UNA INTRODUCCIÓN A LA ECONOMETRÍA ESPACIAL

Abstract

Ver en nuestro sitio
WWW.ECONOMETRICOS.COM.AR

Full text

CATEDRADEECONOMETRÍA
UNA INTRODUCCIÓN A LA
ECONOMETRÍA ESPACIAL
DEPENDENCIAYHETEROGENEIDAD

ALFREDOBARONIO–ANAVIANCO–CRISTIANRABANAL
AÑO2012





Contenido
UNAINTRODUCCIÓNALAECONOMETRÍAESPACIAL...................................................................2
1.¿Quéeslaeconometríaespacial?.........................................................................................2
2.Losefectosespaciales...........................................................................................................3
2.1Laheterogeneidadespacial.............................................................................................3
2.2Laautocorrelaciónespacial.............................................................................................4
2.3Fuentesdeautocorrelaciónespacial...............................................................................5
3.Lamatrizdepesosespaciales...............................................................................................6
3.1Criterioshabitualesdecontigüidad................................................................................7
3.2Otrasespecificacionesparalamatrizdecontactos........................................................8
4.Elanálisisexploratoriodedatosespaciales(AEDE)............................................................10
4.1Técnicasgráficas............................................................................................................10
4.2Medidasdeasociaciónespacialglobal.........................................................................12
4.3Medidasdeasociaciónespaciallocal............................................................................13
5.Elanálisisconfirmatorio......................................................................................................15
5.1Ladependenciaespacialsustantiva..............................................................................16
5.2Ladependenciaespacialresidual..................................................................................17
6.Tratamientodelaheterogeneidadespacial.......................................................................18
6.1Contrastacióndeheterogeneidadespacial...................................................................18
6.2Especificacióndeunmodeloconheterogeneidadespacial.........................................19
CASOSDEESTUDIO,PREGUNTASYPROBLEMAS........................................................................20
EjercicioconGeoda:RadioscensalesdeRíoCuarto...............................................................20
IntroducciónaOpenGeoDa.................................................................................................21
Crearunentornodetrabajo...............................................................................................24
Georreferenciadelasvariables...........................................................................................26
Indicadoresdelespacio.......................................................................................................27
Herramientaregresión........................................................................................................30
REFERENCIASBIBLIOGRÁFICAS...............................................................................................31



UNA INTRODUCCIÓN A LA
ECONOMETRÍA ESPACIAL
1.¿Quéeslaeconometríaespacial?
La econometría espacial es la parte de la econometría que se dedica
al estudio de los fenómenos económicos espaciales. Aunque si bien
todas las actividades económicas se desarrollan en un espacio
determinado, los fenómenos económicos espaciales pueden definirse
como aquellos en los que la variable espacio, entendida en sentido
amplio y definida luego según algún criterio para alguna matriz de
contactos, juega un rol tan importante que su exclusión podría dar
lugar a modelos econométricos con severos errores de especificación.
La importancia del espacio, se manifiesta a menudo en la
autocorrelación espacial y/o la heterogeneidad espacial. La creciente
importancia de la temática se vio reflejada en la creación del
apartado C21 (reservado para Métodos Econométricos, Modelos de
Sección Cruzada y Modelos Espaciales) por parte del Journal
Economic Literature (Paelink et al, 2004).
Existen cinco principios fundamentales que rigen al análisis espacial
(Paelinck y Klaassen, 1979):
 Interdependencia: la dependencia recíproca entre las diferentes
unidades de análisis deben ser debidamente incorporadas.
 Asimetría: refleja la idea de concentración y desconcentración
gradual en diferentes áreas.
 Alotopía: la causa de un fenómeno espacial debe buscarse en
otro lugar.
 No linealidad.
 Topología: Inclusión de variables de distancias entre dos
localizaciones, coordenadas, densidades y otras.
De acuerdo con Corrado y Fingleton (2011), aunque muchos
economistas se han resistido a la econometría espacial, por
considerar que las variables espaciales se adicionan al análisis sólo
por mostrar significatividad estadística sin ninguna justificación
teórica, los estudios espaciales dentro de la corriente principal de la

economía han ido incorporando variables del tipo espacial. En
particular, la econometría espacial ha proporcionado herramientas
valiosas para el estudio de las externalidades en forma de spillovers
(efectos indirectos) espaciales.
Existe una gran cantidad de ramas de la economía que han
incorporado al análisis a la econometría espacial: la economía urbana,
la economía regional y la macroeconomía entre otras. En este
sentido, la teoría de los centros de desarrollo constituye uno de los
principales fundamentos para el análisis espacial de los fenómenos
económicos. En este sentido, los aportes teóricos más significativos
han provenido desde la Teoría del Desarrollo Económico y de la
denominada Teoría de la Organización Espacial (Posada, 1978).
Habitualmente, en el estudio econométrico de fenómenos económicos
espaciales suelen surgir, dos problemas principales, apuntados
anteriormente, o al menos uno, y que son inherentes a la propia
naturaleza de la estructura de datos a analizar: la heterogeneidad
espacial y la autocorrelación espacial –también llamada dependencia
espacial por algunos autores (Moreno y Vayá, 2000).
2.Losefectosespaciales

2.1Laheterogeneidadespacial
La heterogeneidad espacial, refiere a la idea de variación en las
relaciones que se establecen para los fenómenos económicos
espaciales conforme varía el espacio de estudio. Este problema se
manifiesta básicamente de dos formas: parámetros que asumen
diferentes valores según se incluyan determinados zonas o no, esto
es inestabilidad estructural, o errores provocados por especificaciones
de modelos incorrectos, que pueden dar lugar a heterocedasticidad.
La heterocedasticidad espacial es habitual en los estudios económicos
que tienden a analizar un fenómeno determinado con el enfoque
centro-periferia, ya que cada región deriva en diferentes valores de
los parámetros.

