Pronósticos multivariados de poblaciones con series de tiempo: el caso de la ZMCM contrastado con datos del Censo 2010

Eliud Silva**Manuel Ordorica***

Escuela de Actuaría, Universidad Anáhuac del Norte. Correo electrónico: <jsilvaurrutia@hotmail.com>. El Colegio de México. Correo electrónico: <mordori@colmex.mx>.

* Eliud Silva es actuario egresado de la UNAM, diplomado en Modelos Econométricos Dinámicos por el ITAM, maestro en Demografía por El Colegio de México y doctor en Ingeniería Matemática con especialidad en Estadística por la Universidad Carlos III de Madrid. Se ha desarrollado profesionalmente en compañías de seguros, como asesor de proyectos de investigación en Consejos de Población y en la Secretaría de Salud; fue estadístico del Ceneval y funcionario de Conaculta. Ha impartido cursos en Naciones Unidas (sede en México); también ha sido docente de licenciatura y posgrado en la UNAM, El Colegio de México, la Universidad Carlos III de Madrid, el ITAM y el Instituto Tecnológico de Monterrey. Fue ganador del tercer lugar del Concurso de Investigación Demográfica Gustavo Cabrera de El Colegio de México en su edición 2010. Ha publicado artículos en revistas nacionales y extranjeras relacionados con series de tiempo y tópicos demográficos. Actualmente es profesor de tiempo completo de la Universidad Anáhuac.
* Manuel Ordorica cursó la carrera de actuario en la Facultad de Ciencias de la UNAM; es maestro en Demografía por El Colegio de México, y doctor en Ingeniería con especialidad en Investigación de Operaciones por la UNAM. Su tesis de doctorado “El filtro de Kalman en la planeación demográfica” obtuvo mención honorífica. Fue jefe del Departamento de Evaluación y Análisis Demográfico en la Dirección General de Estadística; director de Estudios de Población en el Consejo Nacional de Población; consultor en Educación en Población de la UNESCO; coordinador de la maestría en Demografía y del doctorado en Estudios de Población en El Colegio de México, y fungió como director del Centro de Estudios Demográficos y de Desarrollo Urbano de dicha institución. Forma parte del consejo editorial de la revista Population (INED, París). Pertenece al Sistema Nacional de Investigadores y recibió el Premio Nacional de Demografía 1998. Trabaja en el campo de la demografía matemática. Actualmente es secretario general de El Colegio de México.


Resumen:

En este artículo se utilizan series de tiempo multivariadas para mostrar que es factible realizar pronósticos de población con esta perspectiva y se evidencia cómo éstos son satisfactorios de acuerdo con datos derivados del Censo de Población y Vivienda 2010 para la Zona Metropolitana de la Ciudad de México (ZMCM). Se enuncia de manera general la metodología empleada para realizar los pronósticos partiendo de técnicas de desagregación, ajustes y estimación de pronósticos multivariados. Se considera que las herramientas metodológicas capaces de proyectar de manera eficiente resultan indispensables para elaborar gran diversidad de programas públicos cuyo principal objetivo sea un desarrollo sustentable.

Recibido: 21-10-2011; Aceptado: 10-04-2012

Estudios demográficos y urbanos, 2018

Palabras clave: series de tiempo, compatibilidad, pronósticos multivariados, modelo VAR(p), horizonte de pronóstico.
Key words: time series, compatibility, multivariate forecasts, VAR (p) model, forecast horizon.

Introducción

Con base en la literatura especializada resulta evidente que las herramientas estadísticas de series de tiempo se pueden emplear para la descripción, análisis y pronósticos de diversos problemas demográficos. En este sentido, por citar algunos casos, desde la década de los ochenta se han elaborado diversas investigaciones, como por ejemplo: Land y Cantor, 1983; Carter y Lee, 1986; Thompson et al., 1989; McNown y Rogers, 1992; Lee y Tuljapurkar, 1994; Bell, 1997; Keilman et al., 2002; McNown y Rajbhandary, 2003; Laporte y Fergusonb, 2003; Brücker et al., 2003; McNown y Ridao-Cano, 2005; Jeon y Shields, 2008; Girosi y King, 2008; Tuljapurkar et al., 2004; Hyndman y Booth, 2008; Alonso et al., 2008; Okitaet al., 2009; Goldstein et al., 2009; Cornwell, 2009. Con esta perspectiva, es decir, al emplear series de tiempo en el contexto de proyecciones de población se advierte que se pueden asociar a las estimaciones puntuales futuras, intervalos de predicción con determinado nivel de confianza, donde se prioriza un apego a la objetividad derivada de los mismos datos, y, por otra parte, se considera que ésta resulta ser una visión complementaria con ciertas propuestas recientes, como la elaborada por King y Samir (2011).

