Paseo del bajo

1. https://digitalcommons.unl.edu/cgi/viewcontent.cgi?article=1024&context=civilengdiss
_________________________________________________________________________________
Evaluación del Comportamiento
de Seguridad En-Servicio de las
Barreras de Hormigón Safety-
Shape y Vertical
Asesor: Dean L. Sicking
Las barreras longitudinales de hormigón se
usan ampliamente para proteger a los conductores errantes de golpear peligros u obstáculos
en el camino. Para tal propósito son dos perfiles de barrera de hormigón, vertical y safety-
shape. El perfil en forma-de-seguridad (safety-shape = New Jersey, F) demostró producir un
excesivo trepamiento del vehículo, lo que tiende a aumentar la propensión al vuelco. Por otro
lado, el perfil vertical no causa el trepamiento del vehículo, pero produce mayores fuerzas late-
rales que pueden producir mayores perjuicios a los ocupantes del vehículo.
El objetivo de esta investigación es investigar qué perfil de barrera es el más seguro del mundo
real basado en los datos del accidente del vehículo. El perfil de la barrera más segura se defi-
ne como el que produce lesiones de menores niveles. La propensión al vuelco también se usa
como un segundo indicador del rendimiento de la barrera, porque los vuelcos pueden afectar la
gravedad de las lesiones.
Once años de puente-relacionados choque se recopilaron datos de estado caminos manteni-
das en el estado de Iowa. Se usaron procedimientos estadísticos para realizar el análisis de
los datos que se divide en dos tareas principales: análisis de vuelco y análisis de perjuicio.
Se encontró que los vuelcos son dos veces más probabilidades de ocurrir en accidentes que
involucran en forma de barreras de seguridad frente a obstáculos verticales. También se cons-
tató que los accidentes que participan en forma de barreras de seguridad redundaron en ma-
yores niveles de perjuicio frente a caídas que participan las barreras verticales.
Por lo tanto, se cree que el uso ampliado de las barreras verticales sería mejorar la seguridad
vial. Sin embargo, esta conclusión se basa en datos limitados y un conjunto de datos más am-
plio que abarca muchos más Estados además de Iowa es recomendado para análisis en el fu-
turo.
TABLA DE CONTENIDO CAPÍTULO 6
6 ANÁLISIS DE VUELCO
6.1 análisis univariado
6.2 Análisis Multivariante y edificio modelo
6.2.1 Análisis Multivariante y edificio modelo usando los datos
6.2.2 análisis multivariante mediante los datos restringidos
6.3 Evaluación ajuste modelo

2. 6 ANÁLISIS DE VUELCO
El objetivo de esta investigación fue evaluar el comportamiento en servicio a la seguridad de dos tipos de
barreras de hormigón: Nueva Jersey y muro vertical. La propensión al vuelco se usa también como un
indicador del rendimiento de la seguridad de estas barreras de perfiles, dado que los vuelcos pueden afec-
tar los niveles de daños. Un análisis de la dinámica de los dos tipos de barreras se describen en el presen-
te capítulo. La Sección 6.1 describe un análisis univariado barrerasado para identificar las variables que
son estadísticamente significativos a la propensión de vuelco. La Sección 6.2 describe un análisis multi-
variado que incluye el proceso de creación del modelo usado para encontrar un modelo adecuado que
determina la propensión de vuelco para las dos barreras. Sección 6.3 describe las técnicas de verificación
de modelos usados para evaluar el ajuste del modelo seleccionado en la sección 6.2. Todos los análisis
contenidos en este capítulo, así como en el capítulo 7 se realizan usando el paquete de software estadísti-
co SAS versión 9.2.
El siguiente análisis se realizó con dos conjuntos de datos. El primer dataset tenía todos los datos (es de-
cir, 1.535 accidentes). El segundo conjunto de datos sólo había esos accidentes (es decir, 1.234 acciden-
tes) en que golpea el barrera fue el primer acontecimiento perjudicial. Por lo tanto, el segundo conjunto
de datos es un subconjunto del conjunto de datos más grande. La intención de analizar dichos datos por
separado fue para controlar la secuencia de eventos. El control de la secuencia de eventos es importante,
ya que la gravedad del primer impacto es probablemente diferente de la gravedad de las consecuencias
subsiguientes.
6.1 análisis univariado El primer paso en el análisis de la dinámica era realizar un análisis univariado
para identificar el significado de cada variable independiente con respecto a la ocurrencia de vuelco.