En ambos casos si estos problemas no se resuelven, se verán
reflejados en el término de perturbación. En la sección 6 se aborda el
tratamiento de modelos con problemas de heterogeneidad espacial.
2.2Laautocorrelaciónespacial
La autocorrelación espacial implica que el valor de una variable se
encuentra condicionado por el valor que esa variable asume en una
región vecina. Como se verá más adelante, la vecindad no
necesariamente quedará definida como contigüidad física, sino que
existen una gran cantidad de criterios para definirla, a partir de una
matriz de contactos. Esta debilidad, ha sido una de las principales
objeciones metodológicas a la econometría espacial y la robustez de
los resultados que con ésta se pueden alcanzar.
La autocorrelación espacial podrá ser negativa o positiva.
Será positiva cuando la presencia de un fenómeno económico en una
determinada unidad, se extienda a las regiones colindantes. Por
ejemplo, piénsese en el valor de las propiedades en una ciudad. En
general, ceteris paribus las características propias de cada inmueble,
el precio de los mismos depende de factores tales como la ubicación
–habitualmente medida en función a la distancia de algún centro
importante, como puede ser una plaza central-, la disponibilidad de
servicios, la concentración comercial del área en la que se sitúa,
etcétera. De esta forma, un inmueble tenderá a tener un valor más o
menos similar al inmueble colindante (siempre que no tenga
características propias que lo diferencien), pero levemente
decreciente en la medida que se encuentren más lejos de un punto
central (que podrá ser una plaza importante –plaza central-, o algún
otro punto relevante de similar importancia). La figura 1 refleja esta
idea de manera simplificada, ya que lógicamente, en una gran ciudad
podría haber una gran cantidad de “puntos centrales”. De esa forma
podría pensarse en una sucesión de cuadrados, como el de la figura
1, uno a continuación de otro. Otro ejemplo que podría adaptarse al
diagrama está dado por valor de las tierras, de donde precisamente
David Ricardo construyó el concepto de renta.

FIGURA 1: Autocorrelación espacial positiva: valor de las propiedades en una
ciudad según la distancia a un punto central
FUENTE: Elaboración propia
Por el contrario, será negativa, cuando la presencia de ese fenómeno
haga imposible o disminuya significativamente las posibilidades de
que ese mismo fenómeno pueda ocurrir en las regiones colindantes.
En tal caso, la representación se aproximará a un tablero de ajedrez,
como en la figura 2.
FIGURA 2: Autocorrelación espacial negativa
FUENTE: Elebaroción propia
2.3Fuentesdeautocorrelaciónespacial
Las principales fuentes de autocorrelación espacial pueden ser los
errores de medida y la propia interacción espacial de las unidades. En
términos económicos, los efectos desbordamiento (spillovers) pueden
generar la autocorrelación espacial. Esto se ha visto potenciado con
los procesos de integración económica.

3.Lamatrizdepesosespaciales
En el análisis de series temporales es usual utilizar un operador de
rezago, para capturar la influencia de las observaciones pasadas en la
dinámica de la serie y el valor de la realización contemporánea. Otra
razón por la que resulta relevante tiene que ver con la posibilidad de
realizar pronósticos. De esta manera, la influencia del rezago
temporal es unidireccional: las realizaciones pasadas afectan a las
presentes, y harán lo propio con las futuras, conforme a una
estructura dinámica. Ahora bien, en el marco del análisis espacial se
establecen relaciones multidireccionales, por lo que resulta necesario
construir una matriz que permita incluirlas de manera adecuada al
análisis.
La matriz de pesos espaciales (también denominada matriz de
contactos o matriz de proximidad espacial) y simbolizada con W, es
una matriz cuadrada de NxN (siendo N el número de unidades
espaciales), no estocástica cuyos elementos (w) reflejan la
intensidad de la interdependencia entre cada par de regiones i,j
(Moreno y Vayá, 2000).
El valor que asume cada w se basa en las siguientes
determinaciones de adyacencias. De manera simplificada w 1, si
dos regiones son contiguas y w 0 en caso contrario. Típicamente
los elementos de la diagonal principal son cero, pues ninguna región
puede ser vecina de sí misma. La figura 3 ilustra un ejemplo
hipotético:
FIGURA 3: Ilustración de una matriz de pesos espaciales
A B C D E
A 0 1 1 0 0
B 1 0 1 1 0
C 1 1 0 1 1
D 0 1 1 0
E 0 0 1 1 0
FUENTE: Elaboración propia
A
B
C
D
E

En algunos casos suele normalizarse la matriz W por filas. Esto es, se
divide cada elemento w por la suma de fila a la que pertenece. De
esta forma, la suma de los pesos asociados a cada área es igual a 1.
Por otra parte, de acuerdo con Kapoor et. al. (2007) la matriz W debe
ser delimitada de manera uniforme y en valor absoluto, lo que implica
la existencia de una constante ∞ tal que
1∑

