Datos sobre hipotecas (Enero–2013)

Tal y como publica en INE en su nota de prensa, el importe medio de las hipotecas sobre viviendas en enero se reduce un 4,0% en tasa anual y se sitúa en 102.906 euros.

En enero se constituyen 25.447 hipotecas sobre viviendas, lo que supone un crecimiento mensual del 44,8%, el mayor de los últimos cinco años.

Durante el mes de enero el importe medio de las constituciones de hipotecas inscritas en los registros de la propiedad se sitúa en 110.875 euros, cifra un 9,4% menor que la del mismo mes del año 2012 y un 2,1% superior a la registrada en diciembre de 2012.

En el caso de hipotecas sobre viviendas, el importe medio es de 102.906 euros, un 4,0% menos que en enero de 2012 y un 1,4% superior al de diciembre de 2012.

Tipo de interés de las hipotecas.
El tipo de interés medio para el total de préstamos hipotecarios es del 4,23%, un 4,3% menos que en enero del año pasado. En el caso de las viviendas, el interés medio es del 4,24%, un 1,6% inferior al de enero de 2012.

Hipotecas con cambios en sus condiciones de tipo de interés.
De las 27.237 hipotecas con cambios en sus condiciones, el 39,0% se deben a modificaciones en los tipos de interés.

Después del cambio de condiciones, el porcentaje de hipotecas a interés fijo disminuye del 4,8% al 2,3% y el de hipotecas a interés variable aumenta del 94,6% al 97,1%.

El Euribor es el tipo al que se referencia el mayor porcentaje de las hipotecas a tipo variable, tanto antes del cambio (86,1%) como después (90,6%).

Tras la modificación de condiciones, el interés medio de los préstamos disminuye 0,71 puntos en las hipotecas a tipo fijo y 0,87 puntos en las hipotecas a tipo variable.

Distribución geográfica.
Las comunidades con mayor número de hipotecas constituidas sobre viviendas son Andalucía (5.205), Cataluña (3.751) y Comunidad de Madrid (3.740). Las comunidades con mayor tasa de variación anual positiva son Aragón (46,0%) y Extremadura (22,0%).

Nota de prensa completa.

Disminuyeron los divorcios y separaciones en 2008.

Según publica el INE, las rupturas matrimoniales descendieron un 13,5% en el año 2008 respecto a 2007 y los divorcios disminuyeron un 12,5% y las separaciones un 24,4%.

Tal y como podemos ver en el gráfico anterior, en el año 2008 se produjeron 118.939 disoluciones de matrimonios, un 13,5% menos que en el año anterior. De esta manera ha continuado, y de forma más acentuada, la disminución observada en las rupturas matrimoniales en 2007.

Por tipo de ruptura matrimonial, en 2008 se produjeron 8.761 separaciones (un 24,4% me-nos que en el año anterior) y 110.036 divorcios (un 12,5% menos). Por su parte, hubo 142 nulidades, un 5,3% menos que en el año 2007.

La edad media a la disolución del matrimonio fue de 41,7 años para las mujeres y de 44,2 años para los varones.

La duración media de los matrimonios disueltos fue de 15,6 años.

Castilla y León, Extremadura y Castilla-La Mancha presentaron las tasas de disolución matrimonial más bajas en 2008.

Nota metodológica: La Estadística de Nulidades, Separaciones y Divorcios, se elabora a partir de la información facilitada por los Juzgados de Primera Instancia, Primera Instancia e Instrucción y de Violencia sobre la Mujer, relativa a los procesos de disolución del vínculo matrimonial.

Nota de prensa completa.

Uso y abuso de los datos estadísticos.

Tal y como publica Wharton Universia, el hecho de que exista una cierta probabilidad de cometer errores en un estudio de investigación debe ser motivo de preocupación.

“Incluso si se tiene cuidado eligiendo una buena muestra, existe la posibilidad de obtener resultados engañosos”, señala. “Un problema habitual es el data mining. Si alguien analiza una gran base de datos durante suficiente tiempo, posiblemente encuentre un efecto estadísticamente significativo o diferencia entre algunos grupos de variables”. Desafortunadamente, explica Jensen, los investigadores a menudo simplemente sólo informan sobre un único resultado significativo sin admitir “las numerosas pruebas no significativas realizadas antes de obtener dicho resultado”.

Según Jensen, “es necesaria una estricta supervisión de todo el proceso de pruebas para evaluar dichos resultados en perspectiva”. Pero al menos existen dos fuerzas que suelen influir negativamente sobre la efectividad de los análisis. “La primera es una desconfianza en los análisis estadísticos, y la segunda es una falta de diálogo entre los estadísticos teóricos y los prácticos”. De hecho, sostiene Jensen, “muchos estudios de medicina, economía y ciencias sociales podrían beneficiarse si entablasen conversación con los estadísticos sobre el análisis de los datos recogidos o sobre la propia recogida de los datos”.