Una de las mayores preocupaciones que sistemáticamente afectan a las instituciones generadoras de información, como el INEGI (Instituto Nacional de Estadística y Geografía) y el Conapo (Consejo Nacional de Población) en México y a los ministerios y consejos de población de otros países, así como a las instancias públicas y privadas que la utilizan, es lo tocante a las proyecciones o pronósticos de población. Universalmente se aspira a que éstos sean lo más confiables posible, para que con base en ellos se puedan sostener programas o planes cuyo diseño e implementación parten del supuesto de que se satisfagan determinados pronósticos oficiales y sean lo más precisos posible. Un pronóstico sin una apropiada precisión, por ejemplo en el sector público, es información que puede poner en jaque la viabilidad de algún programa social, ya sea en términos económicos o sociales, por decir lo menos.

Ante la eventual problemática que puede acarrear la baja capacidad predictiva de una proyección demográfica, en este trabajo se hace referencia a una alternativa cuyos elementos se han sugerido originalmente en el ámbito económico, pero que resultan eficientes en el ámbito demográfico. Así pues, el objetivo del presente trabajo es exponer el potencial que tiene la propuesta metodológica elaborada por Silva et al. (2011), donde se emplean series de tiempo multivariadas para pronósticos de población. Se particulariza en el caso de los resultados del Censo 2010 para la Zona Metropolitana de la Ciudad de México (ZMCM). Asimismo, y como hipótesis, se tiene que la herramienta metodológica representa una alternativa para, en concreto, enriquecer los mecanismos de proyecciones demográficas, y en general para realizar una mejor planeación en distintos órdenes, así como para propiciar un ambiente idóneo a considerar por parte de los tomadores de decisiones.

Metodología

Se sigue la propuesta metodológica de Silva et al. (2011) que se sustenta en el manejo de modelos de series de tiempo multivariados denominados VAR(p) (VAR, del inglés Vector Autoregressive). Para la implementación de la metodología se emplea el software estadístico EViews versión 5.0 en lo referente a la estimación y diagnóstico del modelo VAR(p), en tanto que se utiliza Matlab versión 7.0 para las desagregaciones y pronósticos multivariados. Cabe mencionar que en general, para este fin, se podrían utilizar algunos otros softwares, como SAS, STATA, R o RATS.

La lógica de utilizar series de tiempo multivariadas emerge de la concepción de cómo está compuesta la ZMCM. Esta zona se concibe como un conjunto de municipios y delegaciones que a su vez constituyen anillos; a saber, es una ciudad central y tres anillos (en el cuadro 1 se explica cómo fueron consideradas dichas unidades geográficas). Aún cuando se podrían estimar cuatro modelos independientes, con o sin la perspectiva de series de tiempo, para las unidades geográficas referidas, al tener evidencia de que existe dependencia temporal entre las series (lo cual se puede verificar de manera formal mediante las denominadas pruebas decointegración), resultaría un desperdicio el no aprovechar toda la información disponible. Con esto se considera justificable el uso de la perspectiva multivariada.

CUADRO 1.

Composición de la ZMCM


TFN1Fuente: Definición de la ZMCM adoptada con base en la propuesta del INEGI.


Debe notarse que para la desagregación no se cuenta con datos específicos censales de 1940 a 2000 relativos a la ciudad central y los anillos, sino que sus series se deben ir reconstruyendo a partir de los respectivos datos de municipios y delegaciones (a pesar de que en algunos casos no existen como tales en las primeras décadas que se consideran en el análisis) (véase el cuadro 2). Lo mismo ocurre en cuanto a las estadísticas vitales, las cuales se aproximan por medio de porcentajes. A continuación se citan, de manera general, los cuatro pasos principales de la metodología.

CUADRO 2.

Censos de población (1940-2010) y conteos (1995-2005) por anillos concéntricos


TFN2Nota: Los datos de 2005 corresponden a datos con estimación elaborados por el INEGI.

TFN3n.d. = Dato no disponible.

TFN4Fuente: Recopilación propia en los censos respectivos (INEGI, 1940-2010) y en los conteos (INEGI, 1995 y 2005).