 

















á y 1∑

 

















á  (1)
para producir los resultados asintóticos exigidos por una estimación
consistente.
La matriz de pesos espaciales desempeña un papel fundamental en la
incorporación de las relaciones espaciales de las variables al modelo.
En el contexto de una única ecuación, por ejemplo, es posible generar
una matriz de rezago espacial de la variable endógena (), a partir
de multiplicar la matriz W por un vector de variables endógenas , de
órden 1. Otra posibilidad consiste en incorporar otras variables
espacialmente rezagadas, desde una matriz de variables  de orden
, reflejado en las columnas de la matriz .
3.1Criterioshabitualesdecontigüidad
Usualmente los criterios de contigüidad (o de vecindad) más
utilizados son los que se resumen en la figura 4, a continuación:
FIGURA 4: Criterios de contigüidad en la matriz de pesos espaciales. Retardo
espacial de primer orden
Matriz torre (rook) de primer orden
Matriz reina (queen) de primer orden
Matriz alfil (bishop) de primer orden
FUENTE: Elaboración propia

Donde los casilleros grises son vecinos del casillero negro, en tanto
que los casilleros blancos no son considerados contiguos respecto a
los negros. Los criterios presentados ilustran situaciones de
contigüidad de primer orden. No obstante, en algunos problemas
puede resultar particularmente útil el abordaje a partir de
contigüidades de segundo orden.
FIGURA 3: Criterios de contigüidad en la matriz de pesos espaciales. Retardo
espacial de segundo orden
Matriz torre (rook) de primer orden
Matriz reina (queen) de primer orden
Matriz alfil (bishop) de primer orden
FUENTE: Elaboración propia
En general, no existen situaciones que requieran la adopción de un
criterio de vecindad que vaya más allá del segundo orden. En todo
caso, sería necesario explorar otras hipótesis de vecindad que
respondan a otras formulaciones sobre la base de especificaciones
económicas o geográficas alternativas, como pueden ser: la distancia
entre dos unidades, el nivel de intercambio comercial entre diferentes
regiones o países, etc. En todos los casos, lo que resultará importante
aquí, será escoger variables que sean operativas. En la próxima
sección se presentan algunas de las formulaciones alternativas más
difundidas.
3.2Otrasespecificacionesparalamatrizdecontactos
Existen numerosos criterios para definir cuándo dos regiones pueden
considerarse vecinas. La reseña de procedimientos presentada a
continuación no pretende ser exhaustiva, pero los mismos
constituyen las alternativas más difundidas.

1) Cliff y Ord (1981) construyeron una matriz sobre la base de la
distancia que separa a dos regiones  y , (), ponderada por el
tamaño de la frontera que presenta en común (). En este caso la
formulación da lugar a una matriz asimétrica. De esta forma los
elementos de  se reducen a:
 
 (2)
Donde  y  son parámetros a estimar. Anselin (1980), comenta que
dichos parámetros suelen ser dados a priori y no estimados
conjuntamente).
2) Bodson y Peeters (1975) han sugerido que la matriz  considere
un criterio de accesibilidad general. Esto es, que tenga en cuenta y
combine los distintos canales de comunicación entre regiones. En
consecuencia, esta formulación permite redefinir el concepto de
vecindad, ya que para serlo habrá de haber buenos canales de
comunicación entre las regiones. La formulación analítica de esta
propuesta se expresa como:
 ∑
∗

 (3)
Siendo:
 la importancia relativa de la vía de comunicación ,
 el número de vías de comunicación,
 la distancia entre las regiones  y .
,  y  son parámetros a estimar.
3) Case et al. (1993) han propuesto que la matriz  se sustente en
distancias económicas. En este caso, se asumirá que una región es
vecina de otra cuando esas distancias, en términos de alguna variable
económica operativa, sea pequeña (lo que deberá ser definido por el
investigador). A menudo, desde esta perspectiva, la distancia
económica es entendida como la reducción de los costos de
transacción asociados a la interrelación económica de regiones
lejanas entre sí (no contiguas). Esto es presumiblemente provocado
por mejoras que se asocian a condiciones económicas estructurales
similares y costos de información más bajos.

