La espacialidad de los procesos electorales en México

Un objetivo continuo e indispensable en los estudios electorales es conocer cómo se distribuye el voto geográficamente (^{Vilalta, 2003a}). Los investigadores mexicanos han encontrado notables diferencias regionales en el comportamiento electoral (^{Ames, 1970}; ^{Domínguez y McCann, 1995}; ^{Klesner, 1993} y ¹⁹⁹⁸; ^{Molinar y Weldon, 1990}). Esta variable regional ha demostrado durante varias décadas una consistencia explicativa que podría llevarnos a concederle un peso teórico. Es decir, en los estudios de geografía electoral para México resulta evidente que el contexto local o regional es determinante del voto.³ Igual sucede con la dicotomía urbano-rural: también se ha detectado sistemáticamente, desde los primeros estudios de geografía electoral en los setenta, una marcada diferencia entre las preferencias de los votantes urbanos y de los rurales (^{Reyna, 1971}).

El cuadro 1 muestra la variación regional del comportamiento del grupo de ciudades con una población mayor de 100 000 habitantes, con base en el mapa correspondiente (véase el mapa 1). El porcentaje se refiere al promedio de la región. Al respecto es muy notable que en el periodo 1994-2000 el pan haya contado con un gran apoyo principalmente en el Bajío y el Norte, en donde siempre ha recibido por lo menos el 30% del voto válido, pero es más interesante que durante esos seis años su avance se generalizara en todas las regiones. El PRD muestra un apoyo nacional menor que el pan, pero en el sur es preferencial. El PRI, en cambio, muestra niveles de apoyo homogéneos entre las regiones, aunque son decrecientes en el tiempo; sin embargo cabe advertir que mantiene su mayor apoyo en el norte.

Mapa 1 Regiones de México 

Para corroborar la no aleatoriedad de estas diferencias regionales se aplicó a los resultados anteriores la prueba Kruskal-Wallis,⁴ la cual mostró diferencias regionales estadísticamente significativas para todos los partidos, excepto para el PRI en 1994, cuando contaba con un apoyo muy uniforme en todo el país (véase el cuadro 2). Paralelamente se observa en los coeficientes una tendencia a la disminución en las diferencias regionales para el pan y el PRD, y un aumento para el PRI entre 1994 y 2000. Es decir, el PRI urbano parece estar perdiendo su presencia nacional para tener un perfil más regionalizado en el norte del país.

Se agrega a lo anterior la importancia del electorado urbano no sólo por su comportamiento particular, sino por su participación en el auge de los partidos no priístas, que ocupa sin duda un lugar central en el análisis del comportamiento electoral en México (véase el cuadro 3). Sin embargo, pese a su importancia, los análisis detallados sobre el comportamiento electoral urbano desde una perspectiva interurbana son muy escasos (^{Pacheco, 1997}; ^{Vilalta, 2004}). Al respecto predominan los estudios de caso, sobre todo del electorado de la Ciudad de México.

La perspectiva espacial de los procesos electorales cuenta con un peso teórico probado y tiene una importancia política elemental. Dada la escasez de estudios al respecto, se requiere su mayor difusión en la literatura científica junto con el uso de técnicas estadísticas novedosas y apropiadas.

La aplicación equivocada de técnicas aespaciales para la comprensión de fenómenos espaciales y sus implicaciones estadísticas

Entre las técnicas estadísticas utilizadas en los estudios de geografía electoral, los análisis de correlación y de regresión lineal múltiple son los más típicos y más avanzados en la literatura mexicana, con excepción de los escasos estudios que muestran la utilidad de las aplicaciones espaciales mediante regresiones lineales espaciales para variables dependientes continuas (^{Vilalta, 2004}) o dicotómicas (^{Fernández-Durán, Poiré y Rojas-Nandayapa, 2004}).

