Академический Документы
Профессиональный Документы
Культура Документы
1- Nota de nomenclatura: ha-1 significa "hectáreas" en el denominador. Por ej. Si hablamos de kilogramos por hectárea en el texto figura
como kg ha-1; o bien kg/ha. Por otra parte, N significa “nitrógeno”
10 Actualidad Económica - Año XIX - Nº 67 - Enero - Abril 2009
Desde el punto de vista (1) de la produc- INTA BID PICTO 12931 “La agricultura de
ción o microeconómico, las técnicas de la AP precisión como una herramienta clave para la
pueden ser aplicadas, por ejemplo, para la sustentabilidad de la producción de maíz en
búsqueda de: (a) la eficiencia técnica y econó- la región semiárida argentina”.
mica (rentabilidad); (b) el control de la calidad;
Como se puede observar en el Cuadro 1,
(c) la trazabilidad de la producción; (d) el control
las tecnologías más adoptadas en nuestro país
de plagas y enfermedades; (e) la fertilización con
son el monitor de rendimiento y el banderillero
dosis variable (DV); etc.
satelital, mientras que la tecnología de dosis
La AP también puede ser adoptada como variable muestra una adopción lenta pero soste-
(2) una herramienta de gestión, para: (a) registrar nida, en la medida en que se van identificando
datos; (b) supervisar empleados; (c) controlar los factores limitantes de rendimiento y se
actividades; (d) controlar a los contratistas; y (e) prescriben las recomendaciones adecuadas
capacitar a los operarios. para cada zona de manejo.
Por último, pero no por ello menos im- Para mayor información sobre la adopción
portante, la AP (3) es una herramienta útil de la AP en Latinoamérica, se puede acceder al
para proteger el ambiente y contribuir a la libro “AP: Integrando conocimientos para
sustentabilidad de la agricultura (Bongiovanni una agricultura moderna y sustentable” en
y Lowenberg-DeBoer, 2004). http://www.procisur.org.uy/data/documen-
tos/135050.pdf.
Los principios generales son transferibles
de un país a otro, pero la mejora de los siste- III. Economía de la Producción
mas de producción es específica para cada región,
porque los suelos, el clima y las condiciones La agricultura de precisión se puede estu-
económicas son muy variables. En nuestro país, diar a través de una rama de la economía agraria,
uno de los desafíos es adaptar las herramientas la economía de la producción, que se ocupa de los
de la AP a nuestras condiciones. procesos de decisión entre producciones alterna-
tivas, es decir, qué producir, cuánto producir, y
II. Adopción en Argentina cuál es la combinación óptima de recursos; a la
vez que, considera la influencia que ejercen los
La adopción de la AP en América Latina cambios tecnológicos y económicos sobre estas
comenzó a mediados de la década de 1990, si- decisiones. La economía de la producción hace
guiendo el liderazgo de EE.UU. y Europa. En la uso de herramientas de la econometría, como ser
actualidad, todos los países usan por lo menos la función de producción.
alguna de las herramientas de la AP. En Latinoa-
La función de producción o curva de
mérica, Argentina lleva el liderazgo en la adopción
respuesta es una descripción cuantitativa o
de monitores de rendimiento en cosechadoras;
matemática de las diferentes posibilidades de
mientras que Brasil es líder en estrategias de producción. Representa la relación técnica entre
manejo de suelos, tanto para fertilización o un factor de producción variable y un producto;
corrección, como para prevenir la erosión. Chile y brinda el o los productos esperados, en términos
lleva el liderazgo en materia de viticultura de físicos, para cada nivel de insumo(s), también en
precisión; Uruguay en producción de arroz; y términos físicos. Una función de producción se
Colombia en AP aplicada a cultivos tropicales. puede expresar como:
La difusión de la AP en Argentina comenzó y = f (xi )
a partir de 1996, desde el INTA Manfredi,
Córdoba, con el proyecto Agricultura de Precisión donde y es la cantidad producida; y
(www.agriculturadeprecision.org) y el proyecto x i son los factores variables de producción.
