Multispati-PCA

El análisis multivariado denominado Multspati-PCA (Dray et al., 2006) combina el

análisis de componentes principales con el índice de autocorrelación espacial de Moran.
Para ello, ir al menú Estadística EspacialMULTISPATI_PCA. El archivo de datos de
ejemplo sa.idb2 contiene 664 mediciones georreferenciadas de conductividad eléctrica
aparente (CE) en dos profundidades 0-30 cm (CE30) y 0-90 cm (CE90), elevación,
profundidad de suelo (Pe), rendimiento de trigo (Tg) y soja (Sj) (Gentileza . grupo de
Calidad y Manejo de Suelo y Agua de INTA Balcarce, coordinado por el Dr. José Luis
Costa). En la ventana del selector de variable, seleccionar CE30, CE90, Elevación, Pe y
Tg y colocar sobre la ventana derecha cuyo cuadro se llama Variables. En el cuadro de
Coordenadas colocar x e y que contiene las coordenadas en UTM.

Al apretar el botón Aceptar aparecerán opciones relacionadas al Análisis de Componentes

Principales, como centrar las variables por la media, realizar el gráfico biplot del Análisis
de Componentes Principales, mostrar la red de vecindarios a partir de la cual estimará el
índice de autocorrelación de Morán, seleccionar el gráfico resultante del Análisis de
Componentes Principales Espaciales (MULTISPATI-PCA) y/o seleccionar el gráfoco de
barras con los autovalores asociados a cada componente principal. Se puede seleccionar
el número de componentes principales a ser guardados con el ACP y por el ACP espacial.
En este último caso puede seleccionarse el número de ejes espaciales positivos o
negativos, según haya en el conjunto de datos autocorrelación espacial positiva y/o
negativa. Para calcular la red de vecinos necesarios para el índice de Móran debe indicarse
la distancia mínima y la distancia máxima para calcular el rango de distancia entre las
observaciones para ser consideradas vecinas y a partir de esta red de vecindarios construir
la matriz de ponderación espacial que será usada en el cálculo de correlación espacial.

El gráfico resultante del análisis MULTISPATI-PCA permite visualizar la correlación

entre las variables y estudiar la estructura de dicha correlación. El gráfico es
confeccionado a partir de los dos primeros ejes (componentes principales espaciales-
CPs), con la CPs1 grafica el eje horizontal y con la CPs2 el eje vertical. Además puede
adicionarse un gráfico de barras con los autovalores, dado que los autovalores se
encuentran asociados a las CPs, las barras pintadas de negro indican la cantidad de ejes
estadísticamente significativos para explicar las principales estructuras de los datos. Del
análisis del gráfico se desprende que las variables Tg y CE30 se encuentran
correlacionadas negativamente y son las más importantes en la explicación de la
variabilidad espacial a nivel del primer eje (PCs1). La variable CE90 presenta una
correlación positiva con la variable Tg. A nivel de la segunda componente principal
espacial (PCs2), la variable de mayor importancia es la Elevación, que se correlaciona
negativamente con la profundidad (Pe) (Figura 5).
 MULTISPATI-PCA
d = 0.2

Pe

CE90 CE30

Tg

Eigenv alues

Elevacion

Figura 5. Gráfico obtenido a partir del análisis de componentes principales

espacial (MULTISPATI-PCA) y gráfico de barras de los autovalores asociados a
cada componente espacial.

En la ventana de Resultados se muestran los autovalores, la proporción de la variabilidad

total explicada por cada eje, la proporción acumulada de la variabilidad total explicada
por cada eje y el índice de autocorrelación espacial de Moran para cada eje. Tanto para el
Análisis de Componentes Principales como para el Análisis de Componentes Principales
Espaciales (MULTISPATI-PCA). También se muestran los autovectores de cada variable
para cada uno de los ejes retenidos, en este ejemplo, los eje de las primer y segunda
componente espacial (CS1 y CS2, respectivamente). Los valores absolutos más altos
indican mayor fuerza de dicha variable para explicar la estructura de correlación respecto
a las otras variables que conforman el análisis. Automáticamente, los ejes retenidos (CS1
y CS2, en este ejemplo) serán guardados como nuevas variables en la tabla de datos
original (sa.idb2).