Norteamérica

ISSN: 1870-3550
Universidad Nacional Autónoma de México, Centro de
Investigaciones sobre América del Norte

Núñez Medina, Gerardo; López Arévalo, Jorge Alberto

Análisis espaciotemporal bayesiano de las remesas y la inclusión financiera en municipios de México
Norteamérica, vol. 16, núm. 2, 2021, Julio-Diciembre, pp. 99-120
Universidad Nacional Autónoma de México, Centro de Investigaciones sobre América del Norte

DOI: [Link]

Disponible en: [Link]

Cómo citar el artículo

Número completo Sistema de Información Científica Redalyc
Más información del artículo Red de Revistas Científicas de América Latina y el Caribe, España y Portugal
Página de la revista en [Link] Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso
abierto
NORTEAMÉRICA, Año 16, número 2, julio-diciembre de 2021
Recibido: 21/03/2021 Aceptado: 27/08/2021 • DOI: [Link]

Análisis espaciotemporal bayesiano de las remesas

y la inclusión financiera en municipios de México
A Bayesian Spatial-temporal Analysis of Remittances
And Financial Inclusion in Mexican Municipalities

Gerardo Núñez Medina*

Jorge Alberto López Arévalo**

Resumen
El crecimiento continuado en el monto de las remesas enviadas por emigrantes mexicanos des-
de Estados Unidos revela la importancia de su estudio. El objetivo es analizar la distribución
espaciotemporal de las remesas, así como cuantificar el efecto de la inclusión financiera en su
distribución a lo largo de todos los municipios de México para el periodo 2015-2020. La meto-
dología se sustenta en la implementación de una serie de modelos gaussianos latentes en com-
petencia. Los resultados señalan que existe una relación importante entre inclusión financiera y
las remesas per cápita recibidas a nivel municipal, donde el efecto de la vecindad geográfica es
importante. La originalidad del trabajo radica en el uso de una metodología espacial bayesiana
para el análisis de datos sobre remesas e inclusión financiera a nivel municipal.
Palabras clave: modelos gaussianos latentes, r-inla, migración, Akaike.

Abstract
The continuing growth in remittances sent from the United States by Mexican emigrants reveals
how important it is to study them. This article analyzes the spatial-temporal distribution of re-
mittances and quantifies the effect of financial inclusion in their distribution in all Mexican mu-
nicipalities between 2015 and 2020. The authors’ methodology is based on a series of latent Gaussian
models for competition. Their results show that an important correlation exists between finan-
cial inclusion and per capita remittances received on a municipal level, where the effect of geo-
graphical proximity is important. This article’s originality lies in the use of a Bayesian spatial
methodology for analyzing remittance and financial inclusion data on a municipal level.
Key words: latent Gaussian models, r-inla, migration, Akaike.

* Departamento de Estudios de Población, El Colegio de la Frontera Norte (El Colef), <gnunez@[Link]>.

** Universidad Autónoma de Chiapas (Unach), <[Link]@[Link]>.

99
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

Introducción

Este artículo presenta un estudio longitudinal cuyo objetivo es analizar la distribu-

ción espacial de las remesas en los municipios de México, considerando el efecto de
los niveles de inclusión financiera. Las remesas fueron cuantificadas por el Banco
de México en la balanza de pagos a partir de la distribución municipal de los ingre-
sos por remesas familiares en series trimestrales, contabilizadas en millones de dólares,
mientras que la inclusión financiera se cuantificó a partir de la total de sucursales
bancarias reportadas por el Sistema de Información Económica del Banco de México
dentro del módulo de información operativa de la banca comercial para cada uno de
los municipios de México y para un periodo de seis años, comprendido entre enero
de 2015 y diciembre de 2020.
Las bases teóricas para comprender la relación entre los niveles registrados de
remesas y el acceso a instituciones financieras se fundamenta en la definición pro-
puesta por la Global Partnership for Financial Inclusion (gpfi), en la que la inclusión
financiera “se refiere a una situación en la que todos los adultos en edad de trabajar,
incluidos aquellos actualmente excluidos del sistema financiero, tienen acceso efecti-
vo a los siguientes servicios financieros provistos por las instituciones formales: cré-
dito, ahorro (incluyendo cuentas corrientes), pagos y seguros” (Roa, 2013), mientras
que los modelos espaciotemporales de cohorte bayesiano implementados en el pa-
quete r-inla (Rue, Martino y Chopin, 2009) constituyen una herramienta fundamen-
tal para el ajuste y la representación de las diferentes interacciones que configuran la
estructura de relaciones de dependencia espaciotemporales entre las variables depen-
diente e independiente.
En las áreas rurales de los países de destino de las remesas, hay una baja penetra­
ción del sistema financiero, que al parecer se puede ir mejorando a partir de procesos
de inclusión financiera, entre los que se cuenta el proyecto Banco del Bienestar, mis-
mo que está siendo instrumentado por el gobierno del presidente Andrés Manuel
López Obrador.
Las remesas se definen como transferencias transfronterizas recurrentes, de per-
sona a persona, de valor relativamente bajo, enviadas por trabajadores migrantes a sus
familiares desde sus países de origen (oecd, 2006). A pesar de que las transferencias
individuales de los migrantes son de bajo valor, a nivel agregado representan una
fuente significativa de capital, en especial para países en vías de desarrollo, lo cual
las convierte en una de las principales fuentes de ingresos externos, al tiempo que tie-
nen una representación importante en términos de la proporción relativa que ocupan,
dado el tamaño de su economía. Algunos estudios sugieren que un aumento del 10
por ciento en la proporción de remesas respecto del producto interno bruto (pib) de

100 (DOI: [Link]

