MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE
REGRESIÓN LOGÍSTICA PARA EL ANÁLISIS DEL RIESGO AGRÍCOLA EN LA ZONA SUD DEL
DEPARTAMENTO DE POTOSÍ
Contenido
I.1 Antecedentes económicos respecto al riesgo agrícola
I.2 Aspectos legales que abordan el análisis del riesgo
agrícola
I.4 Amenazas en la zona sud
del departamento de Potosí.
II. El Modelo logístico:
análisis teórico de resultados del modelo logístico,
II.1 Regresión logística
simple
II.1.1 Interpretación de los coeficientes del
modelo estimado
II.1.2 Bondad de ajuste en la regresión logística
II.2 Operacionalización de las variables del estudio
II.3 Generación del modelo
de Regresión logística.
III. Referencias bibliográficas
MODELO DE
REGRESIÓN LOGÍSTICA PARA EL ANÁLISIS DEL RIESGO AGRÍCOLA EN LA ZONA SUD DEL DEPARTAMENTO
DE POTOSÍ
I.
Introducción
Se
tiene entre las principales políticas públicas de Bolivia, la puesta en marcha
de un Sistema de Alerta Temprana en todo el territorio, para mitigar los
efectos adversos en la población y la economía nacional. Sin embargo, no se aplican usualmente métodos
estadísticos que en términos probabilísticos modelen el riesgo agrícola de
manera específica y sistemática, por tanto, surge la inquietud científica de
usar la regresión logística binaria en la determinación del riesgo agrícola en
la zona sud del departamento de Potosí.
Bolivia
con su variedad de climas, relieves topográficos y extenso territorio se ubica
en el centro de América del Sur con una superficie de 1.098.581 kilómetros
cuadrados y no tiene acceso a costa marítima alguna. Su territorio cuenta con una extraordinaria
diversidad de ecosistemas que concentran entre el 35% y 45% de la diversidad
biológica del planeta.
De
acuerdo a datos difundidos en el Boletín meteorológico del departamento de
Potosí, se conoce que en los años 2013 – 2014 las inundaciones afectaron a
220.000 personas, representando esta afectación el 1,5 % del Producto Interno
Bruto del país.
Siendo
extenso el territorio del departamento de Potosí, resulta una labor difícil
generalizar y predecir los sucesos climáticos en la región y alertar acerca de
la presencia de eventos climáticos que dañen y afecten los cultivos y la vida
cotidiana de los pobladores de las provincias Nor Chichas, Sud Chichas y
Modesto Omiste, no existe información específica al respecto y menos se conoce
acerca de pronósticos para enfrentar las situaciones adveras por factor clima
en la zona.
Caracteriza
a la zona sud del departamento de Potosí, un rango de alturas entre 2400 y 4000
msnm, comprendidas entre 8oC y 19oC, cuenta con una
superficie de 19.765 km2 que representa el 16.7% del departamento,
gran parte de esta zona está dominada por una fisiografía montañosa a colinosa,
con valles estrechos templados, sobre áreas pendientes y terrazas aluviales;
solo en determinados sectores como Parinolque, Berque y Mojo, presentan llanuras.
En
cuanto a su vocación productiva, la zona sud de Potosí destaca por los
cereales, hortalizas, tubérculos y frutales de tipo mediterráneo, ofreciendo
también, potencialidad para la producción de ovinos y caprinos.
Su
sistema hidrográfico pertenece a la cuenca del Plata, cuyos afluyentes al río
Pilcomayo son: Río Tumusla, San Juan del Oro, Vitichi, Toropalca, Cotagaita,
Blanco, Quechisla, Mochará, Tupiza, Etc. (Boletín Meteorológico Del
Departamento de Potosí, 2003)
De una población de estudio de 450
comunidades pertenecientes a la zona Sud, se seleccionaron 68 comunidades, las
cuales tienen las variables de interés para el estudio, dicha muestra
representa el 15% de la zona sur del departamento de Potosí.
TABLA: COMUNIDADES INVESTIGADAS, 2013 al 2017.
Provincia |
N° de comunidades |
Porcentaje |
Modesto Omiste |
7 |
10% |
Nor Chichas |
49 |
72% |
Sud Chichas |
12 |
18% |
Total |
68 |
100% |
Fuente:
Elaboración propia, 2019
Se cuenta con datos: Sociodemográficos,
de eventos climáticos y datos agrícolas, por tanto, se analiza el riesgo
agrícola en función de estos 3 factores, cuyos datos se recolectaron en base a
registros administrativos de fuente oficial.
TABLA 3.4 : PRINCIPALES
EMERGENCIAS CLIMÁTICAS REPORTADAS EN BOLIVIA, 2002 – 2008
Tipo de evento |
2002 |
2003 |
2004 |
2005 |
2006 |
2007 |
2008(p) |
Inundación |
353 |
810 |
448 |
278 |
868 |
1.191 |
1.085 |
Sequía |
351 |
43 |
451 |
151 |
16 |
651 |
151 |
Helada |
66 |
5 |
153 |
132 |
121 |
1.259 |
451 |
Granizada |
311 |
67 |
261 |
74 |
194 |
695 |
413 |
Deslizamiento, mazamorra |
20 |
24 |
23 |
11 |
36 |
31 |
84 |
Viento hurcanado |
46 |
4 |
56 |
30 |
8 |
52 |
13 |
Incendio |
39 |
15 |
44 |
105 |
33 |
30 |
24 |
Plaga |
1.186 |
968 |
1.436 |
781 |
1.276 |
3.909 |
2.230 |
Sub total por emergencias climáticas |
1.186 |
968 |
1.436 |
781 |
1.276 |
3.909 |
2.230 |
Otras emergencias |
|
|
8 |
2 |
2 |
4 |
15 |
Total |
1.186 |
968 |
1.444 |
783 |
1.278 |
3.913 |
2.245 |
Fuente: VIDECI. INE, 2010 (P) preliminar
Se observa que el año 2002 y 2007 Potosí
es el segundo departamento que registra más eventos climáticos adversos, el
2003, 2005, 2006 y 2008 es el tercer departamento con mayor registro de eventos
climáticos adversos, y el año 2004 es el departamento con el mayor reporte de
eventos climáticos adversos.
I.1 Antecedentes económicos respecto al
riesgo agrícola
Las proyecciones
sobre el crecimiento del PIB per cápita del estudio muestran que la tasa de
crecimiento aumentará 2% por año al principio del periodo de proyección hasta
3% al final. El hecho que esta tasa tienda a aumentar a través del tiempo se
debe también al comportamiento proyectado de la población, la cual tiende a
crecer a tasas decrecientes, e incluso negativas.
Con esas tasas
de crecimiento proyectadas, el PIB per cápita para el año 2100 ascendería a
12.000 dólares por habitante, un nivel que supera nueve veces al observado en
2010, que fue de sólo de 1.394 dólares, de acuerdo con la cotización vigente en
2007. Las tasas de crecimiento del PIB per cápita proyectadas son el resultado
de las tasas de crecimiento del PIB que resultan de la simulación que hizo el
estudio y de las tasas de crecimiento de la población previstas por la Comisión
Económica para América Latina y el Caribe (CEPAL).
Cabe señalar que
la tasa de crecimiento de la población presenta una tendencia decreciente hasta
el año 2071 y negativa hasta el año 2100 por tanto, para esa gestión se prevé
una población de no más de 17 millones de habitantes, la mayoría viviendo en
ciudades. Es este comportamiento de la población el que incide fuertemente en
el aumento de la tasa de crecimiento del PIB per cápita a través del tiempo.
Esas tendencias
demográficas y de crecimiento tienden a producir cambios en la estructura del
empleo. Las proyecciones apuntan a que el empleo en las actividades
agropecuarias, incluyendo agricultura, ganadería y silvicultura, se reducirá de
31,2% en 2010 a 19,4% en 2100, mientras que el empleo en el sector de
servicios, incluyendo energía eléctrica, agua, transporte, y otros servicios,
aumentará de 44,6% del empleo total en 2010 a 54,7% en 2100.
En total, el
impacto directo de eventos climáticos extremos sobre el sector agropecuario se
estima en 0,55% del PIB para el año 2100. Actualmente la producción agrícola
en Bolivia está marcada por un dualismo; la producción tradicional es realizada
para el mercado local y para el consumo de subsistencia, y la producción
industrial está organizada en superficies grandes de territorio, parcialmente
mecanizada y modernizada, y con la pretensión de exportación continua.
Aunque el
porcentaje de la población que se dedica a agricultura y ganadería decrece en
el tiempo, se proyecta que la importancia del sector agropecuario dentro del
PIB se mantendrá relativamente estable, decreciendo de 9,2% del PIB en 2000
hasta 8,3% del PIB en 2100; con el supuesto de que la abundancia de tierra en
Bolivia brinda ventajas comparativas al sector.
Se entiende al
Sistema de Alerta Temprana (SAT) como “…al conjunto de capacidades necesarias
para generar y difundir información de alerta que sea oportuna y significativa,
con el fin de permitir que las personas, las comunidades y las organizaciones
amenazadas se preparen y actúen de forma apropiada …” (EIRD, 2009)
El propósito de
un SAT es crear condiciones para que una comunidad, una ciudad, una población,
actúe con suficiente tiempo y de manera oportuna ante un peligro y se reduzca
la pérdida de vidas humanas, es una herramienta técnica que soporta la
reducción de riesgos y la preparación ante desastres.
