Estimating Residential Displacement in the Central Puget Sound Region using Household Survey Data

Este estudio propone un nuevo método basado en datos de encuestas a hogares y modelos bayesianos para estimar y analizar las tasas de desplazamiento residencial a nivel subcondal en la región del Puget Sound Central entre 2016 y 2023, revelando variaciones geográficas y una moderación temporal durante 2020-2021.

Lo esencial

Imagina que el Centro de la Región del Sound de Puget (que incluye ciudades como Seattle, Tacoma y Bellevue) es un enorme jardín comunitario. En este jardín, las plantas son las familias y sus casas. A veces, debido a que el suelo se vuelve muy caro, a que alguien quiere construir un rascacielos o a que el alquiler sube demasiado, algunas plantas son arrancadas de sus raíces y tienen que ser transplantadas a otro lugar, a menudo en condiciones peores. A esto se le llama desplazamiento residencial.

El problema es que los jardineros (los políticos y planificadores de la ciudad) no tienen un mapa exacto de qué plantas se están moviendo, a dónde van y por qué. Solo tienen datos fragmentados.

Este artículo es como un detective de datos que ha creado un nuevo método para dibujar ese mapa con mucha precisión. Aquí te explico cómo lo hicieron, usando analogías sencillas:

1. El Problema: Tres Piezas de un Rompecabezas Incompleto

Los investigadores tenían tres fuentes de información, pero ninguna era suficiente por sí sola:

• La Encuesta de Viajes (HTS): Es como tener una cámara de alta velocidad que toma fotos muy detalladas de algunas familias que se mudaron recientemente. Te dice exactamente por qué se fueron (¿fue por dinero? ¿fueron desalojados?). Pero tiene un defecto: solo toma fotos de unas pocas familias en cada vecindario. Si intentas hacer un mapa solo con estas fotos, verás muchos "huecos" negros donde no hay datos.
• La Encuesta Comunitaria Americana (ACS): Es como un globo terráqueo gigante que tiene datos de millones de personas. Te dice cuántas familias hay en cada barrio y qué características tienen (ingresos, tamaño de la familia), pero no te dice por qué se mudaron.
• La Encuesta de Vivienda (AHS): Es un informe de control de calidad muy confiable que revisa toda la región. Te dice el porcentaje general de familias desplazadas en toda el área, pero no te dice dónde exactamente ocurren (no tiene el detalle de vecindario).

2. La Solución: El "Traductor" Inteligente (El Modelo MRP)

Para unir estas piezas, los autores usaron una técnica estadística llamada Regresión Multinivel con Postestratificación (MRP). Imagina que esto es como un traductor inteligente o un chef experto:

1. El Chef (El Modelo): Toma las fotos detalladas pero escasas de la "Cámara de alta velocidad" (HTS). Aprende patrones: "Ah, las familias que alquilan y tienen bajos ingresos tienden a ser desplazadas más a menudo".
2. El Menú (La Postestratificación): Luego, toma el "Globo terráqueo" (ACS) para ver cuántas familias de cada tipo (alquiler, bajos ingresos, etc.) hay realmente en cada vecindario.
3. La Receta Final: El chef combina lo que aprendió de las pocas fotos con la cantidad real de familias en cada barrio para estimar cuántas fueron desplazadas en cada vecindario, incluso en aquellos donde no había fotos.

3. El Control de Calidad: El "Sello de Aprobación" (Benchmarking)

Había un riesgo: ¿Y si el chef se equivocó al calcular? Para evitarlo, usaron el "Informe de Control de Calidad" (AHS) como un sello de aprobación.

Imagina que el chef prepara un pastel para toda la región. Antes de servirlo, lo pesa y lo compara con el peso que dice el manual oficial (AHS). Si el pastel del chef pesa diferente al manual, el chef ajusta la receta (los cálculos) hasta que coincidan perfectamente. Esto asegura que sus mapas detallados de vecindarios sean consistentes con la realidad general.

