Álvaro José Pretel

Imagen: Universidad EAFIT. En http://www.eafit.edu.co/cec/congresos/spatialeconometrics/Paginas/home.aspx Mayo 6 2020

 Objetivo de los modelos econométricos espaciales:
incorporar la espacialidad y superar la autocorrelación espacial

Recordemos que nos indica la autocorrelación espacial..

Ocurre cuando sabiendo que el valor de un parámetro de interés en un

sitio permite la predicción del mismo parámetro en otro sitio.

Un objeto es similar a sus cercanos

 ¿Por qué ocurre la autocorrelación espacial?
Interacción espacial:
Cambio de régimen en el
espacio (promedio y
dispersión varían). Se
explica por movimientos de
personas o bienes.
Ejemplo: apertura de líneas
de transporte, mercado
inmobiliario
Solución: usar dummy que
estabilice el proceso.
Causalidad espacial: Dependencia espacial:
Algo en algún sitio causa Lo que explica una
o explica observaciones observación (causa) en
contiguas. algún sitio, también
explica observaciones en
sitios contiguos.
Ejemplo: falla de
mantenimiento, teoría de
las ventanas rotas Ejemplo: estatus socio-
económico, cobertura
policía, seguridad
Solución: estimar el
modelo teniendo esto en
cuenta
 Consecuencias autocorrelación espacial en los datos
MRLS
Error distribuido normalmente (por
teorema del límite central)
Error homoskedastico
Variable Y viene de una muestra
aleatoria, el error no está relacionado
con ningún otra variable independiente
MODELO ESPACIAL
Viola la distribución normal de los datos
y homoskedasticidad
Puede generar sesgo en los parámetros
(debido a la falta de independencia) y
en los errores estándar (ya que son
pequeños y homoskedasticos)
Reduce el tamaño de la muestra
(pérdida de poder)
Recordemos los tipos de autocorrelación
espacial
 ¿Qué buscamos en modelos
espaciales?
No autocorrelación espacial, ya que implica que la muestra se reduzca y que se generen
sesgos en la medida del error estándar.

No violar supuestos que hagan de los estimadores MELI (sin sesgo)

 ¿Cómo lidiar con la autocorrelación
espacial?
• Controlar el efecto que genera la • Evitar la autocorrelación.
autocorrelación espacial en las
estadísticas.
• ¿Cómo? Incorporando la
información espacial en el diseño
• Para esto, corregir la muestral.
autocorrelación con Econometría
Espacial (de tal manera que no
introduzcan sesgo ni afecte la • Sugerencia: Plantear un diseño
inferencia). muestral estratificado, donde se
omitan sesgos de educación.
• Controlar la autocorrelación a
posteriori de recolectar los datos. • …Sin embargo es difícil
Etapas para el análisis econométrico
espacial

Incorporar la
Diagnosticar el
autocorrelación
problema
espacial al modelo
 Diagnosticar el problema

Análisis Análisis
visual estadístico
• Variograma • Test de I de Moran
• Gráficas de residuales • Test Multiplicadores de Lagrange
 Variograma
• Método grafico
• Se calcula para los residuales de
la regresión lineal (Y-Yestimado)
• El comportamiento de la gráfica
nos dice si hay autocorrelación
espacial.
• Se puede hacer también para
variable dependiente o las
independientes (como un
método descriptivo)
• Se calcula un valor a cierta
distancia, la gráfica contiene la
distancia contra el valor.
• Para un rango del rezago h, el
variograma es la diferencia
media de los valores de ese
rango.
• Grafica de residuos contra
residuos del modelo vs residuos
distribuidos aleatoriamente en el
espacio (con autocorrelación).
 Rezago espacial
• Variable que promedia los valores de las observaciones vecinas.
• Se cálculo un promedio porque a 100 o 200 mts. de donde se ubica
una observación hay muchos vecinos, por facilidad se promedia.
• El valor de cada vecino es multiplicado por un peso y el producto es
sumado.
• El rango h del variograma define cuales observaciones vecinas se
tienen en cuenta.
• Importante…para hacer el rezago debemos definir la matriz de
proximidad
 Matriz de proximidad
• Función que define como están distribuidos espacialmente los datos.
• Clave para la estimación de rezagos espaciales.
• Suponga que tiene 6 observaciones y sabes sus localizaciones en el
espacio (latitud y longitud).