Actualidad Económica - Año XIX - Nº 67 - Enero - Abril 2009 11
Cuadro 1
Adopción de las herramientas de la agricultura de precisión en Argentina
1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Monitores de 25 75 155 270 400 420 600 850 1300 1450
rendimiento con GPS
Monitores de 25 125 145 180 160 180 250 350 300 350
rendimiento sin GPS
Monitores de 50 200 300 450 560 600 850 1200 1600 1800
rendimiento TOTAL
Dosis variable (DV) 1 2 3 4 5 6 7 8 20 40
en sembradoras
DV en camiones 2 2 2 2 6 6 6 6 7 7
fertilizadores (Terra-Gator)
DV en incorporadoras 0 0 0 0 0 0 4 4 30 30
de urea
DV en esparcidoras 0 0 0 0 0 0 0 10 20 40
de urea al voleo
DV en incorporadoras 0 0 0 0 1 2 3 3 3 3
de UAN
DV de UAN en pulverizado- 0 0 0 0 0 0 5 9 60 80
ras autopropulsadas
Fertilización con dosis 3 4 5 6 12 14 25 40 120 160
variable (DV), TOTAL
Banderilleros 35 60 100 160 200 230 300 450 470 500
satelitales en aviones
Banderilleros satelitales en 0 10 70 200 400 500 2000 3000 4000 4400
pulverizadoras
Pilotos automáticos 0 0 0 0 0 0 0 3 25 35
en tractores
Banderilleros 35 70 170 360 600 730 2300 3453 4495 4935
satelitales, TOTAL
Sensores de N 0 0 2 2 4 5 6 7 7 7
en tiempo real
Fuente: Proyecto AP INTA Manfredi (2007)
Si bien es cierto, que es imposible hacer deseado, que, por lo general, es el de maximizar
una lista completa de todos los factores que el retorno al factor variable o rentabilidad (π),
intervienen en la producción de un cultivo en es decir, maximizar la diferencia entre el valor
particular, la función de producción es una del producto y el costo de/los insumo/s:
simplificación que nos permite estimar la canti-
dad de la producción alcanzada con relación a π = py y - Σ pi xi - F
cantidades variables de insumos. Asume que: (1) donde py es el precio del producto;
hay una relación causal entre insumos (xi) y pro- pi los precios de los insumos;
F son los costos fijos.
ductos (y); (2) hay rendimientos decrecientes para
cada insumo (xi), de modo tal que el aumento de
producto que se logra por agregar más insumo Para maximizar la rentabilidad con res-
se hace menos y menos, y que pasado el punto pecto a un insumo en particular (x 1), se toma
de máximo rendimiento, cantidades adiciona- la primer derivada de π, y se despeja x1:
les de xi pueden tener un efecto negativo sobre el
rendimiento; por último, asume (3) retornos a ∂π/∂x1 = py (∂y/∂x1) - p1.
escala decrecientes, por lo que un incremento La condición para máxima rentabilidad
proporcional de todos los insumos resultará es: ∂y/∂x1 = py/p1. Es decir, la máxima rentabili-
en un incremento menos que proporcional en dad se da cuando el valor marginal del insumo
es igual a la relación inversa de precios (py/p1), o
el producto.
La función de producción permite con- bien, cuando el valor marginal del producto es
trolar el nivel de insumos para alcanzar un objetivo igual al costo del insumo marginal: py ∂y = p1 ∂x1.
12 Actualidad Económica - Año XIX - Nº 67 - Enero - Abril 2009
fica porque se basan en ensayos de parcelas y los sitios que están más cerca entre sí tienden
realizados en diversas estaciones experimen- a ser más parecidos que los sitios que están
tales de una amplia área de influencia. Por más separados. Por lo tanto, aún cuando se omi-
diseño, se omiten las características específicas tan variables sitio-específicas relevantes de un
de cada sitio, lo que las desacredita para prescribir modelo de regresión espacial, puede haber una
aplicaciones sitio-específicas de insumos. El correlación en esas variables omitidas con los
problema clave, tanto para el análisis de sitios que las rodean. La regresión espacial pro-
rentabilidad como para la estimación de la porciona herramientas para diagnosticar y tratar
respuesta sitio-específica es que no se ha los casos de correlación espacial.
