Indicadores Compuestos

Introducción
Etapas de su diseño y construcción

Visualización y diseminación
Compilización de indicadores existentes
Indicadores compuestos:
Algunas consideraciones metodológicas
Andrés Schuschny, PhD.
Email: andres@schuschny@cepal.org
Comisión Económica para América Latina y el Caribe
División de Recursos Naturales e Infraestructura
(CEPAL, Naciones Unidas)
Simpósio Internacional
Observatorios: de Mudancas
una visión Climáticas
hacia las ciudades e Pobreza na
sostenibles
14 de diciembre, 2012
América do Sul - Universidade de Sao Paulo,
September 2, 2010
Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Introducción Indicadores en general
Etapas de su diseño y construcción ¿Qué son los indicadores compuestos?
Visualización y diseminación Algunos ejemplos
Compilización de indicadores existentes Los pros y los contras
Diferencias entre estadı́sticas e indicadores
Las estadı́sticas (en el marco del desarrollo sostenible) son

series oficiales que describen el estado y la evolución de:
Las caracterı́sticas del medio ambiente natural (aire/clima,

agua, tierra/suelo, biota)



Las actividades antrópicas que afectan al medio ambiente y
las repercusiones de tales actividades y fenómenos



Las actividades antrópicas que afectan al medio ambiente y
las repercusiones de tales actividades y fenómenos

Diferencia entre estadı́stica e indicador
Los indicadores son valores que se construyen a partir de las

estadı́sticas como, señales medibles reflejando caracterı́sticas
cuantitativas o cualitativas importantes para hacer juicios o
toma de decisiones:

Utilidad de usar indicadores
Mostrar el estado y las tendencias en el territorio

Producir señales de alerta para mejorar la asignación de
recursos escasos, paliar o manejar problemas


Formular polı́ticas y programas sectoriales, planes de
monitoreo y estrategias de conservación y gestión, focalizar el
gasto


gasto
Evaluar el impacto de una situación en relación a una meta o
programa


gasto
programa
Anticipar condiciones o tendencias futuras


gasto
programa
Informar a los stakeholders propiciando la transparencia y
participación


gasto
programa
Informar a los stakeholders propiciando la transparencia y
participación

Indicadores de Desarrollo sostenible



Proceso de construcción de un sistema de IDS

Indicadores Compuestos
Indicadores Compuestos

¿Qué es un indicador compuesto?
Una representación cuantitativa que resume, en un tema

dado, el desempeño comparado de unidades de organización y
que será utilizado como punto de partida para un análisis
futuro.
Da una imágen de contexto =⇒ Facilita señales, tendencias

o fenómenos a veces no directamente detectables sobre una
cuestión relevante.


futuro.

Se lo diseña en función de la relevancia polı́tica i.e. que sirva
a la toma de decisiones y que produzca cierta resonancia
en relación al tema estudiado.


futuro.

Se lo diseña en función de la relevancia polı́tica i.e. que sirva
a la toma de decisiones y que produzca cierta resonancia
en relación al tema estudiado.

Indicadores compuestos: Algunos ejemplos

Indice de Desarrollo Humano
PNUD/UNDP


PNUD/UNDP
Environmental Sustainability
Index (2005)


PNUD/UNDP
Index (2005)


PNUD/UNDP
Index (2005)
La Huella Ecológica Wackernagel &
Rees (1996), Univ. of British
Columbia


PNUD/UNDP
Index (2005)
Columbia


PNUD/UNDP
Index (2005)
Columbia
Índice de Ahorro Genuino
Banco Mundial (2000)


PNUD/UNDP
Index (2005)
Columbia


PNUD/UNDP
Index (2005)
Columbia
Environmental Performance
Index - EPI (2008)


PNUD/UNDP
Index (2005)
Columbia
Index - EPI (2008)


PNUD/UNDP
Index (2005)
Columbia
Index - EPI (2008)

Indicadores compuestos: Los pros
1 Proveen una “imagen de contexto” =⇒ Focaliza y facilita la

interpretación y la sı́ntesis.
2 Integran y resumen diferentes dimensiones de un tema =⇒
Pueden apoyar la toma de decisiones y la señalización polı́tica.


3 Al suministrar la comparabilidad (benchmark) entre las
unidades de análisis y su evolución, atraen el ı́nterés público.