I.2
Aspectos legales que abordan el análisis del riesgo agrícola
Ley 602 y reglamento D.S. 2342 instaura
una cultura de prevención, cuya acción esté sustentada por el conocimiento
científico y técnico, dando protección financiera en gestión del riesgo de
desastre. Bajo la premisa de contar con
un país más resiliente que logre reducir los desastres como se manifiesta en el
“Acuerdo Marco para la reducción de desastre 2015 – 2030” de Sendai.
Destaca también dentro de esta Ley, la
obligatoriedad que se exige a las instituciones públicas para incorporar la
evaluación de riesgo en proyectos de inversión pública de acuerdo a
lineamientos e instrumentos establecidos en el ente rector, por tanto, se logra
incorporar la gestión de riesgos en los instrumentos de evaluación y control de
la calidad ambiental.
En su Art. 19 de la Ley 602 se evidencia
el derecho de las personas de recibir información oportuna y efectiva sobre la
probabilidad de ocurrencia de desastres de origen natural entre otras, además
avizora el empleo de los medios adecuados de prevención, mitigación,
preparación, alerta, respuesta, rehabilitación y recuperación, este deber del
Estado, exige por tanto el empleo de métodos estadísticos que faciliten el
cumplimiento de este designio que prevé el bien común.
Recibir del Estado atención oportuna
ante la presencia de un fenómeno adverso permitirá salvar vidas y disminuir
pérdidas. Por su parte el Art. 23 sobre
los saberes y prácticas ancestrales manifiesta la necesidad de identificarlos,
evaluar, sistematizar, revalorizar y aplicar los saberes y prácticas
ancestrales en la gestión de riesgos, debiendo para ello dentro de este trabajo
investigativo, darle una explicación científica que ayude a explicar las
amenazas meteorológicas y climatológicas.
La Ley 144 Revolución productiva en su
Artículo 24 indica que se abordará aspectos relacionados a desastres asociados
a fenómenos naturales, intervenciones antrópicas, plagas, enfermedades,
siniestros climáticos y riesgos del mercado que puedan afectar la soberanía
alimentaria, mediante:
1. El monitoreo y alerta temprana para
contar con información oportuna y permanente sobre la posibilidad de ocurrencia
de eventos adversos que afecten a la producción de alimentos.
2. La prevención, atención y mitigación
de emergencias alimentarias, así como la rehabilitación y reconstrucción de
infraestructura, y recuperación de las capacidades productivas.
3. El fomento al desarrollo de
capacidades de las comunidades para la gestión de riesgos.
I.3 Riesgo y riesgo agrícola
Riesgo es la probabilidad de ocurrencia
de uno o varios eventos adversos que pudiesen ocasionar lesiones o pérdida de
vidas, afectación a propiedades, a la producción de alimentos y el medio
ambiente, y la detención de la actividad económica en un lugar y periodo de
exposición determinado.
La Organización para la Cooperación y el
Desarrollo Económico (OCDE) y el Departamento de Agricultura de Estados Unidos
(USDA) advierten sobre los riesgos en la agricultura en sus respectivas páginas
web. La preocupación está justificada. Como apuntan desde la oficina
norteamericana, “el riesgo es un aspecto importante del negocio de la
agricultura”, pues incertidumbres referentes a las condiciones meteorológicas,
los rendimientos, los precios, las políticas gubernamentales, los mercados
globales y otros factores pueden provocar fallas en los ingresos agrícolas. Para
el USDA, “la gestión del riesgo consiste en elegir entre alternativas que
reducen los efectos financieros que pueden derivarse de tales incertidumbres”.
Organización para la Cooperación y el Desarrollo Económicos (OCDE) y el
Departamento de Agricultura de Estados Unidos (USDA), (Website: www.ceigram.upm.es, consultado 2019)
I.4 Amenazas en la zona sud del departamento
de Potosí.
De una población de estudio de 450
comunidades pertenecientes a la zona Sud, se seleccionaron 68 comunidades, las
cuales tienen las variables de interés para el estudio, dicha muestra
representa el 15% de la zona sur del
departamento de Potosí.
TABLA: COMUNIDADES INVESTIGADAS, 2013 al 2017.
Provincia |
N° de comunidades |
Porcentaje |
Modesto Omiste |
7 |
10% |
Nor Chichas |
49 |
72% |
Sud Chichas |
12 |
18% |
Total |
68 |
100% |
Fuente:
Elaboración propia, 2019
Se cuenta con datos: Sociodemográficos,
de eventos climáticos y datos agrícolas, por tanto, se analiza el riesgo
agrícola en función de estos 3 factores, cuyos datos se recolectaron en base a
registros administrativos de fuente oficial.
TABLA 1:EVENTOS CLIMÁTICOS QUE SE PRESENTAN
EN LA ZONA SUD
Evento climático |
En |
Feb. |
Mar |
Abr |
May |
Jun |
Jul |
Ago |
Sep |
Oct |
Nov |
Dic |
Heladas |
En |
Feb. |
Mar |
Abr |
May |
Jun |
Jul |
Ago |
Sep |
Oct |
Nov |
Dic |
Sequía |
En |
Feb. |
Mar |
Abr |
May |
Jun |
Jul |
Ago |
Sep |
Oct |
Nov |
Dic |
Granizadas * |
En |
Feb. |
Mar |
Abr |
May |
Jun |
Jul |
Ago |
Sep |
Oct |
Nov |
Dic |
Riadas * |
En |
Feb. |
Mar |
Abr |
May |
Jun |
Jul |
Ago |
Sep |
Oct |
Nov |
Dic |
*Sin
datos Elaboración propia: en
base a entrevista a expertos, 2019
Las amenazas de heladas en la zona sud, están
presentes en los meses de mayo a noviembre, pero es mayor aún en junio a julio
con una probabilidad superior al 80%, siendo los cultivos de maíz, frutales y
hortalizas los de mayor importancia económica en la zona.
En cuanto a las amenazas de sequía, cabe aclarar
que se aborda la sequía meteorológica, considerando que la mayor producción
agrícola es a secano. La sequía se hace presente en la zona sud, en los meses
de mayo a agosto.
Acerca de la amenaza de granizada, no se contaba
hasta el año 2009 con registros sobre la ocurrencia de este fenómeno, por
tanto, los datos del presente estudio permitirán un análisis probabilístico.
Por otra parte, las riadas han afectado
significativamente en las gestiones 2007 y 2008 la región centro, siendo afectadas 76 comunidades, 3290
familias e impactando 1400 Has de cultivos, entre estos cultivos estaban la
papa, maíz, trigo, haba hortalizas y frutales, sin embargo en base a estudios
previos se conoce que la afectación por riada es más sentida en el ámbito
ganadero en la zona sud del departamento de Potosí, siendo los ríos Tumusla,
Cotagaita, Pilcomayo y el San Pedro, los ríos que por lo general se desbordan.
“…Bolivia corre
el riesgo de perder un 8% de su Producto Interno Bruto (PIB) durante el
siglo XXI, debido a las consecuencias del cambio climático …” (Andersen L., y
Jemio L.C.,2014, p.2)
El documento del
INESAD, que se perfila como uno de los más completos en materia de
proyección de la economía boliviana bajo la influencia del cambio climático,
especula sobre el futuro del país hasta 2100, a partir de dos escenarios
climáticos que fueron preparados por el Special Report on Emissions Scenarios
(SRES), el estudio demuestra que el cambio climático, sobre todo las
variaciones en los patrones de precipitación, puede tener impactos
económicos muy importantes para Bolivia.
Por su parte, Sun
Tzu, señala que la vulnerabilidad del enemigo depende de él y que nuestra
propia invulnerabilidad depende de nosotros mismos. El mayor peligro
paradójicamente, tan riesgoso como el cambio climático, comparable con la mayor
de las sequías, con la peor de las inundaciones, los fríos más extremos o los calores
más perjudiciales, es la profunda decadencia que afecta a la provisión de estos
bienes básicos. Pero la corrupción y la desidia son las verdaderas catástrofes
climáticas.
“La capacidad de
un sistema, comunidad o sociedad expuestos a una amenaza para resistir,
absorber, adaptarse y recuperarse de sus efectos de manera oportuna y eficaz,
lo que incluye la preservación y la restauración de sus estructuras y funciones
básicas. Resiliencia significa la capacidad de “resistir a” o de “resurgir de”
un choque. La resiliencia de una comunidad con respecto a los posibles eventos
que resulten de una amenaza se determinan por el grado al que esa comunidad
cuenta con los recursos necesarios y es capaz de organizarse tanto antes como
en los momentos apremiantes” (EIRD, 2009)
II.
El Modelo logístico: análisis teórico de
resultados del modelo logístico,
Según Pla, L.E. (1986): “El análisis
multivariante es la rama de la estadística que estudia las relaciones entre
conjuntos de variables dependientes y los individuos para los cuales se han
medido dichas variables. Sus métodos
analizan conjuntamente p variables, medidas sobre un conjunto de n individuos u
objetos”. (p.8).
Los métodos estadísticos multivariantes, son cada
día más utilizados en diferentes ramas de la ciencia. Los métodos exploratorios
y los confirmatorios que en la mayoría de las ocasiones se utilizan de forma
combinada, requieren de un conocimiento previo del problema a estudiar y de la
información apropiada.
Para Dallas E. J.
