Act3 GWR
Equipo 1
2023-04-25
Load libraries
library(sf)
library(tmap)
library(spdep)
library(rgdal)
library(tidyverse)
library(tigris)
library(mapview)
library(GWmodel)
library(regclass)
library(viridis)
library(grid)
library(RColorBrewer)
library(rgeoda)
library(sjPlot)
library(jtools)
library(dlookr)
library(terra)
library(ggpubr)
library(rstatix)Set directory
getwd()## [1] "C:/Users/ntybl/OneDrive/Documents/Semestre 8"setwd("C:/Users/ntybl/OneDrive/Documents/Semestre 8/Datos")
getwd()## [1] "C:/Users/ntybl/OneDrive/Documents/Semestre 8/Datos"Importing non-spatial data and geospatial data (shapefile) Unir las bases de datos para poder crear los mapas
covid_shpf <- readOGR(dsn = "C:\\Users\\ntybl\\Downloads\\spda_covid19 (3)\\spda_covid19\\shp_mx_mpios\\mx_mpios.shp")## OGR data source with driver: ESRI Shapefile
## Source: "C:\Users\ntybl\Downloads\spda_covid19 (3)\spda_covid19\shp_mx_mpios\mx_mpios.shp", layer: "mx_mpios"
## with 2456 features
## It has 3 fields
## Integer64 fields read as strings: CODELAGcovid_df <- read.csv("C:\\Users\\ntybl\\OneDrive\\Documents\\Semestre 8\\Datos\\datosFinal.csv")
covid_j <- geo_join(covid_shpf,covid_df,'IDUNICO','IDUNICO',how='inner') ### Combining geospatial and non-spatial dataLimpieza de datos
summary(covid_shpf)## Object of class SpatialPolygonsDataFrame
## Coordinates:
## min max
## x -118.4076 -86.71041
## y 14.5321 32.71865
## Is projected: FALSE
## proj4string : [+proj=longlat +datum=WGS84 +no_defs]
## Data attributes:
## CODELAG CVE_ENT IDUNICO
## Length:2456 Min. : 1.00 Min. : 1001
## Class :character 1st Qu.:14.00 1st Qu.:14084
## Mode :character Median :20.00 Median :20231
## Mean :19.26 Mean :19367
## 3rd Qu.:24.00 3rd Qu.:24030
## Max. :32.00 Max. :32058summary(covid_df)## IDUNICO n mpio poblacion_2022
## Min. : 1001 Min. : 1.00 Length:2460 Min. : 95
## 1st Qu.:14083 1st Qu.: 3.00 Class :character 1st Qu.: 4470
## Median :20231 Median : 11.00 Mode :character Median : 14137
## Mean :19360 Mean : 87.96 Mean : 52012
## 3rd Qu.:24029 3rd Qu.: 41.00 3rd Qu.: 37099
## Max. :32058 Max. :4993.00 Max. :1815551
## NA's :68 NA's :3
## hogrem2015 hogremjefmuj2015 popnoafmed2015 gini2015
## Length:2460 Length:2460 Length:2460 Length:2460
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## popden2020 crimen_2018 crimen_2019 inclusion_fin_2019
## Length:2460 Min. : 0.00 Min. : 0.00 Min. : 0.0000
## Class :character 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.0000
## Mode :character Median : 9.75 Median : 11.50 Median : 0.0000
## Mean : 19.02 Mean : 20.30 Mean : 0.4876
## 3rd Qu.: 25.71 3rd Qu.: 26.95 3rd Qu.: 0.8500
## Max. :719.42 Max. :551.82 Max. :10.6800
## NA's :3 NA's :3 NA's :3
## porcentaje_pob_pobreza porcentaje_pob_pobreza_ext
## Length:2460 Length:2460
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## porcentaje_pob_servicios_salud porcentaje_pob_acceso_ss pob_6.14_no_edu
## Length:2460 Length:2460 Min. : 0.000
## Class :character Class :character 1st Qu.: 4.170
## Mode :character Mode :character Median : 5.720
## Mean : 6.304
## 3rd Qu.: 7.810
## Max. :38.560
## NA's :3
## rezago_social grado_rs feb_2020 march_2020
## Min. :-1.550000 Length:2460 Min. :0.000000 Min. : 0.00
## 1st Qu.:-0.760000 Class :character 1st Qu.:0.000000 1st Qu.: 0.00
## Median :-0.220000 Mode :character Median :0.000000 Median : 0.00
## Mean :-0.001486 Mean :0.003256 Mean : 1.27
## 3rd Qu.: 0.470000 3rd Qu.:0.000000 3rd Qu.: 0.00
## Max. : 6.830000 Max. :1.000000 Max. :139.00
## NA's :3 NA's :3 NA's :3
## april_2020 may_2020 june_2020 july_2020
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.00
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 1.00
## Median : 0.00 Median : 1.00 Median : 4.00 Median : 5.00
## Mean : 12.07 Mean : 37.62 Mean : 64.66 Mean : 86.39
## 3rd Qu.: 2.00 3rd Qu.: 8.00 3rd Qu.: 19.00 3rd Qu.: 27.00
## Max. :1902.00 Max. :4543.00 Max. :5872.00 Max. :6079.00
## NA's :3 NA's :3 NA's :3 NA's :3
## august_2020 sept_2020 oct_2020 nov_2020
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.00
## 1st Qu.: 1.00 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00
## Median : 4.00 Median : 3.00 Median : 2.00 Median : 2.00
## Mean : 69.52 Mean : 60.02 Mean : 70.06 Mean : 83.85
## 3rd Qu.: 22.00 3rd Qu.: 17.00 3rd Qu.: 14.00 3rd Qu.: 15.00
## Max. :4295.00 Max. :3877.00 Max. :8984.00 Max. :6798.00
## NA's :3 NA's :3 NA's :3 NA's :3
## dic_2020 jan_2021 feb_2021 mar_2021
## Min. : 0.0 Min. : 0.0 Min. : 0.00 Min. : 0.0
## 1st Qu.: 0.0 1st Qu.: 1.0 1st Qu.: 1.00 1st Qu.: 0.0
## Median : 3.0 Median : 7.0 Median : 3.00 Median : 2.0
## Mean : 134.3 Mean : 172.7 Mean : 79.46 Mean : 58.3
## 3rd Qu.: 20.0 3rd Qu.: 35.0 3rd Qu.: 17.00 3rd Qu.: 12.0
## Max. :19628.0 Max. :24992.0 Max. :11834.00 Max. :9918.0
## NA's :3 NA's :3 NA's :3 NA's :3
## mar_2021.1 april_2021 may_2021 june_2021
## Min. : 0.0 Min. : 0.00 Min. : 0.00 Min. : 0.0
## 1st Qu.: 0.0 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.0
## Median : 2.0 Median : 1.00 Median : 1.00 Median : 1.0
## Mean : 58.3 Mean : 38.11 Mean : 26.81 Mean : 43.6
## 3rd Qu.: 12.0 3rd Qu.: 9.00 3rd Qu.: 5.00 3rd Qu.: 5.0
## Max. :9918.0 Max. :5065.00 Max. :3917.00 Max. :6640.0
## NA's :3 NA's :3 NA's :3 NA's :3
## july_2021 august_2021 sept_2021 oct_2021
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Min. : 0.00
