Spatial Non-Stationarity and Wealth Accumulation: Multiscale Regression of Locational Endowments in a Heterogeneous Metropolitan County

Resumen Técnico: No Estacionariedad Espacial y Acumulación de Riqueza en un Condado Metropolitano Heterogéneo

Planteamiento del Problema
El estudio aborda las limitaciones de los modelos de regresión global para capturar la estructura espacial de la riqueza de los hogares dentro de condados metropolitanos medianos y heterogéneos. Los modelos tradicionales asumen una estacionariedad espacial, postulando que la relación entre los atributos locacionales (p. ej., amenidades, calidad ambiental, infraestructura) y los resultados económicos es uniforme en toda una región. Sin embargo, la literatura de econometría espacial sugiere que estas relaciones son frecuentemente no estacionarias, variando significativamente según los contextos locales. Si bien la Regresión Geográficamente Ponderada (GWR) se ha aplicado a los precios de la vivienda y los ingresos, existe una escasez de investigaciones a escala fina que examinen la riqueza compuesta de los hogares —que abarca el capital de la vivienda, los flujos de ingresos y los activos financieros— en entornos no costeros y de tamaño medio donde convergen los gradientes urbanos, suburbanos y rurales. Esta investigación tiene como objetivo cuantificar cómo las condiciones de idoneidad locacional moldean la riqueza de los hogares a una alta resolución espacial y determinar si estas relaciones operan en escalas espaciales distintas.

Metodología
La investigación emplea un robusto marco de econometría espacial centrado en la Regresión Multiescala Geográficamente Ponderada (MGWR), aplicada a un condado metropolitano de tamaño mediano en el suroeste de los Estados Unidos.

• Datos y Marco Espacial: El análisis utiliza 4,067 unidades hexagonales regulares (cada una con una cobertura aproximada de 0.3 millas cuadradas) para teselar el área de estudio. Esta cuadrícula hexagonal minimiza el Problema de la Unidad de Área Modificable (MAUP) y la distorsión de la forma asociada con los límites administrativos, mientras que los censos y los grupos de bloques reflejan procesos administrativos en lugar de ecológicos o sociales e introducen sesgos de agregación. Las fuentes de datos incluyen la Encuesta de la Comunidad Estadounidense (ACS) de 2016–2020, NASA GES DISC, EPA, USGS y registros locales de SIG. Las variables cubren sociodemografía, calidad ambiental (PM2.5, CO2, elevación) y accesibilidad (distancias a escuelas, hospitales, parques, autopistas, etc.).
• Variable Dependiente: Se construyó un índice compuesto de riqueza de los hogares mediante el Análisis de Componentes Principales (PCA) combinando el valor de la vivienda mediana, el ingreso del hogar y los ingresos por activos (intereses, dividendos, rentas). Este índice explica aproximadamente el 72% de la varianza en el patrimonio neto de los hogares en comparación con los referentes de la Encuesta de Finanzas de los Consumidores.
• Análisis Exploratorio de Datos Espaciales (ESDA): Previo al modelado, el estudio realizó diagnósticos que incluyeron mapas de calor de correlación, verificaciones del Factor de Inflación de la Varianza (VIF) y pruebas de autocorrelación espacial global y local (Moran's I y LISA). El Moran's I global confirmó una fuerte dependencia espacial positiva (I = 0.510, p < 0.001), validando la necesidad de un modelado espacialmente explícito.
• Enfoque de Modelado: El estudio compara tres marcos: OLS global (Mínimos Cuadrados Ordinarios), modelos econométricos espaciales globales (Lag Espacial y Error Espacial) y MGWR.
  • Especificación de MGWR: A diferencia de la GWR estándar, que impone un único ancho de banda para todos los predictores, la MGWR permite que cada predictor opere en su propia escala espacial óptima. El modelo se formula como: $y_i = \beta_0(u_i) + \sum \beta_k(u_i, b_k)x_{ik} + \varepsilon_i$, donde $b_k$ representa los anchos de banda específicos de cada variable.
  • Estimación: Los anchos de banda se seleccionaron mediante la optimización basada en datos que minimiza el Criterio de Información de Akaike corregido (AICc). Un kernel bi-cuadrático adaptativo definió los pesos espaciales, y se utilizó un algoritmo de retroajuste iterativo (a través de la biblioteca mgwr de Python) para la estimación.

