Universidad de Los Andes Instituto de Investigaciones Económicas y Sociales

BANN02.GIF (1472 bytes)

Pronóstico del déficit de viviendas en el estado Mérida, Venezuela,
mediante redes neuronales artificiales

Prediction of housing deficit in Mérida, Venezuela,
by artificial neural networks

Gerardo A. Colmenares Lacruz
Ph. D., Profesor Titular. Facultad de Ciencias Económicas y Sociales
Instituto de Investigaciones Económicas y Sociales
Universidad de Los Andes
E-mail: gcolmen@ula.ve

Annjulie A. Gil Ruiz
Ingeniero de Sistemas
E-mail: kannjulie@hotmail.com

RESUMEN

Se combina Funciones de Bases Radiales (RBF) y Análisis Multivariante para pronosticar el déficit de viviendas en el estado Mérida. Se construyó un indicador alternativo al usado convencionalmente para evaluar este fenómeno. La información primaria se obtuvo de las Encuestas de Hogares por Muestreo (EHM) entre 1994 y 2005. Las variables empleadas fueron el número de hogares, tenencia, hacinamiento, adecuación y condición de la vivienda. Se destaca que mediante RBF se alcanzó un aceptable nivel de efectividad y de adaptación: se adecuó al tipo de problema que se modeló. Los resultados obtenidos en el entrenamiento y generalización alcanzaron valores del error cuadrático medio muy bajos, con un buen nivel de acierto para el pronóstico y, debido a la consistencia de estos resultados, se demostró robustez en el entrenamiento.
Palabras clave: Déficit cualitativo, déficit cuantitativo, análisis de correspondencia múltiple, redes neuronales artificiales, indicadores.

ABSTRACT

This work combines the tools of Radial Basis Function (RBF) and Multivariate Analysis to predict insufficient housing supply in the state of Merida, Venezuela. An alternative indicator to the commonly one used was built in order to evaluate this phenomenon. Data covering the number of families at the same house, house property, overcrowding level, housing physical condition, and public utilities condition were extracted from The Household Sampling Survey (HSS), 1994-2005. It is outstanding that RBF showed an acceptable level of effectiveness and capacity of adapting itself to this kind of problem. In general, results obtained during training and generalization stages reached very low average quadratic errors, a good level of success in the prognosis and robustness of the trained models.
Key words: Qualitative deficit, quantitative deficit, multiple correspondence analysis, artificial neural networks, scores.

banim05.gif (4535 bytes)

acroread.gif (331 bytes) Trabajo Completo