4. ¿Qué Descubrieron? (El Mapa del Tesoro)

Al final, obtuvieron un mapa detallado que muestra dónde ocurren los desplazamientos entre 2016 y 2023:

• El Gradiente Este-Oeste: Hay una clara diferencia. En el oeste (las zonas urbanas y densas), el desplazamiento es alto (como si el viento fuerte arrancara las plantas). En el este (zonas más suburbanas y rurales), es mucho más bajo.
• El Efecto Pandemia (2020-2021): Durante la pandemia, el desplazamiento se "aplanó" temporalmente. Fue como si el viento se detuviera un momento. Probablemente fue por las leyes que prohibieron los desalojos y el apoyo económico, o porque la gente decidió no mudarse en tiempos de incertidumbre.
• Quiénes son los más vulnerables: Las familias que alquilan tienen muchas más probabilidades de ser desplazadas que las que son dueñas de su casa. Las familias con ingresos bajos y las que tienen más hijos también corren más riesgo. Curiosamente, tener más de un coche parece proteger un poco a las familias (quizás indica más estabilidad económica).

5. ¿Por qué es importante?

Antes, los políticos tenían que adivinar o usar mapas borrosos. Ahora, tienen un termómetro de alta precisión para cada vecindario.

• Para los políticos: Pueden ver exactamente qué barrios necesitan ayuda urgente (como leyes de protección al inquilino o vivienda asequible).
• Para el futuro: Este método es como una caja de herramientas reutilizable. Si otra ciudad tiene una encuesta de viajes local, pueden usar la misma receta para crear sus propios mapas de desplazamiento.

En resumen, los autores tomaron datos imperfectos y escasos, los mezclaron con inteligencia estadística y los ajustaron con datos confiables para crear un mapa claro que ayuda a proteger a las familias que están en riesgo de perder sus hogares.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los componentes solicitados:

Título: Estimación del Desplazamiento Residencial en la Región Central de Puget Sound utilizando Datos de Encuestas de Hogares

1. Planteamiento del Problema

El desplazamiento residencial es un desafío crítico de vivienda en Estados Unidos, donde los hogares son forzados a mudarse debido a factores fuera de su control (aumento de alquileres, desalojos, demolición, etc.). Aunque los responsables políticos necesitan monitorear este fenómeno para diseñar intervenciones, existen barreras significativas para medirlo a nivel local:

• Definición y Datos: La definición estándar (Grier y Grier, 1978) es amplia, pero las fuentes de datos principales como la American Community Survey (ACS) no preguntan directamente las razones de la mudanza.
• Limitaciones de Granularidad: La American Housing Survey (AHS) sí pregunta por las razones de la mudanza, pero solo reporta datos a nivel de grandes áreas metropolitanas, careciendo de la granularidad geográfica necesaria para la planificación urbana local.
• Escasez de Muestras: Las encuestas locales, como la Household Travel Survey (HTS) del Consejo Regional de Puget Sound, contienen preguntas sobre desplazamiento y geolocalización detallada (PUMA), pero las muestras de hogares que se mudaron recientemente son demasiado pequeñas a nivel de subáreas (PUMA) para realizar estimaciones directas fiables.

2. Metodología Propuesta

Los autores proponen un enfoque innovador que integra tres fuentes de datos mediante un modelo jerárquico bayesiano y postestratificación (MRP - Multilevel Regression and Poststratification). El proceso consta de tres etapas principales:

• Fuentes de Datos:

  1. HTS (Encuesta de Viajes del Hogar): Proporciona la variable de resultado (desplazamiento) y covariables demográficas a nivel de hogar, pero con muestras pequeñas por PUMA.
  2. ACS (Encuesta de la Comunidad Americana): Proporciona datos de población granulares para la postestratificación (pesos poblacionales) y covariables a nivel de PUMA.
  3. AHS (Encuesta de Vivienda Americana): Sirve como referencia de alta calidad ("benchmark") para las estimaciones agregadas a nivel regional.

• Modelo Estadístico (Etapa 1):
  Se ajusta un modelo de regresión logística bayesiana espaciotemporal a los datos de la HTS.

  • Efectos Fijos: Tamaño del hogar, ingresos, número de vehículos, presencia de hijos, tenencia (alquiler/propiedad) y raza.
  • Efectos Aleatorios:
    • Temporal: Un paseo aleatorio de primer orden (RW1) para suavizar las cohortes de mudanza (2016-2023).
    • Espacial: Un modelo BYM2 (Besag, York and Mollié) que captura la dependencia espacial entre PUMAs adyacentes y la heterogeneidad no estructurada.
    • Encuesta: Un efecto aleatorio independiente para capturar sesgos sistemáticos entre las oleadas de la HTS.