(2000): “la regresión logística es semejante a la regresión múltiple; la
diferencia principal es que, en la regresión logística, la variable dependiente
suele ser binaria (es decir, toma sólo dos valores posibles, en tanto que, en
la múltiple, esa variable dependiente es continua” (p.287).
El interés es que, por medio de probabilidades, se
llega a predecir a cualquier grupo de la variable respuesta, entonces, interesa
determinar la probabilidad de que a alguien le ocurra un determinado suceso;
además se puede determinar qué variables pesan más en el estudio.
La variable dependiente o respuesta no es continua
si no discreta, generalmente toma valores de 1, 0. Las variables explicativas
pueden ser cuantitativas o cualitativas y la ecuación del modelo no es una
función lineal de partida, si no exponencial; si bien por sencilla
transformación logarítmica, puede finalmente presentarse como una función
lineal.
Los coeficientes de regresión logística pueden
utilizarse, para estimar la razón de las ventajas (ODDS ratio) de cada variable
independiente en el modelo.
II.1 Regresión logística simple
Este modelo tiene la forma de:
De esto se deduce que:
Por tanto
Sea:
Que presenta la media condicional de y=1
dado x donde
De la relación
Curva en forma de S o signoide que tiene
las propiedades requeridas para
Para esta probabilidad se usa la función de
distribución acumulada de la distribución logística dado por:
Tiene, cuando
Cuando P
[Y = 1] = 0.5 el valor de x es:
Una transformación
de
Para la variable
respuesta dicotómica la expresamos como:
Veamos que ocurre
con este modelo.
Entonces
El lado izquierdo
se llama también logaritmo de ODDS ratio o razón de ventaja a favor de éxito o
también razón de probabilidad de y =1 contra y = 0 específicamente.
Denotamos en el
modelo logístico como (ODDS) a la
ocurrencia de eventos, esta razón se define como el cociente de la probabilidad
de que el evento ocurra a la probabilidad de que el evento no ocurra.
GRÁFICA
2.1: GRÁFICA DE LA REGRESIÓN LOGÍSTICA
De acuerdo a Rojo,
J. M, (1999) En general, la gráfica de una función de distribución es, una función
de distribución es una función real de variable real: (p.5)
Para Dallas, E.J.
(2000) “El modelo de regresión logística se ajusta a través del uso de los métodos
de máxima verosimilitud, en tanto que los modelos de regresión suelen ajustarse
a través de los mínimos cuadrados” (p.288).
II.1.1 Interpretación de los coeficientes del
modelo estimado
Entonces, a nivel
de coeficientes estimados exponencialmente, la interpretación es muy similar y
la diferencia estriba en que en estos casos no se trata del cambio (incremento
o disminución) de la probabilidad de la variable dependiente por cada unidad de
cambio en las independientes, sino del incremento o disminución que se produce
en el cociente entre
Más aun expresados
en logaritmos por lo que sería necesario transformarlos tomando los valores de
antilogaritmos, de tal manera que se evalúe más fácilmente su efecto sobre la
probabilidad.
Utilizar este
procedimiento no cambia en modo alguno la forma de interpretar el signo del
coeficiente. Un coeficiente positivo aumenta la probabilidad mientras que un
valor negativo disminuye la probabilidad. Por tanto, si es positivo su
transformación será mayor a uno y el ODDS aumentará, este aumento se produce
cuando la probabilidad prevista de ocurrencia de un suceso aumenta y la
probabilidad prevista de su no ocurrencia disminuye. Por lo tanto, el modelo
tiene una elevada probabilidad de ocurrencia. De la misma forma si es negativo,
el antilogaritmo es menor a 1 y el ODDS ratio disminuye. Un valor de cero
equivalente a un valor de 1, lo que no produce cambio en el ODDS.
II.1.2 Bondad
de ajuste en la regresión logística
Para saber que tan
cerca se ajustan los datos observados a la distribución binomial que plantea la
regresión logística, se puede analizar la bondad de ajuste del modelo logístico
y para ello estudiosos proponen hacer uso de, por ejemplo: El Ratio de Lik, R2
de Macfadden, R2 Cox y Snell, R2 de Nagelkerke, el test
de Hosmer y Lemeshow, Tabla de clasificación y la curva de ROC.
II.2 Operacionalización de las variables del estudio
TABLA 2.1: OPERACIONALIZACIÓN DE LAS
VARIABLES
Factores |
Variable |
Tipo |
Aclaración
|
Escala
de medición |
Categorías |
|
Variable dependiente |
Riesgo agrícola |
Cualitativa |
Existe riesgo solo si las variables presentan recurrencia |
Nominal |
0: No existe 1: Existe |
|
Factores sociodemográficos |
% Perdido Aproxim. |
Cualitativa |
Registra el porcentaje estimado de pérdida de la capacidad productiva
en la comunidad estudiada |
Nominal |
0: ocurrió 1 vez |
|
Población |
Cualitativa |
Se registra la población
en las comunidades |
Nominal
|
1: ocurrió más de 1 vez |
|
|
Ingreso familiar |
Cualitativa |
Se registra el ingreso de
la población en las comunidades |
Nominal
|
0: ocurrió 1 vez |
|
|
Factores Climáticos |
Helada |
Cualitativa |
Evidencia el número de
denuncias de heladas (DGR) |
Nominal
|
0: ocurrió 1 vez 1: ocurrió más de 1 vez |
|
Sequia |
Cualitativa
|
Evidencia el número de
denuncias de (DGR) |
Nominal
|
0: ocurrió 1 vez 1: ocurrió más de 1 vez |
|
|
Factores productivos |
Haba |
Cualitativa
|
Señala la afectación en el cultivo de haba |
Nominal
|
0: ocurrió 1 vez 1: ocurrió más de 1 vez |
|
Papa |
Cualitativa
|
Señala la afectación en el cultivo de papa |
Nominal
|
0: ocurrió 1 vez 1: ocurrió más de 1 vez |
|
|
Maiz |
Cualitativa
|
Señala la afectación en el cultivo de maíz en las comunidades
estudiadas |
Nominal
|
0: ocurrió 1 vez 1: ocurrió más de 1 vez |
|
|
Frutales |
Cualitativa
|
Señala la afectación en el cultivo de frutales |
Nominal
|
0: ocurrió 1 vez 1: ocurrió más de 1 vez |
|
|
Hortalizas |
Cualitativa
|
Señala la afectación en el cultivo de haba |
Nominal
|
0: ocurrió 1 vez 1: ocurrió más de 1 vez |
|
Fuente: Elaboración propia, 2019
II.3 Generación
del modelo de Regresión logística.
El método de selección de variables fue Avanzar por
paso (Wald), el cual permite visualizar modelos añadiendo las variables más
significativas estadísticamente hablando.
TABLA 4.1 RESUMEN DE PROCESAMIENTO DE CASOS |
|||
Casos sin ponderara |
N |
Porcentaje |
|
Casos seleccionados |
Incluido en el análisis |
68 |
100,0 |
Casos perdidos |
0 |
,0 |
|
Total |
68 |
100,0 |
|
Casos no seleccionados |
0 |
,0 |
|
Total |
68 |
100,0 |
|
La tabla muestra que son 68
las comunidades analizadas, la variable dependiente
refiere a 0 como la ausencia de la característica que interesa al estudio o
llamado también control y se denota con 1 a la característica presente que
interesa analizar, vale decir el riesgo agrícola.
TABLA 4.3 CODIFICACIONES DE VARIABLES
CATEGÓRICAS
|
Frecuencia |
Codificación de parámetro |
|
(1) |
|||
% Perdido
superficie aproximado |
menor al
valor promedio |
25 |
1,000 |
mayor al
valor promedio |
43 |
,000 |
|
Ingreso
Familiar (Bs.) |
menor al
valor promedio |
48 |
1,000 |
> al valor
promedio |
20 |
,000 |
|
Helada |
ocurrente |
34 |
1,000 |
recurrente |
34 |
,000 |
|
Sequía |
ocurrente |
62 |
1,000 |
recurrente |
6 |
,000 |
|
Haba |
ocurrente |
63 |
1,000 |
recurrente |
5 |
,000 |
|
Papa |
ocurrente |
44 |
1,000 |
recurrente |
24 |
,000 |
|
Hortalizas |
ocurrente |
65 |
1,000 |
recurrente |
3 |
,000 |
|
Frutales |
ocurrente |
51 |
1,000 |
recurrente |
17 |
,000 |
|
Maíz |
ocurrente |
21 |
1,000 |
recurrente |
47 |
,000 |
|
Población
(hab) |
menor al
valor promedio |
49 |
1,000 |
> al valor
promedio |
19 |
,000 |
Se puede ver en esta tabla la frecuencia absoluta de cada valor, siendo
dicotómica la característica estudiada para cada variable referida a algún
factor que incide en el riesgo agrícola en la zona sud del departamento de
Potosí. Por ejemplo, se verifica que 25 observaciones han perdido en porcentaje
aproximado de superficie cultivada, menos del valor promedio calculado, en
cambio son 43 comunidades las que no han perdido en porcentaje igual o mayor al
valor promedio de dicha variable.
El ingreso familiar promedio menor a su media aritmética es de 48
comunidades y en cambio son 20 las comunidades que registran un ingreso
familiar que en promedio es igual o mayor a la media aritmética.
En cuanto al registro de heladas se verifica que se han distribuido en
exactamente a la mitad cada caso, siendo 34 las comunidades que han reportado
heladas y otras 34 comunidades de la zona sud que reporta heladas, pero de
manera recurrente.