tenido debidamente en cuenta la estructura
espacial de los datos georeferenciados. VI. Cómo usar la Regresión Espacial
Uno de los problemas es que la estadís-
Los modelos de regresión espacial se
tica tradicional que se usa en el análisis de
pueden dividir en dos grupos, de acuerdo a la
parcelas experimentales y de ensayos a campo
forma de dependencia espacial que haya entre
asume que las observaciones son independientes.
las observaciones (Anselin, 1995). En modelos
En el caso de los datos de agricultura de pre-
de ponderación espacial, la variable depen-
cisión, este supuesto de independencia ya no es
diente está correlacionada espacialmente de la
válido. Las observaciones recogidas con monitor
siguiente forma:
de rendimiento están claramente relacionadas
con las observaciones vecinas. y = ρWy + X β + ε (2)
Figura 2: Polígonos cuadrados que reflejan los rendimientos promedio dentro de cada cuadrícula.
de tener un diseño equilibrado, para posterior- Comenzando con los estimadores para
mente calcular una matriz de ponderadores REGIMES, los coeficientes de N y N2 son alta-
espaciales. Este promedio se hace con un pro- mente significativos y con el signo esperado. Las
grama GIS, creando cuadrículas sobre las ob- variables dummy tienen coeficientes significa-
servaciones y rotándolas de acuerdo al ángulo tivamente diferentes de la media al 1%, aunque
de las hileras. Los datos de los extremos del lote, N y N2 no varían significativamente con las
como así también los excesivamente altos o bajos áreas topográficas. La restricción sobre las variables
se eliminan usando un criterio estadístico dummy es que la suma de los coeficientes debe
(Moore y McCabe, 1998). Finalmente, después ser igual a cero, de modo tal que los coeficientes
de promediar los datos dentro de cada cuadrícula, reflejen la diferencia entre la ordenada al ori-
se obtiene una capa de polígonos cuadrados para gen o la pendiente en una posición topográfica
las cinco dosis de N, las cuatro áreas topográficas determinada, y la ordenada al origen o la
y los tres bloques (Figura 2). pendiente promedios.
Por cuestiones de espacio, se informan Los tests de diagnóstico sugieren el uso
sólo los resultados más importantes, correspon- del modelo “de error espacial”. Los tests LM-
dientes al ensayo realizado en el establecimiento Error (1706 con χ2 con 1 grado de libertad) y
“Las Rosas”, en la campaña 1998/99. El énfasis
LM-Lag (295 con χ2 con 1 grado de libertad)
es sobre la diferencia entre un modelo tradicional
rechazan la hipótesis de no autocorrelación espa-
de mínimos cuadrados ordinarios (OLS) que
incluye los tipos de posición topográfica (llamado cial con un alto nivel de significancia (p < 0.001).
REGIMES) y un modelo “de error espacial” que Además, el test de heteroscedasticidad sugiere la
incluye un término de error auto regresivo; presencia de este problema. Ambos efectos se
como así también la heterocedasticidad grupal incorporan en el modelo AUTO. Los coeficientes
estimada por ML-GHET (llamado AUTO). Los estimados varían poco con respecto a los valores
resultados de la estimación para los modelos obtenidos para REGIMES, a excepción de las
REGIMES y AUTO se indican en la Tabla 1. variables dummy para posición, donde los coe-
Actualidad Económica - Año XIX - Nº 67 - Enero - Abril 2009 17
Tabla 1
Coeficientes estimados y tests diagnóstico.