• ¿Cuál es la manera más sencilla de mostrar las distancias)

 Matriz de proximidad
1 2 3 4 5 6
1 0 11,72 12,38 11,26 9,37 12,30
2 11,72 0 1,33 6,99 12,24 1,12
3 12,38 1,33 0 6,18 12,93 0,22
4 11,26 6,99 6,18 0 7,53 6,27
5 9,37 13,24 12,93 7,53 0 12,94
6 12,23 1,12 0,22 6,27 12,94 0

• Resume 30 pares de puntos.

• Distancia entre una observación y ella misma es 0.
• Simétrica.
• Se usa para construir rezagos
 Matriz de proximidad
1 2 3 4 5 6
1 0 11,72 12,38 11,26 9,37 12,30
2 11,72 0 1,33 6,99 12,24 1,12
3 12,38 1,33 0 6,18 12,93 0,22
4 11,26 6,99 6,18 0 7,53 6,27
5 9,37 13,24 12,93 7,53 0 12,94
6 12,23 1,12 0,22 6,27 12,94 0

• Definamos un rezago h (arbitrario) y contemos cuantos pares hay para

cada h
h # pares
0-5 6
5-10 10
10-15 14
 Volviendo al Variograma
• Promedio de las diferencias de los valores estandarizados de cada par
en un rango de distancia.
• Se calcula para los residuales.
 Variograma
• Se grafica h (eje X) vs el promedio de las diferencias (eje Y)
 Calculo del variograma

En GeoDA
• Correlograma
 Grafica de residuales:
otras forma gráfica para detectar autocorrelación espacial
• Recordar que en MLS, las graficas de residuos vs Xs sirven para
detectar la heteroskedasticidad.

• Para modelos espaciales se puede usar algo similar, utilizar residuales

para diagnosticar el problema:
• Graficar residuales (eje X) vs Residuales rezagados (eje Y).
 Grafica de residuales:
otras forma gráfica para detectar autocorrelación espacial
 Matriz de contigüidad
Definimos 1 si los rezagos vecinos están a una distancia h de 3 km o menos

1 2 3 4 5 6
1 2 3 4 5 6
1 0 11,72 12,38 11,26 9,37 12,30
1 0 0 0 0 0 0
2 11,72 0 1,33 6,99 12,24 1,12
2 0 0 1 0 0 1

3 12,38 1,33 0 6,18 12,93 0,22

3 0 1 0 0 0 1

4 11,26 6,99 6,18 0 7,53 6,27 4 0 0 0 0 0 0

5 9,37 13,24 12,93 7,53 0 12,94 5 0 0 0 0 0 0

6 12,23 1,12 0,22 6,27 12,94 0 6 0 1 1 0 0 0

 Otras maneras de definir contigüidad
Medidas de distancia
1 2 3 4 5 6 1 2 3 4 5 6
1
• 1 0 11,72 12,38 11,26 9,37 12,30 1 0 0,085 0,008 0,089 0,107 0,082
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 1
2 11,72 0 1,33 6,99 12,24 1,12 2 0,085 0 0,75 0,143 0,076 0,896

3 12,38 1,33 0 6,18 12,93 0,22 3 0,061 0,75 0 0,162 0,077 4,542

4 11,26 6,99 6,18 0 7,53 6,27 4 0,069 0,143 0,162 0 0,133 0,159

5 9,37 13,24 12,93 7,53 0 12,94 5 0,107 0,076 0,077 0,133 0 0,077

6 12,23 1,12 0,22 6,27 12,94 0 6 0,082 0,896 4,542 0,159 0,077 0
 Otras maneras de definir contigüidad
Medidas de distancia
1 2 3 4 5 6 1 2 3 4 5 6
1
• 1 0 11,72 12,38 11,26 9,37 12,30 1 0 0,007 0,007 0,008 0,011 0,007
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎2
2 11,72 0 1,33 6,99 12,24 1,12 2 0,007 0 0,563 0,02 0,006 0,803

3 12,38 1,33 0 6,18 12,93 0,22 3 0,007 0,563 0 0,026 0,006 20,63

4 11,26 6,99 6,18 0 7,53 6,27

4 0,008 0,002 0,026 0 0,018 0,025

5 9,37 13,24 12,93 7,53 0 12,94

5 0,011 0,006 0,006 0,001 0 0,006
8
6 12,23 1,12 0,22 6,27 12,94 0
6 0,007 0,803 20,63 0,025 0,006 0
 Otras maneras de definir contigüidad
Medidas de distancia

• K-vecinos más cercanos.