 Análisis espaciotemporal bayesiano
ensayos

un país, puede llevar a una disminución en la proporción de personas en pobreza de

entre el 1.5 por ciento al 3.5 por ciento (unctad, 2011; Aldasoro, 2020).
La Encuesta Nacional de Inclusión Financiera (enif) 2015 tiene por objetivo gene-
rar información estadística en materia de uso y acceso a servicios y productos finan-
cieros en México para personas entre dieciocho y setenta años de edad. La encuesta
realizada bajo la coordinación de la Comisión Nacional Bancaria y de Valores (cnbv)
y el Instituto Nacional de Estadística y Geografía (inegi), señala que, en 2015, el 17.3
por ciento de la población mexicana declaró recibir remesas que correspondieron el
14.5 por ciento a la población urbana y el 22.6 por ciento a la población rural. Es decir,
las remesas van preferentemente al área rural, la que tiene menor inclusión financiera,
situación que puede llevar a que algunos municipios urbanos se encuentren sobre-
rrepresentados en términos de captación de remesas y que, por tanto, una importante
proporción de receptores de las zonas rurales acudan a cobrar sus remesas a las ca-
beceras municipales o regionales, asumiendo los gastos de transacción.
Estimar el destino exacto de los flujos municipales de remesas resulta complejo,
ya que un porcentaje importante de transferencias se envía a municipios distintos de
los municipios de origen de los migrantes y sus familias. Esto se debe a que sólo el
63.4 por ciento de los municipios en México, al año 2020, contaban con alguna insti-
tución financiera que pudiera hacer efectivas las transferencias (1558 municipios de
los 2456 cuentan con alguna sucursal bancaria) y por lo tanto, los migrantes buscan
enviarlas a cabeceras municipales o regionales que en ocasiones se encuentran fuera
de sus municipios de origen, lo que incrementa el costo de transacción e incentiva
los envíos informales.
El uso de modelos espaciotemporales permite describir la formación de patro-
nes geográficos generados por una distribución no uniforme de capacidades y recur-
sos desplegados por parte de las instituciones financieras a lo largo del territorio
mexicano, y consolidados al paso del tiempo. Los modelos espaciales más utilizados
son los modelos lineales generalizados mixtos (generalized linear mixed models, glmm),
que suponen el uso de una función liga y un conjunto pequeño de covariables que pue-
den ser controlados (fijos) o que pueden no serlo (aleatorios). La ventaja que aporta
el uso de un enfoque de tipo bayesiano sobre la aproximación clásica estriba en su
capacidad para estimar la distribución marginal posterior de los parámetros (en lu-
gar de la distribución conjunta), con lo que se forma una imagen completa sobre el
comportamiento de los parámetros.

101
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

Antecedentes

Se entiende que las remesas familiares son envíos unidireccionales generalmente re-
currentes, de dinero, que realizan emigrantes mexicanos en el extranjero, particular-
mente de Estados Unidos, cuyo destino final son sus hogares en México, hogares con
los que tienen un vínculo familiar (Banxico, 2021). Existen básicamente dos canales
para el envío de remesas: los formales, que utilizan el sistema bancario internacional
para hacer transferencias, y los canales informales, conformados por una serie de
intermediarios (parientes, conocidos, coyotes, traficantes, etc.) que realizan la trans-
ferencia de dinero entre el remitente y el destinatario de mano en mano (Demirgüç-
Kunt et al., 2011). La decisión entre el uso de uno u otro se basa en un análisis costos/
beneficios que pondera entre los costos, la confianza y los riesgos asociados al uso de
cada canal. En cualquier caso, el registro de los envíos realizados a través de canales
formales es hecho por el Banco de México, a partir de un sistema que cuantifica los
recursos transferidos entre personas físicas en el extranjero hacia personas físicas en
México; no obstante, se estima que el monto de las remesas contabilizadas en canales
formales es un 50 por ciento menor a las remesas enviadas por canales informales
(Moretti Langford, 2014, cit. en Aldasoro, 2020).
La preferencia por el uso de canales informales puede explicarse porque ofrecen
precios más bajos, mayor afinidad cultural y ausencia de trámites burocráticos, pero,
sobre todo, se explica por la carencia de infraestructura financiera en las localidades
de destino de las remesas (Tuirán et al., 2006). En general, la presencia de sucursales
bancarias, en países en desarrollo como México, se limita a centros urbanos, mien-
tras que se busca cubrir la ausencia de infraestructura bancaria con instituciones de
microfinanzas que ofrecen servicios financieros básicos, con una mayor distribución
espacial de sucursales, en un mayor número de poblaciones rurales (Cortina et al., 2005).
En este sentido, la dispersión geográfica de servicios financieros, junto con una ma-
yor inclusión financiera dirigida especialmente a poblaciones de zonas rurales gene-
rará los incentivos necesarios para reducir el flujo de remesas por canales informales.
Blanca Aldasoro nos explica a través de otros investigadores:

En términos de tendencias de inclusión financiera, se ha demostrado que los hogares que

reciben remesas tienden a tener una mayor propensión a ahorrar que los hogares no re-
ceptores y mayores cantidades de ahorro en valor absoluto: alrededor del 57 por ciento de
los hogares receptores ahorran una parte de sus remesas, frente a un 41 por ciento de los
hogares no receptores (Orozco, 2016). Debido a que los hogares receptores de remesas
están excluidos o tienen acceso limitado al sistema financiero formal, ahorran a través de
canales informales que los exponen a riesgos de fraude, robo o extravío y mayores costos

102 (DOI: [Link]

 Análisis espaciotemporal bayesiano
ensayos

de transacción. Se estima que sólo el 23 por ciento de los hogares receptores ahorra en las
instituciones financieras y en los hogares no receptores el porcentaje es mucho menor: un
9 por ciento (Fondo Internacional de Desarrollo Agrícola —fida—, 2017) (Aldasoro, 2020: 29).

El Banco Mundial afirma que la inclusión financiera significa, para personas fí-
sicas y empresas, el tener acceso a productos financieros útiles y asequibles que sa-
tisfagan sus necesidades transacciones, pagos, ahorro, crédito y seguro, prestadas de
manera responsable y sostenible (Angeletti, 2019: 4). Esta autora, Camila Angeletti,
por ejemplo, centra su reflexión sobre los programas de transferencias condicionadas
(ptc) y el papel que pueden jugar en la inclusión financiera, teniendo en cuenta la
posibilidad de disminuir los costos de transacción. Señala que la banca formal debe
diseñar productos financieros acordes a los requerimientos y que sean capaces de cu-
brir las necesidades de los usuarios.
En relación con lo anterior, se debe tener presente que los ptc son transferencias
públicas y tiene una similitud alta con las remesas, que son transferencias privadas.
El problema para los receptores de remesas es que en muchos municipios rurales, que
conforman la mayor parte de los municipios de origen de los migrantes, no cuentan
con sucursales bancarias en las que puedan recibir remesas, al igual que los destina-
tarios de ptc en las zonas rurales; así, la implementación por parte de la Secretaría
de Hacienda y Crédito Público de México del programa de bancarización, a través de
Bancos del Bienestar, tiene como objetivo proteger el ingreso de los mexicanos in-
cluida población migrante, mediante una estrategia que busca reducir los costos y
riesgos asociados a las transferencias de remesas, ampliando la cobertura de servi-
cios financieros.
El Banco del Bienestar parece ser una opción dirigida a llenar ese hueco que
conspira con la recepción de remesas en las zonas rurales y que eleva los costos de tran­
sacción asociados a esta recepción. El programa Banco del Bienestar busca bancarizar
a los migrantes mexicanos en Estados Unidos y a sus familiares en México ofreciendo
acceso a 2393 puntos de atención, entre sucursales de este banco, sociedades finan-
cieras populares y cooperativas de ahorro y préstamo (cnbv, 2019).
Los canales formales para la transferencia de remesas comprenden proveedores
de servicios financieros, entre los que se encuentran bancos y empresas remesadoras
internacionales que incluyen instituciones financieras, operadores de transferencias
de dinero, así como servicios postales. El uso de canales formales garantiza la seguri-
dad de las transferencias para los emisores, para los receptores y para el sistema eco-
nómico; sin embargo, la existencia de regulaciones excesivas y el cumplimiento de
requisitos dirigidos a prevenir el lavado de dinero incrementan los costos y tiempos
de las transacciones (Aldasoro, 2020).