REGIMES AUTO
Variables COEF (Kg ha-1) Prob COEF (Kg ha-1) Prob
Constante 5863.68 0.0000 5942.87 0.0000
N 11.5415 0.0000 10.8791 0.0000
N² -0.0358 0.0000 -0.0243 0.0000
Bajo E 851.134 0.0000 418.883 0.0000
Pendiente E 199.967 0.0003 205.053 0.0021
Loma -1206.12 0.0000 -406.567 0.0000
Slope W 155.17 0.0016 -217.655 0.0121
N x Bajo E -2.8057 0.1210 -4.1845 0.0000
N x Pendiente E -1.0599 0.5893 -1.228 0.2103
N x Loma 3.3528 0.0913 3.1562 0.0149
N x Pendiente W 0.5143 0.7649 2.2770 0.0267
N² x Bajo E 0.01 0.4374 0.0215 0.0029
N² x Pendiente E -0.0056 0.6930 -0.0100 0.1564
N² x Loma -0.0071 0.6202 -0.0145 0.1210
N² x Pendiente W -0.0332 0.8347 -0.0214 0.6965
Lambda N/A N/A 78.5707 0.0000
4.5
Yield=b*N (AUTO model)
4
3.5 AUTO Low E
Distribution
3
2.5 Slope E
2
Hilltop
1.5
1 Slope W
0.5
0
0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15 0.16 0.17 0.18 0.19 0.2 0.21 0.22 0.23 0.24
Figura 3. Comparación de la respuesta esperada al N por posición topográfica en los modelos REGIMES y AUTO
ficientes para Bajo Este, Loma y Pendiente Oeste VI. a. Variabilidad espacial.
son bastante diferentes (con signo opuesto en la
última). En el modelo AUTO hay mayor evi- Para visualizar la variabilidad de los coe-
dencia de diferencias por posición topográfica enficientes estimados de la respuesta marginal al
N (el coeficiente de N) por posición topográfica
los términos de interacción con el N (para tres de
las cuatro categorías) y con N2 (para Bajo Este).se simuló la distribución de los estimadores y sus
errores estándar asumiendo una distribución
La R² ajustada cae de 0,60 en el modelo normal. La Figura 3 muestra las diferencias y
REGIMES a 0,39 en el modelo AUTO, aunque destaca el mayor grado de precisión obtenido el
las medidas de ajuste indican que el modelo modelo AUTO, donde es claro que los coeficien-
AUTO tiene un mejor ajuste. Se debe tener en tes de Bajo Este y Loma son significativamente
cuenta que la R² ajustada tiene un valor muy distintos de la respuesta media.
limitado en la regresión espacial, y que no debe La Figura 4 ilustra un segundo aspecto de
usarse para comparar con los resultados de la variabilidad de los coeficientes del modelo en
REGIMES. Las medidas de ajuste que se pueden las diferentes posiciones topográficas. Las curvas
usar para comparar los dos modelos son las de rendimiento esperado se calculan usando los
basadas en likelihood (LIK, AIC y SC). El ajuste coeficientes del modelo AUTO para el N y sus
del modelo mejora considerablemente cuando se interacciones con las posiciones topográficas. Las
usa el modelo de error espacial, corrigiendo la curvas muestran cómo la parte lineal y la
autocorrelación y la heterocedasticidad, como lo cuadrática varían en cada zona y entre zonas. Los
indica el aumento del log likelihood (de -5445 rendimientos son mayores en el Bajo, pero la
en REGIMES a -4652) y una reducción del respuesta es mayor en la Loma.
AIC y del SC (de 10914 en REGIMES a 9328 y La Figura 5 muestra la respuesta esperada
de 10980 en REGIMES a 9394). Esta mejora en del maíz al primer Kg de N en el modelo AUTO.
las medidas de ajuste era esperada, ya que el Similarmente a lo mostrado en la Figura 4, la
coeficiente de error espacial (Lambda) es alta- mayor respuesta ocurre en la Loma, y la menor
mente significativo. en el Bajo.
Actualidad Económica - Año XIX - Nº 67 - Enero - Abril 2009 19
Dosis uniforme
$414.94 $415.35 $0.41
agronómica (36,8)
Dosis uniforme
$416.95 $419.56 $2.62
económica (83,49)
Dosis variable
$412.22 $417.00 $4.78
menos $6 ha-1
Tabla 3
Resultados físicos y económicos por modelo y técnica de estimación.
Figura 9: Costos de indiferencia de la dosis variable para los doce diferentes modelos estimados.
lada con el modelo AUTO (el “exacto”). El 3) La dosis variable de nitrógeno es rentable
modelo AUTO se considera como la respuesta a un costo extra de USD 6 ha-1 que cobra el
real. Los resultados sugieren que los retornos al proveedor de servicios, usando el modelo AUTO.
