Estimaciones trimestrales de pobreza multidimensional en México mediante algoritmos de aprendizaje de máquina
Este artículo aborda la falta de información oportuna sobre la pobreza multidimensional en México. Tres algoritmos de aprendizaje de máquina —la regresión LASSO logística, el bosque aleatorio y las máquinas de vectores de soporte— son entrenados con la ENIGH para encontrar patrones generalizables d...
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
El Colegio de México, A.C.
2022-12-01
|
| Series: | Estudios Económicos |
| Subjects: | |
| Online Access: | https://estudioseconomicos.colmex.mx/index.php/economicos/article/view/435 |
| Summary: | Este artículo aborda la falta de información oportuna sobre la pobreza multidimensional en México. Tres algoritmos de aprendizaje de máquina —la regresión LASSO logística, el bosque aleatorio y las máquinas de vectores de soporte— son entrenados con la ENIGH para encontrar patrones generalizables de pobreza multidimensional en los datos. Los modelos se utilizan para clasificar a cada individuo en la ENOE como pobre o no-pobre para obtener tasas de pobreza trimestrales. Estas estimaciones son más cercanas a los niveles de pobreza multidimensional que la pobreza laboral y brindan una perspectiva precisa sobre la pobreza con más de un año de antelación a la medición oficial.
|
|---|---|
| ISSN: | 0188-6916 0186-7202 |