1. Educación

¿Cómo valorar las componentes de la calidad de vida en los países en desarrollo?
¿Cómo valorar las componentes de la calidad de vida en los
países en desarrollo?
García Luque, Olga
Losa Carmona, Antonio
Departamento de Economía Aplicada
Lafuente Lechuga, Matilde
Departamento de Métodos Cuantitativos para la Economía
Universidad de Murcia
RESUMEN
Este trabajo se inscribe dentro de una nueva corriente de investigación económica que aboga por
aproximar la calidad de vida a partir de un conjunto informativo complejo, conteniendo elementos
tradicionales de valoración económica basados en el bienestar material, como la renta per capita, pero que
extiende el ámbito de evaluación a otros aspectos que están relacionados con la salud, la educación, la
calidad del medio ambiente, el acceso a nuevas tecnologías o la relación con la actividad laboral, entre
otros. A partir de la información estadística contenida en los Indicadores sobre el desarrollo Mundial, del
Banco Mundial, y en los Informes sobre desarrollo humano, del Programa de Naciones Unidas para el
Desarrollo, pretendemos estimar los perfiles de la calidad de vida de los países menos desarrollados. La
técnica de agregación utilizada es el Análisis Factorial, que nos permite identificar la estructura latente a
los diferentes indicadores de calidad de vida.
Palabras claves: Calidad de vida, indicadores sociales, países en desarrollo, análisis factorial.
Clasificación JEL (Journal Economic Literature): O15
Área temática: Aspectos cuantitativos del fenómeno económico
XV Jornadas de ASEPUMA y III Encuentro Internacional
1
García Luque, O., Losa Carmona, A. y Lafuente Lechuga, M.
1. INTRODUCCIÓN
La preocupación por el desarrollo y el bienestar de los pueblos se encuentra en el origen de
la disciplina económica y, en la actualidad, sigue ocupando el centro del debate en su ámbito de
estudio a nivel mundial.
Tras la segunda guerra mundial, el proceso descolonizador, en Asia Meridional, Oriente
Medio y África, añade países al grupo ya constituido por los rezagados en transitar la senda de la
industrialización (Foreman-Peck, 1995: 332); difundiéndose la denominación de países en
desarrollo y el mismo concepto de desarrollo. Los primeros trabajos de la economía del desarrollo
incorporan un evidente sesgo hacia la planificación, acorde con las demandas de los gobiernos
surgidos de la independencia colonial y con una concepción determinista del proceso de
desarrollo que procedía de la experiencia de las áreas desarrolladas (Bustelo, 1999: 105-108).
Los profundos cambios acaecidos desde entonces han transformado tanto el concepto de
desarrollo como el de grupo de países en desarrollo. Estos últimos han ganado
extraordinariamente en heterogeneidad, dificultando su caracterización y, por tanto, restando
significado a una denominación común. Pese a ello, la utilidad de contar con categorías de países
para su estudio conjunto lleva a establecer diversos métodos de clasificación, en general poco
satisfactorios, siendo los más usuales los que provienen de los distintos organismos
internacionales. En este trabajo se usa la categoría de países en desarrollo comúnmente empleada
por la ONU y otras instituciones y que, de forma muy genérica, se refiere a aquellos países que no
disfrutan de elevados ingresos per cápita. Su empleo viene dado por la extensión de su uso, a
pesar de sus limitaciones conceptuales, entre otras su sesgo economicista; perspectiva que desde
aquí se trata de superar.
Precisamente, la transformación de la noción de desarrollo ha tenido lugar en este mismo
sentido, atenuando la atención sobre la riqueza material que tradicionalmente ha sido considerada
como única determinante del bienestar humano. Desde 1990, el Programa de Naciones Unidas
para el Desarrollo (PNUD): “busca dar una definición más amplia del bienestar, más allá del PIB”
(PNUD, 2006: 63). La elaboración anual del Índice de Desarrollo Humano (IDH) ha consolidado
una concepción del desarrollo centrado en las personas, en sus capacidades, y ligado a cuatro
elementos críticos: productividad, equidad, sostenibilidad y potenciación (PNUD, 1995, 28).
