Comportamiento Espacial... Noris Timaure B.

Anlisis del Comportamiento Espacial de los Precios Inmobiliarios con el uso de
Sistemas de Informacin Geogrfica (SIG). Noris Timaure
RESUMEN
ANLISIS DEL COMPORTAMIENTO ESPACIAL DE LOS PRECIOS

INMOBILIARIOS CON EL USO DE UN SISTEMA DE INFORMACIN GEOGRFICA
(SIG)
Ing. Civil Msc. Noris M. Timaure B.
(Universidad Centroccidental Lisandro Alvarado)
El objetivo principal de ste estudio es el anlisis del comportamiento espacial de los

precios inmobiliarios, utilizando una base de datos de precios de apartamentos en la
ciudad de Barquisimeto en el perodo 2013-2015, considerando los factores que
intervienen en la formacin del precio inmobiliario incluida la localizacin, por lo que en
el anlisis se utiliza un modelo de precios hednicos asociado a tcnicas de
econometra espacial (modelo de regresin espacial, anlisis de autocorrelacin
espacial); as como un estudio de anlisis exploratorio de datos espaciales con la
aplicacin de los fundamentos de la Geoestadstica (variograma, anlisis de
tendencias, Kriging). En este estudio se propone el uso de la regresin
geogrficamente ponderada (GWR) para estimar el precio de apartamentos en la
ciudad de Barquisimeto, permitiendo mejorar los ajustes, conocer la dependencia
espacial en los residuos y su distribucin espacial, tanto de las elasticidades en las
variables explicativas, como en la significacin local del modelo, realizando la
comparacin con el modelo de regresin de mnimos cuadrados (OLS). Se utiliz para
el procesamiento de los datos, anlisis y clculo un Sistema de Informacin
Geogrfica (SIG) trabajando con el Software ArcGis10.1 Los resultados se muestran
en los diferentes mapas temticos generados en cada etapa del estudio.
1
1. INTRODUCCIN.
Mediante las tcnicas estadsticas de regresin se puede llegar a cuantificar en

trminos monetarios todos aquellos aspectos que conforman el valor de un bien
inmueble, a travs de los modelos hednicos se establece que el precio de un bien es
funcin de sus caractersticas constructivas y localizativas, cuantificadas y
relacionadas con el objeto de estimar el precio del bien urbano.
En el caso del mercado inmobiliario la variable dependiente es el precio del

bien y como variables independientes aquellas caractersticas de la misma que se
consideran ms relevantes para describir la variacin de precios observada (Ridker y
Henning, 1967; Li y Brown, 1980; Dubin y Sung, 1990, Basu y Thiboudeau, 1998);
pudindose realizar alguna transformacin como el logaritmo con el fin de aumentar el
grado de normalidad y homocedasticidad de los trminos de error del modelo.
Estas caractersticas denominadas variables independientes, en el caso de

los inmuebles destinados a viviendas estn relacionadas con aspectos estructurales
de la misma tales como: tamao, antigedad (edad), calidad de la construccin,
estacionamiento (garaje), nmero de salas de bao, nmero de habitaciones,
orientacin; o con su localizacin, la cual puede ser evaluada como: distancia al
centro urbano, a colegios, guarderas, estaciones de metro y/o autobs,
supermercados, niveles de contaminacin de la zona, nivel socio-econmico de los
vecinos del inmueble, etc.
Desde el punto de vista espacial existe una relacin entre los valores urbanos
a diferentes escalas, tanto microlocalizativo como macrolocalizativo. Por lo tanto, la
situacin espacial o de localizacin relativa de cada ubicacin respecto al resto, es una
variable relevante que debe ser considerada para poder conocer la estructura espacial
del precio de los bienes inmuebles urbanos.
La consideracin del factor localizacin est implcito en la formacin espacial

de los valores urbanos, el cual puede ser realizado a travs de dos metodologas: la
inductiva, que se basa en la relacin efecto causa entre la variable precio del bien
urbano y las variables explicativas o factores que influyen sobre l, este enfoque ha
sido tratado a travs de la Regresin hednica, que pretende conocer los pesos
implcitos de los diversos factores que influyen en los precios de los bienes urbanos,
(Griliches, 1971). La otra metodologa es la deductiva, basada en teoras sobre la
formacin de los valores y su ubicacin en el espacio geogrfico, con criterios ligados
2
a la idea de autocorrelacin espacial o dependencia espacial, el modelo interactivo el

cual se basa en la existencia de un proceso de contagio espacial entre localizaciones
prximas, de manera que el valor de cada bien urbano depende de los valores de los
bienes que tiene a su alrededor (Bosque, 1987).
En consecuencia, para el uso de la metodologa deductiva la aplicacin de las

herramientas de la Geoestadstica se centra en los fundamentos que hacen certeros
los criterios del proceso de contagio espacial, ya que la Geoestadstica se construye
asumiendo condiciones de estacionalidad y se define como el estudio de las variables
numricas distribuidas en el espacio (Chauvet,1994), o variables regionalizadas,
debido a que cada valor observado o desconocido est asociada a una posicin en el
espacio.
Por lo tanto, ante esta situacin es conveniente el anlisis del factor

localizacin a travs de la Geoestadstica y la econometra espacial, ya que estas
ciencias estudian los fenmenos que fluctan en el espacio y/o tiempo, ofreciendo un
conjunto de herramientas estadsticas para la descripcin y modelizacin de la variable
espacial (y temporal).
Una herramienta avanzada para el procesamiento y anlisis de datos

espaciales actualmente la conforman los Sistemas de Informacin Geogrfica (SIG),
los cuales permiten la caracterizacin y la modelizacin de los patrones de distribucin
espacial a travs de una serie de programas informticos que sirven para captar,
almacenar, recupera, transformar, mostrar y analizar diversos tipos de datos
espaciales (Burrough y McDonnell, 1998). As mismo, los SIG permiten el anlisis
Geoestadstico y proporciona herramientas para obtener los mapas de predicin de la
variable estudiada, y mostrar los resultados de forma grfica; en un lapso de tiempo
muy breve; as como tambin las herramientas para el anlisis de modelos de
regresin espacial como lo es la Regresin Geograficamente Ponderada; con los
anlisis de estadsticos de contraste para evaluar el fenmeno de autocorrelacin
espacial.
La metodologa que se plantea utilizar en este estudio constituye una gran

herramienta en la valoracin inmobiliaria, principalmente porque proporciona una
descripcin sintetizada de la estructura espacial de los precios de los bienes
inmuebles de toda la superficie considerada de una ciudad o una zona determinada,
permitiendo realizar la estimacin espacial en cualquier localizacin urbana, lo que
representa una gran ayuda para la actividad de los tasadores en las distintas reas de
3
la tasacin: fiscal, hipotecaria, registro, planeamiento urbanstico, seguros, catastro,

entre otros.
El estudio se desarrolla en tres partes, la primera consiste en el anlisis

geoestadstico realizando el anlisis espacial exploratorio de los datos y la estimacin
de los variogramas con el objeto de estudiar la variabilidad espacio-temporal del precio
de apartamentos en la ciudad de Barquisimeto, la segunda en la determinacin de un
modelo de regresin espacial utilizando la regresin geogrficamente ponderada,
para explicar las variables que influyen en la determinacin del precio y considerando
su localizacin espacial y la tercera generar a travs del interpolador Kiriging el mapa
de valores de apartamentos en la ciudad de Barquisimeto tomando como base los
valores obtenidos en el modelo de regresin a la fecha ltima de la data.
2. ANTECEDENTES.
A continuacin se hace referencia a trabajos de investigacin realizados en el

rea de la valoracin de inmuebles con la aplicacin de la geoestadstica, regresiones
espaciales y anlisis espacial exploratorio de datos.
Chica O, Cano R. (1999), presentan un estudio de Aproximacin a la

