Métodos gráficos de análisis exploratorio de datos espaciales con variables espacialmente distribuidas

Autores/as

  • Giuseppe Bernardo de Corso Sicilia Docente de la Universidad Jorge Tadeo Lozano.
  • Maribel Pinilla Rivera docente de planta y directora del grupo de investigación en Estudios Ambientales GEA.UD, de la Universidad Distrital Francisco José de Caldas.

DOI:

https://doi.org/10.18270/cuaderlam.v13i25.2417

Palabras clave:

Análisis exploratorio de datos espaciales, Distribución espacial, Tendencia espacial, Esquemas de asociación espacial

Resumen

En el presente artículo se exponen, de manera compacta, los aspectos teóricos más relevantes de econometría espacial en la etapa de exploración estadística de datos, mediante las técnicas del análisis exploratorio de datos espaciales (AEDE), así como la fase previa a la formulación del modelo econométrico espacial. Con este artículo, se brindan herramientas para describir y visualizar distribuciones espaciales, que permitan darle validez a un modelo econométrico y que herramientas de la econometría tradicional no incorporan al rezagar efectos espaciales. La metodología utilizada se desarrolla a partir del AEDE y sus aplicaciones; para tal fin, se analizan las técnicas gráficas y estadísticas del AEDE que ofrece el software GeoDa 1.0.1, desarrollado por el profesor Luc Anselin de la Arizona State University, en dos dimensiones: (1) el análisis de datos univariante, es decir, se estudian las características de distribución espacial con respecto a una sola variable y (2) el análisis de datos multivariante, que involucra más de dos variables. Finalmente, se concluye que el AEDE debe constituir el primer eslabón en un análisis para la toma de decisiones en investigaciones de tipo ambiental, social y económica, cuyas técnicas principales a través de la estadística y la representación gráfica, posibilitan el análisis de las distribuciones espaciales y agrupamientos espaciales.

 

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Giuseppe Bernardo de Corso Sicilia, Docente de la Universidad Jorge Tadeo Lozano.

PhD y Máster en análisis de políticas públicas de la Universidad Simón Bolivar de Caracas (Venezuela). Economista de la University of Tampa Florida, EE.UU. Docente de la Universidad Jorge Tadeo Lozano.

Maribel Pinilla Rivera, docente de planta y directora del grupo de investigación en Estudios Ambientales GEA.UD, de la Universidad Distrital Francisco José de Caldas.

Administradora de Empresas. Especialista en Gerencia Pública, Magister en Ciencias Económicas y candidata a Doctora en Modelado en Política y Gestión Pública de la Universidad Jorge Tadeo Lozano. Investigadora, docente de planta y directora del grupo de investigación en Estudios Ambientales GEA.UD, de la Universidad Distrital Francisco José de Caldas.

Referencias bibliográficas

ACEVEDO, I., & Velásquez, E. (2008). Algunos conceptos de la econometría espacial y el análisis exploratorio de datos espaciales. Ecos de Economía, (27), 9-34.

ANSELIN, L. (1995). Local Indicators of Spatial Association-LISA. Geographical Analysis, 27(2), 93-115.

BELLEHUMEUR, C., & Legendre, P. (1998). Multiscale Sources of Variation in Ecological Variables: Modeling Spatial Dispersion, Elaborating Sampling Designs. Landscape Ecology, (13), 15-25.

BIONDI, F., Myers, D., & Avery, C. C. (1994). Geostatistically Modeling Stem Size and Increment in an Old-Growth Forest. Cananadian Journal of Forest Research, 24, 1354-1368.

BRADSHAW, G. A., & Spies, T. A. (1992). Characterizing Canopy Gap Structure in Forests Using Wavelet Analysis. The Journal of Ecology, 80(2), 205-215.

CASETTI, E., & Poon, J. (1995). Econometric Models and Spatial Parametric Instability. Relevant Concepts and an Instability Index. En L. Anselin & R. Florax (Eds.), New Directions in Spatial Econometrics (pp. 301-321). Berlin, Germany: Springer.

CHASCO YRIGOYEN, C. (2003). Métodos gráficos del análisis exploratorio de datos espaciales. Madrid: Instituto L. R./Universidad Autónoma de Madrid.

CRESSIE, N. (1993). Statistics for Spatial Data (Revised edition). New York: Wiley.

CRESSIE, N. (2001). Fitting Variogram Models of Weighted Least Squares. Journal of the International Associarion of Mathematical Geology, 17, 563-86.