N por dosis variable caerían de USD 417,00 ha-1
4) La respuesta al nitrógeno y las dosis
a USD 414,60 ha-1. Por lo tanto, el costo de una
óptimas por posición en el lote difieren de año
mala decisión sería de USD 2,40 ha-1, ó USD
en año.
2400 por año en una superficie de 1000 hectáreas.
Además, el análisis indica que se puede
VII. Conclusiones realizar la optimización económica cuando las
respuestas difieren dentro del lote. El beneficio
La principal contribución de este estudio clave del uso de la econometría espacial es que
es el demostrar que la econometría espacial se se tiene en cuenta la estructura espacial de los
puede aplicar al estudio de los datos del monitor datos para que generen coeficientes estimados
de rendimiento para estimar la respuesta del más precisos en la función de respuesta de
cultivo al fertilizante, en este caso la respuesta
rendimiento, porque corrige la correlación en el
del maíz al nitrógeno. La metodología es flexi-
término de error de la regresión. Los coeficientes
ble y tiene un gran potencial para el diseño de
del modelo AUTO tienen desviaciones estándar
ensayos a campo.
más chicas. Dado que estos parámetros son la
Los resultados de los estudios de fer- base a partir de la cual se apoyan todos los
tilización del maíz con N realizados en la campaña cálculos económicos, la mayor precisión de
1998-99 indican que: los coeficientes de respuesta incide directa-
1) Hay autocorrelación espacial y hetero- mente sobre los resultados de rendimiento,
cedasticidad en la respuesta del maíz al N. retornos y rentabilidad.
espacial y tradicional. El modelo AUTO brinda of Spatial Data. National Center for Geographic
información más confiable que el modelo Information and Analysis, University of California,
REGIMES, y esta información no se ve afectada Santa Barbara, CA.
por el método de estimación o el tipo de matriz
• Anselin, L. (1999). “Spatial Econometrics.”
de ponderadores espaciales.
Staff paper. Bruton Center, School of Social
Este resultado es interesante y alienta el Sciences, University of Texas at Dallas, Richardson,
uso de la econometría espacial en modelos espa- TX 75083-0688. 31 pp.
ciales, como una herramienta efectiva para
• Anselin, L. (2001a). “Spatial Effects in
determinar la rentabilidad de la dosis variable.
Econometric Practice in Environmental and
Se debe tener en cuenta que se trata de un análi-
sis “ex-post”, es decir, se asume que la respuesta Resource Economics,” American Journal of
del cultivo al N se conoce al momento de realizar Agricultural Economics 83 (3) 705-710.
la fertilización. A pesar de que la respuesta • Anselin, L. (2001b). Spatial Econo-
esperada nunca se va a conocer con certeza, un metrics, In B. Baltagi (ed.), A Companion to
análisis económico de este tipo es el punto de Theoretical Econometrics. Oxford: Basil Blackwell,
partida que permite comenzar a comprender las
pp. 310-330.
implicaciones del manejo sitio-específico.
• Anselin, L. and A. Bera. (1998). “Spatial
Bullock et al. (2001) señalan que la agri-
Dependence in Linear Regression Models with an
cultura de precisión tiene ciertos problemas de
adopción comercial, en parte porque no hay Introduction to Spatial Econometrics.” In A. Ullah
información suficiente como para apoyar las and D. Giles (eds.), Handbook of Applied Economic
decisiones de tipo sitio-específicas, y porque la Statistics. New York: Marcel Dekker, pp. 237-289.
información que hay no se usa eficientemente. • Anselin, L., Bongiovanni, R. and J.
Bullock y colaboradores pronostican que a me-
Lowenberg-DeBoer. (2004). “A Spatial Econometric
dida que haya más información disponible sobre
Approach to the Economics of Site-Specific
cómo usar la tecnología de precisión en forma
Nitrogen Management in Corn Production.”
rentable, los productores van a comenzar a de-
mandar más equipos. Las instituciones públicas American Journal of Agricultural Economics.
como el INTA tienen un rol importante en la 86(3) (August 2004): 671–683. American Agri-
generación y desarrollo de esta información, im- cultural Economics Association (AJAE).