Existen 62 comunidades que presentaron sequía, pero han sido 6 las comunidades
que han tenido este evento climático de manera recurrente.
El reporte de daño a su producción de haba por una sola vez representa a
63 comunidades, en cambio han sido 5 las comunidades que de manera reiterativa
o recurrente han reportada la afectación a este cultivo.
Son 44 comunidades que reportan daño en la papa por una sola vez en este
periodo estudiado, sin embargo 24 comunidades señalaron que la afectación a la
papa ha sido reiterativa.
En cuanto a las hortalizas el daño registrado por una única vez ha sido
establecido en 65 comunidades, sin embargo 3 comunidades reportan recurrente la
afectación en su producción de hortalizas.
Acerca de los frutales se observa que el hecho fue denunciado por 51
comunidades, pero solo 17 comunidades tienen este problema de manera
recurrente.
El reporte de daño a la producción de maíz se dio en 21 comunidades,
pero fueron 47 las comunidades que tuvieron este problema de manera recurrente.
En cuanto a la población, la tabla muestra que 49 comunidades tienen en
promedio una población inferior al promedio establecido para la zona sud del
departamento de Potosí.
Bloque
0: Bloque de inicio
Tabla 4.4
Historial de iteracionesa,b,c |
|||
Iteración |
Logaritmo de la verosimilitud -2 |
Coeficientes |
|
Constante |
|||
Paso 0 |
1 |
78,684 |
,941 |
2 |
78,597 |
1,020 |
|
3 |
78,597 |
1,022 |
|
4 |
78,597 |
1,022 |
a. La
constante se incluye en el modelo. |
b. Logaritmo
de la verosimilitud -2 inicial: 78,597 |
c. La
estimación ha terminado en el número de iteración 4 porque las estimaciones
de parámetro han cambiado en menos de ,001. |
Se observan 4 iteraciones
hasta obtener el modelo ajustado, aclarando que en el bloque 0 incluye
únicamente a la constante en el modelo.
TABLA 4.5
TABLA DE CLASIFICACIÓNA,B |
|||||
|
Observado |
Pronosticado |
|||
RIESGO AGRÍCOLA |
Corrección de porcentaje |
||||
Control |
Riesgo Agrícola |
||||
Paso 0 |
RIESGO AGRÍCOLA |
Control |
0 |
18 |
,0 |
Riesgo
Agrícola |
0 |
50 |
100,0 |
||
Porcentaje
global |
|
|
73,5 |
a. La constante se
incluye en el modelo. |
b. El valor de corte es
,500 |
La tabla evidencia mediante
la diagonal principal que el modelo clasifica de forma correcta a 50
comunidades con presencia de riesgo agrícola, en cambio, ninguna comunidad fue
clasificada correctamente con la variable de control. Sin embargo, de manera conjunta el 73,5% de las variables independientes explican al modelo.
TABLA 4.7
VARIABLES EN LA ECUACIÓN |
|||||||
|
B |
Error estándar |
Wald |
gl |
Sig. |
Exp(B) |
|
Paso 0 |
Constante |
1,022 |
,275 |
13,815 |
1 |
,000 |
2,778 |
En esta tabla se observa que el estadístico de Wald es superior a 4, por
tanto, el modelo del bloque 0 resulta ser significativo, esto se corrobora
además con un
nivel de significancia menor al 0,05.
El error estándar señala el error que se puede cometer al replicar el
modelo con otros datos, es decir el error es 0,275.
TABLA
4.8 LAS VARIABLES NO ESTÁN EN LA ECUACIÓN |
|||||
|
Puntuación |
gl |
Sig. |
||
Paso 0 |
Variables |
población(1) |
,398 |
1 |
,528 |
ingreso_fam_mes(1) |
,031 |
1 |
,859 |
||
reporte_helada(1) |
14,809 |
1 |
,000 |
||
reporte_sequía(1) |
5,463 |
1 |
,019 |
||
Daño_haba(1) |
,116 |
1 |
,733 |
||
Daño_papa(1) |
,139 |
1 |
,710 |
||
Daño_maíz(1) |
,111 |
1 |
,740 |
||
Daño_frutales(1) |
12,190 |
1 |
,000 |
||
daño_hortaliz(1) |
1,130 |
1 |
,288 |
||
porcentaje_perdido(1) |
,850 |
1 |
,356 |
||
Estadísticos globales |
26,773 |
10 |
,003 |
II.3.1 Pseudo Estadísticas R2
TABLA 4.11 RESUMEN DEL
MODELO |
|||
Escalón |
Logaritmo de la
verosimilitud -2 |
R cuadrado de Cox y Snell |
R cuadrado de Nagelkerke |
1 |
47,025a |
,371 |
,542 |
2 |
50,648b |
,337 |
,492 |
3 |
50,833b |
,335 |
,489 |
4 |
51,378b |
,330 |
,481 |
5 |
51,462b |
,329 |
,480 |
6 |
52,438b |
,319 |
,466 |
7 |
53,554b |
,308 |
,450 |
8 |
56,604c |
,276 |
,403 |
9 |
57,524c |
,266 |
,389 |
a. La estimación ha terminado en el número
de iteración 20 porque se ha alcanzado el máximo de iteraciones. La solución
final no se puede encontrar. |
b.
La estimación ha terminado en el número de iteración 6 porque las
estimaciones de parámetro han cambiado en menos de ,001. |
c. La estimación ha
terminado en el número de iteración 5 porque las estimaciones de parámetro
han cambiado en menos de ,001. |
En la tabla que antecede,
se muestran dos medidas de bondad de ajuste del modelo resultante, R2
de Cox y de Snell es un coeficiente de determinación generalizado, estima la
proporción de varianza de la variable dependiente explicada por las variables
independientes y su valor está comprendido entre 0 y 1 como observamos en los
datos, pero siempre tiene un valor máximo inferior a 1, incluso en un modelo
perfecto.
El R2 de
Negelkerke es una versión corregida del R2 de Cox y de Snell y
corrige la escala del estadístico para cubrir el intervalo completo de 0 a 1.
Para el modelo 2 según el
cuadro, se evidencia un valor de R2
de Cox y de Snell = 0,266 que indica que el 26,6% de la variación del riesgo
agrícola es explicada por las variables incluidas en el modelo, siendo estas
variables independientes el Reporte
de la helada y daño en frutales.
El R2 de
Negelkerke = 0, 389, lo que indica que el 38,9% de la variación del riesgo
agrícola es explicado por las variables incluidas en el modelo.
Por tanto, cuanto más alto es
R2 más explicativo
es el modelo, es decir, las variables independientes explican la variable
dependiente.
II.3.2 Bondad de ajuste
Ho: No existen
diferencias entre los valores observados y predichos
H1: Existen
diferencias entre los valores observados y predichos
Tabla 4.12 Prueba de Hosmer y Lemeshow |
|||
Escalón |
Chi-cuadrado |
gl |
Sig. |
1 |
4,072 |
8 |
,851 |
2 |
7,534 |
8 |
,480 |
3 |
5,372 |
8 |
,717 |
4 |
3,877 |
7 |
,794 |
5 |
2,787 |
7 |
,904 |
6 |
6,287 |
7 |
,507 |
7 |
1,495 |
5 |
,914 |
8 |
2,443 |
4 |
,655 |
9 |
,786 |
2 |
,675 |
Se muestra un valor de Chi-
Cuadrado de 0,786 un p-valor de 0,675, lo que indica en este caso, es que en la
medida que el valor sea más alto, es decir no sea significativa la prueba, se
entiende que no existe razón para creer que la ecuación sea diferente a la del interés, es decir que sea diferente a una distribución
logarítmica.
