La importancia del espacio geográfico para minimizar el error de muestras representativas

• Autores: Ricardo Truffello, Mónica Flores, Matías Garretón, Gonzalo Ruz
• Localización: Revista de Geografía Norte Grande, ISSN-e 0718-3402, Nº. 81, 2022, págs. 137-160
• Idioma: español
• Títulos paralelos:
  • The importance of geographic space to minimize the error of representative samples
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Resumen: En el presente trabajo se discute la importancia del espacio geográfico en el contexto de la generación de marcos muestrales de encuestas, poniendo en tensión la premisa estadística tradicional de la aleatoriedad e independencia de las observaciones. Para esto se analiza el aporte de la geografía cuantitativa en la generación de metodologías de regionalización que permitan, de manera efectiva, mejorar el error muestral de las encuestas, enfocados principalmente en las áreas urbanas, en presencia de variables de estratificación con autocorrelación espacial. Se testean de forma empírica algoritmos de regionalización con y sin procesos de optimi zación heurística, utilizando datos censales, para posteriormente definir el nivel de error y establecer comparaciones contra muestreos tradicionales de corte aleatorio y aleatorio bi-etápico, por medio de un procedimiento Montecarlo. Los resultados obtenidos dan cuenta de una disminución de hasta un 20% en el error contra metodologías tradicionales o en su defecto la disminución de hasta 100 casos con el mismo nivel de error. Se concluye que las metodologías de muestreo espacializado con optimización heurística ofrecen ventajas evidentes en áreas urbanas, en presencia de autocorrelación espacial.

  • English

    Abstract: This paper discusses the importance of geographic space in the context of generating a sample framework for surveys, questioning the traditional statistical premise of random ness and independence of the number of observations. The contribution of quantitative geography in the generation of regionalization methodologies is analyzed, since these allow the improvement of the sampling error of the surveys, focusing mainly on urban areas, and in the presence of stratification variables with spatial autocorrelation. Regionalization algorithms with and without heuristic optimization processes are empir ically tested, using census data, to subsequently define the level of error and establish comparisons against traditional random and two-stage random sampling, using a Monte Carlo procedure. The results obtained show a decrease of up to 20% in error against traditional method ologies or alternatively, a reduction of up to 100 cases with the same level of error. It is concluded that spatialized sampling methodologies with heuristic optimization offer advantages in urban areas, in the presence of spatial autocorrelation.