Bradlow también muestra preocupación sobre la interpretación de los resultados estadísticos. “Siempre digo a mis alumnos que las soluciones condicionadas por los datos no siempre proporcionan la respuesta correcta. Es más, pueden indicarte qué respuestas se deben eliminar por no estar respaldadas por los datos”. El verdadero valor de los análisis estadísticos es que ayudan a sus usuarios a caracterizar adecuadamente la incertidumbre en lugar de hacer “suposiciones”; contribuyen a identificar qué resultados son estadísticamente significativos y a dar respuesta a hipótesis específicas.

“El tema clave es la representatividad”, explica Bradlow en referencia al informe Roger Clemens. “Los investigadores y usuarios deberían siempre estar preocupados por cómo se obtienen los datos y si representan una muestra aleatoria. En caso negativo se debe tener cuidado con las conclusiones que se extraigan”.

Para Wolfers, una de las claves para minimizar un mal uso de las estadísticas conlleva una plausibilidad intuitiva, esto es, comprender el enfoque adoptado por el investigador y la interacción entre las fuerzas que intervienen. “Es importante saber cuáles son los factores existentes detrás de cada variable”, dice. “Una vez determinadas los observadores comprenderán todo mejor y establecerán las relaciones de causalidad”.

Análisis cluster jerárquico y el no jerárquico .

Como preámbulo diremos que el análisis cluster, también conocido como análisis de conglomerados, es una técnica estadística multivariante cuya finalidad es formar grupos a partir de un conjunto de elementos de tal forma que estos grupos estén formados por elementos los más parecidos que sea posible (homogéneos) y a su vez lo más diferentes (heterogéneos) que sea posible entre los grupos. Los elementos en cada grupo (conglomerado) tienden a ser similares entre sí (alta homogeneidad interna, dentro del cluster) y diferentes a los objetos de los otros grupos (alta heterogeneidad externa, entre clusters) con respecto a algún criterio de selección predeterminado. Por lo tanto, se convierte en una técnica de análisis exploratorio diseñada para revelar las agrupaciones naturales dentro de un conjunto de datos.

El análisis de cluster se utiliza en marketing para diversos propósitos, entre los que podemos destacar: segmentación del mercado, comprensión del comportamiento del comprador, identificación de oportunidades para productos nuevos, selección de mercados de prueba, reducción de datos, etc.

Como hemos comentado con anterioridad, el objetivo del análisis de cluster es la de agrupar a los individuos por su grado de homogeneidad. Existen distintas clasificaciones de este tipo de modelos, siendo la más usada los modelos jerárquicos frente a los no jerárquicos.

En el análisis de cluster jerárquico, pueden ser por aglomeración o por división, La diferencia entre formar los conglomerados por aglomeración o por división consiste en que el conglomerado por aglomeración empieza con tantos clusters como casos tenga el estudio, a partir de ellos, los conglomerados se empiezan a formar al agrupar los individuos que se asemejan más y así sucesivamente se van haciendo grupos cada vez más grandes y el número de clusters va disminuyendo hasta que se abarca a todas las observaciones en un solo conglomerado (es evidente que las dos decisiones que existen son: la determinación de la medida de distancia o proximidad a usar y el método que determina el modo de unión sucesiva de los distintos grupos entre sí). Por otra parte, en el conglomerado por división se empieza con un solo cluster y se va haciendo la división hasta que cada observación es un grupo independientese parte del número de elementos (países, empresas, individuos, comportamientos, etc.), y a partir de aquí se van uniendo entre sí en función de la mayor o menor proximidad de los elementos entre sí, formando grupos. Éstos a su vez se van uniendo entre sí hasta llegar aún único grupo,. La representación gráfica de este análisis recibe el nombre de dendrograma (ver figura final).

En el análisis de cluster no jerárquico, especialmente indicado para grandes tablas de datos. El objetivo de este análisis, es realizar una sola partición de los elementos en K grupos, lo que implica que previamente se debe fijar el número de grupos, lo que requiere un procedimiento interactivo de prueba y error, siendo esta interactividad el principal problema que presenta el análisis de cluster no jerárquico, así como la principal diferencia con relación al análisis de cluster jerárquico. Esta técnica de análisis multivariante está especialmente indicada para grandes tablas de datos. El gran problema que presentan estos métodos no jerárquicos es que al no generar un dendrograma no permiten hacerse una idea de la representación espacial, la cual suele ofrecer un conocimiento intuitivo de cómo analizar los datos.

En definitiva y de lo dicho hasta ahora, el análisis de cluster no jerárquico tiene dos desventajas importantes respecto a los jerárquicos:

- Que debe especificarse previamente el número de grupos, y
- Que la selección de los centros de cada grupo es arbitraria.

El análisis de cluster no jerárquico es más rápido que el análisis de cluster jerárquico y es apropiado cuando el número de objetos u observaciones es alto. Se ha sugerido que los métodos jerárquicos y no jerárquicos se utilicen uno después del otro para aunar los beneficios propios de cada uno. En primer lugar realizaríamos una clasificación jerárquica (que no necesita de una definición previa del número de grupos) para determinar el número idóneo de grupos, y posteriormente realizaríamos una clasificación no jerárquica (en la que propondríamos el número de grupos), a partir de la información suministrada por el primer método.