Documentos de Académico
Documentos de Profesional
Documentos de Cultura
• Vecindad
• Dependencia espacial
• Estadísticos de dependencia espacial
• Regresión espacial
• Selección de modelos espaciales
Donde tenemos k variables {z1, z2, …,zk} medidas en la localización s(i) donde
i=1,2,..n.
B C C C B C
B A B A B A B
B C C C B C
TORRE ALFIL REINA
D
C B C
D B A B D
C B C
D
Anselin plantea que, en caso de que la unidad espacial sea un sistema urbano,
la vecindad puede ser obtenida de la trayectoria más corta en una red o gráfica
formada por una conexión de puntos. Por ejemplo, en la figura 4, la distancia
más corta entre los puntos es representada por la línea punteada y la vecindad
por el círculo que conecta los puntos y tiene como centroide a la localidad A.
B A B
• Distancia Euclidiana
Con base a las coordenadas de latitud (x) y la longitud (y), la distancia entre los
centroides de las localidades i y j:
2
𝑑𝑖,𝑗 = 𝑥𝑖 − 𝑥𝑗 (𝑦𝑖 − 𝑦𝑗 )2
2 1/2
2
𝑑𝐸 𝑖, 𝑗 = 𝑥𝑖𝑘 − 𝑥𝑗𝑘
𝑘=1
𝑚 1/2
2
𝑑𝐸 𝑖, 𝑗 = 𝑥𝑖𝑘 − 𝑥𝑗𝑘
𝑘=1
• Métrica de Minkowski
En el caso de que p=2 es la distancia euclidiana, si p=1 es la distancia conocida
como Manhattan o distancia taxicab.
1
𝑚 𝑝 𝑝
𝑑𝐸 𝑖, 𝑗 = 𝑥𝑖𝑘 − 𝑥𝑗𝑘
𝑘=1
x =Rλ
y = Rln(tan(π/4+ Φ/2)
x =Rλ
y = RsenΦ
−1
𝐸 𝐼 =
𝑅−1
1 2
𝑆1 = 𝑤𝑖𝑗 + 𝑤𝑗𝑖
2 𝑖 𝑗
2
𝑆2 = 𝑤𝑖𝑗 + 𝑤𝑗𝑖
𝑖 𝑗 𝑗
𝑅1 σ𝑖(𝑥𝑖 − 𝑥)ҧ 4
𝑆3 = 1
(𝑅 σ𝑖(𝑥𝑖 − 𝑥)ҧ 2 )2
2
𝑆4 = 𝑅2 − 𝑅 + 3 𝑆1 − 𝑅𝑆2 + 3 𝑤𝑖𝑗
𝑖 𝑗
∗
𝑰 − 𝐸(𝑰)
𝑰 =
𝑉(𝑰)
𝑾𝑌 = 𝑤𝑖𝑗 𝑦𝑗
𝑗=1
𝑧𝑖
𝑰𝑖 = 𝑤𝑖𝑗 𝑧𝑗
σ𝑖 𝑧𝑖2 /𝑁𝑗
𝑖
𝜀𝑖 = 𝜆𝑊3 𝜀𝑖 + 𝑢𝑖
con 𝑢𝑖 ~𝑁(0, Ω) siendo los elementos diagonales de Ω𝑖𝑗 = ℎ𝑖 (𝑧𝛼) con ℎ𝑖 > 0.
donde 𝑦𝑖 es el vector de la variable endógena, 𝑋𝑖 es una matriz de variables
exógenas y el término de error 𝜀𝑖 que incorpora una estructura de
dependencia espacial autorregresiva, 𝑊1 , 𝑊2 y 𝑊3 son matrices de pesos
espaciales.
