Modelo Lineal Generalizado con respuesta Beta para estudiar el Índice de Escasez Hídrica en el Caribe colombiano incluyendo efectos espaciales

Contenido principal del artículo

Autores

Miguel Alejandro González Ruiz
Luis Eduardo Gómez Daza
Luis Fernando Santa Guzmán

Resumen

El análisis de datos espaciales contempla la inspección, selección y transformación de datos, con el fin de mostrar información útil. Este artículo busca explicar, por medio del análisis de datos espaciales, el comportamiento y la distribución del índice de escasez hídrico en la región del caribe colombiano. Se hace una selección de variables: distribución del recurso, características sociodemográficas y distribución del recurso en términos de la cantidad de precipitación, se emplean técnicas para evaluar la presencia de dependencia espacial, las cuales demuestran que es necesario, luego de aplicar un análisis exploratorio de datos, incluir efectos espaciales en la estimación de los parámetros de los modelos estadísticos.

Detalles del artículo

Licencia

http://creativecommons.org/

Al enviar los artículos para su evaluación, el(los) autor(es) acepta(n) que transfiere(n) los derechos de publicación a la revista Perspectiva Geográfica, a efectos de su publicación en cualquier formato o medio y se firmará la licencia de uso parcial anexa. Para aumentar su visibilidad, los documentos se envían a bases de datos y sistemas de indización, asimismo pueden ser consultados en la página web de la revista y en las bases de datos de:

AcademicKeysActualidad IberoamericanaCLASEDialnetEmerging Sources Citation IndexJournals & Authors, JournalTOCsLatindexPublindex - Categoria BREDIB, Scielo

Perspecitva Geográfica está registrada bajo una licencia Creative Commons Attribution 4.0 International 

Esta licencia permite a otros distribuir, mezclar, ajustar y construir a partir de su obra, incluso con fines comerciales, siempre que le sea reconocida la autoría de la creación original. 

Perspectiva Geográfica es una revista de acceso abierto, lo que significa que todo el contenido está disponible gratuitamente sin cargo para el usuario o su institución. Se permite a los usuarios leer, descargar, copiar, distribuir, imprimir, buscar o vincular a los textos completos de los artículos, o utilizarlos para cualquier otro propósito legal, sin pedir permiso previo del editor o autor. Esto está de acuerdo con la definición de BOAI de acceso abierto.

Perspectiva Geográfica  no cobra cargos por publicar a los autores ni por el proceso de edición de los artículos. 

 

Referencias

Alam, K. (2015). Farmers adaptation to water scarcity in drought–prone environments: A case study of Rajshahi District, Bangladesh. Agricultural Water Management,148, pp. 196-206.

Anselin, T. (1988). Spatial econometrics: methods and models. Springer Science & Business Media, 4.

Branscum, A. J., Johnson, W. O., & Thurmond, M. C. (2007). Bayesian beta regression: applications to household expenditure data and genetic distance between foot–and–mouth disease viruses. Journal of Australian & New Zealand, pp. 287-301.

Costa, C., Domínguez, E., Gonzalo, H., & Vanegas, R. (2005). El índice de escasez de agua ¿Un indicador de crisis o una alerta para orientar la gestión del recurso hídrico? Revista de Ingeniería, (22), 104-111.

DANE – Departamento Administrativo Nacional de Estadística. (2005). Censo general 2005. Recuperado de: http://www.dane.gov.co/index.php/poblacion-y-registros-vitales/censos/censo-2005

DNP – Departamento Nacional de Planeación. (2013). Gestión del Sector de Planeación Nacional 2013-2014. Recuperado de: https://colaboracion.dnp.gov.co/CDT/DNP/
Gesti%C3%B3n%20Sector%20Planeaci%C3%B3n%20Nacional%202013-2014.pdf

Eskelson, B. N., Madsen, L., Hagar, J. C., & Temesgen, H. (2011). Estimating riparian understory vegetation cover with beta regression and copula models. Forest Science, 57,(3) 212-221.

FAO. (2013). Afrontar la escasez de agua. Organización de las naciones unidas para la alimentación y la agricultura. Recuperado de: http://www.fao.org/3/a-i3015s.pdf

Ferrari, S., & Cribari-Neto, F. (2004). Beta regression for modelling rates and proportions. Journal of Applied Statistics, 31(7), 799-815.

