Análisis de componentes principales con datos georreferenciados. Una aplicación en la industria turística

Rosario

Congreso; Congreso Interamericano de Estadística.; 2017

Sociedad Argentina de Estadística

Existen nuevos metodos multivariados que permiten mapear el espacio geogr ´ afico seg ´ un la estructura ´espacial de indicadores economicos como son los datos de actividades relacionadas al turismo que con- ´forman el producto bruto. Dray et al. (2008), proponen un metodo de an ´ alisis multivariado que incorpora ´la informacion espacial previo al an ´ alisis multivariado, el m ´ etodo es conocido como MULTISPATI-PCA. ´La tecnica ha mostrado ser eficiente en estudios de agricultura de precisi ´ on (C ´ ordoba, 2014), y en este ´trabajo se prueba para variables economicas. Existen interacciones subyacentes entre las diferentes acti- ´vidades economicas, por ello el an ´ alisis de las covariaciones o correlaciones entre las mismas es un ´aspecto que debe ser considerado en estudios economicos de naturaleza multivariada. No obstante, es ´importante remarcar que la estructura de covariacion reflejada por un an ´ alisis multivariado cl ´ asico puede ´verse afectada por los patrones espaciales subyacentes en los datos. Las componentes principales (PC)son apropiadas solo para resumir variabilidad y no est ´ an dise ´ nadas para revelar patrones espaciales. Por ?ello es necesario utilizar una metodolog´ıa que resuma la variabilidad y revele estructuras espaciales almismo tiempo; existen hoy metodos que abarcan estos dos objetivos. En este trabajo se exponen dos ´tecnicas y se realiza un an ´ alisis comparativo de los resultados obtenidos, con la implementaci ´ on de un ´PCA clasico y de una versi ´ on restringida espacialmente (MULTISPATI-PCA, Dray et al., 2008). Se uti- ´lizaron datos procesados por la Direccion de Estad ´ ´ısticas Economicas (DEE) de la provincia de C ´ ordoba ´para el periodo 2001 ? 2014. Los mapas de variabilidad espacial construidos a partir de la primera componentede ambas tecnicas fueron similares; no as ´ ´ı los de la segunda componente debido a cambios enla estructura de co-variacion identificada, al corregir la variabilidad por la autocorrelaci ´ on espacial de ´los datos.