Fuera de esa escasa literatura que hace uso de técnicas espaciales, la mayor parte de los estudios sobre geografía electoral mexicana que cuentan con un enfoque cuantitativo han ignorado o no han advertido al lector las implicaciones metodológicas que conlleva ese tipo de técnicas estadísticas cuando se hace uso de datos espacializados. Aunque los lectores pueden efectivamente reconocer las limitaciones explicativas de los modelos estadísticos utilizados, los autores no indican que se está incurriendo en posibles violaciones a los supuestos estadísticos de los análisis de regresión, posiblemente por desconocimiento de causa. Es probable que tales omisiones se deban a que la competencia multipartidista es nueva en México, y sus respectivos análisis políticos y estudios académicos de geografía electoral no han incorporado aún herramientas de análisis geográfico y estadístico avanzado; parece prematuro solicitar discusiones y advertencias metodológicas cuando hablamos de fenómenos recientes de estudio.⁵

El punto central de este trabajo es que la aplicación de técnicas estadísticas -en concreto del análisis de regresión- a datos espacializados puede llevarnos a cometer errores de interpretación y por lo tanto de validez en las conclusiones, ya que se viola un supuesto elemental en el análisis de regresión: la independencia de las observaciones.

En el análisis de datos agregados geográficamente se suele encontrar que estas unidades de análisis están autocorrelacionadas espacialmente o son espacialmente dependientes. Autocorrelación y dependencia espacial significan lo mismo, pero la distinción en el uso de palabras estriba en que el primer término hace referencia simultáneamente a un fenómeno y a una técnica estadística, y la segunda a una explicación teórica. Concretamente, existe dependencia espacial cuando “el valor de la variable dependiente en una unidad espacial es parcialmente función del valor de la misma variable en unidades vecinas” (^{Flint, Harrower y Edsall, 2000: 4}). Esto ocurre por una razón teóricamente importante que resume la primera ley geográfica de ^{Tobler (1970)}: “Todo se relaciona con todo, pero las cosas más cercanas están más relacionadas que las cosas distantes”.

El coeficiente I de ^{Moran (1950)} es la técnica estadística más frecuentemente utilizada para probar esta ley geográfica; o para poner a prueba en una fase de investigación la hipótesis de la presencia de una autocorrelación espacial de un fenómeno y sus correspondientes grados de concentración o de dispersión. Su diseño es muy similar al del coeficiente de correlación r de Pearson. También sus valores varían entre +1 y -1, en donde el primero significa una perfecta concentración (o autocorrelación) espacial y el segundo una perfecta dispersión espacial. El cero significa un patrón espacialmente aleatorio o sin orden (véase la gráfica 1).

Fuente: Vilalta, 2002.

GRÁFICA 1.  Representación visual de los tres diferentes patrones espaciales en que puede estar ordenada una variable en un mapa de celdas regular y sus respectivos coeficientes I de Moran 

La diferencia básica entre el coeficiente I de Moran y el r de Pearson es que en el primero la asociación entre los valores de la variable dependiente es predeterminada por una matriz de unidades vecinas.

La fórmula del coeficiente I de Moran es:⁶

En esta fórmula n significa el número de las unidades (es decir, áreas o puntos) en el mapa, Wij es la matriz de distancias que define si las áreas o puntos geográficos i y j son o no vecinos. El coeficiente I se sujeta a una prueba de significancia estadística de valores Z, es decir, bajo el supuesto de una distribución normal de valores probables (^{Cliff y Ord, 1981}; ^{Goodchild, 1987}).

Para seguir con el objetivo de este trabajo y probar la variación espacial no aleatoria o espacialidad de los procesos electorales en México, se calcularon diversos coeficientes I de autocorrelación espacial. El cuadro 4 presenta los coeficientes con base en datos agregados por entidad federativa (n = 32);⁷ el cuadro 5 los presenta para el caso de las ciudades más grandes del país (n = 89). En ambos casos los datos se refieren a las elecciones a diputados federales de mayoría relativa para cada elección entre 1994 y 2000.