103
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

En términos generales, se percibe un problema que tiene que ver con la ausencia
de al menos una sucursal en el 51 por ciento de los municipios del país, en donde se
ubica el 92 por ciento de la población, según la cnbv (Cárdenas Jr. y Espinosa, 2020).
Es decir, el 49 por ciento de los municipios del país no cuenta con al menos una su-
cursal bancaria. En este sentido, la Política Nacional de Inclusión Financiera (pnif) no
sólo se estructura para cumplir los cuatro elementos clásicos de esta inclusión (acce-
so, uso, educación financiera y protección al usuario), sino que se enfoca en incidir
en la salud financiera de la población mexicana y, con ello, coadyuvar a la disminu-
ción de la pobreza y desigualdad. Para 2024, la pnif tiene la meta de alcanzar los ni-
veles promedios actuales de alfabetización financiera del G20 y reducir la brecha
urbana-rural a 7.5 puntos porcentuales (Cárdenas Jr. y Espinosa, 2020).
Todo parece indicar que en el gobierno actual se están tomando medidas para
incrementar los niveles de inclusión financiera que se expresan en la pnif y en la crea-
ción del Banco del Bienestar, que se ha anunciado abrirá 2 393 sucursales en todo el
país, mismas que esperan concretar en 2022 (Caso, 2020). Entre los objetivos estable-
cidos por el Banco del Bienestar está participar en la recepción de remesas, si bien el
uso de canales formales parece verse restringido, al menos desde el punto de vista
teórico, por regulaciones excesivas, el pago de comisiones y el pago “potencial” de
impuestos. Las regulaciones gubernamentales, asociadas al envío de remesas entre
México y Estados Unidos, son bastante débiles; los controles implican el registro (no
obligatorio) de una identificación oficial del beneficiario cuando la remesa rebasa los
tres mil dólares y no se verifica el vínculo familiar entre el remitente y el receptor, por
lo que el problema del bajo uso de canales formales podría estar asociado al cobro de
comisiones o la falta de inclusión financiera.

Datos

Los datos utilizados para el desarrollo de esta investigación fueron obtenidos de los
tabulados generados por el Sistema de Información Económica desarrollado por el
Banco de México y disponible en su sitio web (Banxico, 2021); en particular, se proce-
saron las variables relativas a los ingresos por remesas familiares y el total de sucur-
sales bancarias. En ambos casos, las variables estaban disponibles a nivel municipal
y para el periodo comprendido entre los años 2014 a 2020. Es importante señalar que
los datos analizados representan las remesas familiares recibidas a través de canales
formales, según cifras de Banco de México. Las remesas internacionales registraron
a lo largo de todo el periodo analizado una tendencia creciente, con lo que alcanza-
ron un total de 40 578 000 000 de dólares al año 2020 (véase la gráfica 1).

104 (DOI: [Link]

 Análisis espaciotemporal bayesiano
ensayos

Gráfica 1
EVOLUCIÓN DE REMESAS Y SUCURSALES BANCARIAS. MÉXICO, 2013-2020
(remesas en millones de dólares)

45 000
40 000
35 000
30 000
25 000
20 000
15 000
10 000
5 000
0
2013 2014 2015 2016 2017 2018 2019 2020
remesas 22 181 23 553 24 766 26 933 30 261 33 660 36 419 40 578
sucursales 11 519 12 915 12 704 12 545 12 751 12 856 13 051 12 846

Fuente: Elaboración propia a partir de datos de Banxico (2021).

Los datos relativos a la infraestructura financiera, en concreto, la información

operativa de la banca comercial por entidad federativa y municipio, que comprende
el número total de sucursales fueron recabadas por el reporte regulatorio R24, que
integra la información sectorizada proporcionada por la banca a partir del catálogo
que solicita la Comisión Nacional Bancaria y de Valores, misma que es proporciona-
da al Banco de México para su procesamiento y publicación. La información fue re-
cabada con cohorte 31 de diciembre de 2020.

Remesas e inclusión financiera en México

De acuerdo con el Banco Mundial (2018), la inclusión financiera impacta en siete de

los diecisiete Objetivos de Desarrollo Sostenible (ods) señalados por el grupo G-20
(Romero et al., 2020). “Específicamente, el grado de inclusión financiera de México es
bajo en comparación con otras economías en desarrollo. Demirgüç-Kunt et al. (2015)
señalan que solamente alrededor del 39 por ciento de la población adulta en México
posee una cuenta en un banco u otro tipo de institución financiera, un porcentaje más
bajo que el promedio de la región de América Latina y el Caribe, que es de aproxima-
damente el 51 por ciento” (Carabarin et al., 2018: 409). Los municipios de origen de
los migrantes mexicanos se han extendido más allá de las entidades tradicionales
de emigración internacional, que hasta la década de los años ochenta del siglo xx se

105
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

encontraban encapsulados en algunas entidades federativas como Zacatecas, Jalisco

y Michoacán, y que hoy día abarcan prácticamente todos los rincones de México,
como se puede apreciar en la dispersión espacial de los municipios de destino de las
remesas municipales, que son la contraparte de los flujos migratorios (véase el con-
junto de mapas 1). Lo mismo se puede decir de los lugares de destino de los migran-
tes mexicanos, que hoy día abarcan toda la geografía de la Unión Americana; no se
encuentran circunscritos al conjunto de entidades tradicionales de la migración de
mexicanos a Estados Unidos.

