El cambio de la metodología en la medición de la pobreza en la Casen (2015)

El ajuste del año 2009

VE-CC-AJ

DataIntelligence
Fecha: 22-09-2021

1 Introducción

La crisis subprime fue un crack financiero que sucedió en la economía mundial el año 2008, cuya consecuencia fue un mundo en recesión y tasas de pobreza y desempleo globales altísimas. Se habló de una crisis similar a la de 1929.

Las crisis en un mundo globalizado afectan a todos en alguna medida y es así como Chile según algunas investigaciones fue el país mas golpeado por la crisis de 19291.

Siendo esto así y ya en un mundo hiperglobalizado un cifra llamó la atención:

La pobreza en Chile el 2009 bajó!

En Mayo del 2015, un centro de estudios2, afirmó que en Chile existió en el 2009 un histórico aumento de la tasa de pobreza, el primero desde que existe la CASEN3, mientras simultáneamente el gobierno cambiaba la metodología de medición de pobreza para hacer desaparecer tal aumento/span>. También afirmó que la tasa de pobreza y pobreza extrema entregada por el Ministerio de Desarrollo Social (MDS) para el 2013 no era comparable con la serie histórica de cifras oficiales4.

2 El contexto

El crack se originó en los Estados Unidos, pero rápidamente se contagió a todas las economías del mundo. Se denomina crisis subprime por el hecho de que su detonante fue el elevado riesgo crediticio. Así como, también, el impago de unos activos que se encontraban sujetos a hipotecas de alto riesgo. Se produjo por conceder crédito al segmento subprime, es decir, a personas que, en condiciones normales de financiación, presentarían un alto riesgo crediticio (su contraparte es el segmento prime, que tiene un menor riesgo de crédito).

2.1 Gobiernos, crisis y Casens

Es necesario hacer una relación que nos ubiquemos históricamente dentro de los plazos en los que sucedieron las cosas para poder comprenderlas mejor.

Michelle Bachelet Jeria 11 de marzo de 2006 y el 11 de marzo de 2010 2009 llegan los efectos de la crisis a Chile
Sebastián Piñera Echenique 11 de marzo de 2010 al 11 de marzo de 2014
Michelle Bachelet Jeria 11 de marzo de 2014 y el 11 de marzo de 2018 en enero de 2015 se entrega la CASEN 2013

2.2 Qué es la nueva metodología de medición de pobreza por ingresos?

En enero del año 2015, el Ministerio de Desarrollo Social y Familia introdujo un conjunto de cambios a la metodología que estuvo vigente desde el año 1990, iniciando una nueva serie de datos sobre pobreza por ingresos.

EL 2015 introducen una nueva metodología y corrigen los datos desde el 2013 (incluyendo) retroactivamente.

Entre los principales cambios que considera la nueva metodología de medición de la pobreza por ingresos se destacan:

  1. Actualización de las líneas de pobreza a partir de la estimación de una nueva Canasta Básica de Alimentos (CBA): La CBA, a partir de la cual se estiman las líneas de pobreza y de pobreza extrema, fue actualizada sobre la base de la VII Encuesta de Presupuestos Familiares, EPF, a fin de reflejar los hábitos de consumo prevalecientes en el país. Su composición fue determinada a partir del gasto en alimentos del quintil de hogares de menores ingresos per cápita, denominado grupo de referencia, cuyo gasto satisface en promedio el umbral de requerimientos calóricos definido por persona al día. El valor de la nueva línea de pobreza fue establecido sobre la base del gasto total de los hogares pertenecientes al grupo de referencia, excluyendo los gastos en alcohol y tabaco, y el gasto en bienes y servicios adquiridos por menos del 10% de los hogares, y considerando el aporte calórico del Programa de Alimentación Escolar. el valor de la línea de pobreza extrema, en tanto, fue establecido en dos tercios del correspondiente a la línea de pobreza.