Varios factores pueden afectar la propensión de vuelco en un accidente. Un número de 87 variables
pueden estar contenidas dentro de un factor y pueden agruparse, Figura 41. Tenga en cuenta que la figu-
ra 41 es sólo un ejemplo de cómo algunas de las variables que afectan a la ocurrencia de vuelco pueden
agruparse. Así, la figura 41 no contiene todas las posibles variables que pueden ser relevantes para la
ocurrencia de vuelco.
Los factores pueden ser factores relacionados con el camino que incluyen variables como el límite de
velocidad y vertical/alineación horizontal, conductor-factores relacionados que incluyen variables como
la edad y el sexo, vehículo-factores relacionados que incluyen variables como el tipo de vehículo y el año
del vehículo, o ambientales y factores relacionados con el temporal que incluyen variables como las con-
diciones meteorológicas y el día de la semana. Idealmente, todas estas variables serían considerados en el
análisis de vuelco. Sin embargo, algunas de estas variables (por ejemplo, estado del pavimento) no figu-
raban en el puente de datos de accidente.
La tabla 8 en la sección 5.1 muestra las variables que se incluyeron en el análisis de vuelco. Todos estos
factores se muestra en la figura 41 están representados por las variables incluidas en los Cuadros 8.
Figura 41. Conceptualización de los factores pertinentes a la ocurrencia de vuelco.
Como se describe en el capítulo 4, un modelo de regresión logística múltiple con n variables pueden ser
descritos como logito(x) = α + {3 {3 + 1 x 2 x + {3 {3 + 3 x n x, donde cada coeficiente β representa el
efecto de cada uno de los predictores n incluida en el modelo de la respuesta variable x. Sin embargo, en
un análisis univariado, el efecto de una sola variable sobre la variable dependiente es investigado.

3. El modelo de regresión logística se convierte en un modelo simple como logito(x) = α + β x . Así, {3 es
la principal medida de la importancia de una determinada variable, x, sobre la propensión de vuelco.
Cuanto mayor sea la β, mayor es el efecto de una determinada variable sobre la propensión de vuelco.
La Tabla 28 muestra los resultados del análisis univariante de vuelcos. Observe que la Tabla 28 muestra
de izquierda a derecha del nombre de la variable, la referencia a que el extraño las estimaciones se refie-
ren a 89 (por ejemplo, si la referencia es la baranda jersey, la estimación impar se refiere a este tipo de
guía en lugar de guía vertical), los correspondientes valores de p, el odd estimaciones, la inferior y la su-
perior Wald intervalos de confianza para las estimaciones impar. A fin de determinar el logit, el logarit-
mo natural de las probabilidades debe ser calculada. Por ejemplo, la primera fila de la Tabla 28 muestra
que las probabilidades son 1.28 que dan como resultado una estimación logit es igual a 0,24, lo que co-
rresponde a LN(1,28). Desde la estimación impar, en este caso, es mayor que 1, se puede concluir que los
accidentes que involucran jersey rieles son 1,28 veces más probabilidades de resultar en los vuelcos de
accidentes que involucran los rieles verticales. Este hallazgo no es estadísticamente significativa aunque
(es decir, ver el valor p = 0,28). El 95% de intervalo de confianza Wald indica que la estimación impar
puede variar de 0,81 a 2,02. Desde 1.0 está dentro del intervalo, esto refuerza que no debería existir nin-
guna diferencia entre propensión vuelco entre choques con rieles de Jersey y se bloquea con rieles verti-
cales. Los intervalos de confianza de Wald pueden calcularse como r ± z 1-A/2 r2 , donde res la
probabilidad de éxito, cuando el éxito es definido como un vuelco.
SE es el error estándar calculado y Z es igual a 1,96 teniendo en cuenta que el intervalo de confianza fue
calculado basándose en un nivel de confianza del 95%.
Tabla 28. Análisis univariado de salida para todos los datos.