Variabilidad Espacial de las Caractersticas y del Precio de la Vivienda. Una aplicacin
a la ciudad de Granada; en el cual se analiza a travs de la funcin variograma la
forma como varan sobre el espacio el precio unitario de la vivienda y las
caractersticas que lo determinan. A su vez estiman el precio de la vivienda mediante
el estimador espacial Krigeaje, exponiendo una aplicacin en el estudio del precio de
la vivienda en el distrito de Chamberi de Madrid. Concluyen que la funcin variograma
se configura como una til herramienta para analizar la variabilidad espacial del precio
de la vivienda y de las caractersticas que ms influyen sobre el mismo (constructivas
y localizativas), que han sido seleccionadas mediante un modelo de regresin.
Alves D. (2003), en su Tesis doctoral: Modelos Espaciales Aplicados al

Mercado Habitacional un Estudio de caso para la ciudad de Recife; aborda un
aspecto metodolgico el cual consiste en incorporar los efectos espaciales en los
modelos que buscan explicar el comportamiento del mercado habitacional, a travs de
modelos hednicos, utilizando una metodologa alternativa denominada Econometra
Espacial. En el trabajo entre los objetivos plateados se demostr que la conjugacin
de las metodologas de Krigeaje en Anselin (1988), pueden ofrecer buenos resultados,
a travs del anlisis de Variograma se puede verificar el radio de influencia de los
4
efectos de dependencia espacial, siendo de gran utilidad para la generar la matriz de

vecindad.
Chasco C. (2003), Tesis Doctoral Econometra Espacial Aplicada a la

Prediccin-Extrapolacin de Datos Microterritoriales; la autora desarrolla un trabajo
sobre la econometra espacial, el tratamiento de datos geogrficos en los modelos de
regresin de corte transversal y datos de panel, diferenciada de la geoestadstica.
Presenta un extenso contenido sobre el anlisis exploratorio de datos espaciales
(AEDE) y el anlisis espacial, y muestra la actividad de prediccin-extrapolacin de
datos espaciales como parte del proceso de la econometra espacial. Las aplicaciones
son ilustradas en la estimacin de la renta familiar disponible municipal de la
Comunidad de Madrid.
Collazos W. y otros (2006), realizaron el siguiente estudio: Anlisis Espacial

del Precio de Oferta de la Vivienda en el rea Metropolitana de Cochabanba , el
objetivo principal es identificar en las viviendas de propiedad individual, cuales son
las caractersticas que determinan la fijacin del precio de oferta en la estructura del
mercado inmobiliario considerando la heterogeneidad espacial, se utiliz un modelo
de precios hednicos considerando la variable localizacin, asociado a tcnicas de
econometra espacial (I de Moran, modelo de autocorrelacin espacial, GWR), los
resultados son presentados en mapas temticos generados en el entorno del Sistema
de Informacin Geogrfica (SIG) utilizando el software ArcGis, se muestra de
acuerdo a la ubicacin, la variacin porcentual de la influencia individual de las
variables explicativas (caractersticas o atributos) sobre el precio.
Chica O, Cano R. (2007), en su trabajo Mdelo Hednico Espacio-Temporal y

anlisis Variogrfico del Precio de la Vivienda presentan un modelo hednico para la
interpretacin de la variabilidad espacio temporal del precio de la vivienda en la ciudad
de Granada, utilizando muestras de corte transversal de diferentes aos. Realizan un
modelo basado en un anlisis variogrfico de la autocorrelacin espacio-temporal del
precio de la vivienda. Concluyen que el precio de la vivienda es una variable muy
correlacionada espacialmente y en el modelo hednico la localizacin espacial se
explica en un alto porcentaje respecto a las variaciones de los precios de las
viviendas.
Beamonte M. y otros (2008), presentaron el siguiente trabajo: Evolucin

espacio-temporal del mercado inmobiliario en Zaragoza mediante el uso de efectos de
vecindad, proponen un modelo espacio temporal autorregresivo (STAR) utilizando
5
efectos de vecindad, el modelo comprende las caractersticas estructurales de los

inmuebles y a la vez incorpora efectos temporales y de localizacin a travs del
modelo hednico., la estimacin se basa en procedimientos MCO.
Linares M. y otros (2010) realizaron es el siguiente trabajo Modelaje de los

valores del suelo urbano, bajo la Teora de Variables Regionalizadas (TVR), utilizando
un Sistema de Informacin Geogrfica (SIG); la metodologa desarrollada vincula el
mtodo geo-economtrico combinando la Regresin y el Krigeaje como procedimiento
para tasaciones, utilizando un Sistema de Informacin Geogrfica, permitiendo la
obtencin de una base de datos slida, debido a que los valores del suelo en la
Ciudad de Barquisimeto obtenidos a travs de los mapas de prediccin se ajustaron a
los precios del mercado inmobiliario.
Duque J. y otros (2011), han realizado el estudio titulado Infraestructura

pblica y precios de vivienda: una aplicacin de regresin geogrficamente ponderada
en el contexto de precios hednicos, en el cual utilizan modelos economtricos
tradicionales, de la econometra espacial y de regresin ponderada geogrficamente,
comparando los modelos y analizando la influencia de la existencia de una estacin
del metro en San Javier de la ciudad de Medelln en los precios de las viviendas. Se
obtiene en los resultados una influencia positiva en los precios de las viviendas
localizadas en un radio de 600 metros alrededor de la estacin.
Gutirrez y otros (2012), en la ponencia titulada Regresin Geogrficamente

Ponderada (GWR) y estimacin de la demanda de las estaciones del Metro de Madrid
presentada en el XV Congreso Nacional de Tecnologas de la Informacin Geogrfica,
Madrid, AGE-CSIC, 19-21 de Septiembre de 2012; el estudio se centra en la red de
Metro de Madrid, con datos del ao 2004 que para esa fecha se dispona de un aforo
de viajeros en todas las estaciones y una encuesta de movilidad conformada por un
total de 12 lneas y 190 estaciones, y se extenda por el municipio de Madrid y varios
de los municipios de su entorno: Alcorcn, Mstoles, Legans, Fuenlabrada ,Getafe,
Rivas-Vaciamadrid y Arganda. Utilizaron los de anlisis de regresin mltiple (OLS)
que asume estabilidad paramtrica y la regresin geogrficamente ponderada (GWR)
para estimar la demanda en las estaciones de Metro de Madrid, concluyendo que la
regresin geogrfica permite mejorar los ajustes, neutralizar la dependencia espacial
en los residuos y conocer la distribucin espacial, tanto de las elasticidades en las
variables explicativas, como en la significacin local del modelo.
6
Camacaro y Mendoza (2014), realizaron el trabajo Anlisis de la dependencia

espacial de los precios en el mercado inmobiliario Caso: Apartamentos del
Macrosector Este de la ciudad de Barquisimeto, Estado Lara, aos 2010-2012; donde
utilizaron la metodologa de modelaje por Econometra Espacial usando una base de
datos espacio-temporal de precios de apartamentos con registros de ventas y ofertas;
el modelo se fundamenta en un anlisis economtrico espacial de la autocorrelacin
espacio-temporal de la variable precio de la vivienda y de las principales
caractersticas que influyen sobre este.
3. METODOLOGA.
La metodologa que se desarrolla en el presente estudio se fundamenta en los

siguientes enfoques de anlisis espacial:
Anlisis Geoestadstico el cual comprende el anlisis exploratorio de los datos

espaciales, la presencia de autocorrelacin espacial, agrupaciones espaciales
o cluster, filtros espaciales, variograma y kriging.
Econometra Espacial con el uso de un modelo de Regresin Geograficamente

