Está en la página 1de 27

ESTRUCTURA DE LA POBLACIN

Zona Urbana de Santiago de Cali


Estructura Jerrquica

Muestreo probabilstico por conglomerados bietapico con estimadores de razn.

Las viviendas presentan gran variabilidad en la produccin de RS

MODELOS MULTINIVEL Por que usar modelos multinivel?


Son modelos que tanto en su dimensin terica como aplicada, tratan conjuntos de datos anidados dentro de una poblacin con estructura jerrquica. La existencia de agrupaciones naturales en la poblacin queda reflejada en la estructura de los datos.
Muestreo aleatorio simple. Anlisis de Varianza de efectos fijos. Regresin clsica.
No son apropiados para el anlisis.

FORMULACIN DEL MODELO


[1]

Yij = 0 j + 1 j xij + eij

Modelo representativo del nivel 1.

[2]

0 j = 00 + 01 Z j + u0 j 1 j = 10 + 11 Z j + u1 j

Modelo representativo del nivel 2.

[3]

Yij = 00 + 01 z j + 10 xij + 11 xij z j + (u0 j + u1 j xij + eij )


Modelo Completo (Modelo mixto).

Al eliminar trminos del modelo completo [3], se obtienen el resto de modelos multinivel.

Modelos Multinivel
(Raudenbush & Bryk, 2002) 1. Anlisis de varianza: un factor de efectos aleatorios (AEA) Yij = 00 + u0 j + eij 2. Anlisis de regresin: medias como resultados (RMR) Yij = 00 + 01 z j + (u0 j + eij ) (con z j = Z j - Z) 3. Anlisis de covarianza: un factor de efectos aleatorios (ACEA) Yij = 00 + 01 z j + 10 xij + (u0 j + eij ) (con xij = Xij - X) 4. Anlisis de regresin: coeficientes aleatorios (RCA) Yij = 00 + 10 xij + (u 0j + u1j xij + eij ) 5. Anlisis de regresin: medias y pendientes como resultados (RMPR)
Yij = 00 + 01 z j + 10 xij + 11 xij z j + (u 0j + u1j xij + eij )

RESIDUALES
Residuales para un modelo de un solo nivel
i e = yi y i

Residuales para un modelo multinivel


u0 j

Residuales del Nivel 2 Residuales del Nivel 1

e0ij

Residuales para un modelo de un solo nivel

Residuales para un modelo multinivel

Residuales para un modelo multinivel

SUPUESTOS DEL MODELO


eij N (0; e2 )
2 u0 j N (0; 0 j)

NIVEL 1

u1 j N (0; )
2 1j

NIVEL 2

Hasta el momento no existen gran cantidad de trabajos y publicaciones que examinen con profundidad los supuestos y los diagnsticos en cuanto a validar la bondad de ajuste de este tipo de modelos.

METODOLOGA

Aproximacin Tradicional

Aproximacin Ideal

Definicin del nivel superior


Grupos Comunas Agrupando algunas comunas No de Grupos 22 14 Resultados Diferencias entre grupos no significativas. Resultados adecuados.

Las agrupaciones se realizaron teniendo en cuenta: 1. El nivel de Ingresos de las comunas. 2. Similitud en las pendientes de los submodelos asociados a cada comuna.

Clasificacin Grupos
Grupo 1 2 3 4 5 6 7 Comuna 1 14 2 3 4 11 - 12 5 10 67 89 Grupo 8 9 10 11 12 13 14 Comuna 13 15 16 17 18 19 20 21 22

VARIABLES CARACTERISTICAS DEL NIVEL 2


1. Comida : PPC de comida mediana de las viviendas en cada grupo
PPC mediano por grupo en kg.

Grupo Comida 1 2 3 4 5 6 7 8 9 10 11 12 13 14 0.2065 0.2938 0.2778 0.2417 0.2140 0.2071 0.2348 0.2193 0.2094 0.2689 0.2030 0.2600 0.2131 0.3624

Jardn 0.0027 0.0322 0.0043 0.0031 0.0029 0.0014 0.0029 0.0006 0.0029 0.0155 0.0261 0.0266 0.0000 0.0952

Bolsas Higinicos 0.0205 0.0350 0.0344 0.0290 0.0253 0.0240 0.0271 0.0238 0.0246 0.0354 0.0293 0.0333 0.0250 0.0329 0.0295 0.0240 0.0255 0.0289 0.0259 0.0281 0.0241 0.0275 0.0367 0.0278 0.0263 0.0277 0.0205 0.0464

VARIABLES CARACTERISTICAS DEL NIVEL 2


2. NI : Nivel de ingresos
Viviendas por grupo y NI.

Grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Bajo 314 26 0 59 0 212 61 275 121 0 23 24 143 0

Medio 0 129 54 163 274 57 134 42 7 100 62 109 0 0

Alto 0 137 1 0 0 0 0 0 0 97 0 76 0 12

RESULTADOS

Se considero finalmente: Muestra Grupos 2712 Viviendas 14

Variable respuesta PPV Produccin por vivienda de residuos slidos Variable caracterstica del nivel-1 hxv Numero de habitantes por vivienda Variables caracterstica del nivel-2 Comida Produccin percapita de comida mediana por grupo. NI Nivel de Ingresos

Estimacin de los parmetros de covarianza


Modelo AEA RMR ACEA RCA Parmetro residuos Grupo residuos Grupo residuos intercepto [sujeto=Grupo] residuos intercepto + hxv [sujeto=Grupo] NE(1,1) NE(2,1) NE(2,2) varianza varianza varianza Estimacin 20.799 2.183 20.814 0.374 14.798 0.119 14.006 2.102 1.056 0.571 13.624 NE(1,1) NE(2,1) NE(2,2) 0.047 0.063 0.101 Sig.= 0.344 Sig.= 0,146 Sig.= 0,071
CCI (%) 9.50% -2LLCambio=31,93 CCI (%) 1.76%

