INTRODUCCIÓN AL

ANALISIS ESPACIAL
Luz Adriana Henríquez
Leidy Ricaurte
 ANALISIS EXPLORATORIO DE DATOS
ESPACIALES (AEDE)
• El
Análisis Exploratorio de Datos Espaciales (AEDE) constituye
un campo muy novedoso e interesante para el análisis
económico y de las ciencias sociales, en general.
• El AEDE podría definirse como el grupo de herramientas
estadístico-gráficas que describen y visualizan las distribuciones
espaciales, identificando localizaciones atípicas, descubriendo
formas de asociación (autocorrelación espacial) que, a su vez,
pueden ser de carácter global o local, y sugiriendo estructuras en
el espacio geográfico (heterogeneidad espacial).
 Heterogeneidad espacial
• La heterogeneidad espacial, refiere a la idea de variación en las
relaciones que se establecen para los fenómenos económicos
espaciales conforme varía el espacio de estudio. Este problema se
manifiesta básicamente de dos formas: parámetros que asumen
diferentes valores según se incluyan determinadas zonas o no, esto es
inestabilidad estructural, o errores provocados por especificaciones
de modelos incorrectos, que pueden dar lugar a heterocedasticidad.
La heterocedasticidad espacial es habitual en los estudios
económicos que tienden a analizar un fenómeno determinado con el
enfoque centro-periferia, ya que cada región deriva en diferentes
valores de los parámetros.
 Autocorrelación espacial
• La autocorrelación espacial implica que el valor de una variable
se encuentra condicionado por el valor que esa variable asume
en una región vecina. Como se verá más adelante, la vecindad no
necesariamente quedará definida como contigüidad física, sino
que existen una gran cantidad de criterios para definirla, a partir
de una matriz de contactos. Esta debilidad, ha sido una de las
principales objeciones metodológicas a la econometría espacial
y la robustez de los resultados que con ésta se pueden alcanzar.
 La autocorrelación espacial podrá ser
negativa o positiva.
• Será positiva cuando la presencia de un fenómeno económico
en una determinada unidad, se extienda a las regiones
colindantes. Por ejemplo, piénsese en el valor de las propiedades
en una ciudad. En general, ceteris paribus las características
propias de cada inmueble, el precio de los mismos depende de
factores tales como la ubicación –habitualmente medida en
función a la distancia de algún centro importante, como puede
ser una plaza central-, la disponibilidad de servicios, la
concentración comercial del área en la que se sitúa, etcétera.
• Por el contrario, será negativa, cuando la presencia de ese
fenómeno haga imposible o disminuya significativamente las
posibilidades de que ese mismo fenómeno pueda ocurrir en las
regiones colindantes. En tal caso, la representación se
aproximará a un tablero de ajedrez, como en la figura 2.
CRITERIOS DE CONTIGUIDAD
 Criterio de contigüidad: reina
Segundo orden

Tercer orden

Punto central

Cuarto orden

Primer orden
Ejemplos de orden 1, 2, 4
RETARDO ESPACIAL
• Es el promedio ponderado de los valores que adopta una variable en
el subconjunto de observaciones vecinas a una dada. Por ejemplo, el
retardo espacial de la variable renta per cápita de la provincia de
Madrid podría obtenerse como una media aritmética simple de los
valores de renta per cápita en las provincias limítrofes (Segovia, Ávila,
Toledo, Cuenca y Guadalajara).
 Herramientas del AEDE reticular
• se basan en la representación gráfica de la asociación existente
entre variables y retardos espaciales.
 Matriz de pesos espaciales
• La matriz de pesos espaciales (también denominada matriz de
contactos o matriz de proximidad espacial) y simbolizada con W,
es una matriz cuadrada de NxN (siendo N el número de unidades
espaciales), no estocástica cuyos elementos (Wij) reflejan la
intensidad de la interdependencia entre cada par de regiones i,j
(Moreno y Vayá, 2000).
• De manera simplificada Wij = 1, dos regiones son contiguas y
Wij = 0 en caso contrario. Típicamente los elementos de la
diagonal principal son cero, pues ninguna región puede ser
vecina de sí misma. La figura 3 ilustra un ejemplo hipotético:
 Diagrama de dispersión de Moran
• En el diagrama de dispersión de Moran, se estandariza la variable a
analizar y se obtiene el retardo espacial de dicha variable estandarizada,
representándose ambos valores en un eje cartesiano.
• La pendiente de la recta es el valor del estadístico
I de Moran de autocorrelación espacial global, de
forma cuanto mayor sea el ángulo que forme esta
con el eje de las abscisas, mas fuerte será el grado
de autocorrelación espacial, y viceversa.
GeoDa: “Creación de Matriz de pesos”
• La variable POLY_ID es una variable que asigna a cada observación su
número, es decir supóngase que tiene una base de datos de 100
observaciones, el valor de POLY_ID para la primera observación es 1 y para
la observación 1000 es 1000.
Ejemplo: Departamento Caldas
• Se correlacionan las variables X: tasa de urbanización y en Y: el retardo espacial que
corresponde al valor promedio de la variable NBI-Necesidades Básicas Insatisfechas,
con una matriz de contigüidad Queen de un primer orden. Por lo tanto, se tiene que,
los municipios de La Dorada y Norcasia (A-A) presentan una alta concentración de
valores altos de ambas variables y valores bajos (B-B) en los municipios de Marulanda
y Palestina. Sin embargo, predominan unidades territoriales que no resultan ser
significantes para este análisis.

• Además, se visualiza que los municipios Neira, Manizales, Villamaría y Chinchiná

presentan valores altos con unidades territoriales vecinas con valores bajos en ambas
variables, incluso, Manizales y Villamaría presentan un nivel de significancia del 1%, es
decir, con un error muy mínimo en aceptar este cluster.
• El índice Local de Morán arroja un -0,105, un valor negativo indicando que
una distribución dispersa, pues hay valores muy diferentes en las unidades
geográficas analizadas. No se puede pensar en un patrón espacial.
 Mapa de significancia
• Presenta las agrupaciones a nivel local, permitiendo analizar la probabilidad con la
que el investigador estaría dispuesto a arriesgarse para cometer un error en la
toma de decisión de rechazar la hipótesis nula. En este caso, los niveles de
significancia están entre el 0,01 y el 0,05, señalando el porcentaje del error que se
debe asumir para reconocer la existencia del cluster.
Referencias
• Chasco,C. MÉTODOS GRÁFICOS DEL ANÁLISIS EXPLORATORIO DE DATOS
ESPACIALES
• Baronio, A. UNA INTRODUCCIÓN A LA ECONOMETRÍA ESPACIAL