• Postestratificación (Etapa 2):
  Se calculan las probabilidades de desplazamiento para cada "celda" definida por la combinación de covariables dentro de cada PUMA y cohorte. Estas estimaciones se agregan utilizando pesos poblacionales derivados de la ACS para obtener estimaciones representativas a nivel de PUMA.

• Calibración / Benchmarking (Etapa 3):
  Para garantizar la consistencia con la realidad regional, se aplica un método de rechazo bayesiano (Okonek y Wakefield, 2024). Se filtran las muestras posteriores del modelo MRP que no son consistentes con las estimaciones agregadas de desplazamiento obtenidas directamente de la AHS para la región completa. Esto penaliza las desviaciones grandes y asegura que la suma de las estimaciones locales coincida con la estimación regional de alta calidad.

3. Contribuciones Clave

• Integración de Datos: Es la primera vez que se integra la HTS, ACS y AHS en un flujo de trabajo MRP espaciotemporal para estimar el desplazamiento residencial a nivel subcondal.
• Resolución Geográfica: Logra estimaciones a nivel de PUMA (áreas de microdatos de uso público), superando la limitación de granularidad de la AHS.
• Rigor Estadístico: Utiliza un marco bayesiano completo que cuantifica la incertidumbre (intervalos creíbles) y valida el modelo mediante validación cruzada "leave-one-area-out", demostrando que el modelo propuesto tiene el menor error cuadrático medio y una mejor calibración de incertidumbre que modelos sin efectos espaciales o temporales.
• Transferibilidad: La metodología es aplicable a otras jurisdicciones que cuenten con una encuesta local que incluya preguntas sobre razones de mudanza.

4. Resultados Principales

• Patrones Geográficos: Se observa una clara gradiente este-oeste y norte-sur. Las tasas de desplazamiento son más altas en el oeste urbano (especialmente en el suroeste de King County, desde Seattle hacia el sur) y más bajas en las zonas suburbanas/rurales del este.
• Efecto de la Pandemia (2020-2021): La cohorte de mudanzas de 2020-2021 muestra una moderación temporal en las tasas de desplazamiento. Esto podría deberse a moratorias de desalojo, apoyos de ingresos o cambios en el comportamiento de los hogares que evitaban mudanzas durante la incertidumbre.
• Factores de Riesgo (Covariables):
  • Tenencia: Los inquilinos tienen un 2.17 veces más probabilidades de ser desplazados que los propietarios (mismo perfil demográfico).
  • Ingresos: Los hogares de bajos ingresos tienen un riesgo significativamente mayor, escalando con la brecha de ingresos.
  • Tamaño del Hogar: Los hogares grandes (3+ personas) tienen mayor riesgo que las personas solas o parejas.
  • Vehículos: Los hogares con 2+ vehículos tienen menor riesgo.
  • Raza: Al controlar por otras variables, la raza tiene un efecto limitado, excepto la categoría "Otra", que muestra un riesgo ligeramente mayor.
• Incertidumbre: Los intervalos creíbles del 95% varían entre 10% y 25%. La incertidumbre es mayor en las cohortes 2018-2019 y 2022-2023, posiblemente debido a la falta de datos de encuestas múltiples o a la volatilidad post-pandemia.

5. Significado e Implicaciones

• Herramienta para Políticas Públicas: Proporciona a los planificadores y responsables políticos una herramienta de alta resolución para identificar áreas críticas de desplazamiento y dirigir intervenciones (como protecciones de inquilinos o vivienda asequible) donde más se necesitan.
• Monitoreo Pasivo: Permite monitorear las tendencias de desplazamiento a lo largo del tiempo sin necesidad de encuestas dedicadas costosas y complejas en cada ciclo, siempre que se integren preguntas en encuestas existentes.
• Limitaciones y Futuro: El estudio reconoce que la definición de desplazamiento podría ser más matizada (ej. presión social vs. fuerza económica) y que la estimación a nivel de barrio (census tract) aumentaría la incertidumbre. Sin embargo, establece un precedente metodológico robusto para medir un fenómeno social complejo utilizando datos administrativos y de encuestas existentes.

En resumen, el artículo demuestra que es posible superar la escasez de datos locales mediante la fusión estadística inteligente de múltiples fuentes, ofreciendo una visión detallada y cuantificada del desplazamiento residencial que antes era inalcanzable para los planificadores urbanos.