Resultados Clave

1. Desempeño del Modelo: El MGWR superó significativamente a las alternativas globales. Logró un $R^2$ de 0.989 en comparación con el 0.873 del OLS y aproximadamente 0.90 para los modelos de lag/error espacial. Crucialmente, el MGWR eliminó eficazmente la autocorrelación espacial de los residuos (Residual Moran's I $\approx$ 0.02, p = 0.214), mientras que los modelos globales dejaron una agrupación residual significativa (Moran's I > 0.18, p < 0.05).
2. Heterogeneidad y No Estacionariedad Espacial: El análisis confirmó que los determinantes de la riqueza exhiben una sustancial no estacionariedad espacial.
   • Diferenciación de Escala: Los predictores operan en escalas espaciales distintas. Las variables relacionadas con los ingresos funcionan en escalas regionales amplias (anchos de banda > 100 vecinos), reflejando la dinámica del mercado laboral y de la vivienda. Las variables ambientales y de tránsito operan en escalas hiperlocales más finas (anchos de banda < 30 vecinos), gobernadas por condiciones específicas del vecindario.
   • Variación de Coeficientes: Varios predictores exhibieron reversiones de signo a través del área de estudio. Por ejemplo, la distancia a parques y hospitales se asoció negativamente con la riqueza en los núcleos urbanos densos (donde la proximidad es una amenidad), pero se asoció positivamente en las áreas periurbanas (donde la distancia actúa como un proxy de menor densidad y reducción de congestión). Del mismo modo, los efectos de la contaminación del aire variaron de negativos cerca de los corredores de alto tráfico a neutros o positivos en zonas de bajo tráfico.
3. Agrupamiento de la Riqueza: Los Indicadores Locales de Asociación Espacial (LISA) identificaron grupos persistentes de "alto-alto" en los suburbios de las colinas afluentes y grupos de "bajo-bajo" en el núcleo urbano y las regiones del suroeste, reforzando las teorías de la estratificación espacial duradera.

Significancia y Contribuciones
El artículo reclama tres contribuciones primarias:

• Empírica: Proporciona una evaluación detallada de la heterogeneidad de la riqueza en un condado metropolitano de tamaño medio y no costero, un entorno subrepresentado en la literatura existente de economía espacial. Demuestra que la riqueza no es simplemente una función de las características individuales, sino que está profundamente estructurada por mecanismos basados en el lugar que varían a través de los gradientes urbano-rurales.
• Metodológica: El estudio ilustra la capacidad de la MGWR para desentrañar procesos que operan a escalas regionales, de vecindario e hiperlocales dentro de un único marco analítico. Valida que asumir una única escala espacial (como en la GWR) o una estacionariedad espacial (como en el OLS) oscurece las variaciones locales críticas en los retornos de los atributos locacionales.
• Política: Los resultados ofrecen una base de evidencia espacialmente explícita para intervenciones de política diferenciadas. Los hallazgos sugieren que las políticas uniformes de infraestructura o ambientales pueden ser ineficaces o contraproducentes. En su lugar, las intervenciones relativas a la inversión en amenidades, la remediación ambiental y la provisión de servicios deben estar dirigidas espacialmente para dar cuenta de los retornos específicos de régimen a la idoneidad locacional.

Limitaciones
Los autores señalan que el diseño transversal apoya el análisis de asociación espacial, pero no puede establecer la dirección causal. Además, aunque el marco de la cuadrícula hexagonal reduce el MAUP, la agrupación residual en las zonas de transición sugiere la presencia de procesos hiperlocales no modelados. Se sugiere que trabajos futuros aborden la endogeneidad mediante estrategias de identificación espacial e incorporen datos longitudinales para capturar la evolución de las dinámicas.