PUBLICACIONES DE 4 CURSO

Licenciatura: ECONOMICAS
Asignatura: MODELOS REGIONALES

TEMA 3:

MODELOS DE CORTE TRANSVERSAL

Autores: Jess Mur; Ana Angulo

Departamento: ANLISIS ECONMICO

Curso Acadmico: 2008/2009

Facultad de Ciencias Econmicas y Empresariales Universidad de Zaragoza

Indice

1- Introduccin. 2- Heterogeneidad espacial: Expansin de parmetros. 3- Heterogeneidad espacial: Ponderacin geogrfica de la regresin. 4- Autocorrelacin espacial: Dependencia residual. 5- Autocorrelacin espacial: Dependencia sustantiva. 6- Autocorrelacin espacial. Enfoque general de mxima verosimilitud.

2 1.- Introduccin El contenido de este tema se centra explcitamente en el anlisis de los resultados de una regresin de corte transversal. La dimensin espacio resulta en ciertas peculiaridades que es necesario considerar cuando se resuelven aplicaciones de contenido economtrico. No se trata de hacer otra Econometra, sino de adaptar los instrumentos disponibles (desarrollados, por lo general, en un contexto de series temporales) al nuevo escenario en el que van a ser utilizados. En algunos casos esta adaptacin es sencilla, incluso innecesaria, pero en otros se requerirn nuevos instrumentos, especficamente diseados para ser utilizados en un contexto espacial (ver Moreno y Vay, 2000, o Chasco, 2003, para una introduccin). En el tema anterior se ha insistido en que los rasgos fundamentales de los datos con anclaje espacial son la heterogeneidad, tanto de las observaciones como de los parmetros y/o de las relaciones, adems de la dependencia espacial. Estos son los aspectos a los que se va a prestar atencin en este tema. Las dos secciones que continan se dedican al tpico de la heterogeneidad, en su vertiente de inestabilidad de la relacin. En la seccin segunda se presenta el mtodo de expansin en parmetros, aplicable tambin en problemas de modelizacin no especficamente relacionados con el espacio. En la seccin tercera se aborda la misma cuestin de la inestabilidad desde la perspectiva de las regresiones geogrficamente ponderadas, en las que se permite un grado de ruptura estructural mayor. Las secciones cuatro y cinco estn dedicadas al problema de la autocorrelacin espacial en una especificacin economtrica (ver Anselin, 1988, para una visin general). En la seccin cuarta se analizan los problemas creados por la existencia de procesos de correlacin en la perturbacin aleatoria del modelo (es lo que se conoce como autocorrelacin residual). En la seccin quinta, esa estructura de dependencia transversal se introduce explcitamente en la ecuacin principal del modelo (autocorrelacin sustantiva). Por ltimo, en la seccin sexta se plantea una aproximacin global al tpico de la dependencia espacial.

3 2.- Heterogeneidad espacial: Expansin de parmetros. Los datos que se producen en la dimensin espacio tienden a ser bastante ms heterogneos que los observados en un contexto de series temporales. Estos ltimos desarrollan habitualmente una estructura regular en el tiempo, mediante crecimientos estables y coherentes con el propio pasado de la serie. Ello no impide que se produzcan tambin valores atpicos y puntos extraos en el perfil de la variable, aunque su incidencia suele ser reducida y se detectan fcilmente, por ejemplo, en el grfico de la serie. Por el contrario, los datos de corte transversal proceden de unidades de observacin diferentes, en las cuales pueden actuar mecanismos tambin diferentes o con las suficientes particularidades como para producir un conjunto de datos muy heterogneo. Queda claro que, en este caso, heterogeneidad no se limita exclusivamente a heterocedasticidad. La inestabilidad en los parmetros de la ecuacin, o la de la propia relacin, es un problema de mayor gravedad que puede afectar a una especificacin de corte transversal. Por otra parte, los aspectos fundamentales relativos al tpico de

heterocedasticidad no presentan rasgos diferenciales de importancia por el hecho de que la muestra asociada sea de corte transversal. Los contrastes que se utilizarn son los habituales (Golfeld-Quandt, Breusch-Pagan, White, ....), y las soluciones propuestas tampoco son novedosos (deflactar el modelo, estimacin MCGE,....). Dado que el tpico de heterocedasticidad no reviste mayor inters en la situacin actual, el contenido de las secciones segunda y tercera se va a centrar en la cuestin de las rupturas estructurales. Como se ha indicado, la inestabilidad de la parte sistemtica puede deberse a que la forma funcional no sea homognea o a que los parmetros de posicin evolucionen sobre el espacio. Los problemas asociados con la falta de estabilidad en la forma funcional de la ecuacin son complejos, y existen pocas referencias tiles en la literatura en las que se relacione explcitamente forma funcional y espacio. Es decir, la cuestin es relevante pero no se encuentra lo suficientemente madura en estos momentos. Por el contrario, el tpico de la inestabilidad espacial en los parmetros s se ha estudiado con cierto detalle, y existen resultados interesantes. El mtodo denominado de expansin de los parmetros propuesto inicialmente por Casetti (1972) goza de un gran reconocimiento en este mbito, al igual que el de las regresiones geogrficamente

4 ponderadas propuesto ms recientemente por Fotheringham, Charlton y Brunsdom (1998). El planteamiento de base que subyace a ambos enfoques es similar, dado que en los dos se tiende a contextualizar los parmetros suponiendo que estos evolucionan de forma sistemtica sobre el espacio. La propuesta de Casetti y Poon (1995) es ms especfica, dado que aconsejan parametrizar explcitamente la inestabilidad hacindola depender de una serie de rasgos diferenciales de las regiones. Por el contrario, la sugerencia de Fotheringham, Charlton y Brunsdom es ms ambiciosa puesto que evita la introduccin de apriorismos en la especificacin. Tal como lo exponen Casetti y Poon (1995): Considrese un modelo economtrico que relaciona la variable dependiente y con las variables independientes x1, x2, ..., xm y un espacio Z generado por las variables contextuales z1, z2, ..., zk. El modelo cambia (esto es, es inestable) en el contexto definido por las variables z si se producen valores distintos de los parmetros en puntos diferentes del espacio Z. Los principios del mtodo son relativamente simples. Supongamos un modelo lineal de tipo:
y r = 0 + 1 x1r +......+ m x mr + u r

(2.1)

donde los parmetros de posicin evolucionan de acuerdo a determinadas variables de contexto, por ejemplo, de forma lineal:
0 = 00 + 01 z1r + .... + 0 k z kr 1 = 10 + 11 z1r + .... + 1k z kr ......................................... m = m 0 + m1 z1r + .... + mk z kr

(2.2)

para r = 1, 2, ...., R, donde {z1r, z2r, z3r, ., zkr} son las variables que contextualizan los parmetros de (2.1). Si los trminos ij (para j>0) son diferentes de cero, a cada punto del espacio Z le corresponder una realizacin distinta del modelo (2.1). Por el

5 contrario, si todos son cero, el modelo ser estable en el espacio Z1. Las expresiones (2.1) y (2.2) conducen al denominado modelo final:
y r = 00 + 01 z1r +...+ 0 k zkr + 10 x1r + 11 z1r x1r +...+ 1k zkr x1r +......+ + m0 zmr + m1 z1r x mr +...+ mk zkr x mr + u r

(2.3)

Debe tenerse en cuenta que es posible alcanzar el mismo resultado de (2.3) siguiendo itinerarios diferentes. Por ejemplo, si utilizamos como ecuacin inicial:
yr = 0 + 1 z1r + ...... + k zkr + u r

(2.4)

junto a las ecuaciones de expansin:

0 = 00 + 01 x1r + .... + 0 m x mr 1 = 10 + 11 x1r + .... + 1m x mr ......................................... m = k 0 + k1 x1r + .... + km x mr

(2.5)

Tras sustituir (2.5) en (2.4) obtenemos:

yr = 00 + 01 x1r + ... + 0 m x mr + 10 z1r + 11 z1r x1r + ... + 1m z1r x mr + ...... +

+ k 0 z kr + k1 z kr x1r + ... + mk z kr x mr + u r

(2.6)

que es la misma ecuacin de (2.3). De esta forma, Casetti y Poon hablan de modelo
primal y modelo dual. La decisin acerca de cual es el primal y cual es el dual no deja

de ser arbitraria, y depende esencialmente del planteamiento general del problema; esto es, de la aproximacin sobre la que se quiera poner ms nfasis.