Ponderada (GWR), el cual permite analizar desde un enfoque global a un
anlisis local consiguiendo mayor precisin y grado de detalle (Lloyd, et al
2005); obtenindose los coeficientes de determinacin local a partir de los
valores del conjunto de observaciones vecinas, de manera que se precisa
como se combinan localmente las variables para obtener el ajuste especfico
en una localizacin (Fotheringham et al., 2002).
El anlisis geoestadstico en los precios inmobiliarios
La Geoestadstica es definida como el estudio de las variables numricas

distribuidas en el espacio (Chauvet 1994), siendo una herramienta til en el estudio
de estas variables (Zhang 1992). Comprende un conjunto de herramientas y
tcnicas que sirven para analizar y predecir los valores de una variable que se
muestra distribuida en el espacio o en el tiempo de una forma continua (Moral,
2004). As mismo, debido a su aplicacin orientada a los SIG, tambin se podra
definir como la estadstica relacionada con los datos geogrficos, de ah que se le
conozca adems como estadstica espacial, en el caso de los precios inmobiliarios
la localizacin de cada bien representa la variable espacial que forma parte de la
estructura del valor del inmueble.
7
El anlisis geoestadstico se desarrolla en tres etapas:
El anlisis exploratorio de los datos, donde se estudian los datos muestrales

sin tener en cuenta sus distribucin geogrfica, siendo como la etapa de
aplicacin de la estadstica, se comprueba la consistencia de los datos,
eliminndose los errores e identificndose las distribuciones de las que
provienen.
El anlisis estructural, en esta etapa se desarrolla el estudio de la continuidad
espacial de la variable, se calcula el variograma u otra funcin que explique la
variabilidad espacial, y se ajusta al mismo a un variograma terico.
Predicciones, se obtienen las estimaciones de la variable en los puntos no
muestrales, considerando la estructura de correlacin espacial seleccionada e
integrando la informacin obtenida de forma directa en los puntos muestrales,
as como la conseguida indirectamente en forma de tendencias conocidas.
El Anlisis Exploratorio de Datos Espaciales (AEDE) ha sido definido como un

conjunto de tcnicas que describen y visualizan los datos espaciales en cuanto a:
su distribucin, identificacin de localizaciones atpicas calientes (hot spots) y
sugiere estructuras espaciales u otras formas de heterogeneidad espacial (Anselin,
1999). El estudio AEDE est ms dirigido a la parte descriptiva de los datos desde
una perspectiva estadstica, lo cual da el inicio para la formulacin de hiptesis
para la ejecucin de modelos economtricos y la prediccin espacial de nuevos
datos. Por lo tanto comprende la fase previa a toda modelizacin economtrica de
algn fenmeno.
Existe gran cantidad de mtodos grficos para el estudio AEDE, Tukey (1977)
define que un mtodo grfico es aquel capaz de analizar y representar las
caractersticas fundamentales en toda distribucin espacial como lo son: alisado
(smooth) y asperezas (rough), la primera referida al campo temporal es la
tendencia central de la variable y su dispersin donde las variables geogrficas
incluyen elementos globales referidos a todo el mapa, en ese caso la tendencia
espacial y autocorrelacin espacial global. La segunda denominada asperezas es
una propiedad local e incluye valores vecinos en el mapa como: atpicos
espaciales (outliers), agrupamiento de zonas calientes o fras, es decir valores
altos o bajos agrupados, e incluso lneas de discontinuidad geogrfica
(heterogeneidad espacial).
8
En cuanto al anlisis estructural de los datos donde se estudia la continuidad

espacial de la variable, se debe destacar la condicin de Variable Regionalizada (VR),
ya que se tiene como objetivo el comportamiento de una variable que se distribuye en
el espacio y/o en el tiempo y que esta autocorrelacionada, siendo esta ltima
caracterstica muy importante para los fenmenos relacionados con la economa
espacial, como es el caso del precio unitario de los bienes urbanos: suelo, vivienda,
locales, entre otros. (Chica, 1994).
En el caso de variables econmicas la Variable Regionalizada presenta dos

aspectos fundamentales: la aleatoriedad, que implica que los valores de la variable
varan irregularmente e imprevisiblemente de un lugar a otro o momento a otro y la
estructuracin, que implica que los valores no son enteramente independientes de su
localizacin, es decir, que los valores en puntos prximos presentan autocorrelacin.
Para estudiar el doble carcter de aleatoriedad y estructural de la VR, se

facilita a partir de las Funciones Aleatorias (FA), (Matheron, 1970).
La FA Z(x) es funcin de la localizacin, fijando x=x0 entonces:
Z(x0) es una variable aleatoria (VA)
Desde esta ptica la VR se puede interpretar partiendo de la Teora de las

Funciones Aleatorias como una realizacin de la funcin Z(x), que proporciona el
valor de una caracterstica analizada Z, que en este caso es el precio de
apartamentos.
Para mostrar de una manera prctica, supongamos que el precio unitario de un

apartamento en una localizacin x1 es z(x1)= 600.000 Bs/m2, siendo entonces, ste el
resultado de la VA Z(x1), es decir el precio unitario de apartamento en x1. Al conjunto
de precios Z(x) para todo punto que est dentro de la ciudad se le denomina variable
regionalizada.
Una caracterstica de la FA es la continuidad, la cual trata de las variaciones

espaciales (o temporales) que se producen en los valores de la variable de un lugar o
momento a otro, siendo estas variaciones o muy pequeas o muy grandes.
Cuando una FA es continua en media se cumple:
Lim E[Z(x)-Z(x0)] = 0
x x0
9
Por otra parte, una VR es continua en media cuadrtica cuando:
Lim E{[Z(x)-Z(x0)]2} = 0
x x0
Cuando la continuidad en media cuadrtica no se verifica se dice que se

produce el efecto pepita (C0).
Lim E{[Z(x)-Z(x0)]2} = C0 0
x x0
Cuando la FA se despliega en un espacio de dos o ms dimensiones y

presenta direcciones particulares de variabilidad, se dice que tiene un comportamiento
anistropo.
Journel y Huijbregts (1978) y David (1977) han definido los siguientes

conceptos de gran utilidad en el estudio de las variables aleatorias regionalizadas:
Regin: se refiere al espacio en el cual existe y se estudia el fenmeno natural.
Localizacin: Es el punto de una regin en la cual se define una variable

aleatoria regionalizada.
Soporte Geomtrico: Est determinado por el elemento fsico sobre el cual se

realiza la determinacin de la variable aleatoria regionalizada, esto no es ms
que la muestra unitaria, sobre la cual se estudia el atributo de inters.
Momentos de primer orden: Si la funcin de distribucin de Z(xi) tiene una

media definida, ser una funcin de la localizacin xi.
m(xi) = EZ(xi).
Momento de segundo orden: Si la varianza (Var) de Z(xi) existe, entonces se

define como el momento de segundo orden y ser tambin una funcin de la
localizacin xi.
Var Z(xi) = E[Z(xi) - m(xi)] 2
Si la varianza de las variables Z(xi) y Z(xj) existe entonces la covarianza (Cov)

de las stas tambin existe y es funcin de las localizaciones xi y xj.
10
La funcin variograma nos permite conocer la estructura de variabilidad espacial

de la variable, al igual que la covarianza. La definicin del variograma como varianza
de los incrementos de la FA, implica:
1. Funcin positiva: (h) 0 ; (0) = 0
2. Funcin simtrica: (h) = (-h)
Sea Z(x) el valor de una variable en una localizacin x y Z(x+h) el valor de la