## 1st Qu.: 1.0 1st Qu.: 2.0 1st Qu.: 2.0 1st Qu.: 0.00
## Median : 5.0 Median : 13.0 Median : 8.0 Median : 3.00
## Mean : 155.3 Mean : 212.8 Mean : 109.9 Mean : 49.88
## 3rd Qu.: 31.0 3rd Qu.: 73.0 3rd Qu.: 43.0 3rd Qu.: 16.00
## Max. :20315.0 Max. :17590.0 Max. :7742.0 Max. :3556.00
## NA's :3 NA's :3 NA's :3 NA's :3
## nov_2021 dic_2021 REGION total_2021
## Min. : 0.00 Min. : 0.00 Length:2460 Min. : 0.00
## 1st Qu.: 0.00 1st Qu.: 0.00 Class :character 1st Qu.: 14.75
## Median : 1.00 Median : 1.00 Mode :character Median : 63.00
## Mean : 33.14 Mean : 48.76 Mean : 1085.73
## 3rd Qu.: 6.00 3rd Qu.: 6.00 3rd Qu.: 301.25
## Max. :4854.00 Max. :4708.00 Max. :115547.00
## NA's :3 NA's :3
## tasa_covid total_casos
## Length:2460 Min. : 0.0
## Class :character 1st Qu.: 22.0
## Mode :character Median : 102.5
## Mean : 1704.7
## 3rd Qu.: 454.5
## Max. :168500.0
## Convertir a numeric
covid_df$porcentaje_pob_acceso_ss <- as.numeric(covid_df$porcentaje_pob_acceso_ss)
covid_df$porcentaje_pob_pobreza <- as.numeric(covid_df$porcentaje_pob_pobreza)
covid_df$porcentaje_pob_servicios_salud <- as.numeric(covid_df$porcentaje_pob_servicios_salud)
covid_df$hogremjefmuj2015 <- as.numeric(covid_df$hogremjefmuj2015)
covid_df$tasa_covid <- as.numeric(covid_df$tasa_covid)
covid_df$hogrem2015 <- as.numeric(covid_df$hogrem2015)
covid_df$popnoafmed2015 <- as.numeric(covid_df$popnoafmed2015)
covid_df$gini2015 <- as.numeric(covid_df$gini2015)
covid_df$popden2020 <- as.numeric(covid_df$popden2020)
covid_df$porcentaje_pob_pobreza_ext <- as.numeric(covid_df$porcentaje_pob_pobreza_ext)Convertir a factor
covid_df$REGION <- as.factor(covid_df$REGION)Convertir NA a la mediana
covid_df <- covid_df %>% mutate(across(where(is.numeric), ~ replace_na(., median(., na.rm = TRUE))))Cambiar 0 a 0.01
covid_df$tasa_covid <- replace(covid_df$tasa_covid, covid_df$tasa_covid == 0, 0.01)
covid_df$crimen_2019 <- replace(covid_df$crimen_2019, covid_df$crimen_2019 == 0, 0.01)summary(covid_j)## Object of class SpatialPolygonsDataFrame
## Coordinates:
## min max
## x -118.4076 -86.71041
## y 14.5321 32.71865
## Is projected: FALSE
## proj4string : [+proj=longlat +datum=WGS84 +no_defs]
## Data attributes:
## CODELAG CVE_ENT IDUNICO IDUNICO.1
## Length:2456 Min. : 1.00 Min. : 1001 Min. : 1001
## Class :character 1st Qu.:14.00 1st Qu.:14084 1st Qu.:14084
## Mode :character Median :20.00 Median :20231 Median :20231
## Mean :19.26 Mean :19367 Mean :19367
## 3rd Qu.:24.00 3rd Qu.:24030 3rd Qu.:24030
## Max. :32.00 Max. :32058 Max. :32058
##
## n mpio poblacion_2022 hogrem2015
## Min. : 1.00 Length:2456 Min. : 95 Length:2456
## 1st Qu.: 3.00 Class :character 1st Qu.: 4468 Class :character
## Median : 11.00 Mode :character Median : 14129 Mode :character
## Mean : 88.07 Mean : 52014
## 3rd Qu.: 41.00 3rd Qu.: 37095
## Max. :4993.00 Max. :1815551
## NA's :68
## hogremjefmuj2015 popnoafmed2015 gini2015 popden2020
## Length:2456 Length:2456 Length:2456 Length:2456
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## crimen_2018 crimen_2019 inclusion_fin_2019 porcentaje_pob_pobreza
## Min. : 0.000 Min. : 0.00 Min. : 0.0000 Length:2456
## 1st Qu.: 0.000 1st Qu.: 0.00 1st Qu.: 0.0000 Class :character
## Median : 9.745 Median : 11.49 Median : 0.0000 Mode :character
## Mean : 19.006 Mean : 20.29 Mean : 0.4869
## 3rd Qu.: 25.695 3rd Qu.: 26.91 3rd Qu.: 0.8425
## Max. :719.420 Max. :551.82 Max. :10.6800
##
## porcentaje_pob_pobreza_ext porcentaje_pob_servicios_salud
## Length:2456 Length:2456
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## porcentaje_pob_acceso_ss pob_6.14_no_edu rezago_social
## Length:2456 Min. : 0.000 Min. :-1.550000
## Class :character 1st Qu.: 4.170 1st Qu.:-0.760000
## Mode :character Median : 5.715 Median :-0.220000
## Mean : 6.304 Mean :-0.001437
## 3rd Qu.: 7.810 3rd Qu.: 0.470000
## Max. :38.560 Max. : 6.830000
##
## grado_rs feb_2020 march_2020 april_2020
## Length:2456 Min. :0.000000 Min. : 0.00 Min. : 0.00
## Class :character 1st Qu.:0.000000 1st Qu.: 0.00 1st Qu.: 0.00
## Mode :character Median :0.000000 Median : 0.00 Median : 0.00
## Mean :0.003257 Mean : 1.27 Mean : 12.07
## 3rd Qu.:0.000000 3rd Qu.: 0.00 3rd Qu.: 2.00
## Max. :1.000000 Max. :139.00 Max. :1902.00
##
## may_2020 june_2020 july_2020 august_2020
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.00
