Autocorrelación espacial

Desde una perspectiva histórica el origen e interés por la AE se remonta a los primeros años de la década del setenta, cuando
surgió la necesidad de hacer frente a modelos econométricos subregionales en los cuales a menudo las técnicas
econométricas tradicionales fallaban. Es por ello que en algunos modelos de regresión se someten a la AE a la espera de que
la configuración sea aleatoria.

Cliff y Ord, investigadores de la Universidad de Bristol en Gran Bretaña, fueron los primeros en acuñar el término AE en el año
1968 ya que hasta entonces se la conocía como dependencia espacial, asociación espacial, interacción espacial o
interdependencia espacial.

Definiciones:

• La autocorrelación espacial indica la relación entre el valor de una variable existente en un punto dado y los de la misma
variable en el entorno cercano de dicho punto (Olaya, 2020).

• La autocorrelación mide el grado de asociación que una variable desarrolla a través de un espacio definido como marco
geográfico, esto es, el espacio de análisis propiamente dicho (Siabato & Manrique, 2019).

• La autocorrelación espacial (AE) refleja el grado en el que objetos o actividades en una unidad geográfica son similares a
otros objetos o actividades en unidades geográficas próximas (Ramírez & Falcón, 2015).
 Autocorrelación espacial

La esencia de la autocorrelación es analizar la variabilidad de un fenómeno a través del espacio geográfico para
determinar patrones espaciales y describir su comportamiento, es decir, puede ser entendida como el medio para
comprender como se distribuye el fenómeno en el espacio analizado y en que grado los elementos locales pueden
verse afectados por sus vecinos.

Goodchild (1986) indica que para abordar el concepto de autocorrelación espacial es necesario primero entender que
el análisis espacial comprende dos tipos bien diferenciados de información.

1. Los atributos de los objetos espaciales, que incluyen variables cuantitativas tales como, magnitudes, población,
precipitación, contaminación. También, las variables cualitativas, tales como, religión, tipo de suelo, educación, etc.

2. Cada fenómeno espacial tiene una localización, que se puede describir por su posición sobre un mapa, por sistemas
de coordenadas o por múltiples referencias geográficas

Waldo Tobler (1970) señala que todo esta relacionado con todo lo demás, pero las cosas cercanas están mas
relacionadas que las distantes. Esto se conoce como la primera ley de geografía, misma que es considerada como la
esencia del análisis estadístico de AE. Esto es, la aplicación de técnicas cuantitativas para analizar la correlación
relacionada con distancias o conectividad.
 Autocorrelación espacial

Es de vital importancia en el análisis espacial, la determinación de la contigüidad o “vecindad” de las unidades

espaciales. Para ello, se suele utilizar una matriz de interacciones espaciales, compuesta por ceros y unos, de forma que
si dos unidades espaciales son vecinas se les asignará el valor 1, y si no lo son se les asignará el valor 0. Si se parte de un
espacio representado en una cuadrícula, hay diferentes formas de definir la vecindad de dos unidades espaciales:

1. Contigüidad tipo Rook: una unidad espacial será vecina de otra si comparte con ésta un lado o borde del cuadrado.
Este criterio se conoce también con el nombre de criterio de la torre, en referencia al movimiento de esta pieza en el
juego del ajedrez.

2. Contigüidad tipo Bishop: dos unidades espaciales serán vecinas si comparten un vértice del cuadrado. Este criterio
se conoce también con el nombre de criterio del alfil.

3. Contigüidad tipo Queen: es aquella que considera vecinas a las unidades espaciales que comparte un borde o un
vértice del cuadrado. También se conoce con el nombre de criterio de la reina.
 Autocorrelación espacial

criterios de contigüidad

Getis (2007) aclara que las estadísticas de correlación se diseñaron para mostrar las relaciones entre variables, mientras que
las estadísticas de autocorrelación se diseñaron para mostrar las correlaciones dentro de las variables, añadiendo que la
autocorrelación espacial muestra la correlación dentro de las variables a través del espacio, es decir, se considera los valores
observados en las zonas vecinas de una sola variable analizada (unidad de análisis).

