Investigaciones Regionales

ISSN: 1695-7253
[email protected]
Asociación Española de Ciencia Regional
España

Moreno Serrano, Rosina; Vayá, Esther Valcarce

Econometría espacial: nuevas técnicas para el análisis regional. Una aplicación a las regiones
europeas
Investigaciones Regionales, núm. 1, otoño, 2002, pp. 83-106
Asociación Española de Ciencia Regional
Madrid, España

Disponible en: http://www.redalyc.org/articulo.oa?id=28900104

Cómo citar el artículo

Número completo
Sistema de Información Científica
Más información del artículo Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Página de la revista en redalyc.org Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
04-Moreno 29/6/04 13:32 Página 83

© Investigaciones Regionales. 1 – Páginas 83 a 106

Sección ARTÍCULOS

Econometría espacial: nuevas técnicas

para el análisis regional. Una aplicación a las
regiones europeas
Rosina Moreno Serrano y Esther Vayá Valcarce*

RESUMEN: El objetivo del presente artículo es contribuir a la difusión de las técni-

cas de econometría espacial en nuestro país, ofreciendo una somera visión de los as-
pectos teóricos y aplicados de la misma. En concreto, se introducen los dos tipos de
análisis de datos espaciales existentes: el análisis exploratorio, ideado para el estudio
univariante, y el estudio de la autocorrelación espacial en un modelo de regresión.
Asimismo, se realiza una aplicación de parte de las técnicas abordadas al caso de las
regiones europeas.

Clasificación JEL: C49, O47, R12.

Palabras Clave: Autocorrelación espacial; Análisis Exploratorio de Datos Espacia-
les; Economía Regional.

ABSTRACT: The goal of this paper is helping in the diffusion in our country of the
techniques given by Spatial Econometrics, offering an overview of its theoretical and
applied aspects. Specifically, we introduce the two types of spatial data analysis: the
exploratory analysis, focused on a univariate study, as well as the study of spatial au-
tocorrelation in a regression model. Additionally, we apply some of the techniques to
the case of the European Union regions.
JEL classification: C49, O47, R12.

Key Words: Spatial Autocorrelation; Exploratory Spatial Data Analysis; Regional

Economics.

1. Introducción
En los últimos cuarenta años, la economía regional y urbana ha experimentado un
fuerte desarrollo metodológico basado en la necesidad de trabajar con la especial natu-

* Miembros del grupo de investigación «AQR» (Anàlisi Quantitativa Regional). Profesoras de la Facul-
tad de Ciencias Económicas y Empresariales, Universidad de Barcelona. E-mail: [email protected] y
[email protected]
Recibido: 10 de junio de 2002 / Aceptado: 19 de julio de 2002

83
04-Moreno 29/6/04 13:32 Página 84

84 Rosina Moreno y Esther Vayá

raleza de los datos de corte transversal. Cuando se utiliza este tipo de datos suelen apa-
recer los denominados efectos espaciales: la heterogeneidad y la dependencia espacial.
El primer efecto aparece cuando se utilizan datos de unidades espaciales muy dis-
tintas para explicar un mismo fenómeno. En ese caso aparecen problemas como la
heteroscedasticidad o la inestabilidad estructural, los cuales pueden ser resueltos me-
diante las técnicas econométricas existentes para series temporales. La dependencia o
autocorrelación espacial surge siempre que el valor de una variable en un lugar del
espacio está relacionado con su valor en otro u otros lugares del espacio. No obstante,
y a diferencia de lo ocurrido con la heterogeneidad espacial, la dependencia espacial
no puede ser tratada por la econometría estándar. Ello es debido a la multidirecciona-
lidad que domina las relaciones de interdependencia entre unidades espaciales.
Con el objetivo de resolver los problemas que supone la presencia de efectos es-
paciales, especialmente el segundo de ellos, surgió la econometría espacial como
subdisciplina de la econometría general que proporciona las técnicas de contrastación
y de estimación necesarias para trabajar con datos que presentan problemas de hete-
rogeneidad y/o dependencia espacial. Respecto al origen de la econometría espacial
cabe destacar que, tras una fase inicial de reconocimiento del problema (que se re-
monta a Student en 1914), es en la década de los setenta cuando surge el término de
econometría espacial como tal, acuñado por Paelinck y Klaassen (1979) y originaria-
mente referido a los esfuerzos realizados para abordar la autocorrelación espacial en
el término de perturbación de una regresión. En un sentido más amplio, Anselin
(1988a) la define como la colección de técnicas que tratan las peculiaridades causa-
das por el espacio en el análisis estadístico de los modelos tradicionales de la ciencia
regional. Según Anselin y Bera (1998), en esta última definición se estarían incorpo-
rando específicamente las regiones, la localización y la interacción espacial, for-
mando la base de los trabajos empíricos en economía regional y urbana.
El gran desarrollo de la econometría espacial se ha producido, sin embargo, en los
años ochenta y noventa. Entre los primeros estudios que analizan de manera general
los aspectos metodológicos más importantes se encuentran los trabajos de Cliff y Ord
(1981), Blommestein (1983) y Anselin (1980, 1988a, b). Posteriormente han ido apa-
reciendo en las revistas de economía regional contribuciones concretas en el campo
de la econometría espacial, así como la aparición de varias colecciones de artículos
como en Anselin y Florax (1995a) y Anselin y Rey (1997). De esta forma, la impor-
tancia y relevancia de los métodos que analizan los efectos espaciales en los modelos
econométricos ha ido incrementando de forma notable. Ello es debido, entre otros as-
pectos, al renovado interés por el papel del espacio y la interacción espacial en la teo-
ría económica (sirvan de ejemplo los aspectos relacionados con la nueva geografía
económica, Krugman 1991), a la creciente disponibilidad de extensas bases de datos
socio-económicos geo-referenciados y, por último, al desarrollo de una tecnología
eficiente y poco costosa para tratar con dichos datos, tanto en forma de Sistemas de
Información Geográfica como de software útil para el análisis de datos espaciales.
No obstante, a pesar de esta aparente mayor difusión de la econometría espacial,
la distancia que la separa, en términos de su conocimiento y difusión, de la econome-
tría clásica todavía es notable (Anselin y Griffith, 1988; Anselin y Hudak, 1992). Este
04-Moreno 29/6/04 13:32 Página 85

Econometría espacial: nuevas técnicas para el análisis regional 85

hecho es incuestionable a nivel teórico dado que, en la actualidad, la mayoría de los

manuales de econometría y estadística no hacen referencia al problema de los efectos
espaciales y, en caso de hacerlo, se limitan a un breve apunte. Por otra parte, la toda-
vía escasa difusión de la econometría espacial también es evidente en el terreno apli-
cado, especialmente en el ámbito español, mostrando la necesidad de acercar las téc-
nicas econométricas espaciales a los investigadores en el campo económico1.
Teniendo todo ello en cuenta, el propósito del presente artículo es contribuir a la
difusión de las técnicas de econometría espacial en nuestro país, ofreciendo una so-
mera visión de los aspectos teóricos y aplicados de la misma. El trabajo se estructura
de la siguiente manera. En el segundo apartado se presentan los efectos espaciales, la
heterogeneidad y la autocorrelación espacial, analizando a su vez la matriz de pesos
espaciales como instrumento básico para reflejar las interdependencias en el espacio.
El objetivo del análisis exploratorio de datos espaciales así como las principales he-
rramientas del mismo se ofrecen en el tercer apartado, mientras que el cuarto se de-
dica al estudio de la dependencia espacial en un modelo de regresión. En el apartado
quinto se realiza un breve comentario de algunas debilidades de la econometría espa-
cial. En el apartado sexto se presenta una aplicación de las técnicas analizadas a lo
largo del trabajo para el caso de la Unión Europea en el estudio de la convergencia re-
gional. Por último, en el apartado séptimo se presentan las principales conclusiones
del mismo.