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 1.00 1st Qu.: 1.00
## Median : 1.00 Median : 4.00 Median : 5.00 Median : 4.00
## Mean : 37.63 Mean : 64.68 Mean : 86.39 Mean : 69.51
## 3rd Qu.: 8.00 3rd Qu.: 19.00 3rd Qu.: 27.00 3rd Qu.: 22.00
## Max. :4543.00 Max. :5872.00 Max. :6079.00 Max. :4295.00
##
## sept_2020 oct_2020 nov_2020 dic_2020
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.0
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.0
## Median : 3.00 Median : 2.00 Median : 2.00 Median : 3.0
## Mean : 60.02 Mean : 70.09 Mean : 83.88 Mean : 134.3
## 3rd Qu.: 17.00 3rd Qu.: 14.00 3rd Qu.: 15.00 3rd Qu.: 20.0
## Max. :3877.00 Max. :8984.00 Max. :6798.00 Max. :19628.0
##
## jan_2021 feb_2021 mar_2021 mar_2021.1
## Min. : 0.0 Min. : 0.00 Min. : 0.00 Min. : 0.00
## 1st Qu.: 1.0 1st Qu.: 1.00 1st Qu.: 0.00 1st Qu.: 0.00
## Median : 7.0 Median : 3.00 Median : 2.00 Median : 2.00
## Mean : 172.8 Mean : 79.48 Mean : 58.32 Mean : 58.32
## 3rd Qu.: 35.0 3rd Qu.: 17.00 3rd Qu.: 12.00 3rd Qu.: 12.00
## Max. :24992.0 Max. :11834.00 Max. :9918.00 Max. :9918.00
##
## april_2021 may_2021 june_2021 july_2021
## Min. : 0.00 Min. : 0.00 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 1.0
## Median : 1.00 Median : 1.00 Median : 1.0 Median : 5.0
## Mean : 38.12 Mean : 26.81 Mean : 43.6 Mean : 155.4
## 3rd Qu.: 9.00 3rd Qu.: 5.00 3rd Qu.: 5.0 3rd Qu.: 31.0
## Max. :5065.00 Max. :3917.00 Max. :6640.0 Max. :20315.0
##
## august_2021 sept_2021 oct_2021 nov_2021
## Min. : 0.0 Min. : 0.0 Min. : 0.00 Min. : 0.00
## 1st Qu.: 2.0 1st Qu.: 2.0 1st Qu.: 0.00 1st Qu.: 0.00
## Median : 13.0 Median : 8.0 Median : 3.00 Median : 1.00
## Mean : 212.9 Mean : 109.9 Mean : 49.89 Mean : 33.16
## 3rd Qu.: 73.0 3rd Qu.: 43.0 3rd Qu.: 16.00 3rd Qu.: 6.00
## Max. :17590.0 Max. :7742.0 Max. :3556.00 Max. :4854.00
##
## dic_2021 REGION total_2021 tasa_covid
## Min. : 0.00 Length:2456 Min. : 0.0 Length:2456
## 1st Qu.: 0.00 Class :character 1st Qu.: 15.0 Class :character
## Median : 1.00 Mode :character Median : 63.5 Mode :character
## Mean : 48.77 Mean : 1087.4
## 3rd Qu.: 6.00 3rd Qu.: 301.2
## Max. :4708.00 Max. :115547.0
##
## total_casos
## Min. : 0.0
## 1st Qu.: 22.0
## Median : 103.0
## Mean : 1707.3
## 3rd Qu.: 454.5
## Max. :168500.0
## Convertir a numeric
covid_j$hogrem2015 <- as.numeric(covid_j$hogrem2015)
covid_j$hogremjefmuj2015 <- as.numeric(covid_j$hogremjefmuj2015)
covid_j$popnoafmed2015 <- as.numeric(covid_j$popnoafmed2015)
covid_j$gini2015 <- as.numeric(covid_j$gini2015)
covid_j$popden2020 <- as.numeric(covid_j$popden2020)
covid_j$porcentaje_pob_pobreza <- as.numeric(covid_j$porcentaje_pob_pobreza)
covid_j$porcentaje_pob_pobreza_ext <- as.numeric(covid_j$porcentaje_pob_pobreza_ext)
covid_j$porcentaje_pob_servicios_salud <- as.numeric(covid_j$porcentaje_pob_servicios_salud)
covid_j$porcentaje_pob_acceso_ss <- as.numeric(covid_j$porcentaje_pob_acceso_ss)
covid_j$tasa_covid <- as.numeric(covid_j$tasa_covid)Cambiar 0 por 0.01
covid_j$crimen_2019[covid_j$crimen_2019 == 0 ] <- 0.01
covid_j$tasa_covid[covid_j$tasa_covid == 0 ] <- 0.01
covid_j$hogremjefmuj2015[covid_j$hogremjefmuj2015 == 0] <- 0.01
covid_j$REGION <- as.factor(covid_j$REGION)Cambiar NAs por la mediana
covid_j$n[is.na(covid_j$n)] <- 11.00
covid_j$porcentaje_pob_servicios_salud[is.na(covid_j$porcentaje_pob_servicios_salud)] <- 23.22
covid_j$porcentaje_pob_acceso_ss[is.na(covid_j$porcentaje_pob_acceso_ss)] <- 76.46
covid_j$porcentaje_pob_pobreza[is.na(covid_j$porcentaje_pob_pobreza)] <- 62.60
covid_j$porcentaje_pob_pobreza_ext[is.na(covid_j$porcentaje_pob_pobreza_ext)] <- 12.48Objetivos
Predecir los factores asociados con el incremento / disminución de casos confirmados de COVID-19
Visualizar y analizar clusters en nuestras variables de interés
Estimación regresión espacial global y local
Comparar los resultados de las diferentes regresiones que se realizaran
Visualización de las variables
visualización de casos confirmados de covid 19 y factores socioeconómicos
qtm(covid_j, "tasa_covid")
En el mapa anterior podemos visualizar los casos de COVID confirmados en
una taza de cada 10 por el total de casos, podemos notar concentraciones
en 3 áreas especificas estas siendo Baja California sur, Tabasco, Nuevo
León y una alta concentración en el Estado de México.
qtm(covid_j, "rezago_social")## Variable(s) "rezago_social" contains positive and negative values, so midpoint is set to 0. Set midpoint = NA to show the full spectrum of the color palette.
