Professional Documents
Culture Documents
GEOMARKETING1
ABSTRACT:
1
Ponencia presentada en el III Seminario sobre Nuevas Tecnologías en la Investigación, el Marketing y la
Comunicación. e-Participación.
1. INTRODUCCIÓN
Por esto, en este artículo se presentan las principales técnicas del AEDE, que
es considerado como una técnica novedosa que supone la unión de dos tecnologías
informáticas muy poderosas: los GIS (sistemas de información geográfica) y los
paquetes estadísticos propios del análisis de datos espaciales. Es decir, las
herramientas del AEDE combinan el análisis estadístico con el gráfico, haciendo
posible el estudio de las distribuciones espaciales y sus valores atípicos, esquemas
de asociación espacial, agrupamientos espaciales y puntos calientes/fríos de
negocio (“hot spots”).
Según Cressie (1993), el AEDE puede ser abordado desde dos puntos de
vista, según que se trate de un análisis desarrollado por la geoestadística o por la
econometría espacial. El objeto del análisis geoestadístico se encuentra, por lo
general, en el entorno de las ciencias medioambientales (física, geología, hidrología,
etc.) y se centra en una muestra de datos puntuales procedentes de distribuciones
geográficas continuas (por ejemplo, precipitación atmosférica, humedad de la tierra,
altura del océano, etc.). Por su parte, la econometría espacial analiza localizaciones
geográficas discretas de puntos o polígonos (provincias, municipios, etc.). Es lo que
se denomina perspectiva de retícula o “lattice”, y se encuentra mucho más centrado
en el análisis de los fenómenos socioeconómicos (distribución de la renta, clientes,
votantes, etc.). En la Tabla 1, se presentan algunos programas de AEDE reticular
(“lattice”) en entorno “amigable”.
Figura 2 GeoDa: vista principal con funciones del menú y barra de herramientas
2
Un análisis más detallado de algunas de estas técnicas se encuentra en Anselin (2003, 2004) y Anselin et al.
(2004A, 2004B).
métodos generales del AED o métodos explícitos del AEDE reticular. En ambos
casos, se presentarán no sólo técnicas univariantes, sino también multivariantes.
Este gráfico forma parte del AED general y tiene un carácter bivariante, dado
que representa sobre los 2 ejes cartesianos la distribución de 2 variables geográficas
cuya relación se desea conocer. GeoDa superimpone la recta de regresión ajustada
por el método de mínimos cuadrados ordinarios y adjunta el valor de la pendiente de
la misma. Este gráfico se puede también calcular para los valores estandarizados de
las variables, de forma que la pendiente de la recta de regresión se corresponda con
el coeficiente de correlación de Pearson. Además, el análisis de los 4 cuadrantes del
diagrama de dispersión permite identificar las localizaciones con valores superiores
o inferiores a la media en ambas variables o al contrario, valores superiores a la
media en una variable e inferiores a la media en otra.
Entre los muchos gráficos propuestos por el AED clásico para el análisis
multivariante, en general, mencionaremos aquéllos que son útiles para el estudio de
distribuciones geográficas: gráfico de coordenadas paralelas y gráfico de dispersión
3D (en 3 dimensiones).
Gráfico de dispersión en 3D
Mapa de cuantiles.
Este mapa agrupa las observaciones según que sus valores caigan dentro de
un rango estandarizado, entendido éste como un número determinado de unidades
de la desviación típica a partir de la media. Se trata de un mapa temático en el que
las categorías en las que se divide la variable se corresponden con múltiplos de las
unidades de la desviación típica. En la Figura 6 (derecha) se ha representado el
mapa de la desviación típica de la tasa de paro de los barrios de Madrid. GeoDa
divide la variable en 7 intervalos, de forma que el intermedio (nº 4) coincide con el
valor de la media y los 6 restantes vienen determinados por 1, 2 y 3 unidades de la
desviación típica. Por ejemplo, el intervalo 5º (10,93 a 13,21) está constituido por los
40 barrios cuya tasa de paro se encuentra entre la media (10,93) y una unidad de la
desviación típica (2,28=13,21-10,93).