DALE, M. (1999). Spatial Pattern Analysis in Plant Ecology. Cambridge: Cambridge University Press.

DELFINER, P. (1979). Basic Introduction to Geostatistics. Paris: Ecole des Mines.

DUNCAN, R. P. (1991). Competition and the Coexistence of Species in a Mixed Podocarp stand. Journal of Ecology, 79(4), 1073-1084.

DYKES, J. (1998). Cartographic Visualization: Exploratory Spatial Data Analysis with Local Indicators of Spatial Association Using Tcl/Tk and CDV. The Statistician, 47(3), 485-497.

EPPERSON, B. K., & Li, T.-Q. (1996). Measurement of Genetic Structure within Populations Using Moran's Spatial Autocorrelation Statistics. Proceedings of the National Academy of Sciences the USA, (93), 10528-10532.

GRAHAM, D. J., & Glaister, S. (2003). Spatial Variation in Road Pedestrian Casualties: The Role of Urban Scale, Density and Land-use Mix. Urban Studies, 40(8) , 1591-1607.

HAINING, R. S. (2000). Providing Scientific Visualization for Spatial Data Analysis: Criteria and an Assessment of SAGE. Journal of Geographical Systems, 2, 121-140.

JOURNEL, A. G., & Huijbregs, Ch. (1978). Mining Geostatistics. New York: Academic Press.

LEDUC, A., Drapeau, P., Bergeron, Y., & Legende, P. (1992). Study of Spatial Components of Forest Cover Using Partial Mantel Tests and Path Analysis. Journal Vegegetation Science, 3(1), 69-78.

MORENO, R., & Vayá, E.. (2000). Técnicas econométricas para el tratamiento de datos espaciales: La econometría espacial. Barcelona: Edicions Universitat de Barcelona.

OKABE, A., Satoh, T., & Sugihara, K. A. (2009). A Kernel Density Estimation Method for Networks, its Computational Method and GIS-Based Tool. Geographic Information Science, 23(1), 7-32.

ORD, J. (1975). Estimation Methods for Models of Spatial Interaction. Journal of the American Statistical Association, 70, 120-126.

PHILLIPS, J. D. (1985). Measuring Complexity of Environmental Gradients. Vegetatio, 64(2-3), 95-102.

SAMPSON, R. (1987). Urban Black Violence: The Effect of Male Joblessness and Family Disruption. American Journal of Sociology, (93), 348-382.

SMOUSE P., Long, J. C., & Sokal, R. R. (1986). Multiple regression and correlation extension of the Mantel test ofmatrix correspondence. Systmatic Zoology, (35), 627-632.

UNWIN, A. (2000). Using Your Eyes-Making Statistics More Visible With Computers. Computational Statistics & Data Analysis, (32), 303-312.

VAYÁ, E., Moreno, R., & Suriñach, J. (2002). Economic Growth and Spatial Externalities. En L. Anselin, R. Florax, & S. Rey (Eds.), Advances in Spatial Econometrics (pp.145-156), Springer-Verlag: Heidelberg.

VELLEMAN, P. F. (1981). Applications, basics, and computing of exploratory data analysis. Boston: Duxbury.

VER HOEF, J. M., Cressie, N., & Glenn-Lewin, D. (1993). Spatial models for spatial statistics: some unification. Journal of Vegetation Science, 4, 441-452. doi: 10.2307/3236071

VILALTA PERDOMO, C. J. (2005). Cómo enseñar autocorrelación espacial. Economia, Sociedad y Territorio, 18, 323-333.

WAGNER, H. H. (2003). Spatial covariance in plant communities: integrating ordination, geostatistics, and variance testing. Ecology, 84, 1045-1057.

WARRICK, A. W. & Myers, D. E. (1987). Moptimization of Sampling Locations for Variogram Calculations. Water Resources Research, (23), 496-500.

WARTENBERG, D. (1985). Multivariate spatial correlation: a method for Exploratory Geographical Analysis. Geographical Analysis, 17(4), 263-283.

WHITTLE, P. (1954). On Stationary Processes in the Plane. Biometrika, (41), 434-449.

Descargas

Publicado

2017-12-15

Cómo citar

de Corso Sicilia, G. B., & Pinilla Rivera, M. (2017). Métodos gráficos de análisis exploratorio de datos espaciales con variables espacialmente distribuidas. Cuadernos Latinoamericanos De Administración, 13(25), 92–104. https://doi.org/10.18270/cuaderlam.v13i25.2417

Número

Sección

Articulos