INSTITUTO DE INVESTIGACIONES DR.

JOSE MARIA LUIS MORA

CURSO – CARTOGRAFIA Y SISTEMAS DE

INFORMACIÓN GEOGRÁFICA
Maestría en Estudios Regionales
PRÁCTICA 6 Análisis espacio-temporal en datos censales

PROFA. CLAUDIA CORONEL ENRÍQUEZ

TUTORA ANGÉLICA OROPEZA LUIS
SEPTIEMBRE 2022
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

INTRODUCCIÓN
Los datos o registros sobre procesos geográficos, conocidos como datos
espaciales, presentan una serie de características que requieren considerarse
antes de realizar cualquier análisis. En los datos espaciales el valor que toma
la variable estudiada está asociado a una localidad geográfica, ya sea ésta un
punto, segmento de línea o área.
La primera Ley de la Geografía establece el supuesto general de dependencia
espacial en las observaciones sobre procesos geográficos. Una derivación de
esta dependencia, cuando realizamos estudios multitemporales, es la
autocorrelación temporal.
Debido a la presencia de autocorrelación espacio temporal es posible
reconocer un conjunto de patrones o estructuras espaciales en los datos,
llamados vecindarios y componentes. En éstos el efecto de la autocorrelación
espacial y temporal, respectivamente, explica una fracción importante de la
varianza o variación.
En el análisis temporal se pueden distinguir dos niveles: el análisis
comparativo simple entre dos o más periodos de tiempo como fotografías o
imágenes estáticas que capturan un instante o periodo corto de tiempo ,
denominado análisis transversal; además está el análisis longitudinal o
propiamente el análisis de series de tiempo donde hay todo un conjunto de
imágenes, datos que corresponden a diversos periodos de tiempo, a partir de
los cuales es posible identificar ciclos, temporadas, estaciones, componentes
a través de plazos de tiempo considerados de mediano y largo plazo.
OBJETIVOS: El propósito de esta práctica es ilustrar el concepto de
autocorrelación temporal como propiedad intrínseca de objetos o entidades
geoespaciales. También se plantea que la autocorrelación espacial es causal
de patrones temporales en series de tiempo.
Materiales
Software
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

La práctica se realizará con el programa GeoDa

Datos
Abrir en Geoda el shapefile creado a partir del conjunto de datos censales de
New York que se encuentran en Sample Data como NYC Data. El periodo de
análisis es predominantemente de 2002 a 2009.
Si no aparece en la lista, acceder a los datos en la siguiente liga:
https://geodacenter.github.io/data-and-lab/nyc/

ACTIVIDAD 1. Preparación de los datos como una serie de tiempo con Time
editor
1. Una vez abierto el archivo *.shp procede al menú Time y selecciona la
opción Time editor como se muestra en la figura.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

2. Agrupa las variables hhsiz##, que se van a analizar seleccionando en el

panel de la izquierda, el conjunto de periodos de interés da clic en la
flecha hacia la derecha para que se genere el grupo de variables, pon
un nombre al grupo, por ejemplo, casasize. La variable se refiere al
número de personas promedio que habitan por vivienda. Las unidades
son grupos de Census tract que agrupan 100000 habitantes.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

Resultando la siguiente imagen.

INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

3. Se puede remover la variable que no desee incorporarse en el grupo,

dando clic con el botón derecho y seleccionando Remove Time.
También se debe etiquetar el tiempo con la fecha correspondiente
sobre la columna Tiempo.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

4. Una vez que están listas las etiquetas de tiempo y el orden cronológico
adecuado se pasa el grupo de variables al panel a la derecha en el
listado de grupos de variables
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

Ahora aparecerá el nuevo grupo en el panel a la extrema derecha

INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

Para guardar el grupo de variables salvar el proyecto.