2. Efectos espaciales
2.1. Heterogeneidad espacial
La heterogeneidad espacial consiste en la variación de las relaciones en el espacio.
De forma general, se puede decir que existen dos aspectos distintos de heterogenei-
dad espacial: la inestabilidad estructural y la heteroscedasticidad. En el primer caso,
la heterogeneidad espacial se refiere a la falta de estabilidad en el espacio del com-
portamiento de la variable bajo estudio que lleva a que la forma funcional y los pará-
metros de una regresión puedan variar según la localización siendo, por tanto, no ho-
mogéneos en toda la muestra. El segundo aspecto, la heteroscedasticidad, proviene de
la omisión de variables u otras formas de errores de especificación que llevan a la
aparición de errores de medida.
El tratamiento de la heterogeneidad espacial puede realizarse por medio de las
técnicas econométricas estándar, entre otras, la consideración explícita de parámetros
variantes, coeficientes aleatorios (Hildreth y Houck, 1968) y switching regressions
(Quandt, 1958) o las técnicas de filtraje adaptativo espacial (Foster y Gorr, 1983,
1984, 1986). Sin embargo, en el caso específico de la heterogeneidad espacial, en
donde ésta viene causada por cuestiones inherentes a la localización de las observa-
ciones, el conocimiento teórico de la estructura espacial de los datos puede conducir-

1
Para un detalle de los trabajos de economía regional en los que se han aplicado las técnicas de econo-
metría espacial, véase Moreno y Vayá (2000).
04-Moreno 29/6/04 13:32 Página 86

86 Rosina Moreno y Esther Vayá

nos a procedimientos más complejos pero más eficientes como la expansión espacial
de parámetros (Casetti, 1972) o las regresiones ponderadas geográficamente (Fothe-
ringham et al., 1998). Sin embargo, dado que este efecto puede tratarse en la mayoría
de los casos mediante las técnicas econométricas tradicionales, el presente trabajo se
centra en la problemática en torno a la autocorrelación espacial.

2.2. Autocorrelación espacial

La dependencia o autocorrelación espacial aparece como consecuencia de la existen-

cia de una relación funcional entre lo que ocurre en un punto determinado del espacio
y lo que ocurre en otro lugar (Cliff y Ord, 1973; Paelink y Klaassen, 1979; Anselin,
1988a).
La autocorrelación espacial puede ser positiva o negativa. Si la presencia de un fe-
nómeno determinado en una región lleva a que se extienda ese mismo fenómeno ha-
cia el resto de regiones que la rodean, favoreciendo así la concentración del mismo,
nos hallaremos ante un caso de autocorrelación positiva. Por el contrario, existirá au-
tocorrelación negativa cuando la presencia de un fenómeno en una región impida o
dificulte su aparición en las regiones vecinas a ella, es decir, cuando unidades geográ-
ficas cercanas sean netamente más disímiles entre ellas que entre regiones alejadas en
el espacio. Por último, cuando la variable analizada se distribuya de forma aleatoria,
no existirá autocorrelación espacial. Dos son las principales causas que pueden indu-
cir a la aparición de dependencia espacial: la existencia de errores de medida y de fe-
nómenos de interacción espacial, de efectos desbordamiento y de jerarquías espacia-
les.
Tras la definición anterior, es posible detectar una cierta similitud entre los concep-
tos de autocorrelación espacial y temporal en la medida en que, en ambos casos, se pro-
duce un incumplimiento de la hipótesis de independencia entre las observaciones mues-
trales, se hallen éstas referidas a unidades de corte transversal o a series temporales. Sin
embargo, una importante diferencia aparece entre ellas: la dependencia temporal es úni-
camente unidireccional (el pasado explica el presente), mientras que la dependencia es-
pacial es multidireccional (una región puede no sólo estar afectada por otra región con-
tigua a ella sino por otras muchas que la rodean, al igual que ella puede influir sobre
aquéllas). Este hecho imposibilita la utilización del operador de retardos L presente en
el contexto temporal, el cual recoge únicamente una relación unidireccional.
La solución al problema de la multidireccionalidad en el contexto espacial pasa
por la definición de la denominada matriz de pesos espaciales, de retardos o de con-
tactos, W, una matriz cuadrada no estocástica cuyos elementos wij reflejan la intensi-
dad de la interdependencia existente entre cada par de regiones i y j. Con respecto a
cómo definir los mencionados pesos, cabe destacar que no existe una definición uná-
nimemente aceptada, si bien se ha de cumplir que dichos pesos sean no negativos y
finitos (Anselin, 1980). A pesar de ello, de forma habitual se recurre al concepto de
contigüidad física de primer orden, utilizado inicialmente por Moran (1948) y Geary
(1954), donde wij es igual a 1 si las regiones i y j son físicamente adyacentes o a 0 en
caso contrario (se asume por definición que wii = 0)2. Siguiendo el criterio de la pro-
04-Moreno 29/6/04 13:32 Página 87

Econometría espacial: nuevas técnicas para el análisis regional 87

ximidad física, diversos autores han propuesto definiciones de W basadas en la utili-

zación de la distancia entre regiones (Cliff y Ord, 1973, 1981; Dacey, 1968). En este
sentido, Anselin (1980) propone la utilización de una matriz inversa de distancias al
cuadrado, de manera que claramente la intensidad de la interdependencia entre dos
regiones disminuye con la distancia que separa sus respectivos centros3. Por último,
cabe destacar que, de forma habitual, se recurre a la estandarización de la matriz W,
dividiendo cada elemento wij por la suma total de la fila a la que pertenece, de forma
que la suma de cada fila de la matriz estandarizada sea igual a la unidad. Finalmente,
cabe comentar que, a partir de la matriz de pesos espaciales, es posible obtener el de-
nominado retardo espacial de una variable x sin más que premultiplicar la matriz W
por la citada variable (Wx). Así, cada elemento de dicha variable retardada espacial-
mente se muestra como un promedio ponderado de los valores de la variable en el
subgrupo de observaciones vecinas Si, dado que wij = 0 para j
Si.

3. Análisis exploratorio de datos espaciales (AEDE)

En los estudios aplicados de economía regional y urbana y, muy especialmente en

aquellos centrados en temas relativos a la localización de la actividad y la desigual-
dad regional, es habitual proceder inicialmente a un análisis descriptivo de la distri-
bución en el espacio de la variable (o variables) objeto de estudio a través de la repre-
sentación en un mapa de la citada variable, complementándose dicha etapa
descriptiva con el cómputo de diversos índices de concentración/desigualdad como el
índice de Gini, de Theil, de Atkinson o la σ-convergencia. Sin embargo, dichas técni-
cas presentan importantes limitaciones. Así, si bien la observación de un mapa podría
ofrecernos una idea intuitiva acerca de, por ejemplo, la posible correlación entre re-
giones vecinas o la presencia de algunas regiones próximas con valores elevados o
bajos de la citada variable, la información así obtenida, aunque útil, es subjetiva y al-
tamente dependiente, entre otras cosas, del número de intervalos seleccionados para
representar a la variable. Asimismo, muy diferentes distribuciones espaciales, con
distintos patrones de dependencia espacial, podrían suministrar valores similares de
los citados índices de desigualdad (Vayá, 1998) dado que no consideran de forma ex-
plícita el espacio en el cual están localizadas las regiones. Por ello queda justificada
la necesidad de un análisis complementario, como el análisis exploratorio de datos
espaciales (AEDE), centrado de forma explícita en los efectos espaciales y consis-
tente en el conjunto de técnicas que permiten describir distribuciones espaciales,
identificar localizaciones atípicas (outliers espaciales), descubrir esquemas de asocia-
ción espacial (cluster espacial) y sugerir diferentes regímenes espaciales u otras for-

2
Asimismo, es posible obtener matrices de contigüidad de órdenes superiores. Así, diremos que dos re-
giones i y j serán contiguas de segundo orden si ambas están separadas por una tercera región h que es
contigua de primer orden a ambas. La misma idea es extensible para órdenes superiores.
3
Dado que estas definiciones están excesivamente relacionadas con aspectos físicos de las unidades es-
paciales, algunos autores han propuesto definiciones alternativas (Bodson y Peeters, 1975; Case et al.,
1993; López-Bazo et al., 1999; Moreno et al., 2002; Vayá et al., 1998, 2002).
04-Moreno 29/6/04 13:32 Página 88

88 Rosina Moreno y Esther Vayá

mas de inestabilidad espacial. El centro de estos conceptos lo ocupa la noción de au-

tocorrelación espacial.

3.1. Estadísticos globales y locales de autocorrelación espacial

Los estadísticos globales de autocorrelación constituyen la aproximación más tradi-
cional al efecto de dependencia espacial, permitiendo contrastar la presencia o ausen-
cia de un esquema de dependencia espacial a nivel univariante, es decir, contrastar si
se cumple la hipótesis de que una variable se encuentra distribuida de forma total-
mente aleatoria en el espacio o si, por el contrario, existe una asociación significativa
de valores similares o disímiles entre regiones vecinas. Entre dichos estadísticos glo-
bales, los cuales resumen en un indicador único el esquema general de dependencia,
se encuentran la I de Moran (Moran, 1948) y la G(d) (Getis y Ord, 1992), presentán-
dose sus expresiones en el cuadro 1. De forma general, todos ellos permiten contras-
tar la hipótesis nula de no autocorrelación espacial, es decir, la hipótesis nula de la
existencia de una distribución aleatoria de la variable a lo largo del territorio.
Dado que los tests de autocorrelación espacial global analizan todas las observa-
ciones de la muestra de forma conjunta, no resultan sensibles a situaciones donde
predomine una importante inestabilidad en la distribución espacial de la variable ob-
jeto de estudio (procesos no estacionarios espacialmente), es decir, no contemplan la
posibilidad de que el esquema de dependencia detectado a nivel global (por ejemplo,
ausencia de autocorrelación espacial) pueda no mantenerse en todas las unidades del
espacio analizado. Dicha limitación es fácilmente superable por medio del cálculo de
los denominados contrastes locales de asociación espacial entre los que se encuentran
el estadístico local de Moran, Ii, (Anselin, 1995a) y los test New-Gi(d) y New-Gi*(d)
(Ord y Getis, 1995). En el cuadro 2 se ofrecen sus expresiones. En este caso, se ob-
tendrá un valor de dichos estadísticos para cada observación de la muestra, pudiendo
así analizar la situación de cada unidad espacial por separado. Finalmente, es necesa-
rio resaltar la complementariedad de la información suministrada por estos índices,
tanto globales como locales (Moreno y Vayá, 2000).

