La clasificación multivariada del espacio geográfico genera como resultado una diferenciación areal en torno a la combinación de una gran cantidad de variables, las cuáles se consideran relevantes para llegar a la definición de unidades del paisaje diferenciadas claramente mediante su configuración espacial, producto de la alta homogeneidad interna relativa y, por el contrario, de la heterogeneidad con respecto a las demás unidades espaciales o áreas geográficas.
El resultado final de la clasificación multivariada es la construcción de áreas sociales homogéneas, como modelo socioespacial, que evidencia las heterogeneidades espaciales internas del área de estudio, siendo una representación simplificada de la realidad que expresa sus características más significativas.
En este aspecto, el análisis multivariado con fines clasificatorios puede aplicarse desde dos perspectivas: la primera, centrada en la clasificación de las variables, para lograr macrovariables o componentes de la problemática en cuestión; la segunda, centrada en la correlación de unidades espaciales, para la obtención de áreas o regiones geográficas (Buzai y Baxendale, 2006; Sánchez, 2007).
Ambas posibilidades analíticas parten del cálculo de distancias multivariadas a partir del cual queda expresado el grado de asociación entre la totalidad de variables o de unidades espaciales.
Existen diferentes posibilidades analíticas para captar la composición del espacio geográfico mediante la consideración de áreas homogéneas.
El análisis espacial cuantitativo contribuye a los procedimientos de construcción areal, mediante la aplicación de diversas técnicas de análisis de datos, con el objetivo de definir las características estructurales del sistema espacial.
Tabla 3.1 Métodos estadísticos de clasificación multivariada
|
Métodos de clasificación |
Ventajas |
Desventajas |
|
Natural Breaks (Rompimiento natural en la distribución de frecuencias de los datos) |
Para datos numéricos que están distribuidos de manera dispar, o que no sigan una distribución normal de valores |
Las clases responden solamente al conjunto de datos tratado. Es difícil hacer comparaciones entre dos o más distribuciones. Es difícil distinguir clases cuando el conjunto de datos es distribuido equitativamente |
|
Quantile (Cuantiles) |
Ideal para datos numéricos distribuidos de manera lineal. Una distribución lineal se refiere a cuando ordenamos los datos y obtenemos una línea más o menos recta cuando conectamos las barras del histograma. Comparar áreas con tamaños similares. Para enfatizar la posición de uno o más objetos dentro de una distribución ordenada. |
En caso de distribuciones no lineales, la división de clases puede separar valores parecidos, exagerando diferencias insignificantes. Por el contrario, se puede agrupar valores muy diferentes en una sola clase, escondiendo diferencias importantes. |
|
Equal Interval (Intervalos regulares) |
Al igual que el método de cuantiles, ayuda a enfatizar el valor de un objeto dentro de una distribución ordenada. Es más fácil de entender para audiencias no técnicas. Se usa también para presentar datos tales como elevación, temperatura o precipitación |
Iguales al método “quantiles”. Puede existir uno o más grupos o clases sin ningún objeto. |
|
Standard Deviation (Desviación Estándar) |
Este método se usa para mostrar valores atípicos mediante la diferencia entre el valor del objeto y su relación (diferencia) con el promedio (media) de la distribución. La diferencia se mide en desviaciones estándar (s). |
Cuando la distribución es sesgada, el valor de la media no representa exactamente una tendencia central. De este modo, algunos valores diferentes pueden agruparse en la misma clase. No presenta los valores reales de la distribución sino cuánto se diferencian de la media en términos de la desviación estándar. |