Tabla 4.13 Tabla de contingencia para la prueba de Hosmer y Lemeshow |
||||||
|
RIESGO AGRÍCOLA = Control |
RIESGO AGRÍCOLA = Riesgo
Agrícola |
Total |
|||
Observado |
Esperado |
Observado |
Esperado |
|||
Paso 1 |
1 |
5 |
5,265 |
1 |
,735 |
6 |
2 |
5 |
4,503 |
2 |
2,497 |
7 |
|
3 |
4 |
3,432 |
3 |
3,568 |
7 |
|
4 |
1 |
2,349 |
6 |
4,651 |
7 |
|
5 |
2 |
1,333 |
5 |
5,667 |
7 |
|
6 |
0 |
,556 |
7 |
6,444 |
7 |
|
7 |
1 |
,355 |
6 |
6,645 |
7 |
|
8 |
0 |
,135 |
8 |
7,865 |
8 |
|
9 |
0 |
,069 |
8 |
7,931 |
8 |
|
10 |
0 |
,003 |
4 |
3,997 |
4 |
|
Paso 2 |
1 |
7 |
6,549 |
1 |
1,451 |
8 |
2 |
3 |
3,670 |
4 |
3,330 |
7 |
|
3 |
5 |
3,537 |
3 |
4,463 |
8 |
|
4 |
0 |
2,207 |
7 |
4,793 |
7 |
|
5 |
2 |
,901 |
5 |
6,099 |
7 |
|
6 |
1 |
,486 |
6 |
6,514 |
7 |
|
7 |
0 |
,333 |
6 |
5,667 |
6 |
|
8 |
0 |
,202 |
7 |
6,798 |
7 |
|
9 |
0 |
,088 |
6 |
5,912 |
6 |
|
10 |
0 |
,026 |
5 |
4,974 |
5 |
|
Paso 3 |
1 |
7 |
6,530 |
1 |
1,470 |
8 |
2 |
3 |
3,758 |
4 |
3,242 |
7 |
|
3 |
4 |
3,185 |
3 |
3,815 |
7 |
|
4 |
1 |
2,449 |
7 |
5,551 |
8 |
|
5 |
2 |
,813 |
4 |
5,187 |
6 |
|
6 |
1 |
,525 |
6 |
6,475 |
7 |
|
7 |
0 |
,371 |
6 |
5,629 |
6 |
|
8 |
0 |
,227 |
7 |
6,773 |
7 |
|
9 |
0 |
,113 |
7 |
6,887 |
7 |
|
10 |
0 |
,028 |
5 |
4,972 |
5 |
|
Paso 4 |
1 |
6 |
5,803 |
1 |
1,197 |
7 |
2 |
4 |
4,448 |
4 |
3,552 |
8 |
|
3 |
4 |
3,154 |
3 |
3,846 |
7 |
|
4 |
1 |
2,538 |
7 |
5,462 |
8 |
|
5 |
2 |
1,090 |
9 |
9,910 |
11 |
|
6 |
1 |
,479 |
6 |
6,521 |
7 |
|
7 |
0 |
,325 |
8 |
7,675 |
8 |
|
8 |
0 |
,133 |
7 |
6,867 |
7 |
|
9 |
0 |
,029 |
5 |
4,971 |
5 |
|
Paso 5 |
1 |
6 |
6,465 |
2 |
1,535 |
8 |
2 |
3 |
2,181 |
1 |
1,819 |
4 |
|
3 |
4 |
3,487 |
3 |
3,513 |
7 |
|
4 |
2 |
2,923 |
6 |
5,077 |
8 |
|
5 |
1 |
1,440 |
6 |
5,560 |
7 |
|
6 |
1 |
,952 |
12 |
12,048 |
13 |
|
7 |
1 |
,391 |
8 |
8,609 |
9 |
|
8 |
0 |
,139 |
8 |
7,861 |
8 |
|
9 |
0 |
,021 |
4 |
3,979 |
4 |
|
Paso 6 |
1 |
4 |
3,401 |
0 |
,599 |
4 |
2 |
5 |
5,319 |
3 |
2,681 |
8 |
|
3 |
1 |
1,879 |
3 |
2,121 |
4 |
|
4 |
5 |
3,972 |
4 |
5,028 |
9 |
|
5 |
1 |
1,779 |
7 |
6,221 |
8 |
|
6 |
0 |
,110 |
1 |
,890 |
1 |
|
7 |
1 |
1,280 |
19 |
18,720 |
20 |
|
8 |
1 |
,191 |
4 |
4,809 |
5 |
|
9 |
0 |
,070 |
9 |
8,930 |
9 |
|
Paso 7 |
1 |
3 |
2,453 |
0 |
,547 |
3 |
2 |
6 |
6,359 |
3 |
2,641 |
9 |
|
3 |
1 |
1,547 |
2 |
1,453 |
3 |
|
4 |
5 |
4,732 |
8 |
8,268 |
13 |
|
5 |
2 |
1,531 |
7 |
7,469 |
9 |
|
6 |
1 |
1,287 |
21 |
20,713 |
22 |
|
7 |
0 |
,091 |
9 |
8,909 |
9 |
|
Paso 8 |
1 |
3 |
2,456 |
0 |
,544 |
3 |
2 |
6 |
7,019 |
5 |
3,981 |
11 |
|
3 |
1 |
1,544 |
2 |
1,456 |
3 |
|
4 |
6 |
4,981 |
11 |
12,019 |
17 |
|
5 |
1 |
,526 |
2 |
2,474 |
3 |
|
6 |
1 |
1,474 |
30 |
29,526 |
31 |
|
Paso 9 |
1 |
9 |
9,470 |
5 |
4,530 |
14 |
2 |
7 |
6,530 |
13 |
13,470 |
20 |
|
3 |
1 |
,530 |
2 |
2,470 |
3 |
|
4 |
1 |
1,470 |
30 |
29,530 |
31 |
La prueba de Hosmer y Lemeshow advierte que tan bien pronostica el
modelo, por tanto, la bondad de ajuste del modelo queda probada siempre que los
valores observados no disten en exceso de los valores esperados.
TABLA 4.14 TABLA DE CLASIFICACIÓNA |
|||||
|
Observado |
Pronosticado |
|||
RIESGO AGRÍCOLA |
Corrección de porcentaje |
||||
Control |
Riesgo Agrícola |
||||
Paso 1 |
RIESGO AGRÍCOLA |
Control |
11 |
7 |
61,1 |
Riesgo Agrícola |
3 |
47 |
94,0 |
||
Porcentaje global |
|
|
85,3 |
||
Paso 2 |
RIESGO AGRÍCOLA |
Control |
7 |
11 |
38,9 |
Riesgo Agrícola |
2 |
48 |
96,0 |
||
Porcentaje global |
|
|
80,9 |
||
Paso 3 |
RIESGO AGRÍCOLA |
Control |
10 |
8 |
55,6 |
Riesgo Agrícola |
5 |
45 |
90,0 |
||
Porcentaje global |
|
|
80,9 |
||
Paso 4 |
RIESGO AGRÍCOLA |
Control |
11 |
7 |
61,1 |
Riesgo Agrícola |
5 |
45 |
90,0 |
||
Porcentaje global |
|
|
82,4 |
||
Paso 5 |
RIESGO AGRÍCOLA |
Control |
9 |
9 |
50,0 |
Riesgo Agrícola |
3 |
47 |
94,0 |
||
Porcentaje global |
|
|
82,4 |
||
Paso 6 |
RIESGO AGRÍCOLA |
Control |
9 |
9 |
50,0 |
Riesgo Agrícola |
3 |
47 |
94,0 |
||
Porcentaje global |
|
|
82,4 |
||
Paso 7 |
RIESGO AGRÍCOLA |
Control |
10 |
8 |
55,6 |
Riesgo Agrícola |
5 |
45 |
90,0 |
||
Porcentaje global |
|
|
80,9 |
||
Paso 8 |
RIESGO AGRÍCOLA |
Control |
10 |
8 |
55,6 |
Riesgo Agrícola |
7 |
43 |
86,0 |
||
Porcentaje global |
|
|
77,9 |
||
Paso 9 |
RIESGO AGRÍCOLA |
Control |
9 |
9 |
50,0 |
Riesgo Agrícola |
5 |
45 |
90,0 |
||
Porcentaje global |
|
|
79,4 |
a. El valor de corte es ,500 |
Aquellas comunidades que
evidencia riesgo agrícola en la zona sud del departamento de Potosí se
estimaron con una precisión de 90% (sensibilidad) y aquellas comunidades que no
evidencian recurrencia en el riesgo agrícola se estimaron con una precisión del
50% (especificidad).
Para evaluar que tan bueno es un modelo en su capacidad predictiva, se
observa que el modelo es bueno para predecir el riesgo agrícola, quedando las
comunidades en su totalidad clasificadas correctamente por el modelo en un
79,4%
Cuanto mejor clasifica el modelo, es decir coincide el valor
pronosticado con el observado, mejor es el modelo, más explicativo, por tanto,
las variables independientes son buenas predictoras de la variable
dependiente.
Como el modelo clasifica correctamente más del 50% de los casos, el
modelo se acepta.
El método multivariado de la Regresión logística ha
permitido explorar y pronosticar para la población estudiada, además de
caracterizar el comportamiento del riesgo agrícola en la zona sud del departamento
de Potosí, se logró conocer como respuesta científica la probabilidad del
riesgo agrícola
Un uso importante del modelo es clasificar en forma global a las
comunidades de las provincias Nor Chichas, Sud Chichas y Modesto Omiste en una
de las 2 alternativas: tiene riesgo agrícola versus no tienen riesgo agrícola.
Esto se obtiene sustituyendo los valores de las variables independientes en el
modelo ajustado, lo que produce la probabilidad estimada, para predecir si la
comunidad está en la alternativa 0 ó 1,
el software SPSS v.22 automáticamente emplea un punto de corte de 0,5. Esto significa que la comunidad con
probabilidad estimada < 0,5 se clasifica como (ocurrencia,
- ausencia) = 0 (Control) en cambio se
clasifica > 0,5 si la probabilidad estimada señala
(recurrencia – presencia) = 1(riesgo agrícola) en la zona sud del departamento
de Potosí, que es la que comprende este estudio.