#mapview(covid_j, zcol="rezago_social")En el mapa anterior se pueden visualizar clusters podemos visualizar un alto grado de rezago social en la región norte del país a lo largo de los estados de Sonora, Chihuahua, Sinaloa, Durango y Nayarit.
En cuanto al centro y sur del país podemos visualizar concentraciones de rezago social a lo largo de estas regiones.
H0: La distribución del rezago social por estado se distribuye aleatoriamente. H1: La distribución del rezago social por estado no se distribuye aleatoriamente, hay conglomerados (autocorrelación positiva) o valores atípicos (autocorrelación negativa)
Modelado de vecinos espaciales y matrices de conectividad espacial
swm_queen2 <- poly2nb(covid_shpf, queen = TRUE)
summary(swm_queen2)## Neighbour list object:
## Number of regions: 2456
## Number of nonzero links: 14392
## Percentage nonzero weights: 0.2385967
## Average number of links: 5.859935
## Link number distribution:
##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 19 20 22
## 8 63 202 393 515 467 317 233 143 52 27 15 5 4 3 3 1 1 1 3
## 8 least connected regions:
## 299 354 667 858 930 1243 1461 2234 with 1 link
## 3 most connected regions:
## 966 1058 1173 with 22 linksResumen de la matriz de peso espacial Hay 2,456 municipios en México La unidad de área más conectada tiene 22 vecinos La unidad del área menos conectada tiene 1 vecino
swm_rook2 <- poly2nb(covid_shpf, queen = FALSE)
summary(swm_rook2)## Neighbour list object:
## Number of regions: 2456
## Number of nonzero links: 14176
## Percentage nonzero weights: 0.2350158
## Average number of links: 5.771987
## Link number distribution:
##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 19 20 21
## 8 68 217 416 507 461 321 230 119 52 23 13 6 4 4 1 1 1 2 1
## 22
## 1
## 8 least connected regions:
## 299 354 667 858 930 1243 1461 2234 with 1 link
## 1 most connected region:
## 1058 with 22 linksTrazado de mapas de vecinos basados en la contigüidad de queen
plot(covid_shpf, borders = 'lightgrey')
plot(swm_queen2, coordinates(covid_shpf), pch = 19, cex = 0.6, add = TRUE, col = "red")
title(main = "Contigüidad Queen", cex.main = 0.9)
Trazado de mapas de vecinos basados en la contigüidad de rook
plot(covid_shpf, borders = 'lightgrey')
plot(swm_rook2, coordinates(covid_shpf), pch = 19, cex = 0.6, add = TRUE, col = "red")
title(main = "Contigüidad Rook", cex.main = 0.9)
Cálculo de vecinos basados en distancia
coords2 <- coordinates(covid_shpf)
head(coords2)## [,1] [,2]
## 0 -99.20622 19.19834
## 1 -99.09036 19.24515
## 2 -99.26841 19.26898
## 3 -99.18211 19.48533
## 4 -99.16113 19.38064
## 5 -99.14906 19.43137knn2 <- knn2nb(knearneigh(coords2))
knn1_dist2 <- unlist(nbdists(knn2, coords2, longlat = TRUE))
summary(knn1_dist2)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.558 7.387 11.413 15.811 19.110 229.364En promedio, ¿cada municipio es el más cercano en distancia a otras 122 áreas de puntos?
dwm2 <- dnearneigh(coords2, 0 ,98, longlat = TRUE)
dwm2 ## Neighbour list object:
## Number of regions: 2456
## Number of nonzero links: 298802
## Percentage nonzero weights: 4.953667
## Average number of links: 121.6621
## 5 regions with no links:
## 348 352 353 355 2448rswm_queen2 <- nb2listw(swm_queen2, style = "W", zero.policy = TRUE)
rswm_queen2## Characteristics of weights list object:
## Neighbour list object:
## Number of regions: 2456
## Number of nonzero links: 14392
## Percentage nonzero weights: 0.2385967
## Average number of links: 5.859935
##
## Weights style: W
## Weights constants summary:
## n nn S0 S1 S2
## W 2456 6031936 2456 898.7549 10338.48Vamos a crear un spatial lag de la variable del conjunto de datos.
covid_j$sp_rezago_social<- lag.listw(rswm_queen2, covid_j$rezago_social, zero.policy = TRUE)qtm(covid_j, "rezago_social" )## Variable(s) "rezago_social" contains positive and negative values, so midpoint is set to 0. Set midpoint = NA to show the full spectrum of the color palette.
qtm(covid_j, "sp_rezago_social")## Variable(s) "sp_rezago_social" contains positive and negative values, so midpoint is set to 0. Set midpoint = NA to show the full spectrum of the color palette.
En los mapas anteriores se comparar el rezago social en México y el spatial lag de rezago social, podemos notar una mayor concentración en el mapa de lag tanto en negativo como en positivo a comparación del mapa sin lag, la principal observación seria que el mapa de spatial lag muestra una alta concentración entre los valores de -1 a 0. también podemos notar más valores positivos entre 1 y 2 a comparación del mapa de rezago.
Moran’s I Test
Identificar y medir la autocorrelación espacial
moran.test(covid_j$rezago_social, listw = rswm_queen2, zero.policy = TRUE, na.action = na.omit)##
## Moran I test under randomisation
##
## data: covid_j$rezago_social
## weights: rswm_queen2
##
## Moran I statistic standard deviate = 56.494, p-value < 2.2e-16
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.6879873175 -0.0004073320 0.0001484831En conclusión, los resultados sugieren que existe una autocorrelación espacial positiva significativa en la variable analizada, lo que indica que las ubicaciones vecinas tienden a tener valores similares.
Computar el correlograma I de moran
Moran_cor <- sp.correlogram(swm_queen2, covid_j$rezago_social, order = 6, method = "I", style = "B")
plot(Moran_cor)
En general, el correlograma indica que existe una autocorrelación espacial positiva en la variable que se analiza, con observaciones vecinas que tienen valores similares. La fuerza de la autocorrelación espacial se debilita gradualmente a medida que aumenta la distancia entre las observaciones, y el efecto de las observaciones vecinas disminuye más allá de cierta distancia.
Exploremos el análisis de datos espaciales y modelemos las relaciones espaciales locales
A continuación, haremos un normality plot para analizar la distribución de las variables y concluir si estas necesitan ser alteradas
plot_normality(covid_df, hogremjefmuj2015, crimen_2019, porcentaje_pob_pobreza, porcentaje_pob_servicios_salud, porcentaje_pob_acceso_ss, rezago_social, porcentaje_pob_pobreza, tasa_covid)
En base a los resultados usaremos log en las variables: tasa_covid (variable dependiente) y crimen_2019.