Gráfica 2
REMESAS PER CÁPITA A NIVEL MUNICIPAL, SEGUNDO SEMESTRE DE 2020
(remesas per cápita en dólares)

9 000
8 000
7 000
6 000
5 000
4 000
3 000
2 000
1 000
0
Santa María del Oro
Mariscala de Juárez

Tulcingo

Juchipila
Ayutla
Huandacareo

Juan Aldama
Oquitoa

San Bartolomé Zoogocho

Purépero

Tlacolula de Matamoros

Pungarabato
Panindícuaro
Unión de Tula

Cerritos

Salinas
Churintzio
Tlaltenango de Sánchez Román

Degollado
Vicente Guerrero

Jal Oax Pue Zac Jal Mich Zac Son Oax Mich Oax Gro Mich Jal SLP SLP Mich Zac Jal Dgo

Fuente: Elaboración propia a partir de datos de Banxico y los Censos de Población y Vivienda, inegi.

Los montos de las remesas captadas a nivel municipal nos permiten tener una
idea de la dispersión del fenómeno a lo largo y ancho del país, ya que en casi todos
los municipios, en el periodo 2015-2020, son receptores de remesas, con excepción de
veintitrés municipios de Oaxaca, dos de Yucatán, uno de Sonora y uno de Tlaxcala,
en los que no hay ni remesadoras, ni cajeros, y mucho menos sucursales bancarias don-
de cobrar las remesas, por lo que éstas se dirigen a los municipios aledaños (Banxico,
2020). En relación con el flujo de remesas per cápita a nivel municipal, en 2020, se ob-
serva que en municipios dispersos o con poca población se recibe un mayor número
de remesas, lo que puede ser un indicador de la existencia de una mayor proporción
de su población (originaria de dichas localidades) laborando en Estados Unidos; así,
tenemos que Santa María del Oro, Jalisco, es el municipio que mayor monto de remesas

106 (DOI: [Link]

 Análisis espaciotemporal bayesiano
ensayos

per cápita recibe, con una cantidad media de 8269 dólares anuales por persona; le
seguirían Mariscala de Juárez, Oaxaca, y Tulcingo, Puebla, con 5349 y 4430 dólares,
respectivamente. En suma, tenemos, dentro de los primeros veinte municipios que
más dólares reciben, cuatro municipios de Jalisco, cuatro de Michoacán, tres de Oaxaca,
tres de Zacatecas, dos de San Luís Potosí y uno de Puebla, Sonora, Guerrero y Du-
rango, respectivamente (véase la gráfica 2).
En términos absolutos, el municipio de Tijuana, en 2020, es el que mayor monto
de remesas recibe, con 626.3 millones de dólares; le sigue Guadalajara, con 531.4;
Puebla, con 527.1 y Morelia, con 474.6 millones de dólares. En todo el país, en 2020,
solamente cuarenta y tres municipios no recibieron remesas (por canales formales):
treinta y uno de Oaxaca, cuatro de Sonora, dos cada uno de Tlaxcala, Veracruz, Yuca-
tán, y uno de Chihuahua, y eso tiene que ver con la exclusión financiera.

Modelación espaciotemporal bayesiana

La variable Yit representa una sucesión indexada de la forma Y(i, t) = {y (i, t) | (i, t) ∈
ℜ2 x ℜ} misma que define un proceso estocástico donde cada punto y(i,t) de la suce-
sión hace referencia al total de remesas recibidas por el municipio i = 1,...,2 456, al
tiempo t = 2015,...,2020 (Lindgren y Rue, 2015: 235). De tal modo que la variable
aleatoria Yit se modela usando una distribución de gaussiana dada por Yit ~ N(ηit ,
σ2ei) donde ηit representa el valor medio esperado de las remesas para el municipio i
al año t y σ2 representa la varianza del error, conocida como efecto nugget, con media
cero y donde cada ei se supone independiente de ej cuando i ≠ j.
Los modelos espaciotemporales con formulación paramétrica clásica definen
un predictor lineal lineal ηit de la forma:

ηit = α0 + ui + νi + (α + δi ) t + β i ⅹit (1)

donde α0 representa el flujo medio de remesas recibidas en todos los municipios

del país, ui representa el efecto aleatorio espacial estructurado y νi el efecto espacial
no estructurado, donde los parámetros definen un campo aleatorio gaussiano. Cada
unidad espacial tiene un intercepto dado por (α0+ui+νi) y una pendiente (α+δi) que
representa la tendencia temporal (Lindgren y Rue, 2015). β representa los efectos
fijos relacionados con las covariables socioeconómicas. Los parámetros e hiperpará-
metros del modelo se definen a partir de los vectores θ = {α0, u, ν, α, β, δ} y ψ = {τν,
τυ, τδ} respectivamente.

107
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

El modelo dinámico no paramétrico define al predictor lineal ηit a partir de una

formulación que elimina las limitaciones impuestas por el modelo paramétrico en
relación con el comportamiento lineal global del efecto temporal (α) y la tendencia
diferencial espacial (δs) (Bivand et al., 2015):

ηit = α0 + ui + νi + ρt + ϕt + β1itⅹ1it (2)

En este modelo, las tendencias temporales son modeladas dinámicamente a tra-

vés de los parámetros de efectos temporales estructurados ρt y no estructurados ϕt .
La tendencia temporal estructurada ρt se modela con una caminata aleatoria de or-
den uno (rw(1)) dada por ρt ︱ρt =1 ~ N (ρt =1 , σ2) mientras que la tendencia temporal no
estructurada ϕt sigue una distribución gaussiana N(0, 1/τϕ) intercambiable (Schrödle
y Held, 2011). Los parámetros restantes α, β, ui y νi se definen como en el modelo
clásico paramétrico. Los parámetros e hiperparámetros son determinados por los
vectores θ = {α, β, u, ν, ρ, ϕ} y ψ = {τu, τν, τρ, τϕ} respectivamente.
La especificación del predictor lineal del modelo de interacción espaciotempo-
ral definido por:

