Curso Internacional ‘Desagregación de Estimaciones en Áreas Pequeñas usando R’

Módulo 6 - Modelos bayesianos y generalizados - Tarea 3

Sobre

El curso es organizado por la Unidad de Estadísticas Sociales, División de Estadísticas de la Comisión Económica para América Latina y el Caribe (CEPAL) y por el Fondo de Población de las Naciones Unidas (UNFPA).

Al leer el trabajo presentado a continuación, tenga en cuenta que el autor está en proceso de aprendizaje. Se agradecen las críticas y sugerencias.

Tarea

Objetivo: La siguiente tarea tiene como objetivo aplicar los conocimientos aprendidos en los primeros módulos del curso.

Tarea: La idea de esta actividad es estimar el porcentaje de pobreza en cada sección en Montevideo utilizando el estimador plug-in. Recuerde dar una interpretación a cada uno de estos indicadores en el contexto del ejercicio.

Código R

library(tidyverse)
library(lme4)
library(DT)
library(kableExtra)

Importar datos

Encuesta

Censo

Covariables

Para efectos de facilitar la comprensión de la base, a continuación, se hace una breve descripción de las variables:

• secc: la sección de interés, el área pequeña en la que se desea la estimación;

• edad: edad de las personas;

• anoest: años de estudio;

• pobreza_Ind: variable dicotómica sobre pobreza (variable respuesta para hombres);

• pobreza: variable dicotómica sobre pobreza (variable respuesta para mujeres).

Ajustar modelo

Para este ejercicio, se calculará un estimador llamado “plug-in” utilizando un modelo lineal generalizado mixto. Este modelo incorpora heterogeneidad entre áreas no explicada por las variables auxiliares incluidas en el modelo (efectos aleatorios).

Para más información, consultar la serie de estudios estadísticos llamada Desagregación de datos en encuestas de hogares: metodologías de estimación en áreas pequeñas.¹

Mujeres

plugin_model_f <- glmer(
  pobreza ~ edad + anoest + (1|secc),
  family = "binomial",
  data   = sample_f
)

Hombres

plugin_model_m <- glmer(
  pobreza_Ind ~ edad + anoest + (1|secc),
  family = "binomial",
  data   = sample_m
)

Predicciones

Mujeres

predict_f <- predict(plugin_model_f, newdata = census_f, type = "response")

Hombres

predict_m <- predict(plugin_model_m, newdata = census_m, type = "response")

Estimaciones

Tabla 3: Estimaciones de porcentaje de pobreza por sección y sexo.

secc	sexo	poverty_pct
1	Mujer	0,51
1	Hombre	0,58
2	Mujer	0,78
2	Hombre	1,67
3	Mujer	1,53
3	Hombre	1,32
4	Mujer	0,33
4	Hombre	0,82
5	Mujer	0,26
5	Hombre	0,60
6	Mujer	0,32
6	Hombre	0,39
7	Mujer	1,25
7	Hombre	1,02
8	Mujer	1,05
8	Hombre	0,30
9	Mujer	5,28
9	Hombre	5,52
10	Mujer	2,01
10	Hombre	2,05
11	Mujer	9,66
11	Hombre	8,75
12	Mujer	0,96
12	Hombre	0,37
13	Mujer	9,58
13	Hombre	8,98
14	Mujer	1,34
14	Hombre	1,66
15	Mujer	0,27
15	Hombre	0,48
16	Mujer	11,00
16	Hombre	10,30
17	Mujer	12,92
17	Hombre	12,65
18	Mujer	0,31
18	Hombre	0,17
19	Mujer	0,66
19	Hombre	0,74
20	Mujer	6,24
20	Hombre	6,36
21	Mujer	5,83
21	Hombre	6,07
22	Mujer	3,95
22	Hombre	5,17
23	Mujer	0,18
23	Hombre	0,60
24	Mujer	0,18
24	Hombre	0,26
99	Mujer	11,27
99	Hombre	10,50

Visualizar

Conclusiones

En promedio, los hombres son ligeramente más pobres que las mujeres en las secciones uruguayas. Sin embargo, en algunas secciones, la realidad es opuesta.

Observando la primera figura, se puede notar que en los casos donde los hombres son más pobres, la proporción (hombre/mujer) es mayor. Destaca la sección 23: en esta sección, los hombres son tres veces más pobres que las mujeres.

En cuanto a la segunda figura, es interesante notar que las mayores acumulaciones de porcentaje de pobreza se encuentran en las secciones donde hay una mayor proporción de mujeres pobres.

Footnotes

1. Este material, titulado 'Desagregación de datos en encuestas de hogares: metodologías de estimación en áreas pequeñas', está disponible en el siguiente enlace: https://repositorio.cepal.org/items/50e7e098-7f02-4d37-a74c-fbfb88ba49c5. La información contenida en este documento es proporcionada por Isabel Molina.