Variable Referencia Valor-P Estima-
ción
Error
estándar
Probabi-
lidades
Bajar 95%
CL
95% CL
superior
Conclusión
Tipo de guía - Je
rsey versus verti-
cal
Jersey 0.28 0.24 0.23 1.28 0.81 2.02 No significativo
- Tipo de carril
contando sólo los
vuelcos ocurridos
en el camino
debido al impac-
to de la barrera
Jersey 0.07 0.30 0.28 1.81 0.95 3.45 Los vuelcos son más
probables como choque
implica un jersey de fe-
rrocarril
- Tipo de vehícu-
lo automóvil de
pasajeros versus
Pickup, camione-
ta, SUV
Coche de
pasajeros
0.05 -0,53 0.26 0.59 0.35 0.99 Pick-ups, camionetas y
SUV son más probable a
vuelcos de turismos
- Tipo de vehícu-
lo automóvil de
pasajeros versus
camión
Coche de
pasajeros
<0,0001 -1,70 0.33 0.18 0.10 0.35 Los camiones son más
propensos a vuelcos que
los coches
Tipo de vehículo
- Pickup, camio-
neta SUV versus
camión
Pick up,
camioneta o
SUV
0.00 -1.17 0.31 0.31 0.17 0.57 Los camiones son más
propensos a vuelcos que
las pick-ups, camionetas
y SUV.
Año del vehículo * 0.68 0.00 0.00 1.00 1.00 1.00 No significativo
Defecto del vehí-
culo - Sí versus
ninguna
No hay 0.57 -0.30 0.53 0.74 0.26 2.11 No significativo

4. Accesorio: sí
versus ninguna
No hay <0,0001 -1.33 0.29 0.27 0.15 0.47 Los vuelcos son más
probable con los vehícu-
los que tienen un remol-
que
Variable Referencia Valor-P Estima-
ción
Error
estándar
Probabi-
lidades
Bajar 95%
CL
95% CL
superior
Conclusión
Número de ocu-
pantes
* 0.05 0.19 0.10 1.21 1.00 1.47 Más occupants, mayor
será la propensión de
vuelco
El punto de im-
pacto inicial -
Delantero versus
otros
Frente 0.42 -0,26 0.32 0.77 0.42 1.44 No significativo
Un vehículo
ction - recto ver-
sus otros
Recto 0.81 -0,10 0.44 0.90 0.38 2.12 No significativo
Límite de veloci-
dad (5- 35mph
versus 40-
55mph)
5-35 mph 0.25 0.44 0.38 1.55 0.73 3.30 No significativo
Límite de veloci-
dad (5- 35mph
versus 60-
70mph)
5-35 mph 0.65 -0,15 0.34 0.86 0.44 1.68 No significativo
Límite de veloci-
dad (40- 55mph
versus 60-
70mph)
40-55 mph 0.03 -0,59 0.27 0.55 0.33 0.94 Los vuelcos son más
probables en caminos de
60-70 mph de límite de
velocidad
Estado de super-
ficie - Seco ver-
sus otros
Seque 0.80 0.06 0.23 1.06 0.67 1.67 No significativo
Edad del con-
ductor
* 0.13 -0,01 0.01 0.99 0.97 1.00 Los conductores más
jóvenes son más propen-
sos a involucrarse en
vuelcos
Género conduc-
tor
Hembra 0.18 -0,33 0.25 0.72 0.44 1.17 No significativo
Condición del
conductor
Normal 0.19 -0,34 0.26 0.71 0.42 1.19 No significativo
Variable Referencia Valor-P Estima-
ción
Error
estándar
Probabili-
dades
Bajar 95%
CL
95% CL
superior
Conclusión
El contenido de
Alcohol en Sangre
(BAC)
Hasta 0,08% 0.19 -0.63 0.48 0.53 0.21 1.37 No significativo
Visión oscurecida -
Sí versus ninguna
No hay 0.64 -0,34 0.73 0.71 0.17 2.99 No significativo
Mes - Dic, Ene,
Feb, Mar (invierno
)
Meses Non-
Winter
0.05 0.46 0.23 1.59 1.01 2.51 Los vuelcos son más pro-
pensas a ocurrir durante el
invierno
Luz - Da ylight
versus otros
Daylight 0.30 0.54 0.52 1.72 0.62 4.79 No significativo
Clima - Borrar
versus otros
Claro 0.63 0.12 0.24 1.12 0.71 1.78 No significativo
Día - fin de semana
versus weekday
Día de la
semana
0.28 0.30 0.28 0.77 0.48 1.24 No significativo
Anchura de puente
(ft)
* 0.27 -0,01 0.01 0.99 0.97 1.01 No significativo

5. Longitud de puente
(ft)
* 0.08 0.00 0.00 1.00 1.00 1.00 Los vuelcos son más proba-
bles en puentes cortos
Construction año * 0.90 0.00 0.01 1.00 0.99 1.01 No significativo
AADT * 0.97 0.00 0.00 1.00 1.00 1.00 No significativo
Puente angosto -
No angosto estre-
cho versus
No angosto 0.53 0.24 0.38 1.27 0.60 2.70 No significativo
Número de carriles
en estructura
* 0.73 -0,06 0.17 0.94 0.68 1.31 No significativo
Instalaciones reali-
zadas (IA versus
Autopistas de
EUA).