ηit = α0 + ui + νi + ρt + ϕt + β1itⅹ1it (3)

captura la interacción entre espacio y tiempo al introducir el termino γit de inte-

racción espaciotemporal que sigue una distribución Normal (0, 1⁄τγ), con matriz de pre-
cisión τγRγ (Sharafifi et. al., 2018), cuya estructura resulta ser dispersa. La matriz Rγ de
estructura permite además identificar el tipo de dependencia espaciotemporal que ca-
tegoriza el modelo (Lindgren y Rue, 2015: 241).
Las interacciones espaciotemporales se definen a partir del término γit quien
especifica cuatro tipos de modelos espaciales de interacción: tipo I con efecto espa-
cial y temporal no estructurado νi y ϕt. Tipo II con efecto espacial no estructurado νi
y efecto temporal estructurado ϕt. Tipo III con efecto espacial estructurado ui y con
efecto temporal no estructurado ϕt y finalmente la interacción tipo IV con efecto es-
pacial y temporal estructurado ui y ϕt respectivamente (Blangiardo y Cameletti, 2015:
241). Los restantes parámetros del modelo se definen de igual manera que en el mo-
delo no paramétrico. El vector de parámetros esta dado por θ = {α, β, u, ν, ρ, ϕ, γ}, y
el vector de hiperparámetros por ψ = {τu, τv, τρ, τϕ, τγ}.
El efecto espacial estructurado ui sigue una distribución dada por:

( )
n
ui ︱ u-i ~ N μi + ∑ dij (ui – μi ), Si2 (3)
j =1

108 (DOI: [Link]

 Análisis espaciotemporal bayesiano
ensayos

conocida como modelo autorregresivo condicional (car), donde μi representa la me-

dia del área i y si la desviación estándar (Rue, Martino y Chopin, 2009) definida en
términos del número de vecinos. s2i = σ 2u /#Ni. σu controla la variación entre efectos
aleatorios espacialmente estructurados y dij pondera la proximidad espacial (Bivand
et al., 2015). El efecto espacial no estructurado vi representa la parte del modelo que cap-
tura los efectos espaciales aleatorios cuya distribución está dada por vi ~ Normal (0, σ 2v).
El vector de parámetros θ, define, en cada caso, un campo aleatorio latente (gf),
con una función de distribución previa P(θ | y) asociada, de forma que la dependen-
cia entre dos observaciones de un campo aleatorio puede modelarse utilizando una
función de covarianza. De manera que un modelo gaussiano latente se define a par-
tir del anidamiento de un vector de parámetros, un predictor lineal y una función de
verosimilitud. La verosimilitud captura la distribución marginal de los datos defini-
da a partir de una familia exponencial, la cual se determina a partir de una función de
enlace η = g (E (Y| θ)) donde η es el predictor lineal definido por el modelo gaussia-
no latente, g es la función de enlace y Y es la variable respuesta.
A lo largo del trabajo, se presentan seis formulaciones de modelos espaciotem-
porales en competencia: 1) un modelo paramétrico clásico, 2) un modelo dinámico
no paramétrico y 3) cuatro modelos no paramétricos de interacción espaciotemporal
del tipo I al tipo IV, los cuales son planteados en términos del logaritmo natural de
las remesas per cápita municipales y el logaritmo del número total de sucursales
bancarias reportadas por municipio a lo largo del periodo analizado; esto, con la fi-
nalidad de reducir los problemas derivados de la sobredispersión de datos crudos.

Resultados

La estimación de los seis modelos gaussianos latentes se realizó empleando el pa-

quete inla (aproximación anidada integrada de Laplace), disponible en lenguaje de
programación R (Rue et al., 2009). inla aprovecha la estructura dispersa de la matriz
de precisión y las propiedades de independencia condicional de los parámetros que
conforman el campo aleatorio gaussiano markoviano para obtener cálculos rápidos y
confiables. Los resultados de las estimaciones de los modelos se presentan en el cua-
dro 2. La forma de seleccionar el mejor modelo se basa en el criterio de bondad de
ajuste Akaike.
Para el caso de los modelos ajustados, los resultados señalan que el modelo que
presentó el aic mínimo resultó ser el modelo de interacción espaciotemporal tipo I,
con la covariable de número de sucursales bancarias por municipio. El modelo alcan-
zó un aic de 53 493 (véase el cuadro 1) y por lo tanto representa la mejor opción para

109
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

modelar el comportamiento espaciotemporal de las remesas per cápita municipales,

en términos de los niveles observados de inclusión financiera. Es importante señalar
que la diferencia de 1 674 puntos de aic respecto del modelo más cercano (modelo
tipo III) hace evidente que la aportación de la interacción de los efectos temporales
no estructurados y los efectos espaciales no estructurados resulta significativa, al
momento de explicar la distribución espaciotemporal de las remesas en los munici-
pios de México en el periodo analizado.
El conjunto de mapas 1 presenta la evolución espaciotemporal del logaritmo
natural de las remesas per cápita municipales, a lo largo del periodo estudiado. En el
mismo puede verse un incremento continuado en la llegada de remesas a todos los
municipios de México, mientras en el año 2015, 768 municipios no recibieron reme-
sas (de un total de 2 456 municipios); para el año 2020, la cantidad de municipios que
no recibieron remesas fue de tan sólo 43. El incremento en el número de municipios
receptores de remesas creció de la mano del número de sucursales bancarias por
municipio y del monto promedio per cápita de las remesas (véase el cuadro 2).
La especificación del modelo de interacción tipo I permite conocer la distribu-
ción de las remesas per cápita municipales, a la par que evalúa el efecto que ejercen
los niveles de inclusión financiera. El efecto fijo α del modelo de interacción tipo I
estima que las remesas per cápita recibidas en los municipios de México alcanzaron
un monto de 13.9 dólares por persona al año, a lo largo de todo el periodo analizado
(véase el cuadro 2), cifra que subestima de manera importante el promedio general
del país, que fue de 33.9 dólares per cápita anuales para el periodo señalado, esto
según cifras del Banco de México. Este efecto de subestimación es producto de la
ponderación espacial entre municipios con altos y bajos niveles de recepción de re-
mesas, lo que se atribuye al hecho de que la parte del modelo condicional autorre-
gresiva (icar) que ajusta el efecto espacial estructurado del predictor lineal pondera
la estimación de un municipio con información relativa al comportamiento de los
municipios vecinos, información que toma “prestada” y que utiliza además para re-
ducir sustantivamente la varianza (véase el conjunto de mapas 2).
El efecto del parámetro β del modelo de interacción espaciotemporal tipo I indi-
ca la existencia de una relación positiva entre los niveles de inclusión financiera y los
montos per cápita de las remesas recibidas, donde el incremento relativo de un pun-
to en los niveles de inclusión financiera municipales implicaría un incremento de 1.8
(exp(0.063)) dólares en las remesas per cápita municipales.
El conjunto de mapas 1 muestra la distribución espaciotemporal de las remesas
recibidas por los municipios de México durante los años 2015 a 2020, misma que
puede contrastarse con las estimaciones obtenidas del modelo de interacción espa-
ciotemporal tipo I, que se presentan en el conjunto de mapas 2, donde se observa el

110 (DOI: [Link]

 Análisis espaciotemporal bayesiano
ensayos

efecto del suavizado realizado por el modelo. En el conjunto de mapas 2 se muestra

la media posterior (estimada en términos del total nacional) de las remesas per cápi-
ta asociados a los niveles observados de inclusión financiera municipales.

