análisis de puntos calientes (Gi* de Getis-Ord)
Como parte del Proyecto de Mejora de la Asequibilidad del Agua del MIT desarrollamos análisis de puntos calientes en Seattle, Chicago y Alexandria, con el fin de comprender la pobreza del agua en ciudades de EE.UU. y explorar respuestas políticas locales y federales. Este análisis se lleva a cabo en RStudio comenzando por el procesamiento de data y terminando con los mapas de puntos calientes, que muestran patrones espaciales y demográficos en los vecindarios urbanos más afectados por los desafíos de asequibilidad del agua.
Análisis de puntos calientes de la ciudad de Chicago: Cortes de agua 2016 - 2019; Hogares inscritos en programas de ayuda al consumidor 2019; y Variables demográficas
Este análisis de puntos calientes muestra que la mayoría de los programas de ayuda al pago no están siendo asignados a los clústeres de cortes de agua en barrios segregados de Chicago.
Análisis de puntos calientes de la ciudad de Alexandria: Cortes de agua 2017 - 2020; Hogares inscritos en programas de ayuda al consumidor 08/20 - 07/21; Hogares inscritos en programas federales; y Variables demográficas
Este análisis de puntos calientes muestra que solo en el sur de Alexandria los programas de ayuda al pago y los programas federales están siendo asignados a un barrio con altos índices de cortes de agua.
Los análisis de puntos calientes se realizan a través de códigos en R Studio donde se procesan bases de datos para realizar los análisis estadísticos espaciales.
¿Qué es un análisis de puntos calientes?
Es una herramienta estadística utilizada para identificar áreas donde ciertos valores se agrupan de manera significativa. A través del método Gi* de Getis-Ord, este análisis no solo muestra ubicaciones con valores altos o bajos, sino que determina si esas concentraciones son estadísticamente significativas. Para que una zona sea considerada un punto caliente, no basta con que tenga valores altos, sino que debe estar rodeada de otras áreas con valores igualmente altos.
Este análisis es especialmente útil cuando se combina con mapas demográficos, ya que permite comparar patrones espaciales y comprender mejor cómo ciertos fenómenos afectan diferentes comunidades. Aplicado en planificación urbana, puede ayudar a identificar zonas con alta concentración de problemas como falta de acceso a servicios, desigualdad económica o costos elevados de vivienda, facilitando la toma de decisiones basadas en datos.