misma variable en un punto distante h del anterior. En un caso bidimensional, x es el
punto de coordenadas (x1, x2) y h es un vector con origen en dicho punto y mdulo h
. Generalmente, sern muchos los puntos muestrales que disten h entre s. Una forma
de mostrar las similitudes o las diferencias entre los valores es mediante un grfico en
el que se representen los valores Z(x) frente a Z(x+h), denominado grfico de
dispersin-h. Si los valores son parecidos, la nube de puntos estar prxima a la
bisectriz del primer cuadrante, existiendo una autocorrelacin en esa variable.
Habitualmente, con h reducidas, las nubes de puntos se disponen muy prximas a la
bisectriz, aumentando la dispersin a medida que h se hace mayor. Esto coincide con
la idea intuitiva de mayor parecido entre las muestras que estn ms prximas entre
s. (Moral, 2004).
Sin embargo, el uso de los grficos de dispersin-h es poco prctico, ya que se

requeriran muchos para considerar todas las posibles distancias h y direcciones
espaciales. Por lo tanto, la herramienta para expresar esa informacin de una forma
ms resumida: es el semivariograma o variograma. El cual a partir de los datos
disponibles, se estima como:
1 Np( h )
( h) Z ( xi ) Z ( xi h)2
2 Np(h) i 1
Dnde: Np(h): es el nmero de pares a la distancia h.
h: es el incremento.
Z(xi): son los valores experimentales.
xi: localizaciones donde son medidos los valores z(xi).
Normalmente, el variograma es una funcin montona creciente, alcanzando

un valor lmite, denominado meseta (sill), equivalente a la varianza muestral. La
11
meseta se alcanza para un valor de h conocido como rango o alcance (Figura 1). El
rango determina la zona de influencia en torno a un punto, ms all del cual la
autocorrelacin es nula. Sin embargo, no todos los variogramas alcanzan una meseta.
Es posible que un variograma no tienda asintticamente a la varianza, sino que tienda
a infinito cuando as lo haga h. El variograma representa la tasa media de cambio de
una propiedad con la distancia. El hecho de que dos observaciones prximas sean
ms parecidas que si estuvieran ms separadas se refleja en el mismo concepto del
variograma. La dependencia espacial disminuye a medida que se incrementa la
distancia, h, y finaliza a una cierta distancia, el rango. Ms all del rango, la tasa media
de cambio es independiente de la separacin entre las observaciones.
Figura 1. Variogramas con meseta (izquierda) y sin meseta (derecha). Fuente: Moral
2004
Por definicin, (0) = 0. Pero, con frecuencia, (0) muestra un valor positivo,
dando lugar al denominado efecto pepita (nugget) (Figura 1). ste se debe a la
variabilidad a una distancia ms pequea que el menor h considerado. Por ejemplo, en
ocasiones tambin es fruto de los errores experimentales o de muestreo.
La funcin semivariograma (h) representa la herramienta ms importante en todo

estudio geoestadstico (Armstrong y Carignan, 1997; Weerts, y Bierkens, 1993; Chica,
1987). Su clculo no consiste en una simple evaluacin de su expresin, segn se
plantea en (Krajewski y Gibbs, 1993; Journel y Huijbregts, 1978; David, 1977; Xie y
Myers, 1995; Pannatier, 1993).
12
El krigeaje
Es un mtodo de estimacin que se puede aplicar a variables que se distribuyen

en una, dos o tres dimensiones. En este estudio se tratarn variables que se
distribuyen en el plano. Su estimador, el Kriging, tiene como objetivo encontrar el
Mejor Estimador Lineal Insesgado a partir de la informacin disponible (Chica-
Olmo,1997), y en efecto, el valor estimado obtenido Z*(x) de un valor real y
desconocido Z(x), consiste en una combinacin lineal de pesos asociados a cada
localizacin donde fue muestreado un valor Z(xi) (i = 1,n) del fenmeno estudiado,
observando dos condiciones fundamentales:
Que el estimador sea insesgado: E[Z* - Z] = 0.
Que la varianza: Var[Z* - Z] sea mnima, consiguindose de este modo

minimizar la varianza de error de estimacin.
A diferencia de otros mtodos de interpolacin, como por ejemplo, el inverso de la

distancia, el Kriging, utiliza en la estimacin las caractersticas de variabilidad y
correlacin espacial del fenmeno estudiado, por lo que su uso implica un anlisis
previo de la informacin, con el objetivo de definir o extraer de esta informacin inicial
un modelo (variograma) que represente su continuidad espacial, una vez logrado esto,
estamos en condiciones de obtener a travs del Kriging el mejor valor posible en cada
localizacin o bloque a estimar, acompaadas de la varianza Kriging como medida del
error de la estimacin realizada (Armstrong Y Carignan,1997).
Regresin Geograficamente Ponderada (GWR)
Esta tcnica permite la estimacin no solo de parmetros globales sino tambin

la de parmetros locales, un estimado local es calculado tomando en cuenta la
informacin de las unidades dentro de una distancia previamente establecida, donde
las unidades ms cercanas tienen mayor peso que las ms distantes (Fotheringham et
al. 2001:52).
La Regresin Geogrficamente ponderado (GWR) es una contribucin bastante

reciente a la modelizacin espacialmente los procesos heterogneos (Brunsdon et al,
1996; Fotheringham et al, 1996; 1997; 2002). 2002). La GWR se fundamenta en que
los parmetros se puede calcular en cualquier parte del rea de estudio dado una
variable dependiente y un conjunto de una o ms variables independientes que se han
medido en los lugares cuya ubicacin se desconoce, (Linarez, 2010). Teniendo
13
observacin acerca de proximidad y similitud que podramos esperar, si queremos las

estimaciones de los parmetros para un modelo en algn lugar a continuacin las
observaciones que estn ms cerca debe tener un mayor peso en la estimacin de
las observaciones que aquellas que se encuentren ms lejos, la observacin de Tobler
de que "" Todo est relacionado con todo lo dems, pero las cosas cercanas estn
ms relacionadas que las cosas distantes. "(Tobler, 1970).
Se puede resumir que la Regresin Geograficamente Ponderada (GWR):

permite analizar desde un enfoque global a un anlisis local consiguiendo mayor
precisin y grado de detalle (Lloyd, et al 2005); se obtienen los coeficientes de
determinacin local a partir de los valores del conjunto de observaciones vecinas, de
manera que se precisa como se combinan localmente las variables para obtener el
ajuste especfico en una localizacin (Fotheringham et al., 2002); su implementacin
en un SIG permite la presentacin de los resultados en mapas donde la interpretacin
de los mismos se facilita y se hace ms expedita (Mennis, 2006); en el SIG se pueden
generar las superficies interpoladas para conocer la distribucin espacial continua de
los parmetros y obtener valores predictivos (Anselin, 1988; Pez, 2006).
4. APLICACIN
Para el estudio se consider una muestra de los precios de apartamentos en la
ciudad de Barquisimeto durante el perodo comprendido entre el mes de enero del ao
2013 y el mes de diciembre del ao 2015, se conform una muestra de 976 datos de
los cuales 701 corresponden a ventas registradas en el 1er y 2do Circuito de Registro
Inmobiliario del Municipio Iribarren del Estado Lara y 275 ofertas tomadas por
publicaciones en los aos 2014 y 2015. De tal forma, las variables utilizadas son las
coincidentes en las dos muestras y se describen a continuacin:
Variable Explicada (dependiente):
Precio unitario: expresado en Bolvares por metro cuadrado.
Variables Explicativas (independientes):
rea de apartamento: en metros cuadrados.
Nmero de puestos de estacionamiento.
Existencia de maletero: si tienen o no.
Calidad de la construccin: categorizada en baja, media, buena y muy buena.
Naturaleza de la operacin: se refiere si es venta registrada o si es oferta.
14
Los datos se registraron en el SIG con su posicionamiento espacial a travs