Cuadro 1
AKAIKE Y ESTIMACIONES POSTERIORES DE EFECTOS FIJOS.
MODELOS ESPACIOTEMPORALES

Modelo AIC Par mean sd Q1 Q2 Q3

α 0.721 0.098 0.529 0.721 0.913

Paramétrico 56 448.53 β 0.103 0.027 0.049 0.103 0.156

year 0.56 0.006 0.549 0.56 0.571

No α 2.613 0.071 2.589 2.643 2.876

58 168.26
paramétrico β 0.061 0.025 0.011 0.062 0.123

α 2.633 0.073 2.489 2.633 2.776

Tipo I 53 493.47
β 0.063 0.026 0.012 0.063 0.113

α 2.064 1038.734 -2036.081 2.071 2042.163

57 353.83
Tipo II β 0.01 0.029 -0.065 0.01 0.045

α 18.948 1064.138 -2156.117 15.304 2209.868

55 922.09
Tipo III β 0.09 0.025 0.041 0.09 0.139

α 2.647 52.125 -99.698 2.645 104.909

58 167.07
Tipo IV β 0.061 0.026 0.01 0.061 0.111

Fuente: Elaboración propia con base en estimaciones de r-inla.

El cuadro 2 presenta las estimaciones posteriores de los efectos aleatorios del

modelo de interacción espaciotemporal de tipo I. En el caso del modelo de interac-
ción tipo I, la media de la densidad posterior del efecto espacial estructurado ui es un
60 por ciento más pequeña que la media estimada para el efecto espacial no estructu-
rado vi , lo que muestra que el efecto de la dispersión espacial de las remesas entre
municipios es baja y depende relativamente poco de las distancias y de la estructura
espacial. Por el contrario, el valor medio estimado para los efectos temporales no es­
tructurados en el modelo de interacción espaciotemporal tipo I, resultó ser muy
significativa en relación con el efecto temporal estructurado y con ambos efectos es-
paciales (estructurados y no estructurados), lo que refleja el incremento sostenido de
remesas a lo largo de todo el periodo analizado y hace evidente la mayor importancia

111
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

relativa del tiempo en relación con el espacio, como factor explicativo para modelar
la evolución del envío de remesas en los municipios de México.
La magnitud de la diferencia observada entre los efectos temporal y espacial
(estructurados y no estructurado), implica que la capacidad explicativa del modelo
de interacción espaciotemporal debe tomar en cuenta la interacción entre ambos efec-
tos (espaciales y temporales) (Schrödle y Held, 2011). Cuando las variaciones entre
efectos espaciales (estructurados y no estructurado) y las variaciones entre efectos
temporales son relativamente pequeñas, en comparación con la variación estimada
entre efectos espaciales y temporales (véase el cuadro 2), la estimación del término
de interacción espaciotemporal γit resulta en relación con las estimaciones de los
efectos temporales y espaciales de menor magnitud (Martins et al., 2012); no obstan-
te, el término de interacción es capaz de modelar la dependencia espaciotemporal,
hecho que se ve reflejado en la bondad de ajuste del modelo.

Cuadro 2
ESTIMACIONES POSTERIORES DE EFECTOS ALEATORIOS,
MODELO INTERACCIÓN ESPACIOTEMPORAL TIPO I

Modelo clásico paramétrico mean sd Q1 Q2 Q3

ui Efecto espacial
0.096 0.004 0.088 0.096 0.105
estructurado
vi Efecto espacial
0.155 0.029 0.101 0.155 0.215
no estructurado
ρt Efecto temporal
3.3 1.752 0.843 3.006 7.479
estructurado
ϕt Efecto temporal
18213.74 18268.553 1255 12805.244 66300.788
no estructurado
γit Efecto int.
0.784 0.078 0.641 0.78 0.95
espaciotemporal

Fuente: Elaboración propia con base en estimaciones de r-inla.

El modelo de interacción tipo I permitió estimar los efectos aleatorios espaciales

y temporales no estructurados de las variaciones en las remesas per cápita municipa-
les. El conjunto de mapas 2 presenta la media posterior de las remesas per cápita mu-
nicipales estimadas en términos del campo espacial y del efecto asociado a los niveles
observados de inclusión financiera en México, el cual se expresa en términos del loga-
ritmo natural, para reducir los niveles de sobredispersión de ambas variables. En
el mismo puede verse que los municipios en tonos más claros presentan niveles de

112 (DOI: [Link]

 Análisis espaciotemporal bayesiano
ensayos

recepción de remesas por abajo de la media nacional, mientras que los municipios en
colores más oscuros tienen niveles de remesas por encima de la media.

Conjunto de mapas 1
DISTRIBUCIÓN ESPACIOTEMPORAL DE LAS REMESAS
PER CÁPITA MUNICIPALES, MÉXICO, 2015 A 2020

Fuente: Elaboración propia con base en estimaciones de r-inla.

El modelo de interacción espaciotemporal tipo I genera la distribución posterior

completa de las remesas municipales para el periodo analizado dado el nivel de in-
clusión financiera observado, por lo que es posible construir un mapa de probabili-
dad en términos del riesgo relativo asociado a un nivel específico de remesas per
cápita municipal, el cual puede establecerse a partir de un umbral determinado. Así,

113
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

el mapa 3 presenta la probabilidad condicional posterior de que el logaritmo natural

de la distribución de las remesas per cápita municipales sea superior a 2.6 (es decir,
que el municipio presente una captación media de remesas por encima del promedio
global nacional), lo que se define como P (ςi > 2.6︱y).

Conjunto de mapas 2
MEDIA POSTERIOR DE LAS REMESAS PER CÁPITA MUNICIPALES
SEGÚN ESTIMACIONES DEL MODELO DE INTERACCIÓN TIPO I

Fuente: Elaboración propia con base en estimaciones de r-inla.

