Nowcasting de la pobreza en Argentina para el período 2016-2020

Abstract

En Argentina, la disponibilidad de microdatos provenientes de la Encuesta Permanente de Hogares (EPH) permite estimar las tasas de pobreza de la población urbana con un rezago de dos trimestres, lo que dificulta tanto la programación de las distintas políticas públicas de corto plazo como la evaluación de la efectividad de éstas. Es por ello que el objetivo de nuestra tesis es evaluar el desempeño de distintos modelos de series temporales que contemplen el uso de métodos de Machine Learning para realizar pronósticos en tiempo real (nowcasts) del ingreso per cápita por decil y, en forma indirecta, de la tasa de pobreza y pobreza extrema en la Argentina entre 2016 y 2020. En particular, se evaluará el desempeño de los pronósticos obtenidos a través de: Bridge Equations con selección de predictores a través de: (a) Least Absolute Shrinkage and Selection Operator (LASSO), (b) modelos de vectores autorregresivos aumentados por factores (FAVAR) usando el análisis de componentes principales para identificar dichos factores, (c) modelos dinámicos de factores utilizando el filtro de Kalman y (d) modelos autorregresivos integrados de medias móviles (ARIMA) que serán utilizados como benchmark.