IDEAR Presentado al V Encuentro de la Red de Economía Social PANAMA, del 5 al 7 de Septiembre de 2000 ECONOMETRÍA ESPACIAL: Una Herramienta Para el Análisis de la Economía Regional Patricio Aroca IDEAR – Universidad Católica del Norte ANTOFAGASTA – CHILE RESUMEN Este trabajo resume un conjunto de técnicas econométricas aplicadas al análisis de economías regionales, destacando la importancia que el espacio geográfico tiene sobre la estimación de modelos económicos. Los efectos de error de especificación, heterocedasticidad y autocorrelación espacial sobre la estimación de parámetros son mostrados y como estos problemas son abordados con el instrumental de la econometría espacial. Finalmente, se muestran dos ejemplos descriptivos para Chile y se cita un conjunto de trabajos aplicados a distintos problemas a modo de mostrar el inmenso potencial que tiene este instrumental en ayudar a incorporar el espacio explícitamente en Latinoamérica. IDEAR Econometría Espacial o Regional 2 ECONOMETRÍA ESPACIAL: Una Herramienta Para el Análisis de la Economía Regional .................................................................................1 RESUMEN...................................................................................................................... 1 INTRODUCCION .......................................................................................................... 3 ECONOMETRÍA ESPACIAL O ECONOMETRÍA REGIONAL................................ 4 MATRIZ DE CONTIGUEDAD, MEDIDAS DE ASOCIACIÓN ESPACIAL y ERROR DE ESPECIFICACIÓN.................................................................................... 5 DEPENDENCIA O AUTOCORRELACION ESPACIAL ............................................ 8 SINTESIS DE METODOS Y APLICACIONES DE LA ECONOMETRIA ESPACIAL O REGIONAL .......................................................................................... 13 Las Técnicas de Estimación y Especificación de Modelos de Econometría Espacial............13 Estructura Espacial - Heterogeneidad Espacial ........................................................................................ 14 Interacción Espacial - Autocorrelación Espacial...................................................................................... 15 SOFTWARE Y APLICACIONES ............................................................................... 17 CONCLUSIONES ........................................................................................................ 18 BIBLIOGRAFÍA .......................................................................................................... 19 UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 3 Econometría Espacial o Regional INTRODUCCION Uno de los importantes avances en la ciencia económica de la ultima década ha sido la reincorporación explicita del efecto del espacio geográfico en el análisis de los problemas económicos. A partir de los trabajos de Krugman (1991a y 1991b, et al 1998) sobre lo que se ha llamado la “nueva geografía económica”, resaltando el papel de las externalidades espaciales en los modelos de comercio internacional y crecimiento, se han multiplicado los modelos que estudian la influencia del espacio sobre la localización de empresas, desarrollo de complejos ind ustriales, difusión del conocimiento y la tecnología, etc. Paralelamente, otro grupo de economistas y cientistas regionales entre quienes destaca Anselin (1988, 1992, y Florax, 1995, y Rey, 1997, 1999), han desarrollado un conjunto de técnicas para trabajar con datos geo-referenciados y estimar modelos que incorporan explícitamente la dimensión espacial. Este conjunto de técnicas que se utilizaban principalmente en economía regional y urbana, esta abarcando cada vez mas espacios y es fácil encontrar aplicaciones en las principales revista científicas de economía general (ver por ejemplo Case, 1991, Pinske and Slade, 1998 entre otros). Este trabajo tiene como objetivo exponer como la ignorar los efectos espaciales en la estimación de modelos puede conducir a obtener estimadores ineficientes o incluso sesgados. Al mismo tiempo, al incluir la dimensión espacial en el análisis se puede obtener nueva información que puede enriquecer el trabajo y dar nuevas luces sobre el fenómeno estudiado. Finalmente, se espera despertar la conciencia en el lector de que el uso de datos referenciados a un vecindario, comuna, provincia, región, estado o país requiere de consideraciones adicionales a las hechas por la econometría tradicional y que el espacio efectivamente importa en la investigación económica regional. La siguiente sección recolecta distintas definiciones de econometría espacial a través del tiempo. Luego, en la sección que sigue, se expone la forma más común de contabilizar el espacio y muestra un ejemplo para la migración en Chile desde la perspectiva de UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 4 Econometría Espacial o Regional especificación errónea del modelo. La siguiente sección trata el problema de la dependencia espacial y para ello se utiliza un estudio de convergencia realizado para Chile. Luego, una sección es dedicada para describir el instrumental computacional disponible y finalmente se resumen algunas conclusiones y se describe la agenda futura de las aplicaciones y las investigaciones de la econometría