Paso 1. Previo

Se realiza la recolección de datos provenientes de los censos de población desde 1940 hasta 2000, de los conteos de 1995 y 2005, e información anual de estadísticas vitales (nacimientos y muertes) de 1941 a 2000. Siguiendo un algoritmo de naturaleza demográfica (véase el anexo) se generan series anuales de tasas acumulativas de crecimiento demográfico PGR 1 (Population Growth Rate), tomando como momento inicial el año de 1940 y estimando el crecimiento en referencia con dicho año y cada uno de los años restantes para cada unidad geográfica. Éstas son las llamadas series preliminares.

Paso 2. Desagregación

Se define un vector de variables no observables de tamaño 4 (k) (número de unidades geográficas consideradas)

<alternatives> Z D T = Z C C P T , Z f r p t , Z s r p t , Z t r p t ´ </alternatives>
, donde los subíndices se refieren a la unidad geográfica respectiva: ciudad central (ccpt), primer anillo (frpt), segundo anillo (srpt), tercer anillo (trpt). Esto se realiza para todo el tiempo deseado de desagregación anual, que comienza en 1941 y termina en 2000; es decir, para t = 1, ..., mn donde n = 6, número de periodos censales completos y m es la frecuencia anual (m = 10 años en una década). Luego se define otro vector apilado
<alternatives> Z D = Z ' D 1 , , Z ' D m n ' </alternatives>
en el cual, si se observa, se disponen en forma alterna las series correspondientes a los años señalados. Como se trata de variables no observables, se requiere estimarlas a partir de series observables más alguna información adicional, lo cual se obtiene definiendo de manera análoga los vectores apilados para las series preliminares WDT y WD. Con base tanto en
<alternatives> W D </alternatives>
como en YD=CDZD (combinación lineal que contiene la información censal), donde YD es un vector que contiene los datos agregados ZD de(datos censales) y C D es una matriz de constantes conocidas; se estima con


<alternatives> Z ^ D = W D + A D Y D - C D W D </alternatives>

Una forma sencilla de interpretar la expresión [1] es afirmar que las series desagregadas finales (estimadas) son iguales a las series preliminares más un factor de ajuste (o corrección), el cual está vinculado con las restricciones por satisfacer, es decir, con los datos censales. Se remite al lector al artículo de Guerrero y Nieto (1999) para mayores detalles sobre el método y las definiciones empleadas.

Con la desagregación se transita de un número pequeño de observaciones a otro mucho más elevado. O sea, de siete observaciones (datos censales de 1940, 1950, …, 2000) a un total de 60 observaciones (1941, 1942, …, 1999, 2000), y además esta cantidad de datos se genera para cada una de las unidades geográficas definidas. El tipo de desagregación que se realiza se puede entender como una interpolación, con la propiedad de que se garantizan optimalidad y propiedades deseables en términos de estimación. También es importante destacar que las series preliminares no deben tener como meta el alcanzar los niveles de las observaciones censales, sino que en todo caso son ellas las que proporcionan la estructura a las series desagregadas finales. Estas últimas sí que deben satisfacer las restricciones expuestas en el segundo sumando de la ecuación [1]. A manera de validación de la metodología para la desagregación se verifica que los datos del Conteo 1995 caigan respectivamente dentro de los intervalos de estimación a un nivel de 95% de confianza.

Paso 3. Pronósticos multivariados

Para los pronósticos multivariados se define el vector

<alternatives> Z t = Z c c p t , Z f r p t , Z s r p t , Z ' </alternatives>
de k = 4 variables observadas en el tiempo t, es decir, para las series desagregadas correspondientes a las unidades geográficas (para más detalles véase Lütkepohl, 2005). Se asume que el conjunto de series desagregadas admite una representación de un modelo VAR(p)


<alternatives> B Z t = D t + a t </alternatives>

donde Π (B) es una matriz polinomial de orden p finita en el operador retraso B tal que

<alternatives> B X T = X t - 1 X y t,  D t ,  </alternatives>
, son elementos determinísticos y { a t } es un vector de ruido blanco. Se define además el vector
<alternatives> Z F = Z N + 1 ' , , Z N + H ' ' </alternatives>
de valores futuros con horizonte de pronóstico de 20 años. Se ha demostrado en la literatura que el pronóstico lineal de
<alternatives> Z N + h </alternatives>
es óptimo en el sentido de error cuadrático medio mínimo, para h = 1, ..., H, además de ser condicionalmente insesgado.

Por otra parte, se hacen dos modificaciones sobre los intervalos de confianza de los pronósticos multivariados: los ajustes por ser generados a partir de procesos estimados y la adherencia de los errores heredados de la desagregación. Para este último punto se consideran matrices de covarianza de los residuales correspondientes así como los datos respectivos de las dos últimas décadas, es decir, de 1980 a 2000, para incluirlas dentro del horizonte de pronóstico de 2001 a 2020. La eficiencia de los pronósticos multivariados se respalda tomando en cuenta los datos del Conteo 2005 y verificando que estas observaciones caigan respectivamente dentro de los intervalos de predicción a un nivel de 95% de confianza.