Regresion no espacial
non_spatial_model2 = lm(log(tasa_covid) ~ hogremjefmuj2015 + log(crimen_2019) + porcentaje_pob_servicios_salud + porcentaje_pob_acceso_ss + rezago_social + porcentaje_pob_pobreza + REGION, data = covid_df)
summary(non_spatial_model2)##
## Call:
## lm(formula = log(tasa_covid) ~ hogremjefmuj2015 + log(crimen_2019) +
## porcentaje_pob_servicios_salud + porcentaje_pob_acceso_ss +
## rezago_social + porcentaje_pob_pobreza + REGION, data = covid_df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.7896 -0.4613 0.1233 0.7076 3.5079
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.7172576 0.2855323 20.023 < 2e-16 ***
## hogremjefmuj2015 0.0145767 0.0050986 2.859 0.00429 **
## log(crimen_2019) 0.0650888 0.0086855 7.494 9.28e-14 ***
## porcentaje_pob_servicios_salud 0.0001964 0.0026083 0.075 0.93997
## porcentaje_pob_acceso_ss -0.0025806 0.0029666 -0.870 0.38445
## rezago_social -0.3086272 0.0513128 -6.015 2.07e-09 ***
## porcentaje_pob_pobreza -0.0304026 0.0030041 -10.120 < 2e-16 ***
## REGIONCENTRO NORTE -0.5194208 0.0962660 -5.396 7.48e-08 ***
## REGIONNORTE -0.3463307 0.1285403 -2.694 0.00710 **
## REGIONSUR -0.3204493 0.0818138 -3.917 9.22e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.441 on 2450 degrees of freedom
## Multiple R-squared: 0.3482, Adjusted R-squared: 0.3458
## F-statistic: 145.4 on 9 and 2450 DF, p-value: < 2.2e-16VIF(non_spatial_model2)## GVIF Df GVIF^(1/(2*Df))
## hogremjefmuj2015 1.140313 1 1.067855
## log(crimen_2019) 1.165702 1 1.079677
## porcentaje_pob_servicios_salud 1.248341 1 1.117292
## porcentaje_pob_acceso_ss 2.283268 1 1.511049
## rezago_social 3.121308 1 1.766722
## porcentaje_pob_pobreza 5.116764 1 2.262026
## REGION 2.496127 3 1.164692Interpretacion:
El intercepto tiene un valor estimado de 5,717, que representa el valor esperado de la variable dependiente cuando todas las variables independientes son iguales a cero.
El valor R-cuadrado de 0.3482 sugiere que aproximadamente el 34.82 % de la varianza de la variable dependiente puede explicarse por las variables independientes.
El F-statistic de 145.4 con un p-value de < 2.2e-16 sugiere que el modelo en su conjunto es estadísticamente significativo.
Los residuos tienen un valor mínimo de -8.7896 y un valor máximo de 3.5079, con una media de aproximadamente cero, lo que indica que la suposición de errores normalmente distribuidos es razonable.
-La varible porcentaje_pob_pobreza muestra un VIF de 5.116764 esta muestra multicollinearity por lo cual será removida del modelo.
AIC(non_spatial_model2)## [1] 8790.453Global Spatial Regression Analysis
Convertir a sp
covid.sp = as(covid_shpf, "Spatial")spatial_auto <- lagsarlm(log(tasa_covid) ~ hogremjefmuj2015 + log(crimen_2019) + porcentaje_pob_servicios_salud + porcentaje_pob_acceso_ss + rezago_social + porcentaje_pob_pobreza + REGION, data = covid_j, listw = rswm_queen2, Durbin = FALSE)
summary(spatial_auto)##
## Call:
## lagsarlm(formula = log(tasa_covid) ~ hogremjefmuj2015 + log(crimen_2019) +
## porcentaje_pob_servicios_salud + porcentaje_pob_acceso_ss +
## rezago_social + porcentaje_pob_pobreza + REGION, data = covid_j,
## listw = rswm_queen2, Durbin = FALSE)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.69596 -0.39978 0.11408 0.61356 3.93984
##
## Type: lag
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 3.71278485 0.30459866 12.1891 < 2.2e-16
## hogremjefmuj2015 0.01482141 0.00484015 3.0622 0.002197
## log(crimen_2019) 0.05549374 0.00827233 6.7084 1.968e-11
## porcentaje_pob_servicios_salud 0.00018247 0.00248020 0.0736 0.941352
## porcentaje_pob_acceso_ss -0.00212963 0.00281814 -0.7557 0.449837
## rezago_social -0.24798032 0.04909005 -5.0515 4.383e-07
## porcentaje_pob_pobreza -0.02253814 0.00291559 -7.7302 1.066e-14
## REGIONCENTRO NORTE -0.41501515 0.09193795 -4.5141 6.359e-06
## REGIONNORTE -0.30893457 0.12204657 -2.5313 0.011365
## REGIONSUR -0.15084423 0.07913821 -1.9061 0.056639
##
## Rho: 0.35781, LR test value: 191.11, p-value: < 2.22e-16
## Asymptotic standard error: 0.0254
## z-value: 14.087, p-value: < 2.22e-16
## Wald statistic: 198.45, p-value: < 2.22e-16
##
## Log likelihood: -4283.414 for lag model
## ML residual variance (sigma squared): 1.8708, (sigma: 1.3678)
## Number of observations: 2456
## Number of parameters estimated: 12
## AIC: 8590.8, (AIC for lm: 8779.9)
## LM test for residual autocorrelation
## test value: 1.475, p-value: 0.22455- El AIC del modelo Global Spatial Regression es 8590.8, que es inferior al AIC del modelo de Regresion no espacial (8790.453).
Detección de residuos de regresión espacialmente autocorrelacionados
moran.test(exp(spatial_auto$residuals), rswm_queen2)##
## Moran I test under randomisation
##
## data: exp(spatial_auto$residuals)
## weights: rswm_queen2
##
## Moran I statistic standard deviate = 10.285, p-value < 2.2e-16
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.121717673 -0.000407332 0.000141004El p-value de 2.2e-16 indica que la hipótesis nula (es decir, la ausencia de autocorrelación espacial) se puede rechazar con un grado de confianza muy alto. La hipótesis alternativa es mayor, lo que significa que los datos exhiben una autocorrelación espacial positiva.
Los resultados indican que existe una fuerte autocorrelación espacial positiva presente en los datos
Local Spatial Regression Analysis
Determinar kernel bandwidth
El modelo de Kennel Barwidth nos demuestra a qué distancia dos objetos deben estar para darle significancia o tener influencia en los resultados. Una distancia cercana indica que las estimaciones están cerca de los datos mientras que una distancia lejana proporciona una transición más fácil de realizar.
bw4 <- bw.gwr(log(tasa_covid) ~ hogremjefmuj2015 + log(crimen_2019) + porcentaje_pob_servicios_salud + porcentaje_pob_acceso_ss + rezago_social,
approach = "AIC", adaptive = T, data=covid_j)## Take a cup of tea and have a break, it will take a few minutes.