Los coeficientes calculados para los resultados por entidad federativa muestran que a partir de 1997 el voto del PRI se empezó a concentrar geográficamente, mientras que los resultados del pan y el PRD se concentran en 1997 y se vuelven a convertir en espacialmente aleatorios en las elecciones del año 2000. En cambio, para el caso del electorado urbano los coeficientes muestran claramente el proceso de reemplazo geográfico del PRI por el pan y el PRD durante este periodo. Los coeficientes aquí evidencian una creciente concentración del voto para el PRI mientras que para el pan y el PRD decrece su concentración para irse dispersando o nivelando en el sistema de ciudades.⁸

Estos resultados muestran que el comportamiento electoral en México tiene efectivamente una geografía no aleatoria de concentración en el ámbito urbano. Es decir, que las unidades de análisis (ciudades en este caso) se hallan autocorrelacionadas espacialmente, y que por lo tanto, potencialmente y en directa relación con este trabajo, los análisis de regresión realizados con este tipo de datos pueden carecer de validez porque se viola el supuesto de independencia entre las observaciones. Particularmente, el error estadístico al utilizar una regresión lineal de mínimos cuadrados ordinaria (OLS) con datos que presentan una autocorrelación espacial consiste en que los coeficientes estarán sesgados (^{Anselin, 1988}). Es decir, no representarán adecuadamente la magnitud existente entre las variables independientes (VI) y la dependiente (VD).

Además de dependencia espacial, los procesos electorales pueden también presentar un patrón de heterogeneidad espacial. La heterogeneidad espacial se define como una variación en las relaciones de las variables de una región o lugar a otra (^{Lesage, 1998}). En términos teóricos la heterogeneidad espacial se debe una variación real y sustantiva que evidencia la existencia y la validez del contexto local o regional en la definición del comportamiento social (^{O’Loughlin y Anselin, 1991}) y de las preferencias electorales en este caso (^{Flint, 1995}; ^{Vilalta, 2004}). Un ejemplo de lo anterior se presentaría cuando la población de cierta religión apoyara a un partido en una región, mientras que en otra región la población con la misma religión apoyara a un partido opuesto.

Lo teóricamente relevante en esta situación es que las preferencias de los electores son determinadas “por la socialización experimentada dentro del contexto de un lugar particular” (^{Flint, 1998: 1281}). Es decir, los votantes agrupados conforme a sus características socioeconómicas o demográficas similares pueden mostrar una preferencia diferente porque están en lugares distintos y cuentan con otras experiencias políticas. Es razonable imaginar que la composición socioeconómica y demográfica de un partido no sea la misma dentro de la geografía nacional. Evidentemente en tal forma no serían necesariamente las características socioeconómicas lo que determinaría a un partido como ganador en una región, sino las circunstancias políticas de esa región.

En este caso, en términos estadísticos la heterogeneidad espacial causa la violación del supuesto de normalidad en los residuales. En específico, los dos errores estadísticos provenientes de no detectar la heterogeneidad espacial en los análisis de regresión OLS cuando existe son que: 1) al igual que en el caso de la dependencia espacial, los coeficientes serán ineficientes para mostrar la magnitud de la relación entre las variables, y 2) las pruebas de significancia estadística sobre esos mismos coeficientes pueden estar equivocadas debido a problemas de heterodasticidad (^{Anselin, 1988}). La heterodasticidad se define como la variación no constante del error, lo que ocasiona una inflación de los errores estándar y resulta en pruebas de significancia estadística ineficaces.

Nótese que puede darse el caso de que la autocorrelación espacial venga acompañada de heterogeneidad espacial. Es decir, que los datos no sólo no sean independientes espacialmente, sino que además las relaciones entre las variables cambien de una región a otra.

