Quarterly multidimensional poverty estimates in Mexico using machine learning algorithms

• Autores: Ratzanyel Rincón
• Localización: Estudios económicos, ISSN 0186-7202, Vol. 38, Nº. 1 (Enero-Junio), 2023, págs. 3-68
• Idioma: inglés
• Títulos paralelos:
  • Estimaciones trimestrales de pobreza multidimensional en México mediante algoritmos de aprendizaje de máquina
• Enlaces
  • Texto completo
• Resumen
  • español

    Este artículo aborda la alta 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.

  • English

    This article addresses the lack of timely information about multidimensional poverty in Mexico. Three machine learning algorithms the LASSO logistic regression, random forest, and support vector machines are trained with the ENIGH to find generalizable patterns of multidimensional poverty in the raw data. The fitted models are used toclassify each individual in the ENOE as poor or non-poor to obtainag gregated poverty rates on a uarterly basis. These estimates are closer to the official levels of multidimensional poverty than the labor poverty measurement and provide an accurate poverty outlook morethan a year ahead of the official measure.