de la georreferenciacin con sus coordenadas proyectadas en el sistema
Regven_UTM_Zona_19. En la Figura 2 se muestra el mapa de localizacin de los
datos.
Figura .2. Localizacin de la muestra. Precios de apartamentos por metro cuadrado en

la ciudad de Barquisimeto.
Anlisis Geoestadstico:
Con la herramienta Geoestatistical Analyst del ArcGIS 10.1 se realiza el

anlisis exploratorio de los datos para ver su comportamiento y ubicacin en el
espacio, a travs de un Anlisis Exploratorio de los Datos Espaciales (AEDE).
Bajo la condicin de que la variable en estudio debe seguir una distribucin

normal para una ptima aplicacin de los mtodos Geoestadsticos, se genera el
histograma de frecuencias Figura 3, calculando el coeficiente de variacin
(CV=S/Media*100), el cual se mejora de 132 % a 5,20 % haciendo la transformacin
15
Log, as mismo el coeficiente de sesgo (Skewness) es menor que 1; por lo cual la

distribucin de los datos se acepta como normal.
Figura 3. Histogramas de Frecuencia.
A travs de los grficos Q-Q (Q-Q plots) el cual representa las

probabilidades normales o logonormales ubicadas en el eje de ordenadas y se escala
de forma que las frecuencias acumuladas aparecern como una lnea recta si la
distribucin es Gausiana, la razn es que la estimacin de valores mediante tcnicas
geostadsticas funciona mejor si la distribucin de los valores de los datos se acerca a
una distribucin Gausiana o normal; tal como se aprecia la distribucin de los
precios unitarios de apartamentos se ajusta bien a una lognormal en los valores
centrales, pero se aleja levemente en la parte superior tal como se muestra en la
Figura 4. Una variable est distribuida lognormalmente si la distribucin del logaritmo
de la variable es normal.
16
Figura 4. Grficos de Probabilidad Normal (Q-Q plots).
Es importante conocer las tendencias direccionales que siguen los datos ya

que permiten establecer correlaciones y formular modelos para el comportamiento de
los datos. En la Figura 5 se presenta el diagrama Trend Analysis, el cual muestra la
ubicacin espacial de los datos en las 3 dimensiones, lo que permite analizar el
comportamiento de los mismos en las diferentes direcciones espaciales.
Figura 5. Diagrama Trend Analysis.
Se generan las curvas de tendencia en las dos direcciones, siendo la tendencia

ms fuerte en la lnea ms gruesa (verde) direccin oeste-este; las lneas de
tendencia siguen la forma curva (cncavas) lo cual representa una tendencia
cuadrtica (de segundo orden).
Anlisis funcin Variograma:
Con la herramienta Geoestatistical Analyst en Geoestatistical Winzard de

ArcGIS 10.1 se realiza ste anlisis, se utiliza el mtodo de Kriging Ordinary, para
obtener el Semivariograma del precio unitario de apartamentos y analizar la estructura
de variabilidad o de autocorrelacin espacial. El empleo de tcnicas geostadsticas
17
requiere que el fenmeno estudiado sea estacionario de segundo orden, es decir, al

menos la varianza debe ser igual en las diferentes zonas del rea de estudio, por lo
tanto el semivariograma crece hasta un lmite que ha sido denominado meseta, a partir
de all la funcin variograma se estabiliza.
Para el anlisis de la funcin variograma los datos se afectaron por la tasa de

incremento obtenida a travs de un modelo exponencial de regresin calculado con la
serie de valores, la cual dio un R2 de 0,87 y una tasa de incremento mensual de 13,17
% mensual al 30/12/2015. En la Figura 6 se muestra la salida del Semivariograma, el
modelo terico que se adopta es el esfrico teniendo un comportamiento lineal a
distancias de separacin pequeas cerca del origen pero se va aplanando a mayores
distancias.
Los grficos muestran slo, una parte de las distancias totales, y en cualquier
grafico desplegado en pantalla, el nmero de cuadros varan segn la cantidad de
puntos, distancias o nivel de correlacin dependiendo del tipo o naturaleza del
proyecto.
Figura 6. Semivariograma experimental y terico.
18
Este modelo muestra una progresiva disminucin en la autocorrelacin espacial

(equivalente con el aumento de la semivarianza) a medida que la distancia entre los
puntos aumenta, hasta que se hace constante. El alcance es la distancia para la cual
el semivariograma alcanza la meseta y donde desaparece la correlacin en el caso
estudio el alcance es de 461 metros con una meseta de 4,6.
Se observa la presencia del denominado efecto pepita que ocurre cuando hay
discontinuidad en el origen, esto se puede dar por las siguientes razones: primero por
la existencia de una escala de variacin de la variable h a la escala o malla del
muestreo, o segundo por la presencia de errores de medida o muestreo (Chica, 1994).
En este caso se tiende a la primera razn debido a la irregularidad en la ubicacin
espacial de los datos, existen zonas con datos aislados, as como zonas con datos
cercanos entre s.
Se verifica la presencia de anisotropa, lo que indica que la variacin espacial

es diferente en las distintas direcciones del espacio, si comparamos las grficas de los
variogramas en las direcciones N-S y E_O se observa como en ambas direcciones
existe la agrupacin de los valores . La presencia de anisotropa se puede dar por la
ausencia de datos en determinadas direcciones o a variaciones experimentales
(Journel, 1977).
La anisotropa es de tipo geomtrica o elptica, esto implica que los

variogramas en las distintas direcciones presentan igual meseta y distintos alcances;
se afecta las caractersticas geomtricas de variacin de la variable en este caso el
precio unitario de apartamentos permaneciendo constante la varianza.
Modelos de Regresin Espacial
A continuacin se presentan los resultados y aplicacin de los siguientes

modelos de regresin aplicados a la muestra explorada: regresin de mnimos
cuadrados ordinarios OLS (utilizando el SIG ArcGIS 10.1) y la regresin
geogrficamente ponderada GWR (utilizando el SIG ArcGIS 10.1). Se realiz una
seleccin de las caractersticas principales (variables explicativas) que influyen en la
determinacin del precio de apartamentos (variable explicada), estas variables han
sido: edad, rea, calidad de la edificacin, puestos de estacionamiento, oferta. En la
Tabla 1 se describen las variables.
19
VARIABLE TIPO DESCRIBE MEDICIN

Precio Unitario Explicada Precio Unitario de Bs/m2
Cuantitativa- Apartamentos
Continua
Edad Explicativa Aos de la Aos
Cuantitativa- Edificacin
Discreta
rea Explicativa rea del Inmueble m2
Cuantitativa-
Continua
Calidad de la Explicativa Calidad Regular: 1
Edificacin Cualitativa- constructiva del Buena: 2
Discreta edificio Excelente: 3
Puestos de Explicativa Nmero de Adimensional
Estacionamiento Cuantitativa- puestos de
Discreta estacionamiento
Naturaleza de la Explicativa Si el dato es una Registro=0
operacin Dicotmica- venta o una oferta Oferta=1
Discreta
Maleteros Explicativa Nmero Adimensional
Cuantitativa-
Discreta
Tabla 1. Variables utilizadas para los modelos de regresin
Utilizando la herramienta en el SIG ArcGIS 10.1 Spatial Statistics Tools s

gener el modelo de regresin de Mnimos Cuadrados Ordinarios (MCO) y sus siglas
en ingles OLS, es una de las tcnicas ms conocidas y considerada como el punto de
inicio adecuado para todos los anlisis de regresin espacial, se proporciona un
modelo global del comportamiento de los precios unitarios de apartamentos
representado en una ecuacin de regresin considerando las variables antes
descritas:
Precio Unitario = -375.603,74 -136,71*rea + 14.268,05*Estacionamiento +