Sin embargo, los indicadores de desarrollo humano del PNUD han sido cuestionados por
diversas razones. Se argumenta que el IDH, y otros índices similares de calidad de vida como el
Índice Físico de Calidad de Vida (Morris, 1979), adolecen de serias limitaciones en su propósito
2
XV Jornadas de ASEPUMA y III Encuentro Internacional
¿Cómo valorar las componentes de la calidad de vida en los países en desarrollo?
de capturar los diversos dominios de la calidad de vida. Las críticas más sobresalientes hacen
referencia a la arbitrariedad de las variables elegidas y los pesos asignados, junto con las
omisiones clamorosas de indicadores claves en la calidad de vida, como el medio ambiente, la
seguridad personal y la satisfacción con la vida, entre otras variables.
El presente trabajo se inscribe dentro de esta nueva corriente de investigación económica
que aboga por aproximar la calidad de vida a partir de un conjunto informativo complejo, que
contiene elementos ya clásicos de valoración social, como la renta per capita y los logros en
materias de educación y salud, añadiendo otros aspectos de la calidad de vida, como la calidad del
medio ambiente, el acceso a nuevas tecnologías o la relación con la actividad laboral, entre otros.
Partiendo de un conjunto de indicadores de diversa naturaleza, que suponemos relacionados con
los funcionamientos -estados y quehaceres, en la terminología seniana- pretendemos, mediante el
análisis factorial, detectar la estructura latente que subyace a dicho conjunto de indicadores. La
naturaleza de cada factor de calidad de vida va a quedar identificada mediante el perfil que
conforma el subconjunto de indicadores de funcionamiento con que cada factor está más
correlacionado.
El epígrafe 2 se destina a los aspectos metodológicos, donde se describen brevemente las
técnicas utilizadas para obtener los perfiles de calidad de vida, el Análisis Factorial. La
descripción de la muestra y las variables presente en este estudio están en el apartado 3. El
epígrafe 4 recoge los resultados obtenidos ofreciendo unos comentarios sobre los hallazgos más
significativos. Finalmente, las conclusiones se recogen en el epígrafe 5.
2. ANÁLISIS FACTORIAL.
La información de la que normalmente disponemos de países, individuos, empresas, etc.,
es mucha y compleja de utilizar. Por esta razón, empleamos el análisis factorial, ya que nos
permite reducir la información de un conjunto de variables originales en otro conjunto menor de
componentes principales o factores.
Esta técnica forma parte del conjunto de métodos de Análisis Multivariante cuyo objetivo
es estudiar las relaciones de interdependencia entre un conjunto de variables. Se busca resumir la
información contenida en una matriz de datos, reemplazando las variables originales por un
número menor de nuevas variables o factores, perdiendo con ese cambio el mínimo posible de la
información contenida en las variables originales.
XV Jornadas de ASEPUMA y III Encuentro Internacional
3
García Luque, O., Losa Carmona, A. y Lafuente Lechuga, M.
En el análisis factorial sólo una parte de la varianza de cada variable original se explica
completamente por las variables cuya combinación lineal las determinan (factores comunes). Esta
parte de la variabilidad de cada variable original explicada por los factores comunes se denomina
comunalidad, mientras que la parte de la varianza no explicada por los factores comunes se
denomina unicidad (comunalidad + unicidad =1) y representa la parte de variabilidad propia de
cada variable. Cuando la comunalidad es unitaria el análisis en componentes principales coincide
con el factorial.
Analíticamente el modelo de análisis factorial se define de la siguiente forma:
X 1 = l 11F1 +
X 2 = l 21F1 +
l 12F 2 + … + l 1m F m + e 1
l 22F 2 + … + l 2m F m + e 2
X p = l p 1F1 + l p 2F 2 + … + l pm F m + e p
⎫
⎪
⎪
⎬
⎪
⎪
⎭
donde F1, F2,..., Fm son factores comunes, e1, e2,..., ep son factores únicos o específicos, ljh es el
peso del factor h en la variable j. A los coeficientes de este tipo se les denomina cargas factoriales. Las
ecuaciones del modelo se pueden expresar matricialmente como:
X=Lf+e
Esta técnica consta de cuatro fases características: el cálculo de una matriz capaz de
expresar la variabilidad conjunta de todas las variables, la extracción del número óptimo de
factores, la rotación de la solución para facilitar su interpretación y la estimación de las
puntuaciones de los sujetos en las nuevas dimensiones. La estructura del procedimiento Análisis
factorial de SPSS se ajusta a las cuatro fases mencionadas y es el programa informático utilizado
en este estudio, en su versión 14.