IA caminos 0.77 0.13 0.46 1.14 0.47 2.80 No significativo
Variable Referencia Valor-P Estima-
ción
Error
estándar
Probabi-
lidades
Bajar 95%
CL
95% CL
superior
Conclusión
Instalaciones
realizadas (IA
versus autopistas
interestatales).
IA caminos 0.07 -0,75 0.42 0.47 0.21 1.06 Los vuelcos menos pro-
bable en Autopistas de
EUA en comparación
con otros.
Instalación lle-
vada (nosotros
versus autopistas
interestatales).
Autopistas
de EUA
0.002 -0.89 0.29 0.41 0.23 0.73 No significativo
Estructura aboci-
nada - Sí versus
ninguna
No hay 0.30 0.54 0.52 1.72 0.62 4.79 No significativo
Control de tráfi-
co - Presente
versus no presen-
te
No presen-
te
0.36 -0,40 0.44 0.67 0.28 1.59 No significativo
Road Locación -
rural versus ur-
bano
Zonas rura-
les
0.04 -3.40 0.56 3.10 1.02 9.34 Los vuelcos son más
probables en las zonas
rurales.
- Flujo de tráfico
unidireccional
versus tráfico
bidireccional
Tráfico uni-
direccional
0.61 0.25 0.50 1.29 0.48 3.43 No significativo
El tipo de la su-
perficie : asfalto
hormigón versus
Hormigón 0.47 0.43 0.59 1.53 0.48 4.86 No significativo
Número de vehí-
culos implicados
* 0.93 -0,07 0.81 0.94 0.19 4.54 No significativo
- Tipo de colisión
si ángulo versus
múltiples impactos
de vehículos
Un solo
accidente
automo-
vilístico
0.36 -0,61 0.66 0.55 0.15 1.97 No significativo

6. Variable Referencia Valor-P Estima-
ción
Error
estándar
Probabili-
dades
Bajar 95%
CL
95% CL
superior
Conclusión
Intersecion/Interchange
- Non-intersección/No-
interchange versus in-
tersección/interchange
No intersec-
ción/No- distri-
buidor
0.48 0.45 0.63 1.56 0.45 5.42 No significati-
vo
La geometría vial - ve
rsus curva recta
Recto 0.75 0.34 1.05 1.40 0.18 10.99 No significati-
vo
La geometría vial - le
vel versus grado
Nivel 0.47 0.47 0.65 1.60 0.45 5.66 No significati-
vo
Se constató que la propensión de vuelco no fue significativamente afectada por el tipo de guía (es decir,
valor de p = 0,28), Tabla 28. Sin embargo, algunas de los vuelcos ocurrieron en el camino o fueron cau-
sados por unas consecuencias distintas del puente ferroviario. A continuación, los datos se limita a los
accidentes que el vuelco se produjo debido al impacto contra el puente ferroviario, y se halló que el riel
de jersey, tiende a aumentar la propensión de vuelco (es decir, valor de p = 0,07). Los análisis indicaron
que los vuelcos fueron 1,81 veces más probable que ocurra cuando el accidente implica un impacto con-
tra un jersey de ferrocarril.
Usando un nivel de confianza del 10%, la Tabla 28 muestra también que la propensión de vuelco resultó
significativamente mayor cuando el tipo de vehículo es una camioneta sport utility vehicle, en camioneta
o camión frente al automóvil de pasajeros. Probablemente esto puede atribuirse al hecho de que, furgone-
tas, vehículos deportivos utilitarios, pick-ups y camiones tienen un centro de gravedad más alto en com-
paración con los turismos que les hace más propensos a los vuelcos. Los camiones también se constató
que eran más propensos a estar involucrados en un vuelco de camionetas, camionetas o SUV. Propensión
Vuelco también tiende a aumentar a medida que el número de ocupantes del vehículo aumenta, a medida
que el vehículo tenía un accesorio (p. ej., remolque), como la edad del conductor no descendió, en los
meses de invierno (es decir, de diciembre a marzo), a 60-70 mph velocidad límite caminos frente a 40-55
mph velocidad límite caminos, como el aumento de la longitud del puente, en IA autopistas cuando com-
parado a autopistas interestatales, Autopistas de EUA en comparación con autopistas interestatales, y en
las zonas rurales.