En resumen, el modelo final ha sido clasificado
correctamente 90% de las comunidades con riesgo agrícola y un 50 % de las
comunidades que no evidencian riesgo agrícola. El porcentaje global de las
comunidades clasificados correctamente es de 79,4 %
TABLA 4.15
VARIABLES EN LA ECUACIÓN |
|||||||||
|
B |
Error estándar |
Wald |
gl |
Sig. |
Exp(B) |
95% C.I. para EXP(B) |
||
Inferior |
Superior |
||||||||
Paso 1a |
población(1) |
-1,362 |
1,909 |
,509 |
1 |
,476 |
,256 |
,006 |
10,811 |
ingreso_fam_mes(1) |
1,563 |
1,869 |
,700 |
1 |
,403 |
4,775 |
,122 |
186,206 |
|
reporte_helada(1) |
-2,898 |
,982 |
8,702 |
1 |
,003 |
,055 |
,008 |
,378 |
|
reporte_sequía(1) |
2,014 |
1,651 |
1,488 |
1 |
,223 |
7,490 |
,295 |
190,328 |
|
Daño_haba(1) |
1,615 |
1,497 |
1,163 |
1 |
,281 |
5,027 |
,267 |
94,583 |
|
Daño_papa(1) |
-,444 |
,946 |
,220 |
1 |
,639 |
,642 |
,100 |
4,097 |
|
Daño_maíz(1) |
1,042 |
1,227 |
,722 |
1 |
,396 |
2,836 |
,256 |
31,413 |
|
Daño_frutales(1) |
1,721 |
,942 |
3,337 |
1 |
,068 |
5,592 |
,882 |
35,452 |
|
daño_hortaliz(1) |
-21,764 |
22185,787 |
,000 |
1 |
,999 |
,000 |
,000 |
. |
|
porcentaje_perdido(1) |
1,338 |
,892 |
2,252 |
1 |
,133 |
3,813 |
,664 |
21,901 |
|
Constante |
19,596 |
22185,787 |
,000 |
1 |
,999 |
323878047,115 |
|
|
|
Paso 2a |
población(1) |
-1,461 |
1,835 |
,635 |
1 |
,426 |
,232 |
,006 |
8,452 |
ingreso_fam_mes(1) |
1,349 |
1,780 |
,575 |
1 |
,448 |
3,855 |
,118 |
126,152 |
|
reporte_helada(1) |
-2,574 |
,937 |
7,552 |
1 |
,006 |
,076 |
,012 |
,478 |
|
reporte_sequía(1) |
2,155 |
1,632 |
1,744 |
1 |
,187 |
8,629 |
,352 |
211,321 |
|
Daño_haba(1) |
,600 |
1,358 |
,195 |
1 |
,659 |
1,822 |
,127 |
26,097 |
|
Daño_papa(1) |
-,956 |
,967 |
,978 |
1 |
,323 |
,384 |
,058 |
2,557 |
|
Daño_maíz(1) |
1,578 |
1,270 |
1,545 |
1 |
,214 |
4,846 |
,402 |
58,378 |
|
Daño_frutales(1) |
1,870 |
,934 |
4,008 |
1 |
,045 |
6,485 |
1,040 |
40,443 |
|
porcentaje_perdido(1) |
,913 |
,823 |
1,229 |
1 |
,268 |
2,491 |
,496 |
12,507 |
|
Constante |
-,970 |
2,583 |
,141 |
1 |
,707 |
,379 |
|
|
|
Paso 3a |
población(1) |
-1,421 |
1,818 |
,611 |
1 |
,434 |
,242 |
,007 |
8,520 |
ingreso_fam_mes(1) |
1,292 |
1,763 |
,537 |
1 |
,464 |
3,641 |
,115 |
115,297 |
|
reporte_helada(1) |
-2,562 |
,935 |
7,509 |
1 |
,006 |
,077 |
,012 |
,482 |
|
reporte_sequía(1) |
2,124 |
1,618 |
1,723 |
1 |
,189 |
8,364 |
,351 |
199,344 |
|
Daño_papa(1) |
-,896 |
,955 |
,881 |
1 |
,348 |
,408 |
,063 |
2,652 |
|
Daño_maíz(1) |
1,610 |
1,264 |
1,621 |
1 |
,203 |
5,001 |
,420 |
59,569 |
|
Daño_frutales(1) |
1,766 |
,890 |
3,932 |
1 |
,047 |
5,845 |
1,021 |
33,469 |
|
porcentaje_perdido(1) |
,879 |
,812 |
1,172 |
1 |
,279 |
2,409 |
,490 |
11,832 |
|
Constante |
-,352 |
2,162 |
,027 |
1 |
,870 |
,703 |
|
|
|
Paso 4a |
población(1) |
-,243 |
,840 |
,084 |
1 |
,773 |
,784 |
,151 |
4,069 |
reporte_helada(1) |
-2,515 |
,919 |
7,481 |
1 |
,006 |
,081 |
,013 |
,490 |
|
reporte_sequía(1) |
2,139 |
1,613 |
1,760 |
1 |
,185 |
8,493 |
,360 |
200,292 |
|
Daño_papa(1) |
-,831 |
,944 |
,774 |
1 |
,379 |
,436 |
,068 |
2,774 |
|
Daño_maíz(1) |
1,723 |
1,258 |
1,875 |
1 |
,171 |
5,600 |
,476 |
65,912 |
|
Daño_frutales(1) |
1,790 |
,884 |
4,101 |
1 |
,043 |
5,989 |
1,059 |
33,861 |
|
porcentaje_perdido(1) |
,793 |
,794 |
,999 |
1 |
,318 |
2,210 |
,467 |
10,468 |
|
Constante |
-,419 |
2,140 |
,038 |
1 |
,845 |
,658 |
|
|
|
Paso 5a |
reporte_helada(1) |
-2,530 |
,918 |
7,603 |
1 |
,006 |
,080 |
,013 |
,481 |
reporte_sequía(1) |
2,133 |
1,612 |
1,750 |
1 |
,186 |
8,437 |
,358 |
198,887 |
|
Daño_papa(1) |
-,900 |
,915 |
,968 |
1 |
,325 |
,407 |
,068 |
2,442 |
|
Daño_maíz(1) |
1,672 |
1,247 |
1,797 |
1 |
,180 |
5,322 |
,462 |
61,311 |
|
Daño_frutales(1) |
1,847 |
,864 |
4,573 |
1 |
,032 |
6,340 |
1,167 |
34,452 |
|
porcentaje_perdido(1) |
,758 |
,783 |
,936 |
1 |
,333 |
2,134 |
,460 |
9,906 |
|
Constante |
-,542 |
2,087 |
,067 |
1 |
,795 |
,582 |
|
|
|
Paso 6a |
reporte_helada(1) |
-2,447 |
,907 |
7,281 |
1 |
,007 |
,087 |
,015 |
,512 |
reporte_sequía(1) |
2,000 |
1,555 |
1,655 |
1 |
,198 |
7,392 |
,351 |
155,713 |
|
Daño_papa(1) |
-,941 |
,920 |
1,045 |
1 |
,307 |
,390 |
,064 |
2,371 |
|
Daño_maíz(1) |
1,852 |
1,258 |
2,167 |
1 |
,141 |
6,370 |
,541 |
74,965 |
|
Daño_frutales(1) |
1,862 |
,852 |
4,776 |
1 |
,029 |
6,434 |
1,212 |
34,166 |
|
Constante |
-,238 |
2,010 |
,014 |
1 |
,906 |
,788 |
|
|
|
Paso 7a |
reporte_helada(1) |
-2,220 |
,867 |
6,554 |
1 |
,010 |
,109 |
,020 |
,594 |
reporte_sequía(1) |
2,429 |
1,446 |
2,823 |
1 |
,093 |
11,352 |
,667 |
193,081 |
|
Daño_maíz(1) |
1,808 |
1,188 |
2,316 |
1 |
,128 |
6,099 |
,594 |
62,606 |
|
Daño_frutales(1) |
1,437 |
,711 |
4,080 |
1 |
,043 |
4,208 |
1,044 |
16,968 |
|
Constante |
-1,088 |
1,774 |
,376 |
1 |
,540 |
,337 |
|
|
|
Paso 8a |
reporte_helada(1) |
-2,116 |
,852 |
6,176 |
1 |
,013 |
,120 |
,023 |
,639 |
reporte_sequía(1) |
,940 |
1,001 |
,881 |
1 |
,348 |
2,559 |
,360 |
18,221 |
|
Daño_frutales(1) |
1,448 |
,692 |
4,373 |
1 |
,037 |
4,253 |
1,095 |
16,521 |
|
Constante |
,609 |
1,364 |
,200 |
1 |
,655 |
1,839 |
|
|
|
Paso 9a |
reporte_helada(1) |
-2,276 |
,832 |
7,482 |
1 |
,006 |
,103 |
,020 |
,525 |
Daño_frutales(1) |
1,461 |
,684 |
4,568 |
1 |
,033 |
4,312 |
1,129 |
16,471 |
|
Constante |
1,539 |
,903 |
2,901 |
1 |
,089 |
4,659 |
|
|
|
De acuerdo a la tabla anterior, se puede observar que las variables que
resultaron ser significativas, vale aclarar (p-valor < 0.05). Son: Reporte
de la helada, y Daño en frutales, por lo cual están incluidas en el modelo bajo
el método retroceder por paso de (WALD), siendo que influyen en el riesgo
agrícola de la zona sud del departamento de Potosí con una confianza del 95%
El “Reporte de la helada”, tiene una relación negativa con la variable
dependiente (-2,276): x1,
El “Daño en frutales”, esta variable tiene una relación positiva (1,461):
x2 Por tanto, un
coeficiente positivo aumenta la probabilidad de pertenecer al grupo de interés.
Entonces el modelo de regresión logística ajustado será:
P(Estado =
riesgo agrícola) =
Una expresión más simple del modelo:
Z = 1,539 –
2,2676 Reporte de helada + 1,461 Daño en frutales
De las 10 variables independientes, consideradas inicialmente para el
modelo de regresión logística, se obtuvo el modelo ajustado luego del
tratamiento bajo el método de Wald, quedando para el modelo solo los
coeficientes que pasaron la prueba de significancia de sus coeficientes
individuales con un nivel de confianza del 95%.