Cuadro 1. Algunos estadísticos de asociación espacial global

I de Moran G(d) de Getis y Ord

ΣNij wij (xi – –x)(xj – –x)

N N
I=
N
· i≠j Σ Σ wij (d)xixj
i 1 j 1
S0 SiN1 (xi – –x)2 G(d) = N N
i≠j
Σ Σ xixj
i 1 j 1
xi: valor de la variable x en la región i; –x: media
muestral de la variable x; wij: pesos de la matriz donde dos pares de regiones i y j son vecinas si se
W; N: tamaño muestral; S0 Σ Σ wij. encuentran dentro de una distancia d determinada.
i j

Interpretación tras su estandarización: Interpretación tras su estandarización:

• Z(I) > 0 y signif.: autocorrelación positiva • Z(G) > 0 y signif.: concentración de valores
• Z(I) < 0 y signif.: autocorrelación negativa elevados
• Z(G) < 0 y signif.: concentración de valores bajos
04-Moreno 29/6/04 13:32 Página 89

Econometría espacial: nuevas técnicas para el análisis regional 89

Cuadro 2. Algunos estadísticos de asociación espacial local

Local de Moran Ii G(d) de Getis y Ord

N
Σ wijxj – Wi* –
x
zi j 1
Ii = Σ wijzj New – Gi* =
Σ zi2 / N j∈Ji s{[ (NS1i* – Wi*2]/(N – 1)}1/2
i

zi: valor correspondiente a la región i de la 1

variable normalizada; Ji: conjunto de regiones Wi* = Wi + wii’, S1i* = Σ w2ij , s2 = Σ (x – –
x)2
j N–1 j j
vecinas a i.

Interpretación tras su estandarización: Interpretación:

• Z(Ii) > 0 y signif.: cluster de valores similares • New-Gi* > 0 y signif.: cluster de valores similares
alrededor de i elevados alrededor de i
• Z(I) < 0 y signif.: cluster de valores disímiles • New-Gi* < 0 y signif.: cluster de valores similares
alrededor de i bajos alrededor de i

3.2. Técnicas de visualización de la presencia de efectos espaciales

Los estadísticos de dependencia espacial analizados en el apartado anterior se mues-
tran como instrumentos útiles para detectar la existencia de patrones de asociación
espacial específicos en la distribución de una variable en el territorio. No obstante, el
AEDE incluye otras herramientas complementarias que permiten, por medio de un
entorno gráfico, enriquecer los resultados obtenidos tras el cómputo de los citados
contrastes. Entre ellas, podemos destacar el denominado box map, una extensión del
mapa cuartil junto con los outliers superiores e inferiores (definidos estos últimos
como las observaciones fuera de los límites en un box plot), el cual se muestra como
una forma sencilla de identificar outliers espaciales.
Una aproximación más formal a la visualización de la dependencia espacial se
basa en el concepto del scatterplot de Moran y su asociado scatter map. El scatter-
plot de Moran es un tipo de gráfico que muestra en el eje de abcisas las observaciones
de la variable objeto de estudio normalizada y en el de ordenadas el retardo espacial
de la misma también normalizado. De este modo, los cuatro cuadrantes reproducen
diferentes tipos de dependencia espacial. Si la nube de puntos está dispersa en los
cuatro cuadrantes es indicio de ausencia de correlación espacial. Si por el contrario
los valores se encuentran concentrados sobre la diagonal que cruza los cuadrantes I
(derecha superior) y III (izquierda inferior), existe una elevada correlación espacial
positiva de la variable, coincidiendo su pendiente con el valor de la I de Moran. La
dependencia será negativa si los valores se concentran en los dos cuadrantes restan-
tes. Finalmente, el scattermap es la traslación de la información del scatterplot a un
mapa del territorio, donde cada uno de los cuatro cuadrantes es resaltado con un color
diferente.
Como se puede derivar de las herramientas comentadas, la introducción del mapa
como una posible vista adicional de los datos es básica. De esta forma, muchas de las
técnicas de análisis exploratorio de datos espaciales aprovecha la capacidad de visua-
04-Moreno 29/6/04 13:32 Página 90

90 Rosina Moreno y Esther Vayá

lización y manipulación de los datos que proporcionan los Sistemas de Información

Geográfica (SIG)4. Por ejemplo, el SIG ArcView (ESRI, 1995) se organiza en torno a
varias vistas vinculadas de los datos (un mapa, una tabla y varios tipos de gráficos), lo
cual permite un cierto grado de interacción dinámica en el sentido de que una selec-
ción determinada en una de las vistas se refleja de forma inmediata en el resto. Asi-
mismo, se desarrollaron en los años noventa varias vinculaciones de ArcView con
otros módulos de software, convirtiéndolo en una herramienta adecuada para el análi-
sis exploratorio de datos espaciales. Así, por ejemplo, se ha vinculado el software
SpaceStat para el análisis de datos espaciales creado por Anselin (1992, 1995b) con
el programa ArcView en un entorno de Microsoft Windows (Anselin y Bao, 1996,
1997; http://www.spacestat.com). El principio tras dicho vínculo es la transferencia
de resultados específicos desde SpaceStat a ArcView de manera que los resultados nu-
méricos obtenidos pueden ser visualizados rápidamente sobre un mapa.

4. Autocorrelación espacial en el modelo de regresión

En el apartado anterior se han analizado los estadísticos espaciales habitualmente uti-

lizados para contrastar la presencia de dependencia espacial a nivel univariante. No
obstante, de igual modo, es posible que el citado efecto espacial esté presente en el
contexto de un modelo de regresión, ya sea como consecuencia de la existencia de
variables sistemáticas (endógena y/o exógenas) correlacionadas espacialmente o
como consecuencia de la existencia de un esquema de dependencia espacial en el tér-
mino de perturbación.
En caso de que la variable endógena de un modelo de regresión lineal esté corre-
lacionada espacialmente, la solución pasa por especificar el siguiente modelo:

y = ρWy + Xβ + u [1]
u ~ N(0, σ2 I)

donde y es un vector (N × 1), Wy el retardo espacial de la variable y, X una matriz de

K variables exógenas, u un término de perturbación ruido blanco, N el número de ob-
servaciones y, por último, ρ el parámetro autorregresivo que recoge la intensidad de
las interdependencias entre las observaciones muestrales.
De igual forma, la autocorrelación espacial podría estar únicamente presente en el
término de perturbación:

y = Xβ + ε
ε = λWε + u [2]
u ~ N(0, σ2 I)

4
Se puede decir que el epicentro del SIG es una base de datos que combina de forma eficiente información
de los valores (atributos) de las variables de interés con información locacional o topológica (disposición es-
pacial). Es decir, un SIG es un poderoso conjunto de herramientas para la recogida, almacenamiento, trans-
formación y disposición de datos espaciales del mundo real con unos objetivos determinados.
04-Moreno 29/6/04 13:32 Página 91