Lo que se propone en el mtodo de expansin de parmetros no resulta nada especialmente novedoso con respecto a la prctica economtrica habitual. Por ejemplo, al introducir una variable dummy en un modelo lineal: y t = 0 + 1x t + u t y t = 0 + 1x t + 2D t + u t estamos contextualizando la ruptura del correspondiente parmetro en funcin del hecho que describe la variable dummy: 0 = 0 + 1D t ; 1 = 1

6 Por ejemplo, una hiptesis habitualmente empleada en modelos de crecimiento econmico vincula la tasa de crecimiento de la renta per cpita (yt) con la tasa de crecimiento de las exportaciones (xt): y t = 0 + 1 x t + u t (2.7)

Sin embargo, existe cierta evidencia de que el impacto del crecimiento de las exportaciones de un pas sobre la renta per cpita depende, a su vez, del nivel de desarrollo de la economa. Esta observacin puede desarrollarse contextualizando los parmetros 0 y 1 en funcin de la propia renta per cpita:
2 0 = 00 + 01 z t + 02 z t 2 1 = 10 + 11 z t + 12 z t

(2.8)

donde zt ser el logaritmo de esa renta per cpita, utilizando como indicador de desarrollo econmico. A partir de la segunda ecuacin obtenemos: 1 = 11 + 212 z t zt 2 1 = 212 z t2 dando lugar a los siguientes casos de inters:
CASO 1: 11 > 0; 12 > 0 CASO 2: 11 < 0; 12 > 0

7
CASO 3: 11 > 0; 12 < 0

El sistema se hace divergente en los casos 1 y 2, dado que el impacto de las exportaciones sobre la tasa de crecimiento de la renta per cpita es creciente con el grado de desarrollo de la economa, medido a travs de la propia renta per cpita. Por el contrario, en el caso 3 se obtiene una prediccin de convergencia a largo plazo. El impacto de la tasa de crecimiento en las exportaciones mejorar regularmente para valores bajos, inferiores a zt*, en coherencia con las dificultades que experimentan las economas poco desarrolladas para aprovechar los impulsos del sector exterior. A menudo son economas huecas, poco implantadas en el propio territorio. Conforme el sistema econmico se va haciendo ms maduro, el sector exterior tiende a articularse mejor con el resto del sistema lo que permite al territorio beneficiarse de sus impulsos en mayor medida. En el punto zt*tiene lugar un efecto de saturacin, de modo que la relacin se hace decreciente a continuacin. El modelo final de (2.7) y (2.8) es: y t = 00 + 01 z t + 02 z 2 + 10 x t + 11 z t x t + 12 z 2 x t + u t t t (2.9)

Como se ha comentado antes podemos llegar a este mismo modelo final partiendo de un modelo inicial diferente: y t = 0 + 1 z t + 2 z 2 + u t t (2.10)

Esta ecuacin es, en esencia, la misma que se emplea en las regresiones de convergencia, aadiendo un trmino cuadrtico en la parte derecha lo cual permite generalizar el planteamiento bsico de este enfoque. Si la relacin de los parmetros de (2.10) se produce como en el caso 3, comentado anteriormente (1>0 y 2<0), la grfica

8 de la funcin incorporar un tramo en el que la tasa de crecimiento de la renta aumenta con el propio nivel de renta (fase divergente) junto a otro en el que la relacin se produce en sentido contrario (fase convergente), tras superar un punto de inflexin en zt*:

Por otro lado, debe tenerse tambin en cuenta que circunstancias tales como la capacidad tecnolgica, las estructuras de mercado, etc. pueden condicionar la determinacin de los parmetros de (2.10), en cuyo caso deberan aadirse unas ecuaciones de expansin que dieran cuenta de esos determinantes. Si, por ejemplo, entendemos que los parmetros responden a la capacidad exportadora de cada regin:
0 = 00 + 01 xt 1 = 10 + 11 xt 2 = 20 + 21 xt

(2.11)

Parece razonable suponer que el factor de escala debe ser positivo e independiente del volumen de las exportaciones (00>0 y 01=0). El parmetro 0 debera ser mayor que cero y responder de forma positiva a los impulsos del sector exportador (10>0 y 11>0). Finalmente, la clave para que el sistema se haga convergente o divergente radica en el comportamiento supuesto para 2. Si su relacin con las exportaciones es creciente (20>0 y 21>0) el sistema se har divergente, y si es decreciente la prediccin es convergente (20>0 y 21<0). Presentado de forma grfica:

El modelo final que se obtiene como consecuencia de la discusin anterior es el mismo que el de (2.9): yt = 00 + 10 z t + 20 z 2 + 01 x t + 11 z t x t + 21 z 2 x t + u t t t (2.12)

Por ltimo, la resolucin economtrica del mtodo de expansin de los parmetros es relativamente simple, siempre y cuando se cumpla que el trmino de perturbacin de la ecuacin inicial es efectivamente un ruido blanco y que las ecuaciones de expansin son de tipo determinstico. Bajo estos dos supuestos, basta con estimar el denominado modelo final por MCO (Casetti, 1997). Caso de no detectarse problemas en esta ltima estimacin, podemos pasar a verificar la adecuacin del supuesto de expansin mediante un simple sistema de contrastes de significatividad, individual, o por subconjuntos, de los parmetros del modelo final. Esto es, tomado como punto de referencia las ecuaciones de (2.1) a (2.6): - Si ningn coeficiente asociado con trminos z en (2.3), en (2.6), es significativo pero algunos, o todos, de los asociados con variables x s lo

10 son, se ratifica la estabilidad del modelo primal en el espacio Z. La ecuacin que debera emplearse es la de (2.1). - Si ningn coeficiente asociado con trminos x en (2.3), en (2.6), es significativo pero algunos, o todos, de los asociados con variables z s lo son, se corrobora la estabilidad del modelo dual en el espacio X. La ecuacin de referencia para la especificacin deber ser la de (2.4). - Si algunos coeficiente asociados a trminos z, o todos, son significativos en (2.3), en (2.6), y lo mismo ocurre con los asociados a variables x, se validan tanto el modelo primal como el dual (total o parcialmente). En tal caso, la conclusin es que ambos son inestables en sus respectivos espacios de referencia. La especificacin del modelo debe incluir las ecuaciones de (2.1) junto a (2.2), o de (2.4) junto a (2.5).
3.- Heterogeneidad espacial: Regresiones geogrficamente ponderadas.

Segn la perspectiva de Fotheringham, Charlton y Brunsdom (FCB en adelante), lo razonable en un contexto espacial es encontrar sntomas de no estacionariedad en las series. Por tal razn, esos mismos autores aconsejan utilizar especificaciones lo ms flexibles que sea posible, de forma que puedan adaptarse a todo tipo de anomalas y de comportamientos extraos. Al igual que Casetti y Poon, FCB centran la atencin en el problema de la inestabilidad en parmetros como elemento inductor de no estacionariedad en el espacio, aunque hacen un anlisis ligeramente diferente. Entienden que los factores que pueden inducir inestabilidad en la regresin son de muy diversa naturaleza, si bien subrayan el especial protagonismo de tres elementos en particular: (a)- La variabilidad muestral. Las observaciones se generan sobre el espacio de forma aleatoria y puede ocurrir que, para una muestra concreta, se obtengan unos resultados anmalos como simple reflejo de esa aleatoriedad y que, sin embargo, creen sospechas sobre el supuesto de homogeneidad. (b)- La ecuacin puede presentar problemas de estabilidad al acusar los efectos de la omisin de determinados regresores relevantes en la especificacin.

11 (c)- La relacin puede, efectivamente, evolucionar sobre el espacio de acuerdo a cierto patrn sistemtico de cambio. La primera fuente de inestabilidad es, en gran medida, inevitable y su deteccin y tratamiento tiene que ver con el buen funcionamiento de los contrastes al uso. De hecho, se trata de una falsa impresin de heterogeneidad la cual debera descartarse por el correspondiente contraste estadstico (entra en el mbito del error tipo I). La segunda causa potencial de ruptura tiene consecuencias ms severas, dado que se adscribe al problema de cmo alcanzar una buena especificacin economtrica. La literatura sobre el tema es muy amplia, como corresponde a un tpico clave en la prctica economtrica (Wooldridge, 2003). Por ltimo, el trabajo de FCB se adscribe al tercer bloque y se refiere a la situacin especfica en la que los parmetros evolucionan sistemticamente sobre el espacio, mantenindose el resto de hiptesis de la especificacin. En el planteamiento de las regresiones geogrficamente ponderadas reivindica la utilidad de los modelos de tendencia espacial, para los que se busca acomodo en un contexto de regresiones economtricas. En concreto, si en una ecuacin de corte transversal se detectan problemas de inestabilidad en los parmetros, FCB proponen recurrir a una alternativa absolutamente general basada en el concepto de superficies de
parmetros. Lo que puede entenderse como modelo amplio en esta propuesta toma la

siguiente expresin:
y r = 1 (o1r ; o2r ) + kj = 2 j (o1r ; o2r ) x jr + u r 2 u r ~ iidN (0, )

(3.1)

donde (o1r ; o2r ) son las coordenadas del punto r en el espacio y n (o1r ; o2r ) es una

realizacin de la funcin continua n (o1 ; o2) en el punto r. Esto es, entendemos que existe una superficie continua de valores de los parmetros sobre el espacio, de la cual se toman medidas en una serie de puntos concretos evidenciando la variabilidad espacial de la citada superficie (Fotheringham, Charlton y Brunsdom, 1998). Est claro que el planteamiento es similar al utilizado en la expansin de parmetros, aunque en esta ltima propuesta se introduce una parametrizacin expresa de la inestabilidad en parmetros, la cual no se hace necesaria en el mtodo desarrollado por FCB.