## -----A kind suggestion from GWmodel development group
## Adaptive bandwidth (number of nearest neighbours): 1525 AICc value: 8673.046
## Adaptive bandwidth (number of nearest neighbours): 950 AICc value: 8590.03
## Adaptive bandwidth (number of nearest neighbours): 594 AICc value: 8536.634
## Adaptive bandwidth (number of nearest neighbours): 374 AICc value: 8490.652
## Adaptive bandwidth (number of nearest neighbours): 238 AICc value: 8439.269
## Adaptive bandwidth (number of nearest neighbours): 154 AICc value: 8416.585
## Adaptive bandwidth (number of nearest neighbours): 102 AICc value: 8450.97
## Adaptive bandwidth (number of nearest neighbours): 186 AICc value: 8421.968
## Adaptive bandwidth (number of nearest neighbours): 134 AICc value: 8420.626
## Adaptive bandwidth (number of nearest neighbours): 166 AICc value: 8416.786
## Adaptive bandwidth (number of nearest neighbours): 146 AICc value: 8417.038
## Adaptive bandwidth (number of nearest neighbours): 158 AICc value: 8415.81
## Adaptive bandwidth (number of nearest neighbours): 162 AICc value: 8415.941
## Adaptive bandwidth (number of nearest neighbours): 157 AICc value: 8415.569
## Adaptive bandwidth (number of nearest neighbours): 155 AICc value: 8415.75
## Adaptive bandwidth (number of nearest neighbours): 157 AICc value: 8415.569bw5 <- bw.gwr(log(tasa_covid) ~ hogremjefmuj2015 + log(crimen_2019) + porcentaje_pob_servicios_salud + porcentaje_pob_acceso_ss + rezago_social,
approach = "AIC", adaptive = F, data=covid_j)## Take a cup of tea and have a break, it will take a few minutes.
## -----A kind suggestion from GWmodel development group
## Fixed bandwidth: 19.92188 AICc value: 8854.335
## Fixed bandwidth: 12.31486 AICc value: 8792.772
## Fixed bandwidth: 7.613466 AICc value: 8717.815
## Fixed bandwidth: 4.707843 AICc value: 8656.888
## Fixed bandwidth: 2.912069 AICc value: 8666.716
## Fixed bandwidth: 5.817693 AICc value: 8677.912
## Fixed bandwidth: 4.021919 AICc value: 8649.338
## Fixed bandwidth: 3.597994 AICc value: 8648.359
## Fixed bandwidth: 3.335994 AICc value: 8650.582
## Fixed bandwidth: 3.759919 AICc value: 8648.175
## Fixed bandwidth: 3.859994 AICc value: 8648.477
## Fixed bandwidth: 3.698069 AICc value: 8648.137
## Fixed bandwidth: 3.659844 AICc value: 8648.181
## Fixed bandwidth: 3.721693 AICc value: 8648.136
## Fixed bandwidth: 3.736294 AICc value: 8648.145
## Fixed bandwidth: 3.71267 AICc value: 8648.134
## Fixed bandwidth: 3.707093 AICc value: 8648.134
## Fixed bandwidth: 3.716116 AICc value: 8648.134
## Fixed bandwidth: 3.710539 AICc value: 8648.134Modelo GWR
m.gwr2 <- gwr.basic(log(tasa_covid) ~ hogremjefmuj2015 + log(crimen_2019) + porcentaje_pob_servicios_salud + porcentaje_pob_acceso_ss + rezago_social,
adaptive = T, data = covid_j, bw = bw4)
m.gwr2## ***********************************************************************
## * Package GWmodel *
## ***********************************************************************
## Program starts at: 2023-05-04 00:33:56
## Call:
## gwr.basic(formula = log(tasa_covid) ~ hogremjefmuj2015 + log(crimen_2019) +
## porcentaje_pob_servicios_salud + porcentaje_pob_acceso_ss +
## rezago_social, data = covid_j, bw = bw4, adaptive = T)
##
## Dependent (y) variable: tasa_covid
## Independent variables: hogremjefmuj2015 crimen_2019 porcentaje_pob_servicios_salud porcentaje_pob_acceso_ss rezago_social
## Number of data points: 2456
## ***********************************************************************
## * Results of Global Regression *
## ***********************************************************************
##
## Call:
## lm(formula = formula, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.5549 -0.4475 0.1306 0.7534 5.4171
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.579491 0.234557 19.524 < 2e-16 ***
## hogremjefmuj2015 0.016727 0.005077 3.295 0.000999 ***
## log(crimen_2019) 0.087698 0.008536 10.274 < 2e-16 ***
## porcentaje_pob_servicios_salud -0.002822 0.002574 -1.096 0.273108
## porcentaje_pob_acceso_ss -0.016689 0.002565 -6.507 9.26e-11 ***
## rezago_social -0.703160 0.038453 -18.286 < 2e-16 ***
##
## ---Significance stars
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## Residual standard error: 1.483 on 2450 degrees of freedom