En resumen, la autocorrelación describe el comportamiento de una única variable considerando un “plano horizontal” que
está delimitado por el marco geográfico. La correlación, en contraste, identifica el grado de asociación que existe entre dos
o más variables que se desarrollan en el mismo marco, aunque visto de manera vertical.
criterios de contigüidad o vecindad
 Autocorrelación espacial

Los tres tipos de contigüidad presentados reflejan vecindad de primer orden, pero es posible considerar también
contigüidad de segundo orden (cuando se considera la influencia de los vecinos de los vecinos), de tercer orden, y así
sucesivamente.
 Autocorrelación espacial
Una relación vertical de dos o más planos o niveles (variables) entendiendo que cada uno representa un fenómeno
geográfico diferente, por ejemplo, temperatura, lluvia, cobertura vegetal, tipos de suelo, etc. Entonces la autocorrelación
espacial considera relaciones entre valores de la misma variable, pero en diferentes localizaciones (horizontal), mientras
la correlación considera diferentes pares de variables en la misma localización (vertical).

La imagen de la derecha (a) muestra la naturaleza univariada de la autocorrelación y (b) la multivariada de la correlación.
Mientras la autocorrelación espacial relaciona una variable en diferentes espacios, la correlación relaciona múltiples
variables en el mismo lugar.
 Autocorrelación espacial

Si consideramos que la primera ley de la geografía se define por el criterio de cercanía, una pregunta válida que surge es,
cuánto o hasta dónde es cerca o lejos? Uno de los criterios de cercanía puede ser entonces definido por aquellas
unidades geográficas o unidades de análisis que tienen contigüidad física, criterio comúnmente llamado “vecindad”.
Estas relaciones se basan en diferentes criterios geográficos tales como: la existencia de contigüidad física; la definición
de relaciones de distancia; o como las redes de transporte, e inclusive puede ser expresada en términos temporales.

Generalmente, la vecindad se establece a través de la matriz de contigüidad W, cuyos componentes denotaremos

como Wij y representan el criterio de vecindad entre las unidades de análisis i y j. Cij explica la variación temática del
fenómeno analizado. Los índices de autocorrelación están determinados de forma general por la siguiente expresión:

Los fundamentos de este criterio fueron definidos por Moran (1948).

El criterio más simple de vecindad es la contigüidad física de primer orden, es decir, considerando exclusivamente los
vecinos circundantes de la unidad de análisis
 Autocorrelación espacial

De manera resumida podemos concluir que la autocorrelación espacial mide el grado en el que una variable
geográfica está correlacionada con ella misma en dos puntos o zonas diferentes del área de estudio.

La autocorrelación espacial permite comprender la variación de un fenómeno en un marco geográfico de análisis. Si el

fenómeno analizado tiende a agruparse en zonas uniformes, es decir, tiende a conformar conglomerados o clústeres,
entonces se evidencia la existencia de autocorrelación positiva. Por el contrario, si las medidas de la variable en las
unidades colindantes son disímiles, es decir, si el fenómeno tiende a estar disperso, entonces la autocorrelación espacial
es negativa. Por último, cuando el fenómeno se comporta de forma aleatoria y no se identifica un comportamiento
definido o estructurado, se dice que no existe autocorrelación espacial. Este último caso implica que la presencia o
ausencia de un atributo en un lugar determinado no influye, aparentemente, en la medida de dicho atributo en los
lugares vecinos.
 Índices de autocorrelación espacial

Después de definir el concepto de autocorrelación espacial, es importante presentar detalles básicos para su cálculo,
mismos que se clasifican en dos tipos; globales y locales. La diferencia principal entre ellos es que los índices globales
evalúan asociaciones para el conjunto de valores del fenómeno, considerando todas las unidades de análisis como un
bloque a través de la media global del fenómeno analizado; además, los índices globales no son sensibles a escenarios
en los que se presenta heterogeneidad en el comportamiento del fenómeno geográfico. En contraste, los indicadores
locales (LISA) sí consideran escenarios específicos (de ahí su nombre), por tanto, permiten identificar subzonas en las
que se presenta agrupamiento o dispersión del fenómeno. Aunque el cálculo base de los LISA también considera la
media global, estos indicadores asignan medidas de autocorrelación a cada unidad de análisis y, por tanto, permiten
identificar individualmente el nivel de agrupamiento o dispersión de cada unidad con relación a sus vecinos o respecto
de aquellas unidades que se hayan definido a través del criterio de vecindad.

Es posible afirmar que son tres los índices globales más empleados por la comunidad académica: (i) el I de Moran,
(ii) c de Geary y (iii) G de Getis y Ord. Siendo el I de Moran uno de los índices más conocidos y extendidos, de hecho, es
el más utilizado en gran parte de los estudios publicados en revistas de geografía y estudios ambientales.