Econometría espacial: nuevas técnicas para el análisis regional 91

donde u es un término ruido blanco y λ el parámetro autorregresivo que refleja la in-

tensidad de las interdependencias.
Si bien la estructura autorregresiva es la más utilizada a nivel tanto teórico como
empírico, es posible modelizar el término de perturbación de forma diferente. Así,
Cliff y Ord (1981) sugieren utilizar un proceso de medias móviles5 espacial de orden
1, SMA(1):

y = Xβ + ε
ε = θW1 u + u [3]
u ~ N(0, σ2 I)

donde θ es el coeficiente de medias móviles espacial y u es el término de perturba-

ción incorrelacionado (obviamente, el esquema definido es generalizable a órdenes
superiores)6.
A partir de la expresión [1] es fácil observar como, en caso de omitir de forma erró-
nea un retardo espacial de la variable endógena y/o exógenas, la dependencia espacial
se trasladaría directamente al término de perturbación, el cual pasaría a estar correlacio-
nado espacialmente. Este tipo de autocorrelación espacial es conocido con el nombre
de autocorrelación espacial sustantiva y su solución pasa por la inclusión en el modelo
de un retardo espacial de la variable correlacionada espacialmente. Por el contrario,
cuando la dependencia espacial residual no está causada por la omisión errónea de un
retardo de alguna de las variables sistemáticas, nos hallamos ante un caso de autocorre-
lación espacial residual como nuisance o perturbación. Dicha situación podría verse ex-
plicada por la omisión de variables no cruciales que se hallen correlacionadas espacial-
mente o por la existencia de errores de medida. En este caso, la solución implica la
consideración explícita de un esquema de dependencia espacial en el término de error.
Existe una amplia batería de estadísticos espaciales para contrastar las anteriores es-
tructuras: los tests ad-hoc, los cuales son válidos para contrastar la hipótesis nula de no
autocorrelación espacial residual (si bien no presentan una hipótesis alternativa definida
que explícitamente describa el proceso generador del término de perturbación); y aqué-
llos basados en el principio de máxima verosimilitud (los cuales están rigurosamente
estructurados en términos de una hipótesis nula y alternativa específicas). Entre los pri-
meros destacan los tests de la I de Moran y el test K-R, mientras que en el segundo
grupo se incluyen el contraste de Wald, el de razón de verosimilitud y el de los multipli-
cadores de Lagrange, si bien los más utilizados son estos últimos (véase el cuadro 3,
para un resumen de los contrastes más comúnmente utilizados).

5
Ver Anselin y Bera (1998) para un análisis de las implicaciones económicas que se derivan de la dis-
tinta matriz de varianzas y covarianzas del término de error que se obtienen en una estructura autorregre-
siva o una media móvil.
6
Los modelos presentados no agotan todas las posibilidades de modelos de autocorrelación espacial.
Así, existen formas más generales, como el modelo mixto regresivo espacial regresivo con perturbaciones
autorregresivas y heteroscedásticas (Anselin, 1988a), así como distintos esquemas para la autocorrelación
residual como el modelo de Kelejian y Robinson (1993) analizado en detalle en Anselin y Moreno
(2003).
04-Moreno 29/6/04 13:32 Página 92

92 Rosina Moreno y Esther Vayá

Cuadro 3. Algunos estadísticos de autocorrelación espacial en el modelo

de regresión
I de Moran e: residuos MCO; N: tamaño
I = N e’We muestral; S: suma de todos los
S e’e elementos wij de la matriz W. Debe
estandarizarse.

LM-ERR e: residuos MCO; s2: estimación

LM – ERR =
[e’We
/s ]2
2

~ χ1
de la varianza residual;
T1 = tr(W’W + W2).
T1

LM-EL RJρ−β = [T1 + (WXβ)’M(WXβ)/s2];

LM – EL =
[e’We/s
2 – T1 (RJρ – β)–1 e’Wy / s2 ]2

~ χ1
M = I – X(X’X)–1X’, y: var.
[T1 – T12 (RJρ – β )–1] endógena, y el resto de notación
como antes.

LM-LAG Notación como antes.

LM – LAG =
[e’Wy/s ] 2
2

~ χ1
RJρ – β
LM-LE Notación como antes.
LM – LE =
[e’Wy/s 2 – e’We / s2 ]2

~ χ1
RJρ – β – T1

En relación a las consecuencias derivadas de la autocorrelación espacial en la esti-

mación habitual por MCO, es preciso distinguir entre los dos tipos de autocorrelación
ya comentados: la dependencia espacial residual y sustantiva. Por lo que hace referen-
cia a las consecuencias de la presencia de residuos correlacionados espacialmente en
la estimación MCO, éstas son similares a las conocidas en el contexto temporal. Así, si
bien las estimaciones de los parámetros seguirán siendo insesgadas, sin embargo serán
ineficientes dado que la matriz de varianzas y covarianzas del término de perturbación
será no esférica, a la vez que la varianza residual será sesgada, siendo las predicciones
MCO ineficientes. Todo ello lleva a sesgar la inferencia basada en los tests de signifi-
cación de la t-student y en el coeficiente de determinación R2 (el cual estará sobrevalo-
rado). Asimismo, también se verá afectada la validación de un número importante de
contrastes utilizados para detectar especificaciones erróneas como, por ejemplo, los
tests de inestabilidad estructural como el test de Chow o los tests de heteroscedastici-
dad. Por contra, las estimaciones MCO en presencia de un retardo espacial de la varia-
ble endógena serán sesgadas e inconsistentes, aun cuando el término de perturbación
no esté correlacionado espacialmente.
De todo ello se desprende que, con independencia del esquema de dependencia
espacial detectado, la estimación MCO no es la adecuada. En este sentido, la aproxi-
mación máximo verosímil (MV) se ha mostrado como una de las alternativas más
ampliamente utilizadas. Con respecto a dicho método de estimación, cabe decir que,
de idéntica forma que en el contexto temporal, los estimadores MV deberán ser obte-
nidos a partir de la maximización del logaritmo de la función de verosimilitud aso-
04-Moreno 29/6/04 13:32 Página 93

Econometría espacial: nuevas técnicas para el análisis regional 93

ciada al modelo espacial especificado. En este sentido, partiendo de una función de

densidad normal conjunta para los errores del modelo más general con autocorrela-
ción tanto residual como substantiva (retardo espacial de la endógena), se obtiene una
función de verosimilitud cuya expresión es (en logaritmos):

Ln L(θ) = – N 1n2π – 1 1n|Ω| + 1n|B| + 1n|A| – 1 υ’υ [4]

2 2 2

donde θ = [ρ, β’, λ, σ2], A = (I – ρW), B = (I – λW), Ω es la matriz de varianzas y co-

varianzas del término de perturbación y υ’υ = (Ay – Xβ)’B’Ω–1B(Ay-Xβ). A partir de
la expresión [4], los estimadores MV podrán ser obtenidos igualando a 0 el vector de
derivadas parciales de [4] respecto a θ7. En este trabajo, si bien no se desarrollará el
proceso de derivación de dichos estimadores (ver Anselin, 1988a, para un análisis ex-
haustivo), es necesario destacar que el sistema resultante de primeras derivadas es alta-
mente no lineal. Para solucionarlo será preciso recurrir a métodos numéricos dada la
imposibilidad de disponer de una solución analítica válida. No obstante, esta dificultad
se ve reducida cuando se imponen determinadas restricciones en el modelo general,
pasando a trabajar con modelos más sencillos como los definidos en [1] y [2]. En este
caso, la solución al problema de la no linealidad viene de la mano de una función de
verosimilitud concentrada, la cual será lineal para todos los parámetros menos uno.
Además de la estimación máximo-verosímil, han sido propuestos en la literatura
métodos de estimación alternativos, entre los que destacan la estimación por varia-
bles instrumentales (Haining, 1978; Bivand, 1984; Anselin, 1988a) o el método gene-
ralizado de los momentos (Kelejian y Prucha, 1997). Dichos métodos de estimación
se revelan como notablemente más simples que la estimación MV, incluso cuando el
tamaño muestral es elevado. Asimismo, bajo determinadas condiciones, dichos esti-
madores son consistentes aun cuando el término de error no siga una distribución
normal.

5. Algunas limitaciones de la Econometría Espacial

A pesar de los avances experimentados por la Econometría Espacial en las últimas

décadas, y la mayor utilización que se hace de la misma, antes de concluir nos gusta-
ría destacar algunas debilidades sobre las que debería trabajarse de forma más intensa
en el futuro.
En primer lugar, en relación a las estimaciones MV, es preciso destacar que, si
bien dicho método de estimación es el más ampliamente utilizado, esta técnica pre-

7
Existe una limitación en el rango de valores posibles que pueden alcanzar los parámetros espaciales, a
fin de que los estimadores máximo-verosímiles alcancen sus propiedades asintóticas. Específicamente, se
deberá de cumplir que 1/ωmin< ρ <1/ωmax y que 1/ωmin< λ <1/ωmax, donde ωmax y ωmin son, respectiva-
mente, el mayor y menor valor propio en términos reales de W. En caso de que W esté estandarizada, ωmax
alcanza un valor igual a 1, mientras que 1/ωmin ≤ – 1, de manera que los valores positivos de los paráme-
tros espaciales deberán ser menores que 1.
04-Moreno 29/6/04 13:32 Página 94