36.103,11*Maletero + 605,91*Edad + 7.312,96* Naturaleza+13.991,15*Tiempo +
289.033,74*Calidad.
En la Figura 7 se muestra la salida de los resultados del modelo OLS y tambin

se genera una shape que contiene asociada la tabla de atributos con los valores
estimados, los residuales y los valores residuales normalizados. El informe del modelo
de regresin muestra cada uno de los estadsticos evaluados, los coeficientes de la
ecuacin de regresin, as como ciertas notas con recomendaciones a realizar.
20
Figura 7. Modelo de Regresin Mnimos Cuadrados (OLS).
El informe estadstico se describe a continuacin:
Medida del Rendimiento del Modelo: R2 es igual a 0,81 indicando que las
variables explicativas modelan una regresin lineal y explica un 81 % la variacin en la
variable dependiente (explicada).
Evaluacin de cada variable explicativa: se refleja en el coeficiente,

probabilidad y factor de inflacin de la varianza (VIF). Los coeficientes reflejan los
cambios esperados en la variable dependiente para cada cambio en una unidad en la
variable explicativa asociada, manteniendo todas las dems variables constantes. En
este caso la variable rea y Estacionamiento tienen signo negativo, los aportes ms
significativos los da las variables maleteros, calidad y tiempo. En cuanto a las
probabilidades se tiene que si la prueba Koenker es estadsticamente significativa se
debe utilizar las probabilidades robustas para evaluar la importancia estadstica de las
variables explicativas; los resultados indican que las variables calidad y tiempo son
estadsticamente significativas. El VIF le corresponde medir la redundancia entre las
variables explicativas, los valores de VIF menores a 7,5 indican que la variable no es
redundante.
21
Importancia del modelo: se mide con el ndice estadstico F conjunto y con el

ndice estadstico de Wald conjunto, indica la importancia general del modelo. Cuando
el ndice estadstico de Koenker es significativo se deben consultar los dos ndices, en
el presente modelo se deben consultar los dos, y tanto el estadstico F como el
estadstico de Wald son estadsticamente significativos.
Evaluacin de la Estacionariedad: el estadstico de Koenker (BP) es una

prueba que determina si las variables explicativas guardan una relacin consistente
con la variable explicada, tanto en el espacio geogrfico como en el espacio de datos.
Cuando el modelo es consistente en el espacio geogrfico los procesos son
estacionarios, es decir las variables explicativas se comportan igual en cualquier parte
del rea de estudio y cuando el modelo es consistente en el espacio de datos la
variacin en la relacin entre los valores previstos y cada variable explicativa no
cambia cuando cambian los valores de la variable explicativa, no existe presencia de
heterocedasticidad en el modelo. En este caso el estadstico Koenker es
estadsticamente significativo por lo tanto se chequean las probabilidades robustas
(Robust_Pr) de cada variable, estas indican que las variables calidad y tiempo son
estadsticamente significativas. Para un nivel de confianza del 95 por ciento, un valor p
(probabilidad) menor que 0,05 indica una heterocedasticidad o no estacionariedad
estadsticamente significativa. Los modelos de regresin con no estacionariedad
estadsticamente significativa generalmente son buenos candidatos para el anlisis de
Regresin ponderada geogrficamente (GWR).
Evaluacin de la influencia del modelo: se mide con el estadstico Jarque-Bera,

indica si los residuos se distribuyen normalmente, cuando el valor de la probabilidad
de este estadstico es bajo menor que 0,05 para un nivel de confianza del 95% los
residuales no son distribuidos normalmente, el valor que da es 0 menor que 0,05 lo
que indica que los residuos no son distribuidos normalmente.
Evaluacin de la autocorrelacin espacial residual: se comprueba a travs del I

de Morn Global, el cual establece la hiptesis nula que el atributo que se analiza est
distribuido en forma aleatoria en el rea de estudio, los resultados obtenidos se
muestran en la Figura 8; resulto un I Moran de 0,17 con un valor de para la hiptesis
nula de 0 (Z= 6,12), por lo que se rechaza la hiptesis nula planteada de no auto
correlacin espacial en los residuos.
22
Figura 8. Resultados I Morn Global en el modelo de regresin OLS.
Valores normalizados de los residuos (StdResid): en la tabla de atributos del

modelo de regresin OLS en la cual se observan los valores de los residuos
normalizados, estos deben tener una media de cero y una desviacin estndar de 1;
se chequea que los valores se encuentren entre el rango de -2 (valores sobrestimados
en el modelo) y 2 (valores subestimados en el modelo); fuera del rango [-2,2] se
encuentran 39 outlliers fuera del rango que representa el 4 % menor al 5%, es decir,
que se puede concluir que la varianza del error se mantiene a lo largo de las
observaciones (principio de Homocedasticidad).
Modelo de regresin geogrficamente ponderada GWR
La regresin geogrficamente ponderada GWR considera directamente la

componente espacial de los datos, incorporando en su ecuacin el valor de las
coordenadas geogrficas proyectadas de cada observacin, en comparacin con la
regresin de mnimos cuadrados OLS los coeficientes de los predictores vara para
cada observacin; es decir para cada dato observado definido por sus coordenadas
(X,Y). Siempre es recomendable aplicar la regresin OLS antes de utilizar la regresin
GWR. En la Figura 9 se presentan los resultados para el anlisis del modelo de
regresin GWR.
23
Figura 9. Resultados del modelo de regresin GWR.
El anlisis de los resultados del modelo es el siguiente:
El ancho de banda o vecinos (Bandwidth): corresponde al ancho de banda o la

cantidad de vecinos que se utiliza para cada estimacin local, controla el grado de
suavizado en el modelo, se utiliz el criterio de AICc (criterio de Akaike corregido) que
permite una distancia ptima o una cantidad de vecinos adaptable ptima, en este
caso como las coordenadas son UTM la distancia corresponde a metros.
Suma de los residuales cuadrados (Residual Squares): es la suma de la

diferencia entre el valor observado y el valor estimado, cuanto menor sea esta medida
ms prximo estar el ajuste del modelo a los datos observados.
Sigma: es la desviacin estndar estimada para los residuales, es utilizada

para el clculo de AICc.
Criterio de Akaike corregido (AICc): es una medida del rendimiento del modelo
y sirve para comparar distintos modelos de regresin, si la diferencia entre los valores
de AICc para dos modelos diferentes es mayor a 3, se sostiene que el modelo con el
AICc ms bajo es el mejor. En este caso al comparar los valores del AICc del modelo
de regresin OLS y el modelo de regresin GWR, este ltimo difiere por ms de 3.
R2 Global (medida de la bondad de ajuste): es de 0,83 se interpreta como la

proporcin de varianza de la variable dependiente que da cuenta al modelo de
regresin.
Evaluacin de la autocorrelacin espacial residual: se comprueba a travs del I

de Morn Global, el cual establece la hiptesis nula que el atributo que se analiza est
distribuido en forma aleatoria en el rea de estudio, los resultados obtenidos se
muestran en la Figura 10; resulto un I Moran de 0,12 con un valor de para la
hiptesis nula de 0 (Z= 4,13), por lo que se rechaza la hiptesis nula planteada de no
auto correlacin espacial en los residuos.
24
Figura 10. Resultados I Morn Global en el modelo de regresin GWR.
Figura 11. Tabla de atributos del modelo de regresin GWR.
Anlisis de la tabla de atributos (Figura 11) del modelo GWR:
1. Valor de la muestra (Observed): es el valor de la muestra en el punto

georreferenciado, es decir el precio unitario de apartamento.
2. Nmero de Condicin (Cond): evala la multicolinealidad local, los resultados

mayores a 30 pueden ser pocos confiables, los valores obtenidos de la muestra se
encuentran entre 13,83 y 29,36.
3. R2 local (localR2): indica el grado de ajuste del modelo en cada localizacin,

mide la regresin local a los valores y observados, la muestra se encuentra en un
rango de 0,78 y 0,93 en la Figura 12 se presenta el mapa con los valores.
25
Figura. 12. Mapa de valores de R2 local en el modelo GWR
4. Valores Previstos (Predicted): son los valores estimados o ajustados

calculados por el modelo GWR.
5. Coeficientes: para cada variable se estima el valor de su coeficiente en cada

localizacin.
6. Valores residuales: corresponden a la diferencia entre los valores observados

