¿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 Población Urbana (% del total): Urbana. Población menor de 15 años (% del total): Menor15. 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. Índice de prevalencia del uso de anticonceptivos (%mujeres casadas entre 15 y 49 años): Anticon. Médicos (por cada 100.000 personas): Medi. Población con acceso sostenible a fuente de agua mejorada (%): Pfuenagua. Inversa de la tasa total de fecundidad (partos por mujer): ITfecun. Partos atendidos por personal sanitario especializado (%): Partos. Población con acceso a saneamiento sostenible (%): Psanea. Inversa de la población desnutrida (% del total): IPdesnut. Inversa de la prevalencia del VIH (% de individuos entre 15 y 49 años):Ivih. Inversa de la prevalencia de la tuberculosis (por cada 100.000 pers.): Iturber. Inversa de la tasa de mortalidad infantil (por cada 1000 nacidos vivos): ITmort. Inversa de las emisiones de dioxido de carbono per cápita (T): ICO2. Esperanza de vida al nacer (años): Esperanza. Probabilidad al nacer de sobrevivir hasta los 65 años. Hombres: Pro65h. Probabilidad al nacer de sobrevivir hasta los 65 años. Mujeres: Pro65m. Tasa neta de matriculación en educación primaria (%): Tpri. Abonados a telefonos móviles (por cada 1.000 pers): Movil. Usuarios de internet (por cada 1.000 pers): Internet. PIB per cápita ($PPA): PIB. 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: r ji2 es el coeficiente de correlación observada entre las variables j e i. 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
© Copyright 2024