94 Rosina Moreno y Esther Vayá

senta algunas complicaciones derivadas tanto de la necesidad de recurrir a métodos

numéricos para resolver los procesos de optimización no lineales como de sus propie-
dades asintóticas y de las restricciones impuestas sobre el valor de los parámetros au-
torregresivos. Asimismo, es necesario mencionar otro problema importante: el coste
computacional que supone la implementación de la estimación máximo verosímil en
caso de trabajar con tamaños muestrales medios o elevados. Sin embargo, tal y como
comentan Pace (1996) y Pace y Barry (1996, 1997), la mayor parte de las matrices
utilizadas en dichos cálculos se caracterizan por incluir un gran número de elementos
iguales a 0, incrementando la proporción de estos últimos con relación al número to-
tal de observaciones a medida que aumenta el tamaño muestral. Este hecho posibilita
la aplicación de técnicas de matrices sparse basadas en la aplicación de un conjunto
de algoritmos, lo cual reduce de forma notable el tiempo invertido en la estimación
MV así como la cantidad de información que es preciso almacenar de forma temporal
y permanente.
Por otra parte, en relación a la modelización espacio-temporal, no contemplada en
este trabajo por razones de espacio, la simple adaptación directa de los métodos de
contrastación y estimación desde el contexto transversal presenta la desventaja de
que la naturaleza del panel de datos no se acaba considerando. En este caso, la solu-
ción viene de la mano, por una parte, de los denominados modelos SUR (Modelos de
ecuaciones aparentemente no relacionadas) y SUR espacial y, por la otra, de los mo-
delos de componentes del error. Sin embargo, la utilización de dichos modelos ha re-
sultado, hasta el momento, escasa.

6. Aplicación empírica de las técnicas de

Econometría Espacial

El estudio del crecimiento económico y la convergencia, especialmente en el ámbito

regional, ha sido uno de los tópicos que ha despertado un mayor interés en los últi-
mos años, dando lugar a la aparición de un número muy notable de contribuciones
tanto de índole teórica (centradas en su mayoría en la discusión entre modelos neo-
clásicos y modelos endógenos de crecimiento) como aplicada. En este último caso, es
habitual encontrar trabajos en los que, para diferentes ámbitos geográficos, se analice
la existencia o no de convergencia regional en base a la estimación de la ecuación tra-
dicional de β-convergencia (ver Barro y Sala-i-Martin, 1995), donde la tasa de creci-
miento del producto per capita (o de la productividad laboral) se regresa contra el va-
lor inicial de dicha variable,

gy = a – (1 – e–βT) lny + e [5]

siendo gy la tasa de crecimiento de la variable entre el período 0 y T, lny el logaritmo

de la variable en el año inicial, a es una constante que refleja el estado estacionario o
nivel de equilibrio a largo plazo de la misma y e el término de perturbación. Muy bre-
vemente, cabe decir que en este caso concluiríamos en la presencia de convergencia
04-Moreno 29/6/04 13:32 Página 95

Econometría espacial: nuevas técnicas para el análisis regional 95

absoluta si se contrasta la existencia de una relación significativa y negativa entre am-

bas variables.
Una de las principales críticas que cabría hacer a este tipo de análisis, extrapola-
ble por otra parte a muchos otros trabajos aplicados en el ámbito regional y local,
es que prescinden por completo del espacio, como si las regiones fueran unidades
aisladas dentro de un territorio mayor ajenas al comportamiento del resto. Así, son
muy pocos los trabajos que, en mayor o menor medida, suplen esta deficiencia,
analizando la existencia de efectos espaciales en la muestra analizada (ver Arms-
trong,1995; López-Bazo et al., 1999; Rey y Montouri, 1999; Ying, 2000; Fingleton
y McCombie, 1998; Moreno et al., 2002; Vayá et al., 2002). Este hecho podría ser
relativamente aceptable si el omitir de forma errónea dichos efectos tuviera escasas
consecuencias sobre el modelo de regresión o si, por ejemplo, la implementación
de las técnicas espaciales analizadas previamente fuera muy costosa. Sin embargo,
tal y como se ha mostrado en los apartados anteriores, ninguna de estas razones es
sostenible.
Teniendo ello en cuenta, y a modo de ejemplo, seguidamente se procederá a apli-
car las técnicas espaciales estudiadas en los apartados 3 y 4 al estudio de la existencia
de β-convergencia entre las regiones europeas. Para ello, hemos seleccionado una
muestra formada por 108 regiones de la Unión Europea (UE) para las cuales se ha ob-
tenido información de la variable Producto Interior Bruto medido en millones de
ECUS y el empleo total para el período 1975-1992, utilizando para ello la base de da-
tos REGIO del EUROSTAT. A partir de esta información se ha construido la variable
productividad laboral, la cual ha sido relativizada al promedio europeo.

6.1. Análisis exploratorio de la productividad laboral en las

regiones europeas

Como paso previo a la utilización de la variable productividad laboral en el modelo

de regresión expresado en [5] se hace necesario proceder a un estudio exploratorio de
la distribución espacial de la misma.
Teniendo ello en cuenta, iniciamos el análisis con la figura 1, la cual muestra el
mapa en el que aparece representada la variable LnPIB por ocupado para 1975. Dos
son las principales conclusiones que cabe extraer de la misma. En primer lugar, pa-
rece existir una clara no estacionariedad espacial en la distribución de la productivi-
dad como lo muestra la existencia de una cierta heterogeneidad espacial. Así, mien-
tras que de forma generalizada las regiones de los estados tradicionalmente pobres
de Portugal, Grecia, Irlanda y España (además de la mayoría de regiones de Italia y
de Gran Bretaña) presentan valores bajos de la variable estudiada al principio del pe-
ríodo, no ocurre lo mismo con las regiones centrales, las cuales concentran los valo-
res más elevados de dicha variable. En segundo lugar, esta distribución parece en-
contrarse lejos de poder ser considerada como aleatoria. Por el contrario, parece
existir, en términos globales, una asociación espacial positiva entre regiones próxi-
mas en la medida en que regiones vecinas muestran valores similares de la citada va-
riable.
04-Moreno 29/6/04 13:32 Página 96

96 Rosina Moreno y Esther Vayá

La figura 2 representa el box map asociado, a partir del cual parece reforzarse lo
que ya se derivaba de la figura 1, esto es, la aparente existencia de dependencia espa-
cial en la distribución de la productividad en 1975, observándose además un compor-
tamiento notablemente diferenciado de las regiones centrales respecto al resto de re-
giones europeas. Así, se observa como claramente las regiones que forman parte del
mismo cuartil se encuentran a su vez agrupadas en el espacio. Únicamente, la región
de Madrid rompe este esquema ya que, perteneciendo al tercer cuartil, se encuentra
completamente rodeada de regiones que se sitúan en el primer cuartil de la distribu-
ción. Por último, cabe destacar la existencia de un outlier de bajos valores observado
en la región portuguesa de Alentejo.
No obstante, con relación a la posible asociación espacial que parece derivarse de
las figuras anteriores, es preciso remarcar que los resultados que puedan deducirse
especialmente de la figura 1 son altamente sensibles, entre otros aspectos, al número
de intervalos definidos para representar a la variable bajo estudio.

Figura 1. Distribución espacial del Figura 2. Box Map del Ln PIB por
Ln PIB por ocupado, 1975 ocupado, 1975

Por ello, es preciso llevar a cabo un estudio objetivo y exhaustivo de la posible

presencia de dependencia espacial por medio del cómputo de los contrastes de auto-
correlación espacial ya definidos en el apartado 3.1. En este sentido, en el cuadro 4 se
muestran los resultados de los contrastes de autocorrelación espacial global I de Mo-
ran y G de Getis y Ord, utilizando una matriz W definida en términos de contigüidad
física de primer orden estandarizada.

Cuadro 4. Contrastes de autocorrelación espacial globales

Variable I de Moran G de Getis y Ord
Ln PIB por ocupado, 1975 11.605* 2.543*
Nota: * denota significativo al 1%.
04-Moreno 29/6/04 13:32 Página 97

Econometría espacial: nuevas técnicas para el análisis regional 97

Como se puede observar, el logaritmo del PIB por ocupado en 1975 presenta una
muy significativa dependencia espacial positiva, hecho que corrobora las primeras in-
tuiciones derivadas de las figuras 1 y 2. De esta forma, el contraste de autocorrelación
espacial I de Moran es claramente significativo a un nivel del 1%, rechazando la exis-
tencia de una distribución aleatoria de dicha variable y reflejando por tanto como, en
términos globales, regiones próximas en el espacio muestran valores similares de la
misma. Asimismo, el test G de Getis y Ord es significativo y positivo, hecho que lleva
a concluir a favor de la presencia de una clara asociación en el espacio, mayoritaria-
mente de valores elevados.
Otros instrumentos útiles en el análisis del grado de dependencia espacial de una
variable son el scatterplot de Moran (figura 3) y su scatter map asociado (figura 4).
Como se puede observar, existe una notable concentración de la masa de puntos en
los cuadrantes I y III, corroborándose por tanto el predominio de una concentración
en el espacio de valores similares de productividad laboral. Por el contrario, son muy
pocos los casos en los que se observa una discrepancia entre el valor alcanzado por
una región y el promedio observado en sus vecinas. Únicamente, como se observa en
la figura 4, cabe resaltar que las regiones de País Vasco, Madrid, South East, Friuli-
Venezia Giulia y Lazio concentran valores elevados de la productividad laboral (es
decir, superiores a la media) mientras que sus regiones colindantes muestran la situa-
ción opuesta. La situación contraria aparece en las regiones de Navarra, Cataluña,
Trentino-Alto Adige, Veneto, Umbria, Marche y Sardegna.