## Multiple R-squared: 0.3093
## Adjusted R-squared: 0.3079
## F-statistic: 219.5 on 5 and 2450 DF, p-value: < 2.2e-16
## ***Extra Diagnostic information
## Residual sum of squares: 5390.149
## Sigma(hat): 1.482051
## AIC: 8914.338
## AICc: 8914.384
## BIC: 6553.626
## ***********************************************************************
## * Results of Geographically Weighted Regression *
## ***********************************************************************
##
## *********************Model calibration information*********************
## Kernel function: bisquare
## Adaptive bandwidth: 157 (number of nearest neighbours)
## Regression points: the same locations as observations are used.
## Distance metric: Euclidean distance metric is used.
##
## ****************Summary of GWR coefficient estimates:******************
## Min. 1st Qu. Median 3rd Qu.
## Intercept -3.0648570 3.9220523 4.7755925 5.6603797
## hogremjefmuj2015 -0.0777765 0.0057677 0.0223156 0.0438807
## log(crimen_2019) -0.0528253 0.0183622 0.0391678 0.0939836
## porcentaje_pob_servicios_salud -0.0686921 -0.0105793 -0.0028595 0.0099910
## porcentaje_pob_acceso_ss -0.1067718 -0.0278628 -0.0157524 -0.0072135
## rezago_social -2.2025605 -0.7455267 -0.5057845 -0.2140323
## Max.
## Intercept 9.9606
## hogremjefmuj2015 0.1331
## log(crimen_2019) 0.2719
## porcentaje_pob_servicios_salud 0.0799
## porcentaje_pob_acceso_ss 0.0638
## rezago_social 0.9165
## ************************Diagnostic information*************************
## Number of data points: 2456
## Effective number of parameters (2trace(S) - trace(S'S)): 294.0972
## Effective degrees of freedom (n-2trace(S) + trace(S'S)): 2161.903
## AICc (GWR book, Fotheringham, et al. 2002, p. 61, eq 2.33): 8415.569
## AIC (GWR book, Fotheringham, et al. 2002,GWR p. 96, eq. 4.22): 8146.973
## BIC (GWR book, Fotheringham, et al. 2002,GWR p. 61, eq. 2.34): 7201.187
## Residual sum of squares: 3623.659
## R-square value: 0.5356917
## Adjusted R-square value: 0.4724997
##
## ***********************************************************************
## Program stops at: 2023-05-04 00:33:58El intercepto tiene un valor estimado de 4.57949, que representa el valor esperado de la variable dependiente cuando todas las variables independientes son iguales a cero.
El valor R-cuadrado de 0.3093 sugiere que aproximadamente el 30.93 % de la varianza de la variable dependiente puede explicarse por las variables independientes.
El F-statistic de 219.5 con un p-value de < 2.2e-16 sugiere que el modelo en su conjunto es estadísticamente significativo.
Los residuos tienen un valor mínimo de -8.5549 y un valor máximo de 5.4171, con una media de aproximadamente cero, lo que indica que la suposición de errores normalmente distribuidos es razonable.
Mapeo de output GWR
gwr_sf2 = st_as_sf(m.gwr2$SDF)
gwr_sf2## Simple feature collection with 2456 features and 24 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -118.4076 ymin: 14.5321 xmax: -86.71041 ymax: 32.71865