12 La idea central de esta ltima alternativa es relativamente simple. Una regresin global del tipo:
y r = 1 + kj = 2 j x jr + u r

(3.2)

tiene sentido siempre y cuando el vector de parmetros = [1, 2, ..., k] sea homogneo sobre el espacio. Por el contrario, si se mantiene la forma funcional pero el vector de parmetros es inestable, conocindose los puntos de ruptura existentes, lo mejor ser segmentar la muestra y reestimar el modelo utilizando, en cada caso, solo las observaciones que son homogneas con respecto al vector de parmetros. La situacin contemplada por FCB lleva este razonamiento al extremo, tanto en cuanto asumen que, en cada punto del espacio, puede actuar un vector de parmetros diferente. Es decir, existe un punto de ruptura con cada observacin muestral. El problema, planteado en estos trminos, es irresoluble por cuanto sera necesario estimar kR parmetros de posicin contando nicamente con R observaciones. Sin embargo, si estos parmetros evolucionan sobre el espacio, manteniendo cierta sistemtica, puede alcanzarse alguna solucin satisfactoria. En primer lugar, por sistemtica espacial basta con que el mecanismo de generacin de los parmetros se ajuste a la hiptesis de superficie de parmetros. Si este es el motivo de la inestabilidad, parece razonable suponer que los puntos ms cercanos al considerado contendrn informacin ms valiosa sobre los parmetros que actan en ese mismo punto, que los ms alejados de l. Es decir, tal como FCB lo plantean: si trazamos un crculo de radio, por ejemplo, r alrededor de un punto concreto, pi, y resolvemos una regresin de mnimos cuadrados ordinarios del modelo en base, solamente, a las observaciones que estn geogrficamente dentro del crculo, entonces el j obtenido puede interpretarse como un estimador de las variables en, y alrededor de, pi. En definitiva, son estimaciones de ij. Evaluando ij para cada pi es posible obtener un conjunto de estimadores de los parmetros con variabilidad espacial sin necesidad de especificar una forma funcional de esa inestabilidad (Brunsdom, Fotheringham y Charlton, 1998). El mtodo de expansin de los parmetros reproduce este mismo enfoque aunque la solucin ofrecida es ms limitada, dado que impone un mecanismo cerrado al

13 cual responden los parmetros del modelo. Este planteamiento ser efectivo cuando la hiptesis de expansin desarrollada sea la correcta aunque, como es obvio, conlleva implcito un riesgo muy elevado de cometer errores. En consecuencia, cuando se disponga de informacin a priori sobre la causa de la inestabilidad y con respecto a la forma en la que evolucionan los parmetros, el mtodo de expansin parece ms adecuado dado que se construye precisamente utilizando esa informacin. En otras circunstancias, ese mtodo puede acarrear consecuencias negativas al imponer unas restricciones abusivas sobre la forma en la que los parmetros del modelo evolucionan sobre el espacio. En definitiva, si no se dispone de informacin a priori consolidada, parece ms adecuado utilizar alternativas ms abiertas, como la de FCB. En trminos matriciales, la regresin geogrficamente ponderada,

correspondiente al punto i, toma la siguiente expresin:

1 i = [ X 'W i X ] X 'W i y

(3.3)

siendo Wi una matriz diagonal, de orden (RxR) de pesos especificados previamente por el analista: 0 i1 0 0 i 2 0 0 i 3 Wi = 0 0 0 0

0 0 0 iR

Teniendo en cuenta la composicin de la matriz X de observaciones de las exgenas: 1 1 X = 1 1 x11 x12 x13

x1R

x 21 x k1 X 1 x 22 x k 2 X 2 xk 3 = X 3 x 23 x kR X R x2 R

14 donde Xr es el vector (1xR) de observaciones correspondientes a la regin r, se advierte con mayor claridad la finalidad de la estructura de pesos:
1 R ' R i = r =1 i1 X 'r X r r =1 i1 X r y r

(3.4)

El coeficiente ir mide la importancia que la observacin asociada a la regin r tiene en la estimacin del vector de parmetros de posicin relevante para el punto i. La especificacin de estos pesos responder, como se ha dicho, a una decisin previa del analista, aunque las opciones empleadas ms a menudo son: 1 d ik < r = ik 0 d ik r
2 d ik ik = exp 2 2h

(3.5)

(3.6)

2 2 d ik 1 <r ik = h d ik 0 d ik r

(3.7)

En la estructura binaria de (3.5), el vector de parmetros asociados al punto i se estima utilizando solo aquellas observaciones situadas a una distancia inferior a r del punto en cuestin. No se consideran en absoluto las observaciones que se encuentran ms all de este radio. En este sentido, debe tenerse en cuenta que los pesos utilizados en la regresin global de (3.2) son ir=1 i, r, lo que significa que no se excluye a ninguna observacin, y todas ellas ejercen siempre la misma influencia. En el sistema de (3.6) se desarrolla una aproximacin de tipo continuo, basada en una funcin de friccin de la distancia, en la que h es un factor de normalizacin. En esta especificacin se utilizan todas las observaciones en la estimacin del vector de parmetros correspondiente al punto en cuestin, aunque los ms prximos al mismo tendrn mayor influencia en los resultados finales. Por ltimo, el sistema de (3.7) es hbrido combinando un descuento espacial, aplicable solo a las observaciones situadas a una distancia r, o menor, del punto i, y un peso cero para las observaciones situadas fuera de ese radio de influencia.

15 La seleccin de la estructura de pesos es una cuestin importante, aunque no es la decisin fundamental de todo el procedimiento. En general, los valores que se asignen a r y a h tienen consecuencias mucho ms relevantes. El primer parmetro, r, determina implcitamente el nmero de observaciones que se considerarn a fin de estimar el vector i en cada punto. Si a este parmetro se le asigna un valor muy bajo, se dar entrada a pocas observaciones en cada ejercicio de estimacin. Los valores obtenidos en cada punto sern heterogneos, y vendrn acompaados de varianzas muy elevadas debido al reducido nmero de observaciones usadas en la estimacin de cada vector. Por el contrario, el nmero de observaciones utilizadas en cada estimacin aumentar a medida que lo haga el valor de r, lo cual permitir obtener reducciones apreciables en la varianza, a costa de una mayor uniformidad en la sucesin de estimadores (que es lo que se trataba de evitar). El parmetro h es un factor de normalizacin que acta en el mismo sentido: a medida que se le asignen valores ms elevados con respecto a la distancia, dir, se obtendr un factor de descuento espacial que actuar de manera progresivamente ms suave. En el lmite, cuando h no se discriminar en absoluto: ir=1 i, r. En este sentido, el descuento intervendr de forma brusca cuando el parmetro h tome valores prximos a cero, ya que las observaciones situadas en las inmediaciones del punto en cuestin recibirn una ponderacin muy superior a la del resto, la cual ser prcticamente nula. En definitiva, tal como plantean FCB, se trata de elegir entre sesgo y varianza. Si la hiptesis de la superficie de parmetros es cierta, el estimador i siempre ser sesgado. En este caso, parece razonable suponer que el sesgo se reducir cuando en el ejercicio de estimacin se contemple solo un reducido nmero de observaciones procedentes del cinturn de puntos ms prximos al de regresin. Esta opcin implica, inevitablemente, que aumentar la varianza de los estimadores, los cuales tendern a ser poco robustos. Por el contrario, si el objetivo fuese nicamente reducir la varianza se debera aumentar el nmero de observaciones incluidas en la estimacin del vector i, lo cual supondr prdida en la especificidad de la estimacin y, consecuentemente, mayor sesgo.

16 La solucin que proponen FCB es lo que denominan validacin cruzada, consistente en seleccionar aquel valor de r (h en su caso) que minimice: SSR(r) = iR 1 ( y i y i(r) ) =
2

(3.8)

siendo yr la observacin de la variable endgena correspondiente a punto i-simo y y r (r ) su estimacin utilizando la regresin ponderada con un radio r. Es decir, se trata de resolver una sucesin de regresiones ponderadas, utilizando diferentes radios de influencia, para seleccionar aquel que ofrezca una suma residual menor. La solucin apuntada exige una elevada capacidad de clculo, aunque parece adecuada cuando no se disponga de otro tipo de informacin. Otro inconveniente es que, en general, se tender a seleccionar un valor de r (o de h) muy bajo, de modo que y i(r) yi. Al colapsar el radio de influencia en el mismo punto de estimacin se excluirn todas las observaciones, excepto la perteneciente al punto i, que ser la que domine la estimacin. Por esta razn, FCB recomiendan, cualquiera que sea el sistema de ponderaciones utilizado, hacer siempre ii =0 para que la observacin adscrita al punto i no tenga incidencia en la estimacin del vector i. Las regresiones geogrficamente ponderadas se desarrollan en un contexto de inferencia complejo, en el que se hace difcil interpretar incluso los coeficientes estimados y su significacin. Por esta razn, la posibilidad de disponer de un contraste de permanencia, o de homogeneidad estructural, aplicable en este tipo de regresiones adquiere particular importancia (Brunsdom, Fotheringham y Charlton, 1999). De acuerdo con la especificacin de (3.1), la hiptesis del contraste debe ser:
j o1 j o1 = j o2 = 0 j y/o j 0 o2

H0 : HA:

(3.9)

Bajo la hiptesis nula, la ecuacin se colapsa en la de (3.2) donde todos los parmetros son constantes sobre el espacio. El estimador de referencia es el MCO:
= [ X ' X ]1 X ' y

17 cuyo vector de residuos se obtiene de la forma acostumbrada:

1 u H 0 = I X [X ' X ] X ' y = M H 0 y = M H 0 u

(3.10)

Bajo la hiptesis alternativa, los parmetros proceden de una superficie cuya evolucin se pretende aproximar mediante regresiones geogrficamente ponderadas. El estimador del vector i en el punto i es, como se ha dicho:
1 i = [ X 'W i X ] X 'W i y

(3.11)

Utilizando este vector podr obtenerse la estimacin correspondiente a la variable endgena en ese punto:
1 y i = X i [ X 'W i X ] X 'W i y = pi y

(3.12)

siendo Xi el vector de observaciones de las variables exgenas en el punto i, de orden (1xk), Xi = [1, x2i, x3i, ..., xki], y pi el vector X i [ X 'W i X ] X 'W i , de orden (1xR).
1

Generalizando para los R puntos de estimacin

y ( i ) = X X 'W (i ) X

X 'W ( i ) y = P ( i ) y

(3.13)

P(i) es la matriz (RxR) que transforma el vector de observaciones y en el vector

de estimaciones y ( i ) . El vector de residuos asociados a esta regresin ser: u ( i ) = y y ( i ) = y P( i ) y = I X X 'W (i ) X

X 'W ( i ) y = M H A y

(3.14)

Por otro lado, la suma residual del modelo bajo la hiptesis nula es:
' 2 u0 u0 ' u0 u0 = u' M H 0 u = y' M H 0 y 2 ~ ( R k )
2

(3.15)

distribuida como una 2 ( R k ) cuando tipificamos por . La correspondiente a la hiptesis alternativa:

' u u (i ) = y ' M H A M H A y = y ' R H A y ' (i )

' u (i ) u (i )
2

~ 2 (tr R H A)

(3.16)

18 tambin distribuida como una 2 con grados de libertad igual a la traza de la matriz
R H A . FCB, en la ltima referencia mencionada, demuestran que ambas sumas

residuales pueden relacionarse mediante un estadstico tipo F como:

F=

[y' M H

y y ' R H A y df 2 F(df 1 , df 2) y' R H A y df 1

0

(3.17)

con df 1 =

2 = tr R H A y 1 = tr R H A R H A . Debe notarse que la distribucin apuntada en (3.17), la F de Snedecor, es solo una aproximacin a la funcin de distribucin exacta del estadstico de contraste, desconocida con carcter general.
4- Autocorrelacin espacial: Dependencia residual.