En concordancia con lo anterior, una vez demostrada la existencia de un patrón de autocorrelación espacial sobre los resultados electorales en el grupo de las 89 ciudades más grandes del país (véase el cuadro 5), debemos probar si este fenómeno de dependencia está afectando nuestros modelos de regresión. Para probar si esta dependencia espacial existe y en caso afirmativo cuantificarla, existe una variación a la regresión OLS, llamada regresión lineal espacial (SAM).⁹ Esta técnica se distingue de la OLS en que: 1) se le incorpora una estructura autorregresiva sobre la VD, limitada a una función de distancia entre observaciones, o unidades geográficas en este caso, y 2) se le agrega también la prueba I de Moran sobre los residuales. Nótese que la presencia de autocorrelación espacial entre los residuales se debe a alguna de las siguientes razones (^{Cliff y Ord, 1971}):

La técnica sam tiene la siguiente forma matemática (^{Anselin, 1992}):

En donde y es la variable dependiente, r o rho es el coeficiente autorregresivo de la variable dependiente (VD) espacialmente ligada o retrasada (spatial lag; Wy), W es precisamente la matriz de unidades vecinas, x es la matriz de variables independientes, b son los respectivos coeficientes, y ε es el error.

Específicamente el coeficiente rho es el promedio de la VD en las áreas vecinas. Como se mencionaba, este coeficiente es un término autorregresivo de la VD dirigido a medir la autocorrelación espacial.¹⁰ Se le denomina “efecto espacial”, ya que al ser independiente de alguna vi causal, permite probar la hipótesis y medir el efecto que tienen los niveles de la VD en las áreas vecinas y sostener la inferencia de un efecto contextual (^{Puech, 2004}). Su valor varía entre +1 y -1. En caso de que tenga un valor de cero o muy cercano y por ende no estadísticamente significativo, la ecuación evidentemente regresa a ser de tipo OLS. Ya que, si 1)γ=ρWy+xβ+ε , y si 2) ρWy = 0, entonces, 3) γ=xβ+ε.

En este trabajo realizamos un ejercicio comparativo entre las técnicas OLS y SAM con el propósito de probar si la dependencia espacial presente en las preferencias partidistas del electorado urbano en México afecta a los coeficientes de regresión OLS, y si es o no pertinente utilizar la técnica SAM. Previo al ejercicio y a la explicación de los resultados, se describen las variables, la información estadística y los paquetes utilizados en este estudio.

El caso del PAN-PVEM

El cuadro 8 muestra el mejor modelo con base en la técnica OLS para el PAN-PVEM utilizando como útiles para predecir el voto agregado geográficamente las variables socioeconómicas previamente elegidas y predefinidas en la literatura especializada (véase el cuadro 8). Podemos ver que este modelo: 1) presenta cuatro variables como estadísticamente significativas para predecir el comportamiento electoral para esta coalición partidista; 2) cuenta con una capacidad explicativa aceptable (R² = .358), y 3) no muestra problemas de inconstancia en el error (heterodasticidad).

Una vez definidas las variables socioeconómicas capaces de predecir el voto para esta coalición, incluimos las variables regionales (dummies) y realizamos otra regresión OLS. En este caso se excluyó la variable catolicismo, ya que dejó de ser estadísticamente significativa una vez incluidas las variables regionales, y se volvió a correr la regresión sin la misma variable sobre religión.

En los resultados (véase el cuadro 9) se aprecia que la significancia estadística de las variables socioeconómicas se mantuvo (salvo en el caso del catolicismo, que fue retirada del modelo). En cuanto a las variables regionales, el Bajío ofrece resultados positivos y significativamente superiores a los de la región Norte para la coalición PAN-PVEM; las demás regiones no presentan un patrón significativamente diferente al de la región Norte. Este modelo OLS tiene una mayor capacidad explicativa que el anterior (R² = .452), sin embargo muestra problemas de heterodasticidad (White test = 18.86, r < .05). Lo anterior se debe a la inclusión de las variables regionales, las cuales -recordemos- pueden ocasionar que: 1) los coeficientes sean ineficientes para mostrar la magnitud correcta de la relación entre las vi con la VD, o bien, 2) que las pruebas de significancia estadística sobre esos mismos coeficientes sean equivocadas. A este respecto, sin embargo, los coeficientes de las tres variables socioeconómicas -manufacturas, ingreso y lengua indígena- se mantuvieron moderadamente similares entre el primer modelo, que no mide los efectos regionales, y el segundo, que sí los incluye en la ecuación. Lo que cambió notablemente (en signo) fue la constante.

