Estimación de indicadores de pobreza en áreas pequeñas asumiendo error de medición en las covariables

Abstract

Los mapas de pobreza juegan un papel importante en el diseño de políticas públicas y en la asignación apropiada de recursos a las zonas más necesitadas del país. En muchas ocasiones, información confiable sobre la pobreza en ciertas regiones geográficas es limitada debido a la falta de cobertura de las encuestas nacionales. Por esta razón, métodos especiales de estimación deben ser considerados para obtener estimadores con buenas propiedades estadísticas asociados a ciertas regiones geográficas. Ejemplo de estos métodos, es la estimación en áreas pequeñas, que en el caso de los indicadores de pobreza, permite obtener estimadores más precisos en áreas que tienen poca información. En este estudio, proponemos una metodología de estimación en áreas pequeñas para predecir indicadores de pobreza cuando las variables independientes en el modelo tienen error de medición, combinando el procedimiento SIMEX para estimar los parámetros del modelo y el método de máxima verosimilitud para estimar los valores reales de la variable con error de medición. Adicionalmente, se utilizó la gran encuesta integrada de hogares realizada por el DANE para estimar indicadores de pobreza en cada una de las localidades de la ciudad de Bogotá, considerando variables explicativas disponibles a nivel de área con error de medición. La metodología propuesta demostró ser efectiva en la reducción del sesgo y la varianza en la predicción del indicador de pobreza cuando se aplica un método para corregir el error de medición frente la situación en la cual se ignora el error de medición. Estos resultados son importantes porque tienen impacto sobre la toma de decisiones basados en estos indicadores obtenidos a través de información confiable. (Texto tomado de la fuente)

The poverty maps play an important role in making public policy and allocating resources to the neediest areas of the country. In many situations, reliable information about poverty in certain geographic regions is often limited due to the lack of coverage of national surveys. For this reason, special methods of estimation must be considered for obtaining estimators with good statistical properties associated with certain geographic regions. An example of these methods is the small area estimation, which in the case of indicators of poverty allows obtaining more precise estimators in areas that have few information. In this study, we propose an estimation methodology for small areas to predict poverty indicators when the independent variables have measurement error, combining the SIMEX procedure to estimate model parameters with the Maximum Likelihood Method for estimating true values of variables with measurement error. Additionally, we used the large integrated household survey conducted by DANE to estimate poverty indicators in each of the localities of the city of Bogot´a, considering an explanatory variable at level area with measurement error. The proposed methodology proved to be effective in reducing bias and variance in the prediction of poverty indicators when a method for correcting the error is applied and compared with the situation where measurement errors are ignored. These results are important because they have impact on making decisions based on these indicators, which are obtained from reliable information.