espacial. ECONOMETRÍA ESPACIAL O ECONOMETRÍA REGIONAL El término econometría espacial fue acuñado por Jean Paelink al comienzo de la década de los setenta para referirse al conjunto de métodos para tratar adecuadamente las características especiales de los datos geo-referenciados y de los modelos de economía espacial (Anselin, 1992). En español, el término econometría espacial tiende a sugerir algo relacionado con el espacio exterior del planeta, por eso en este trabajo se quiere dar la idea de econometría regional, tomando el sentido de la ciencia regional que entre otras cosas estudia modelos económicos con consideraciones espaciales. Anselin (1988), en probablemente la referencia mas citada en los trabajos de econometría espacial, la define como “la colección de técnicas que lidian con las peculiaridades causadas por el espacio en el análisis estadístico de los modelos de la ciencia regional.” Once años mas tarde, Anselin (1999) extiende la definición diciendo que “la econometría espacial es una rama de la econometría que se preocupa del tratamiento adecuado de la interacción espacial (autocorrelación espacial) y la estructura espacial (heterogeneidad espacial) en modelos de regresión con datos de corte transversal y de panel de datos.” Para mas detalle, Paelinck y Klaassen (1979) menciona cinco características de las cuales se preocupa esta rama: - El rol de la interdependencia espacial en los modelos espaciales - La asimetría de las relaciones espaciales - La importancia de otros factores explicativos localizados en otros espacios - Diferenciación entre interacción ex - post y ex – ante - Modelamiento explícito del espacio UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 5 Econometría Espacial o Regional Finalmente, en esta sección debemos resaltar la creciente importancia que están teniendo estos métodos en las diferentes áreas de la investigación en economía. Anselin y Florax (1995) mencionan tres importantes razones que explican este hecho y que son: - El renovado interés por investigar el rol del espacio y de la interacción espacial en las ciencias sociales y especialmente en economía. - La creciente disponibilidad de grandes bancos de datos con observaciones georeferenciadas por parte de las agencias oficiales de los gobiernos y donde mucha de esta información puede ser obtenida a través de Internet. - El desarrollo de una tecnología computacional eficiente y de bajo costo para manejar observaciones espacialmente referenciadas, como son los sistemas de información geográficos (SIG) y software para el análisis de datos espaciales. MATRIZ DE CONTIGUEDAD, MEDIDAS DE ASOCIACIÓN ESPACIAL y ERROR DE ESPECIFICACIÓN. Uno de los elementos fundamentales de la econometría espacial es su forma de utilizar la información geográfica contenida en las observaciones de procesos que ocurren espacialmente. En este sentido, muchos de las técnicas desarrolladas en la geo-estadística y la estadística espacial han sido adaptados para capturar los efectos espaciales en la estimación de modelos económicos. Dentro de las características geográficas que contienen los datos puede haber información importante sobre localización, interacción espacial, externalidades, procesos de difusión, que pueden causar problemas de sesgos e ineficiencias en las estimaciones de modelos econométricos. En este sentido la teoría general de sistemas sostiene que todo esta relacionado o que todo depende de todo, pero la primera ley de la geografía agrega que la dependencia es mayor cuando los elementos están más cercanos. UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 6 Econometría Espacial o Regional La principal característica de los datos geo-referenciados es que están asociados con una localización y por lo tanto se pueden visualizar en un mapa. En este espacio, los datos representan objetos que pueden ser puntos como ciudades, almacenes, crímenes o accidentes y que están referenciados por coordenadas en el plano. También los datos pueden ser líneas o arcos desde un nodo a otro simulando carreteras o líneas de transmisiones eléctricas o telefónicas, o podrían ser polígonos que podrían representar municipios, provincias, regiones o estados. Los sistemas de información geográficos (GIS) compilan las observaciones en estos tipos de objeto y son de mucha utilidad cuando se funden con los softwares de econometría espacial (por ejemplo ArcView1 y SpaceStat 2 , Anselin 1992 y 1998). Las técnicas utilizadas para el análisis de datos dependen del tipo de objetos con los cuales se cuenta. En este trabajo, trabajaremos con polígonos en un mapa los cuales son conocidos como datos regionales y que son los más comúnmente utilizados en economía. Una de las formas más comunes de representar la ubicación geográfica de un conjunto de polígonos es a través de una Matriz de Conectividad o de Contigüidad. Esta es una matriz cuadrada que tiene el mismo numero de filas o columnas que el número de polígonos independientes del mapa en estudio y que por convención se le denomina por W. Los valores utilizados para representar vecindad son variados, por ejemplo Pinkse y Slade (1998) utilizan seis medidas distintas en su estudio sobre la formación de cluster de estaciones de gasolinas en la ciudad de Vancouver, Canadá. La formulación más simple es una matriz de contigüidad binaria, es