6.2 Análisis multivariado y el siguiente paso en la construcción de modelos para el análisis de la diná-
mica era realizar un análisis multivariado. Mientras el análisis univariado investigó el efecto de un pre-
dictor único sobre la variable dependiente (es decir, vuelco), el análisis multivariado investigó el efecto
de múltiples predictores simultáneamente. Como se explica en Sección 4.2, cualquier variable que 96
presentaron un p-valor igual o inferior a 0,25 se incluyó en el análisis multivariado. La única excepción a
esta regla sería el caso cuando una variable se consideró fundamental para el estudio y el análisis univa-
riado mostró que esta variable presentó un p- valor superior a 0,25. En este caso, el juicio de ingeniería
debe ser usado.
6.2.1 Análisis Multivariante y edificio modelo usando todos los datos basándose en los valores de p se
muestra en la Tabla 28 se incluyeron las siguientes variables en el modelo multivariado: ferrocarril, tipo
de vehículo, tipo de vehículo, el número de adjuntos a los ocupantes del vehículo, límite de velocidad, la
edad del conductor, condición física, género, BAC, mes, puente largo, e instalaciones.

7. Aunque la ubicación del camino resultaba significativa, no se incluyeron en el análisis multivariado, por-
que esta variable fue contenida en el dataset de edad (es decir, desde los años 1998 a 2000), lo que signi-
fica que más de la mitad de todos los datos tendrían que ser eliminados del análisis multivariado si esta
variable se incluye en el modelo multivariado.
La Tabla 29 muestra los valores p de cada variable en el modelo multivariado se montado. Como puede
verse, sólo cinco variables (es decir, el número de ocupantes del vehículo, la edad del conductor, tipo de
vehículo, tipo de carril e instalación), resultaron ser significativos en el nivel de 10%. El modelo tiene
muchas variables y un modelo mucho más simple si fuera más conveniente desde la parsimonia es alta-
mente recomendado para cualquier modelo estadístico. Además, pueden existir variables que son sufi-
cientemente correlacionados para producir multicolinearidad. Multicolinearidad es un fenómeno que
ocurre con un modelo de regresión múltiple cuando una o más variables están correlacionadas entre sí.
Cuando esto ocurre, una variable, que está muy correlacionada con la variable B, puede no ser necesaria
en el modelo ya que hay mucha superposición (es decir, indican y/o medir el mismo factor) entre sí. En
este caso, algunas de estas 97 variables correlacionadas podrían eliminarse de la modelo ya no pueden
estar contribuyendo significativamente a la modelo. Por lo tanto, es mejor construir un modelo que con-
tiene sólo las variables que hacen que la contribución significativa al modelo. En esta sección, el proceso
de creación del modelo descrito, mientras que el modelo fit control de proceso se describe en la sección
6.3.
Tabla 29. Las variables incluidas en el modelo multivariado inicial.
VARIABLE VALOR-P
Tipo de vehículo 0.02
Edad del conductor 0.02
Tipo de guía 0.02
Número de ocupantes 0.04
Instalaciones 0.08
Mes 0.23
Longitud de puente 0.23
BAC 0.37
Límite de velocidad 0.43
Accesorio del vehículo 0.43
Condición del conductor 0.58
Género conductor 0.92
Selección hacia atrás fue la técnica usada en el proceso de creación del modelo. Hacia atrás en la selec-
ción, el análisis se inició el montaje de un modelo con todas las variables de interés y el menos significa-
tivo (es decir, la variable que presenta el mayor valor-p) se cayó del modelo. Este proceso continúa hasta
que todas las demás variables del modelo son significativas al nivel elegido y/o se consideran relevantes
para el estudio. En otras palabras, atrás selección empieza con el modelo completo (es decir, con todas
las variables). La variable que presenta las tasas más altas de p-valor se elimina y el modelo se convierte
en un modelo más sencillo. La contribución de la variable que se quita se evalúa a continuación para eva-
luar si esta variable debería ser usada en el análisis final. Si la variable que se quitó del modelo completo
muestra no contribuir significativamente al modelo, entonces significa que puede ser excluida y que el
modelo más sencillo es aceptable e incluso más conveniente para propósitos de parsimonia. La razón de
verosimilitud (LR) La prueba se usó para evaluar la contribución de cada variable evaluada en el proceso
de selección hacia atrás.