plementando formas de crear mapas de manejo • Anselin, Luc. (1995). “SpaceStat, A
de bajo costo (por ej.: usando topografía, sensores Software Program for the Analysis of Spatial
remotos, etc.); y poniendo en práctica métodos
Data, Version 1.80 and SpaceStat Version 1.80
económicos de ensayos a campo de productores
User’s Guide.” Regional Research Institute,
(usando mapas de rendimiento, sistemas de
West Virginia University, Morgantown, WV.
información geográfica, y programas de regresión
espacial). Este trabajo es un ejemplo concreto de • Bongiovanni R., E.C. Mantovani, S. Best
lo que piden Bullock y colaboradores. y A. Roel (eds.). (2006). AGRICULTURA DE
PRECISIÓN: Integrando conocimientos para
VIII. Referencias una agricultura moderna y sustentable. PRO-
CISUR/IICA. Programa Cooperativo para el
•Anselin, L. (1988). Spatial Econometrics:
Desarrollo Tecnológico y Agroindustrial del
Methods and Models. Dordrecht: Kluwer.
Academic Publishers. Cono Sur. Montevideo, Uruguay. ISBN 92-
9039-741-1; 244 páginas.
• Anselin, L. (1992). SpaceStat Tutorial. http://www.procisur.org.uy/data/documen-
A Workbook for Using SpaceStat in the Analysis tos/135050.pdf.
Actualidad Económica - Año XIX - Nº 67 - Enero - Abril 2009 25
• Bongiovanni, R. and J. Lowenberg-De- • Brouder, Sylvie, and Robert Nielsen,
Boer, (2000). “Nitrogen management in corn (2000). “On-Farm Research,” in Precision Farming
using site-specific crop response estimates from Profitability, J. Lowenberg-DeBoer and K.
a spatial regression model.” In: Robert, P., Rust, Erickson, eds., Purdue University Agricultural
R. and W. Larson, eds., 2001. Proceedings of Research Programs, p. 103-112.
the 5th International Conference on Precision
Agriculture. July 16-19, 2000. Bloomington, • Bullock, D. S., and D. G. Bullock. (2000).
“From Agronomic Research to Farm Manage-
MN. (ASA-CSSA-SSSA, Madison, Wisconsin,
ment Guidelines: A Primer on the Economics of
2001). Pdf file 19.
Information and Precision Technology.” Precision
• Bongiovanni, R., (2002). “A Spatial Agriculture 2(1): 71-101.
Econometric Approach to the Economics of Site-
• Bullock, D. S., Swinton, S., and J.
Specific Nitrogen Management in Corn Produc-
Lowenberg-DeBoer. (2001). “Can Precision
tion.” Ph.D. Thesis in Agricultural Economics,
Agricultural Technology Pay For Itself? The
Purdue University, West Lafayette, IN, EE.UU. Complementarity of Precision Agriculture
Major Professor: Jess Lowenberg-DeBoer. Com- Technology and Information.” AAEA Spatial
mittee Members: Jay Akridge and Douglas Miller. Analysis Learning Workshop, August 4, 2001.
http://www.agriculturadeprecision.org/anale- Agricultural Economists Association Annual
con/BongiovanniPhDThesis.zip Meeting, Chicago, Illinois, August 4-8, 2001.
• Bongiovanni, R., and J. Lowenberg-De- • Griliches, Z. (1957). “Specification Bias
Boer. (2001). “Precision Agriculture: Economics in Estimates of Production Functions.” Journal
of Nitrogen Management in Corn Using Site- of Farm Economics 39(1): 8-20.
specific Crop Response Estimates from a Spatial
• Havlicek, J., Jr., and J. A. Seagraves.
Regression Model.” Selected Paper: American
(1962). “The ‘Cost of the Wrong Decision’ as a
Agricultural Economists Association Annual
Guide in Production Research.” Journal of Farm
Meeting, Chicago, Illinois, August 5-8, 2001.
