Spatiotemporal Autoregressive Models for Areal Compositional Data

1. Planteamiento del Problema

Los datos composicionales (por ejemplo, las cuotas de mercado de sectores económicos o la distribución de tipos de transacciones inmobiliarias en una región) presentan una estructura de dependencia intrínseca: sus componentes son proporciones que suman una constante (generalmente 1 o 100%). Esta restricción de suma constante sitúa a los datos en un simplejo, no en un espacio euclidiano estándar.

El problema central abordado en el artículo es la ausencia de modelos estadísticos adecuados para analizar datos composicionales areales espaciotemporales. La literatura existente cubre:

• Análisis de datos composicionales estáticos.
• Modelos espaciotemporales para datos escalares (no composicionales).
• Modelos condicionales autoregresivos (CAR) para datos espaciales composicionales.

Sin embargo, falta un marco unificado que modele simultáneamente:

1. La dependencia temporal (autocorrelación en el tiempo).
2. La dependencia espacial (interacción entre regiones vecinas).
3. Las interacciones entre componentes dentro de la composición.
4. La geometría del simplejo (respetando la restricción de suma constante).

Los métodos convencionales suelen ignorar la geometría del simplejo o no capturan la dinámica conjunta espacio-tiempo en datos de panel multivariante.

2. Metodología Propuesta

Los autores proponen un Modelo Autoregresivo Simultáneo Multivariante Espaciotemporal (MSAR) adaptado específicamente para datos composicionales.

A. Transformación Geométrica

Para manejar las restricciones del simplejo, el modelo opera en un espacio euclidiano mediante transformaciones log-ratio:

• Se utiliza la Transformación Log-Ratio Isométrica (ilr). Esta transformación mapea el simplejo $S^D$ a un espacio euclidiano $\mathbb{R}^{D-1}$, preservando la estructura métrica (isomorfismo isométrico).
• Esto evita problemas de singularidad en las matrices de covarianza que surgen con la transformación log-ratio centrada (clr) y permite el uso de técnicas estadísticas estándar en el espacio transformado.

B. Estructura del Modelo

Sea $Z_t$ la matriz de composiciones en el tiempo $t$ para $n$ unidades espaciales. Tras aplicar la transformación $Y_t = \text{ilr}(Z_t)$, el modelo se define como:

$$Y_t = \sum_{i=1}^q X_{t,i}\beta_i + W Y_t \Psi + \sum_{\ell=1}^L Y_{t-\tau_\ell}\Pi_\ell + E_t$$

Donde:

• $Y_t$: Matriz $n \times (D-1)$ de respuestas transformadas.
• $W$: Matriz de pesos espaciales (conocida, ej. adyacencia).
• $\Psi$: Matriz de coeficientes de dependencia espacial contemporánea (captura efectos directos e indirectos entre componentes).
• $\Pi_\ell$: Matrices de coeficientes para retardos temporales $\tau_\ell$ (capturan persistencia temporal y efectos cruzados entre componentes a lo largo del tiempo).
• $X_{t,i}$: Regresores exógenos.
• $E_t$: Término de error con distribución i.i.d.

C. Estimación y Propiedades Teóricas

• Estimador: Se utiliza un enfoque de Máxima Verosimilitud Cuasi (QML).
• Identificabilidad y Consistencia: Los autores demuestran teóricamente que, bajo un conjunto de supuestos (estacionariedad, momentos finitos, condiciones de estabilidad espectral para la matriz de pesos espaciales y temporal), el estimador QML es consistente y asintóticamente normal cuando tanto el número de regiones ($n$) como el número de periodos temporales ($T$) tienden a infinito.
• Inferencia: Se proporcionan fórmulas para errores estándar robustos (tipo "sandwich" o HAC) para manejar posibles desviaciones de la normalidad o dependencia residual no capturada.

3. Contribuciones Clave

1. Marco Unificado: Es el primer modelo que integra explícitamente la dinámica espaciotemporal multivariante con las restricciones geométricas de los datos composicionales en un marco de panel de datos.
2. Generalización Teórica: Extiende los modelos autoregresivos espaciotemporales univariantes y los modelos MSAR espaciales al dominio composicional, estableciendo condiciones de identificación y propiedades asintóticas rigurosas.
3. Interpretabilidad en el Simplejo: Propone un método para traducir los coeficientes lineales del espacio ilr de vuelta al simplejo original, calculando efectos marginales locales y efectos de derrame (spillovers) que respetan la restricción de suma unitaria. Esto permite interpretar cómo un choque en una región afecta las cuotas de mercado de otras regiones y componentes.
4. Validación Empírica: Demuestra la utilidad del modelo en dos contextos económicos reales con escalas espaciotemporales distintas.

4. Resultados Empíricos

El modelo se aplicó a dos estudios de caso:

Caso 1: Mercado Inmobiliario de Berlín (1995-2015)

• Datos: Composición mensual de transacciones (terrenos desarrollados, no desarrollados y condominios) en 24 códigos postales.
• Hallazgos:
  • Persistencia Temporal: Existe una fuerte persistencia temporal (retardos de 1, 6 y 12 meses), indicando estacionalidad y inercia en el mercado.
  • Dependencia Espacial: Se detectó una dependencia espacial moderada pero significativa, concentrada principalmente en la transición entre terrenos desarrollados y condominios.
  • Dinámica: Los choques locales provocan una reasignación rápida hacia condominios y una disminución relativa de terrenos no desarrollados. Los efectos de derrame espacial existen pero son secundarios frente a la dinámica interna del distrito.

Caso 2: Sectores Económicos en España (2012-2021)

• Datos: Composición anual de empresas en 2,793 municipios (Servicios, Industria, Construcción).
• Hallazgos:
  • Persistencia Extrema: La evolución de la composición sectorial es altamente persistente (coeficientes autoregresivos cercanos a 0.96), lo que indica cambios muy lentos en la estructura económica local.
  • Ausencia de Dependencia Espacial: A diferencia de Berlín, no se encontraron efectos de derrame espaciales significativos entre municipios vecinos. La dinámica es puramente temporal y local.
  • Ajuste: El modelo explica más del 90% de la variación temporal en las composiciones transformadas.

5. Significado e Impacto

Este trabajo es fundamental para la econometría espacial y el análisis de datos económicos estructurales porque:

• Supera las limitaciones de los modelos tradicionales: Evita la distorsión estadística que ocurre al tratar datos composicionales como variables independientes o al ignorar la restricción de suma constante.
• Herramienta de Política Pública: Permite a los planificadores urbanos y economistas entender no solo cómo evoluciona un sector en una región, sino cómo los cambios en una zona afectan a sus vecinas (efectos de contagio) y cómo interactúan diferentes sectores entre sí a lo largo del tiempo.
• Flexibilidad: El marco es aplicable a cualquier dominio donde los datos sean composicionales y espaciotemporales, como ecología (distribución de especies), demografía (estructura de edad) o epidemiología (distribución de enfermedades).

En conclusión, Eckardt y Otto proporcionan una solución metodológica robusta y teóricamente fundamentada para modelar la compleja interacción entre espacio, tiempo y estructura composicional en sistemas económicos regionales.