8. La variable género del conductor presentó el mayor valor de p (es decir, valor de p = 0,92) en el modelo
inicial multivariado, Tabla 29. Por lo tanto, esta variable fue sacado del modelo y la LR test fue usado
para evaluar si la variable género conductor debe permanecer en el modelo o no (es decir, acariciar su un
modelo más sencillo es apropiada o no). Un valor de p = 0,91 se encontró para esta prueba y significa
que la variable género podrían ser expulsados del modelo y que el modelo más sencillo es el adecuado.
En otras palabras, la variable sexo poco añade al modelo una vez que las otras variables incluidas en el
modelo. La Tabla 30 muestra que la variable Condición del conductor se convierte en la variable con
mayor p-valor. La LR test indicó que esta variable también no contribuir significativamente al modelo
una vez que todas las otras variables en el modelo desde un valor de p = 0.58 fue encontrada.
Tabla30. Modelo sin la variable sexo.
VARIABLE VALOR-P
Tipo de guía 0.01
Tipo de vehículo 0.02
Edad del conductor 0.02
Número de ocupantes 0.04
Instalaciones 0.09
Longitud de puente 0.21
Mes 0.22
BAC 0.37
Límite de velocidad 0.43
Accesorio del vehículo 0.43
Condición del conductor 0.58
La Tabla 31 muestra los resultados del modelo sin la variable Condición del conductor y demuestra que
el variable accesorio del vehículo se convierte en la variable con el mayor valor de p- 99. La LR test in-
dicó que la variable accesorio del vehículo también puede ser eliminado (es decir, basada en un valor de
p = 0,44), ya que no contribuyen significativamente a la modelo, cuando todas las demás variables in-
cluidas en el modelo.
En la Tabla 31. Modelo sin la variable condición del conductor.
VARIABLE VALOR-P
Tipo de vehículo <.0001
Tipo de guía 0.02
Edad del conductor 0.02
Número de ocupantes 0.04
Instalaciones 0.08
Mes 0.17
Longitud de puente 0.2
BAC 0.21
Límite de velocidad 0.43
Accesorio del vehículo 0.44
La Tabla 32 muestra los resultados del modelo sin la variable vehículo accesorio y también demuestra
que el límite de velocidad variable se convierte en la variable con mayor p-valor. La LR prueba indica un
valor de p = 0,20, lo que sugiere que el límite de velocidad variable también puede ser eliminado.

9. Tabla 32. Modelo de vehículo sin la variable adjunto.
VARIABLE VALOR-P
Tipo de vehículo <.0001
Número de ocupantes 0.04
Ferrocarril 0.01
Edad del conductor 0.03
Instalaciones 0.04
Mes 0.16
BAC 0.18
Longitud de puente 0.20
Límite de velocidad 0.43
La Tabla 33 muestra el modelo sin límite de velocidad y se muestra que la variable longitud b ecomes
puente la siguiente variable a considerar para la extracción. La LR prueba indica que la variable longitud
de puente también se puede extraer desde el valor p de la prueba es igual a 0,14.
Tabla 33. Modelo sin límite de velocidad variable.
VARIABLE VALOR-P
Tipo de vehículo <0,0001
Ferrocarril 0.01
Edad del conductor 0.03
Número de ocupantes 0.04
Instalaciones 0.04
Mes 0.16
BAC 0.18
Longitud de puente 0.20
Después de que el puente se quita de longitud variable, la variable BAC se convierte en candidato para la
extracción, Tabla 34. La LR test indica que la variable BAC no contribuyen significativamente a la mo-
delo desde el valor p de la prueba resultó ser igual a 0,21. Un modelo sencillo es adecuado, Tabla 35.
Tabla 34. Modelo sin la variable longitud de puente.
VARIABLE VALOR-P
Tipo de vehículo < 0.0001
Instalaciones 0.02
Número de ocupantes 0.03
Ferrocarril 0.03
Edad del conductor 0.03
Mes 0.14
BAC 0.17
Tabla 35. Modelo sin la variable BAC.