decir, los elementos de W serán igual a 1 si dos polígonos son vecinos y cero en otro caso. En la Figura 1 se muestra un arreglo espacial de cuatro polígonos y su matriz de contigüidad asociada. Esta matriz de contigüidad tiene ceros en la diagonal principal por que se asume que un polígono no puede ser vecino consigo mismo. Adicionalmente, en la práctica esta matriz 1 2 http://www.ESRI.com http://www.SpaceStat.com UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 7 Econometría Espacial o Regional se estandariza por filas, es decir, se divide cada componente de la fila de la matriz por la suma de todos los elementos de esa fila de modo que la suma de cada fila es igual a uno, esta forma es muy útil para crear los rezagos espaciales. Figura 1 Arreglo Espacial y Matriz de Contigüidad Asociada 4 3 2 1 1 2 3 4 1 0 1 0 0 2 1 0 1 1 3 0 1 0 1 4 0 1 1 0 Una medida de la ubicación geográfica relativa en el mapa es sugerida por Boot y Kanaroglou (1988). Ellos sugieren utilizar los elementos del vector propio asociado al valor propio principal como una medida de localización relativa. Cada elemento (ej ) del vector propio principal de esta matriz es una medida de la ubicación relativa de cada región al centro geográfico del arreglo y de su conectividad. El valor de ej se mueve entre 0 y 1, donde los valores cercanos a 0 significan que la región está lejos del centro y tiene menos conectividad. Alternativamente, los valores cercanos a 1 implican una alta conectividad y más cercana al centro del arreglo espacial. En el Apéndice A, basado en Aroca et al (2001) se muestra la matriz de contigüidad, el valor propio principal y su vector propio asociado para las trece regiones administrativas de Chile. La Figura 2 muestra una descripción gráfica de estos valores mostrando las regiones con mayor centralidad y mayor número de vecinos con valores más obscuros mientras que las regiones menos conectadas y en la periferia con colores más claros. INSERTAR FIGURA 2 AQUI UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 8 Econometría Espacial o Regional A continuación se muestra como se puede incorporar esta información en un modelo donde no estaba incorporado el espacio inicialmente y al hacerlo se obtienen estimadores más potentes y todos los resultados mejoran. El detalle del modelo esta expuesto en Aroca et al (2001), y consiste en una estimación de la probabilidad relativa de emigrar de un trabajador desde una región i a una región j. Para incorporar el efecto del espacio se define una variable Sij como: e − e Sij = j i ∗100 e j + ei Por lo tanto, Sij estará entre –100 y 100. Cuando está cercana a 100, significa que el trabajador está evaluando la migración desde una región periférica a una central, mientras cuando este indicador está cercano a –100, el posible movimiento es inverso. Adicionalmente, si Sij está cercano a cero, el trabajador está evaluando migrar desde una región central a otra central o desde una periférica a otra región también periférica. INSERTAR TABLA 1 POR AQUI Los resultados se muestran en la Tabla 1 y sugieren que las estimaciones en ambos periodos mejoran notablemente. Adicionalmente, se realiza un contraste para verificar si se debe incorporar Sij, es decir, un contraste que permita evaluar la especificación del modelo con y sin Sij INSERTAR TEST DE ESPECIFICACIÓN POR AQUÍ DEPENDENCIA O AUTOCORRELACION ESPACIAL Esta sección se basa especialmente en Aroca y Bosch (2000) que estudia la convergencia del Producto Interno Bruto per-capita (PIBpc) considerando el espacio en Chile. La UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 9 Econometría Espacial o Regional dependencia espacial de una variable, como es el PIBpc regional, puede ser capturada a través de varias técnicas estadísticas (Anselin 1988, 1995 y Griffith 1996). Una primera aproximación al estudio espacial de una variable lleva al cálculo de indicadores que proporcionen información acerca de la intensidad de la dependencia espacial, en términos globales, de esa variable dentro de un determinado territorio. El indicador I de Moran representado en la ecuación 1 es un indicador global de dependencia espacial. ∑∑ w z z = ∑z ij Ii i i j j 2 i Dónde n es el número de regiones, los wij son elementos de una matriz binaria de contigüidad estandarizada de n x n (W), como la definida en la sección anterior, y zi representa el lnPIBpc de cada región en desviaciones con respecto a la media nacional. Cuando el I de Moran toma valores cercanos a 1 se puede decir que la variable presenta una fuerte dependencia espacial positiva, en el sentido que valores similares tienden a estar juntos en el espacio. Los valores cercanos a –1 muestran, análogamente, una fuerte dependencia negativa (valores disímiles próximos unos de otros) y los valores alrededor de –1/(n-1) denotan una distribución aleatoria de valores. Una forma alternativa de escribir el I de Moran es: ∑ z ∑w = ∑z i Ii i donde ij j 2 i ∑w z ij j zj = z 'Wz z' z es igual al promedio de los zj de los vecinos ya que wij = 1/si , donde si es el número de vecinos, para los j que son contiguos de i y los wij = 0 en otro caso. En términos matriciales tendríamos Wz que se conoce como rezago espacial y donde W se considera un operador de rezagos espaciales haciendo el paralelo al operador de rezagos utilizado en el análisis de