Con el fin de comparar las dos técnicas, OLS y SAM, de forma idéntica al modelo anterior, en el cuadro 10 se muestran los resultados de la regresión espacial SAM, la cual presenta diferencias pequeñas en comparación con los resultados del OLS en cuanto a la magnitud de los coeficientes, incluidas las variables regionales, salvo metropolitana, para la cual la diferencia entre una y otra técnica es notable, pero en ambos casos sin alcanzar una significancia estadística.

En este caso, en cuanto al efecto espacial el coeficiente autorregresivo rho resultó de pequeña magnitud y cercano a cero, por lo que muy probablemente no sea estadísticamente significativo.¹³ Así, tal modelo espacial se convertiría en uno típico de OLS. A esto se agrega que de la prueba I de Moran sobre los residuales también se desprende que los mismos son espacialmente aleatorios. Lo que esto demuestra, en conjunto, es que las VI utilizadas, socioeconómicas y regionales, neutralizan la autocorrelación espacial presente en la VD.¹⁴

Puede significar también que la autocorrelación espacial en el voto por esta coalición puede ser explicada por la autocorrelación espacial en las VI. Como lo habíamos mostrado en el cuadro 7, cada una de estas variables está concentrada en el espacio, y en este caso la no significancia estadística del coeficiente autorregresivo puede deberse a que éstas compartan en buena parte la misma geografía que el voto por el PAN-PVEM. Dicho de otra manera, la no existencia de un contexto local puede deberse a una concordancia espacial (spatial match) de tales variables socioeconómicas con las preferencias electorales.

Sin embargo no debemos perder de vista que tal modelo muestra problemas de heterodasticidad, por lo que los resultados habrán de tomarse con cautela. Y aunado a esto recordemos que la presencia de heterodasticidad en un modelo que incluye efectos regionales estadísticamente significativos puede ser aún más indicativa de heterogeneidad espacial, es decir, de variaciones en las relaciones entre las variables de una región a otra (^{Flint, 1995}).

El caso del prd-6

Para el caso de la coalición PRD-6 podemos observar en el cuadro 14 los resultados del modelo socioeconómico con base en la técnica OLS. Salta a la vista que dos variables que son significativas para la coalición PAN-PVEM, ingreso y manufacturas, también lo son para el PRD-6, salvo que en este último caso tienen un efecto negativo (véase los cuadros 8 y 14 respectivamente).

Otro aspecto importante es que su capacidad explicativa (R² = .337) es superior a la del PRI y muy similar a la de la coalición PAN-PVEM, pese a que cuenta con sólo la mitad del número de VI: dos frente a cuatro. Pero lo que más llama la atención es que el modelo presenta problemas de heterodasticidad (White test = 8.243, r < .10). Esto es diferente a lo ocurrido con los partidos anteriores, en donde sólo la coalición PAN-PVEM presentaba problemas de inconstancia en el error, pero sólo cuando se incorporaban las variables regionales.

A continuación, de hecho observamos que una vez que incorporamos al modelo socioeconómico anterior la prueba de efectos regionales con la técnica OLS, se acentúa el problema de heterodasticidad (White test = 16.499, r < .05), por lo que la interpretación sobre la magnitud de los coeficientes en el modelo y su significancia estadística debe ser hecha con reservas (véase el cuadro 15). Puede verse que las variables socioeconómicas muestran efectos de una magnitud similar (aunque un poco más reducida) y de igual dirección que los del modelo anterior. Por otro lado, sólo el comportamiento de la región Bajío parece diferente al de la región Norte, en este caso con un efecto negativo.