VARIABLE VALOR-P
Tipo de vehículo < 0.0001
Instalaciones 0.02
Número de ocupantes 0.03
Ferrocarril 0.03
Edad del conductor 0.03
Mes 0.10

10. Todas las variables son estadísticamente significativas al nivel del 10% y todas las variables parecen ser
pertinentes a la causalidad de vuelco, excepto el número de ocupantes, Tabla 35. Los vuelcos puede estar
influenciado por diversos factores como el vehículo, el conductor, ambientales y factores de carretera.
Tipo de vehículo podrá capturar las características relacionadas con el vehículo, tales como el peso del
vehículo, la instalación puede capturar características relacionados con el camino, tales como el límite de
velocidad y el diseño geométrico, la edad del conductor pueden capturar conductor características tales
como el comportamiento de conducción, y el mes se pueden capturar las características relacionadas con
el medio ambiente tales como la nieve y el hielo causando conductores para ralentizar en el invierno. Sin
embargo, la variable Número de ocupantes no parece ser pertinentes a la causalidad de vuelco. Es decir,
los vuelcos no debería ser más o menos probable de ocurrir en función del número de ocupantes de un
vehículo. Una clase de vehículo podrá transportar más ocupantes de otro (por ejemplo, los autobuses sue-
len llevar más ocupantes de turismos) y esta puede ser la razón de que el número de ocupantes parece
afectar la posibilidad de una vuelco. Clase de vehículo ya está siendo tomada en cuenta por la variable
Tipo de vehículo y, por lo tanto, el número de ocupantes fue quitado y el modelo final se muestra en la
Tabla 36.
Tabla 36. Modelo final.
VARIABLE VALOR-P
Tipo de vehículo <0,0001
Instalaciones 0.02
Edad del conductor 0.02
Ferrocarril 0.03
Mes 0.08
La Tabla 37 muestra las estimaciones de probabilidad para las variables que se presentan en el cuadro
36. Como puede verse, los vuelcos son 7.7 (es decir, 1 dividido por 0,13 veces más probable que ocurra
cuando el vehículo es una camioneta frente a un automóvil de pasajeros así como 4 veces (es decir, 1 di-
vidido por 0,25) es más probable que ocurra cuando el vehículo es una camioneta frente a una camioneta
pick up, camioneta o SUV. Los vuelcos también se encontraron aproximadamente 1,5 veces más proba-
ble que ocurra durante la no- 102 meses de invierno en comparación con los meses de invierno (es decir,
Diciembre, Enero, Febrero y Marzo). Los vuelcos también se encontraron aproximadamente el doble (es
decir, 1 dividido por 0,47) más probable que ocurra en Autopistas de EUA que en calles, avenidas y
rampas. La estimación de las probabilidades de tipo ferroviario indicó que los vuelcos tenían 1,7 veces
más probabilidades de ocurrir cuando un accidente un jersey de ferrocarril respecto a un accidente que
involucró un riel vertical. Por último, los vuelcos resultaron ser más probable que el conductor era joven
(es decir, la estimación impares para conductores adultos mayores es inferior a 1, lo que indica que los
conductores adultos mayores tienen menos probabilidades de estar involucrados en los vuelcos).
Observe que el cuadro 36 indica que la variable planta presenta un p-valor igual a 0.02. Este es el resul-
tado del análisis de los efectos de tipo 3 que demuestra que la planta tiene un efecto significativo sobre la
respuesta vari capaz Vuelco. Sin embargo, los resultados que se muestran en la tabla 37 son desde el aná-
lisis de la estimación por máxima verosimilitud y presenta más específicamente que los vuelcos son más
propensos a ocurrir en Autopistas de EUA que en otras (por ejemplo, rampas, calles y avenidas). La pro-
babilidad de los vuelcos entre IA autopistas y otras, así como entre las autopistas interestatales y otros no
difieren significativamente.

11. Tabla 37. Probabilidades estimaciones para el modelo final.
Variable Referencia Probabilida-
des
Bajar un 95%
de probabili-
dades de CL
95% CL su-
perior para
ODDS
Valor-P
Tipo de vehículo (turismos
versus camión)
Coche de pasajeros 0.13 0.06 0.27 <.0001
Tipo de vehículo (Pick up,
camioneta o SUV versus
camión).