series de tiempo. UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 10 Econometría Espacial o Regional INSERTAR FIGURA 3 POR AQUÍ En la Figura 3 se muestra la evolución del indicador I de Moran a través del tiempo junto a la dispersión del PIBpc regional. Varios aspectos son destacables de este gráfico. En primer lugar el indicador Moran se muestra positivo y significativo para 37 de los 39 años de la muestra. Esto indica que la distribución espacial (regional) del PIBpc en Chile no está aleatoriamente distribuida y por lo tanto que es posible la existencia de ciertos “clusters” o agrupaciones espaciales que concentren regiones de alto (bajo) producto. En segundo lugar la evolución que ha seguido el estadístico es de leve crecimiento en los 60, cierta estabilidad en los años 70 y 80 y un fuerte incremento de la dependencia espacial en la década de los 90, una época de espectacular crecimiento económico en Chile. El indicador I de Moran, sin embargo, no es capaz de capturar en que observaciones específicas la dependencia espacial es más intensa. La identificación de los grupos de regiones que concentran valores altos (bajos) de PIBpc es una objetivo de una serie de técnicas desarrollas por la literatura de la estadística espacial (Anselin 1993, 1995). Una primera herramienta es el gráfico de Moran (Moran’s scatterplot) que aporta una visión más desagregada de la naturaleza de la dependencia espacial. Éste muestra el PIBpc estandarizado en el eje horizontal y el rezago espacial (también estandarizado) en el eje vertical, siendo el rezago espacial la media del PIBpc de los vecinos de una determinada región. De esta manera el gráfico de Moran divide el espacio en cuatro tipos de relación espacial. El primer cuadrante del gráfico de Moran representa regiones con un PIBpc superior a la media y que están rodeados de regiones con un PIBpc superior a la media. Este espacio es considerado en la literatura como zonas calientes o “hot spots”. El segundo cuadrante recoge aquellas regiones con PIBpc inferiores a la media pero rodeadas de regiones con PIBpc superior a la media. Análogamente, el tercer cuadrante concentra aquellas regiones que se podrían considerar rezagadas, con PIBpc inferior a la media y con vecinos con un PIBpc inferior a la media. Y por último, aquellas regiones que se localizan en el cuarto cuadrante tienen un PIBpc superior a la media y un vecindario que cuyo PIBpc medio es inferior al de la media del país. El primer y tercer cuadrante representan formas de asociación espacial positiva, es decir, de valores UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR Econometría Espacial o Regional 11 similares, mientras que el segundo y cuarto cuadrantes recogen formas de asociación negativa. INSERTAR FIGURAS 4 Y 5 POR AQUI El gráfico de Moran para los datos analizados se muestra en las Figuras 4 y 5. Algunos aspectos de interés pueden ser resaltados. Coherentemente con lo mostrado por el indicador global de dependencia espacial, las regiones se sitúan mayoritariamente en los cuadrantes uno y tres, es decir, existe un predominio de la asociación espacial positiva. Esto es especialmente visible para el último periodo de la muestra (gráfico 5), donde es apreciable una relación lineal importante entre el PIBpc regional y el rezago espacial. Adicionalmente, el Moran scatterplot permite establecer una identificación preliminar sobre que regiones o grupos de regiones que presentan una mayor dependencia espacial. Un bloque estaría formado por las regiones situadas en el primer cuadrante (regiones con productos per cápita superiores a la media y con vecinos de alto producto per cápita). Las regiones I y II se han mantenido en éste cuadrante durante todo el periodo 1960-98. A estas dos regiones se le une la región III en la década de los 90. Otro grupo de regiones (VII, VIII, IX, X) han permanecido durante todo el periodo en el cuadrante cuarto lo que indica que estas regiones pueden estar formando un cluster de bajo PIBpc en el sur del país, en contraposición al cluster de alto producto detectado en el norte (regiones I, II y III). Es posible obtener evidencia adicional de la existencia de patrones locales de dependencia espacial más allá de la identificación visual en el gráfico de Moran. Anselin (1995) afirma que el grado de dependencia espacial, como resultado del uso de indicadores globales (como el I de Moran) ignora la inestabilidad potencial de las observaciones individuales en la muestra total. El descompone el indicador I de Moran en indicadores locales de dependencia espacial de la siguiente manera: Ii = z i ∑ wij z j j ∑z UNIVERSIDAD CATOLICA DEL NORTE 2 i /n ANTOFAGASTA - CHILE IDEAR Econometría Espacial o Regional 12 Los indicadores locales de dependencia espacial pueden interpretarse como un indicador de “cluster” espacial utilizando los propios indicadores como base para un contraste donde la hipótesis nula sería la ausencia de dependencia espacial. Estos “clusters” locales o agrupaciones en el espacio pueden ser identificados para aquellas observaciones en las cuales el indicador de dependencia espacial se muestra significativamente distinto de cero. Sin embargo, la distribución de los indicadores locales de asociación espacial es desconocida. Anselin (1995) sugiere un método para generar una distribución empírica para