4.Elanálisisexploratoriodedatosespaciales(AEDE)
El análisis exploratorio de datos espaciales –AEDE- (o ESDA por sus
siglas en inglés Exploratory Spatial Data Analysis) es comúnmente
considerado un subconjunto del análisis exploratorio de datos – AED-
(o EDA -Exploratory Data Analysis-) que se ocupa de las
características distintivas de datos geográficos, con especial énfasis
en los problemas de autocorrelación espacial y heterogeneidad
espacial (Anselin, 1998; Haining, 1990).
El AEDE puede definirse como un “una colección de técnicas para
describir y visualizar distribuciones espaciales, identificar
localizaciones espaciales atípicas o outliers espaciales, descubrir
patrones de asociación espacial, clusters o puntos calientes, y sugerir
regímenes espaciales u otras formas heterogeneidad espacial”
(Anselin, 1998; p. 4).
De esta forma, al igual que el AED, el AEDE procura detectar en los
datos posibles patrones y sugerir hipótesis sobre posibles relaciones
entre las variables involucradas en el análisis. Dentro de la colección
de técnicas incluidas en el AEDE se encuentran:
 Visualización de distribuciones espaciales
 Visualización de asociación espacial
 Indicadores locales de asociación espacial (LISA – Local
Indicator of Spatial Association-)
 Indicadores multivariados de asociación espacial
El desarrollo de nuevos paquetes informáticos y el mejoramiento de
otros que ya existían, han permitido a dichas técnicas alcanzar su
potencial como procedimiento para proponer posibles conexiones
entre las variables. En el caso de aplicación, al final del capítulo, se
trabajará con el software libre OpenGeoDa desarrollado por Luc
Anselin en la Arizona State University.
4.1Técnicasgráficas
Existen dos perspectivas para llevar a cabo un AEDE a partir de
técnicas gráficas. Por un lado, la aproximación geoestadística y por el
otro, la aproximación lattice. De acuerdo con Anselin (1998) la
principal diferencia entre estas dos técnicas se encuentra en la forma
en la que la proximidad espacial es formalizada.

Abordajegeoestadístico
En este el supuesto de procesos espaciales continuos conduce al uso
de la distancia métrica como medio para organizar las observaciones.
Al respecto, Anselin (1998, p. 5) sostiene: “Dado que la asociación
espacial se asume como una función suave de la distancia, una
medida formal de la (no)similitud entre dos observaciones, como la
diferencia al cuadrado, es comparada con la distancia que los separa.
Un mayor grado de autocorrelación espacial implica pequeñas
diferencias en distancias cortas y diferencias crecientes en distancias
mayores. La función formal que operacionaliza esta noción es el
variograma [ver, e.g., Cressie (1993) para detalles técnicos]. Las
técnicas del AEDE desde la geoestadística radican en las formas en
las que el variograma puede ser visualzado, resumido y probado para
la presencia de no estacionariedades locales u otra conducta atípica.
Un importante aspecto de esta visualización es que las entidades en
un variograma pertenecen a pares de observaciones (separadas por
una distancia dada), y no a localizaciones individuales.”
Las técnicas gráficas de esta perspectiva se concentran en:
 La función de distribución acumulativa
 El Box Plot del variograma
 La nube del variograma multivariado
Laaproximaciónlattice
En este método las observaciones tienen carácter discreto. En
consecuencia, la formalización de las similitudes espaciales se
desarrolla de una manera diferente a la empleada por el anterior
abordaje.
“El concepto clave aquí es la noción de vecino espacial, que conduce
a la construcción de matrices de pesos espaciales y variables
espaciales rezagadas” (Anselin, 1998; p. 6).
De esta forma, las herramientas del AEDE en la perspectiva lattice
intentan reflejar la asociación entra las variables y sus rezagos
espaciales, para diferentes definiciones de valores similares y para
diferentes pesos espaciales.

Los instrumentos más útiles son:
 El box map
 El histograma regional
 El scartterplot de Moran
 Los mapas LISA
 El scartterplot multivariante
4.2Medidasdeasociaciónespacialglobal
El análisis de autocorrelación espacial global realiza un examen
conjunto de todas las unidades que componen la muestra para
determinar si las unidades espaciales se encuentran distribuidas
aleatoriamente o si, por el contrario, lo hacen conforme a un patrón
determinado.
Existen tres contrastes desarrollados para ese propósito, que se
describen a continuación: la  de Moran, la  de Geary y la  de
Getis y Ord.
La expresión analítica del contraste de Moran es:


∑̅̅

∑
̅

 (4)
con  , donde  representa el valor de la variable cuantitativa 
para la región ,  el tamaño muestral,  los pesos espaciales de
una matriz de contactos  y  la sumatoria de los pesos espaciales.
La distribución de la  de Moran es asintótica normal N~0,1 cuando
 es grande.
Para el caso de la C de Geary, la formulación es:


∑


∑
̅

 (5)
con i  j, donde los elemento tienen el mismo significado que en la
expresión anterior. La C de Geary también asintótica normal N~0,1
cuando N es grande.

Finalmente, la expresión de la  es:
∑∑




∑∑



 (6)
con  , siendo  y  vecinos siempre que se encuentren a una
distancia . El contraste se distribuye normal N~0,1 para  grande.
Nótese que este contraste es aplicable sólo a variables positivas y
naturales.
La formulación de los contrastes descriptos anteriormente puede
llevarse a cabo con cualquier especificación de matriz , como las
descriptas en las secciones 3.1 y 3.2. No obstante, los resultados
finales de los contrastes, respecto a la determinación de
autocorrelación global o no, son sensibles a esas especificaciones.
Otro factor de sensibilidad para con los resultados de los contrastes
son las transformaciones que pueden sufrir las variables. Por estas
razones, resulta útil ensayar varias formulaciones alternativas de
matriz .
La autocorrelación o dependencia espacial detectada podrá ser
negativa, positiva o nula. Será negativa cuando los valores se
concentren en los cuadrantes II y IV del scatterplot de Moran
(representación en reales de la  de Moran, dada una configuración
determinada de la matriz ). En el caso de valores concentrados en
los cuadrantes I y III, habrá autocorrelación positiva. Finalmente,
habrá autocorrelación nula, si la nube de puntos se encuentra
dispersa en los cuatro cuadrantes.
4.3Medidasdeasociaciónespaciallocal
Los contrastes analizados en la sección anterior presentan una fuerte
limitación: no son capaces de considerar situaciones de aglomeración
(clusters) en un área determinada, para la que cabría esperar valores
más bajos o más altos si existiese una distribución homogénea
(Moreno y Vayá, 2000). Esto implica que un determinado esquema de

