Construcción de nivel socioeconómico predominante por AGEB mediante análisis multivariado

Niveles socioeconómicos para AGEBs

Asociar niveles socioeconómicos con áreas pequeñas es una necesidad para muchos investigadores. Conocer a priori qué NSE es predominante en una AGEB puede ayudar a enfocar esfuerzos de campo, a estratificar marcos muestrales, a detectar áreas con un target más preciso (amas de casa de NSE ABC+, por ejemplo), etcétera. Esto por no mencionar todas las maravillas que se podrían hacer con software para manejo de información geo espacial.

Sabemos, claro, que en una misma AGEB pueden convivir varios NSE. Pero proponemos recurrir al concepto de “NSE predominante” o “NSE proxy”, es decir, asumir una cierta homogeneidad del nivel de bienestar de la mayoría de los hogares al interior de un área geográfica pequeña. Esperamos que una gran mayoría de hogares de un mismo edificio compartan un mismo NSE. Si bien las reglas de asignación de NSE aplican para hogares, no para AGEBs, INEGI publica un gran número de indicadores a nivel AGEB, de los cuales muchos están relacionados con el nivel de bienestar o desarrollo económico de esa área.

El maestro Francisco Sánchez Villarreal, en uno de sus trabajos de consultoría de muestreo, nos propuso un método para conseguir este resultado, que ahora compartimos con ustedes.

Variables de entrada

Para asignar cada AGEB a un NSE primero seleccionamos algunas variables reportadas por INEGI del levantamiento del Conteo de Población y Vivienda 2010 al nivel de AGEB. INEGI reporta indicadores con información tanto a nivel de personas como a nivel de viviendas. Las variables consideradas para nuestro ejercicio se muestran en la tabla 1.

millward-1

Las variables de la base de viviendas tienen ya de por sí una correlación directa con el nivel de bienestar económico de cada AGEB, es decir, si el indicador es más grande, el nivel socioeconómico de las personas en la AGEB debería ser más alto.

Creación de variables nuevas

Las variables anteriores no son directamente comparables entre AGEB’s pues no toman en cuenta el tamaño de la AGEB. Además, las variables están en diferentes escalas, lo que tiene efectos no deseables en el cálculo de covarianzas. Por ello creamos tres nuevos indicadores a partir de las variables anteriores para los que el tamaño de la AGEB no influye y, además, tienen la misma escala (entre 0 y 1).

millward-2

Análisis de componentes principales

Cada una de las tres variables anteriores podría ser usada por sí misma como una medida del nivel socioeconómico, pero ¿es posible obtener un solo indicador que ordene a las AGEB’s por su nivel de bienestar considerando la información de las tres variables? La respuesta es sí. El análisis multivariado a través del análisis de componentes principales permite hacer precisamente eso.

Ya que las tres variables están en la misma escala y están fuertemente correlacionadas, no sorprende que la primera componente explique el 89% de la varianza total de las tres. Es ésta nueva variable, la primera componente, la que utilizamos para clasificar a las AGEB’s.

millward-3

Asignación de NSE a AGEBs

Ordenando todas las AGEB’s descendentemente por esta primera componente, se determinaron los cortes para cada NSE aplicando la distribución acumulada publicada por la AMAI 2010 (8×7) a la proporción de la población acumulada de las AGEB’s. A continuación se muestran los cortes de esa primera componente para cada ciudad/NSE.

millward-4

Esta asignación de NSE a nivel AGEB puede se cargada a cualquier software GIS para crear mapas temáticos o usarlos por ejemplo con Google Earth. En Millward Brown creamos estos mapas temáticos con el software Mapinfo para las tres ciudades más grandes del país.

millward-5

Validación

Antes de dar por buena esta estimación, se realizaron dos validaciones independientes:

  1. Mediante las entrevistas de dos años de diversos estudios continuos levantados casa por casa pertenecientes al área metropolitana de la Ciudad de México. De cada entrevista se tiene la clave completa de la AGEB a la que pertenece y se tiene también el NSE asignado por la regla AMAI 8×7. Con esta información se determinó un NSE predominante por AGEB, que fue igual al NSE que tuviera más entrevistas en la AGEB. Así clasificamos a 1,464 AGEB’s metropolitanas y comparamos esta clasificación con la de la variable proxy:

–  Más del 40% tuvo el mismo NSE predominante.

–  Casi otro 40% tuvo una diferencia de un NSE, que puede deberse a la muestra efectiva lograda por campo en la AGEB, más que a una mala clasificación.

–  Del 20% restante, 9% no tenía muestra suficiente para asignar un NSE.

  1. Mediante la ayuda de Google Maps, se ubicaron las AGEB’s de niveles completamente distintos que colindaran unas con otras. A continuación se muestran los resultados.

millward-6

millward-7

Comentarios finales

Insistimos en que la regla AMAI aplica solamente para hogares, no para AGEB’s. Pero la clasificación que acabamos de describir es una propuesta metodológicamente sustentada para generar una herramienta de gran utilidad para optimizar el diseño y la implementación de proyectos de diversos ámbitos, como pueden ser muestreo, trabajo de campo, logística y georreferenciación. Además cuenta con la ventaja de utilizar información pública generada por el INEGI, aplicando un método estadístico ampliamente divulgado.

Un comentario Agrega el tuyo

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s