los indicadores. Esta solución consiste en el uso de una aleatorización condicional del vector zj. La generación de la distribución del indicador de asociación espacial de una región en particular, bajo la hipótesis nula, es inferida mediante la permutación aleatoria de todas las regiones como vecinos que rodean a esa región. La distribución obtenida permite evaluar si el indicador observado es significativamente distinto a como seria en la situación en la que sus vecinos estuvieran constituidos por cualquier otra combinación de regiones del país. INSERTAR TABLA 2 y FIGURA 6 POR AQUI La tabla 2 muestra, en primer lugar, el intervalo de años y las regiones específicas en las que se ha detectado indicadores locales de asociación espacial significativos y, en segundo lugar, en que cuadrante del gráfico de Moran se encontraba esa región en ese año. Esto va a permitir una más estricta identificación de los clusters en su dimensión espacio-temporal. Dado que todas las veces en que el indicador de asociación espacial que ha sido significativo en algún año de la muestra, corresponde a regiones que se localizan en los cuadrantes uno y tres, es decir, aquellos que denotan una dependencia espacial positiva, la tabla 2 sólo muestra los resultados para esos dos cuadrantes. Las regiones que revelan una mayor interdependencia espacial son aquellas previamente identificadas en el gráfico de Moran como posibles candidatas para formar clusters. En el Norte las regiones I, II y III situadas en el primer cuadrante y en el Sur las regiones VIII, IX, X localizadas en el tercer cuadrante. Por lo tanto, la idea de la existencia de dos clusters regionales en Chile, UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 13 Econometría Espacial o Regional uno de alto producto en el Norte y otro de bajo producto en el Sur surge con fuerza. En tercer lugar, en el ámbito temporal, la significatividad de los indicadores locales de asociación espacial no es aparente hasta mitad de la década de los 90 para las regiones I, II y III. Esto es especialmente interesante dado que Chile sufre un proceso de tremendo crecimiento del PIBpc (casi un 7% anual) durante esta década. En el caso del cluster de bajo producto presenta una mayor constancia temporal, sobre todo para la región VIII que se muestra significativa para 23 de los 38 años. En consecuencia, es plausible que el fuerte incremento del indicador global de asociación espacial y el comportamiento de los indicadores locales estén mostrando el sesgo espacial que ha sido parte activa del crecimiento regional en Chile durante los últimos años. SINTESIS DE METODOS Y APLICACIONES DE LA ECONOMETRIA ESPACIAL O REGIONAL En este trabajo se ha querido mostrar dos ejemplos básicos del uso de la econometría espacial en el estudio de las problemáticas regionales. |El lector que desee profundizar en el tema puede encontrar una serie de otras técnicas y métodos mas avanzados desarrollados para abordar problemas más interesantes y complejos. Las Técnicas de Estimación y Especificación de Modelos de Econometría Espacial El desarrollo de técnicas econométricas ha tenido un crecimiento explosivo en los últimos años. Al tradicional método de estimación por mínimos cuadrados ordinarios y máxima verosimilitud se han sumado el método de momentos, el método generalizado de momentos, métodos semi-paramétricos y no paramétricos, etc. Esta evolución ha afectado también el desarrollo de métodos para la econometría espacial y es posible encontrar muchas adaptaciones de estos métodos a la estimación de modelos donde la interacción o la heterogeneidad espacial juegan un rol importante. UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 14 Econometría Espacial o Regional Estructura Espacial - Heterogeneidad Espacial Esta sección se desarrolla en base a Anselin (2001 y 1988). En la primera parte vamos a desarrollar brevemente la discusión sobre la heterocedasticidad espacial, que se entiende como el problema que se presenta, en la estimación de modelos que contienen datos asociados a unidades espaciales, cuando las observaciones responden con sensibilidades distintas a través del espacio y por lo tanto este efecto no puede ser capturado por las variables explicatorios del modelo, al menos que el espacio este explícitamente incorporado. Para enfrentar este problema se pueden utilizar las técnicas tradicionales, siempre que se tenga alguna variable que represente el espacio, sino existen un conjunto de técnicas especialmente diseñadas para lidiar con este problema. La heterocedasticidad puede presentarse desde un extremo donde cada observación espacial tiene un comportamiento o sensibilidad distinta, hasta el caso donde se pueden distinguir dos grupos con diferentes sensibilidades. En el caso que existe solo grupo, no se tiene el problema de heterocedasticidad, sino que al contrario, es el supuesto tradicional utilizado para estimar modelos econométricos. Una investigación previa que permita visualizar el tipo de heterocedasticidad es necesaria. En este sentido, la búsqueda consiste en determinar si existen grupos con diferentes sensibilidades (heterocedasticidad discreta, utilizando contrastes del tipo de Goldfeld y Quandt) o si cada observación presenta un comportamiento distinto (heterocedasticidad continua, utilizando contrastes del tipo Glesjser’s