Nowcasting de la pobreza en Argentina para el período 2016-2020
Loading...
Date
relationships.isAdvisorOf
Journal Title
Journal ISSN
Volume Title
Publisher
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.
Description
Keywords
Análisis de datos, Pobreza, Zonas Urbanas, Políticas Públicas, Toma de Decisiones, Predicciones tecnologicas