Todos estos índices tratan de contrastar la hipótesis nula de ausencia de autocorrelación espacial (esto es, aleatoriedad
espacial) frente a la hipótesis alternativa de existencia de autocorrelación espacial (positiva o negativa).
 Autocorrelación espacial

ÍNDICES DE AUTOCORRELACIÓN ESPACIAL

I. de Moran Global

El I. de Moran global (1948) representa una estadística resumen que indica la intensidad de autocorrelación entre
grupos de unidades territoriales, considerando todas las unidades de análisis como un solo bloque pero no identifica el
patrón de estas relaciones espaciales. No evidencian la presencia de conglomerados zonales o locales en el marco
geográfico. Para establecer el grado de correlación entre unidades específicas o subzonas, se utiliza el I. de Moran
Local.

En general, el Índice de Moran global está delimitado entre -1,0 y 1,0. Esto sucede siempre que los pesos
están estandarizados por fila. Cuando los pesos no están estandarizados por fila, puede haber instancias en las que el
valor del Índice esté fuera del rango entre -1,0 y 1,0, lo que indica que existe un problema con la configuración del
parámetro.
 Índices de autocorrelación espacial

Habitualmente, y para facilitar su intepretación, este índice I es normalizado (restándole su valor medio y dividiendo la
diferencia entre su desviación típica), obteniéndose de esta forma el valor Z(I). Este valor normalizado es asintóticamente
normal, de manera que si toma valores positivos y estadísticamente significativos (mayores que 1,96 a un nivel de
significación del 5 %), se podrá concluir que los datos presentan autocorrelación espacial positiva. Si, por el contrario, el
valor estandarizado es negativo y estadísticamente significativo (menor que – 1,96, a un 5 % de nivel de significación) se
puede afirmar que los datos presentan autocorrelación espacial negativa. Finalmente, si el valor estandarizado se incluye
dentro del intervalo [-1,96 ; 1,96] se podrá admitir la hipótesis nula de aleatoriedad espacial.

Como se mencionó, las medidas globales presentan limitaciones que no permiten identificar las especificidades del
fenómeno analizado, por ejemplo, no evidencian la presencia de conglomerados zonales o locales en el marco geográfico, y
es precisamente en este escenario donde los índices locales resultan de gran interés para el análisis espacial.
 Autocorrelación espacial

ÍNDICES DE AUTOCORRELACIÓN ESPACIAL

I. de Moran Local

Al igual que el indicador global, el I. de Moran local varía entre -1 y +1, representando el grado de correlación del
indicador de una unidad territorial con los indicadores de sus vecinos. Como resultado, el índice identifica unidades
territoriales donde valores de análisis altos o bajos se agrupan espacialmente, así como también unidades territoriales
con valores muy distintos a los de las áreas circundantes. Este índice puede reconocer cinco tipos de conglomerados
espaciales:

1. alto-alto: una unidad territorial con un valor de análisis por encima del promedio, rodeada significativamente por
áreas vecinas que también se encuentran por sobre la media con respecto a la variable de interés. Estas unidades
territoriales corresponden a los denominados conglomerados calientes (hot spots).

2. bajo-bajo: una unidad territorial con un valor de análisis inferior al promedio, rodeada por áreas vecinas que
también se encuentran bajo la media en relación con la variable de interés. Estas unidades territoriales
corresponden a los denominados conglomerados fríos (cold spots).
 Autocorrelación espacial

ÍNDICES DE AUTOCORRELACIÓN ESPACIAL

3. bajo-alto: presencia de una unidad territorial con un valor de análisis bajo, rodeada significativamente por áreas
vecinas con valores que se encuentran por sobre la media de la variable de interés.

4. alto-bajo: presencia de una unidad territorial con un valor de análisis alto, rodeada significativamente por áreas
vecinas con valores que se encuentran bajo la media de la variable de interés.

5. Relación no significativa: presencia de unidades territoriales donde el valor de análisis de la variable de interés no
se relaciona significativamente con los valores que presentan sus vecinos
 Autocorrelación espacial

El estadístico de asociación espacial del I de Moral Local se determina de la siguientes forma

El parámetro I de Moran local está

Dado por la siguiente expresión:

Donde:
xi = valor de la variable
wij = es la ponderación espacial entre la característica i, j
Si2 = Varianza

El valor estandarizado de Z, se determina: Donde:

 Autocorrelación espacial

Gráfico de Moran

En el eje de las x aparecen los valores estandarizados de una variable para cada unidad espacial del área estudiada, y en
el eje y los valores estandarizados del promedio de los valores en unidades vecinas de la misma variable (análisis
univariado) u otra variable (análisis bivariado).
 Autocorrelación espacial