Figura 3. Scatterplot de Moran del Figura 4. Scatter Map del Ln PIB

Ln PIB por ocupado, 1975 por ocupado, 1975

En la figura 5 se muestran los resultados del contraste Ii, resaltando únicamente

aquellas regiones que presentan valores significativos de dicho contraste para tres di-
ferentes niveles de significación, mientras que la figura 6 informa acerca de si las
agrupaciones significativas detectadas por la Ii concentran valores elevados o bajos de
04-Moreno 29/6/04 13:32 Página 98

98 Rosina Moreno y Esther Vayá

la variable (información que puede ser extraída tanto de la posición de cada región en
los cuadrantes del scatterplot de Moran como del signo obtenido tras el cálculo del
contraste New-Gi*). Por último, la figura 7 muestra las regiones con un valor signifi-
cativo del test New-Gi*8.
Las principales conclusiones que cabe extraer de las tres figuras comentadas se
pueden resumir en tres puntos. En primer lugar, los clusters significativos detectados
no se encuentran dispersos en el territorio sino que se sitúan próximos entre si y con-
centrados en determinadas zonas del sur y del centro de Europa. En segundo lugar,
todos los clusters señalados concentran valores similares de la variable en cuestión,
no detectándose ninguna región con un comportamiento significativamente disímil al
mostrado por sus vecinas. Por último, destacar las similitudes entre las agrupaciones
significativas detectadas por el contraste local de Moran y por el test New-Gi*.

Figura 5. Significación del Figura 6. Distribución espacial del

contraste local de Moran, Ii, Ln VAB contraste local de Moran, Ii, Ln VAB
por ocupado 1975 por ocupado 1975

Figura 7. Significación del contraste

New-Gi, Ln VAB por ocupado 1975

8
En el caso de la Ii, se han calculado los pseudo-niveles de significación obtenidos de una distribución
empírica derivada siguiendo un criterio de permutación.
04-Moreno 29/6/04 13:32 Página 99

Econometría espacial: nuevas técnicas para el análisis regional 99

Asimismo, cabe decir que únicamente el test Ii permite conocer la contribución de

cada región al valor del contraste global I de Moran (cosa que no sucede con el New-
Gi* respecto al test global G(d)). Este hecho hace posible detectar aquellas regiones
con un Ii con una contribución excesiva al contraste global. En concreto, asumiremos
el criterio de que únicamente tendrán una contribución elevada al test de la I de Mo-
ran aquellas regiones que presenten un valor del test Ii que sobrepase las bandas defi-
nidas por 1,5 veces el rango intercuartílico de la distribución de Ii, criterio utilizado
por defecto en el programa SpaceStat. Ello nos lleva a detectar a las regiones portu-
guesas de Norte, Centro, Alentejo, Algarve y a la región griega de Borio Aigaio como
concentraciones excesivas de valores bajos del logaritmo de la productividad laboral
en 1975.
Llegado este punto, cabe decir que si bien se ha replicado el estudio para el año
1992, por razones de espacio no se presentarán los resultados obtenidos. En este sen-
tido, únicamente cabe destacar la similitud de los resultados obtenidos, en términos
de la persistencia de un claro esquema de dependencia espacial positiva en la distri-
bución de la variable al final del período y de un mantenimiento de los dos grandes
grupos de clusters, uno de valores bajos localizado básicamente en las regiones grie-
gas y portuguesas, así como en las regiones españolas colindantes a aquellas y en al-
gunas regiones del sur de Italia, y otro de valores elevados de productividad, ubicado
en las regiones centrales de la UE. No obstante, en relación a este último grupo, cabe
destacar que se ha detectado una cierta relocalización del centro europeo hacia las re-
giones del sur de Alemania y del norte de Italia, alejándose así de las regiones del
norte de Francia. Finalmente, es preciso apuntar que se ha llevado a cabo también un
análisis exploratorio de la tasa de crecimiento de la productividad laboral para el perí-
odo 1975-1992, a partir del cual se ha rechazado la hipótesis de distribución aleatoria
en el espacio a favor de la presencia de un esquema altamente significativo de depen-
dencia espacial positiva.

6.2. Estudio de la dependencia espacial en la ecuación

de β-convergencia

Tras el análisis exploratorio de la variable Ln PIB por ocupado se ha comprobado

como dicha variable muestra un esquema claramente significativo de dependencia es-
pacial positiva, de manera que regiones próximas en el espacio tienden a mostrar va-
lores similares de productividad laboral. Llegado este punto, cabría plantearnos cuá-
les son las razones que podrían explicar este resultado. En este sentido, cabría
identificar dos tipos de factores explicativos de la asociación espacial detectada. En el
primer grupo podríamos incluir a todos aquellos factores, ajenos o exógenos al com-
portamiento de las propias regiones, que afectarían por igual a regiones vecinas
como, por ejemplo, factores de tipo institucional, climático, geográfico (ubicación
geográfica respecto a los grandes mercados) o factores relacionados con la dotación
de recursos. En cambio, el origen del segundo tipo de factores explicativos cabría en-
contrarlo en la presencia de externalidades que excediesen de las propias fronteras re-
gionales.
04-Moreno 29/6/04 13:32 Página 100

100 Rosina Moreno y Esther Vayá

En cualquier caso, es importante destacar que los resultados obtenidos en el análi-

sis exploratorio nos alertan de la posible presencia de problemas de dependencia es-
pacial en una ecuación, como la de convergencia antes mostrada, donde las variables
principales son la productividad laboral y su tasa de crecimiento. Teniendo ello en
cuenta, y bajo el supuesto de que no disponemos de ningún modelo teórico previo
que incluya de partida la existencia de un esquema de dependencia espacial9, seguire-
mos la siguiente estrategia propuesta en Florax y Folmer (1992).
En primer lugar, estimaremos la ecuación de convergencia donde se regresa la
tasa de crecimiento de la productividad para el período 1975-1992 contra la producti-
vidad en el año inicial, estimándola por MCO. Posteriormente, se calcularán los con-
trastes de autocorrelación espacial. En caso de que a partir de dichos contrastes se re-
chace la hipótesis nula, aceptaremos la ecuación de crecimiento tradicional como la
correcta, concluyendo que no existe ningún tipo de interdependencia entre las regio-
nes. Si tal fuera el caso, se concluiría que la tecnología y la productividad de una re-
gión dependen exclusivamente de factores propios de la región.
Si, por el contrario, el contraste I de Moran y el LM-ERR y su asociado robusto
LM-EL fueran significativos, o al menos estos dos últimos mostrasen una probabili-
dad menor que la del test LM-LAG y su robusto LM-LE, estimaríamos el modelo
del error espacial por máxima verosimilitud, donde el parámetro autorregresivo λ
mediría la intensidad de la dependencia espacial entre los residuos. Una vez reali-
zada esta estimación se debería contrastar la consistencia de este tipo de modelo me-
diante el cálculo del test de factores comunes (test de COMFAC)10. Asimismo, se
podría incorporar un retardo espacial de la variable explicativa, es decir, del nivel
inicial de productividad laboral (Wlny), contrastando su significación mediante un
contraste de la razón de verosimilitud. En cualquier caso, cabe decir que la autoco-
rrelación espacial residual detectada podría sería consecuencia de la omisión de va-
riables exógenas correlacionadas espacialmente o de la presencia de errores de me-
dida derivados de una escasa correspondencia entre las fronteras administrativas de
las unidades espaciales consideradas y las fronteras naturales en las que los fenóme-
nos de crecimiento tienen lugar. Asimismo, este modelo implicaría, en términos eco-
nómicos, que el crecimiento de una región i no se vería afectado de forma sistemá-
tica por el crecimiento en sus regiones vecinas sino únicamente cuando éstas últimas
mostrasen un crecimiento anómalo (relacionado con shocks aleatorios o anticipados
en sus vecinos).
Finalmente, si el contraste I de Moran y el LM-LAG y su asociado robusto LM-
LE fueran significativos, o al menos estos dos últimos tuvieran un valor de la proba-
bilidad menor que el LM-ERR y su robusto LM-EL, el modelo adecuado a estimar
sería aquél que incluyera un retardo espacial de la variable endógena, habiendo de
ser estimado también por máxima verosimilitud y donde el parámetro γ mediría la
intensidad de las dependencias entre regiones vecinas. Llegada esta situación se po-
dría considerar también la posibilidad de incorporar un retardo espacial de la varia-

9
Ver Vayá et al. (2002) para un modelo de crecimiento económico en el que, de partida, se introduce la
presencia de dependencia espacial fundamentada en la existencia de externalidades interregionales.
10
Ver Anselin (1988a).
04-Moreno 29/6/04 13:32 Página 101

Econometría espacial: nuevas técnicas para el análisis regional 101

ble explicativa. Finalmente, cabe decir que si este fuera el modelo seleccionado, es-
taríamos concluyendo a favor de la existencia de interdependencias en el creci-
miento entre regiones europeas vecinas derivadas, entre otros posibles factores, de la
presencia de economías externas (estáticas y/o tecnológicas) que exceden de las
fronteras regionales.
Con todo ello en cuenta, en primer lugar, se estima la ecuación de convergencia
sin efectos espaciales, obteniendo los resultados presentados en el cuadro 5.