2 v2 , v 2 = tr ( M H 0 R H A) , v1 = tr ( M H 0 R H A)( M H 0 R H A) , df 2 = 2 , v1 1

El problema de la autocorrelacin espacial se analiz con cierto detalle en el segundo tema, dedicado a la modelizacin univariante de series espaciales. All se hizo evidente que, con los instrumentos actualmente disponibles, este anlisis es todava muy tosco y permite abordar un nmero demasiado limitado de aspectos de inters. En cualquier caso, la cuestin de fondo a la que se refiere esta seccin coincide con la desarrollada en ese tema: qu ocurre cuando la perturbacin de un modelo economtrico de corte transversal presenta una determinada estructura de dependencia espacial; cmo puede detectarse esa situacin. Para simplificar la exposicin, en esta seccin vamos a suponer que la ecuacin principal del modelo es esttica (en el sentido de que no se han utilizado retardos espaciales de la variable endgena como regresores en la parte derecha de la ecuacin). Adems, en la hiptesis alternativa se va a suponer que la perturbacin desarrolla un proceso de dependencias de tipo autoregresivo de primer orden. Este supuesto no debe tomarse de forma restrictiva dado que puede generalizarse sin demasiados problemas. El modelo de referencia que se va a discutir es el siguiente: u = Wu + u = B 1 ~iidN(0, 2) y = x + u

(4.1)

19 siendo B=[I-W]. Si este modelo se estima por MCO, las consecuencias son conocidas: el estimador del vector de parmetros de posicin es insesgado y consistente, aunque su distribucin de probabilidad incluye una matriz de covarianzas distinta de la habitual:
1 1 = [ x ' x ] x ' y = + [ x ' x ] x 'u

E = 1 1 1 V = 2[ x ' x ] x ' ( B'B ) x[ x ' x ]

(4.2)

Adems, el estimador MCO del parmetro de dispersin ser sesgado aunque mantendr la consistencia: u' u u ' Mu ' B1 M B1 = = Rk Rk Rk 1 M 1 tr B = 2 tr 2 E 2 = 2 B (x ' x )1 x ' B2 x 2 B Rk Rk 2 2 plim 2 =

[ ]

(4.3)

En definitiva, las consecuencias son las correspondientes a la estimacin por MCO de un modelo lineal con matriz de covarianzas no escalar en la perturbacin. Estas implicaciones no son dramticas aunque, siempre que sea posible, conviene corregirlas para facilitar el trabajo de inferencia posterior. De esta forma, llegamos al problema de cmo detectar procesos de autocorrelacin espacial en un modelo de corte transversal. En este punto concreto, la prctica habitual coincide con la consolidada en el contexto ms tradicional de series temporales. Es decir, en primer lugar se estima el modelo esttico por MCO y a continuacin se analizan los posibles problemas de la especificacin. En concreto, el tpico de correlacin espacial se examina a travs de los residuos MCO. En definitiva, no se trata ms que de una serie de corte transversal para la que deseamos analizar el supuesto de independencia espacial. Planteado de esta forma, est claro que podemos utilizar todos los instrumentos de anlisis desarrollados en un marco univariante, convenientemente adaptados, al nuevo escenario que contemplamos. De entre todos ellos, el ms conocido y el que mejores resultados parece garantizar es, como ya se dijo, el contraste I de Moran cuyo empleo es particularmente simple.

20 Aplicado sobre los residuos MCO de un modelo economtrico, la expresin de este estadstico es la habitual:
u rw sr u s
R R

I=

R S0

r =1s =1 R

(4.4)
r u2

r =1

Todas las observaciones realizadas en su caso resultan aplicables al problema que ahora estamos considerando con la peculiaridad, significativa, de que bajo el supuesto de incorrelacin en la perturbacin los residuos MCO no son independientes. Esta situacin tiene incidencia especficamente en los momentos del estadstico que, bajo la hiptesis nula de independencia, pasan a ser:
1 tr x ' x ) x ' Wx R tr ( MW ) R ( E [ I] = = Rk S0 R k S0
2

(4.5)

R 2 tr ( MWMW ') + tr ( MWMW ) + tr ( MW ) S E I 2 = 0 (R 1)(R k + 2)

(4.6)

La varianza se obtendr de la forma usual: V[I]=E[I2]-E[I]2. Debe recordarse que esos resultados estn obtenidos en un contexto asinttico por lo que su aplicacin en un contexto de muestras pequeas est sujeta al inevitable error de aproximacin. La distribucin probabilstica del estadstico I de Moran es desconocida para muestras finitas, aunque puede plantearse la misma aproximacin asinttica que en caso univariante:
R [I E (I )] ~ N [0;V (I )]
as

(4.7)

Otra familia de estadsticos de autocorrelacin residual aplicables en un modelo esttico de corte transversal resulta de la aplicacin del principio de mxima verosimilitud. En este caso, los resultados son simples. La funcin de log-verosimilitud del modelo de (4.1) es estndar:

21
l = ln L = ( y x ) 'B'B ( y x ) R R ln 2 ln 2 + ln B 2 2 2 2
R

(4.8)

en la que se cumple que: B = I W = (1 r ) , siendo r la r-sima raz

r =1

caracterstica de la matriz de contactos W. Introduciendo ese resultado en la logverosimilitud:

l = ln L = ( y x ) ' B' B ( y x ) R R R ln 2 ln 2 + r =1 ln (1 r ) (4.9) 2 2 2 2

Las ecuaciones MV correspondientes al gradiente son:

l 1 1 = [ x 'B' B(y x)] = 2 x 'B' 2 l 1 1 = [(y x) ' WB(y x)] R=1 r = 2 [ u ' W] R=1 r r r 2 1 r 1 r

(4.10a)

(4.10b)

[ (y x) ' B'B(y x)] = R + ' l R = + 2 2 2 2 4 2 2 2 4

(4.10c)

El sistema es fuertemente no lineal y debe ser resuelto mediante procedimientos numricos. Como alternativa puede plantearse el mismo proceso iterativo que se coment en el caso univariante, puesto que la estimacin MV de y de 2 se puede condicionadar a la previa de :
1 = x ' B' B x x ' B 'B y u 'B'Bu ; u = y x 2 = Rk

(4.11)

Estas expresiones se sustituirn en la log-verosimilitud de (4.9) para obtener la log-verosimilitud concentrada, la cual depender nicamente de . A continuacin podr desarrollarse el proceso iterativo ya conocido propuesto por Ord (1975). La matriz de informacin correspondiente al modelo de partida es simple:

22
x 'B'Bx 2 2l I() = E = 0 ' 0 0 s() cv() 2 0 cv() 2 R 2 4

(4.12)

r donde es el vector de parmetros del modelo, =[ , , 2], s() = 2 R 1 y r= 1 r r cv() = R 1 . La inversa de esta matriz es, igualmente, diagonal por bloques: r= 1 r

1 0 2( x 'B' Bx ) 1 0 I() 1 = 2 2R 2 () 0 R
R 2 con = r =1 ( m r () m() ) , () = 2

0 2 () R 2 4 1 + () 2 R

(4.13)

m()

, siendo mr(), para r=1, 2, ..., R, una serie

instrumental definida al efecto que combina informacin sobre las races caractersticas de la matriz W con el parmetro de autocorrelacin: m r () = r . 1 r

Los resultados apuntados permiten resolver el ejercicio completo de estimacin e inferencia MV. En concreto, podrn utilizarse los contrastes ms habituales en este contexto como son el Ratio de verosimilitudes, el Multiplicador de Lagrange y el test de Wald. El ms simple de todos ellos es el segundo dado que se obtiene bajo la hiptesis nula de que el parmetro es cero. En tal caso, el gradiente se simplifica en:
0 1 g [ ] = u ' Wu 2 H0 0

(4.14)

al igual que la matriz de informacin:

23 x 'x 2 I() H0 = 0 0 0 2S0 0 0 0 R 2 4

(4.15)