Pasos para evaluar una prueba de hipótesis con el I de Moran

1. Planteamiento de la hipótesis nula y la hipótesis alternativa

• Ho: No existe autocorrelación espacial / la distribución se produce de manera aleatoria
• H1: Existe autocorrelación espacial / la distribución no se produce de manera aleatoria

2. Especificar el nivel de significancia que indica la probabilidad de rechazar la hipótesis nula siendo ésta verdadera. Por
lo tanto, es la probabilidad que se está dispuesto a cometer al aceptar la hipótesis alternativa. Se suele elegir de
acuerdo a la importancia del problema y generalmente es del 5 % (0.05) y 1 % (0.01).

Asimismo, el p-valor es el resultado que nos brinda el test de hipótesis. Si el nivel de significancia es superior al p-
valor, se rechaza la hipótesis nula y se acepta la alternativa. Por el contrario, si se comprueba la hipótesis nula se
puede decir que la configuración espacial se produce de forma aleatoria
 Autocorrelación espacial

3. Determinación de la zona de rechazo y no rechazo de Ho.

Para el caso del I de Moran, se trata de una prueba de dos colas (bilateral), del tipo: H1: ≠ 0; es decir, esperamos
que la autocorrelación sea diferente de 0, y la Ho supone que la autocorrelación espacial es = 0

-2,7

4. A partir del estadístico de prueba calculado, rechace Ho si el estadístico de prueba está en la región crítica (zona de
rechazo de Ho).
 Autocorrelación espacial

En el caso de Índice de Moran:

• Para un valor de Z positivo, los datos están espacialmente agrupados en algún modo
• Para un valor de Z negativo, los datos están agrupados en un modo competitivo, por ejemplo, los valores altos
puede repeler a otros valores altos y los valores negativos repelen a otros valores negativos.

5. Tomar la decisión de aceptar o rechazar la hipótesis nula.

La forma más directa y sencilla para poner a prueba la hipótesis de AE exhibida por una muestra de n casos, es que
ésta fue obtenida de una población con distribución normal donde la autocorrelación es cero, es decir, aleatoria
(Goodchild, 1986). Por lo tanto, si el resultado se aleja del cero, entonces, se puede decir que es significativo.
 Autocorrelación espacial

Indicadores Locales de Asociación Espacial (LISA)

Aunque el test I de Moran es el más empleado en la práctica, existen, sin embargo, otras alternativas al mismo, como el
test C de Geary (1954) o el test G de Getis y Ord (1992). Todos ellos se les identifica como LISA (Local Index
Spatial Analyst).

Los análisis basados en el I de Moran son los más intuitivos y sencillos, pues su interpretación sigue sin variación los
conceptos presentados sobre asociación espacial, por tanto, permiten identificar tanto clústeres positivos y negativos
como valores atípicos. De los LISA presentados, es el único que permite la categorización completa y sin excepciones de las
observaciones en todos los cuadrantes.

Getis y Ord (1992) y Ord y Getis (1995) establecen que su índice mide el grado de asociación local de datos tipo punto o
área ponderados. La característica principal de este índice es que permite identificar el grado en el que se agrupan los
valores extremos del fenómeno analizado, señalando clústeres de medidas altas y bajas, centrándose en la identificación
de coldspots y hotspots y excluyendo el análisis de valores atípicos.

La versión local del C de Geary fue presentada por Anselin (1995) y mejorada en Anselin (2019). Al igual que los
indicadores de Getis-Ord, el ci de Geary se enfoca en la identificación de clústeres positivos y negativos.
 Autocorrelación espacial

Indicadores Locales de Asociación Espacial (LISA)

Se puede observar cómo el número de unidades de análisis clasificadas en cada clase coincide con los puntos
representados en los correspondientes cuadrantes. Los colores intensos representan los clústeres y los opacos las zonas
atípicas (spatial outliers).
 Autocorrelación espacial

Indicadores Locales de Asociación Espacial (LISA)

Anselin (1995), define los LISA como estadísticos que satisfacen dos requerimientos: (i) para cada observación (unidad de
análisis central), el LISA proporciona una medida del nivel de agrupamiento espacial significativo con relación a los valores
que se localizan alrededor de esa observación (unidades vecinas); (ii) la suma de las medidas LISA de todas las
observaciones es proporcional al indicador global de asociación espacial (autocorrelación espacial global), por lo que
resultan útiles para medir la contribución de cada observación local al valor global.