2 Cambio en el indicador de bienestar de los hogares, reemplazando el ingreso per cápita por el ingreso por persona equivalente: La metodología tradicional de medición de la pobreza comparaba el ingreso por persona de los hogares con la línea de pobreza por persona para calificar la situación de pobreza de los hogares.

A fin de considerar no sólo el efecto del tamaño del hogar en su bienestar, sino, además, la existencia de economías de escala en el consumo al interior de los hogares, se incorporó la utilización de escalas de equivalencia. De tal forma, cada miembro adicional del hogar necesita menos que un incremento proporcional del ingreso del hogar para que se conserve el mismo nivel de bienestar, lo que se traduce en la definición de líneas de pobreza por persona equivalente (es decir, que dependen del número de integrantes del hogar).

3 Establecimiento de líneas de pobreza y de pobreza extrema sin diferenciación por zona urbana y rural: Se elimina la distinción por zona existente en la metodología tradicional, asumiendo que no existen diferencias en el costo de la CBA para zonas urbanas y rurales.

4 Modificaciones en la medición de los ingresos utilizados para la clasificación de la situación de pobreza de los hogares, incluyendo las siguientes:

  1. Arriendo imputado: En la metodología tradicional esta imputación se realizaba sólo en el caso de las viviendas habitadas por sus propietarios, la nueva metodología considera también las viviendas ocupadas en condición de cedida por trabajo, por familiar u otro, y en usufructo.

  2. Imputación por no respuesta: reemplazo de la metodología de imputación de medias, por matrices de exigencia para la imputación de datos faltantes en las variables de ingreso del trabajo y jubilaciones. Además, en el caso del alquiler imputado, se amplía la imputación para corregir la no respuesta no sólo a los hogares propietarios de vivienda, sino también a hogares residentes en viviendas cedidas por trabajo, familiar u otro, y en usufructo.

Uso de ingresos corrientes de los hogares provenientes de la Encuesta Casen en contraste con la metodología de tradicional de medición: se abandona la práctica de realizar ajuste de los ingresos declarados por los hogares a los ingresos corrientes de los hogares provenientes de estimaciones de la Cuenta de Ingresos y Gastos de los Hogares del Sistema de Cuentas Nacionales.5

3 Críticas

  1. La tasa de pobreza y pobreza extrema entregada por el Ministerio de Desarrollo Social (MDS) para el 2013 no es comparable con la serie histórica de cifras oficiales.
  2. El MDS confusamente denomina “metodología tradicional” a una forma distinta a la tradicional para calcular la pobreza oficial. Con el cambio metodológico, desaparece el histórico aumento de la tasa de pobreza el 2009, el primero desde que existe la CASEN.

“Esta metodología no permite comparar la tasa de pobreza a través del tiempo, ya que el MDS realizó algunos ajustes que impiden la continuidad con los resultados oficiales. Más específicamente, el MDS actualizó la línea de indigencia con el índice de precios de los alimentos y el componente no alimentario de la línea de la pobreza por el IPC, de la misma forma que la metodología utilizada por la CEPAL. Esta modificación se realizó sólo para cifras desde 2009 en adelante. Al ser la línea de pobreza menos exigente, tiene como efecto una menor tasa de pobreza a partir de 2009, perdiéndose la continuidad de la serie con los años previos”6.

LyD afirmó que “Dicho cambio discrecional pretende esconder que el 2009 la pobreza aumentó”.

casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
casen2006 <- mutate_if(casen2006, is.factor, as.character)
casen2009 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2009_c.rds")
casen2009 <- mutate_if(casen2009, is.factor, as.character)
casen2011 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2011_c.rds")
casen2011 <- mutate_if(casen2011, is.factor, as.character)
casen2013 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2013_c.rds")
casen2013 <- mutate_if(casen2013, is.factor, as.character)
casen2015 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
casen2015 <- mutate_if(casen2015, is.factor, as.character)
casen2017 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2017_c.rds")
casen2017 <- mutate_if(casen2017, is.factor, as.character)

casen2020 <- readRDS("casen2020.rds")
casen2020 <- mutate_if(casen2020, is.factor, as.character)
codigos_comunales <- readRDS(file = "C:/Users/chris/OneDrive/Documentos/archivos_grandes/codigos_comunales_2011-2017.rds")

4 Intento de solución propio.

Verificaremos que nuestros cálculos coincidan con las cifras oficiales publicados en esos años. Para los años 2006, 2009, 2011, 2013, 2015, 2017 y 2020.