La forma cuadrtica del gradiente de (4.14) sobre la inversa de la matriz de informacin de (4.15) conduce al Mutiplicador de Lagrange relevante para la hiptesis nula que se quiere contrastar: H0 : = 0 LM ERR = g() ' H 0 I() H0 H A : 0
2

g() H0 ~ 2(1)
as

1 u ' Wu LM ERR = ~ 2(1) 2 as 2S0

(4.16)

donde u son, como es conocido, los residuos procedentes de la estimacin MCO del modelo de la hiptesis nula. El resultado es simple y se generaliza con facilidad a otro tipo de casos ms complejos. Por ejemplo, supongamos que en lugar de un SAR(1) queremos contrastar un SAR(n) tal como:
u = 1W1 + 2 W 2 + + n W n

u = B n . El ruido es el mismo () aunque en la matriz de difusin,

B n = I 1W1 + 2 W 2 + + n W n , intervengan n parmetros. La hiptesis nula y el

contraste LM relevantes para este caso no son ms que una generalizacin del LM-ERR unidireccional de (4.16):
H 0 : 1 = 2 = = n = 0 1 u ' W mu 2 n LM ERR(n) = m=1 ~ (n) (4.16) 2 2S0m H A : j 0 as
2

con S0m = n=1 W j W 'j . El ltimo contraste que vamos a examinar en esta lnea es el j propuesto por Kelejian y Robinson (1992), al cual nos referiremos como test KR. El trabajo de estos autores presenta ciertas singularidades con respecto al enfoque tradicional sobre el tpico de la autocorrelacin espacial. En primer lugar, introducen un nuevo mecanismo nuevo de dependencias transversales conocido como el modelo de

componentes del error espacial:

24 2 2 ~iidN(0, ); ~iidN(0, ) y = x + u u = W +

(4.18)

y Cov(,)=0. Esto es, la perturbacin del modelo se compone de dos trminos de error. El primero, , es de tipo intraregional y no tiene efectos de desbordamiento, mientras que el segundo, , s que genera este tipo de efectos a travs de una matriz de difusin W. Se supone que ambos trminos son de tipo ruido blanco y se hallan incorrelados. En estas circunstancias es inmediato obtener que:
E [u ] = 0 2 2 V [ u ] = WW '+ I

(4.19)

Dado que WW es una matriz definida positiva, y asumiendo las restricciones de

2 2 que > 0 y 0 , la matriz de covarianzas de (4.19) tendr un buen

comportamiento. El inters de esta propuesta, que no ha alcanzado excesiva popularidad en la literatura, radica en que se evitan los problemas de singularidad existentes en los procesos SAR SMA.
2 En cualquier caso, en (4.19) habr dependencia espacial siempre que > 0 . La

estructura de dependencias asociadas ser, adems, muy similar a la generada por un SMA. Como se ha dicho, esta propuesta no se ha consolidado a pesar de su indudable atractivo, entre otras razones, porque la estructura de inferencia asociada a la misma todava no ha sido completada de forma definitiva. En cierto modo, el test KR se encuentra relacionado con el modelo de los componentes del error. La singularidad de la propuesta de Kelejian y Robinson es que introducen una parametrizacin explcita del modelo de dependencias correspondiente a la hiptesis alternativa del contraste. La idea es similar a la que subyace en el contraste de heterocedasticidad de Breusch-Pagan. En concreto, si existe dependencia transversal, Kelejian y Robinson avanzan la siguiente especificacin:

25

Cov [ u r; u s ]r s

0 si w rs = 0 = ' rs = z rs 0 si w rs 0

(4.20)

donde zrs es un vector (1xq) de variables involucradas en el problema de autocorrelacin, habitualmente identificadas con las variables explicativas del modelo. Es decir, si la covarianza entre dos perturbaciones es diferente de cero, de acuerdo a la hiptesis bsica reflejada en la matriz W, parece razonable suponer que esa relacin de dependencia se encuentre relacionada con las caractersticas especficas de los puntos (adems de con su posicin geogrfica relativa, identificada en W). Para desarrollar este supuesto, en el vector zrs deberan introducirse combinaciones de los regresores localizados en el punto r y en el punto s. La prctica habitual en esta lnea es introducir en el vector zrs los productos cruzados de las observaciones de los regresores originales. Por ejemplo, en el modelo lineal simple y r = + x r + u r el vector zrs podra tomar la siguiente expresin:
Cov [ u r; u s ]r s = rs = z 'rs = [1, x r x s ] ' 0 = 0 + 1x r x s 1 si w rs 0

(4.21)

La hiptesis nula del contraste es incorrelacin espacial, frente a la alternativa de dependencia de acuerdo a (4.20): h KR ' Z ' Z H0 : = 0 2 KR = 2 ' ~ (n KR ) e e as H A : 0 KR KR KR

(4.22)

La evaluacin del estadstico de contraste, KR, requiere de un procedimiento laborioso. En primer lugar, es preciso resolver la estimacin MCO de (4.16) y retener la
serie de residuos MCO asociada, u . Con esta serie generamos la variable explicada de

la regresin auxiliar del contraste KR tal como:

u r u s si w rs 0 v rs = si w rs = 0 0

26 Tras desechar las observaciones con valor cero en esa variable, se plantea el equivalente muestral a la ecuacin de (4.21): v rs = u r u s = 0 + 1x r x s + e rs = 0 + 1z rs + e rs (4.23)

generalizada si el modelo incluye ms de un regresor. La ecuacin (4.23) incluir hKR observaciones (todas las que tengan un valor diferente de cero en la explicada, como se ha dicho) de nKR regresores artificiales; podr estimarse por MCO para obtener el vector de residuos asociados a la misma ( e KR ) y la correspondiente estimacin de la varianza en esa ecuacin ( 2 ). Finalmente, con estos datos se podr resolver el contraste KR KR de (4.22).
5- Autocorrelacin espacial: Dependencia sustantiva.

El trmino de dependencia sustantiva se utiliza para indicar que la variable endgena depende de su propio retardo espacial, entre otros elementos. La estructura de dependencias generada por este tipo de procesos es mucho ms intensa que la contemplada en el caso de dependencia de tipo residual. Sin embargo, la introduccin de elementos de dinmica espacial explcita en una ecuacin conlleva el coste de una mayor complejidad, tanto analtica como de manipulacin de datos. Por esta razn, la prctica habitual consiste en desarrollar inicialmente el modelo ms simple, esttico, y buscar en el mismo sntomas de subespecificacin que apunten a la necesidad de su dinamizacin. Si se encuentran efectivamente estos argumentos deber procederse a ampliar la especificacin inicial incorporando retardos de la variable endgena en la parte derecha de la ecuacin; en caso contrario, podra mantenerse la estructura esttica inicial. La cuestin que tratamos es relevante puesto que las implicaciones economtricas derivadas de la omisin de elementos dinmicos son muy significativas. Es inmediato comprobar que, en tal caso, los estimadores MCO son sesgados en muestras finitas e inconsistentes en un marco asinttico. Para verlo con ms claridad, supongamos que el modelo correcto es dinmico con una perturbacin ruido blanco:

y = Wy + x + u u~iidN(0, 2)

(5.1)

27 pero se ha estimado por MCO, omitiendo el retardo espacial de la variable endgena en la parte derecha de la ecuacin. El sesgo resultante de la estimacin ser apreciable:
1 1 1 1 = [ x ' x ] x ' y = [ x ' x ] x '(B 1x + B 1u) = [ x ' x ] x ' B 1x + [ x ' x ] 1x ' B u 1 E = [ x ' x ] x ' B 1x

u = y x = M B 1 ( x + u ) ( x + u ) ' B 1M B 1 ( x + u ) u 'u = Rk Rk ' x 'B 1M B 1x + 2tr B 1M B 1 Rk

=
2

E 2 =

El sesgo no desaparece en un contexto asinttico:

p lim = 1 xBx xx p lim 2 2p lim
1

tr B 2 R

( )

x ' B 1x x'x ; xBx = lim 1 = lim xx R R

La severidad de estos resultados aconseja contrastar la posible omisin de elementos dinmicos en la ecuacin principal del modelo. El marco de contraste mejor elaborado para resolver esta cuestin se corresponde con el planteamiento de mximaverosimilitud, que es el que se va a presentar a continuacin. Como es habitual, la discusin arranca con la funcin de log-verosimilitud correspondiente, en este caso, al modelo de (5.1):
l( y / ) =

[By x]' [By x] + ln B R R ln 2 ln 2 2 2 2 2

ln B = I W =
2

R 1 r=

(1 r )

(5.2)

donde, ahora, = [,, ]. El sistema de condiciones necesarias vuelve a ser no lineal, imposibilitando la obtencin de una solucin analtica:

28 l 1 1 = 2 [x ' (By x)] = 2 x ' u l 1 1 r r = 2 [y' W (By x)] R 1 = 2 [y' Wu ] R 1 r= r= 1 r 1 r l R (By x)' (By x) R u' u = 2+ 4 = 2+ 2 2 24 2 2 (5.3a)

(5.3b)

(5.3.c)

Para poder solucionar este sistema deber recurrirse a algoritmos numricos o bien, tal como se propona en la seccin anterior, a procedimientos basados en la logverosimilitud concentrada. En este caso resulta relativamente sencillo obtener los estimadores MV del vector y del parmetro de dispersin 2, condicionadas ambas al parmetro de dependencia : ~ = [x ' x ]1 x ' By = [x ' x ]1 x ' y [x ' x ]1 x ' Wy = Wy 1 1 = [x ' x ] x ' y Wy = [x ' x ] x ' Wy ~ ' ~ u y u Wy ' u y u Wy uu ~ = 2 = R R u = y x u Wy = Wy x Wy

][

(5.4)

Sustituyendo estos resultados en (5.2) se obtiene la funcin de log-verosimilitud buscada, que depende solo del parmetro . A continuacin se trata de optimizar esta funcin e iterar, empleando (5.2) y (5.4), hasta alcanzar convergencia de acuerdo al criterio definido. La matriz de informacin correspondiente al modelo de (5.1) es la siguiente:
x' x 2 ' x ' B1 x I() = 2 0 ' x ' B1 x 2 2 ' x ' B1 W 2 B1 x R r + 2r =1 1 r 2 1 R r 2 r =1 1 r 1 R r r =1 1 r 2 R 2 4 0

(5.5)