autocorrelación espacial, detectado mediante contrastes globales,
pueda no mantenerse para toda la muestra.
Para la detección de aglomeraciones (clusters) resulta útil el análisis
de autocorrelación espacial local. Este procedimiento permite medir la
autocorrelación espacial para la ubicación de cada observación y está
basado en el Indicador Local de Moran.
De acuerdo con Anselin (1995) un indicador LISA (Local Indicator of
Spatial Association) es un estadístico que satisface dos
requerimientos: por un lado, proporciona una cuantificación del grado
de agrupamiento significativo de valores similares alrededor de una
observación, y por otro lado, la suma de los LISA’s para todas las
observaciones es proporcional a un indicador global de asociación
espacial, por lo que resulta útil para medir la contribución de cada
observación al valor del contraste global (sólo para el caso de la  de
Moran).
Este análisis en también particularmente útil para detectar la posible
presencia de localizaciones que muestren valores altos respecto a la
media de otros emplazamientos colindantes, y para las variables de
interés, o viceversa.
Los contrastes más relevantes para el análisis de la autocorrelación
local son: la  de Moran y la  de Getis y Ord.
La expresión analítica del contraste de Moran es:
 
∑ 
⁄∑∈ (7)
Donde  representa el valor de la región  para la variable
normalizada y  el conjunto de regiones vecinas a .  es el tamaño
muestral. La distribución de la  de Moran es asintótica normal
N~0,1 cuando  es grande. Finalmente, si el valor de la  es
positivo, denotará la existencia de un cluster de valores similares.
La expresión de la G(d) es:
∑


∑

 (8)

con  , siendo  y  vecinos siempre que se encuentren a una
distancia ,  la variable de interés no normalizada. El contraste se
distribuye normal N~0,1 para  grande. Nótese que este contraste
es aplicable sólo a variables positivas y naturales.
5.Elanálisisconfirmatorio
El análisis confirmatorio se ocupa de las diferentes especificaciones
posibles para la inclusión del fenómeno espacial en un modelo. Para
ello, existen diferentes contrastes diseñados para detectar la
existencia de dependencia espacial, y en tal caso su tipología.
Para el testeo de dependencia espacial sustantiva son habituales los
contrastes basados en los multiplicadores de Lagrange, el LM-LAG
propuesto por Anselin (1988) y el test LM-LE de Bera y Yoon (1992).
El LM-LE es robusto frente a la existencia de un término de
perturbación correlacionado espacialmente.
Para la dependencia espacial residual es frecuente la utilización de los
contrastes LM-ERR (Burridge, 1980) y su versión robusta LM-EL (Bera
y Yoon, 1992), también basados en los multiplicadores de Lagrange.
La ventaja del test LM-EL es que resulta robusto ante posibles
especificaciones erróneas locales como la presencia de una variable
endógena retardada espacialmente (Moreno y Vayá, 2000: p. 82).
Finalmente, el test SARMA permite contrastar la existencia conjunta
de ambos tipos de dependencia espacial.
Para comprender luego las diferentes tipologías de dependencia
espacial, considérese el siguiente modelo de partida:

~0,
 (9)
Donde  es una matriz de  con variables explicativas.

5.1Ladependenciaespacialsustantiva
La dependencia espacial sustantiva (también conocida como modelo
lag) se presenta como un caso en el que el valor de una región
depende del valor de sus regiones vecinas (definidas según una
matriz  de contactos).
La especificación de un modelo de este tipo viene dado por la
siguiente expresión:
 (10)
Donde  es un vector (1) de las  observaciones de la variable
dependiente,  representa la matriz de pesos,

es el parámetro
autorregresivo que recoge la intensidad de las interdependencias
entre las  observaciones muestrales (coeficiente de autocorrelación
espacial),  es el retardo espacial de la variable ,  es una matriz
de  variables exógenas, y  un término de perturbación ruido blanco.
Se torna evidente en la expresión (9) que la omisión del retardo
espacial derivaría en un incremento del término de perturbación, que
pasaría a reflejar dicha autocorrelación espacial.
La contrastación de la existencia de dependencia espacial sustantiva,
en ausencia de dependencia espacial residual, se lleva a cabo
mediante el test LMLAG cuya expresión es la siguiente:
LM LAG  /

Siendo:
 un vector de residuos MCO de la regresión representada por (9)
 una matriz de contactos definida ex ante,
 la estimación de la varianza residual del modelo representado por
(9),
 1/, donde 1 representa la traza de
´  y  es una matriz idempotente, 
La versión robusta del    frente a la existencia de un término
de perturbación correlacionado espacialmente, está dado por el
  , según la siguiente expresión:

LM LE  /
⁄
 1
Teniendo los símbolos los mismos significados que la expresión
anterior.
En ambos contrastes, la hipótesis nula es la no existencia de
dependencia espacial sustantiva, lo que implica 0 en la ecuación
(10), frente a la alternativa de 0.
5.2Ladependenciaespacialresidual
La dependencia espacial subyacente puede ser residual cuando su
origen no sea la dependencia sustantiva, en cuyo caso la correcta
especificación vendría dada por el siguiente modelo de error espacial:

λ
~0,
 (11)
La autocorrelación espacial es recogida aquí por  a través del
término de perturbación del modelo, . La dependencia espacial
residual podría explicarse “por la omisión de variables no cruciales
que se hallen correlacionadas espacialmente o por la existencia de
errores de medida” (Moreno y Vayá, 2000: p. 69).
La contrastación de dependencia espacial en el término perturbación
puede llevarse a cabo mediante los contrastes basados en los
multiplicadores de Lagrange LM-ERR y LM-EL. El primero de ellos,
utilizado en situaciones de perturbaciones homocedásticas y ausencia
de dependencia espacial sustantiva, presenta la siguiente expresión
analítica:
LM ERR  /
1
Donde los símbolos tienen el mismo significado que en las
expresiones anteriores. Ahora bien, si existe heterocedasticidad, el
LM-ERR debe modificarse para considerar esta situación:

LM ERR 

~1
Siendo ´
 y  la distribución de la varianza de un
modelo como (11) pero con heterocedasticidad.
Por otra parte el test LM-EL, que es una versión robusta del LM-ERR
frente a posibles especificaciones erróneas locales como la presencia
de una variable endógena retardada espacialmente, presenta la
siguiente estructura:
    
1
donde  es el contraste de Moran y  el tamaño muestral.
En ambos casos, la hipótesis nula es la ausencia de dependencia
espacial en el término perturbación, lo que implica 0 en la
ecuación (11), frente a la alternativa de existencia de un esquema de
media móvil o autorregresivo en el término de la perturbación, 0.
6.Tratamientodelaheterogeneidadespacial
6.1Contrastacióndeheterogeneidadespacial
La heterogeneidad espacial puede exteriorizarse a través de dos
formas: la heterocedasticidad o la inestabilidad estructural.
Los habituales contrastes de Breusch-Pagan y White, comúnmente
utilizados en el análisis clásico, son también válidos aquí, siempre que
no exista alguna otra especificación errónea, como la dependencia
espacial o inestabilidad estructural. En estos últimos casos, los
contrastes mencionados anteriormente ya no resultarán adecuados y
requieren de algunas modificaciones.
La razón por la que la contrastación de la heterogeneidad se realiza
en ausencia de algún tipo de dependencia espacial, se debe a que los
modelos espaciales (con dependencia sustantiva o espacial) añaden
un componente espacial a cambio de imponer homogeneidad en los
efectos espaciales. Esto es, se considera que la estimación del

parámetro espacial es válida para todas las regiones y que el residuo
de las ecuaciones (10) ó (11) tendrá un carácter aleatorio.
6.2Especificacióndeunmodeloconheterogeneidadespacial
Una de las soluciones más difundidas para modelos con
heterogeneidad espacial, ha consistido en especificar y estimar un
modelo de expansión lineal espacial. Considérese un modelo como el
siguiente:
 (12)
La expansión se realiza para la constante, como así también para los
. Las coordenadas podrán actuar como variables de expansión,
siendo  la variable que considera la tendencia norte-sur y  la
tendencia este-oeste. Bajo estas consideraciones, se tiene que:

 (13)



 (14)
Donde los valores de ordenada al origen y pendiente cambiarán
según la región .
Incorporando (13) y (14) en (12), se obtiene que:

⋯

 (15)
En esta última expresión los parámetros varían en el espacio, dando
lugar a estimaciones consistentes.

Otra posibilidad, igualmente difundida, ha consistido en realizar la
expansión según las regiones formen parte de una región núcleo o
una región marginal (o centro vs. periferia en otros términos).

CASOS DE ESTUDIO, PREGUNTAS Y
PROBLEMAS

EjercicioconGeoda:RadioscensalesdeRíoCuarto

LabasededatosdelCensodePoblacióndelaProvinciadeCórdoba,realizadoen2008,está
publicadaenhttp://estadística.cba.gov.arendosversiones:porlocalidadesyporradiocensal.
Latablaorganizadaporlocalidadesfueutilizadaparaanálisisexploratorio.
Latablaorganizadaporradiocensal,quecontiene1789variablesy156observaciones,fue
sometidaaanálisisexploratorio,clasificaciónysegmentación;deacuerdoalresultado
obtenidosehanseleccionadocuatrovariables:
 X11:personasconnecesidadesbásicasinsatisfechas
 Y132:tasadeactividadde30a40años
 X4:hogaresconcondicionessanitariasdeficitarias
 A118:mujeresconestudiosterciariososuperiorescompletos
EsteconjuntodevariablesestáorganizadoenTabla1.xlsxdonde,además,seencuentranel
identificadordefilas(INDEC_ID),lafracción,elradioyladistanciaentrelosradios.




IntroducciónaOpenGeoDa
Geodaesunsoftwarelibrequeestádisponibleenhttps://geodacenter.asu.edu/;esnecesario
registrarsecomousuarioparaobtenerunalicencia,siendoesteregistrogratuito.Estesoftware
permitegeorreferenciarenmapasvariablesobservadasenunterritorioyrealizaranálisisde
heterogeneidadyautocorrelaciónespacial.
Elsoftwareconsisteenunarchivoautoejecutablequeseencuentraenelarchivozipeado
OpenGeoDa‐Windows.