Pickup, camioneta o SUV 0.25 0.13 0,49 <.0001
Edad del conductor Más 0.98 0.96 0.99 0.03
Mes No meses de invierno 1.55 0.94 2.54 0.08
Facility (IA caminos ve rsus
otros)
IA caminos 0.52 0.19 1.4 0.21
Facility (Autopistas de EUA
ve rsus Otros)
Autopistas de EUA 0.47 0.21 1.07 0.07
Facility (Interstate hig
hways versus otros)
Autopistas interestatales 1.09 0.52 2.29 0.81
Tipo de guía (Jersey versus
Vertical)
Jersey 1.70 1.03. 2.82 0.03
Referencia de Variable Probabilida-
des
inferiores al
95% de pro-
babilidades de
CL
CL 95% su-
perior para
Odds
valor-p
tipo de vehículo (turismos turismos camión) versus 0,18 0,07 0,47 0.0004
tipo de vehículo (Pick up,
camioneta o SUV versus
camión).
Pickup, camioneta o SUV 0.38 0.16 0.92 0.03
0.98 0.96 conductor
edad
0,99 0,04
meses, sin meses de invierno 1,60 0,91 2,81 0,09
Facility (IA caminos versus
otros)
IA caminos 0,59 0,18 1,93 0,38
Facility (Autopistas de EUA
versus otros)
Autopistas de EUA 0,61 0,24 1,56 0,30
Facility (autopistas interesta-
tales versus Ot ella)
autopistas interestatales 1,54 0,64 3,68 0,33
tipo riel (Jersey ) Jersey Vertical versus 2,10 1,18 3,75 0,01

12. 6.2.2 Análisis multivariante mediante los datos restringidos. En el análisis multivariado fue llevado
adelante con la restricción de datos (es decir, los datos que había un vehículo golpeando un puente ferro-
viario como el primer acontecimiento perjudicial). La Tabla 38 muestra los resultados para el modelo
final se muestra en la Tabla 36 usando los datos restringidos. Como puede verse, los resultados parecen
ser similares a las que se muestran en la Tabla 37. La estimación de las probabilidades para el ferrocarril
tipo aumentó de 1,7 a 2,1 según los datos fue limitada, lo que significa que los vuelcos se hizo aún más
probable para bloqueos que participan puente rieles con un perfil de Nueva Jersey cuando golpee la ba-
rrera fue el primer acontecimiento perjudicial.
Tabla 38. Probabilidades estimaciones para el modelo final usando los datos restringidos.
- Modelo de evaluación
6.3 colocar una vez que el modelo elegido, es necesario comprobar lo bien que el modelo se ajusta a los
datos. Esto puede ser contemplado como la bondad de ajuste de análisis. El test de Hosmer-Lemeshow
[59] se usó como técnica para comprobar la bondad del ajuste de los modelos descritos en las tablas 37 y
38. Aunque pueden existir otras técnicas como Pearson Chi-quadrado y desviación, estas técnicas se de-
clararon no aptas para este conjunto de datos específico. Estas técnicas requieren suficiente la replicación
dentro de subgrupos para realizar las pruebas de bondad de ajuste válido.
Cuando hay uno o varios predictores continuos en el modelo 105, los datos son demasiado escasos para
usar estas estadísticas. Este sería el caso de los modelos que se muestran en las tablas 37 y 38 desde la
edad del conductor está incluido.
La Tabla 39 muestra los resultados de la prueba de Hosmer-Lemeshow para el análisis usando todos los
datos, así como para el análisis usando el conjunto de datos restringidos. Esta prueba de bondad de ajuste
está probando dos hipótesis. La hipótesis nula es comprobar si el modelo se ajusta a los datos perfecta-
mente, mientras que la hipótesis alternativa es probar si el modelo no se ajusta a los datos. Como puede
verse, los valores P de los modelos desarrollados usando ambos conjuntos de datos (es decir, conjuntos
de datos restringidos y completo) son todos muy superiores a 0,05 (es decir, si un crítico p-valor igual a
0.05) lo que significa que los modelos que se muestran en las tablas 36 y 37 se ajusten a los datos razo-
nablemente bien. Aunque se acepta la hipótesis nula, lo cual significa que el modelo se ajusta a los datos
bien, esto no significa que el modelo se adapta perfectamente a los datos. En su lugar, el alto P- valores
encontrados en el test de Hosmer-Lemeshow indica que estos modelos son aceptables. Tabla 39. De bon-
dad de ajuste para los resultados de los modelos usados en el análisis de la dinámica si los términos de
calidad si encajan.
Chi-quadrado Grados de libertad Valor-P
Todos los datos 4.95 8 0.76
Datos restringidos 8.83 8 0.36