Sobre la espacialidad de los procesos electorales urbanos y una comparación entre las técnicas de regresión OLS y SAM

• Autores: Carlos J. Vilalta Perdomo
• Localización: Estudios demográficos y urbanos, ISSN 0186-7210, ISSN-e 2448-6515, Vol. 21, Nº. 1, 2006 (Ejemplar dedicado a: 61), págs. 83-122
• Idioma: español
• Títulos paralelos:
  • On the Spatial Distribution of Urban Electoral Processes and a Comparison between OLS and SAM Regression Techniques
• Enlaces
  • Texto completo
• Dialnet Métricas: 10 Citas
• Resumen
  • español

    El propósito de este trabajo es demostrar que debido a que algunos fenómenos sociales presentan variación espacial, la modelación de los mismos tiene implicaciones metodológicas importantes, y por lo tanto es recomendable utilizar una técnica de regresión que incorpore la espacialidad de los datos en su diseño. Se siguen dos procedimientos generales: primero se calcula el coeficiente de autocorrelación I de Moran para demostrar la espacialidad del comportamiento electoral en el México urbano entre 1994 y 2000; después se comparan dos técnicas de regresión, OLS y SAM. De la comparación se concluye que la técnica SAM es más robusta que la OLS con base en que la primera obtiene coeficientes de regresión más precisos y detecta efectos regionales estadísticamente significativos aun en la presencia de modelos con problemas de heterodasticidad. 

  • English

    AbstractThe aim of this work is to demonstrate two things: 1) That due to the fact that some social phenomena presents spatial variation, its modeling also presents important methodological implications, and therefore  2) it is advisable to use a regression technique that incorporates data spatiality in its design. A two-step process is followed: First, the Moran autocorrelation coefficient is calculated to demonstrate the spatial concentration of electoral behavior in urban Mexico between 1994 and 2000. Secondly, two regression techniques are compared, OLS and SAM. From the comparison it is concluded that the SAM technique is a more robust technique than the OLS, based on that the former is able to compute more accurate regression coefficients and detects significant regional effects even in the presence of models dealing with the heteroskedasticity problem.