Alclickearenelarchivozipeadoseobservaelejecutable

alclickearsobreélseejecutaelprograma,cuyapantallaeslabarradeherramientas.


OpenGeodatrabajacontresarchivos:
 Unatabladedatosenformatodbf
 Unmapaenformatoshp
 Unvínculoenformatoshx

Esteúltimovinculalatabladedatosconelmapa.Losarchivosshpyshxsepuedengeneraren
GeoDa,paralocualsenecesitanlascoordenadasdelespacioageorreferenciar.Elarchivodbf
seobtieneporconstrucciónapartirdeunarchivoExcel.Hayvariossoftwarequepermiten
convertirunarchivoExcelendbf,entreellosseencuentraelpaqueteOpenOffice–software
librequeseobtienedesdewww.openoficce.org;particularmente,OpenOfficeCalcquientiene
unapanallasimilaraExcel

SedebeiraArchivo‐Guardarcomo…

seleccionarlacarpetadondeguardarelarchivoyeltipodearchivo,aquíesnecesario
seleccionardbase(.dbf)ydarleunnombrealarchivoquesevaagenerar


Cuandoseguardaelarchivo,apareceuncuadrodediálogoquepermiteconfirmarelformato,
sedebeseleccionarMantenerelformatoactual.Luegoseveotrocuadrodediálogopara
seleccionarelconjuntodecaracteres,seaceptaelqueaparecepordefecto.
 

Ahorasetienen


indec.dbfcoordenadasdelmapa
indec.shpmapa
indecshxvinculacoordenadasymapa
tabla1.dbfdatosaanalizar
tabla1.xlsdatosaanalizar


EllogodeOpenGeoDaesdecolorestipopaletadepintor



Crearunentornodetrabajo
Paracomenzaratrabajarsedebeseleccionarelmapaasociadoalatabladedatos.Paraesto
sesiguelasecuenciaFile‐OpenShapefileyselocalizaelarchivoindec.shp;alhacerclicken
abrirseobservaelmapaderadioscensalesdeRíoCuarto.


Paraverlainformaciónquetieneindec.dbf,sedebehacerclickenopentable.Lainformación
contenidaenindec.dbfsonlascoordenadasdelmapa(AREAyPERIMETER),INDEC_IDesla
llave(keyvariable)ypermiteanexardatosdeinterésaestatabla,estavariablevadel1al163;
lainformaciónquesiguehacereferenciaalaprovincia(PRO=14esCórdoba),departamento
(DEP=98esRíoCuarto),localidad(LOC=170eslaciudaddeRíoCuarto),fracción(FRA)y
radio(RAD),estosdosúltimosasumendiferentesvaloresdemodoquecadacombinaciónsea
única.Esnecesariorevisarlatabladedatosdondeseencuentralainformacióndeinteréspara
quecoincidalainformación;esdecir,quelatabladedatosdeinteréstengaenlaprimerafila
lainformacióncorrespondientealafracción4yalradio7,yasísucesivamente.


Paraempalmarlosdatosdeinterés‐existentesenTabla1.dbf‐ conlascoordenadasde
indec.dbf,sedebeiraTable‐MergeTableData.Sedespliegaelcuadrodediálogoquepermite
configurarlafusióndelosdatos.EnImportfilesedebeseleccionarelarchivodbfquecontiene
lainformacióndeinterés.Lafusiónpuedehacerseatravésdeunavariablellaveoatravésdel
ordendadoalasfilas;esdecir,sihayseguridaddequeelordenenelqueseencuentranlos
datoscoincideconelordendadoenlatablaquecontienelainformaciónparageorreferencia,
sepuedeusarlasegundaopciónMergebyrecorder.SeobservaenlaventanaExcludelas
variablescontenidasenelarchivoqueseestáfusionando,lascualesdebenadquirirelrolde
Includeparaqueefectivamenteseanempalmadas;alclickearenMerge,aparecelatablacon
todalainformación.




Paraguardarestatabla,sesiguelasecuenciaTable‐SaveSelection‐AddVariable‐Add‐Apply‐Ok.
ElnombreenNewfilenameloofrecepordefecto,siapareceelmensajedelaúltimaimagen,
significaque


 
 


Georreferenciadelasvariables
ParahacergeorreferenciasetrabajadesdelaherramientaMap.Alseleccionarlaopción
Quantilemap,esnecesarioindicarlavariablequesequieregeorreferenciar–enestecasoX11‐
elcuadrodediálogosiguientesolicitalacantidaddeclasesenlaquesevaaparticionarel
recorridodelavariable–seoptapor5clases‐;estaconfiguraciónrealizaelgráficoparalos
quintilesdelavariableX11.Laszonasdecolormásintensorefierenloslugaresdondela
variableregistravaloresmásaltos.
 