ACTIVIDAD 2. Comparar patrones en el tiempo

1. Se pueden comparar estadísticos de las variables en el tiempo, por
ejemplo, usando el diagrama de caja y brazo. Aparece en la caja de
diálogo el grupo de variables recién creado y entre paréntesis el año de
inicio de la serie de tiempo. Se puede cambiar el inicio seleccionando
en Time el año que se desea inicie la serie.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

Aparecerán los diagramas de caja y brazo de los años en la serie de tiempo, lo

que nos permite comparar si la variable ha disminuido, aumentado. Se han
dispersado más los valores o se ha hecho una distribución más acotada. En el
ejemplo del número de habitantes por hogar, este ha disminuido del año
2000 al 2008.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

2. El diagrama de dispersión es otra herramienta gráfica que nos puede

ser útil en el análisis temporal para explorar la presencia de
autocorrelación temporal en los datos. Se selecciona el grupo de
variables y en x se asigna el primer año de la serie y para la variable
dependiente el año siguiente de la serie.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

En el ejemplo hay una buena correlación entre los dos primeros años de la
serie, esto se corrobora viendo el valor que toma p-value b o la significancia
de la pendiente de la línea de ajuste al conjunto de datos.

Con la opción time player del menú time se puede cambiar la

visualización en el diagrama de dispersión para el siguiente periodo de
tiempo con la opción play >. Para hacerlo manualmente se escoge la
doble flecha >>.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

Puede ocurrir que en alguna comparación de datos la autocorrelación

temporal no sea significativa indicando que al menos en el par de
periodos comparado no aplica el supuesto de dependencia temporal.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

Cuando se tiene una buena correlación temporal podemos explorar si

esta no proviene de la presencia de autocorrelación espacial entre los
periodos de tiempo. Una forma de explorar esto es observando los
patrones espaciales en el tiempo.

3. Ahora daremos clic derecho en el Mapa>Change Current Map Type y

escogeremos la opción Create New Custom.

Se escoge la variable agrupada de interés. Se debe dar un nombre a la

leyenda o clasificación personalizada
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

Una vez creada la nueva leyenda se puede editar y escoger una

clasificación del conjunto disponible en la opción breaks. Durante el
curso aprendimos que el método de cuantiles es útil para comparar
datos en una serie de tiempo o variables con diferente magnitud,
usaremos la opción cuantiles con 5 clases. Se puede editar la rampa de
color, dando click en los cuadros de color, las etiquetas de clase,
quitando la opción automatic labels. Para definir clases propias se debe
usar la opción User defined en Breaks.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

Al hacer las ediciones requeridas el mapa temático para el primer año

de la serie se actualiza la vista de mapa. Ahora puedes aplicar Time
player para ver los mapas de toda la serie de tiempo y comparar
patrones.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

4. ¿Hay diferencias importantes en el patrón para los diferentes años?

¿Se observa algún comportamiento aglomerado o estructurado?
Se nota una aglomeración de las casa que van en un aumento solo en
determinados espacios, aunque también esta reducen en tamaño.
5. Inserta tus resultados aquí.
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA

Nota: Una vez terminado tu reporte ponle tu nombre al inicio y nómbralo

como practica6_nombre_apellido.docx y súbelo a la carpeta drive de la
sesión correspondiente.

Rerencias recomendadas y páginas de interés

Anselin, Luc. 1995. “Local Indicators of Spatial Association — LISA.”
Geographical Analysis 27:93–115.
———. 2018. “A Local Indicator of Multivariate Spatial Association, Extending
Geary’s c.” Geographical Analysis (in Press).

Anselin, Luc. 2018. Space –Time Exploration. Digital documentation. Acceso

https://geodacenter.github.io/workbook/3c_spacetime/lab3c.html
Goodchild, M. y Janelle, D. Eds. (2004). Spatially Integrated Social Science.
Oxford University Press.
Levine, N. (2006). Crime mapping and the Crimestat Program. Geographical
analysis 38, 1 – 56
Olaya, V. (2011) Sistema de Información Geográfica, Tomos I y II. Disponible
en: http://volaya.github.io/libro-sig/
INSTITUTO DE INVESTIGACIONES DR. JOSE MARIA LUIS MORA