GRÁFICA 1.

Pronósticos multivariados para la ZMCM, 2001-2020


  —Nota: Intervalos de predicción de 95%. Los puntos respectivos son los datos del Conteo 2005..   —Fuente: Cálculos propios..

Paso 4.Verificación del potencial de la técnica

Un elemento teórico adicional considerado por Silva et al. (2011) lo constituyen las llamadas pruebas de compatibilidad, cuyo objetivo esencial es señalar qué tan acordes o no son los valores futuros propuestos con base en el comportamiento de las series poblacionales observadas. La propuesta de este estadístico fue planteada por Guerrero y Peña (2000, 2003), y de manera general viene dado por


<alternatives> K=d ' Ω - 1 d~ X M 2 </alternatives>

donde

<alternatives> d=Y-CE Z F | Z </alternatives>
. Entonces se dice que Y es incompatible con
<alternatives> CE Z F | Z </alternatives>
al nivel de significancia 100
<alternatives> α </alternatives>
% si
<alternatives> K c a l c > X M   2 α </alternatives>
con M grados de libertad (M número de metas futuras). Esta prueba se puede realizar de manera marginal para validar las metas con base en alguna única serie objeto de estudio o bien de manera conjunta, es decir para todas las unidades geográficas de manera simultánea. Se habla entonces de compatibilidad parcial y compatibilidad total. Con base en estas pruebas estadísticas, así como con los intervalos de predicción, se verifica el potencial de la propuesta metodológica.

En el cuadro 3 se presenta una síntesis de los pasos comprendidos para la aplicación de la metodología con la finalidad de que el lector los pueda seguir y dimensionar globalmente.

CUADRO 3.

Pasos de la metodología



Resultados para pronósticos de 2010

Una vez expuesta brevemente la metodología de Silva et al. (2011) se valora qué tan eficiente resulta ésta en cuanto a su capacidad predictiva con base en los datos censales del año 2010, es decir, se procede a conocer qué potencial tiene la propuesta metodológica. El insumo para esta tarea es el conjunto de resultados de volúmenes de población que se han alcanzado en la ZMCM y que provienen de los resultados del levantamiento del Censo de Población y Vivienda 2010 a cargo del INEGI, algo relativamente análogo a lo que se realizó con datos de los conteos 1995 y 2005 respectivamente.

Con base en los resultados del Censo se calcularon las PGR correspondientes para los crecimientos (o eventuales decrementos) de la ciudad central y los anillos concéntricos (se utiliza la fórmula VII del anexo). Durante la elaboración de Silva et al. (2011), desde la perspectiva estadística se tenía la certeza de que los intervalos de predicción iban a contener los niveles de población para 2010 y que para los conteos subsecuentes (si es que los hubiera) sería necesario actualizar los pronósticos dotándolos de mayor información. Sin embargo, por tratarse de una manera distinta de hacer las proyecciones poblacionales, con la mirada demográfica existía un sano grado de escepticismo ante la verificación del potencial de la propuesta de los pronósticos multivariados.

En la práctica resulta inverosímil que los pronósticos puntuales de cualquier fenómeno donde se susciten de manera intrínseca efectos aleatorios generados por diversas causas, cualquiera que sea el método con el que se elaboren, tengan un error nulo o una precisión absoluta. Por esta razón, resulta recomendable acompañarlos con sus respectivos intervalos de predicción. Más aún, si todo intervalo de predicción es capaz de contener los datos que se desea pronosticar, entonces se puede evidenciar que se tiene capacidad predictiva, y en eso radica justamente el potencial de la técnica aquí propuesta.

Para un juicio objetivo y orientador acerca de la viabilidad del cumplimiento de metas futuras en diversos contextos, adicionalmente a los intervalos de predicción, resultan útiles las pruebas de compatibilidad. Una pregunta natural que se puede formular es en torno a la relación que pudiera existir entre los intervalos de predicción y las pruebas de compatibilidad. De manera empírica, por medio de diversas simulaciones elaboradas por los autores, se ha observado que las regiones donde se satisface la compatibilidad contienen a los intervalos de predicción. Por lo tanto, en el marco de los denominados pronósticos restringidos multivariados, una buena manera de fijar metas futuras por alcanzar es emplear todo el conjunto de puntos contenido en los intervalos de predicción.