El mapa 3 presenta la distribución espacial de la probabilidad condicional pos-

terior, relativa a las remesas per cápita municipales de México, donde los municipios
entre la gradación 0.8 y 1.0 muestran una alta probabilidad de recibir remesas por arriba

114 (DOI: [Link]

 Análisis espaciotemporal bayesiano
ensayos

del promedio nacional, mientras que los municipios en tonos entre la gradación 0.0 y
0.2 presentan una baja probabilidad de obtener remesas por encima del promedio
nacional, lo que dibuja un claro patrón espacial. En general, los municipios entre grado
0.0 y 0.2 se encuentran ubicados en el sur-sureste de México e incluyen zonas como
la Selva Lacandona, el Istmo de Tehuantepec en Oaxaca, y la Península de Yucatán.

Mapa 3
PROBABILIDAD CONDICIONAL POSTERIOR P (ςi > χ︱y)

Fuente: Elaboración propia con base en estimaciones de r-inla.

La exploración de patrones espaciales permite identificar conglomerados don-

de se observan regiones de alta recepción de remesas, que en teoría corresponden a
regiones con altas tasas históricas de expulsión de migrantes hacia Estados Unidos;
regiones donde, si bien, se presentan importantes niveles de bienestar económico,
también enfrentan serios problemas asociados a desequilibrios demográficos y so-
ciales. Los hogares que reciben remesas se encuentran con mayores posibilidades de
mejorar la calidad de su alimentación y las condiciones de sus viviendas, de mejorar
sus niveles de escolaridad y de acceso a servicios de salud, lo que en algunos casos
va en detrimento de los hogares que no reciben remesas, al incrementar los costos
relativos de los bienes y servicios disponibles en el municipio. Estos contrastes se
observan con claridad a lo largo de todo el mapa 3.
La gráfica 3 presenta la tendencia posterior de los efectos espaciales y temporales es­
tructurados y no estructurados, además del parámetro de interacción espaciotemporal

115
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

para el modelo tipo I. En la gráfica 3.a se presenta la tendencia del efecto espacial no
estructurado a lo largo de las primeras 2456 observaciones; posteriormente se dibuja
la tendencia de los efectos espaciales estructurados (las últimas 2456 observacio-
nes). La gráfica 3.b presenta la evolución del efecto de interacción espaciotemporal, a
lo largo de las 14 736 (2456 x 6) estimaciones. La gráfica 3.c muestra la tendencia en
la línea continua del efecto temporal estructurado, y la línea punteada, la tendencia
del efecto temporal no estructurado.

Gráfica 3
EFECTOS ALEATORIOS ESPACIOTEMPORALES ESTRUCTURADOS
DEL MODELO DE INTERACCIÓN TIPO I

a. Efecto aleatorio espacial

10
5
0
-5
-10
0 1000 2000 3000 4000 5000

b. Efecto aleatorio espaciotemporal

6
3
0
-3
-6
0 5000 10000 15000

c. Efecto aleatorio temporal

-1
2 4 6

Fuente: Elaboración propia con base en estimaciones de r-inla.

Conclusiones

Esta investigación contribuye al análisis de la distribución espaciotemporal de las

remesas en los municipios de México, y aporta elementos cuantitativos fundamenta-
les para evaluar la importancia de la inclusión financiera en la dispersión territorial
de remesas y en el papel que desempeña la vecindad entre municipios rurales y ur-
banos donde, por ejemplo, la probabilidad de que un municipio ubicado en la Sierra
Madre Occidental reciba montos de remesas por arriba de la media nacional es baja,

116 (DOI: [Link]

 Análisis espaciotemporal bayesiano
ensayos

mientras que la probabilidad de municipios ubicados en la vecindad de los mismos

es mayor (véase el mapa 3). Los flujos de remesas son una fuente fundamental de
ingresos para un número creciente de municipios de México; sin embargo, existen
importantes desigualdades producto de su distribución espacial.
El efecto positivo estimado para la variable inclusión financiera sobre la recep-
ción de remesas municipales muestra la importancia de impulsar estrategias desti-
nadas a incluir a los migrantes y a sus familias al sistema financiero nacional; en
especial, muestra la relevancia de la estrategia impulsada por la Política Nacional de
Inclusión Financiera, que tiene por objeto incidir en la salud financiera de la pobla-
ción mexicana a través del programa de bancarización orientado a población mi-
grante, con el que se busca reducir los costos y riesgos asociados a las transferencias
de remesas, así como ampliar su cobertura a todos los municipios del país.
Si se analiza una vez más al año 2020, la distribución de remesas en cuanto a su
monto (sin considerar su distribución per cápita), son precisamente los municipios
más poblados de México los que reciben la mayor cantidad: Tijuana, Guadalajara,
Puebla, Morelia y Álvaro Obregón, mientras que en grandes regiones del sur-sureste
del país se dispersan pequeñas cantidades; sin embargo, éstas son fundamentales
para su sobrevivencia y desarrollo. El análisis estadístico espaciotemporal pone en
relieve la relevancia de la inclusión financiera sobre el problema de distribución de
las remesas a lo largo y ancho de todos los municipios de México. Los resultados
muestran la conformación de conglomerados espaciales (a lo largo de los años anali-
zados) de municipios donde se concentra la recepción de remesas, en perjuicio de
sus municipios vecinos.
La inclusión financiera es un factor relevante para explicar la distribución espa-
ciotemporal de las remesas. La expectativa es que la inclusión de un mayor número
de migrantes y de sus familias al sistema financiero impulse el uso de canales forma-
les para los envíos, lo cual reducirá la incertidumbre y los riesgos asociados al uso de
canales informales, para hacer posible la recepción en un mayor número de munici-
pios. El crecimiento continuo en los flujos de remesas es muestra de la importancia
de la mano de obra mexicana en el mercado laboral de Estados Unidos; sin embargo,
la reducción del flujo de migrantes en los últimos años obliga a revaluar la depen-
dencia de las remesas, en especial en los municipios donde se registran altos niveles
de pobreza y marginación.
La elección de los modelos gaussianos latentes para representar conceptual-
mente a los modelos espaciotemporales facilitó su conceptualización; sin embargo,
esto no hace menos compleja la fase de resolución o estimación de parámetros, razón
por la que resulta fundamental la implementación de los modelos basada en inla,
con un enfoque de inferencia bayesiano que consiste en estimar los parámetros

117
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

marginales posteriores del modelo. El uso de un algoritmo basado en inla represen-

ta una importante ventaja al momento de hacer inferencias estadísticas. El uso del
paquete inla proporciona importantes ventajas computacionales respecto de otros
paquetes basados en algoritmos como la cadena de Markov de Monte Carlo (mcmc,
por sus siglas en inglés), donde la diferencia en tiempo de procesamiento suele ser
de horas e incluso días.