y Park). Para el caso de heterocedasticidad discreta, se definen variables binarias para representar los diferentes regimenes espaciales detectados por las pruebas realizadas y se incluyen en el modelo afectando el intercepto o la pendiente o ambos. UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 15 Econometría Espacial o Regional El caso de la heterocedasticidad continua el procedimiento también es similar al de la econometría tradicional. El proceso utilizado es el de una regresión ponderada por los factores espaciales que generan la heterocedasticidad. En este sentido es similar al tradicional método de mínimos cuadrados ordinarios. La diferencia radica en que la construcción de la variable que captura la heterocedasticidad espacial puede ser bastante compleja. Esta variable puede ser construida utilizando simplemente la distancia desde cada observación a algún punto de interés en el espacio hasta la generación de la distribución estimada a través de métodos no paramétricos. Interacción Espacial - Autocorrelación Espacial Uno de los aspectos más interesantes y propios de la econometría espacial es la modelación de la interacción entre los objetos geográficos estudiados. En la econometría tradicional de series de tiempo la modelación es unidireccional, en el sentido que las observaciones pasadas determinan o afectan el comportamiento de las observaciones futuras y no existe la posibilidad de que cambios presentes o futuros afecten el pasado. En cambio, en un proceso espacial lo que ocurre en una unidad puede estar afectado por sus vecinos y al mismo tiempo los cambios en la unidad pueden afectar a los vecinos. Este proceso se conoce como interacción espacial y hace la modelación del proceso más complejo. La modelación de la interacción espacial requiere la imposición de algún tipo de estructura sobre la forma de la interacción entre las unidades del proceso. Estas imposiciones dan origen a al menos dos tipos de modelos que son populares en la estimación de modelos de regresión en econometría espacial: modelos espaciales autorregresivos y modelos espaciales de errores autocorrelacionados. Si definimos Y como la variable dependiente de un conjunto de variables representada por la matriz X, â el vector de coeficientes asociados, ñ el coeficiente de autocorrelación UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 16 Econometría Espacial o Regional espacial y å un vector de errores aleatorios. Entonces, un modelo espacial autorregresivo se puede plantear como: Y = ρWY + Xβ + ε Y = ( I − ρW ) −1 Xβ + ( I − ρW ) −1 ε donde W tiene la misma estructura definida previamente. Lo que distingue este modelo de un modelo de regresión tradicional es la matriz ( I − ρW ) −1 que tiene una forma similar a la popular inversa de Leontief en la literatura de Insumo – Producto. La interpretación de la matriz inversa de Leontief es que cada elemento fuera de la diagonal principal mide el impacto indirecto que un sector tiene sobre otro, mientras que los elementos de la diagonal principal miden el efecto directo más el indirecto del propio sector. Esta interpretación es muy útil para entender esta matriz. Si la autocorrelación espacial es significativa, entonces para el caso en que esta matriz esta multiplicada por Xâ se puede interpretar que el impacto de un cambio marginal en X no es sólo igual a â sobre Y, como en el modelo tradicional sino que se transmite a todas las unidades geográficas del estudio a través de los “efectos indirectos” que son capturados en la matriz inversa asociada, los cuales pueden calcularse con detalle para cada zona estudiada. Esta misma interpretación es valida para el término de error. En el caso de un modelo espacial de errores autocorrelacionados, podemos utilizar la misma nomenclatura previa: Y = Xβ + ε con ε = λWε + u donde u tiene las propiedad deseadas y ë es la autocorrelación espacial de los errores. Entonces, ( I − λW )Y = ( I − λW ) Xβ + u que es similar a mínimos cuadrados ordinarios de Y sobre X filtrados espacialmente. Es decir, si la autocorrelación entre los errores es significativa, se deben limpiar las variables originales del efecto espacial para obtener un estimador adecuado de los parámetros a estimar. UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR Econometría Espacial o Regional 17 Adicionalmente a los modelos espaciales autoregresivos y de errores autocorrelacionados espacialmente, se han desarrollado otros modelos que incluyen mixturas entre estos dos modelos, aucorrelaciones de orden superior, dependencia espacial en modelos de panel de datos, dependencia espacial en modelo para variables dependientes cualitativas o limitadas, etc. También para cada uno de estos modelos se han desarrollado técnicas de estimación de los parámetros basados en mínimos cuadrado ponderados, mínimos cuadrados en dos y tres etapas, máxima verosimilitud, método de momentos condicional, métodos semi y no paramétricos y métodos bayesianos. SOFTWARE Y APLICACIONES El software específico para econometría espacial es escaso. Hasta ahora el más conocido y poderoso es el SpaceStat. Sin embargo, existen otras alternativas que forman parte de algunos de los programas tradicionales de econometría. Un ejemplo valioso de mencionar es la biblioteca de rutinas de LeSage (1999) para MATLAB que esta acompañado por un excelente libro de referencia basado en Anselin (1988). Sin embargo, existe una creciente asociación entre la econometría espacial y el software de los sistemas de información geográfica (SIG). Esta asociación permite aprovechar el potencial visual de los SIG en la estimación de modelos espaciales econométricos. El resultado más notable hasta ahora es la asociación entre SpaceStat y ArcView. Sin embargo existe un proyecto de la SGG 3 destinado a generar un conjuntos de software que este disponible sin costo para los usuarios con el objetivo de promover el uso del instrumental GIS y de la econometría espacial, una alternativa de este proyecto se esta desarrollando en REAL en la Universidad de Illinois, bajo la plataforma que ofrece XlispStat y que es liberado para su uso no comercial. 