Conforme a las ideas básicas anteriores se ha optado por buscar la pertenencia de las PGR observadas del Censo 2010 en los intervalos de predicción con los distintos niveles de confianza que generalmente se emplean: 90, 95 y 99% (los resultados se muestran en el cuadro 4). En resumen, considerando tanto los intervalos de predicción como los resultados de las pruebas de compatibilidad se lograron los siguientes hallazgos para cada una de las unidades geográficas:

CUADRO 4.

PGR observadas vs. intervalos de predicción


TFN5LI: límite inferior del intervalo de predicción; LS: límite superior del intervalo de predicción. Se marca con * el intervalo donde el valor observado pertenece al intervalo de predicción.

TFN6Fuente: Cálculos propios.


  1. a) Ciudad central. En ningún caso el valor observado de la PGR cae dentro de los intervalos de predicción. Se piensa que esto se explica en gran medida debido a los resultados de la política del Bando 2, que se impuso en 2000 con la idea de incentivar el repoblamiento y así aprovechar la infraestructura urbana ahí existente (véase Delgadillo, 2009; Paquete y Yescas, 2009). De hecho la PGR Observada es incompatible con la dinámica de la serie porque el valor del estadístico es de 20.57 y es significativo al 1%; se rompe con la dinámica de la tendencia que presentaba esta serie. Otra perspectiva de este mismo resultado sería que la política agresiva de repoblamiento en el Distrito Federal tuvo éxito, sin embargo haría falta precisar si eso era lo que se esperaba para 2010, tanto para los planificadores como para los tomadores de decisiones, o más bien fue algo circunstancial cuyas consecuencias no se han previsto en lo tocante a su sustentabilidad, ya sea en el corto, mediano o largo plazos.
  2. b) Primer anillo. El valor de la PGR es 3.47, que cae casi dentro del intervalo de predicción de 90%; asimismo resulta estar contenida en los dos últimos intervalos de predicción. En este caso el estadístico de compatibilidad fue de 2.68 y no es significativo al 1%; también se aprecia que con base en el dato censal hubo un incremento poblacional más alto que la resultante a partir de la estimación puntual obtenida.
  3. c) Segundo anillo. La PGR observada fue de 3.90 y está contenida en todos los intervalos de predicción; de hecho, es la única de todas las unidades geográficas que posee esta característica. Su estadístico de compatibilidad fue de 2.83 y es no significativo al 1%. A diferencia de los otros dos anillos, el dato censal es menor que la estimación puntual generada.
  4. d) Tercer anillo. Su PGR es 2.86 y se alcanza a cubrir hasta el intervalo de predicción de 99%, en tanto que su estadístico de compatibilidad parcial fue de 5.22 y es no significativo también al 1%. Al igual que en el caso del primer anillo, el dato censal es más alto que la estimación puntual obtenida.

Con base en la gráfica 2 y con los estadísticos de compatibilidad parcial y total, los resultados del Censo 2010 serían compatibles si no hubiera tenido efecto alguno la política de repoblamiento impuesta en la ciudad central; es decir, los datos censales de 2010 son compatibles con la dinámica de crecimiento poblacional de la ZMCM exclusivamente en los anillos. En términos cualitativos se puede afirmar que el ritmo de crecimiento es menos pronunciado para el segundo anillo y más pronunciado de lo previsto para las demás unidades geográficas. Para subsecuentes pronósticos convendría tomar los datos observados de 2010 y así hacer los ajustes respectivos.


GRÁFICA 2.

Pronósticos irrestrictos para la ZMCM, 2001-2020


  —Nota: Intervalos de predicción de 95%. Los puntos de colores respectivos son los datos del Censo 2010..   —Fuente: Cálculos propios..

De acuerdo con la gráfica 2, se pueden distinguir aproximadamente las denominadas etapas del metropolitanismo (véase Sobrino, 2007): i) concentración (la tasa de crecimiento demográfico de la ciudad central supera a la de la periferia); ii) desconcentración (la periferia alcanza un mayor ritmo de crecimiento poblacional respecto a la ciudad central); iii) despoblamiento (la ciudad central inicia un saldo neto migratorio negativo y prosigue hasta el decrecimiento absoluto de su población), y iv) repoblamiento (la ciudad central retoma su crecimiento demográfico). En un trabajo de investigación futuro convendría entonces, a partir de los datos censales de 2010, hacer un estudio acerca de la movilidad de la población de la ZMCM en relación con el lugar de residencia en retrospectiva.