Cuadro 5. Estimación MCO de la ecuación de

crecimiento para el caso regional de la UE
Lny –0,3652
(0,029)
Β implícita 0,0267

R2 0,6002
lnL 61,62
I-Moran 7,46*
LM-ERR 49,50*
LM-EL 9,94*
LM-LAG 39,59*
LM-LE 0,03
Notas: La variable dependiente es la diferencia logarítmica del PIB por
ocupado entre 1975 y 1992 y lny es el logaritmo del PIB por ocupado en
1975. lnL es el valor del máximo del logaritmo de la función de verosimili-
tud. Desviación estándar entre paréntesis. *Denota significativo al 1%.

Como se puede observar, la tasa de convergencia estimada se sitúa ligeramente

por encima del 2% anual, en concreto el 2,7%. Dicho resultado se encuentra en el
rango de valores obtenidos en otros trabajos utilizando una muestra de corte transver-
sal. El ajuste del modelo (R2 del 0,60) es razonable, si bien es preciso recordar la
poca fiabilidad de dicha medida en caso de estar presente un esquema de autocorrela-
ción espacial en los residuos del modelo. Sin embargo, a pesar del buen ajuste del
modelo, existe algún tipo de problema de especificación. Así, tanto la I de Moran de
los residuos como los contrastes habituales de multiplicadores de Lagrange rechazan
las respectivas hipótesis nulas de ausencia de dependencia espacial, siendo el valor
del contraste LM-ERR (49,5) mayor que el de LM-LAG (39,6), lo que sugeriría que
debería reespecificarse el modelo incluyendo un esquema autorregresivo en el tér-
mino de error. Esta conclusión parece confirmarse por los valores de las formas ro-
bustas de estos contrastes, ya que el test LM-EL sigue siendo significativo mientras
que el LM-LE deja de serlo.
El mapa de los residuos obtenidos de la estimación MCO (figura 8) sugiere clara-
mente la presencia de un esquema de dependencia espacial positiva, en la medida en
que valores similares de dichos residuos se encuentran próximos en el espacio.
04-Moreno 29/6/04 13:32 Página 102

102 Rosina Moreno y Esther Vayá

Figura 8. Mapa de la distribución espacial de los

residuos MCO de la ecuación de convergencia

Sin embargo, tan solo la especificación formal de los contrastes nos indica el mo-
delo espacial alternativo. Por tanto, reestimamos la ecuación de convergencia inclu-
yendo una estructura autorregresiva espacial en el término de error. El resultado de
esta estimación se muestra en la primera columna del cuadro 6. El parámetro autorre-
gresivo espacial del término de error (λ) es altamente significativo y positivo, confir-
mando lo que los contrastes de dependencia nos sugerían tras la estimación cuadrá-
tica. El contraste de la razón de verosimilitud de la dependencia espacial en el
término de error nos lleva a la misma conclusión que el contraste de la t de la estima-
ción máximo-verosímil. Asimismo, el contraste COMFAC de coherencia interna de
la especificación del modelo del error espacial no es capaz de rechazar dicha cohe-
rencia, por lo que parece ser que el modelo del error espacial resulta más adecuado a
la hora de estimar la ecuación de crecimiento para la muestra de las regiones euro-
peas escogida. A pesar de ello, hemos procedido también a estimar el modelo inclu-
yendo únicamente el retardo espacial, para confirmar que no es tan adecuado como el
del error. Los resultados de dicha estimación se presentan en la segunda columna del
cuadro 6. La velocidad de convergencia, en este caso, disminuye sustancialmente, pa-
sando de un 2,6% en la estimación MCO en el cuadro 5 a un valor del 1,2% anual. El
parámetro autorregresivo espacial del retardo de la endógena es positivo y significa-
tivo, resultado corroborado por el valor del estadístico de la razón de verosimilitud
para dicho parámetro. De esta forma, parece rechazarse la hipótesis de que la inclu-
sión del retardo de la endógena no es necesaria. Sin embargo, en términos de ajuste,
la verosimilitud obtenida para el modelo del error espacial (85,79) es mayor que la
del retardo espacial (82,37) lo que, junto con los resultados de los estadísticos, nos
llevan a mantener que el modelo con una estructura autorregresiva en el término de
error es más adecuado.
04-Moreno 29/6/04 13:32 Página 103

Econometría espacial: nuevas técnicas para el análisis regional 103

Cuadro 6. Estimación espacial de la ecuación de crecimiento para el caso

regional de la UE
Modelo del error Modelo del retardo
espacial espacial
Lny –0,3479 –0,1846
(0,043) (0,035)
β implícita 0,0252 0,0120
γ 0,5692
(0,073)
λ 0,6453
(0,071)
R2 0,5447 0,6937
lnL 85,79 82,37
LR-ERR 48,34*
LR-COMFAC 0,54
LR-LAG 41,49*
Notas: La variable dependiente es la diferencia logarítmica del PIB por ocupado entre 1975 y 1992 y lny
es el logaritmo del PIB por ocupado en 1975. lnL es el valor del logaritmo de la función de verosimilitud.
Desviación estándar entre paréntesis. *Denota significativo al 1%.

7. Conclusiones
Con el presente trabajo se ha perseguido el objetivo principal de contribuir a la difu-
sión de las técnicas de econometría espacial en nuestro país, ofreciendo una somera
visión de los aspectos teóricos y aplicados de la misma. Para ello, en primer lugar, se
han revisado las principales técnicas econométricas existentes para el estudio de la
dependencia espacial. En concreto, se han introducido los dos tipos de análisis de da-
tos espaciales existentes: el análisis exploratorio, ideado para el estudio univariante, y
el análisis de la dependencia espacial en el seno de un modelo de regresión. Asi-
mismo, se ha incluido una breve reflexión acerca de algunas de las principales limita-
ciones de la Econometría Espacial en la actualidad.
En segundo lugar, y tomando como base la ecuación tradicional de β-conver-
gencia aplicada al estudio de la productividad laboral en el seno de las regiones eu-
ropeas para el período 1975-1992, se han presentado los resultados tanto del análi-
sis exploratorio de la variable productividad laboral como del estudio de la
presencia de dependencia espacial en dicha ecuación de crecimiento. Dos son las
principales conclusiones que pueden extraerse del estudio realizado. Primero, la
variable analizada presenta un claro esquema de dependencia espacial positiva en-
tre regiones vecinas, de manera que regiones próximas en el espacio muestran nive-
les de productividad laboral similares. Y segundo, la ecuación clásica de conver-
gencia adolece de importantes problemas de dependencia espacial que deben ser
considerados de forma explícita y que afectarían tanto a su especificación como a
los métodos de estimación que deberían utilizarse. Este último resultado se revela
como la excusa perfecta para alertar a todos aquellos investigadores aplicados,
04-Moreno 29/6/04 13:32 Página 104

104 Rosina Moreno y Esther Vayá

tanto del ámbito regional como urbano, acerca de la necesaria revisión y aplicación
de las técnicas de econometría espacial que han sido recogidas o referenciadas en
este trabajo.

Bibliografía
Anselin, L. (1980): «Estimation methods for spatial autoregressive structures». Ithaca NY: Cornell Uni-
versity, Regional Science Dissertation and Monograph Series #8.
Anselin, L. (1988a): Spatial Econometrics: Methods and Models. Kluwer Academic Publishers, The Net-
herlands.
Anselin, L. (1988b): «Lagrange multiplier test diagnostic for spatial dependence and spatial heteroge-
neity», Geographical Analysis, 20(1):1-17.
Anselin, L. (1992): «SpaceStat: A program for the analysis of spatial data», National Center for Geo-
graphic Information and Analysis. University of Califormia, Santa Barbara, CA.
Anselin, L. (1995a): «Local indicators of spatial association-LISA», Geographical Analysis, 27:93-
115.
Anselin, L. (1995b): SpaceStat version 1.80 user’s guide. Morgantown, WV, Regional Research Institute,
West Virginia University.
Anselin, L. y Griffith, D.A. (1988): «Do spatial effects really matter in regression analysis?», Papers Re-
gional Science Association, 65:11-34.
Anselin, L. y Hudak, S. (1992): «Spatial econometrics in practice. A review of software options», Regio-
nal Science and Urban Economics, 22(3):509-536.
Anselin, L. y Florax, R. (1995a): New Directions in Spatial Econometrics, Ed: Springer. Berlin.
Anselin, L. y Florax, R. (1995b): «Small sample properties of tests for spatial dependence in regres-
sion models: some further results», New Directions in Spatial Econometrics, 21-74. Ed: Springer.
Berlin.
Anselin, L. y Bao, S. (1996): «SpaceStat.apr User’s guide», Regional Research Institute, West Virginia
University, Morgantown, WV.
Anselin, L. y Bao, S. (1997): «Exploratory spatial data analysis linking SpaceStat and ArcView», en Fis-
cher, M. y A. Getis (eds.): Recent developments in spatial analysis-spatial statistics, behavioural mo-
delling and neurocomputing. Berlin, Springer-Verlag.
Anselin, L. y Rey, S.J. (1997): «Introduction to the special issue on spatial econometrics», International
Regional Science Review, 20(1, 2):1-8.
Anselin, L. y Bera, A.K. (1998): «Spatial dependence in linear regression models with an introduction to
spatial econometrics», Handbook of Applied Economic Statistics (eds.) Aman Ullah and D. E. A. Gi-
les. New York: Marcel Dekker, Inc.
Anselin, L. y Moreno, R. (2003): «Properties of test of spatial error components», Regional Science and
Urban Economics. En prensa.
Armstrong, Harvey W. (1995): «Convergence among regions of the European Union, 1950-1990», Pa-
pers in Regional Science, 74:143-152.
Barro, R. y Sala-i-Martin, X. (1995): Economic Growth. McGraw-Hill, New York.
Bivand, R.S. (1984): «Regression modeling with spatial dependence: an application of some class selec-
tion and estimation methods», Geographical Analysis, 16(1):25-37.
Blommestein, H. (1983): «Specification and estimation of spatial econometric models: A discussion of
alternative strategies for spatial economic modelling», Regional Science and Urban Economics,
13:251-270.
Bodson, P. y Peeters, D. (1975): «Estimation of the coefficients of a linear regression in the presence of
spatial autocorrelation. An application to a Belgian labour-demand function», Environment and Plan-
ning A, 7:455-472.
Case, A., Rosen, H. y Hines, J. (1993): «Budget spillovers and fiscal policy interdependence: evidence
from the states», Journal of Public Economics, 52:285-307.
04-Moreno 29/6/04 13:32 Página 105

Econometría espacial: nuevas técnicas para el análisis regional 105

Casetti, E. (1972): «Generating models by the expansion method: applications to geographical research»,
Geographical Analysis, 4:81-91.
Cliff, A. y Ord, J. (1973): Spatial Autocorrelation. London, Pion.
Cliff A. y Ord, J. (1981): Spatial Process. Models and Applications. London, Pion.
Dacey, M. (1968): «A review of measures of contiguity for two and K-Color Maps», In spatial analysis:
a reader in statistical geography, 479-495. Editado por B. Berry.
Fingleton, Bernard y McCombie, John S.L. (1998): «Increasing returns and economic growth: Some evi-
dence for manufacturing from the European Union regions», Oxford Economic Papers, 50:89-105.
Florax, R. y Folmer, H. (1992): «Specification and estimation of spatial linear regression models: Monte
Carlo evaluation of pre-test estimators», Regional Science and Urban Economics, 22:404-432.
Foster, S. y Gorr, W. (1983): «Adaptive filtering approaches to spatial modeling», Modeling and Simula-
tion, 14:745-750.
Foster, S. y Gorr, W. (1984): «Spatial adaptive filtering», Modeling and Simulation, 15:29-34.
Foster, S. y Gorr, W. (1986): «An adaptive filter for estimating spatially-varying parameters: Application
to modeling police hours spent in response to calls for service», Management Science, 32:878-889.
Fotheringham, A.S., Charlton, M. y Brunsdon, C. (1998): «Geographically Weighted Regression: A Natu-
ral Evolution of the Expansion Method for Spatial Data Analysis», Environment and Planning A;
30(11):1905-27.
Geary, R. (1954): «The contiguity ratio and statistical maping», The Incorporates Statistician, 5:115-145.
Getis, A. y Ord, J.(1992): «The analysis of spatial association by use of distance statistics», Geographical
Analysis, 24:189-206.
Haining, R. (1978): «Estimating spatial interaction models», Environment and Planning A, 10:305-320.
Hildreth, C. y Houck, J. (1968): «Some estimators for a linear model with random coefficients», Journal
of the American Statistical Association, 63:584-595.
Kelejian, H.H. y Prucha, I.R. (1997): «A generalized moments estimator for the autoregressive parameter
in a spatial model», International Economic Review, 40(2):509-536.
Kelejian, H.H. y Robinson, D. (1993): «A suggested Method of Estimation for Spatial Interdependent
Models with Autocorrelated Errors, and an Application to a county expenditure Model», Papers in
Regional Science, 72:297-312.
Krugman, P. (1991): Geography and Trade. MIT Press, Cambridge MA.
López-Bazo, E., Vayá, E., Mora, A.J. y Suriñach, J. (1999): «Regional economic dynamics and conver-
gence in the European Union», The Annals of Regional Science, 33(3):343-370.
Moran, P. (1948): «The interpretation of statistical maps», Journal of the Royal Statistical Society B,
10:243-251.
Moreno, R. (1998): «Infraestructuras, externalidades y crecimiento regional. Algunas aportaciones para
el caso español». Tesis Doctoral, Universidad de Barcelona.
Moreno, R. y Vayá, E. (2000): Técnicas Econométricas para el tratamiento de datos espaciales: La eco-
nometría espacial. UB 44 manuals, Edicions Universitat de Barcelona.
Moreno, R., López-Bazo, E., Vayá, E. y Artís, M. (2002): «Externalities, public capital and costs of pro-
duction». Próxima publicación como capítulo del libro First Volume in a Series on Spatial Econome-
trics and Statistics, Springer-Verlag, Eds.
Ord, J.K. y Getis, A. (1995): «Local spatial autocorrelation statistics: distributional issues and an applica-
tion», Geographical Analysis, 27(4):286-306.
Pace, R.K. (1996): «Performing large spatial regressions and autoregressions», Economic Letters,
54:283-291.
Pace, R.K. y Barry, R. (1996): «Sparse spatial autoregressions», Statistics and Probability Letters, 2158,
1-7.
Pace, R. K. y Barry, R. (1997): «Quick computation of spatial autoregressive estimators», Sgeographical
Analysis, 29:232-247.
Paelinck, J.H.P y Klaassen, L.H. (1979): Spatial Econometrics. Farnborough, Saxon House.
Quandt, R. (1958): «The estimation of the parameters of a linear regression system obeying two separate
regimes», Journal of the American Statistical Association, 53:873-880.
04-Moreno 29/6/04 13:32 Página 106

106 Rosina Moreno y Esther Vayá

Rey, Sergio y Montouri, Brett D. (1999): «U.S. regional income convergence: A spatial econometric pers-
pective», Regional Studies, 33:143-156.
Student (1914): «The elimination of spurious corrrelation due to position in time or space», Biometrika,
10:179-180.
Vayá, E. (1998): «Localización, crecimiento y externalidades regionales. Una propuesta basada en la eco-
nometría espacial», Tesis Doctoral, Universidad de Barcelona.
Vayá, E., López-Bazo, E. y Artís, M. (1998): «Growth, convergence and (why not?) regional externali-
ties», Working Paper núm. E98/31, Divisió II ,Universidad de Barcelona.
Vayá, E., López-Bazo, E., Moreno, R. y Suriñach, J. (2002): «Growth and externalities across economies.
An empirical analysis using spatial econometrics». Próxima publicación como capítulo del libro First
Volume in a Series on Spatial Econometrics and Statistics, Springer-Verlag Eds.
Ying, Long G. (2000): «Measuring the spillover effects: some Chinese evidence», Papers in Regional
Science, 79:75-89.