Fuentes

Aldasoro, Blanca
2020 Mejores prácticas sobre iniciativas para promover la inclusión financiera de recepto-
res de remesas en el ámbito rural, México, Comisión Económica para América
Latina y el Caribe (Cepal).

Angeletti, Camila
2019 “Programa de transferencias monetarias condicionadas e inclusión financiera:
el caso de Argentina”, tesis de maestría en Administración y Políticas Públicas,
Universidad de San Andrés, Departamento de Ciencias Sociales, Buenos Aires.

Banco de México (Banxico)

2021,
2020 “Sistema de información económica”, en <[Link]
SieInternet/[Link]?sector=1&accion=consult
arCuadro&idCuadro=CE166&locale=es>, consultada el 20 de febrero de
2020 y el 10 de enero de 2021.

Bivand, Roger, Virgilio Gómez Rubio y Håvard Rue

2015 “Spatial Data Analysis with r-inla with Some Extensions”, Journal of Statisti-
cal Software, vol. 63, no. 20, pp. 1-31.

Blangiardo, Marta y Michela Cameletti

2013 Bayesian Spatio and Spatio-temporal Models with r-inla, Wiley.

Blangiardo, Marta, Michela Cameletti, G. Baio y H. Rue

“Spatial and Spatio-temporal Models with R-INLA”, Spatial and Spatio-tem-
poral Epidemiology, vol. 4, marzo, pp. 33-49, doi: 10.1016/[Link].2012.12.001,
epub 2013 Jan 2, PMID: 23481252

118 (DOI: [Link]

 Análisis espaciotemporal bayesiano
ensayos

Carabarín, M., Adrián de la Garza, Juan Pedro González y Antonio Pompa

2018 “Corresponsales bancarios e inclusión financiera en México”, en María José
Roa García y Diana Mejía, eds., Decisiones financieras de los hogares e inclusión
financiera: evidencia para América Latina y el Caribe, México, Centro de Estudios
Monetarios Latinoamericanos (Cemla), pp. 407-447.

Cárdenas Jr., Guillermo y Luis A. Espinosa

2020 “Perspectivas de inclusión y educación Financiera en 2020”, Observatorio
“Perspectivas de inclusión y educación financiera”, México, bbva.

Caso, Diego
2020 “Sucursales del Banco del Bienestar iniciarán operaciones en junio de 2021:
AMLO”, El Financiero, 4 de diciembre, en <[Link]
mx/economia/sucursales-del-banco-del-bienestar-iniciaran-operaciones-
en-junio-de-2021-amlo/>.

Comisión Nacional Bancaria y de Valores (cnbv)

2019 “Panorama anual de inclusión financiera”, México, cnbv.

Cortina, Jerónimo, Rodolfo de la Garza y Enrique Ochoa Reza

2005 “Remesas. Límites al optimismo”, Foreign Affairs en Español, vol. 5, no. 3, julio-
septiembre, pp. 27-36.

Demirgüç-Kunt, Asli, L. Klapper, D. Singer y P. van Oudheusden

2015 The Global Findex Database 2014: Measuring Financial Inclusion Around the World,
Policy Research Working Paper no. 7255, Washington, D.C., World Bank.

Instituto Nacional de Estadística y Geografía (inegi)

2021 “Población”, Banco de Información Económica-inegi, en <HYPERLINK "https://
[Link]/temas/estructura/"[Link]
estructura/#Tabulados>, consultada el 10 de enero de 2021.

Lindgren, Finn y Håvard Rue

2015 “Bayesian Spatial and Spatiotemporal Modelling with r-inla”, J. Stat. Softw. 63.

Martins, G., D. Simpson, F. Lindgren y H. Rue

2012 “Bayesian Computation with inla: New Features”, Norwegian University of
Science and Technology Report.

119
 Gerardo Núñez Medina, Jorge Alberto López Arévalo
norteamérica

Roa, M. J.
2013 “Inclusión financiera en América Latina y el Caribe: acceso, uso y calidad”, Bole-
tín del Centro de Estudios Monetarios Latinoamericanos (Cemla), julio-septiembre,
pp. 121-148, cit. en Li Ng, J.J., J.C. Sánchez Salinas, C. del C. Hoyo Martínez y
T. Ramírez García, “¿La recepción de remesas tiene efectos sobre la inclusión fi-
nanciera en México?”, Sobre México. Temas de economía, vol. 1, 2015, en <https://
[Link]/[Link]/Revista_Sobre_Mexico/article/view/15>.

Organization for Economic Co-operation and Development (oecd)

2006 International Migration Outlook: Système d’observation Permanente des Migra-
tions (Sopemi) 2006, París, oecd Publishing.

Romero-Álvarez, Y., W. Niebles-Núñez y L. Niebles-Núñez

2020 “La inclusión financiera analizada desde una técnica de reducción de dimen-
siones”, Desarrollo Gerencial, vol. 12, no. 1, pp. 1-17.

Rue, Håvard, S. Martino y N. Chopin

2009 “Approximate Bayesian Inference for Latent Gaussian Models by Using In-
tegrated Nested Laplace Approximations”, Journal of the Royal Statistical So-
ciety, Series B 71, no. 2, pp. 1-35.

Schrödle, B. y L. Held
2011 “Spatio-temporal Disease Mapping Using inla”, Environmetrics, vol. 22,
no. 6, pp. 725-734.

Sharafifi, Z., N. Asmarian, S. Hoorang y A. Mousavi

2018 “Bayesian Spatio-temporal Analysis of Stomach Cancer Incidence in Iran,
2003-2010”, en <[Link] Stochastic Environ-
mental Research and Risk Assessment, vol. 32, pp. 2943-2950.

Tuirán Gutiérrez, Rodolfo, Jorge Santibáñez Romellón y Rodolfo Corona Vázquez

2006 “El monto de las remesas familiares en México: ¿mito o realidad?”, Papeles de
población, vol. 12, no. 50, pp. 147-169.

United Nations Conference on Trade and Development (unctad)

2011 “Cómo maximizar la contribución de las remesas al desarrollo”, Conferen-
cia de las Naciones Unidas sobre Comercio y Desarrollo, Reunión de Expertos
de unctad, Ginebra, 14 y 15 de febrero de 2011.

120 (DOI: [Link]