Conclusiones

Se utilizan métodos estadísticos de series de tiempo multivariadas con el propósito de explicar que esta perspectiva resulta apropiada para los pronósticos de población. Así pues, el enfoque estadístico expuesto puede ser útil y adecuado para propiciar un panorama idóneo para la toma de decisiones, más allá de que el conjunto de herramientas estadísticas que lo conforman haya sido originalmente propuesto en el ámbito económico.

Para subsecuentes pronósticos y conforme a la presente propuesta, sería oportuna la actualización de los pronósticos sobre las mismas series demográficas con datos censales de 2010. Asimismo se considera que se podría utilizar la herramienta para hacer propuestas de planes de crecimiento demográfico donde se utilicen nuevamente las llamadas pruebas de compatibilidad. Por otra parte, se está ante la disyuntiva de deducir qué es más eficiente: a) aplicar la desagregación hasta 2010, o b) usar pronósticos restringidos para satisfacer la meta (datos observados) de 2010, para pronosticar posteriormente en ambos casos.

Una implementación de la propuesta de Silva et al. (2011) para todos los estados del país podría resultar extremadamente costosa en términos de tiempo, presupuesto y esfuerzo. Sin embargo sería más factible y provechoso en términos estratégicos replicar la aplicación de la metodología en las zonas metropolitanas del país. La idea sería en principio establecer las unidades geográficas que las definen y luego seguir los pasos subsecuentes, dado que se tiene una alta concentración demográfica en ellas y que existe una alta generación de riqueza (PIB) en las mismas.

Finalmente es digno de mencionar que con horizontes de pronósticos más pequeños, por ejemplo cinco años, los resultados suelen ser más satisfactorios en el caso univariado; sin embargo en el caso multivariado, como el ejemplo de la ZMCM, los resultados sugieren que se puede tener eficiencia predictiva en al menos el doble de tiempo. Esto a manera de orientación y con base en diversas pruebas que realizamos los autores, más allá de un resultado teórico formalmente demostrado.




Agradecimientos

Los autores agradecen profundamente los comentarios de los dictaminadores anónimos para mejorar este trabajo.

Appendix
Anexo.

El algoritmo para obtener las series preliminares es el siguiente:

  1. I. Calcular los crecimientos naturales para el D.F. y el Estado de México, siendo denotadas respectivamente por ngdƒt y ngsmt, para t = 1941, 1942, …, 2000.
  2. II. Calcular las poblaciones parciales para ambas unidades dfp t y smp t , por medio de

    <alternatives> dƒ p t =dƒ p 2000 - n + t = 2000 - n + 1 2000 n g d t </alternatives>
    y

    <alternatives> sm p t =sm p 2000 - n + t = 2000 - n + 1 2000 n g s m t </alternatives>
    con n = 60.
  3. III. Considerar la proporción de poblaciones de las unidades geográficas respecto a
    <alternatives> Dƒ p t * +sm p t * </alternatives>
    para los años censales t* = 1940, 1950, ..., 2000, representados por rccp t* , rfrp t* , rsrp t* y rtrp t* . Posteriormente calcular las proporciones para años intercensales t, dados por rccp t , rfrp t , rsrp t y rtrp t , asumiendo un comportamiento lineal. Nótese que las series de las proporciones estimadas deben satisfacer la relación

    <alternatives> rmzmc p t =rcc p t +rfr p t +rsr p t +rtr p t </alternatives>
    para t = 1941, 1942, …, 2000.
  4. IV. Calcular las series de las proporciones de población para las unidades geográficas con

    <alternatives> cc p t + =rcc p t d ƒ p t + s m p t </alternatives>

    <alternatives> fr p t + =rfr p t d ƒ p t + s m p t </alternatives>

    <alternatives> sr p t + =rsr p t d f p t + s m p t </alternatives>

    <alternatives> tr p t + =rtr p t d f p t + s m p t </alternatives>
    para t = 1941, 1942, …, 2000.
  5. V. Calcular las diferencias asumidas como atribuibles a la migración para las unidades geográficas:

    <alternatives> migcc p t * =ccp c t * -cc p t * + </alternatives>

    <alternatives> migfr p t * =frp c t * -fr p t * + </alternatives>

    <alternatives> migsr p t * =srp c t * -sr p t * + </alternatives>

    <alternatives> migtr p t * =trp c t * -tr p t * + </alternatives>
    para t*= 1940, 1950, …, 2000, donde ccpc t* , frpc t* , srpc t* y trpc t* son datos censales en los años t*. Luego asumir que la migración presenta un comportamiento uniforme en el tiempo y agregar un décimo de esas diferencias a las estimaciones anuales obtenidas en el paso IV.
  6. VI. Calcular las series para t = 1941, 1942, …, 2000 como sigue:

    <alternatives> cc p t =cc p t + +0.1*migcc p t * </alternatives>
    ,

    <alternatives> fr p t =0.1*migfr p t * </alternatives>
    ,

    <alternatives> sr p t =sr p t + +0.1*migsr p t * </alternatives>

    <alternatives> tr p t =tr p t + +0.1*migtr p t * </alternatives>
    .
  7. VII. Finalmente, estimar las PGR entre 1940 y cada año desde 1941 hasta 2000, para cada unidad geográfica, con la expresión

    <alternatives> PG R t =In p t p 1940 </alternatives>


Bibliografía
Alonso, A.M., D. Peña y J. Rodríguez (2008), “A Methodology for Population Projections: An Application to Spain”, Madrid, Universidad Carlos III de Madrid (Working Papers, Statistics and Econometrics, 8.12).
Bell, W. (1997), “Comparing and Assessing Time Series Methods for Forecas-ting Age-Specific Fertility and Mortality Rates”, Journal of Official Statistics, núm. 13, pp. 279-303.
Brücker, H., B. Siliverstovs y P. Trübswetter (2003), “International Migration to Germany: Estimation of a Time-Series Model and Inference in Panel Cointegration”, documento de trabajo, Berlín, German Institute for Economic Research, DIW Berlin.
Carter, L. y R. Lee (1986), “Joint Forecasts of US Marital Fertility, Nuptiality, Births and Marriages Using Time Series Models”, Journal of the American Statistical Association, vol. 81, núm. 396, pp. 902-911.
Cornwell, D. (2009), “An Exploratory Time Series Analysis of Apprehensions and Linewatch Hours on the Southwest Border”, documento de trabajo, Office of Immigration Statistics.
Delgadillo, V. (2009), “Reseña de ‘Los desafíos del Bando 2. Evaluación multidimensional de las políticas habitacionales en el D.F. 2000-2006’, de Sergio Tamayo”, Economía, Sociedad y Desarrollo, vol. 9, núm. 29, pp. 209-220.
Girosi, F. y G. King (2008), Demographic Forecasting, Princeton-Woodstock, Princeton University Press.
Goldstein, E., J. Dushoffb, J. Mad, J. Plotkine, D. Earnc y M. Lipsitcha (2009), Reconstructing Influenza Incidence by Deconvolution of Daily Mortality Time Series, Princeton, Burton H. Singer, Princeton University.
Guerrero, V.M. y F.H. Nieto (1999), “Temporal and Contemporaneous Disa-ggregation of Multiple Economic Time Series”, Sociedad de Estadística e Investigación Operativa (test), vol. 8, núm. 2, pp. 459-469.
Guerrero, V.M. y D. Peña (2000), “Linear Combination of Restrictions and Forecasts in Time Series Analysis”, Journal of Forecasting, núm. 19, pp. 103-122.
Guerrero, V.M. y D. Peña (2003), “Combining Multiple Time Series Predictors: a Useful Inferential Procedure”, Journal of Statistical Planning and Inference, núm. 116, pp. 249-276.
Hyndman, R.J. y H. Booth (2008), “Stochastic Population Forecasts Using Function Data Models for Mortality, Fertility, and Migration”, International Journal of Forecasting, núm. 24, pp. 323-342.
INEGI (1940-2010), Censos Generales de Población y Vivienda: Distrito Federal y Estado de México, México, Dirección General de Estadística, Instituto Nacional de Estadística, Geografía e Informática.
INEGI (1995), I Conteo de Población y Vivienda 1995: Distrito Federal y Estado de México, México, Dirección General de Estadística, Instituto Nacional de Estadística, Geografía e Informática.
INEGI (2005), II Conteo de Población y Vivienda 2005: Distrito Federal y Estado de México, México, Dirección General de Estadística, Instituto Nacional de Estadística, Geografía e Informática.
INEGI (2010), Censos Generales de Población y Vivienda 2010: Distrito Federal y Estado de México, México, Dirección General de Estadística, Instituto Nacional de Estadística y Geografía (Bases de Datos).
Jeon, Y. y M. Shields (2008), “The Impact of Relative Cohort Size on U.S. Fertility, 1913-2001”, IZA Discussion Papers, 3587, Bonn, Institute for the Study of Labor (IZA).
Keilman, N., D. Pham y A. Hetland (2002), “Why Population Forecasts Should be Probabilistic - Illustrated by the Case of Norway”, Demographic Research, vol. 6, pp. 409-454.
King, G. y S. Samir (2011), “The Future of Death in America”, Demographic Research, vol. 25, pp. 1-38.
Land, K. y D. Cantor (1983), “ARIMA Models of Seasonal Variation in U.S. Birth and Death Rates”, Demography, núm. 20, pp. 541-568.
Laporte, A. y B. Fergusonb (2003), “Income Inequality and Mortality: Time Series Evidence from Canada”, Journal of Infection and Public Health, vol. 66, núm. 1, pp. 107-117.
Lee, R. y S. Tuljapurkar (1994), “Stochastic Population Projections for the United States: Beyond High, Medium and Low”, Journal of the American Statistical Association, vol. 89, núm. 428, pp. 1175-1189.
Lütkepohl, H. (2005), New Introduction to Multiple Time Series Analysis, Nueva York, Springer.
McNown, R. y S. Rajbhandary (2003), “Time Series Analysis of Fertility and Female Labor Market Behavior”, Journal of Population Economics, Springer, vol. 16, núm. 3, pp. 501-523.
McNown, R. y C. Ridao-Cano (2005), “A Time Series Model of Fertility and Female Labour Supply in the UK”, Journal Applied Economics, núm. 37, pp. 521-532.
McNown, R. y A. Rogers (1992), “Forecasting Cause-Specific Mortality Using Time Series Methods”, International Journal of Forecasting, núm. 8, pp. 413-432.
Okita, Y., W. Pfau y G. Thanh (2009), “A Stochastic Forecast Model for Japan’s Population”, documento de trabajo, Tokio, National Graduate Institute for Policy Studies (GRIPS Discussion Paper, 9.6).
Paquette, C. y M. Yescas (2009), “Producción masiva de vivienda en la Ciudad de México: dos políticas en debate”, Revista de la Organización Latinoamericana y del Caribe de Centros Históricos, núm. 3, pp. 15-26.
Silva, E., V. Guerrero y D. Peña (2011), “Temporal Disaggregation and Res-tricted Forecasting of Multiple Population Time Series”, Journal of Applied Statistics, vol. 38, núm. 4, pp. 799-815.
Sobrino, J. (2007), “Patrones de dispersión intrametropolitana en México”, Estudios Demográficos y Urbanos, vol. 22, núm. 3 (66), pp. 583-617.
Thompson, P., W. Bell, J. Long y R. Miller (1989), “Multivariate Time Series Projections of Parametrized Age-Specific Fertility Rates”, Journal of the American Statistical Association, núm. 84, pp. 689-699.
Tuljapurkar, Shripad, Lee Ronald y Li Qi (2004), “Random Scenario Forecasts versus Stochastic Forecasts”, International Statistical Review, vol. 72, núm. 2, pp. 185-199.