## Geodetic CRS: WGS 84
## First 10 features:
## Intercept hogremjefmuj2015 log(crimen_2019) porcentaje_pob_servicios_salud
## 0 3.517920 0.08621184 0.04665791 0.0076622301
## 1 4.461638 0.08473739 0.02553958 0.0037638611
## 2 2.994190 0.09013743 0.07950330 0.0034340540
## 3 3.589087 0.09087288 0.06544337 0.0001715673
## 4 3.918151 0.09319415 0.05651821 0.0009192429
## 5 3.993362 0.09219580 0.05245274 0.0009886000
## 6 3.070738 0.09272199 0.08487122 0.0001666924
## 7 4.255017 0.09012785 0.03918088 0.0011673969
## 8 2.637823 0.09139063 0.10558417 -0.0003432528
## 9 3.413731 0.09210259 0.07382638 -0.0001231033
## porcentaje_pob_acceso_ss rezago_social y yhat residual CV_Score
## 0 -0.01845044 -0.01352783 6.987234 5.798431 1.1888031 0
## 1 -0.02491597 0.27686592 6.771397 5.745879 1.0255181 0
## 2 -0.01490060 -0.21284135 6.615602 5.846263 0.7693390 0
## 3 -0.02243718 -0.12551921 6.741702 6.565670 0.1760325 0
## 4 -0.02316494 0.15589781 6.284016 6.725628 -0.4416122 0
## 5 -0.02465204 0.12732143 6.455303 6.736862 -0.2815586 0
## 6 -0.01569027 -0.18774268 7.326983 5.885798 1.4411841 0
## 7 -0.02781860 0.13956600 6.521996 6.155235 0.3667610 0
## 8 -0.01214897 -0.39016803 6.357757 5.177360 1.1803977 0
## 9 -0.01993830 -0.12667738 6.303898 6.549978 -0.2460803 0
## Stud_residual Intercept_SE hogremjefmuj2015_SE log(crimen_2019)_SE
## 0 0.9375075 1.876321 0.03099525 0.08541510
## 1 0.8114358 1.827819 0.03035636 0.08064994
## 2 0.6053743 1.865082 0.03190989 0.08752613
## 3 0.1428804 1.767819 0.03323395 0.08903749
## 4 -0.3637076 1.810613 0.03237590 0.08578721
## 5 -0.2320735 1.799178 0.03290365 0.08625244
## 6 1.1370093 1.819595 0.03218194 0.08879828
## 7 0.2917584 1.849283 0.03444389 0.09014064
## 8 0.9492099 1.829258 0.03234873 0.09064597
## 9 -0.2000458 1.758460 0.03248253 0.08778225
## porcentaje_pob_servicios_salud_SE porcentaje_pob_acceso_ss_SE
## 0 0.01976335 0.01882982
## 1 0.02137517 0.01855193
## 2 0.02054331 0.01843928
## 3 0.02222371 0.01735915
## 4 0.02224150 0.01779353
## 5 0.02201040 0.01747450
## 6 0.02209163 0.01822173
## 7 0.02205752 0.01755258
## 8 0.02170162 0.01836497
## 9 0.02228138 0.01746176
## rezago_social_SE Intercept_TV hogremjefmuj2015_TV log(crimen_2019)_TV
## 0 0.6727749 1.874904 2.781454 0.5462489
## 1 0.6544276 2.440963 2.791421 0.3166720
## 2 0.6212024 1.605393 2.824749 0.9083379
## 3 0.5853562 2.030234 2.734338 0.7350092
## 4 0.6222357 2.163991 2.878503 0.6588186
## 5 0.6123675 2.219548 2.801993 0.6081305
## 6 0.6013997 1.687594 2.881181 0.9557755
## 7 0.6346973 2.300901 2.616658 0.4346638
## 8 0.5793087 1.442017 2.825169 1.1647972
## 9 0.5790804 1.941318 2.835450 0.8410172
## porcentaje_pob_servicios_salud_TV porcentaje_pob_acceso_ss_TV
## 0 0.387698861 -0.9798526
## 1 0.176085693 -1.3430394
## 2 0.167161683 -0.8080904
## 3 0.007720013 -1.2925271
## 4 0.041330068 -1.3018745
## 5 0.044915124 -1.4107441
## 6 0.007545500 -0.8610745
## 7 0.052925132 -1.5848725
## 8 -0.015816920 -0.6615294
## 9 -0.005524941 -1.1418265
## rezago_social_TV Local_R2 geometry
## 0 -0.02010751 0.8536732 MULTIPOLYGON (((-99.19671 1...
## 1 0.42306580 0.8653228 MULTIPOLYGON (((-99.13301 1...
## 2 -0.34262804 0.8530821 MULTIPOLYGON (((-99.24489 1...
## 3 -0.21443218 0.8757937 MULTIPOLYGON (((-99.15718 1...
## 4 0.25054462 0.8709750 MULTIPOLYGON (((-99.1435 19...
## 5 0.20791670 0.8751116 MULTIPOLYGON (((-99.17439 1...
## 6 -0.31217622 0.8604929 MULTIPOLYGON (((-99.18906 1...
## 7 0.21989378 0.8819562 MULTIPOLYGON (((-99.11789 1...
## 8 -0.67350623 0.8517563 MULTIPOLYGON (((-99.25738 1...
## 9 -0.21875611 0.8704589 MULTIPOLYGON (((-99.16371 1...Predicción local de la variable dependiente
gwr_sf2$y_predicted <- exp(gwr_sf2$yhat)
qtm(gwr_sf2, "y_predicted")
#mapview(gwr_sf2, zcol = "y_predicted")El mapa representa la variable dependiente por municipios. Como podemos observar, la mayoría de los municipios caen en la categoría más baja de 0-500. Sin embargo, se puede observar que en la región del centro se encuentran valores que exceden y brincan hacia la siguiente categoría indicando un margen de posibilidad más alto.
Predicción local de variables explicativas estadísticamente significativas
qtm(gwr_sf2, "hogremjefmuj2015_TV")## Variable(s) "hogremjefmuj2015_TV" contains positive and negative values, so midpoint is set to 0. Set midpoint = NA to show the full spectrum of the color palette.
qtm(gwr_sf2, "porcentaje_pob_acceso_ss_TV")## Variable(s) "porcentaje_pob_acceso_ss_TV" contains positive and negative values, so midpoint is set to 0. Set midpoint = NA to show the full spectrum of the color palette.
#mapview(gwr_sf2, zcol = "hogremjefmuj2015_TV")
#mapview(gwr_sf2, zcol = "porcentaje_pob_acceso_ss_TV")El mapa presentado a continuación provee la descripción de las variables explicativas en el país. La mayoría del país contiene valores positivos bajos con valores de 2-4 en todo el país. De igual manera si existen municipios en estados de las regiones Norte y Noroeste que generan valores negativos y existen municipios minúsculos que pertenecen a la misma categoría.
Predicción local de R2
qtm(gwr_sf2, "Local_R2")
#mapview(gwr_sf2, zcol = "Local_R2")La predicción local de R al cuadrado tiene como valores más altos los estados de los municipios en la región Norte y Noroeste. Las regiones del centro y sur son las que categóricamente hablando juntaron el valor mínimo.
Residuos de regresión local
qtm(gwr_sf2, "residual")## Variable(s) "residual" contains positive and negative values, so midpoint is set to 0. Set midpoint = NA to show the full spectrum of the color palette.
#mapview(gwr_sf2, zcol = "residual")A excepción de algunos estados singulares en dispersión a lo largo del país, la mayoría de los municipios no generó valores negativos en cuanto a la regresión local lo cual indica correlación positiva.
Visualizar más de 2 variables explicativas
map_4 <- tm_shape(gwr_sf2) +
tm_polygons(col = "hogremjefmuj2015_TV", style = "quantile", palette = "BuGn", title = "P-Value de jefa de familia")
map_5 <- tm_shape(gwr_sf2) +
tm_polygons(col = "porcentaje_pob_acceso_ss_TV", style = "quantile", palette = "-BuGn", title = "P-Value de porcentaje poblacion con acceso a ss")
tmap_arrange(map_4, map_5, ncol = 2)
Podemos notar una alta concentración de valores negativos en porcentaje de población con acceso a servicio social a lo largo del país.
Los principales hallazgos basados en resultados locales.
Tabla de coeficientes GWR
gwr_table2 = apply(m.gwr2$SDF@data[,1:7], 2, summary)Coeficientes OLS
non_spatial_model2_table = coef(non_spatial_model2)Juntarlos con un row link
table33 <- rbind(gwr_table2, non_spatial_model2_table)Agregar nombre a la última fila de la pestaña
rownames(table33) [7] <- "Global"Transpose tab Resumen de modelos estimados no espaciales y GWR
table33 <- t(round(table33, 3))
table33## Min. 1st Qu. Median Mean 3rd Qu. Max.
## Intercept -3.065 3.922 4.776 4.575 5.660 9.961
## hogremjefmuj2015 -0.078 0.006 0.022 0.025 0.044 0.133
## log(crimen_2019) -0.053 0.018 0.039 0.064 0.094 0.272
## porcentaje_pob_servicios_salud -0.069 -0.011 -0.003 0.000 0.010 0.080
## porcentaje_pob_acceso_ss -0.107 -0.028 -0.016 -0.018 -0.007 0.064
## rezago_social -2.203 -0.746 -0.506 -0.510 -0.214 0.917
## y -4.605 3.185 4.072 3.786 4.864 7.327
## Global
## Intercept 5.717
## hogremjefmuj2015 0.015
## log(crimen_2019) 0.065
## porcentaje_pob_servicios_salud 0.000
## porcentaje_pob_acceso_ss -0.003
## rezago_social -0.309
## y -0.030Hallazgos
Los resultados de la regresión local que muestra la estimación del modelo GWR indican un AIC más bajo que los resultados de la regresión global espacial y no espacial. Basandonos en el AIC más bajo, seleccionamos el GWR
Jefa de familia que recibe remesas es una variable estadística mente significativa en cuanto a la detección de casos confirmados de COVID -19 en México la mayor concentración de esta variable se observa en las regiones centro norte y sur del país.
Local R2 es significativamente alta en las regiones turísticas (playas), la capital del país, Nuevo León y la zona fronteriza de Tamaulipas.
Recomendaciones
Dentro de las variables explicativas, el porcentaje de la población que tiene acceso a ss es negativo en casi todo el país. Esto demuestra que hay áreas de oportunidad para incrementar estos porcentajes en estos sectores
La dispersión entre máximo y mínimo en la variable de crimen contiene valores muy cercanos, por lo que se recomienda usar el modelo Kennel Bardwith para una transición más sencilla en la aplicación.
Como se observó en los mapas que utilizan la variable de rezago social este tiene concentraciones altas en ciertas áreas de la región norte pero una gran distribución a lo largo de la región sur por lo tanto se recomienda implementar actividades socioeconómicas que beneficien a esta región para que el rezago social tenga una distribución normal a lo largo de México.
Conclusión
En conclusión podemos determinar que los modelos de regresión no espacial y global espacial muestran resultados significativos en cuanto a la explicación de la variable predictiva en este caso tasa de covid sin embargo el modelo de regresión espacial local muestra mejores resultados en cuanto a la relación de las variables explicativas y la variable dependiente.