3. DESCRIPCIÓN DE LAS VARIABLES.
La información utilizada para determinar los perfiles de la calidad de vida procede
básicamente del Informe de desarrollo humano de 2006 del PNUD, complementada para alguna
variable con los datos del Banco Mundial recopilados en Indicadores del desarrollo mundial de
2006.
Como es sabido, el conjunto de indicadores incluidos en el Informe del PNUD es amplio,
abarcando distintos ámbitos del desarrollo e incluyendo a 177 estados miembros de las Naciones
Unidas, si bien presenta importantes “vacíos informativos” que afectan a numerosas variables y
países. Además, el hecho de que la oficina encargada del Informe no elabore las estadísticas,
llevando a cabo únicamente su recopilación, repercute no sólo en el número de datos disponible
4
XV Jornadas de ASEPUMA y III Encuentro Internacional
¿Cómo valorar las componentes de la calidad de vida en los países en desarrollo?
sino también en los importantes inconvenientes de homogeneidad y comparabilidad que presentan
y que son de sobra conocidos. Con todo, el Informe de desarrollo humano constituye una
compilación única, y accesible, de información estadística a nivel mundial relativa al desarrollo,
cuyo activo principal es la superación de los estrechos límites economicistas ligados a su análisis
más tradicional.
Con el propósito de abarcar en nuestro análisis el mayor número posible de países y
variables, la primera selección de información contemplaba un total de 139 países en desarrollo y
39 variables, muchas de ellas incluidas como indicadores de los Objetivos de Desarrollo del
Milenio.
El punto de partida fue el listado del PNUD en función del Índice de desarrollo humano
(IDH), del que excluimos a los países de ingresos altos siguiendo la clasificación del Banco
Mundial1. Así, la muestra inicial incluía: el grupo total de IDH bajo con 31 países, 82 con IDH
medio (todos los de esa agrupación a excepción de Arabia Saudita) y 26 clasificados con IDH
alto. Este conjunto de países, muy similar a la clasificación de países en desarrollo según
agrupaciones regionales realizada por el propio PNUD, pronto se vio reducido como consecuencia
de la escasez generalizada de información para algunos de ellos. De este modo, la selección final
objeto de estudio consta de 101 países: 26 de IDH bajo, 58 con IDH medio y 17 con IDH alto.
Por el mismo motivo, amplia ausencia de datos, fueron desestimadas 7 variables, entre las
que se encontraban, las tasas de alfabetización de adultos, de jóvenes y por sexos; la línea de
pobreza de 2$ diarios, el gasto militar en porcentaje del PIB y las líneas telefónicas básicas por
habitante. Con posterioridad, otros 10 indicadores fueron excluidos del análisis por falta de
significatividad estadística (escasa comunalidad), de entre ellos cabe mencionar: el gasto público
en educación en porcentaje del PIB, el porcentaje de escaños parlamentarios ocupados por
mujeres, el índice de Gini, el servicio de la deuda o las tasas de crecimiento de la población y del
PIB.
Finalmente, las 22 variables seleccionadas y el nombre con el que vamos a designarlas en
nuestro estudio es el siguiente:
1
ƒ
Población Urbana (% del total): Urbana.
ƒ
Población menor de 15 años (% del total): Menor15.
ƒ
Gasto en salud per cápita ($PPA): Gsalud.
Países con renta per cápita igual o superior a 10.066$ en 2004.
XV Jornadas de ASEPUMA y III Encuentro Internacional
5
García Luque, O., Losa Carmona, A. y Lafuente Lechuga, M.
ƒ
Índice de prevalencia del uso de anticonceptivos (%mujeres casadas entre 15 y 49
años): Anticon.
ƒ
Médicos (por cada 100.000 personas): Medi.
ƒ
Población con acceso sostenible a fuente de agua mejorada (%): Pfuenagua.
ƒ
Inversa de la tasa total de fecundidad (partos por mujer): ITfecun.