TABLA 4.16
VARIABLES EN LA ECUACIÓN
|
Exp(B) |
95% C.I. para EXP(B) |
||
Inferior |
Superior |
|||
Paso 8 |
reporte_helada(1) |
,070 |
,014 |
,341 |
Constante |
16,000 |
|
|
|
Paso 9 |
Daño_frutales(1) |
4,312 |
1,129 |
16,471 |
reporte_helada(1) |
,103 |
,020 |
,525 |
|
Constante |
4,659 |
|
|
De todas las variables seleccionadas, aquella que
tiene mayor fortaleza para explicar la probabilidad del riesgo agrícola es el
daño a frutales ya que su EXP(B) es el más alejado de 1.
Se puede afirmar en base a los datos analizados que
el perfil del riesgo agrícola en la zona sud del departamento de Potosí está
influido en gran manera por los reportes de daño a frutales y por el reporte de
heladas, estas serían las causas del riesgo agrícola y por tanto en ello
podemos intervenir o incidir en la realidad agrícola.
La tabla señala que los coeficientes calculados cuentan con un 5% de
significancia y tienen por tanto un 95% de nivel de confianza.
El Exponencial de B, u ODDS RATIO, indica la fortaleza de la relación.
Cuanto más alejada de 1 está, más fuerte es la relación. Para comparar los exponenciales de B entre
sí, aquellos que son menores a 1 deben transformarse en su inverso recíproco,
es decir, debemos dividir 1 entre el exponencial de B, aclarando que esto opera
sólo cuando sean menores a 1. En la tabla arriba presentada, el reporte de
helada tiene un EXP(B) = 0,103. Para comparar este EXP(B) con el resto, se
calcula la inversa (1/0,103=9,708) quedando identificada la variable reporte de
heladas como la que mejor explica el modelo de ello resulta que:
·
La comunidad es 9,708 veces
más probable de presentar riesgo agrícola, entre las comunidades que presentan
de forma recurrente reportes de heladas que entre las comunidades que
declararon solo una vez (de forma ocurrente) una helada en el periodo
estudiado.
·
La comunidad es 4,312 veces
más probable de tener riego agrícola entre las comunidades que sí reportan daño
en frutales más de una vez.
·
De todas las
variables seleccionadas, aquella que tiene mayor fortaleza para explicar la
probabilidad del riesgo agrícola es el daño a frutales ya que su EXP(B) es el
más alejado de 1.
·
Se puede
afirmar en base a los datos analizados que el perfil del riesgo agrícola en la
zona sud del departamento de Potosí está influido en gran manera por los
reportes de daño a frutales y por el
reporte de heladas, estas serían las causas del riesgo agrícola.
II.3.3 Curva ROC
TABLA 4.18
RESUMEN DE PROCESAMIENTO DE CASOS |
|
RIESGO AGRÍCOLA |
N válido (por lista) |
Positivoa |
50 |
Negativo |
18 |
Los valores más grandes
de la(s) variable(s) de resultado de prueba indican una prueba mayor para un
estado real positivo. |
a. El estado real
positivo es Riesgo Agrícola. |
GRÁFICO 4.2: CURVA ROC - HELADA
TABLA 4.19: ÁREA BAJO LA CURVA, HELADA |
||||
Área |
Error estándara |
Significación asintóticab |
95% de intervalo de
confianza asintótico |
|
Límite inferior |
Límite superior |
|||
,764 |
,062 |
,001 |
,643 |
,886 |
La(s)
variable(s) de resultado de prueba: Helada tiene, como mínimo, un empate
entre el grupo de estado real positivo y el grupo de estado real negativo.
Las estadísticas podrían estar sesgadas. |
a. Bajo el supuesto no
paramétrico |
b. Hipótesis nula: área
verdadera = 0,5 |
La curva ROC evidencia una clasificación de 0.764 para la variable
independiente de Helada, ello permite dar una descripción completa de la
capacidad de discriminación del test, al acercarse de manera aceptable a la
esquina superior izquierda vemos el poder clasificatorio del modelo.
GRÁFICO 4.3: CURVA ROC - DAÑO EN
FRUTALES
TABLA 4.20: ÁREA BAJO LA CURVA, DAÑO EN FRUTALES |
||||
Área |
Error estándara |
Significación asintóticab |
95% de intervalo de confianza asintótico |
|
Límite inferior |
Límite superior |
|||
,708 |
,078 |
,009 |
,556 |
,860 |
La(s)
variable(s) de resultado de prueba: Frutales tiene, como mínimo, un empate
entre el grupo de estado real positivo y el grupo de estado real negativo.
Las estadísticas podrían estar sesgadas. |
|
|
La curva ROC evidencia una
clasificación de 0.708 para la variable independiente de Daño en frutales, ello permite dar una descripción completa de la capacidad de
discriminación del test, al acercarse de manera aceptable a la esquina superior
izquierda vemos el poder clasificatorio del modelo.
De la tabla construida con la predicción
para el riesgo agrícola, se puede señalar que en sus casos extremos: la
comunidad de Esquina Grande perteneciente al municipio de Villazón de la
provincia Modesto Omiste, tiene una probabilidad de sufrir riesgo agrícola en
un 32 %. Dicha comunidad tiene un promedio de ingresos mensuales por familia de
28,5 Bs.-, con una población de 114 personas.
La comunidad de La Torre perteneciente
al municipio de Tupiza de la provincia Sud Chichas tiene una probabilidad de
sufrir riesgo agrícola en un 95%. Dicha comunidad tiene un promedio de ingresos
mensuales por familia de 39 Bs.-, con una población de 156 personas.
II.4 Conclusiones
·
El
tratamiento de datos estadísticos de riesgo agrícola es esencial para
contribuir en la construcción del Sistema de Alerta Temprana.
·
El
método de regresión logística permitió el conocimiento en términos
probabilísticos del riesgo agrícola en la zona sud del departamento de Potosí.
·
Con
los resultados de la regresión logística, mediante el estadístico de Wald para
el riesgo agrícola, se determinó que las variables más influyentes son:
“Reporte de heladas” y “Daño a los frutales”, teniendo estas variables un
p-valor asociado al estadístico de Wald menor al 5%.
·
Las
variables con poca influencia en el modelo son:
la población, el ingreso familiar por mes, los reportes de sequía, el
daño al haba, el daño a la papa, el daño al maíz y el daño a las hortalizas,
así como el porcentaje de daño en la superficie cultivada.
·
Los
datos son altamente orientadores y favorecen las medidas de resiliencia y nos preparan para la
construcción de un sistema de alerta temprana.
·
En
estudios futuros de la zona geográfica se deberá tomar especial interés a los
eventos climáticos de la helada y considerar que el producto agrícola
importante en este modelo son los
frutales.
·
Se
reconoce en base al diagnóstico, la aún insipiente cultura y difusión de
información estadística en los municipios
·
Los
resultados de este trabajo ayudan a que las entidades gubernamentales observen
qué se puede hacer para que las comunidades se anticipen al riesgo agrícola
considerando su vulnerabilidad en diferentes factores como en su ingreso
familiar, población de cada comunidad, etc.
·
Es
evidente que son diversos y complejas las variables que influyen en el riesgo
agrícola por lo que este trabajo es el inicio de un abordaje más profundo en el
ámbito del análisis multivariado que sin duda aportar a conocer más y mejor el
aporte del sector agrícola al PIB y sus efectos negativos en caso de presencia
del riesgo agrícola.
·
Con
la regresión logística se ha logrado determinare el riesgo agrícola en la zona
sud del departamento de Potosí por tanto proporciona a las instancias del
gobierno un instrumento técnico estadístico para que mejoren las capacidades de
resiliencia agrícola y por tanto las condiciones de vida de la población.
·
La
recolección de información de las estaciones meteorológicas debe ser completa,
para poder ofrecer herramientas estadísticas con mayor precisión, ya que el
tema climático demanda abundante información y un registro riguroso.
·
Se
debería realizar este análisis para las 4 zonas del departamento de Potosí.
·
Se
aconseja realizar un modelo logístico en
el campo pecuario, ya que la afectación a este sector productivo repercute de
manera importante en el PIB del país.
·
Es
necesario hacer un análisis complementario en el ámbito económico, que de
manera exhaustiva valore la afectación que causa el riesgo agrícola en las zonas
y en el departamento de Potosí.
·
Se
recomienda un trabajo intensivo e interinstitucional en pro de una cultura de
la información, para alentar y favorecer la ciencia y la tecnología para un
estado real cada vez mejor en la sociedad.
III. Referencias bibliográficas
1. EIRD,
Terminología sobre reducción del riesgo de desastres, Estrategia Internacional
para la Reducción de Desastres, Naciones Unidas, 2009
2. Pla, L.E.
(1986). Análisis multivariado método de componentes principales, Secretaría
General de la OEA. Programa Regional de Desarrollo Científico y Tecnológico,
Washington, DC, USA.
3. Cuadras, M.
(2014), Introducción al Análisis Multivariante, recuperado de campus.com, Estadística
<http://www.campus.com/leccion/anamul> [fecha de consulta 4 de abril de
2019]
4. Dallas E.
Jhonson, (2000). Métodos multivariados aplicados al análisis de datos, México,
Thomson Editores,
5. Rojo A,
J.M. Regresión con variable dependiente cualitativa, Instituto de Economía y
Geografía, II- 2007, Madrid
6. Dallas E.
Jhonson,(2000) Métodos multivariados aplicados al análisis de datos, México,
Thomson Editores.
