An´alisis de Componentes Principales con datos georeferenciados. Una aplicaci´on en la construcci´on de un ´Indice de Calidad de Vida para la Argentina

Montevideo

Congreso; XIV Congreso Latinoamericano de Sociedades de Estadística ?Laura Nalbarte"; 2021

Sociedad Uruguaya de Estadística

El índice de Calidad de Vida (ICV) en Argentina fue construído por un equipo de expertos dirigido por G.A Velazquez con el objetivo de conocer las diferencias sociales, económicas, ambiental y regional de la calidad de vida de la población argentina, para lo cual se han considerado principalmente dos dimensiones: la dimensión socioeconómica (educación, salud y vivienda) y la ambiental (problemas ambientales, recursos recreativos naturales y recursos recreativos socialmente construidos).Este indicador considera la información a nivel departamental, por lo que resulta un valioso instrumento de gestión de política públicas de salud, vivienda, educación, medio ambiente y cultura. De esta manera resulta una medida que cuantifica un nivel de vida de la poblaci´on fuera de la percepción de losdistintos actores sociales.En este trabajo se propone un análisis de las ponderaciones de los indicadores que conforman cada dimensión definida en el ICV. El análisis de Componentes Principales (ACP) es una herramienta muy utilizada para analizar como participa cada indicador en la estructura de variabilidad de los datos.Sin embargo, como los indicadores están georeferenciados la estructura de co-variación reflejada por un análisis multivariado clásico puede verse afectada por los patrones espaciales subyacentes en los datos. En tal sentido, resulta adecuado aplicar el método conocido como MULTISPATI, el cual se basa en el ACP pero incorpora la restricción dada por los datos espaciales mediante el cálculo del índice de Moran para medir la dependencia o correlación espacial entre las observaciones. A partir de la agregación (a través de una suma ponderada) de los valores de las componentes espaciales (CPs) se definió el índice, utilizando como ponderación los valores propios asociados a cada componente.Los resultados muestran que las CPs seleccionadas permitirían una visualización mejor de la variabilidad espacial De esta manera, sería recomendable avanzar en laen la construcción del ´Indice de calidad de vida a partir de las CPs obtenidas a través de MULTISPATI