ƒ
Partos atendidos por personal sanitario especializado (%): Partos.
ƒ
Población con acceso a saneamiento sostenible (%): Psanea.
ƒ
Inversa de la población desnutrida (% del total): IPdesnut.
ƒ
Inversa de la prevalencia del VIH (% de individuos entre 15 y 49 años):Ivih.
ƒ
Inversa de la prevalencia de la tuberculosis (por cada 100.000 pers.): Iturber.
ƒ
Inversa de la tasa de mortalidad infantil (por cada 1000 nacidos vivos): ITmort.
ƒ
Inversa de las emisiones de dioxido de carbono per cápita (T): ICO2.
ƒ
Esperanza de vida al nacer (años): Esperanza.
ƒ
Probabilidad al nacer de sobrevivir hasta los 65 años. Hombres: Pro65h.
ƒ
Probabilidad al nacer de sobrevivir hasta los 65 años. Mujeres: Pro65m.
ƒ
Tasa neta de matriculación en educación primaria (%): Tpri.
ƒ
Abonados a telefonos móviles (por cada 1.000 pers): Movil.
ƒ
Usuarios de internet (por cada 1.000 pers): Internet.
ƒ
PIB per cápita ($PPA): PIB.
ƒ
Tasa de actividad femenina (% de personas de 15 años y mayores): Tfem.
Aquellas variables que, en principio pensamos que contribuyen negativamente a la calidad
de vida las invertimos para que sean objetos de valor, este es el caso de “la tasa de fecundidad”,
“población desnutrida”, “prevalencia del VIH”, “prevalencia de la tuberculosis” y “tasa de
mortalidad infantil”.
Un análisis factorial resultará adecuado cuando existan altas correlaciones entre las
variables, que es cuando podemos suponer que se explican por factores comunes. Por tanto, el
primer paso que debemos de dar es analizar la matriz de correlación muestral, para las 22
variables presentes en el estudio. Esta matriz consta de dos partes; en la parte superior están
calculados los coeficientes de correlación entre todas las variables y en la parte inferior se
contrasta la correlación poblacional a partir de la significatividad individual de cada uno de estos
coeficientes con un 5% de nivel de significación.
Si analizamos la matriz de correlación muestral podemos observar que existen tres
variables, Menor15, ICO2 y Tfem, que presentan correlaciones inversas con el resto de variables,
6
XV Jornadas de ASEPUMA y III Encuentro Internacional
¿Cómo valorar las componentes de la calidad de vida en los países en desarrollo?
siendo Tfem la que tiene, en valor absoluto, unos índices bajos, inferiores todos a 0,52. IPdesnut,
Ivih y Ituber presentan coeficientes de correlación directos pero inferiores a 0,6. El grado de
correlación existente entre las demás variables es elevado y directo ya que la mayoría de los
coeficientes son superiores a 0,7.
Para saber si estos coeficientes son significativos o no es necesario hacer primero un
contraste de significatividad individual que contrasta la hipótesis nula de correlación nula frente a
la hipótesis alternativa de existencia de autocorrelación positiva o negativa. Los valores de la
parte inferior de la matriz nos indican que estos coeficientes son significativos al 5% de nivel de
significación en todos los casos.
Realizamos a continuación un contraste de significatividad global para saber si las
variables están conjuntamente correlacionadas o no. Este lo podemos realizar a través del test de
esfericidad de Bartlett y del índice KMO (Kaiser-Meyer-Olkin) de adecuación de la muestra.
El test de Bartlett contrasta la hipótesis nula de que la matriz de correlaciones es una
matriz identidad (incorrelación lineal entre las variables), R = 1 , frente a la hipótesis alternativa
de existencia de autocorrelación, R ≠ 1 . Si, como resultado del contraste, no pudiésemos rechazar
esta H0, y el tamaño de la muestra fuese razonablemente grande, deberíamos reconsiderar la
realización de un análisis factorial. El estadístico de contraste del test, donde p es el número de
variables, es:
B = −[n − 1 − (2 p + 5) / 6]ln R
que se distribuye como una χ2 con (p2-p)/2 grados de libertad.