La técnica SAM ofrece resultados diferentes. En primer lugar se encuentra el caso del efecto producido por la variable ingreso, notablemente menor que el registrado con la técnica OLS. La del Bajío se mantiene como la única región con una relación estadísticamente significativa, pero cuyo efecto es de una magnitud mayor que el doble (b_SAM= -16.180, r < .01) del registrado por la técnica OLS (b_OLS= -7.823, r < .01). Tanto el coeficiente autorregresivo como la prueba de autocorrelación en los residuales nos indican que la dependencia espacial en la VD ha sido eliminada una vez incluidas las variables independientes seleccionadas; el modelo es adecuado para resolver posibles problemas provenientes de la autocorrelación espacial de la VD. A este respecto, el error estándar de la regresión, como una medida aproximada del buen ajuste del modelo, nos señala que el error de estimación es muy similar al obtenido con la técnica OLS (ser = 10.160). Cabe repetir que el modelo muestra problemas de heterodasticidad, por lo que los resultados deben ser interpretados con cautela.

Una recapitulación de los resultados obtenidos con las técnicas OLS y SAM

El objetivo del presente documento no es elaborar explicaciones teóricas sobre el comportamiento electoral, sino estrictamente comparar las dos diferentes técnicas y las implicaciones estadísticas, de ahí que nos concentremos precisamente en dos aspectos de igual importancia: 1) los valores de los coeficientes, y 2) las pruebas de significancia estadística sobre los mismos.¹⁶ Una vez hecho lo anterior, y a la par en importancia, nos interesa enfocarnos en 3) la presencia de heterodasticidad como evidencia inicial de heterogeneidad espacial, y los resultados de las pruebas de 4) efectos regionales (dummies regionales), 5) efectos espaciales y 6) autocorrelación espacial en los residuales de los modelos.

El resumen comparativo de las técnicas OLS y SAM para cada partido se muestran en los cuadros 17 y 18. Iniciando la comparación en cuanto a los modelos predictivos (cuadro 17), lo que más llama la atención son:

Como podemos ver, las técnicas dieron resultados similares para la coalición PAN-PVEM; en cambio para el caso del PRI la diferencia estriba en la magnitud de los coeficientes y en la capacidad de la técnica SAM para detectar tres regiones (frente a dos con OLS) como significativamente diferentes de la región de referencia, que es la Norte. Para el prd-6 las técnicas dieron resultados notablemente diferentes con ambos modelos, particularmente en cuanto a la magnitud de los coeficientes. Pero en todos los casos en que se observaron diferencias entre OLS y SAM, sin excepción la técnica SAM fue la más robusta de las dos debido a la constante detección de coeficientes con una mayor significancia estadística (y en consecuencia magnitud) y a la mayor capacidad en la detección de efectos regionales significativos. Esto se debió a la inclusión del coeficiente rho en la ecuación.¹⁷

La heterodasticidad estuvo presente en dos de los tres modelos (cuadro 18): PAN-PVEM y PRD-6; precisamente en aquellos partidos que estuvieron menos concentrados espacialmente en el año 2000 (véase el cuadro 5). Esto significa que los coeficientes de la regresión pueden no estar capturando la magnitud real de la relación y además estar cometiendo potencialmente errores del tipo II en las pruebas de hipótesis sobre los mismos coeficientes (^{Anselin, 1988} y ¹⁹⁹²). Esto lo puede ocasionar la existencia de heterogeneidad espacial sustantiva, es decir, patrones regionales de comportamiento electoral distintivos (^{O’Loughlin y Anselin, 1991}; ^{Flint, Harrower y Edsall, 2000}).