(muestra) y los valores estimados. Los valores residuales estandarizados o
normalizados tienen un valor medio de cero y una desviacin estndar de 1.
7. Error estndar de coeficiente (StdError): mide la confiabilidad de cada

estimacin de coeficientes, a medida que los errores estndar son pequeos en
relacin con los valores de coeficientes reales la confianza en las estimaciones es
mayor; ya que grandes errores estndar pueden indicar problemas con la
multicolinealidad local. En la Figura 13 se muestra el mapa.
Anlisis I Moran Local
En este anlisis se identifican patrones de asociacin espacial de las

variables, representa el grado de correlacin del indicador de una unidad territorial con
26
los indicadores de sus vecinas. El campo de salida se denomina COType y en la clase

de entidad de salida ser Alto para un cluster de valores altos estadsticamente
significativo (nivel 0,05) y Bajo para un cluster de valores bajos estadsticamente
significativo (nivel 0,05).
Puntos HH (high-high): significa que una unidad territorial con un valor de

anlisis por encima de la media, rodeada significativamente por puntos vecinos que
se encuentran tambin por sobre la media con respecto a la variable de inters. Estas
unidades territoriales corresponden a los denominados enclaves calientes (hot spots),
identificados por el ndice Gi* de Getis-Ord.
Puntos LL (low-low): una unidad territorial con un valor de anlisis inferior a la

media, rodeada por puntos vecinos que tambin se encuentran por debajo de la media
en relacin con la variable de inters. Estas unidades territoriales corresponden a los
denominados enclaves fros (cold spots), identificados por el ndice Gi* de Getis-Ord.
Puntos HL (high-low): presencia de una unidad territorial con un valor de

anlisis alto, rodeada significativamente por puntos vecinos con valores que se
encuentran por debajo de la media de la variable de inters.
Puntos LH (low-high): representa una unidad territorial con un valor de anlisis

bajo, rodeada significativamente por puntos vecinos con valores que se encuentran
por encima de la media de la variable de inters.
Figura 13. I Moran Local
27
Mapa de Valores obtenidos con el Modelo de Regresin GWR
Los mapas de valores estimados por cada modelo de regresin han sido
generados a travs del operador Kriging, el comportamiento de los precios de
apartamentos dentro de la ciudad se comportan de manera general de menor a mayor
en sentido oeste-este de la ciudad, existiendo ncleos de valores por encima de la
media hacia la zona oeste, esto motivado a nuevos urbanismos desarrollados con
calidad y puestos de estacionamiento similares a conjuntos residenciales del este de la
ciudad.
Figura 14. Mapa de Valores Unitarios de Apartamentos estimados por el modelo de

regresin GWR, tomando como fecha el 30/12/2015
5. CONCLUSIONES
El anlisis exploratorio de los datos espaciales dan una indicacin preliminar
del comportamientos de los precios de apartamentos en la zona estudiada, la
funcin variograma se comporta como una til herramienta para analizar la
variabilidad espacial de los precios de apartamentos y de las caractersticas
28
que ms influyen sobre el mismo (constructivas y localizativas), que han sido

seleccionadas mediante los modelos de regresin.
La incorporacin de tcnicas de estadstica espacial medidas de
autocorrelacin espacial y GWR- en los modelos de prediccin directa supone
claras ventajas sobre el empleo de mtodos estadsticos tradicionales (OLS).
En presencia de autocorrelacin espacial (lo que es habitual en los datos
geogrficos) el modelo GWR se comporta de forma ms eficiente porque
considera las variaciones espaciales de las relaciones entre las variables y
obtiene parmetros locales que reflejan con ms precisin su influencia en los
precios inmobiliarios. El modelo GWR no slo suele tener un mayor poder
explicativo que el OLS, sino que adems permite profundizar en el anlisis
local, ya que se dispone de una ecuacin de regresin para cada observacin,
ajustada localmente. As es posible conocer dnde el modelo tiene un mayor o
menor ajuste (R2) y cmo cambia la relacin entre las variables en el espacio
(coeficientes de los predictores) y con qu significacin estadstica. El
conocimiento de la variacin de cada coeficiente en el espacio permite extraer
conclusiones ms realistas y detalladas basadas en el anlisis local.
6. REFERENCIAS BIBLIOGRFICAS
Armstrong, M. y Carignan, J., (1997). Gostatistique Linaire, Application au

Domaine Minier., cole de Mines de Paris, 112 p., Gostatistique Linaire,
Application au Domaine Minier., cole de Mines de Paris, 112 p.
ANSELIN, L. (1988B), Langrange Multiplier test diagnostics for spatial dependence

and spatial heterogeneity. Geographical Analysis, 20; pp. 1-17.
Anselin, L. (1988). Spatial Econometrics: methods and models. Kluwer Academic,

Dordrecht.
Beamonte M., Salvador M. (2008). Evolucin espacio-temporal del mercado

inmobiliario en Zaragoza mediante el uso de efectos de vecindad. ESTADSTICA
ESPAOLA Vol. 50, Nm. 167, 2008, pgs. 5 a 24
Camacaro y Mendoza (2014). Anlisis de la dependencia espacial de los precios en

el mercado inmobiliario Caso: Apartamentos del Macrosector Este de la ciudad de
Barquisimeto, Estado Lara, aos 2010-2012. Trabajo especial de grado. UCLA.
29
Chauvet, P. (1994). Aide-Memoire de Gostatistique Miniere, cole des Mines de

Paris, 210p.
Chasco C. (2003). Econometra Espacial Aplicada a la Prediccin-Extrapolacin de

Datos Microterritoriales. Copyright 2003, by Comunidad de Madrid. Consejera de
Economa e Innovacin Tecnolgica. Tesis Doctoral.
Chica J. (1994). Teora de las Variables Regionalizadas. Aoplicacin en Economa

Espacial y Valoracin Inmobiliaria. Edita e imprime; Servicios de Publicaciones de la
Universidad de Granada. Campus Universitario de Cartuja. Granada.
Chica O, Cano R. (2007). Mdelo Hednico Espacio-Temporal y anlisis Variogrfico

del Precio de la Vivienda. GeoFocus (Artculos), n 7, p. 56-72. ISSN: 1578-5157.
Collazos E., Gamboa W., Prado P., Verardi V. (2006). Anlsis Espacial del Precio de
Oferta de la Vivienda en el rea Metropolitana de Cochabanba. Revista
Latinoamericana de Desarrollo Econmico versin impresa ISSN 2074-4706 rlde n.6
La Paz abr. 2006.
David, M., (1977). Geostatistical Ore Reserve Estimation, Elsevier, Amsterdam, 364 p.
de Fouquet, C, (1996). Quelques Rappels Sur les Mthodes Gostatistiques, Centre
de Gostatistique, Ecole des Mines de Pars, Fontainebleau, France, 4 p.
Duque J. y otros (2011). Infraestructura pblica y precios de vivienda: una aplicacin

de regresin geogrficamente ponderada en el contexto de precios hednicos. Ecos
de Economa. ISSN 1657-4206 I Ao 15 I No. 33 I julio-diciembre 2011 I pp. 95-122 I
Medelln-Colombia.
Fotheringham, Stewart, Martin E. Charlton and Chriss Brundsdon (2001). Spatial

Variations in School Performace: a Local Analysis Using Geographically Weighted
Regression. Geographical & Environmental Modelling, Vol. 5, No.1, 2001. 43-66.
Fotheringham, A.S., Brunsdon, C. y Charlton, M.E. (2002). Geographically weighted

regression: the analysis of spatially varying relationships. Wiley, Chichester.
Gutirrez, J.C. Garca O, Daniel C. (2012). Regresin Geogrficamente Ponderada

(GWR) y estimacin de la demanda de las estaciones del Metro de Madrid. XV
Congreso Nacional de Tecnologas de la Informacin Geogrfica, Madrid, AGE-CSIC.
Journel, A. (1977). Goestatistique miniere. These Docteur.GGMM. Paris.
30
Journel, A. G. y Huijbregts, C. J., (1978). Mining Geostatistics, Academic Press, New

York, 600 p.
Moral, F.J. (2004). Aplicacin de la geoestadstica en las ciencias ambientales.

