Crecimiento demográfico y PIB por habitante en México, 2008–2024
DOI:
https://doi.org/10.63415/saga.v3i4.493Palabras clave:
crecimiento demográfico, distribución por edad, desequilibrio regional, desarrollo económico, estadísticas demográficas, MéxicoResumen
La relación entre la dinámica demográfica y la producción económica presenta diferencias territoriales que requieren considerar la composición por edades y la evolución temporal. Objetivo: Analizar la asociación del crecimiento natural de la población y la dependencia demográfica con el producto interno bruto por habitante en las 32 entidades federativas de México durante 2008–2024. Metodología: Se analizaron 288 observaciones correspondientes a nueve cortes bienales mediante modelos bayesianos espaciales, con efectos territoriales, tendencias temporales y errores autorregresivos. Se incorporaron la ocupación y la esperanza de vida como covariables, además de pruebas de sensibilidad y validación predictiva para 2024. Resultados: El modelo autorregresivo identificó una asociación positiva del crecimiento natural con el PIB por habitante (5,7 % por desviación estándar) y negativa de la dependencia demográfica (−11,8 %). La primera asociación perdió precisión al excluir Campeche y restringir el periodo analizado, mientras la segunda conservó su dirección negativa. La validación temporal mostró un error predictivo inferior al modelo de errores independientes y ligeramente menor al obtenido mediante persistencia simple. Conclusiones: La dependencia demográfica presenta una asociación negativa relativamente estable con la producción por habitante, mientras el crecimiento natural muestra mayor sensibilidad. Los hallazgos describen relaciones condicionales, sin demostrar causalidad ni establecer regularidades económicas generales.
Descargas
Referencias
Bloom, D. E., Canning, D. y Sevilla, J. (2003). The demographic dividend: A new perspective on the economic consequences of population change. RAND Corporation. https://doi.org/10.7249/MR1274
Consejo Nacional de Población. (2023). Bases de datos de la conciliación demográfica 1950 a 2019 y proyecciones de la población de México 2020 a 2070. https://www.gob.mx/conapo/documentos/bases-de-datos-de-la-conciliacion-demografica-1950-a-2019-y-proyecciones-de-la-poblacion-de-mexico-2020-a-2070
Hernán, M. A. y Robins, J. M. (2020). Causal inference: What if. Chapman & Hall/CRC. https://miguelhernan.org/whatifbook
Instituto Nacional de Estadística y Geografía. (s. f.-a). Encuesta Nacional de Ocupación y Empleo, población de 15 años y más de edad. Recuperado el 2 de septiembre de 2026 de https://www.inegi.org.mx/programas/enoe/15ymas/
Instituto Nacional de Estadística y Geografía. (s. f.-b). Producto interno bruto por entidad federativa. Año base 2018. Recuperado el 2 de septiembre de 2026 de https://www.inegi.org.mx/programas/pibent/
Mundlak, Y. (1978). On the pooling of time series and cross section data. Econometrica, 46(1), 69–85. https://doi.org/10.2307/1913646
Niembro, A., Dondo, M. y Civitaresi, H. M. (2016). La manifestación territorial de las desigualdades socioeconómicas en Argentina: del diagnóstico a las políticas públicas. Población & Sociedad, 23(1), 79–123. https://cerac.unlpam.edu.ar/index.php/pys/article/view/2889
Riebler, A., Sørbye, S. H., Simpson, D. y Rue, H. (2016). An intuitive Bayesian spatial model for disease mapping that accounts for scaling. Statistical Methods in Medical Research, 25(4), 1145–1165. https://doi.org/10.1177/0962280216660421
R-INLA Project. (s. f.). Bym2 model for spatial effects [Documentación del modelo]. Recuperado el 2 de septiembre de 2026 de https://www.inla.r-inla-download.org/r-inla.org/doc/latent/bym2.pdf
Rue, H., Martino, S. y Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 71(2), 319–392. https://doi.org/10.1111/j.1467-9868.2008.00700.x
Simpson, D., Rue, H., Riebler, A., Martins, T. G. y Sørbye, S. H. (2017). Penalising model component complexity: A principled, practical approach to constructing priors. Statistical Science, 32(1), 1–28. https://doi.org/10.1214/16-STS576
Vehtari, A., Gelman, A. y Gabry, J. (2017). Practical Bayesian model evaluation using leave-one-out cross-validation and WAIC. Statistics and Computing, 27, 1413–1432. https://doi.org/10.1007/s11222-016-9696-4
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Gerardo Núñez-Medina, Patricia Catalina Medina-Pérez (Autor/a)

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.




















