Argumentos i de moran

en la I de Moran, así como en su versión local que se examina en la siguiente sección, las
observaciones se toman como desviaciones de su media. El vecindario Ji para cada observación se
define de la manera habitual, y puede formalizarse mediante una matriz de pesos espaciales o de
contigüidad, W. Las columnas con elementos no nulos en una fila determinada de esta matriz
indican los vecinos relevantes para la observación que corresponde a la fila, es decir, los ele-
mentos de Ji.

La matriz de pesos espaciales puede ser normalizada en filas de manera que sus elementos de filas
sumen uno) para facilitar la retación interna de las estadísticas, pero esto no es necesario. Sin
embargo, cuando se forma una fila de promedio ponderado de los valores en todas las
observaciones j E Ji. El Li debe ser tal que sea posible inferir la significación estadística de la pauta
de asociación espacial en el lugar i.

Por ejemplo, en un análisis de las elecciones de 1930 en Alemania de Weimar, OLoughlin, Flint y
Anselin (1994) constataron que una I de Moran muy significativa a nivel de 921 distritos
electorales oculta en efecto varias pautas locales distintas de agrupación espacial y aleatoriedad
espacial completa para seis subconjuntos regionales. En tal caso, la distribución de la estadística Li
como indicador de la agrupación espacial local se verá afectada por la presencia de la asociación
espacial global

La interpretación del Moran local como indicador de la inestabilidad local se desprende fácilmente
de la relación entre las estadísticas locales y mundiales expresadas en la ecuación (11).
Específicamente, el promedio de la Ii será igual a la I global, hasta un factor de proporcionalidad.
Así pues, las contribuciones extremas pueden identificarse mediante reglas simples, como la regla
de los dos dígitos, o mediante la identificación de los valores atípicos en un gráfico de recuadro.
Obsérvese que esta noción de extremo no implica que los Ii correlativos sean significativos en el
sentido señalado anteriormente, sino que sólo indica la importancia de la observación i para
determinar la estadística global. Esta similitud con la identificación de los valores atípicos, puntos
de influencia y de palanca en el diagrama de dispersión de Moran (Anselin 1993a) se examinará
más a fondo en la ilustración empírica

el I de Moran baja a 0,254, pero su valor z asociado es de 2,53 (utilizando la hipótesis de la

aleatoriedad nula), que sigue siendo muy significativo a p < 0,006. La distribución de las
estadísticas de Ii de la muestra puede explotarse de manera similar para proporcionar una
indicación de los valores atípicos o puntos de apalancamiento.

istribución del Moran local en presencia de la autocorrelación espacial global La presencia de la

autocorrelación espacial global tiene una fuerte influencia en los momentos de la distribución del
Moran local, como se indica en los resultados de la Tabla 2. Tanto la media como la desviación
estándar aumentan con la autocorrelación espacial, pero el efecto más significativo parece ser en
la asimetría de la distribución. Esto queda ilustrado además por los gráficos de recuadro de la
figura 7 (para el caso con n = 42; los resultados para el tamaño de muestra más grande son
similares). A medida que p aumenta, la distribución se vuelve cada vez más asimétrica en torno a
la mediana, mientras que tanto el rango intercuartílico como la propia mediana aumentan
también. Es evidente que, en presencia de una autocorrelación espacial global, los momentos
indicados por las expresiones (13) y (14) se convierten en estimaciones inadecuadas de los
momentos de la distribución real. El mismo problema parece afectar también a la dis tribución
para el Getis y el Ord Gi y G: las estadísticas, ya que se derivan de manera similar. En
consecuencia, es probable que la inferencia para las pruebas de los conglomerados espaciales
locales que ignora este efecto sea engañosa. La magnitud del error no puede derivarse de los
resultados iniciales de Monte Carlo que aquí se presentan, y es necesario seguir investigando,
tanto empírica como analíticamente. En la práctica, la inferencia basada en los niveles de seudo
significación indicados por un enfoque de rando condicional parece ser la única alternativa viable.

e desprende que la distribución nula del Moran local no se puede aproximar eficazmente por la
normal, al menos no para los pequeños tamaños de muestra empleados aquí. Además, parece que
pueden ser necesarios momentos más altos para obtener una mejor aproximación. Además, el uso
no crítico de la distribución nula en presencia de una autocorrelación espacial global dará niveles
de significación incorrectos.

Estos resultados permiten concluir que existe autocorrelación espacial

positiva (0.5829) y que esta es estadísticamente significativa (p=0.001).