Fotheringham, S., Charlton, M., & Brundsdon, C. (2001). Spatial variations in school performace: a local analysis using geographically weighted regression. Geographical & Environmental Modelling, 5(1), 43-66.

García, J. C., Gutiérrez, J., & Cardozo, D. (2012). Regresión Geográficamente Ponderada (GWR) y estimación de la demanda de las estaciones del Metro de Madrid. XV Congreso Nacional de Tecnologías de la Información Geográfica.

Hadayeghi, A., Shalaby, A. S., & Persaud, B. N. (2010). Development of planning level transportation safety tools using geographically weighted poisson regression. Accident Analysis and Prevention, pp. 676-688.

IDEAM. (2010). Estudio Nacional del Agua. Recuperado de: http://documentacion.ideam.gov.
co/openbiblio/bvirtual/023080/ENA_2014.pdf

IGAC – Instituto Geográfico Agustín Codazzi. (2009). Sistema de Información Geográfica para la Planeación y el Ordenamiento Territorial (Infraestructura Colombiana de Datos Espaciales). Recuperado de: http://sigotn.igac.gov.co/sigotn/

Jaramillo-Mosqueira, L. A. (2005). Evaluación econométrica de la demanda de agua de uso residencial en México. El Trimestre Económico, LXXII(2), 367-390.

Jun, K. S., Chung, E., Sung, J. Y., & Lee, K. S. (2011). Development of spatial water resources vulnerability index considering climate change impacts. Science of the total environment,
409(24), 5228–5242.

Kahil, M. T., Dinar, A., & Albiac, J. (2015). Modeling water scarcity and droughts for policy adaptation to climate change in arid and semiarid regions. Journal of Hydrology, 522, 95-109.

Knoche, M., Fischer, C., Pohl, E., Krause, P., & Merz, R. (2014). Combined uncertainty of hydrological model complexity and satellite – based forcing data evaluated in two datascarce semi-arid catchments in ethiopia. Journal of hidrology, 519, 2049–2066.

Lewis-Beck, M., Bryman, A., & Liao, T. (2003). The SAGE Encyclopedia of Social Science Research Methods. SAGE Publications.

Lloyd, C. D., & Shuttleworth, I. (2005). Analysing commuting using local regression techniques: scale, sensitivity, and geographical patterning. Environment and Planning, 37(1), pp. 81-103.

Lvovitch, M. (1986). Water and life. Moscow: Pub House “Mysl”.
Mennis, J. (2006). Mapping the results of geographically weighted regression. Cartographic Journal, 43, pp. 171-179.

Moreno, S., & Estrada, L. (2013). Análisis Espacial de la Pobreza Multidimensional en Colombia a Partir del Censo de Población de 2005. CANDANE, Centro Andino de altos Estudios.
Recuperado de: http://www.dane.gov.co/candane_2014/files/Analisis%20Espacial%20 de%20Pobreza.pdf

Plan de Acción. (2012). Síntesis Ambiental II. Desarrollo con Sostenibilidad Ambiental.

Portero, I. S., & Agulló, F. A. (2002). Agua y producción agrícola: un análisis econométrico del caso de Murcia. Revista española de estudios agrosociales y pesqueros, (197), 129-158.

R Core Team. (2015). R: The R Project for Statistical Computing. R versión 3.2.1.

Romero, H. A., & Ortiz, L. F. (2008). Ajuste metodológico al índice de escasez de agua propuesto por el IDEAM en el plan de ordenación y manejo de la cuenca del río Pamplonita, Norte de
Santander, Colombia. Revista Colombia Foresta, 11, 165-174.

Sarmiento & Murcia (2015). Modelos bayesianos para el comportamiento del cáncer gástrico en Colombia para el período 2005-2012 (Tesis de pregrado). Universidad Distrital Francisco José de Caldas.

SUI, S. Ú. (2014). Registros del Sistema único de Información de Servicios Públicos (SUI) del Gobierno Nacional. Recuperado de: http://www.sui.gov.co/SUIAuth/portada. jsp?servicioPortada=1

UMATA, U. (2012). Informe de Gestión Ambiental 2012. Luruaco, Atlántico, Colombia.

UNESCO. (2015). The United Nations World Water Development Report 2015: Water for a Sustainable World. United Nations Educational, Scientific and Cultural Organization.

Descargas

La descarga de datos todavía no está disponible.

Artículos más leídos del mismo autor/a