𝑦𝑖 = 𝛽𝑋𝑖 + 𝜀𝑖
𝜀𝑖 = 𝑢𝑖
2) Modelo autorregresivo: 𝜌 ≠ 0, 𝜆 = 0, 𝜃 = 0
𝑦𝑖 = 𝜌𝑊1 𝑦𝑖 + 𝛽𝑋𝑖 + 𝜀𝑖
𝜀𝑖 = 𝑢𝑖
𝑦𝑖 = 𝛽𝑋𝑖 + 𝜀𝑖
𝜀𝑖 = 𝜆𝑊3 𝜀𝑖 + 𝑢𝑖
b) Al despejar 𝑦𝑖 , se obtiene:
donde: 𝜃 = −𝛽𝜆
El modelo SDM
𝑦 = 𝜌𝑊𝑦 + 𝛼𝑖𝑛 + 𝑋𝛽 + 𝑊𝑋𝜃 + 𝜀
𝜀~𝑁(0, 𝜎 2 𝐼𝑛 )
𝑦 = 𝜌𝑊𝑦 + 𝑍𝛿 + 𝜀
𝜀~𝑁(0, 𝜎 2 𝐼𝑛 )
Si el valor del parámetro rho (𝜌) fuera conocido por decir 𝜌∗ , el modelo se
puede escribir como:
𝑦 − 𝜌∗ 𝑊𝑦 = 𝑍𝛿 + 𝜀
𝑛 𝑒 ′𝑒
𝑙𝑛𝐿 = − ln 𝜋𝜎 2 + 𝑙𝑛 𝐼𝑛 − 𝜌𝑊 − 2
2 2𝜎
𝑒 = 𝑦 − 𝜌𝑊𝑦 − 𝑍𝛿መ
𝜌 ∈ (min(𝜔)−1 , max(𝜔)−1 )
𝑙𝑛𝐿(𝜌)=𝜅+𝑙𝑛|𝐼_𝑛−𝜌𝑊|−(𝑛/2)ln(𝑆(𝜌))
𝛿መ = 𝛿0 − 𝜌𝛿ො 𝑑
𝜎ො 2 = n−1 𝑆(𝜌)
ො
=ෝ
Ω σ2 𝐼𝑛 − 𝜌𝑊ො ′ 𝐼𝑛 − 𝜌𝑊
ො −1
𝑦 = 𝑋𝛽 + 𝑢
𝑢 = 𝜆𝑊𝑢 + 𝜀
𝜀~𝑁(0, 𝜎 2 𝐼𝑛 )
′
𝑛 2
𝑒 𝑒
𝑙𝑛 𝐿 = − ln 𝜋𝜎 + 𝑙𝑛 𝐼𝑛 − 𝜆𝑊 − 2
2 2𝜎
𝑒 = (𝐼𝑛 − 𝜆𝑊)(𝑦 − 𝑋𝛽)
1) Test I de Moran
Mide el efecto de autocorrelación espacial en los residuos 𝑒𝑖 en un modelo no-
espacial o clásico, sin distinguir estructuras de Rezago o Error Espacial:
𝑁 σ(2) 𝑤𝑖𝑗 𝑒𝑖 𝑒𝑗 𝑁 𝑒 ′ 𝑊𝑒
𝐼= =
𝑆0 σ𝑁 2
𝑖=1 𝑒𝑖 𝑆0 𝑒 ′ 𝑒
La inferencia se hace con el valor z estandarizado. El primer y segundo
momento
𝑁 2 ′ + 𝑡𝑟 𝑀𝑊 2 + 𝑡𝑟 𝑀𝑊 2
𝑁 𝑡𝑟 𝑀𝑊 𝑡𝑟 𝑀𝑊𝑀𝑊
𝑆
𝐸𝐼 = ;𝐸𝐼2= 0
𝑆0 𝑁 − 𝐾 𝑁−𝐾 𝑁−𝐾+2
Se distribuye como una 𝜒 2 con un grado de libertad
2 2
𝑒 ′ 𝑊𝑦 𝑒 ′ 𝑊𝑒 𝑒 ′ 𝑊𝑒
− 2
𝑠2 𝑠 𝑠2
𝑆𝐴𝑅𝑀𝐴 = +
𝑅𝐽ሚ𝜌−𝛽 − 𝑇1 𝑇1
Haining, Robert (2003) Spatial Data Analysis: Theory and Practice, 1st edition,
Cambridge University Press