La expresión del índice de adecuación muestral de Kaiser-Meyer-Olkin es:
KMO =
∑∑ r
j
∑∑ r
j
i≠ j
2
ji
i≠ j
2
ji
+ ∑∑ a 2ji
j
i≠ j
donde:
ƒ
r ji2 es el coeficiente de correlación observada entre las variables j e i.
ƒ
a 2ji es el coeficiente de correlación parcial entre las variables j e i.
La muestra será más adecuada cuanto más próxima esté a 1 esta medida, ya que esto
supondría que los coeficientes de correlación parcial entre las variables originales serían
pequeños. Valores de KMO por debajo de 0,5 no serán aceptables, considerándose inadecuados
los datos para aplicar un modelo de análisis factorial. Mientras más cerca estén de 1 los valores de
XV Jornadas de ASEPUMA y III Encuentro Internacional
7
García Luque, O., Losa Carmona, A. y Lafuente Lechuga, M.
KMO mejor es la adecuación de los datos a un modelo factorial, considerándose ya excelente la
adecuación para valores próximos a 0,9.
Tabla 1. Prueba de Bartlett y KMO.
Determinante de la matriz de correlación.................................................................
Medida de adecuación muestral de Kaiser-Meyer-Olkin.........................................
Prueba de esfericidad de Bartlett
Chi-cuadrado aproximado ..
Gl ........................................
Sig.......................................
1,33E-14
0,907
2933,870
231
0,000
En la Tabla 1 observamos que el determinante de la matriz de correlaciones es muy
pequeño, prácticamente cero y que el valor aproximado χ2 = 2933,870, con lo que podemos
rechazar al 5% la hipótesis nula y por tanto que las variables presentes en nuestro estudio están
correlacionadas. También obtenemos que el índice KMO = 0,907, lo que indica que las variables
originales son totalmente adecuadas para realizar un análisis factorial.
4. EXTRACCIÓN DE LOS FACTORES.
Con el análisis factorial tratamos de obtener un número de variables latentes o factores que
expliquen la estructura de las variables. A partir de la matriz de correlaciones y según el método
utilizado (componentes principales, mínimos cuadrados no ponderados, mínimos cuadrados
generalizados, máxima verosimilitud, factorización de ejes principales, análisis alfa o análisis
imagen) el procedimiento permite obtener la matriz de factores. En este trabajo utilizamos el
método de factorización de ejes principales obteniendo, en primer lugar, las comunalidades de
todas las variables cuyos valores podemos encontrar en la Tabla 2.
En el procedimiento de ejes principales, la comunalidad de la extracción inicial (primera
columna de la Tabla 2) para una variable es el coeficiente de determinación múltiple obtenido en
la regresión de esa variable con el resto de las variables originales. Como puede verse en la mayor
parte de las variables es superior a 0,7 a excepción de IPdesnut, Ivih, Ituber y Tfem, lo que nos
indica que la parte de la varianza no explicada por los factores es pequeña. En la segunda columna
tenemos la comunalidad correspondiente a cada variable después de la extracción de los factores.
Es conveniente, como así ocurre, que estos valores estén cercanos a la unidad.
El gráfico de sedimentación, que se obtiene al representar en el eje de abscisas el número
de factores en orden decreciente y en el eje de ordenadas los valores propios de la matriz de
correlaciones, nos indica que el número de variables latentes o factores que hay que retener son
8
XV Jornadas de ASEPUMA y III Encuentro Internacional
¿Cómo valorar las componentes de la calidad de vida en los países en desarrollo?
aquellos que están, por encima de la zona de sedimentación. En nuestro caso seleccionamos
cuatro que son los que tienen autovalores superiores a la unidad.
Tabla 2. Comunalidades
Urbana
Menor15
Gsalud
Anticon
Medi
Pfuenagua
ITfecun
Partos
Psanea
IPdesnut
Ivih
Ituber
ITmort
ICO2
Esperanza
Pro65h
Pro65m
Tpri
Movil
Internet
PIB
Tfem
Inicial
0,695
0,969
0,908
0,814
0,844
0,739
0,961
0,774
0,786
0,602
0,629
0,503
0,853
0,784
0,993
0,992
0,984
0,716
0,861
0,862
0,930
0,624
Gráfico 1. Gráfico de sedimentación
Extracción
0,544
0,962
0,822
0,733
0,659
0,751
0,931
0,758
0,776
0,466
0,352
0,342
0,856
0,757
0,971
0,966
0,990
0,561
0,796
0,842
0,860
0,413
Método de extracción: Factorización de Ejes principales.