29 La composicin de la inversa de esta matriz es compleja, aunque desempea un papel muy importante en el algoritmo de estimacin por mxima verosimilitud. El resultado final, presentado de forma sinttica, es el siguiente: V () Cov(, ) Cov(, 2) V() Cov(, 2) I()1 = Cov(, ) Cov(2 , ) Cov(2 , ) V ( 2) con: ~ ~ V[ ] = 2 I + V( )(x ' x )1 x ' W B1 x' x B1 Wx (x ' x )1 1 ' x ' B 1WMW B 1x 2 ~ + 2 V( ) = 2 4 2 = 2 1 + 2RV ( ) m ()2 ~ ~ V R ~, ) = V( ) ' x ' 1 Wx 1 ~ ~ Cov( (x ' x ) B ~, ~ 2) = 2 2 m ()' x ' 1 Wx 1 ~) Cov( (x ' x ) V( B ~ ~ ~ Cov(, 2) = 2V( ) 2 m ()

(5.6)

]}

( )

(5.7)

Si el objetivo fuera contrastar la existencia de elementos dinmicos en la ecuacin principal de (5.1), con estos resultados se podr concretar el contraste de Wald o el contraste del LR. Sin embargo, la obtencin del Multiplicador de Lagrange resulta particularmente sencilla ya que el gradiente, bajo la hiptesis nula (H0: =0), se convierte en:
0 y' Wu g () H = 2 0 0

(5.8)

siendo u = y x , el vector de residuos MCO. La matriz de informacin, bajo la hiptesis nula, tiene una estructura diagonal por bloques lo cual facilita la obtencin de su inversa:

30

1 2 (x ' x ) 1 I() = V[R ] (x ' x )1 x ' W ' x H0 0

V[R ] ' x ' Wx (x ' x )1 ' x ' WMWx 2 0

1

0 0 2 4 R

(5.9)

donde V[R] es la estimacin MV restringida de la varianza del correspondiente estimador de , (efectivamente supuesto igual a cero bajo la hiptesis nula). En estas condiciones, el Multiplicador de Lagrange puede obtenerse de la forma usual:
1 H0 : = 0 2 LM LAG = g() H0 ' I() H 0 g () H0 (1) as H A : 0

y' Wu y' Wu 2 2 LM LAG = = 2 (1) ~ ] ' x ' WMWx as V[ R 2

(5.10)

La generalizacin de este contraste para rdenes de dependencia ms elevados no es tan evidente como en el caso del LM-ERR. Adems, y aunque conceptualmente sea posible, resulta muy forzado sostener la necesidad de introduccir varios retardos de la variable endgena como regresores en una misma ecuacin de corte transversal. Cada retardo lleva aparejada su propia matriz de contactos, diferente del resto para evitar problemas de identificacin, la cual generar una dinmica espacial particular. Al acumular varios retardos en una misma ecuacin, la situacin se har confusa dado que las distintas dinmicas tendern a superponerse unas a otras. En lnea con la observacin anterior, tampoco es habitual simultanear ambos tipos de dependencias, residual y sustantiva (en la seccin que contina se desarrolla ms en profundidad esta relacin), aunque mantienen relaciones evidentes. En general, los sucesos de autocorrelacin residual pueden entenderse como casos particulares de dependencia sustantiva, lo cual se hace evidente en el contraste denominado COMFAC (de factores comunes). Si partimos de un modelo con autocorrelacin residual: y = x + u y = Wy + x + Wx + u = Wu + u = W (y x) +

(5.11)

31 La ecuacin final de (5.11) se corresponde con un modelo dinmico (aparece un retardo de la endgena como regresor, Wy), en el que se ha aadido un retardo espacial de las exgenas (Wx, es el vector de parmetros que acompaan a estos retardos). Dado que la perturbacin del modelo, , es un ruido blanco esa ecuacin podr estimarse por mxima verosimilitud utilizando los algoritmos presentados con anterioridad. El contraste de factores comunes se concreta en: H0 : = 0 H A : 0

(5.12)

el cual puede resolverse utilizando diferentes planteamientos. El ms evidente es el contraste de Wald, complejo en este caso porque las restricciones son no lineales, y el ms sencillo es el LR. En este caso, el modelo amplio es el de la expresin final de (5.11), el cual se estimar por MV sin restricciones. El modelo de la hiptesis nula, el restringido, es el utilizado como inicial en esa misma expresin (ecuacin esttica con perturbacin SAR). Este mismo modelo tambin se estimar por MV para poder obtener finalmente el estadstico LR: LR COMFAC = 2 l H A l H0 2 (k )
as

(5.13)

siendo l H A la log-verosimilitud obtenida en la estimacin del modelo amplio y l H0 la correspondiente al modelo de la hiptesis nula; k es el nmero de restricciones contrastadas en (5.12) e igual al nmero de parmetros incluidos en . Otro punto de contacto entre ambos tipos de dependencia se produce en el contraste denominado SARMA (Anselin, 1988b). Para obtener este ltimo, debe plantearse explcitamente un modelo amplio en el que se incluya dependencia sustantiva en la ecuacin principal y residual en la de la perturbacin. Esa especificacin puede ser la siguiente: y = Wy + x + u u = Wu + iidN (0, 2)

(5.14)

32 En el contraste SARMA se analiza la no existencia de efectos espaciales en el modelo (para ello y deben ser iguales a cero en una hiptesis nula conjunta). El estadstico de contraste combina informacin de los estadsticos de base LM-ERR y LM-LAG:
y' Wu u ' Wu 2 2 2 1 u ' Wu H0 : = 0; = 0 2 ( 2) SARMA = + ~ 2 S0 2 as V[ R ] H A : 0 0 (5.15)
2

Se trata, obviamente, de un Multiplicador de Lagrange cuya resolucin solo necesita la estimacin del modelo de la hiptesis nula (esttico con perturbacin incorrelada). La coleccin de Multiplicadores de Lagrange presentada hasta ahora cubre los principales aspectos de la especificacin de un modelo economtrico de corte transversal, y su obtencin es relativamente simple dado que operan bajo la hiptesis nula. Como aspecto negativo debe indicarse su aparente falta de especificidad, en el sentido de que muestran una gran sensibilidad a diferentes tipos de errores de especificacin. Por ejemplo, si el error consiste en que se ha omitido un retardo de la variable endgena en la parte derecha de la ecuacin, este error debera ser captado por el LM-LAG mientras que el LM-ERR no debera reaccionar. Por el contrario, si la ecuacin es esttica pero existe dependencia residual, los sntomas de error deberan ser captados por el LM-ERR y el LM-LAG debera mostrar un perfil plano. Sin embargo, esto no es lo habitual. Por el contrario, ambos estadsticos mostrarn valores elevados en respuesta a un error en la especificacin en la estructura dinmica de la ecuacin, sea de tipo sustantiva o residual. Este comportamiento crea confusin e incertidumbre puesto que los Multiplicadores sealan la existencia de un error en la especificacin pero no acaban de localizarlo. En este contexto, Anselin et al. (1996) proponen dos nuevos Multiplicadores de Lagrange especficos, y diseados para que su comportamiento sea robusto a errores de especificacin diferentes a los que se refiere explcitamente cada uno de ellos. El primero, denominado LM-EL, est dirigido a analizar incorrelacin en los residuos de la estimacin de un modelo esttico y es robusto a errores de especificacin en la

33 estructura dinmica de la ecuacin principal. El modelo de referencia, la hiptesis nula y el estadstico de contraste son los siguientes:
u = Wu + iidN (0, 2) y = x + u u ' Wu y' Wu 2S 0 2 2 + V[~ ] 2 R S0 H0 : = 0 2 (1) LM EL = 2 as H A : 0 2 S0 (2S0 ) 2 S0 + V[~ R ]
2

(5.16)

El contraste LM-LE debe usarse como complementario del anterior tanto en cuanto analiza la estructura dinmica de la ecuacin, siendo robusto a errores de especificacin en la perturbacin aleatoria. Nuevamente, el modelo de referencia, la hiptesis nula y el estadstico de contraste son los siguientes:
y = Wy + x + u u iidN (0, 2) u ' Wy u ' Wu 2 2 H0 : = 0 LM LE = 2 (1) ~ ] as V[ R H A : 0
6.-Autocorrelacin espacial: Enfoque general de mxima verosimilitud
2

(5.17)

En las secciones anteriores se han usado los trminos autocorrelacin residual y

autocorrelacin sustantiva, en referencia a los mecanismos de dependencia espacial

(potencialmente) existentes en una especificacin de corte transversal (ver Florax y de Graaff, 2004, para un revisin actualizada de la cuestin). Con el primero se est aludiendo a la existencia de relaciones de dependencia, especficamente, en el trmino de perturbacin del modelo mientras que el segundo traslada estas relaciones a la ecuacin principal. Sin embargo, y como ocurre en cualquier especificacin economtrica, puede darse cualquier situacin: dinmica espacial en la ecuacin junto con una perturbacin ruido blanco, ecuacin esttica con un ruido autocorrelado o existencia de relaciones de seccin cruzada en ambas instancias (tal como ya se contemplaba en el contrate SARMA).

34 No obstante, en la prctica habitual parece que esos trminos se emplean de forma excluyente. De esta forma, no es usual analizar incorrelacin en el trmino de perturbacin de una ecuacin en la que se ha incluido una estructura dinmica de la variable endgena; como tampoco suele ser normal cuestionar la dinmica de la ecuacin cuando se ha decidido introducir dependencia espacial en el trmino de error. Este proceder limita innecesariamente el horizonte de anlisis por cuanto la estructura de interrelaciones puede ser ms general. En el Cuadro 1 se presenta un marco de referencia lo suficientemente amplio en estos momentos. En la secuencia de anidaciones desarrollada en el Cuadro, y es el vector (Rx1) de observaciones de la variable endgena, X es la matriz (Rxk) de observaciones de las variables exgenas en las R unidades de observacin, u es el vector (Rx1) de trminos de error y es un vector de perturbaciones del mismo orden. La matriz de pesos que se emplea es la misma en todos los casos, W, en principio de tipo binario y con ceros en su diagonal principal. Por ltimo, y son parmetros de dependencia, sustantiva y residual respectivamente, y y son vectores (ambos kx1) de parmetros asociados a las variables exgenas (el ltimo vector lleva implcito un mecanismo de dependencia transversal, basado en la existencia de efectos de desbordamiento). Con respecto a la estructura de anidacin del Cuadro 1 es conveniente hacer algunas precisiones: (a)- No es necesario emplear matrices de contactos diferentes para materializar las estructuras de dependencia presentes en la ecuacin principal y en la perturbacin. Salvo circunstancias excepcionales, lo ms natural parece mantener la misma hiptesis de interaccin para todas las variables del modelo. La nica restriccin es que, si se combina una estructura autoregresiva en la variable endgena con una estructura del mismo tipo en la perturbacin, deben intervenir tambien otro tipo de elementos sistemticos en la ecuacin (basta con introducir un factor de escala) para asegurar la identificacin de los parmetros.

35
Cuadro 1: Estructura de anidacin para un anlisis de dinmica espacial.
M1: y = Wy+X+WX+u 2 u = Wu+; ~ (0, I)

H0:=0

H0:=0

H0:=0

M2: y=Wy+X+u 2 u = Wu+; ~ (0, I) H0:=0 H0:=0

M3: y=Wy+X+WX+u 2 u ~ (0, I) H0:=0 H0:=0

M4: y =X+WX+u 2 u = Wu+; ~ (0, I) H0:=0 H0:=0

M5: y=Wy+X+u 2 u ~ (0, I)

M6: y=X+WX+u 2 u ~ (0, I)

M7: y=X+u 2 u = Wu+; ~ (0, I)

H0:=0

H0:=0

H0:=0

M8: y=X+u 2 u ~ (0, I)

H0:=0

M9: y=u 2 u ~ (0, I)

(b)- La inclusin de una estructura de retardos en las variables exgenas viene motivada por la existencia de efectos de desbordamiento, pero no crea mayor problema en trminos economtricos. Sus consecuencias se limitan a la aparicin de nuevos regresores, probablemente muy relacionados con los originales. Para simplificar la notacin, incluiremos ambos tipos de trminos en la matriz Z=[X, WX], de orden (Rx2k), la cual se asocia al vector de parmetros =[, ], de orden (2kx1).

36 (c)- En el Cuadro 1 se ha especificado una estructura autoregresiva en el trmino de error de la ecuacin, aunque se podran haber introducido otro tipo de procesos, una media mvil (u=+W) por ejemplo. Las estructuras autoregresivas, SAR, y de media mvil, SMA, son las utilizadas ms habitualmente. Sin embargo, tal como se discuti a lo largo del Tema 2, no son intercambiables. Cada una de ellas genera una dinmica espacial peculiar. Por esta razn, debe analizarse con cierto detalle qu tipo de mecanismo de interaccin parece ms adecuado para el caso a exmen. (d)- En general, no se dispondr de informacin sobre la distribucin de probabilidad de la perturbacin. El procedimiento habitual consiste en asumir inicialmente normalidad, lo cual simplifica el ejercicio de inferencia. Posteriormente esa hiptesis deber ser sometida a contraste de la forma usual. El modelo M8 es el punto de partida de lo que se denomina mtodo clsico. Esta especificacin se corrige hacia M5 M7 si los contrastes de subespecificacin habituales as lo aconsejan, aunque raramente se alcanzar M1 ya que no se suele contemplar como alternativa explcita de modelizacin. Este ltimo modelo se corresponde con lo que, en trminos economtricos, se denomina modelo amplio, o modelo de anidacin, el cual desempea un papel esencial en la propuesta metodolgica de Hendry y resumida en el lema de lo general a lo

particular (Florax et al, 1998, discuten su idoneidad en un contexto espacial). El

principal argumento que puede esgrimirse contra el uso de este modelo como punto de partida de la discusin es la complejidad de las relaciones que entraa, propias de unas estructuras fuertemente no lineales. Esa complejidad existe, y para superarla ser necesario aplicar potencia de clculo a unos algoritmos de estimacin eficientes. En cualquier caso, los beneficios derivados de invertir la secuencia usual de anlisis compensan los costes incurridos por la mayor necesidad de clculo. Los resultados que se presentan a continuacin se encuentran en esta misma lnea en la que se toma precisamente ese modelo como punto de partida. Asumiendo normalidad en el trmino de perturbacin, la especificacin M1 se concreta en:

37
y = Wy + Z + u u = Wu + ~ N 0, 2 I

(6.1)

La funcin de log-verosimilitud tiene la estructura conocida:

l( y / ) =

[By Z]' D' D[By Z] + ln B + ln D R R ln 2 ln 2 2 2 2 2

ln B = I W = R 1 (1 r ) r= (6.2) ln D = I W = R 1 (1 r ) r=

donde r es la raz caracterstica r-sima de la matriz W y es el vector de parmetros de la especificacin = [,,, ]. El sistema de condiciones necesarias es no lineal,
2

haciendo imposible la obtencin de una solucin analtica: l 1 1 = 2 [Z ' D' D( By Z)] = 2 Z ' D' l 1 1 r r R R = 2 [ y 'WD' D( By Z)] r =1 = 2 [ y 'WD' ] r =1 1 r 1 r l 1 1 r r R R = 2 [( By Z)'WD( By Z)] r =1 = 2 [u 'W] r =1 1 r 1 r l R [( By Z)' D' D( By Z)] R ' = 2+ = 2+ 4 2 4 2 2 2 2 (6.3a)

(6.3b)

(6.3c)

(6.3.d)

Como ocurra en otros casos, la estimacin MV del vector de parmetros de posicin, , y la del parmetro de dispersin, 2, puede obtenerse condicionada a la de los parmetros de dependencia espacial: ~ ~ ~ = Z ' D' DZ

~ ~~ Z ' D' DB y

(6.4a)

~ ~ ~~ ~ ~~ ~ ~ 2 = B y Z ' D' D B y Z = ' R R

(6.4b)

Es decir, el ejercicio de optimizacin, aunque costoso, puede resolverse actuando sobre la funcin de log-verosimilitud concentrada.

38 Por otra parte, la matriz de informacin correspondiente al modelo general de (6.1) es:
Z' D' DZ 2 1 WD' DZ ' Z' B 2l 2 I() = E = ' 0 0 Z' D' DW B1 Z 2 t () 2 tr W 2 B1 D1 trW B1 2 trW B1 2 1 trW D 2 R 2 4 (6.5) 0

0 2 tr W 2 B1 D1 t () trW D1 2

cumplindose que:
' Z ' B 1WD' DW B 1 Z R r t () = + tr D 2 B 1WD' DW B 1 + r =1 1 2 r
t () = tr D W D
2 1 1 + R r =1

r 1 r

W =WW

La inversa de la matriz de informacin desempea un papel central en cualquier ejercicio de inferencia MV, por lo que se hace imprescindible su derivacin. La notacin que se va a emplear es la siguiente:

Cov(, ) V () I ()1 = Cov(, ) V ( )

siendo = [,, ]. Los resultados que se obtienen, de forma sinttica, son:
2

(6.6)

V () = 2 [Z ' D' DZ ]1 I 2 k + V () Z ' D' DW B 1 Z' Z ' B 1WD' DZ (Z ' D' DZ )1

En esta expresin I2k es la matriz identidad de orden (2kx2k).
V() (Z' D' DZ)1 Z' D' DW B1 Z Cov(, ) = Cov(, ) (Z' D' DZ)1 Z' D' DW B1 Z Cov(, 2) (Z' D' DZ)1 Z' D' DW B1 Z

(6.7)

(6.8)

39
V() Cov(, ) Cov(, 2) V() = Cov(, ) V() Cov(, 2) Cov(2 , ) Cov(2 , ) V ( 2)

(6.9)

con:

e V () = + 2 R var(m )(1 corr 2 (m , m )) 2

(6.9a)

V () =

1 1 2 2 R + V () var(m) corr (m , m) var(m)

(6.9b)

V ( 2 ) =

2 2 4 1 + 2 (m) + 4 4 V () var(m) (m ) (m ) corr 2 (m , m ) R

(6.9c)

var(m) Cov(, ) = V () var(m ) corr (m , m) Cov(, 2) = 2 2 V () var(m)[(m) (m)corr (m , m)]

Cov (, 2) =

(6.9d)

(6.9e)

( m ) 2 2V () var(m)corr (m , m) (m) (m)corr (m , m) R var(m) (6.9f)

siendo e = ' Z ' B 1WD' M ZD DW B 1 Z y M ZD = I DZ (Z ' D' DZ )1 Z ' D' . En general, las distintas varianzas y covarianzas de (6.9) pueden obtenerse a partir de unas variables instrumentales creadas al efecto, mr() y mr(). Estas variables dependen, a su vez, de las races caractersticas de W, {r, r=1, 2, ..., R}, y de los parmetros de dependencia espacial, y . Las definiciones precisas son: mr () = r 1 r
R m () = r =1

mr () R mr () R

var(m) =

R r =1 [m r () m ()] R

(6.10a)

r mr () = 1 r

m () =

R r =1

R [m () m ()] var(m) = r =1 r R

(6.10b)

40 ( m ) = m () var(m)
( m ) =
m () var(m)

(6.10c)

corr (m , m) =

R R r =1 [m r () m ()] r =1 [m r () m ()]

R r =1 [mr () m ()][mr () m ()]

(6.10d)