3 SGG … UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR Econometría Espacial o Regional 18 CONCLUSIONES La econometría espacial esta ganando un espacio como una rama importante de la econometría tradicional debido al creciente interés en el espacio y la interacción espacial de los modelos económicos. Adicionalmente, la creciente disponibilidades de datos y software apropiados están haciendo mas fácil su utilización. En este contexto, se presentan dos ejemplos de aplicación y una breve síntesis sobre modelos, métodos y técnicas de estimación y una breve revisión del software disponible para utilizar la econometría espacial. El potencial de aplicación es alto y el costo de ignorar la dimensión espacial también, por lo que se espera que a futuro el espacio estos métodos pasen a formar parte de la caja de herramientas con que los investigadores buscan las respuestas a preguntas y problemas que son necesarios responder o resolver. UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 19 Econometría Espacial o Regional BIBLIOGRAFÍA Anselin, L. (1988), 'Spatial Econometrics: Methods and Models. Kluwer. Dordrecht. - (1992. SpaceStat, a program for the analysis of spatial data (National Center for Gepgrapic Information and Analysis. University of California, Santa Barbara, CA, USA. - (1993). ''The Moran Scatterplot as an ESDA tool to assesss local instability in spatial association'', GISDATA Specialist Meeting on GIS and Spatial Analysis, Amsterdam. - (1995). Local Indicators of spatial association-LISA, Geographical Analysis, 27. 93-115. - (1998). SpaceStat Versión 1.90. http://www.spacestat.com. - (2000). Spatial Econometrics. En B. Baltagi (Ed.), Companion to Econometrics. Basil Blackwell, Oxford, UK. - (2001) Notas de Clases del Cursos Econometria http://geog55.gis.uiuc.edu/ace492se/syllabus2001.html Espacial, Anselin, L. y R. Florax (1995). New Directions in Spatial Econometrics. SpringerVerlag, Berlin, Alemania. Anselin, L. y S. Rey (1997). Introduction to the Special Sigue on Spatial Econometrics. Internacional Regional Science Review 20, pp.1-7. Aroca, P. y G.J.D. Hewings (1998). “Labor Market Adjustment and Regional Growth in Chile, 1982-1992”. Discussion Paper. REAL 98-T-2. Regional Economics Applications Laboratory, University of Illinois, Urbana-Champaign, USA (Por aparecer en Annals of Regional Science). Aroca, P. y M. Bosch (2000). “Crecimiento, Convergencia y Espacio en las Regiones Chilenas: 1960-1998”. Estudios de Economía, Vol 27, 1, pp. 199-224. Aroca, P., G.J.D. Hewings y J. Paredes (2001). “Migración Interregional y el Mercado Laboral en Chile: 1977-82 y 1987-92.” Cuadernos de Economía, (en prensa), Santiago, Chile. Boots, Barry N. and Pavlos S. Kanaroglou, (1988). “Incorporating the Effects of Spatial Structure in Discrete Choice Models of Migration”, Journal of Regional Science, 28, 495-507. Case, A. (1991). Spatial Patterns in Household Demand. Econometrica 59, pp. 953-965. Getis, A. and K. Ord (1992). ''The Analysis of Spatial Association by Use of Distance Statistics'' ,Geographical Analysis. 24, 189-206. Griffith, D. A. (1996). Practical Handbook of Spatial Statistics. CRC Press. Krugman, P. (1991a). Increasing Return and Economic Geography. Journal of Political Economy 99, pp. 438-499. UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 20 Econometría Espacial o Regional Krugman, P. (1991b). Geography and Trade. MIT Press, Cambridge, MA, USA. Krugman, P. (1998). Space: the Final Frontier. Journal of Economic Perspective 12, pp. 161-174 LeSage, J. P. (1999), “Spatial Econometrics using Matlab”. University of Toledo. http:\www.spatial-econometics.com Openshaw, S., Brundson C. and Charlton M. (1991), ''A Spatial Analysis Toolkit for GIS'', EGIS'91 Proceedings of the Second European Conference on Geographical Information Systems, 788-96. Utrecht. EGIS Foundation. Openshaw, S., Cross A. and Charlton M. (1990), ''Building a Prototype Geographical Correlates Exploration Machine'', International Journal of Geographical Information Systems, 4, 297-311. Pinkse J. y M.E. Slade (1998). Contracting in space: An application of spatial statistics to discrete-choice models. Journal of Econometrics, Vol. 85, 1, pp. 125-154. Paelinck, J. y L. Klaassen (1979). Spatial Econometrics. Saxon House, Farnborough. Quah, D. T. (1992), ''International Patterns of Growth: I. Persitence in Cross-Country Disparities'', Working paper, LS E, London. October. - (1993a), ''Empirical cross-section dynamics in economic growth. European Economic Review 37; 