La Tabla 3, varianza total explicada, nos muestra que el primer factor explica un 59,11%
de la varianza total y los tres siguientes un 8,85%, un 5,2% y un 4,7% respectivamente, lo que
supone que entre los cuatro primeros factores se resume el 77,86% de la variabilidad total de
nuestros datos. Estos cuatro factores se corresponden con los autovalores de la matriz de
correlaciones que son mayores que 1.
Para poder analizar cual es la carga o ponderación que cada factor tiene en las variables
originales estudiadas, hay que analizar la matriz factorial (Tabla 4), cuyos elementos son las
puntuaciones factoriales o ponderaciones que tienen las distintas variables en cada uno de los
factores. La suma de las puntuaciones al cuadrado correspondientes a un factor es igual al
autovalor correspondiente a dicho factor.
Las puntuaciones factoriales también pueden considerarse como los coeficientes de
correlación lineal de Pearson del factor y la variable implicados.
Para ver qué variable se agrupa en cada factor hay que observar las variables cuyas cargas
sean altas en uno de ellos y bajas en los otros (valores inferiores a 0,25 suelen considerarse bajos).
XV Jornadas de ASEPUMA y III Encuentro Internacional
9
García Luque, O., Losa Carmona, A. y Lafuente Lechuga, M.
Tabla 3. Varianza total explicada
Factor
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
Total
13,004
1,946
1,143
1,036
0,798
0,710
0,620
0,478
0,455
0,325
0,262
0,248
0,221
0,184
0,154
0,130
0,118
0,091
0,043
0,019
0,009
0,004
Autovalores iniciales
% de la varianza
59,110
8,845
5,194
4,711
3,628
3,228
2,817
2,173
2,070
1,475
1,190
1,128
1,006
0,838
0,700
0,592
0,537
0,415
0,196
0,084
0,043
0,019
% acumulado
59,110
67,955
73,149
77,861
81,489
84,717
87,534
89,707
91,777
93,252
94,443
95,570
96,576
97,414
98,114
98,706
99,243
99,658
99,854
99,938
99,981
100,000
Tabla 4. Matriz factorial
Factor
1
2
Urbana
0,698
0,022
Menor15
-0,896
-0,110
Gsalud
0,823
0,352
Anticon
0,818
-0,203
Medi
0,754
0,105
Pfuenagua
0,812
-0,081
ITfecun
0,833
0,200
Partos
0,824
0,026
Psanea
0,877
-0,057
IPdesnut
0,671
0,045
Ivih
0,472
-0,335
Ituber
0,481
0,017
ITmort
0,793
0,373
ICO2
-0,761
0,203
Esperanza
0,871
-0,396
Pro65h
0,864
-0,385
Pro65m
0,771
-0,512
Tpri
0,684
-0,268
Movil
0,780
0,393
Internet
0,759
0,444
PIB
0,831
0,389
Tfem
-0,476
0,257
Método de extracción: Factorización del Eje principal.
4 Factores extraídos. Requeridas 8 iteraciones.
3
-0,003
0,286
0,089
-0,152
-0,222
-0,091
-0,314
-0,248
-0,047
0,000
0,053
0,296
0,231
0,198
0,170
0,150
0,327
-0,147
0,183
0,261
0,061
-0,078
4
-0,237
-0,256
-0,108
-0,014
0,177
-0,277
0,315
-0,127
-0,050
-0,116
0,118
-0,150
0,183
0,313
0,165
0,220
0,164
-0,023
-0,009
0,038
-0,124
0,339
Para conseguir una correcta interpretación de cada uno de los factores se procede a su
rotación. Ésta consiste en realizar un giro de los ejes de ordenadas de los factores respecto a las
variables para que las correlaciones entre ellas sean o próximas a cero o próximas a uno. Existen
dos formas básicas de realizar la rotación de los factores: la rotación ortogonal y la oblícua.