7. Boletín
Meteorológico Del Departamento De Potosí, 2003
8. Rojo A,
J.M. (II- 2007) Regresión con variable dependiente cualitativa, Instituto de
Economía y Geografía, Madrid.
9. Organización
para la Cooperación y el Desarrollo Económicos (OCDE) y el Departamento de
Agricultura de Estados Unidos (USDA), (2019) recuperado de Website:
www.ceigram.upm.es.
10. Ley 602 de
Gestión de Riesgos, 2014
11. ---------------
Gestión de Riesgos, 2014
12. EIRD,
Terminología sobre reducción del riesgo de desastres, Estrategia Internacional
para la Reducción de Desastres, Naciones Unidas, 2009.
13. Instituto
de Estudios Avanzados en Desarrollo (Inesad), (s.f.) “La dinámica del cambio
climático en Bolivia”, realizado por los investigadores Lykke Andersen y Luis Carlos Jemio, del en
colaboración con la Universidad Privada Boliviana (UPB).
14. EIRD,
Terminología sobre reducción del riesgo de desastres, Estrategia Internacional
para la Reducción de Desastres, Naciones Unidas, 2009
BIBLIOGRAFÍA
Agresti A. (1990) Categorical Data
Analysis, Editorial Wiley.
Andersen L., Jemio L.C. La dinámica del
cambio climático en Bolivia, Instituto de Estudios.
Avanzados en Desarrollo (Inesad), en
colaboración con la Universidad Privada
Boliviana (UPB).
Boletín Meteorológico del Departamento de
Potosí, 2003
Bonilla, G. Métodos multivariados I, Ed.
Trillas, México, 1997
Cuadras, M. (2014), Introducción al
Análisis Multivariante, campus.com, Estadística
<http://www.campus.com/leccion/anamul> [fecha de consulta 4 de abril de
2019]
Censo Agropecuario 2013, INE, Bolivia,
2013
Censo Nacional de población y vivienda
2012, INE, Bolivia, 2012
Colque, P. (2009) Filosofía de las
Ciencias, proceso del método científico,1ra edición, Cochabamba – Bolivia.
Cruz A. D. J. (2012) Un análisis parcial
en las preparatorias de BUAP en la materia de Matemáticas en el 2010, (Tesis de
grado). Recuperado de https://1library.co/document/9yn7v9lz-analisis-parcial-preparatorias-buap-materias-matematicas.html#pdf-content
Dallas E. Jhonson, (2000). Métodos
multivariados aplicados al análisis de datos, México, Thomson Editores
Downie, M. N. (1988). Métodos
Estadísticos Aplicados, México, Ed, Harla, 1988
EIRD, Terminología sobre reducción del
riesgo de desastres, Estrategia Internacional para la Reducción de Desastres,
Naciones Unidas, 2009.
Glass G.V. y Stanley J.C. (1974).
Métodos Estadísticos Aplicados a las Ciencias Sociales, México, Prentice Hall
Hair,
J.F., Anderson, R.E., Tatham, R.L. y Black, W.C. (1999). Análisis Multivariante, 5° ed. Prentice
Hall, IBERIA, Madrid, España.
Hosmer D. W. y Lemeshow S. (2000). Applied
logist Resgression, 2da Edición, Editorial Jhon Wiley Sons.
Jambu, M. (1990). Exploratory and
Multivariate Data Analysis [Análisis Exploratorio y Multivariado de Datos].
California, EE.UU.: Academic Press.
Jimenez, E. U. (2005) Análisis
Multivariante Aplicado, Madrid España, Thomson.
La gestión de los riesgos en la
agricultura. Panorama Socioeconómico [en linea] 2008, 26 (enero-junio) : [Fecha
de consulta: 19 de mayo de 2019] Disponible
en:<http://www.redalyc.org/articulo.oa?id=39903601> ISSN 0716-1921Ley 602
de Gestión de Riesgos, noviembre 2014
Ley 144 Revolución Productiva, de junio
2011
López-Calleja Hiort-Lorenzen, C., Tablas
de Contingencia y Modelos de Regresión Logística aplicados a cuatro rutas
migratorias a partir del medio rural en Cuba, Población y Salud en Mesoamérica,
vol. 12, núm. 1, julio-diciembre, 2014, Universidad de Costa Rica, San José,
Costa Rica.
Manual de Organización y Funcionamiento
de la Unidad de Gestión de Riesgo Municipal. Gobierno municipal de Vitichi,
Equipo Técnico DIPECHO IX, Care
Internacional, La Paz - Bolivia
Material para el módulo redacción
científica aplicada a proyectos formativos por competencias, material compilado
por Acuña, Juan Alfredo, UPDS, 2018
Organización para la Cooperación y el
Desarrollo Económicos (OCDE) y el Departamento de Agricultura de Estados Unidos
(USDA), Recuperado de http://www.ceigram.upm.es, consultado 2019)
Pla, L.E.(1986) Análisis multivariado
método de componentes principales, Secretaría General de la OEA. Programa
Regional de Desarrollo Científico y Tecnológico, Washington, DC.
PREDECAN, Agenda Estratégica para el
fortalecimiento de la gestión de riesgo, Bolivia
Publicación de Dossier de Economistas
sin Fronteras con apoyo del CEIGRAM: «El futuro de la alimentación en el
mundo», C/ Senda del Rey 13 Campus Sur de prácticas E.T.S. de Ingeniería
Agronómica, Alimentaria y de Biosistemas Madrid 28040 España. Recuperado de http://www.ceigram.upm.es.
Rojo A, J.M. (2007). Regresión con
variable dependiente cualitativa, Instituto de Economía y Geografía, , Madrid
Sierra B. R. (1991) Diccionario práctico
de estadística, Madrid-España, Paraninfo.
Sistema de Gestión del Riesgo
Agropecuario de Potosí – SGRA, Ministerio De Desarrollo Rural Y Tierras,
Viceministerio De Defensa Civil, Prefectura del Departamento De Potosí,
FAO, INVENTA Publicidad E Impresos, La
Paz – Bolivia, 2009
Soto, Mario. (2007). Estadística
Aplicada I. Editorial Gratec, Segunda Edición,
Suárez, M. G. (1999). Análisis
multivariante, Madrid, Pearson Educación S.A.
Wooldridge, Jeffrey M. (2010).
Introducción A La Econometría Un Enfoque Moderno, 4ta Edición, Cengage Learning
Editores S.A., México-DF.
IV Anexos
Anexo A
UBICACIÓN
GEOGRÁFICA DE LA ZONA SUD EN EL DEPARTAMENTO DE POTOSÍ
Tabla 3.1:
POBLACIÓN REGIÓN ZONA SUD
Provincia |
Habitantes por provincia |
Sud Chichas |
44814 |
Nor Chichas |
42447 |
Modesto Omiste |
44906 |
Total |
132167 |
Elaboración propia, 2019
No
contempla datos del municipio de Atocha por estar exento del estudio por
ausencia de datos
TABLA
3.2 BOLIVIA: EVENTOS ADVERSOS DE ORIGEN NATURAL REPORTADOS,
SEGÚN TIPO DE EVENTO (EN NÚMERO DE REPORTES)
Descripción |
2002 – 2013 * |
% |
Inundación |
5.444 |
42% |
Sequía |
2.212 |
17% |
Helada |
2.249 |
17% |
Granizada |
2.211 |
17% |
Deslizamiento, mazamorra |
278 |
2% |
Viento huracanado |
246 |
2% |
Incendio |
321 |
2% |
Sismo |
25 |
0% |
Plaga |
15 |
0% |
Tormenta eléctrica |
1 |
0% |
Contaminación |
1 |
0% |
Total |
13.003 |
100% |
Fuente: Viceministerio de Defensa
Civil – INE *2013: Preliminar
TABLA 3.3: PRINCIPALES EMERGENCIAS CLIMÁTICAS
REPORTADAS EN BOLIVIA,
2002 – 2008
Tipo de evento |
2002 |
2003 |
2004 |
2005 |
2006 |
2007 |
2008(p) |
Inundación |
353 |
810 |
448 |
278 |
868 |
1.191 |
1.085 |
Sequía |
351 |
43 |
451 |
151 |
16 |
651 |
151 |
Helada |
66 |
5 |
153 |
132 |
121 |
1.259 |
451 |
Granizada |
311 |
67 |
261 |
74 |
194 |
695 |
413 |
Deslizamiento, mazamorra |
20 |
24 |
23 |
11 |
36 |
31 |
84 |
Viento hurcanado |
46 |
4 |
56 |
30 |
8 |
52 |
13 |
Incendio |
39 |
15 |
44 |
105 |
33 |
30 |
24 |
Plaga |
1.186 |
968 |
1.436 |
781 |
1.276 |
3.909 |
2.230 |
Sub total por emergencias climáticas |
1.186 |
968 |
1.436 |
781 |
1.276 |
3.909 |
2.230 |
Otras emergencias |
|
|
8 |
2 |
2 |
4 |
15 |
Total |
1.186 |
968 |
1.444 |
783 |
1.278 |
3.913 |
2.245 |
Fuente: VIDECI. INE, 2010 (P) preliminar
Comentarios
Publicar un comentario