Pr(%) 82.86% Pr(%) 28.8% Pr(%) 32.6% Sig.= 0,030 Sig.= 0,020 Sig.= 0,032

RMPR

residuos intercepto + hxv [sujeto=Grupo]

Estimacin de los parmetros de efectos fijos


Modelo AEA RMR ACEA Parmetro Intercepto Intercepto comida Intercepto comida hxv Intercepto hxv Intercepto comida NI hxv comida*NI comida*hxv NI*hxv Estimacin 3.882882 3.624686 27.237557 3.624181 31.540452 1.359989 3.966595 1.533413 1.9765 -14.3926 0.9106 0.4178 16.1802 -3.7996 0.5617 Dst. 0.41227 0.193310 5.720168 0.123316 3.832513 0.040495 0.3980418 0.2081998 0.262757 8.536556 0.151339 0.188952 3.895703 6.308002 0.105534 gl 2698 2698 12 2697 12 2697 2697 2697 2692 12 2692 2692 2692 2692 2692 t 9.418299 18.75064 4.76167 29.38940 8.22971 33.58452 9.965272 7.365105 7.522316 -1.686003 6.017582 2.211549 4.153351 -0.602356 5.323085 p-valor 0.0000 0.0000 0.0000 0 0 0 0 0 0.0000 0.1176 0.0000 0.0271 0.0000 0.5470 0.0000

RCA RMPR

Modelo Multinivel:
1. Anlisis de varianza: un factor de efectos aleatorios (AEA)
ij = 3.882882 y

2. Anlisis de regresin: medias como resultados (RMR)


ij 3.624686 + 27.237557 z j = y
(con z j = Z j - Z)

3. Anlisis de covarianza: un factor de efectos aleatorios (ACEA)


ij = y 3.624181 + 31.540452 z j + 1.359989 xij
(con xij = X ij - X)

4. Anlisis de regresin: coeficientes aleatorios (RCA)


ij = 3.966595 + 1.533413xij y

5. Anlisis de regresin: medias y pendientes como resultados (RMPR)


ij = 1.9765 + 0.9106w j + 0.4178 xij + 16.1802z j wj + 0.5617xij w j y
2 ij = (ppv) y = z j comida = w j NI = xij hxv

CONCLUSIONES
A travs del estudio se expone la importancia de usar la metodologa de los modelos multinivel para estos casos de organizacin jerrquica, y mediante esto se propone a los expertos en las reas encargadas una alternativa que permite lograr estimaciones y resultados ms precisos que la metodologa aplicada tradicional utilizada frecuentemente en la materia. Los modelos multinivel dan una versin ms realista ya que modelan cada nivel de jerarqua, no requieren la hiptesis de independencia entre las medidas de la variable resultado y tambin dan estimaciones ms precisas.

CONCLUSIONES
La desventaja es la mayor complejidad tanto del marco terico como del modelo propuesto para analizar los datos, lo que conlleva una mayor dificultad en la comunicacin de los resultados. El modelo estimado resulta de gran ventaja para los entes encargados de la organizacin y administracin de los recursos destinados al manejo y recoleccin del material.

CONCLUSIONES
Hasta el momento en Colombia no se conocen aplicaciones de esta materia relacionadas con el estudio de la produccin de residuos slidos urbanos, lo cual es prometedor para expertos involucrados principalmente en el rea sanitaria y del medio ambiente. Lo que lleva a tener un gran avance en cuanto a metodologa y practicidad. Hay aspectos tericos de los modelos multinivel que deben profundizarse aun ms, tales como la sensibilidad de los modelos frente a puntos atpicos, ver que pasa con el supuesto de normalidad.

BIBLIOGRAFIA
THEALL, KATHERINE P., SCRIBNER, RICHARD, LYNCH. (2008). Impact of Small Group Size on Neighborhood Influences in Multilevel Models, Louisiana State University Health Sciences Center, School of Public Health. 17 July 2008 SEPLVEDA, J. (2007). Aplicacin de los modelos lineales mixtos en la identificacin de los mejores progenitores del proceso de mejoramiento gentico de caa de azcar, Universidad del Valle, Colombia. CORA J. M. MAAS AND JOOP J. HOX. (2005). Sufficient Sample Sizes for Multilevel Modeling. Utrecht University, The Netherlands. UPEGUI, M. (2007). Calidad de la educacin superior en Colombia: un anlisis multinivel con base en el ECAES de economa 2004. TRUJILLO, L. (2004). Modelos Multinivel Aplicados a Datos de Encuestas, Simposio de Estadstica 2004, Cartagena.

CATALAN, M.J. y GALINDO, M.P. (2003). Utilizacin de los Modelos Multinivel en Investigacin Sanitaria, Universidad de Valparaso, Chile. BRYK, A. & RAUDENBUSH, S. (2002). Hierarchical Linear Models: Applications and data analysis methods (2nd ed.). Thousand Oaks, CA: Sage. SANDOVAL J. (2001). Construccin de un modelo multinivel para el anlisis de la agresividad indirecta en escolares; comuna nororiental, Medelln, Colombia, 2001. GOLDSTEIN, H. (1986). Multilevel statistical models. London: Arnold. OJEDA, M.M. La Modelacin Estadstica, Universidad deVeracruz. CHRISTOPHER H. MORRELL (1998). Likelihood Ratio Testing of Variance Components in the Linear Mixed-Effects Model Using Restricted Maximum Likelihood. Biometrics, Vol. 54, No. 4 (Dec., 1998), pp. 1560-1568

GRACIAS!!!