2 | Carlos Mendez

Mapeo de las dimensiones de la pobreza mediante macrodatos, encuestas socioeconómicas y aprendizaje automático en Camboya

Mon, 06 Oct 2025 00:00:00 +0000

🌏 Introducción

Crecimiento económico acelerado, pero pobreza persistente (17,8 % por debajo de la línea nacional en 2019)
Los datos tradicionales de pobreza: desactualizados, costosos y poco detallados
La pobreza: no solo ingresos, sino también salud, educación y nivel de vida (marco del MPI)

Notas: Camboya ha experimentado un fuerte crecimiento, pero la pobreza persiste. El estudio aplica un enfoque multidimensional alineado con el MPI Global para captar privaciones más allá de los ingresos, centrándose en la educación, la salud y el nivel de vida.

📊 Objetivos de la investigación

Utilizar macrodatos de observación de la Tierra + la encuesta CSES + el aprendizaje automático
Mapear 10 indicadores de pobreza en las 3 dimensiones del MPI
Generar mapas de pobreza de alta resolución
Apoyar intervenciones de política focalizadas y rentables

Notas: El objetivo es integrar datos espaciales y de encuestas mediante IA/ML para producir mapas de pobreza detallados. Esto ayuda a los responsables de las políticas a asignar recursos de forma eficiente y a identificar vulnerabilidades locales.

📚 Literatura y motivación

Las encuestas de hogares = costosas, poco frecuentes y espacialmente poco detalladas
Luces nocturnas e imágenes satelitales → indicadores indirectos de la pobreza
El aprendizaje automático (RF, XGBoost, CNN) mejora las predicciones
Carencia: pocos estudios integran datos de encuestas + datos de observación de la Tierra para la pobreza multidimensional

Notas: Investigaciones previas muestran que los satélites y el ML pueden ayudar a predecir la pobreza, pero su integración con encuestas socioeconómicas para la pobreza multidimensional es limitada. Este estudio cubre esa carencia.

🗂️ Fuentes de datos

Encuesta CSES (10 000 hogares) – salud, educación, vivienda, ingresos
Datos satelitales y de observación de la Tierra – luces nocturnas, cobertura del suelo, densidad de población
Datos de infraestructura – carreteras, escuelas, hospitales, servicios públicos
Huellas de edificaciones – 3,8 millones de edificios residenciales/comerciales

Notas: Se utilizó un amplio conjunto de datos: la CSES para la información de los hogares, datos de observación de la Tierra para el entorno y la infraestructura, y huellas de edificaciones para escalar las predicciones al nivel del hogar.

⚙️ Metodología

Modelo Random Forest para la clasificación
Predice la probabilidad de privación para cada indicador
División en entrenamiento y validación (90/10)
Resultados: mapas de privación a nivel de hogar y regional

Notas: Se eligió el algoritmo Random Forest por su robustez y su capacidad para procesar tipos de datos mixtos. Los modelos producen mapas de probabilidad que pueden agregarse a nivel de municipio, distrito o provincia.

📑 Indicadores del MPI

Salud (2): consumo de alimentos, acceso a la atención sanitaria

Educación (2): nivel educativo alcanzado, asistencia escolar

Nivel de vida (6): combustible para cocinar, saneamiento, agua, electricidad, vivienda, activos

Notas: Se eligieron diez indicadores siguiendo el MPI Global. Se aplicaron ponderaciones iguales a las tres dimensiones principales. Estos indicadores reflejan prioridades de los ODS como la educación, la salud, el agua potable y la energía.

📈 Resultados – Importancia de las variables

Luces nocturnas = predictor clave en todos los indicadores
Densidad de población y redes viales también significativas
Predicciones más sólidas: combustible para cocinar, agua potable, saneamiento, electricidad
Predicciones débiles: asistencia escolar, atención sanitaria, activos

Notas: Las luces nocturnas y la densidad de población explican mejor la privación. El acceso a la infraestructura también es crucial. Los indicadores con correlación espacial (p. ej., los servicios públicos) tuvieron mejor desempeño que los vinculados a condiciones específicas del hogar.

🗺️ Resultados – Patrones espaciales de la pobreza

Centros urbanos: Phnom Penh, Siem Reap, Battambang → baja privación
Provincias remotas: Preah Vihear, Ratanakiri, Mondulkiri → alta privación
La pobreza es menor cerca de las principales carreteras y fronteras (efectos del comercio)

Notas: Los mapas espaciales muestran una concentración de la privación en regiones remotas y mal conectadas. Las zonas urbanas y fronterizas con infraestructura presentan una menor pobreza.

💡 Discusión

El ML espacial es útil, pero limitado para indicadores con señales espaciales débiles
Los datos de las encuestas de hogares no están diseñados para el ML → problemas de aproximación de la ubicación
Necesidad de una integración más rica de las encuestas (p. ej., preguntas sobre accesibilidad)
La observación de la Tierra + el ML ofrecen un mapeo de la pobreza granular y dinámico

Notas: Aunque prometedor, el ML tiene dificultades cuando los datos carecen de correlación espacial. Un mejor diseño de las encuestas puede potenciar la integración. Este enfoque híbrido muestra potencial para un seguimiento de la pobreza en tiempo real y de grano fino.