Deigualmanerasetrabajaconelrestodelosmapas.Porejemplo,elmapadepercentiles
(MapPercentileMap)generalaimagen

yelmapadelosdesvíosMapEstándarDesviationMap,presentalosradioscensalescon
mayorvariabilidad



Indicadoresdelespacio
EnlaherramientaSpaceseencuentraelIndicedeMoran,tantolaversiónparasucálculo
globalcomoparaelcálculodellocal.LasecuenciaaseguiresSpace‐UnivarianteMoran’sI‐
seleccionarlavariableaanalizar;elcálculodeesteindicadorrequiereunamatrizdepesosque
seconstruyedesdeCreatenewweightsfile.Lasecuenciaeslaseleccióndelarchivoshp
(Shapefile),indicarlavariablellave(Keyvariable:INDEC_ID),seleccionarlamatrizdepesosa

construir(porejemplo,QueencontiguityconOrderofcontiguityiguala8).AlindicarCreate,
apareceseleccionadapordefectolamatrizindec.gal.Alaceptarestaconfiguración,seobserva
elIndiceMoránunivarianteylagráficadelasautorrelacionesespaciales.
 



ParaconocerelindicadorUnivariantelocaldeMoran(LISA),lasecuenciaesSpace–
UnivarianteLocalMoran´sI(LISA)‐seleccióndevariable,elcuadrodediálogosiguientepermite
seleccionarentrelosmapasylagráficaquegeneralaconstruccióndeesteindicador.

 

LISAclustermap

LISASignificanceMap

MoranScaterPlot



Herramientaregresión
ParahacerregresiónseutilizaMethods‐Regresion,elcuadrodediálogoqueseabrepermite
indicareltítulodelasalidaimpresaenpantalla(Reportfile),elarchivodondesequiere
guardarelresultado(Ouputfilename)ylainformaciónaincluir(Informationintheouput
includes).Elcuadrodediálogosiguientepermiteseleccionarlasvariablesqueformaránparte
delmodeloderegresión;lasflechaspermitenasignaralasvariablesunrolenelmodelo,se
seleccionalamatrizdepesos,seoptaporelmodeloclásicoyseejecuta(Run)laconfiguración
quedalugaralresultado(RegressionReport).
 
 





REFERENCIASBIBLIOGRÁFICAS
ANSELIN, L. (1988): “Lagrange Multiplier test Diagnostic for Spatial Dependence and Spatial
Heterogeneity”, Geographical Analysis, Vol. 20-1, pp. 1-17.
ANSELIN, L. (1988): Spatial econometrics: methods and models, Kluwer Academic
Publishers, Boston.
ANSELIN, L. (1995). Local Indicators of Spatial Association — LISA, Geographical Analysis,
Vol. 27, pp. 93–115.
ANSELIN, L. (1996). The Moran Scatterplot as an ESDA Tool to Assess Local Instability in
Spatial Association. In M. Fischer, H. Scholten, and D. Unwin (eds.), Spatial Analytical
Perspectives on GIS. London: Taylor and Francis, pp. 111–125.
ANSELIN, L. (1998): “Exploratory Sapatial Data Analysis in a Geocomputational
Environment”. Regional Research Institute and Department of Economics. West Virginia
University. Actas de la conferencia de GeoComputación 1998, Bristol (UK).
BERA, A. K. y YOON, M. J. (1992): “Simple Diagnostic test for spatial dependence”,
University of Illinois, Department of Economics (mimeo). Champaing, IL: Department of
Economics, University of Illinois. 

BODSON, P. y PEETERS, D. (1975): “Estimation of the coefficients of a linear regression in
the presence of spatial autocorrelation. An application to a Belgian labour-demand function”,
Environment and Planning, pp. 455-472.
BURRIDGE, P. (1980): “On the Cliff-Ord Test for Spatial Autocorrelation”, Journal of the
Royal Statistical Society B, Vol. 42, pp. 107-108.
CASE, A., ROSEN, H. y HINES, J. (1993): “Budget spillovers and fiscal policy
interdependence: evidence from the states”, Journal of Public Economics, Vol. 52, pp. 285-307.
CLIFF, A. y ORD, J. (1981): Spatial Process. Models and Applications. Pion. Londres.
CORRADO, L. y FINGLETON, B. (2011): “Where is the Economics in the Spatial
Econometrics”, Discussion Papers in Economics, N° 11-01, pp. 1-34.
CRESSIE, N. (1993): Statistics for Spatial Data (Revised Version). New York. Wiley.
HAINING, R. F. (1990): Spatial Data Analysis in the Social and Environmental Sciences.
Cambridge, Cambridge University Press.
KAPOOR, M.; KELEJIAN, H. H. y PRUCHA, I. R. (2007): Panel Data Models with Spatially
Correlated Error Components, en Journal of Econometrics, Vol. 140 (1), pp. 97-130.
MORENO, R. y VAYÁ, E. (2000): “Técnicas econométricas para el tratamiento de datos
espaciales: La econometría espacial”, Edicions Universitat de Barcelona, Barcelona.
PAELINK, J.; MUR, J. y TRÍVEZ, J. (2004): “Econometría Espacial: más luces que sombras”
en Estudios de Economía Aplicada, Vol. 22 (3), pp. 383-404.
PAELINCK, J. y KLAASSEN, L. (1979): “Spatial Econometrics”. Farnborough, Saxon House.
POSADA, L. J. (1978): “Fundamentos económicos-espaciales de la teoría de Centros de
Desarrollo”, Agricultura y Sociedad, Nº 6, Ministerio de Agricultura y Comercio de España.
Pp. 137-180.