Métricas de artículo

Vistas Resumen.
Número total de vistas al resumen de este artículo.
a description of the source 268
Esta revista








Cargando métricas ...

Metrics powered by PLOS ALM

Enlaces refback

  • No hay ningún enlace refback.


Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

 

Información legal

ESTUDIOS DEMOGRÁFICOS Y URBANOS, vol. 35, núm. 1 (103), enero-abril, 2020, es una publicación electrónica cuatrimestral editada por El Colegio de México, A.C., con domicilio en Carretera Picacho Ajusco núm. 20, col. Ampliación Fuentes del Pedregal, alcaldía Tlalpan, C.P. 14110, Ciudad de México, tel. +52 (55) 5449 3031, página web: www.colmex.mx, correo electrónico: ceddurev@colmex.mx. Editor responsable: Manuel Ángel Castillo. Reserva de Derechos al Uso Exclusivo: 04-2016-031810381800-203, ISSN impreso: 0186-7210, ISSN electrónico: 2448-6515, ambos otorgados por el Instituto Nacional del Derecho de Autor. Responsable de la última actualización de este número: Leticia Argüelles, Carretera Picacho Ajusco núm. 20, col. Ampliación Fuentes del Pedregal, alcaldía Tlalpan, C.P. 14110, Ciudad de México. Fecha de última modificación, 09 de diciembre de 2019.

El contenido de los artículos publicados es responsabilidad de cada autor y no representa el punto de vista de El Colegio de México, A.C. Se autoriza cualquier reproducción parcial o total de los contenidos o imágenes de la publicación, incluido el almacenamiento electrónico, siempre y cuando sea sin fines de lucro o para usos estrictamente académicos, citando invariablemente la fuente sin alteración del contenido y dando los créditos autorales.

Licencia de Creative Commons Licencia de Creative Commons Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional