Page 130 - ASPECTOS SOCIOCULTURALES DE LA POBREZA EN CHIAPAS

130 ASPECTOS SOCIOCULTURALES
DE LA POBREZA EN CHIAPAS

Los valores iniciales asignados fueron: κ=0.75 y α=2. Para el vector de parámetros, mien-
tras que los valores asignados a la distribución inicial de del vector de parámetros fueron:

-1
β ~ N(0, τ ), y para los componentes de los efectos fijos β ~ N (0, 1/0.001), para i = 1, 2.
0 i
Al vector de pesos espaciales ξ = (ξ , ..., ξ )’ se le asignó una distribución gaussiana
1 n
ξ ~ N (0, Q ) donde Q es una matriz de precisión dispersa que depende de la función de cova-
-1
rianza Matérn dada por la ecuación [2].

Ajuste y selección de modelos

Uno de los principales objetivos del campo aleatorio gaussiano markoviano discreto es la predic-
ción del nivel medio de marginación para las localidades donde no se dispone de información.

A partir de las relaciones teóricas establecidas en (Bistrain, 2010; Camberos, 2007; Gutiérrez y

Gama, 2010) entre el concepto de marginación y las covariables x1 (escolaridad promedio de la
localidad) y x2 (porcentaje de población económicamente activa por localidad) se construyeron
cuatro modelos surgidos de la totalidad de combinaciones de covariables en términos de los efec-

tos fijos para la ecuación [1].

Los modelos comprenden: un modelo sin covariables, dos modelos con una covariable y
un modelo con dos covariables. Los modelos se numeraron del M0 al M3 de acuerdo con las
siguientes definiciones: el primer modelo M0 se desarrolló sin ninguna variable de efectos fijos,

lo que equivale a modelar la respuesta en función de sólo el efecto espacial; el modelo M1 se

conformó con una con la variable educación como el efecto fijo, más la parte de efecto espacial;
el modelo M2 se construyó con la variable de proporción de población económicamente activa
y el efecto espacial; y el modelo M3 se construyó con las variables educación y población econó-

micamente activa como efectos fijos más el efecto espacial.

Los modelos propuestos fueron ajustados utilizando el método “integrated nested Laplace
approximation” (INLA) por sus siglas en inglés, implementado en el paquete R-INLA desarrollado
para R-project en su versión 3.15. La utilización de R-INLA permitió realizar una inferencia baye-

siana rápida y eficiente de los modelos gaussianos latentes propuestos (Martins et al, 2013).

Universidad Autónoma de Chiapas