4 Reducen el tamaño de la lista de estadı́sticas e indicadores a
considerar en el análisis =⇒ El indicador sintético como
reductor de complejidad/diversidad


4 Reducen el tamaño de la lista de estadı́sticas e indicadores a
considerar en el análisis =⇒ El indicador sintético como
reductor de complejidad/diversidad

Indicadores compuestos: Los contras
1 Si los indicadores están mal diseñados, pueden dar lugar a

mensajes erróneos, confusos o poco robustos
2 Al reducir la complejidad de un tema en algo “supuestamente
mensurable”, pueden dar lugar a sesgos de confirmación o a
la simplificación excesiva =⇒ Suponen la necesidad de
emplear sub-indicadores.


3 Acarrean un alto nivel de incertidumbre asociado a la
integración de escalas y dimensiones diversas.


4 Es esencial la interacción con pares/expertos/stakeholders
para lograr la mutua aceptación del indicador.


5 Requieren seguir principios estadı́sticamente fundamentados y
procedimientos transparentes.

5 Requieren seguir principios estadı́sticamente fundamentados y
procedimientos transparentes.
¡¡LA GRAN LIMITACIÓN!!
El “indisponibilidad” estadı́stica
Ausencia de información básica

Falta de procedimientos sistemáticos en la generación de la
información

información
Muy incipiente toma de conciencia (ambiental) =⇒ Limitados
esfuerzos prácticos en la generación de la información

información
Problemas de aplicabilidad técnica debida a la ausencia de
datos o la disponibilidad de datos inconsistentes o poco
confiables

información
Problemas de aplicabilidad técnica debida a la ausencia de
datos o la disponibilidad de datos inconsistentes o poco
confiables

Además:
Puede haber conflicto con las escalas: lo que es pertinente

a nivel local, puede no serlo a nivel nacional (por ejemplo:
encuestas).
En necesario, evitar la redundancia de la información =⇒ Se
deben realizar análisis de correlación.

Además:

encuestas).
Es importante conocer la disponibilidad, calidad y frecuencia
de muestreo de la información con que se alimenta =⇒
Disponer de los Metadatos.

Además:

encuestas).
Es importante conocer la disponibilidad, calidad y frecuencia
de muestreo de la información con que se alimenta =⇒
Disponer de los Metadatos.

1. Marco metodológico o conceptual
Introducción 2. Seleccionar indicadores
Etapas de su diseño y construcción 3. Análisis multivariado
Visualización y diseminación 4. Imputación de datos perdidos
Compilización de indicadores existentes 5. Normalización y pesado de los datos
6. Análisis de robustez y sensibilidad
1 Desarrollar marco metodológico o conceptual

2 Seleccionar indicadores


3 Análisis multivariado


4 Imputar de datos perdidos


5 Normalización de los datos


6 Pesado de los datos


7 Agregación


7 Agregación
8 Análisis de robustez y sensibilidad


7 Agregación
9 Vinculación del indicador con otras variables


7 Agregación
10 Presentación y diseminación


7 Agregación
10 Presentación y diseminación

“Lo que está mal definido estará mal medido...”

Es necesario tener categorizado el contexto de análisis y
comprender el fenómeno a medir


A veces conviene agrupar la información en forma anidada en
subgrupos y calcular sub-indicadores


Es conveniente enumerar los criterios de selección de las
variables y documentar todo el proceso de construcción


Es conveniente enumerar los criterios de selección de las
variables y documentar todo el proceso de construcción

Guı́a para la construcción de Indicadores Compuestos

http://www.eclac.cl/publicaciones/xml/7/36127/w255-2.pdf

2. Seleccionar indicadores
La fortaleza o debilidad de un indicador compuesto recae en la

calidad de las variables que lo componen
Es necesario validar la calidad del dato


Discutir la pertinencia de cada variable


Ajustar la escala cuando sea necesario


Crear tablas resumen o metadatos (caracterı́sticas,
disponibilidad, fuentes, tipo, responsable, etc.) para cada
variable y sub-indicador


Crear tablas resumen o metadatos (caracterı́sticas,
disponibilidad, fuentes, tipo, responsable, etc.) para cada
variable y sub-indicador

3. Análisis multivariado (i)
Tiene el objetivo de eliminar correlaciones espureas =⇒ A

mayor correlación entre variables, menores las dimensiones de
análisis que estarı́an presentes.
Análisis de componentes principales

Es un método de reducción dimensional. Se trata de explicar la
mayor parte de la variabilidad con el menor número de
componentes posibles.