El mapa dinámico (“map movie”) es una forma de animación del mapa que
consiste en la iluminación, sobre el mismo, de las distintas unidades geográficas
según su orden respecto del valor que adoptan en una variable (siempre de menor a
mayor). GeoDa permite la visualización de este mapa de forma simple (las unidades
se iluminan una vez, cuando les corresponde, y se apagan a continuación) o
acumulativa (las unidades permanecen iluminadas hasta que el mapa entero queda
iluminado. Por ejemplo, en la Figura 7 puede apreciarse cómo la variable tasa de
instrucción superior adopta los menores valores en los barrios de la periferia de
Madrid.
Sin embargo, hay dos barrios con valores especialmente bajos en la tasa de
instrucción superior que pueden estar condicionando el valor de la pendiente o
estadístico I de Moran. El programa GeoDa es un programa dinámico que permite
prescindir de dichas observaciones y recalcular el valor de dicho estadístico de
Moran que, como puede observarse, aumenta en términos absolutos a –0,44.
4.2. Métodos de representación de los atípicos espaciales
4.2.3. Cartograma
Los valores atípicos son identificados por el cartograma del mismo modo que
en los gráficos de caja, a partir de cotas definidas por encima o por debajo del valor
medio, como proporciones del recorrido intercuartílico (1,5 y 3). Así, en la Figura 11
se muestra el cartograma de la variable índice de vejez, para el que se ha aplicado
el criterio de detección de puntos atípicos menos exigente. Como puede observarse,
el cartograma destaca los mismos dos barrios con valores atípicamente altos que el
mapa de percentiles: El Goloso y Hellín (San Blas), mientras que, también como el
4
El paréntesis cuadrado indica que ese extremo se incluye en el intervalo y el curvo indica que no se incluye.
citado mapa, sólo un barrio tiene un valor inferior a la media menos 1,5 veces el
recorrido intercuartílico: Horcajo (Moratalaz).
Mapa LISA
Las letras LISA significan “Local Indicator of Spatial Asociation”. El mapa LISA
es un mapa en el que se representan las localizaciones con valores significativos en
determinados indicadores estadísticos de asociación espacial local (Getis y Ord,
1992; Anselin, 1995; Ord y Getis, 1995; Unwin, 1996). En concreto, los gráficos LISA
incluidos en GeoDa se basan en el estadístico I de Moran de asociación local. Se
trata de un estadístico que, a diferencia del estadístico I de Moran anteriormente
expuesto, no se calcula de forma global para todas las observaciones del mapa, sino
que adquiere un valor diferente para todas y cada una de ellas. Efectivamente, este
estadístico mide el grado de concentración de valores altos/bajos de una variable en
el entorno geográfico de cada una de las observaciones de la muestra. Para cada
valor del estadístico es posible realizar una inferencia para evaluar el nivel de
significatividad estadística de rechazo de la hipótesis nula de ausencia de similitud o
disimilitud de valores en una localización geográfica. De este modo, se pone de
manifiesto la presencia de puntos calientes (“hot spots”) o atípicos espaciales, cuya
mayor o menor intensidad dependerá de la significatividad asociada de los citados
estadísticos.
5. CONCLUSIÓN
. ANSELIN, L. (1999), “The future of spatial analysis in the social sciences”. Geographic
Information Sciences, 5 (2); pp. 67-76.
. ANSELIN, L. (2003), “GeoDaTM 0.9 user’s guide”. Página web del “Spatial Analysis
Laboratory”: http://sal.agecon.uiuc.edu/stuff_main.php#tutorials .
. ANSELIN, L. (2003), “GeoDaTM 0.9.5-i release notes”. Página web del “Spatial Analysis
Laboratory”: http://sal.agecon.uiuc.edu/stuff_main.php#tutorials .
. ANSELIN, L., Y.W. KIM e I. SYABRI (2004A), “Web-based analytical tools for the
exploration of spatial data”. Journal of Geographical Systems (próxima publicación).
. CRESSIE, N. (1993), “Statistics for spatial data..Revised edition”. New York: Wiley.
. ORD, J.K. y A. GETIS (1995), “Local spatial autocorrelation statistics: distributional issues
and an application”. Geographical Analysis, 27.4; pp. 286-306.
. UNWIN, A. (2000), “Using your eyes- making statistics more visible with computers”.
Computational Statistics & Data Analysis, 32; pp. 303-312.