Economics 44: 157-168.
http:// agecon.lib.umn.edu/cgi bin/view.pl
• Lambert, D., Lowenberg DeBoer, J. and
• Bongiovanni, R.G. (EDITOR) (2007). R. Bongiovanni. (2005) "A Comparison of Four
Special issue: “Precision Agriculture in Latin Spatial Regression Models for Yield Monitor
America” Journal Computers and Electronics in Data: A Case Study from Argentina." Journal of
Agriculture COMPAG (Elsevier B.V). ISSN Precision Agriculture, 5, 579–600. 2005 ISSN:
0168-1699. doi:10.1016/j.compag.2007.03.001. 1385-2256 (Paper) 1573-1618 (Online)
Volume 58, issue 1, August 2007. [Impact Factor:
0.851, Journal Citation Reports®, published by • Moore, D.S. and G.P. McCabe. (1998).
Thomson Scientific, 2007]. “Introduction to the Practice of Statistics.” 3rd.
edition. W.H. Freeman and Co. 826 pages.
• Bongiovanni, R.G.; C.W. Robledo and
• OCDE, (1994). “National Systems of
D.M. Lambert. (2007). “Economics of Site-Specific
Innovation: General Conceptual Framework.”
Nitrogen Management for Protein Content in
DSTI/STP/TIP (94), 4, Francia.
Wheat.” Special issue: “Precision Agriculture in
Latin America” Journal Computers and Electronics • Reca, L. y G. Parellada. (2001). “El sector
in Agriculture COMPAG (Elsevier B.V). ISSN agropecuario argentino”. Editorial FAUBA, Buenos
0168-1699. doi:10.1016/j.compag.2007.01.018. Aires. ISBN 950-29-0640-3, 150 p.REFERENCIAS
Volume 58, issue 1, August 2007. Pp. 13-24.
http://dx.doi.org/10.1016/j.compag.2007.01.018
26 Actualidad Económica - Año XIX - Nº 67 - Enero - Abril 2009
La heterocedasticidad ocurre cuando la varianza del término error no es constante para todos
los valores de la variable independiente de interés (es decir, no es homocedástica). Consecuente-
mente, el valor de la precisión de una regresión OLS es incorrecto, porque OLS asume un término
de error con varianza constante. Los estimadores OLS no están sesgados, pero ya no son los
más eficientes. Más importante todavía, los tests estadísticos t y F van a indicar otra cosa (en
otro sentido), y la R2 va a ser incorrecta. Es muy frecuente encontrar este problema en el análi-
sis espacial de datos, especialmente cuando se usan datos de unidades espaciales irregulares
(con diferente superficie), cuando hay diferencias sistemáticas en las relaciones que se están mod-
elando (Ej.: regímenes espaciales como tipos de suelo o topografía), o cuando hay una desviación es-
pacial en los parámetros del modelo (Ej.: expansión espacial). Si un modelo de regresión espacial
convencional ignora la presencia de cualquiera de estos efectos espaciales, produce un problema
de mala especificación. Por lo tanto, si hay indicios de heterocedasticidad, es necesario incor-
porar explícitamente los efectos espaciales, ya sea como regímenes espaciales, ya sea como
una expansión espacial de los parámetros. Hay muchos tests de heterocedasticidad, y todos parten
de la hipótesis nula de homocedasticidad: H0: E[εi ] = σ2. La hipótesis alternativa es que el tér-
2
mino error de cada una de las observaciones tiene una varianza diferente: H1: E[εi ] ≠ σ2.
2
También se puede acceder a cuantiosos trabajos realizados a través del portal gratuito de la
Universidad de Minnesota: http://agecon.lib.umn.edu/cgi-bin/view.pl.
Por otra parte, en el sitio del CSISS, Centro de Ciencias Sociales Espacialmente Integradas
(http://www.csiss.org/), financiado por la Academia Nacional de Ciencias, existen numerosas
herramientas y recursos para el adecuado tratamiento de los datos georeferenciados. Su misión es
cultivar una visión integral sobre la investigación científica que reconozca la importancia de
la ubicación, el espacio y el lugar. Dentro de sus productos, se encuentra el software de Econometría
Espacial GeoDa, que se puede descargar gratuitamente de: http://www.csiss.org/clearinghouse/GeoDa/.
Este software funciona como un GIS y como un paquete de análisis econométrico al mismo
tiempo. Este sitio provee además material bibliográfico, otros programas de análisis espacial,
cursos de capacitación, herramientas de búsqueda especializada, etc.
28 Actualidad Económica - Año XIX - Nº 67 - Enero - Abril 2009