Análisis factorial
Se usa para agrupar la información y ver si las dimensiones teóricas
coinciden o no con las estadı́sticas



Análisis factorial
Se usa para agrupar la información y ver si las dimensiones teóricas
coinciden o no con las estadı́sticas

3. Análisis multivariado (ii)
Análisis de agrupamiento (Clustering Análisis)

Para establecer tipologı́as en grupos (por ejemplo: paı́ses)
“homogéneos en sı́ y heterogéneos entre sı́”, maximizando la
distancia (debidamente definida) de las unidades de tipologı́as
diferentes y minimizando la distancia de las unidades de una
categorı́a particular.
Usos:
(i) como herramienta de diagnóstico,
(ii) para agrupar paı́ses y/o imputar datos perdidos,
(iii) como método de agregación.

4. Imputación de datos perdidos: ¿Qué hacer?

Se podrı́a remover el paı́s o indicador del análisis, aunque esto
puede dar lugar a sesgos indeseables...
Imputación simple
Modelización implı́cita: (i) asignar el dato conforme a
unidades similares; (ii) sustituir con información existente ó
(iii) tomar valores de otras fuentes.


Imputación simple
Modelización explı́cita: sustituir por la media, mediana o la
moda, regresiones o algoritmos de expectación-maximización.


Imputación simple
Imputación múltiple
Por ejemplo estimando la matriz de covarianzas y la distribución a
priori a partir de la cual se imputarán valores al azar.

Imputación simple
Imputación múltiple
Por ejemplo estimando la matriz de covarianzas y la distribución a
priori a partir de la cual se imputarán valores al azar.
5. Normalización de los datos (i)
Objetivo: Llevar los indicadores a una misma unidad de

medida
Ello puede obligar a realizar transformaciones de escala y/o
correcciones de simetrı́a para evitar que los valores extremos
dominen los resultados y suavizar los cambios marginales
según los niveles (linealizar, usar logaritmos, potencias,
Box-Cox, Manly, etc.)


medida
Al normalizar se deberá tener en cuenta la tendencia,
ciclicidad y presencia de valores atı́picos de los datos


medida
La normalización debe ser invariante a cambios de la unidad
de medida.


medida
La normalización debe ser invariante a cambios de la unidad
de medida.

5. Normalización de los datos (ii)
Emplear tasas o porcentajes de variación

i
xti −xt−1
yti = i
xt−1
× 100
Ordenamiento de los indicarores entre paı́ses

yti = Rango(xti ∈ X ). Se pierde información del paı́s pero los
outliers no afectan.


i
xti −xt−1
yti = i
xt−1
× 100

Estandarización (Z-value)
i
yti = xt −E
σtx
(xt )
. Todas las variables quedan centradas. Conviene
evitar los outliers.


i
xti −xt−1
yti = i
xt−1
× 100

Estandarización (Z-value)
i
yti = xt −E
σtx
(xt )
. Todas las variables quedan centradas. Conviene
evitar los outliers.

5. Normalización de los datos (iii)
Re-escaleo
xti −min∀p (xtio )
yti = max∀p (xtio )−min∀p (xtio )
Ó si se trabaja con registros en varios
xti −min∀t min∀p (xti )
instantes del tiempo: yti = max∀t max∀p (xti )−min∀t min∀p (xti )
∈ [0, 1]
Distancia a paı́s de referencia

xti xti −xtRo
yti = xtRo
ó yti = xtRo
Según lo considere el analista, la referencia
puede ser un objetivo a lograr en algún t, un paı́s (que no sea un
outlier ó dato atı́pico), un “paı́s promedio”, o el propio paı́s en
to = 0

5. Normalización de los datos (iii)
Re-escaleo
xti −min∀p (xtio )
yti = max∀p (xtio )−min∀p (xtio )
Ó si se trabaja con registros en varios
xti −min∀t min∀p (xti )
instantes del tiempo: yti = max∀t max∀p (xti )−min∀t min∀p (xti )
∈ [0, 1]
Distancia a paı́s de referencia

xti xti −xtRo
yti = xtRo
ó yti = xtRo
Según lo considere el analista, la referencia
puede ser un objetivo a lograr en algún t, un paı́s (que no sea un
outlier ó dato atı́pico), un “paı́s promedio”, o el propio paı́s en
to = 0

5. Normalización de los datos (iv)
Categorización de escalas alfanuméricas

• Los rangos pueden basarse en los percentiles
• Ejemplo: Estar por encima y debajo de la media, siendo p un
umbral):
i
Sı́ xxRt > (1 + p) ⇒ yti = 1
to
xti
Sı́ xtRo
< (1 − p) ⇒ yti = −1
xti
Sı́ (1 − p) ≤ xtRo
≤ (1 + p) ⇒ yti = 0
• Los outliers no afectan pero se pierde información de los niveles.