Una vez que se disponga de todos estos elementos, es relativamente sencillo resolver la estructura de anidacin del Cuadro 1. As, por ejemplo, el modelo M4 se encuentra anidado en M1 al imponer la restriccin de que el parmetro de autocorrelacin espacial sustantiva del modelo amplio es cero: H0 : = 0 H A : 0

(6.11)

permitiendo la existencia de una estructura de dependencia transversal en la perturbacin. El contraste de (6.11) puede resolverse utilizando el multiplicador de Lagrange, para lo cual necesitamos la estimacin mximo-verosmil restringida de M4: ~ ~ ~ ~ ~ = [Z' D' DZ]1 Z' D' Dy R ~ ~ ~ ~ ~ ]' D' D[y Z ~ ] ~ ' D' D ~ [y Z R u u R ~R ' ~R R ~R = R = 2 = R R R ~R = y Z ~R u ~ ~R = D ~R u ~ = I~ W D R

(6.12)

Utilizando estos resultados, el estadstico de contraste es (Anselin y Bera, 1998):

~~ 2 ~ ) = V (~ ) y 'WD R ~ 2 (1) LM ( R R ~ 2 as R

(6.13)

En esta expresin interviene la varianza asinttica del estimador MVR de ,

~ V ( R ) , evaluada en el punto de estimacin MVR de (6.12). La expresin de referencia

es la de (6.9a) en la que ~ R se sustituir por su correspondiente estimacin MVR y ~ R se har igual a cero. En el contraste de Wald utilizamos los resultados de la estimacin mximoverosmil no restringida correspondiente al modelo amplio de M1:

41
~2 W (~ ) = ~ ~ 2 (1) V () as (6.14)

A diferencia de lo que ocurre con el LM de (6.13), ahora la varianza asinttica ~ del estimador de , V ( ) , se evala en el punto correspondiente a la estimacin MV no restringida del sistema de ecuaciones de (6.3). De la misma forma, tambin podemos contrastar independencia en el trmino de error, asumiendo autocorrelacin de tipo sustantiva en la ecuacin (Anselin y Bera, 1998). El modelo amplio vuelve a ser M1 mientras que el restringido es M3. La hiptesis del contraste se concreta en: H0 : = 0 H A : 0

(6.15)

Una vez ms, el Multiplicador de Lagrange se perfila como la opcin preferida, dado que nicamente requiere de los resultados de la estimacin MVR. La expresin del estadstico de prueba en este caso es:
~ ~ u 'W u R ~ 2 (1) LM ( ~ R ) = V (~ R ) R ~ 2 as R
2

(6.16)

en la que introducimos los resultados de la estimacin MVR de M3: ~ ~ = [Z' Z]1 Z' By R ~ y Z ~ ][By Z ~ ] ~ ~ ~ [B u 'u R ' R ~R = R R 2 = R R ~ ~ R = By Z ~ R u ~ = I~ W B R

(6.17)

La estimacin de la varianza asinttica del estimador MVR de , V (~ R ) , se obtiene al introducir los resultados de (6.17), junto con ~ R = 0 , en la varianza de (6.9b). La expresin del estadstico de Wald correspondiente a este caso es simple: ~2 ~ W ( ) = ~ ~ 2 (1) V ( ) as

(6.18)

42 La varianza asinttica del estimador MV de es, otra vez, la que aparece en (6.9b), evaluada en el punto de estimadores mximo-verosmiles. Por ltimo, lo que podra entenderse como contraste de dinmica espacial global relaciona los modelos M1 y M8 mediante la hiptesis conjunta: H0 : = = 0 H A : 0 0

(6.19)

Replicando, una vez ms, el planteamiento basado en los Multiplicadores de Lagrange, el estadstico resultante es el conocido como SARMA. El atractivo de este contraste, como ya es conocido, es que se basa en la estimacin MCO del modelo restringido de M8:
y' Wy ~ ' W ~ 1 ~R ' W ~R u uR u u ~ R SARMA = V( R ) ~ 2 ( 2) 2 2 2 ~ ~ ~ R R 2 S0 R as
2 2

(6.20)

donde:
~ = [Z' Z]1 Z' y R ~ ]' [y Z ~ ] ~ ' ~ [y Z R u u R ~R = R R 2 = R R ~R = y Z ~R u

(6.21)

~ La varianza asinttica del estimador MVR de , V ( R ) , debe evaluarse en el

punto de estimacin mximo-verosmil restringida, ~ R = ~ R = 0 , resultando:

~2 R ~ () = VR ~ ' Z 'WMWZ ~ R R

(6.22)

con M = I Z ( Z ' Z )1 Z ' . El factor de escala que afecta al segundo trmino de la parte derecha de (6.20), 1/(2S0), es la estimacin de la varianza asinttica del estimador MVR de . En definitiva, en ambos casos se est actuando sobre las expresiones (6.9a) y (6.9b), en las que se introduce la hiptesis nula del contraste: ~ R = ~ R = 0 .

43 Por otro lado, el test de Wald para la hiptesis de (6.19) es ahora de tipo bidirecional: ~ W ( ~; ) = 1 1 r 2~ ~
( ; )

~ ~ W ( ) + W (~ ) 2 2 ~ W ( )W (~ ) ~ 2 (2) r ( ~; ) as

(6.23)

~ siendo r ( ;~ ) el coeficiente de correlacin de los estimadores MV de y de 2. El

estadstico de (6.23) se convierte en la suma de los estadsticos unidireccionales de (6.14) y (6.18) cuando ese coeficiente de correlacin se haga cero. Esto es, cuando ambos estimadores se encuentren asintticamente incorrelados, circunstancia que, por lo general, no se producir salvo en circunstancias muy excepcionales. Puede demostrarse, por otro lado, que cuando los parmetros de dependencia transversal, y , toman valores similares el coeficiente de correlacin asociado se aproxima a la unidad
~ ( r ( ;~ ) 1 ). En este caso, el estadstico conjunto de (6.23) tiende hacia el cuadrado de

la diferencia de los estadsticos unidireccionales, expresados estos ltimos en versin tratio, y normalizada la expresin para descontar la fuerte relacin de colinealidad existente entre los dos estimadores. Esto es: ~ W ( ~; )

1 1 r 2~ ~ ( ; )

~ (t () t (~))

(6.24)

~ ~ ~ con t ( ) = W (~ ) y t ( ) = W ( ) .

El contraste COMFAC, de factores comunes, tambin resulta particularmente simple cuando, previamente, se ha resuelto la estimacin MV del modelo amplio M1.

~~ Cov (; ) ~ Es decir r ( ;~ ) = , donde se utilizarn los resultados de (6.9a), (6.9b), (6.9d). ~ )V (~ ) V (

44
REFERENCIAS

Anselin, L. (1988): Spatial Econometrics: Methods and Models. Dordrech: Kluwer. Anselin, L. (1988b): Lagrange Multiplier Tests Diagnostics for Spatial Dependence and Spatial Heterogeneity. Geographical Analysis, 20, 1-17. Anselin, L., A. Bera, r. Florax y M. Yoon (1996): Simple Diagnostics for Spatial Dependence. Regional Science and Urban Economics, 27, 77-104. Anselin, L. y A. Bera (1998): Spatial Dependence in Linear Regression Models with an Introduction to Spatial Econometrics. En Handbook of Applied Economics

Statistics editado por A. Ullah y D. Giles, 237-289. Nueva York: Marcial Dekker.
Brunsdon, C, A. Fotheringham y M. Charlton. (1998): Geographically Weighted Regression-Modelling Spatial Non-Stationarity. The Statistician, 47, 431-443. Brunsdon, C, A. Fotheringham y M. Charlton. (1999): Some Notes on Parametric Significance Test for Geographically Weighted Regression. Journal of Regional

Science, 39, 497-524.

Casetti, E, (1972): Generating models by the expansion method: application to geographical research. Geographical Analysis, 4, 81-91. Casetti, E, (1997): The expansion method, mathematical modeling and Spatial Econometrics. International Regional Science Review, 20, 9-34. Casetti, E. y J. Poon (1995): Econometric Models and Spatial Parametric Instability: Relevant Concepts and an Instability Index, en L. Anselin y R. Florax (eds.): New

Directions in Spatial Econometrics, pp. 301-318. Dordrecht: Kluwer.

Chasco, C. (2003): Econometra espacial aplicada a la prediccin-extrapolacin de los

datos microterritoriales. Madrid: Consejera de Economa e innovacin

tecnolgica, Comunidad de Madrid. Florax, R., H. Folmer y S. Rey (1998): The Relevance of Hendrys Econometric

Methodology. Discussion Paper TI 98-125/4. Tinbergen Institute: Rotterdam.

Florax, R. y T. de Graaff (2004): The Performance of Diagnostics Tests for Spatial Dependence in Linear Regression Models: A Meta-Analysis of Simulation Studies. En (eds.) por L. Anselin, R. Florax y S. Rey: Advances in Spatial

Econometrics: Methodology, Tools and Applications. Berlin: Springer.

Fotheringham, A., M. Charlton y C. Brunsdon (1999): Geographically Weighted Regression: a Natural Evolution of the Expansion Method for Spatial Data Analysis. Environment and Planning A, 30, 1905-1927.

45 Kelejian, H. y D. Robinson. (1992): Spatial Autocorrelation. A new computationally simple test with an application to per capita county police expenditures. Regional

Science and Urban Economics, 22, 317-331.

Moreno, R y E. Vay. (2000): Tcnicas economtricas para el tratamiento de datos

espaciales: La econometra espacial. Barcelona: Edicions Universitat de

Barcelona. Ord, J. (1975): Estimation Methods for Models of Spatial Interaction. Journal of the

American Statistical Association, 70, 120-126.