En esta cuestión el modelo del PRI es diferente del de los otros partidos. El del PRI no presenta problemas de heterodasticidad, por lo que podemos confiar en que los coeficientes no son inestables ni las pruebas de hipótesis sobre los mismos ineficientes. Cabe considerar que con la técnica SAM se pudo detectar una región más como significativamente diferente de la Norte (cuadro 17) frente a la OLS, debido a la inclusión del coeficiente autorregresivo. Se agrega, ahora sí, de manera coincidente con los modelos de los otros dos partidos-coaliciones, que el efecto espacial medido por el coeficiente rho (r) es cercano a cero y no presenta una autocorrelación en los residuales. Esto nos lleva a concluir que pese a su pobre capacidad explicativa (sólo pudimos detectar que tiende a ganar en ciudades con baja proporción de población católica), el modelo para el PRI captura de forma suficiente la variación espacial en la VD y las variables regionales posiblemente están capturando una variación relacionada con las variables socioeconómicas faltantes en el modelo (^{McAllister, 1987}); la variación geográfica difícilmente se debería a una dependencia espacial proveniente de un efecto contextual, al menos para el caso de la elección del año 2000.

En cuanto a la medición de un efecto espacial con la técnica SAM, el coeficiente rho, que se refiere al valor promedio de la variable dependiente en las ciudades vecinas, no produjo efecto alguno para ningún partido (cuadro 18). Recordemos que el voto estaba espacialmente concentrado para todos los partidos, y muy notablemente para el PRI (cuadro 5). Para todos ellos, la no significancia del efecto espacial después de incorporar las variables socioeconómicas y regionales en sus modelos de regresión respectivos, sugiere que las explicaciones socioeconómicas de los modelos son efectivas y suficientes para aclarar la concentración espacial del comportamiento electoral. Así, el voto en cada ciudad no es dependiente de las ciudades vecinas sino de las variables socioeconómicas incluidas en el modelo; el voto se concentra debido a la agrupación de población con ciertas características socioeconómicas.¹⁸ Para demostrar esta aseveración y no dejar pendiente una prueba sobre un efecto regional-espacial se corrieron regresiones SAM a cada partido sin la inclusión de variables regionales, es decir, utilizando un modelo exclusivamente socioeconómico, y en todos los casos estas variables socioeconómicas fueron igualmente efectivas y suficientes para anular el efecto espacial.¹⁹ Sin embargo, recordemos que para los casos del PAN-PVEM y del prd-6 los modelos presentaban problemas de heterodasticidad, por lo que la tesis anterior sigue abierta a posteriores pruebas.

Por otro lado, las pruebas I de Moran sugieren la casi nula probabilidad de contar con residuales autocorrelacionados espacialmente para todos los partidos (cuadro 18). Sin embargo aquí es necesario considerar que el hecho de que los residuales no estén autocorrelacionados espacialmente no implica que los efectos espaciales estén siendo detectados correctamente. De nuevo no perdamos de vista el problema de heterodasticidad, y de que efectivamente hay fallas en el cálculo de la magnitud de los coeficientes regionales, en especial para el caso del PRD-6.

En síntesis, las diferencias en los coeficientes y las fallas en las pruebas de significancia estadística se deben a problemas de heterodasticidad en dos modelos: PAN-PVEM y PRD-6. Claramente la técnica SAM es más robusta que el OLS en este sentido, lo cual se debe a que su diseño tiene un enfoque autorregresivo con base en una matriz de distancias para la definición de las unidades vecinas. En este sentido la heterodasticidad latente en los modelos de regresión puede estar reflejando indirectamente la existencia de heterogeneidad espacial, y por lo tanto la posible existencia de regímenes espaciales (^{Anselin, 1992}). Los regímenes espaciales son subáreas geográficas en donde las relaciones entre las variables son diferentes a las del resto del territorio o a otras subáreas o regiones. Pero en este trabajo esto queda para la especulación; al proseguir con estas pruebas es necesario realizar regresiones para cada región y observar si las variables incluidas predicen los resultados electorales para cada partido en la misma dirección y en una magnitud similar. El punto probado en este trabajo es que el conocimiento del problema puede llevarnos a la interpretación correcta de la realidad.