Pobreza en Argentina : un análisis predictivo utilizando herramientas de machine learning
Date
2020-12
Authors
Dabús, Andrés
relationships.isContributorOfPublication
Sosa Escudero, Walter
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de San Andrés. Departamento de Economía
Abstract
Las mediciones de los niveles de pobreza a partir del ingreso monetario pueden estar afectadas por inconvenientes prácticos como la no respuesta y la subdeclaración del mismo en las
encuestas de hogares. Además, muchas críticas sugieren que esta variable puede no representar de manera confiable el nivel de vida y las privaciones de los individuos. Por estas razones, en este trabajo se analiza la posibilidad de identificar a las familias pobres y no pobres a partir de variables alternativas al ingreso, las cuales representan otras dimensiones del bienestar distintas a la monetaria. Implementando diferentes algoritmos de la literatura de Machine Learning y utilizando las bases de datos de la Encuesta Permanente de Hogares (EPH), se encontró que se pudo clasificar correctamente al 84,25% de las observaciones. Asimismo, se muestra que es posible reducir el espacio original de predictores mediante LASSO, aunque no considerablemente, y que, a partir de conditional random forest, las variables más relevantes para determinar el status de pobreza son la cantidad total de miembros del hogar, el tipo de cobertura médica que tiene el jefe de hogar, la cantidad de
miembros del hogar con edad mayor o igual a 10 años cumplidos, la edad del jefe de hogar, la categoría de inactividad del jefe de hogar y la cantidad de miembros del hogar menores de 10 años.
Description
Fil: Dabús, Andrés. Universidad de San Andrés. Departamento de Economía; Argentina.
Keywords
Citation
Dabús, A. (2020). Pobreza en Argentina : un análisis predictivo utilizando herramientas de machine learning. [Tesis de maestría, Universidad de San Andrés. Departamento de Economía]. Repositorio Digital San Andrés. http://hdl.handle.net/10908/18489