Si la hipótesis nula (H0) de aleatoriedad espacial completa se rechaza, entonces el fenómeno tiene una probabilidad del
90%, 95% o 99% de no haberse generado aleatoriamente. En otras palabras, es “poco” probable (0,1; 0,05 ó 0,01) que el
fenómeno sea aleatorio y, por tanto, será agrupado o disperso. Este análisis aplica para escenarios locales y globales.
 Autocorrelación espacial

I de Moran bivariado

Se ha explicado la naturaleza univariada de la autocorrelación espacial, por tanto, mencionar un concepto como I de
Moran bivariado puede parecer contradictorio. El concepto bivariado resulta de considerar los vecinos de una variable
complementaria. La lógica del índice bivariado se puede resumir así: (i) la unidad de análisis central está determinada
por la variable 01; (ii) la unidad central ahora estará relacionada con vecinos de una variable secundaria (variable 02);
(iii) el índice calculado permite identificar el patrón espacial de la variable 01; los criterios de vecindad aplicados son
iguales a los que ya han sido presentados.
 Autocorrelación espacial

I de Moran bivariado

Es importante aclarar que la autocorrelación bivariada relaciona las dos variables, pero estas no coinciden en el espacio. es
decir, la autocorrelación espacial bivariada NO tiene en cuenta la correlación espacial inherente entre las dos variables.

Por ejemplo, si analizamos la gráfica anterior, la variable 01 representa la producción de cultivos de arroz y la variable 02 la
concentración de magnesio en el suelo, entonces se puede plantear la siguiente pregunta: ¿cómo afecta la concentración
de magnesio del suelo a la producción de arroz? Se puede pensar en un cuadrante determinado. El resultado del análisis
permitiría entonces localizar los clúster (grupos de unidades) en los que la concentración del magnesio genera alta
productividad de arroz o casos inversos.

Si el fenómeno analizado tiende a agruparse en zonas uniformes, es decir, si tiende a conformar conglomerados o clústeres,
entonces se evidencia la existencia de autocorrelación positiva. Por el contrario, si las medidas de la variable en las
unidades colindantes son disímiles, es decir, si el fenómeno tiende a estar disperso, entonces la autocorrelación espacial es
negativa. En este caso, si un atributo está presente en un determinado lugar, este tenderá a ser diferente (±σ2) en los
lugares vecinos. Por último, cuando el fenómeno se comporta de forma aleatoria y no se identifica un comportamiento
definido o estructurado, se dice que no existe autocorrelación espacial. En términos prácticos, este último caso implica que
la presencia o ausencia de un atributo en un lugar determinado no influye, aparentemente, en la medida de dicho atributo
en los lugares vecinos.
 Autocorrelación espacial

Finalmente, cuando I = 0 o valores cercanos a cero, el fenómeno se distribuye aleatoriamente. Aunque no es posible
asegurar de forma concluyente rangos de aleatoriedad en el dominio del índice, pues estos varían según la distribución de
las unidades de análisis y las medidas del fenómeno. Como recomendación general empírica, se sugiere pensar en
aleatoriedad del fenómeno cuando el índice se encuentra entre -0,35 ≤ I ≤ 0,35. Los valores mayores y menores deberían
llevar a pensar en patrones tipo clúster ( I > 0,35 ) o disperso ( I < -0,35 ), siendo clúster para valores positivos y disperso
para valores negativos.
 Autocorrelación espacial

Resumen
 Autocorrelación espacial

• Anselin, Luc. 1989. “What is Special about Spatial Data? Alternative Perspectives on Spatial Data Analysis.” UC
Santa Barbara: National Center for Geographic Information and Analysis.
https://eScholarship.org/uc/item/3ph5k0d4

• Getis, Arthur. 2007. “Reflections on Spatial Autocorrelation.” Regional Science and Urban Economics 37 (4): 491-
496. doi: 10.1016/j.regsciurbeco.2007.04.005. [ Links ]

• Ramírez, L., & Falcón, V. (2015). Autocorrelación espacial: Analogías y diferencias entre el índice de moran y el
índice de Getis y Ord. Aplicaciones con indicadores de acceso al agua en el norte argentino. Ponencia presentada
en las Jornadas Argentinas de Geotecnologías, Universidad Nacional de San Luis, 2.

• Siabato, W., & Manrique, J. G. (2019). La autocorrelación espacial y el desarrollo de la geografía

cuantitativa. Cuadernos de Geografía: Revista Colombiana de Geografía, 28(1), 1-22.