• 1: vecino se ubica en el rango de distancia.
• 0: lo contrario.
 Grafica de residuales
Matriz de contigüidad estandarizada
Matriz de contigüidad 7 km 7 km
Normal st de residuales
1 2 3 4 5 6 1 2 3 4 5 6
ID Stresiduales
1 0 0 0 0 0 0 1 0 0 0 0 0 0
1 1,218
2 -0,365 2 0 0 1 0 0 1 2 0 0 0,33 0,33 0 0,33
3 1,0238 3 0 1 0 0 0 1 3 0 0,33 0 0,33 0 0,33
4 0,3059
4 0 1 0 0 0 0 4 0 0,33 0,33 0 0 0,33
5 -0,2390
5 0 0 0 0 0 0 5 0 0 0 0 0 0
6 0,9506
6 0 1 1 0 0 0 6 0 0,33 0,33 0 0 0

Objetivo:
• Crear rezago de residuales, con la matriz de contigüidad estandarizada y los
residuales.
• Multiplicar cada residual i por la fila i de la matriz de contigüidad
estandarizada.
 Grafica de residuales
Matriz de contigüidad estandarizada 7 km
Normal st de residuales
1 2 3 4 5 6
ID Stresiduales 1 0 0 0 0 0 0
1 1,218
2 0 0 0,33 0,33 0 0,33
2 -0,365
3 0 0,33 0 0,33 0 0,33
3 1,0238
4 0,3059 4 0 0,33 0,33 0 0 0,33
5 -0,2390 5 0 0 0 0 0 0
6 0,9506
6 0 0,33 0,33 0 0 0

Ejemplo:
Observación 2: (-0,365*0) + (1,0238*0) + (1,02*0,33) + ….(0,9506*0,33)=0,789
Grafica de residuales
 Grafica de residuales:
otras forma gráfica para detectar autocorrelación espacial
Grafica de residuales
Grafica de residuales
 Test estadísticos para diagnosticar
autocorrelación
• I de Moran para residuales

• Valores entre 1 y -1
• 1 significa autocorrelación positiva (valores cercanos similares)
• -1 significa autocorrelación negativa (lejanos similares)
• 0 no hay autocorrelación.
 Test estadísticos para diagnosticar
autocorrelación
• I de Moran para residuales

• Test global de autocorrelación.

• Calculado con software (satata, SAS, GeoDA, Matlab, ArcGis)
• Significancia estadística determinada en relación a una distribución
hipotética.
• ¿Qué tan desviada está nuestra muestra en comparación a una que no tiene
autocorrelación espacial?
 Test estadísticos para diagnosticar
autocorrelación
• Multiplicadores de Lagrange

• Robustos y NO Robustos
• Preferible usar los test robustos
• Se calculan en Stata, GeoDA, R.
• Determinan que tipo de modelo econométrico espacial utilizar
 ¿Cómo incorporamos la
autocorrelación espacial?
 Pasos a seguir

Diagnosticar
multicolinealidad, Si es necesario usar la
Estimar MCO
heteroskedasticiad y econometría espacial
dependencia espacial
Regla de
decisión
para los
modelos de
regresión
espacial

Fuente: GeoDA workbook

 Ejemplo
• Información Colombus,
Ohio (Database GeoDa).
• Seguridad f(ingresos y
valor de la propiedad)
• Seguridad medida como
hurtos vehiculares y
robos a viviendas por
1000 residentes.
 Propósito: diagnosticar
autocorrelación espacial y que
hacer para corregirlo (en caso de
que haya)
 Diagnostico de residuales
• Pedazo de la matriz de contigüidad estandarizada
Descripción espacial de variables
Diagnostico de autocorrelación
¿Qué hacemos al
detectar
autocorrelación?

Modelo de rezago
espacial

Modelo de error
espacial
Fuente: GeoDA workbook
 Modelo de error espacial

• W es una matriz espacial de pesos (o de contigüidad estandarizada)

• Error f (error vecinos)
• Implica que el error estándar estimado es más bajo de lo que
realmente es
• Sesgo a mostrar significancia cuando no hay
 Modelo de rezago espacial

• W es una matriz espacial de pesos (o de contigüidad estandarizada).

• Implicaciones
• Posible sesgo en coeficientes estimados (en cualquier dirección, no se sabe a
priori).
• El error estándar estimado puede ser más bajo de lo que realmente es (sesgo
a mostrar significancia cuando no la hay).
Diagnostico de autocorrelación
Modelo de rezago espacial