Predicciones agregadas de pobreza con información a escala micro y macro: evaluación, diagnóstico y propuestas

Vista sencilla de ítem
cepal.bibLevelDocumento Completo
cepal.callNumberLC/TS.2022/95
cepal.divisionEngStatistics Division
cepal.divisionSpaDivisión de Estadísticas
cepal.docTypeSeries
cepal.jobNumberS2200372_es
cepal.projectProyecto "Strengthening Social Protection for Pandemic Responses: Identifying the Vulnerable, Aiding Recovery and Building Resilience"
cepal.regionalOfficeSantiago
cepal.sdg1
cepal.topicEngMETHODS AND INTERNATIONAL CLASSIFICATIONS
cepal.topicEngNATIONAL ACCOUNTS
cepal.topicEngPOVERTY
cepal.topicEngSOCIAL STATISTICS
cepal.topicSpaCUENTAS NACIONALES
cepal.topicSpaESTADÍSTICAS SOCIALES
cepal.topicSpaMÉTODOS Y CLASIFICACIONES INTERNACIONALES
cepal.topicSpaPOBREZA
cepal.workareaEngSTATISTICS
cepal.workareaSpaESTADÍSTICAS
dc.contributor.authorCornejo, Magdalena
dc.contributor.authorSosa Escudero, Walter
dc.contributor.institutionCuenta de las Naciones Unidas para el Desarrollo
dc.coverage.spatialEngLATIN AMERICA
dc.coverage.spatialSpaAMERICA LATINA
dc.date.accessioned2022-07-25T21:08:18Z
dc.date.available2022-07-25T21:08:18Z
dc.date.issued2022-07-25
dc.description.abstractEn este documento se discuten y revisan diversas alternativas para realizar pronósticos de pobreza para varios países de América Latina. El punto de partida es el modelo base desarrollado por CEPAL y luego se generan variantes que exploran estrategias novedosas asociadas a las técnicas de machine learning (aprendizaje automático). Se parte de la construcción de un panel para 12 países de la región entre 2000 y 2019 y se realiza un análisis comparativo de las proyecciones realizadas de las tasas agregadas de pobreza y pobreza extrema. Se evalúan distintas alternativas de pronóstico de pobreza que buscan explotar la naturaleza micro-macro de los datos, la dinámica temporal de las series, la heterogeneidad del panel y el uso de técnicas de machine learning que permiten lidiar con la complejidad de los modelos. El desempeño predictivo fue evaluado tanto a nivel agregado como a través de grupos de individuos (i.e. mujeres, desocupados y jóvenes).
dc.description.tableOfContentsResumen .-- Introducción .-- I. Enfoques recientes en predicciones de la pobreza: nowcasting y aprendizaje .-- II. Fuentes de datos para la predicción .-- III. El enfoque micro-macro .-- IV. Resultados y desempeño del modelo base en 2019 .-- V. Extensiones del modelo base y resultados para 2019 .-- VI. Evaluación del desempeño predictivo para el período 2003 a 2019 .-- VII. Recomendaciones para la práctica.
dc.formatTexto
dc.format.extent76 páginas.
dc.format.mimetypeapplication/pdf
dc.identifier.unSymbolLC/TS.2022/95
dc.identifier.urihttps://hdl.handle.net/11362/48018
dc.language.isospa
dc.physicalDescription76 p.
dc.publisherCEPAL
dc.publisher.placeSantiago
dc.relation.isPartOfSeriesSerie Estudios Estadísticos
dc.relation.isPartOfSeriesNo103
dc.rights.coarDisponible
dc.subject.unbisEngPOVERTY
dc.subject.unbisEngECONOMIC FORECASTS
dc.subject.unbisEngECONOMIC ANALYSIS
dc.subject.unbisEngSTATISTICAL METHODOLOGY
dc.subject.unbisSpaPOBREZA
dc.subject.unbisSpaPRONOSTICOS ECONOMICOS
dc.subject.unbisSpaANALISIS ECONOMICO
dc.subject.unbisSpaMETODOLOGIA ESTADISTICA
dc.titlePredicciones agregadas de pobreza con información a escala micro y macro: evaluación, diagnóstico y propuestas
dc.type.coarlibro
dc.usergrouppubweb
dspace.entity.typePublication
relation.isAuthorOfPublication2c03f344-130b-4ec4-a87c-a12b8429e894
relation.isAuthorOfPublication4d174ebc-3d83-4fa8-89c8-af5acd6d2e50
relation.isAuthorOfPublication.latestForDiscovery2c03f344-130b-4ec4-a87c-a12b8429e894
Descargar
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
S2200372_es.pdf
Tamaño:
2.87 MB
Formato:
Adobe Portable Document Format
Descripción:
Documento en español
Descargar
Colecciones
Estudios Estadísticos