5. Pesado de los datos (i)
A partir de criterios matemático-estadı́sticos

Componentes principales / Analisis de factores
Data Envelopment Analysis (DEA)
Regresiones múltiples
Modelos de componentes no observados
En función de la opinión experta (métodos
participativos)
Opinión pública
Por asignación realizada por expertos (tipo “Delphi”)
Ponderar sobre la base de la distancia a objetivos planteados
Existen metodologı́as como el Analytic Hierarchy Process (que
realiza comparaciones de a pares de variables) o el Análisis
conjunto (método multiatributo)

5. Pesado de los datos (i)
A partir de criterios matemático-estadı́sticos

Componentes principales / Analisis de factores
Data Envelopment Analysis (DEA)
Regresiones múltiples
Modelos de componentes no observados
En función de la opinión experta (métodos
participativos)
Opinión pública
Por asignación realizada por expertos (tipo “Delphi”)
Ponderar sobre la base de la distancia a objetivos planteados
Existen metodologı́as como el Analytic Hierarchy Process (que
realiza comparaciones de a pares de variables) o el Análisis
conjunto (método multiatributo)

5. Pesado de los datos (ii)
Algunas consideraciones:
Los datos deben estar normalizados
Todas las dimensiones de análisis (eco/soc/env/inst) deberı́an
tener el mismo número de indicadores

No confundir redundancia con correlación. Redundancia
implica correlación pero no viceversa

No confundir redundancia con correlación. Redundancia
implica correlación pero no viceversa

5. Agregación de los datos (iii)
Sumar los rankings

Itj = ki=1 Rankingy ij forall1 ≤ j ≤ Npais (es el método más simple
P
t
y es independiente de los outliers, sin embargo se pierde
información de los niveles)
Contar los indicadores que superan o exceden una referencia dada

k
X h yi i
t
It = sgn − (1 + p) con p un umbral
i=1
E (yti )
(en este caso la media; es independiente de los outliers, sin

embargo se pierde información de los valores absolutos)

Sumar los rankings

Itj = ki=1 Rankingy ij forall1 ≤ j ≤ Npais (es el método más simple
P
t
y es independiente de los outliers, sin embargo se pierde
información de los niveles)
Contar los indicadores que superan o exceden una referencia dada

k
X h yi i
t
It = sgn − (1 + p) con p un umbral
i=1
E (yti )
(en este caso la media; es independiente de los outliers, sin

embargo se pierde información de los valores absolutos)

Agregación lineal
k
X k
X
It = w i · yti con wi = 1 y 0 ≤ wi ≤ 1
i=1 i=1
(requiere cálculo de pesos y la normalización, los pesos actúan

como ratios de compromiso; hay sustituibilidad completa)
Ejemplo: Sea el PIB, desigualdad, degradación ambiental y
desempleo
Paı́s A: 30, 2, 2, 2 = 9 (con pesos equi-proporcionales 14 )
Paı́s B: 9, 9, 9, 9 = 9

5. Agregación de los datos (iv)

Agregación geométrica
k
i k
X
It = Πki=1 (yti )w = [(yt1 )w1 · · · (ytk )w ]con = 1 y 0 ≤ wi ≤ 1
i=1
Paı́s A: 30, 2, 2, 2 = 3.9 (con pesos equi-proporcionales 14 )

Paı́s B: 9, 9, 9, 9 = 9
wi
Si los indicadores son logaritmos, wj = al % de mejora en yti
necesario para compensar la declinación de ytj en un 1% .
Además:
i wi i wi
Pk i i
Pk k
i=1 w · log(yt ) = i=1 log[(yt ) ] = log Πi=1 (yt )
6. Análisis de robustez y sensibilidad (i)
OjO: Indicadores compuestos mal construidos pueden dar

lugar a mensajes erróneos o de excesiva simplicidad.
Es necesario juzgar lo realizado y evaluar la sensibilidad
frente a cambios en la elección de las variables y de los
procedimientos adoptados, ya que:


Pequeños cambios de la arquitectura del indicador
pueden dar lugar a grandes distorsiones
de los valores obtenidos.


Pequeños cambios de la arquitectura del indicador
pueden dar lugar a grandes distorsiones
de los valores obtenidos.

6. Análisis de robustez y sensibilidad (ii)
Se trata de probar varias configuraciones de (i) selección, (ii)

normalización y (iii) pesado de las variables para luego
comparar los valores obtenidos y conocer:
¿cuán sensible es el indicador a cambios de su arquitectura?


