variable en el modelo de regresin y
los efectos sobre la variable dependiente (Washington et al., 2011). Adems, puede haber una
relacin curvilnea entre la edad y la experiencia de conduccin, lo que resulta en la violacin de la
Asuncin lineal. No existe fuerte evidencia en este punto en el anlisis para agregar o eliminar
cualquiera de las interacciones. El aumento de tamao de la muestra (Figura 8) puede reducir el
error estndar, mitigando as la amenaza de multicolinealidad. Adems, el 18was de datos de Mir
no probados para demostrar que cumple con las especificaciones de la independencia de
alternativas irrelevantes (IIA) que requieren el cociente de las probabilidades de seleccionar
cualquier dos alternativas para ser independiente de la tercera opcin (pequeo y Hsiao 1985).
Este estudio exploratorio es uno de slo unos pocos para examinar la gama completa de
distracciones y riesgo asociado en los autobuses de trnsito. Tiene una limitada aplicaciones debido
al tamao de la muestra localizada y limitaciones mencionadas; por lo tanto no puedan extraerse
inferencias para la poblacin ms grande de los conductores de autobs en la Commonwealth de
Virginia o en los Estados Unidos. Se debe ser seguido de un estudio ampliado cubriendo una
muestra ms grande de la forma de controladores de otros organismos. Conocer las actividades
que causan un alto riesgo de distraccin, as como los factores relacionados puede proporcionar
entradas adicionales a los productores de derecho y la poltica mientras la elaboracin de
legislaciones y reglamentos a nivel nacional o estatales.