✅ Conclusión

10 indicadores del MPI mapeados usando observación de la Tierra + encuestas + ML
Mejores resultados para las privaciones relacionadas con la infraestructura
Permite estimaciones de la pobreza a nivel de hogar
Apoya los ODS: Fin de la Pobreza, Educación de Calidad, Salud, Agua Limpia, Energía
Investigación futura: autocorrelación espacial, descomposición de la desigualdad, IA avanzada

Notas: Este trabajo muestra cómo la IA y los datos de observación de la Tierra complementan a las encuestas tradicionales para mapear la pobreza multidimensional. Las líneas futuras incluyen el análisis espacial avanzado y modelos de aprendizaje profundo para una mayor precisión.

Promedio bayesiano de estimaciones clásicas para datos de panel: ¿puede resolverse el enigma de la forma de la curva de Kuznets regional?

Thu, 05 Jun 2025 00:00:00 +0000

🗺️ Motivación

La desigualdad regional moldea la cohesión social, la migración y la estabilidad política
Kuznets (1955): vínculo en forma de U invertida entre desarrollo y desigualdad
La evidencia reciente apunta a patrones más complejos (en forma de N)
Se necesitan herramientas econométricas robustas para zanjar el debate sobre la “forma”

📚 Panorama de la literatura

A favor de la U invertida: List y Gallet (1999); Thornton (2001)
Evidencia mixta / no en forma de U: Tam (2008); Huang (2012)
Defensa de la forma de N: Lessmann (2014); Lessmann y Seidel (2017)
Carencia: la incertidumbre de modelo rara vez se aborda de forma explícita

🎯 Objetivos de la investigación

Extender el promedio bayesiano de estimaciones clásicas (BACE) a paneles con efectos fijos
Probar la robustez de la forma de la curva de Kuznets bajo incertidumbre de modelo
Identificar los determinantes que impulsan de forma consistente la desigualdad regional

🛠️ Aspectos destacados de la metodología

Espacio de búsqueda: 14 regresores candidatos → 2¹⁴ = 16 384 modelos, cada uno estimado con efectos fijos bidireccionales (país + período).
Barrido de robustez: al permitir cuatro opciones de efectos fijos (ninguno, tiempo, país, bidireccional), el universo se amplía a 65 536 modelos; las probabilidades posteriores de modelo (PMP) se concentran por completo en la especificación bidireccional.
Promedio bayesiano de estimaciones clásicas (BACE):
- Mantiene un sencillo FE-OLS para cada modelo, sin un MCMC costoso.
- Traduce el BIC de cada modelo en una verosimilitud marginal aproximada.
- Emplea una distribución a priori uniforme para que las PMP sumen 1, y luego forma promedios ponderados por probabilidad para todos los coeficientes, predicciones y derivadas.
Cribado de variables: la probabilidad de inclusión posterior (PIP) destaca los determinantes robustos —“evidencia sustancial” con PIP ≥ 0,75, “fuerte” con PIP ≥ 0,90.
Picos de la curva: los puntos de inflexión de la desigualdad provienen de la derivada ponderada por BACE del polinomio cúbico del PIB, con errores estándar analíticos para las bandas de credibilidad.
Validación: los experimentos de Monte-Carlo con un proceso generador de datos conocido muestran que BACE identifica con precisión la estructura correcta de efectos fijos y los verdaderos impulsores, lo que subraya la fiabilidad del método.

📈 Panorama de los datos

180 países, cinco ventanas de 5 años (1990-2013)
Variable dependiente: índice de Gini ponderado por población a partir de luces nocturnas satelitales
Covariables clave (14): PIB pc (de lineal a quíntico), rentas de recursos, tierra cultivable, Gini étnico, comercio, IED, etc.

🧪 Comprobación mediante simulación

Panel simulado con un proceso generador de datos conocido
BACE recuperó:
- La especificación correcta de efectos fijos bidireccionales (PMP ≈ 100 %)
- Los verdaderos impulsores (PIB pc, rentas, tierra, Gini étnico)

🔍 Robustez de los determinantes (datos reales)

PIP alto (> 0,75)

Las rentas de los recursos naturales ↑ la desigualdad
La proporción de tierra cultivable ↓ la desigualdad
El Gini étnico ↑ la desigualdad Términos de Kuznets
PIB pc (lineal y cuadrático) robusto
El término cúbico no es robusto (PIP ≈ 0,48)

📐 Forma de la curva

La desigualdad aumenta: 189 → 2 189 USD
Se estabiliza: 2 189 → 3 935 USD
Disminuye: 3 935 → 71 682 USD
Se estabiliza de nuevo más allá de 71 682 USD

La evidencia favorece una U invertida con una meseta en las economías ricas, no una forma de N completa.

🧭 Implicaciones de política

Redistribuir las rentas de los recursos naturales entre las regiones
Invertir en productividad agrícola y en un acceso equitativo a la tierra
Apuntar a la inclusión étnica para frenar las disparidades espaciales
El crecimiento por sí solo no cerrará las brechas tras el pico: se requiere una política regional activa

🏁 Conclusión

El BACE para panel ofrece una visión transparente y probabilística de los impulsores de la desigualdad
Se confirma una U invertida robusta; la desigualdad se estabiliza, no repunta, con ingresos altos
Trabajo futuro: incorporar la difusión tecnológica y las instituciones en el marco de Kuznets