Ecosistemas 2004/1 (URL: http//www.aeet.org/ecosistemas/041/revision3.htm).
Linarez M. y otros (2010). Modelaje de los valores del suelo urbano, bajo la Teora
de Variables Regionalizadas (TVR), utilizando un Sistema de Informacin Geogrfica
(SIG). Curso de Tasacin de bienes Inmuebles, UCLA-SOITAVE.
Lloyd, C.D. y Shuttleworth, I. (2005). Analysing commuting using local regression

techniques: scale, sensitivity, and geographical patterning. Environment and Planning
A 37 (1), 81-103.
Matheron, G., (1970). La Thorie des Variables Regionalises et ses Applications

Les Cahiers du Centre de Morphologie Mathematique de Fontainebleau, Fascicule 5,
Ecole de Mines de Paris, 212 p.
Pez, A. (2006). Exploring contextual variations in land use and transport analysis
using a probit model with geographical weights. Journal of Transport Geography 14 (3),
167-176.
Tobler, W. (1970). A Computer Movie Simulation Urban Growth in the Detroit Region.
Economic Geography, 46(2), 234-240.
Xie, T. y Myers, D., (1995). Fitting Matrix-Valued Variogram Models by Simultaneous

Diagonalization (Part I: Theory), Mathematical Geology, Vol. 27, No. 7, pp. 867-875.
Zhang, R., Myers, D. E. y Warrick, A. W., (1992). Estimation of the Spatial

Distribution of Soil Chemical Using Pseudo Cross-Variograms, Soil Science Society of
America Journal, Vol. 56, No. 5, pp.1444-1452.
31

Comportamiento Espacial... Noris Timaure B.

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Comportamiento Espacial... Noris Timaure B.

Cargado por

Copyright:

Formatos disponibles

Anlisis del Comportamiento Espacial de los Precios Inmobiliarios con el uso de

Sistemas de Informacin Geogrfica (SIG). Noris Timaure

ANLISIS DEL COMPORTAMIENTO ESPACIAL DE LOS PRECIOS

Ing. Civil Msc. Noris M. Timaure B.

(Universidad Centroccidental Lisandro Alvarado)

El objetivo principal de ste estudio es el anlisis del comportamiento espacial de los

Mediante las tcnicas estadsticas de regresin se puede llegar a cuantificar en

En el caso del mercado inmobiliario la variable dependiente es el precio del

Estas caractersticas denominadas variables independientes, en el caso de

La consideracin del factor localizacin est implcito en la formacin espacial

a la idea de autocorrelacin espacial o dependencia espacial, el modelo interactivo el

En consecuencia, para el uso de la metodologa deductiva la aplicacin de las

Por lo tanto, ante esta situacin es conveniente el anlisis del factor

Una herramienta avanzada para el procesamiento y anlisis de datos

La metodologa que se plantea utilizar en este estudio constituye una gran

la tasacin: fiscal, hipotecaria, registro, planeamiento urbanstico, seguros, catastro,

El estudio se desarrolla en tres partes, la primera consiste en el anlisis

A continuacin se hace referencia a trabajos de investigacin realizados en el

Chica O, Cano R. (1999), presentan un estudio de Aproximacin a la

Alves D. (2003), en su Tesis doctoral: Modelos Espaciales Aplicados al

efectos de dependencia espacial, siendo de gran utilidad para la generar la matriz de

Chasco C. (2003), Tesis Doctoral Econometra Espacial Aplicada a la

Collazos W. y otros (2006), realizaron el siguiente estudio: Anlisis Espacial

Chica O, Cano R. (2007), en su trabajo Mdelo Hednico Espacio-Temporal y

Beamonte M. y otros (2008), presentaron el siguiente trabajo: Evolucin

efectos de vecindad, el modelo comprende las caractersticas estructurales de los

Linares M. y otros (2010) realizaron es el siguiente trabajo Modelaje de los

Duque J. y otros (2011), han realizado el estudio titulado Infraestructura

Gutirrez y otros (2012), en la ponencia titulada Regresin Geogrficamente

Camacaro y Mendoza (2014), realizaron el trabajo Anlisis de la dependencia

La metodologa que se desarrolla en el presente estudio se fundamenta en los

Anlisis Geoestadstico el cual comprende el anlisis exploratorio de los datos

Econometra Espacial con el uso de un modelo de Regresin Geograficamente

El anlisis geoestadstico en los precios inmobiliarios

La Geoestadstica es definida como el estudio de las variables numricas

El anlisis geoestadstico se desarrolla en tres etapas:

El anlisis exploratorio de los datos, donde se estudian los datos muestrales

El Anlisis Exploratorio de Datos Espaciales (AEDE) ha sido definido como un

En cuanto al anlisis estructural de los datos donde se estudia la continuidad

En el caso de variables econmicas la Variable Regionalizada presenta dos

Para estudiar el doble carcter de aleatoriedad y estructural de la VR, se

La FA Z(x) es funcin de la localizacin, fijando x=x0 entonces:

Z(x0) es una variable aleatoria (VA)

Desde esta ptica la VR se puede interpretar partiendo de la Teora de las

Para mostrar de una manera prctica, supongamos que el precio unitario de un

Una caracterstica de la FA es la continuidad, la cual trata de las variaciones

Cuando una FA es continua en media se cumple:

Por otra parte, una VR es continua en media cuadrtica cuando:

Cuando la continuidad en media cuadrtica no se verifica se dice que se

Cuando la FA se despliega en un espacio de dos o ms dimensiones y

Journel y Huijbregts (1978) y David (1977) han definido los siguientes

Regin: se refiere al espacio en el cual existe y se estudia el fenmeno natural.

Localizacin: Es el punto de una regin en la cual se define una variable

Soporte Geomtrico: Est determinado por el elemento fsico sobre el cual se

Momentos de primer orden: Si la funcin de distribucin de Z(xi) tiene una

Momento de segundo orden: Si la varianza (Var) de Z(xi) existe, entonces se

Var Z(xi) = E[Z(xi) - m(xi)] 2

Si la varianza de las variables Z(xi) y Z(xj) existe entonces la covarianza (Cov)

La funcin variograma nos permite conocer la estructura de variabilidad espacial

1. Funcin positiva: (h) 0 ; (0) = 0

2. Funcin simtrica: (h) = (-h)

Sea Z(x) el valor de una variable en una localizacin x y Z(x+h) el valor de la

Sin embargo, el uso de los grficos de dispersin-h es poco prctico, ya que se

Dnde: Np(h): es el nmero de pares a la distancia h.

Precio Unitario = -375.603,74 -136,71rea + 14.268,05Estacionamiento +