427-443. - (1993b), ''Galton's fallacy and test of the convergence hypothesis'' The Scandinavian Journal of Economics, 95(4), 427-443, December. - (1996), ''Regional convergence clusters across Europe'', European Economic Review 40(3-5), 1951-1958, April. - (1997a),''Empirics for growth and distribution: Stratification, polarization and convergence clubs''. Journal of Economic Growth, 2(1), 27-59, March. - (1997b), “Tsrf reference Manual”, Technical Report, Economics Department, LSE, December. - (1999), ''Ideas determining convergence clubs'', Working Paper (Incomplete Version). Rey, S. J. (1999), “Spatial Empirics for Economic Growth and Convergence”, Mimeo, UCSD, USA. Rey, S. J. and Montouri B. D. (1999), ''US Regional Income Convergence: A Spatial Econometric Perspective''. Regional Studies, 33(2), 143-156. Sala-i-Martin, X. (1996), ''Regional Cohesion: Evidence and Theories of Regiona l Growth and Convergence'', European Economic Review, 40(6), 1325-1352, June. - (1997), ''I just Ran Two Million Regressions'', American Economic Association Papers and Proceedings, 87(2):178-183, May. Silverman, B W. Density Estimation for Statistics and Data Analysis. New York: Chapman and Hall. UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 21 Econometría Espacial o Regional Tabla 1. Modelo Estimado: Variable Dependiente: Probabilidad Relativa de Emigrar desde una Región i a una Región j. 1977—1982 Variables 1987—1992 Sin Sij Con Sij Sin Sij Con Sij Constante –7,6361 (–15,147) -7,8290 (-15,900) –7,3095 (–15,590) -7,2847 (-16,550) Población de la región i –0,0349 (–4,495) -0,0277 –0,0271 (–4,360) -0,0191 Población de la región j 0,0720 (10,136) 3,9720 (5,963) Prop. de Pobl. Urbana en la región i Distancia (Distancia)2 Wj -Wi (diferencia en salarios) DWj -DWi (diferencia en crecimiento de salarios) Uit (desempleo en región de origen) Ujt (desempleo en región de destino) S ij 2 R R2 ajustado Test F Tamaño Muestral –0,1353 (–5,285) 0,0017 (2,381) 0,5278 (3,892) 0,0073 (1,640) –2,0242 (–0,491) –8,1129 (–1,941) — — (-3,528) 0,0632 (8,538) 4,2724 (6,548) -0,1365 (-5,499) 0,0016 (2,435) 0,6489 (4,745) 0,0129 (2,772) 0,8574 (0,209) -11,4400 (-2,736) 0,0050 0,0414 (7,097) 3,2172 (5,140) –0,1159 (–5,160) 0,0013 (2,123) 0,1532 (1,196) 0,0111 (1,560) –1,4005 (–0,264) –17,9950 (–3,473) (-3,137) 0,0335 (5,838) 3,1804 (5,412) -0,1158 (-5,492) 0,0013 (2,265) 0,2718 (2,208) -0,0007 (-0,103) 2,6585 (0,526) -22,1330 (-4,473) 0,0056 (3,217) — — 0,6320 0,6093 27,86 0,6565 0,6328 27,71 0,6649 0,6442 32,19 0,7067 0,6865 34,94 156 156 156 156 (4,548) Nota: Los valores entre paréntesis son los estadísticos–t UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 22 Econometría Espacial o Regional Tabla 2: Significatividad de los Moran Locales 10% I II III IV V VI VII VIII IX X XI XII RM Global Cuadrante I 78-80; 94-98 95-98 94-98 UNIVERSIDAD CATOLICA DEL NORTE Cuadrante III 62-70 ;75; 82; 87-98 68-70; 75; 79; 82; 85-86; 88-89; 91-98 62; 64; 66; 85; 88-89; 91-96 62-98 Total 8 4 5 0 0 0 0 23 18 12 0 0 0 38 ANTOFAGASTA - CHILE IDEAR 23 Econometría Espacial o Regional Figure 2 VALORES PROPIOS DEL VECTOR PROPIO PRINCIPAL DE W 0.6 0.533 . 0.532 0.48 Valor de los Elementos 0.5 0.4 0.29 0.3 0.2 0.29 0.16 0.15 0.09 0.08 0.1 0.05 0.03 0.02 0.01 XII XI X IX VIII VII VI RM V IV III II I 0 Regiones UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 24 Econometría Espacial o Regional Figura 3: Moran I y Desviación Típica (STD) del PIBpc regional 1960-1998 Moran I 0.7 STD 0.6 10% 0.5 0.4 0.3 0.2 0.1 UNIVERSIDAD CATOLICA DEL NORTE 1998 1996 1994 1992 1990 1988 1986 1984 1982 1980 1978 1976 1974 1972 1970 1968 1966 1964 1962 1960 0 ANTOFAGASTA - CHILE IDEAR 25 Econometría Espacial o Regional Figura 4:Moran Scatterplot: Regiones de Chile 1960-1969 3 2 1 I XI IV 0 II III VI V VII RM XII IX X -1 VIII -2 -3 -3 -2 UNIVERSIDAD CATOLICA DEL NORTE -1 0 1 2 3 ANTOFAGASTA - CHILE IDEAR 26 Econometría Espacial o Regional Figura 5:Moran Scatterplot: Regiones de Chile 1990-1998 Moran Scaterplot: Regiones de Chile 1990-98 3 2 I Rezago Espacial 1 II III IV XI 0 VVI VII RM XII IX -1 X VIII -2 -3 -3 -2 -1 0 1 2 3 PIB Regional Estandarizado UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE IDEAR 27 Econometría Espacial o Regional Figura 6 Tendencia del Crecimiento en Chile: 1960 1998 Cluster: I, II y III Regiones N W E S Cluster: VIII, IX y X Regiones UNIVERSIDAD CATOLICA DEL NORTE Cluster: VIII, IX y X Regiones ANTOFAGASTA - CHILE IDEAR 28 Econometría Espacial o Regional APPENDIX A Tabla A.1. Matriz de Conectividad. i/j I II III IV V VI VII VIII IX X XI XII RM I 0 1 0 0 0 0 0 0 0 0 0 0 0 II 1 0 1 0 0 0 0 0 0 0 0 0 0 III 0 1 0 1 0 0 0 0 0 0 0 0 0 IV 0 0 1 0 1 0 0 0 0 0 0 0 0 V 0 0 0 1 0 1 0 0 0 0 0 0 1 VI 0 0 0 0 1 0 1 0 0 0 0 0 1 VII 0 0 0 0 0 1 0 1 0 0 0 0 0 VIII 0 0 0 0 0 0 1 0 1 0 0 0 0 IX 0 0 0 0 0 0 0 1 0 1 0 0 0 X 0 0 0 0 0 0 0 0 1 0 1 0 0 XI 0 0 0 0 0 0 0 0 0 1 0 1 0 XII 0 0 0 0 0 0 0 0 0 0 1 0 0 RM 0 0 0 0 1 1 0 0 0 0 0 0 0 Tabla A.2. Datos del Valor Propio y Vector Propio Principal de la Matriz de Conectividad. Valor Propio Principal de W 2,3821 Vector Propio Principal de W eI 0,032915 eII 0,078406 eIII 0,153850 eIV 0,288080 eV 0,532380 eVI 0,532890 eVII 0,289790 eVIII 0,157410 eIX 0,085180 eX 0,045491 eXI 0,023183 eXII 0,009732 eRM 0,447200 UNIVERSIDAD CATOLICA DEL NORTE ANTOFAGASTA - CHILE