¿cómo cambian los rankings de la unidades de organización?


¿cuáles son las unidades más volatiles?


¿cuáles son las fuentes de volatilidad (con independencia de la
calidad de los datos)?


¿cuáles son las fuentes de volatilidad (con independencia de la
calidad de los datos)?

6. Análisis de robustez y sensibilidad (iii)
Propagación de la
variabilidad: Para evaluar
la dispersión resultante
del indicador sintético

Propagación de la
Análisis de sensibilidad:
Para evaluar cuáles son
los factores que afectan
su variabilidad

Propagación de la
su variabilidad

Propagación de la
su variabilidad

Introducción
Visualización y diseminación: Diseño de información
Cada herramienta de visualizáción tienen sus pros y sus

contras.
Tabulaciones
Gráficos de barras, lı́neas, radares, Box-Whisker, Pareto, etc.
Semáforos y termómetros
Listas de rankings
Gráficos con medias móviles
Modelos integrados
Tableros de comando (dashboards)
=⇒ Ver presentación sobre diseño de información

Introducción
Compilación de algunos indicadores existentes
Indicador Paı́ses Variables Normalización Pesos Agregación

xti −min x 1 P3 i
• Índice de Desarrollo 177 3 max x−min x
Iguales 3 i=1 yt
Humano (IDH), PNUD
Pp
• Índice de Desempeño Ambiental 133 16 100 = el mejor ACP + i=1
wi yti
(EPI), Yale Univ. 0 = el peor Expertos
• Índice de Sostenibilidad Ambiental 146 76 Z-Score Iguales 1 Pp yi
p i=1 t
(ESI), Yale & Columbia Univ.
Pp
• Índice de Ahorro Genuino, 104 5 Monetizado Iguales yi
i=1 t
Banco Mundial
Pp
• Índice de Bienestar Económico 6 25 Monetizado Iguales yi
i=1 t
Sostenible, Hamilton/Saddler
Pp
• La Huella Ecológica, 148 depende Transformación Iguales yi
i=1 t
Univ. British Columbia en km2 s
xti p
Qp xti
• Índice del Planeta Vivo, World Wild Fund - 1100 Iguales
xi i=1 x i
t−1 t−1

Indicadores Compuestos

Uploaded by

Copyright:

Available Formats

You might also like

Indicadores Compuestos

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Indicadores Compuestos

Uploaded by

Copyright:

Available Formats

Introducción

Etapas de su diseño y construcción

Andrés Schuschny, PhD.

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Diferencias entre estadı́sticas e indicadores

Las estadı́sticas (en el marco del desarrollo sostenible) son

Las caracterı́sticas del medio ambiente natural (aire/clima,

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Diferencias entre estadı́sticas e indicadores

Las estadı́sticas (en el marco del desarrollo sostenible) son

Las caracterı́sticas del medio ambiente natural (aire/clima,

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Diferencias entre estadı́sticas e indicadores

Las estadı́sticas (en el marco del desarrollo sostenible) son

Las caracterı́sticas del medio ambiente natural (aire/clima,

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Diferencia entre estadı́stica e indicador

Los indicadores son valores que se construyen a partir de las

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Utilidad de usar indicadores

Mostrar el estado y las tendencias en el territorio

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Utilidad de usar indicadores

Mostrar el estado y las tendencias en el territorio

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Utilidad de usar indicadores

Mostrar el estado y las tendencias en el territorio

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Utilidad de usar indicadores

Mostrar el estado y las tendencias en el territorio

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Utilidad de usar indicadores

Mostrar el estado y las tendencias en el territorio

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Utilidad de usar indicadores

Mostrar el estado y las tendencias en el territorio

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Indicadores de Desarrollo sostenible

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Indicadores de Desarrollo sostenible

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Indicadores de Desarrollo sostenible

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Proceso de construcción de un sistema de IDS

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

¿Qué es un indicador compuesto?

Una representación cuantitativa que resume, en un tema

Da una imágen de contexto =⇒ Facilita señales, tendencias

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

¿Qué es un indicador compuesto?

Una representación cuantitativa que resume, en un tema

Da una imágen de contexto =⇒ Facilita señales, tendencias

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas

¿Qué es un indicador compuesto?

Una representación cuantitativa que resume, en un tema

Da una imágen de contexto =⇒ Facilita señales, tendencias

Andrés Schuschny, PhD. Indicadores compuestos: Algunas consideraciones metodológicas