Econometría espacial
La econometría espacial es una subdisciplina de la econometría dedicada a la especificación, estimación, diagnóstico y predicción de efectos espaciales en datos de corte transversal y de panel.[1] Su objetivo central es tratar metodológicamente dos características fundamentales presentes en los datos georreferenciados: la dependencia espacial y la heterogeneidad espacial.[2]
El término fue introducido formalmente por Jean Paelinck a finales de la década de 1970.[3] A lo largo de las siguientes décadas, la disciplina evolucionó desde una posición periférica en la ciencia regional hasta convertirse en uno de sus pilares metodológicos.[1]
Conceptos clave[editar | editar código]
Dependencia espacial[editar | editar código]
Ocurre cuando el valor de una variable en una ubicación geográfica particular está funcionalmente relacionado con los valores que adopta esa misma variable en ubicaciones vecinas.[2] Para estructurar y cuantificar de manera explícita estas relaciones de vecindad se emplea una matriz de pesos espaciales ().[4]
Heterogeneidad espacial[editar | editar código]
Hace referencia a la falta de homogeneidad en el espacio, manifestada en parámetros cambiantes o formas funcionales variables según la localización geográfica.[2]
Modelos fundamentales[editar | editar código]
Entre las especificaciones econométricas básicas destacan:
Modelo de retardo espacial (Spatial Lag)[editar | editar código]
Incorpora la variable dependiente espacialmente retardada () para capturar efectos de contagio, desbordamiento (spillover) o interacción directa entre unidades.[5]
Modelo de error espacial (Spatial Error)[editar | editar código]
Aborda la autocorrelación espacial cuando esta se localiza en el término de perturbación estocástica, evitando así estimaciones ineficientes.[5]
Selección de modelos[editar | editar código]
Mur y Angulo (2009) examinan la estrategia habitual de selección de modelos Specific-to-General apoyada en Multiplicadores de Lagrange, incorporan variaciones que incluyen pruebas de selección para modelos no anidados (Vuong y Clarke) y contrastan estos enfoques con una estrategia opuesta, General-to-Specific. La comparación se apoya en un experimento Monte Carlo y llega a una conclusión matizada: no existe evidencia concluyente que permita declarar superior a una familia de estrategias en todos los contextos. Sin embargo, los autores destacan un resultado especialmente útil para la investigación regional empírica: el enfoque General-to-Specific parece más robusto cuando el Proceso Generador de Datos presenta “anomalías”. Este mensaje, convertir la selección del modelo en un objeto de investigación y no en un paso rutinario, es una de las razones por las que el artículo continúa siendo citado.
Véase también[editar | editar código]
Notas[editar | editar código]
- ↑ 1,0 1,1 Anselin, 2010, p. 3.
- ↑ 2,0 2,1 2,2 Anselin, 2010, p. 4.
- ↑ Anselin, 2010, p. 5.
- ↑ Anselin, 2010, p. 14.
- ↑ 5,0 5,1 Anselin, 2010, p. 9.
Referencias[editar | editar código]
- Mur, Jesús; Angulo, Ana (2009). «Model selection strategies in a spatial setting: Some additional results». Regional Science and Urban Economics (en inglés) 39 (2): 200-213.
- Mur, Jesús; Trívez, J. F.; Angulo, Ana (2002). «Una propuesta de investigación en econometría espacial». Investigaciones Regionales (1): 165-176.
- Paelinck, Jean H. P.; Klaassen, Leo Hendrik (1979). Spatial Econometrics (en inglés). Saxon House.