La rotación ortogonal consiste en girar los ejes de tal forma que sigan siendo
perpendiculares entre sí para que los factores no dejen de estar incorrelacionados. De entre los
10
XV Jornadas de ASEPUMA y III Encuentro Internacional
¿Cómo valorar las componentes de la calidad de vida en los países en desarrollo?
diversos procedimientos de rotación ortogonal el más conocido, y que aquí ha sido aplicado, es el
varimax normalizado que consiste en maximizar la suma de las varianzas de las cargas factoriales
al cuadrado dentro de cada factor dividida por la comunalidad de la variable correspondiente, para
evitar que las variables con mayores comunalidades tengan más peso en la solución final.
Tabla 5. Matriz de factores rotados
Factor
1
2
3
4
Urbana
0,413
0,235
0,235
0,513
Menor15
-0,437
-0,342
-0,770
-0,247
Gsalud
0,746
0,153
0,332
0,362
Anticon
0,254
0,471
0,468
0,477
Medi
0,385
0,273
0,619
0,231
Pfuenagua
0,367
0,311
0,322
0,645
ITfecun
0,446
0,261
0,801
0,153
Partos
0,367
0,238
0,526
0,538
Psanea
0,436
0,428
0,423
0,473
IPdesnut
0,412
0,252
0,277
0,395
Ivih
0,068
0,524
0,188
0,193
Ituber
0,430
0,283
-0,054
0,272
ITmort
0,806
0,288
0,344
0,071
ICO2
-0,206
-0,315
-0,343
-0,706
Esperanza
0,308
0,823
0,302
0,327
Pro65h
0,301
0,825
0,341
0,281
Pro65m
0,251
0,915
0,121
0,273
Tpri
0,138
0,450
0,386
0,437
Movil
0,792
0,178
0,291
0,229
Internet
0,851
0,180
0,252
0,149
PIB
0,762
0,114
0,355
0,376
Tfem
-0,143
-0,313
0,019
-0,543
Método de extracción: Factorización del eje principal. Método de rotación: Normalización
Varimax con Kaiser
La rotación ha convergido en 7 iteraciones.
En la Tabla 5 tenemos calculada la matriz factorial rotada por el método Varimax
propuesto por Kaiser.
Podemos observar como el primer factor está altamente correlacionado y de forma positiva
con Gsalud, IPdesnut, Ituber, ITmort, Movil, Internet y PIB. Se trata de variables que están
relacionadas con las oportunidades de salud de la población, sobre todo a través del gasto en salud
y las condiciones que inciden en la mortalidad infantil, así como con las oportunidades de
bienestar material donde, además del papel fundamental que cabe esperar del PIB per cápita,
destaca el acceso a internet que simboliza la incorporación a la nueva sociedad del conocimiento.
Por ello, el factor 1 se ha denominado condiciones materiales y de salud, tratando de destacar los
medios básicos de riqueza y salud que contribuyen positivamente sobre la calidad de vida de las
personas.
El segundo factor está correlacionado positivamente con las variables: Ivih, Esperanza,
Pro65h y Pro65m; destacando la elevada correlación de esta última variable relativa al género. Se
XV Jornadas de ASEPUMA y III Encuentro Internacional
11
García Luque, O., Losa Carmona, A. y Lafuente Lechuga, M.
ha denominado condiciones de supervivencia para tratar de capturar los elementos que inciden en
la longevidad de las personas, cuestión previa e ineludible ligada a la calidad de vida.
El tercer factor presenta una correlación negativa con la variable Menor15 y positiva con
Anticon, Medi, ITfecun y Partos. Parece que este factor tiene que ver con las condiciones
demográficas y su incidencia en la calidad de vida, a través del alivio de las presiones
poblacionales sobre los recursos disponibles; redundando a su vez en la sostenibilidad del
desarrollo. Un elevado porcentaje de población joven constituye un recurso valioso de cara al
futuro pero, sin duda, requiere de un esfuerzo presente tanto de mantenimiento (salud) como de
inversión (educación).
El cuarto factor obtenido se correlaciona de forma positiva con Urbana, Pfuenagua, Psanea
y Tpri; mientras que con ICO2 y Tfem la correlación es negativa. Este cuarto factor se ha
denominado condiciones medioambientales y capital humano. Aglutina un conjunto de variables
relacionadas, por un lado, con la calidad del medioambiente y asociadas a los procesos de
urbanización, contemplando tanto sus repercusiones positivas sobre los servicios de saneamiento
y acceso a agua, como negativas ligadas a las emisiones de CO2 derivadas de la concentración
industrial y poblacional. Por otro lado, a este factor se asocian también variables que dan cuenta
del capital humano, como el acceso a la educación primaria y la tasa de actividad femenina.
De estos cuatro factores, el factor 1, que da cuenta de las condiciones materiales y de
salud, es el más importante porque recoge casi el 60% de la varianza conjunta de las variables
iniciales, mientras que los restantes factores suman aproximadamente un 18% de dicha varianza
(Tabla 3).
5. CONCLUSIONES.
Utilizando la información suministrada por el PNUD en su Informe de desarrollo humano
de 2006 y mediante el análisis factorial hemos encontrado cuatro factores que nos determinan los
perfiles de calidad de vida en los países en desarrollo. Estos son: condiciones materiales y salud,
factor de condiciones de supervivencia, un tercer factor de condiciones demográficas y por último
el cuarto factor hace referencia a las condiciones medioambientales y el capital humano. De estos
cuatro factores, el primero recoge casi el 60% de la varianza conjunta de las variables presentes en
nuestro estudio, mientras que los tres restantes suman aproximadamente un 18% de dicha
varianza.
12
XV Jornadas de ASEPUMA y III Encuentro Internacional
¿Cómo valorar las componentes de la calidad de vida en los países en desarrollo?
6. REFERENCIAS BIBLIOGRÁFICAS
BUSTELO, P. (1999): Teorías contemporáneas del desarrollo económico, Editorial Síntesis,
Madrid.
COLLICELLI, C. and VALERII, L. (2000): “A new methodology for comparative analysis of
poverty in the Mediterranean: A model for differential analysis of poverty at a regional level”,
Economic Research Forum, Working Paper 2023.
FOREMAN-PECK, J. (1995): Historia económica mundial, 2ª edición, Prentice-Hall, Madrid.
GAMBOA, L.F., GONZÁLEZ, L.I. y CORTÉS, D. (2001): “An approximation to the Standard of
Living Index: The Colombian Case”, Borradores de Investigación, Serie Documentos, nº 18,
Universidad del Rosario.
NUSBAUM, M. Y SEN, A., editores (1993): The Quality of Life, Clarendon Press, Oxford.
PEREZ, C. (2004): Técnicas de Análisis Multivariante de Datos. Aplicaciones con
SPSS,
Prentice Hall. madrid
PNUD (1995): Informe sobre desarrollo humano 1995, Harla, México.
PNUD (1996): Informe sobre desarrollo humano 1996, Mundi Prensa, Madrid.
PNUD (2006): Informe sobre desarrollo humano 2006, Mundi Prensa, Madrid.
RAHMAN, A. K., MITTELHAMMER, R. C. y WANDSCHNEIDER, Ph. (1985): “Measuring
the Quality of Life Across Countries: A Sensitivity Analysis of Well-Being Indices”, WIDER
International conference on Inequality, Poverty and Human Well-Being , May 30-31, Helsinki,
Finland.
SARMIENTO, A., RAMÍREZ, C. (1998): “Algunos aspectos conceptuales del Índice de
Condiciones de Vida”, Coyuntura Social, nº 19, nov., pp. 67-88.
SEN, A. K. (1985): Commodities and Capabilities, North-Holland, Amsterdam.
SEN, A. K. (1987): Standard of Living, Cambridge University Press, New York.
SEN, A. K. (1992): Inequality Re-examined, Clarendon Press, Oxford.
SEN, A. K. (1999): Development as Freedom, Alfred A. Knopf, New York.
URIEL, E. (1995): Análisis de datos. Series temporales y Análisis multivariante, Ed. AC. Madrid.
VISAUTA, B. (1997): Análisis estadístico con SPSS para Windows, Mc Graw Hill, Madrid.
UNCTAD (2006): Los países menos adelantados, informe 2006, Conferencia de Naciones Unidas
sobre Comercio y Desarrollo, Ginebra.
XV Jornadas de ASEPUMA y III Encuentro Internacional
13