4.1 2006

casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
tabla_matp <-xtabs(casen2006$EXPR~R+CORTE, data = casen2006)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total
indigente_por
##         I        II       III        IV         V        VI       VII      VIII 
## 14.470509  7.307362 10.480356 15.874478 15.293650 11.400053 17.721232 20.684232 
##        IX         X        XI       XII      R.M. 
## 20.052721 14.040231  9.218393  6.291324 10.574653
tabla_matp <-xtabs(casen2006$EXPC~COMUNA+CORTE, data = casen2006)

# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
#           options = list(dom = 'Bfrtip',
#           buttons = list('colvis', list(extend = 'collection',
#           buttons = list(
#           list(extend='copy'),
#           list(extend='excel',
#             filename = 'hitStats'),
#           list(extend='pdf',
#             filename= 'hitStats')),
#           text = 'Download')), scrollX = TRUE))

4.2 2009

casen2009 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2009_c.rds")
tabla_matp <-xtabs(casen2009$EXPR~REGION+CORTE, data = casen2009)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total


tabla_matp <-xtabs(casen2009$EXPC~COMUNA+CORTE, data = casen2009)

indigente_por
##                          Tarapacá                       Antofagasta 
##                         15.831746                          8.004060 
##                           Atacama                          Coquimbo 
##                         17.520373                         16.571024 
##                        Valparaíso     Libertador Bernardo O´Higgins 
##                         15.052184                         12.788000 
##                             Maule                           Bío Bío 
##                         20.743699                         20.971457 
##                      La Araucanía                         Los Lagos 
##                         27.102308                         14.195840 
##                             Aysén Magallanes Y La Antártica Chilena 
##                         15.106571                          9.064409 
##              Región Metropolitana                          Los Rios 
##                         11.545605                         20.426851 
##                Arica y Parinacota 
##                         12.843692

4.3 2011

casen2011 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2011_c.rds")
tabla_matp <-xtabs(casen2011$expr_full~region+casen2011$corte, data = casen2011)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total
indigente_por <- data.frame(indigente_por)
indigente_por
##                    indigente_por
## Tarapacá               11.550472
## Antofagasta             7.740033
## Copiapó                12.096409
## Coquimbo               16.013788
## Valparaíso             17.520679
## O Higgins              11.506831
## Maule                  17.845110
## Bio Bio                21.911115
## Araucanía              23.916599
## Los Lagos              15.150746
## Aysén                   9.928186
## Magallanes              5.474802
## Metropolitana          11.322334
## Los Ríos               18.896110
## Arica y Parinacota     15.893026
# tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)

# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
#           options = list(dom = 'Bfrtip',
#           buttons = list('colvis', list(extend = 'collection',
#           buttons = list(
#           list(extend='copy'),
#           list(extend='excel',
#             filename = 'hitStats'),
#           list(extend='pdf',
#             filename= 'hitStats')),
#           text = 'Download')), scrollX = TRUE))

4.4 2013

casen2013 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2013_c.rds")
tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente)*100/total
indigente_por <- data.frame(indigente_por)
indigente_por
##                        indigente_por
## I. Tarapaca                 2.186118
## II. Antofagasta             1.137624
## III. Atacama                1.965482
## IV. Coquimbo                5.320301
## V. Valparaíso               4.514594
## VI. O Higgins               4.702862
## VII. Maule                  5.933406
## VIII. Biobío                7.967164
## IX. La Araucanía           10.578256
## X. Los Lagos                5.684641
## XI. Aysén                   1.599124
## XII. Magallanes             3.208934
## Metropolitana               2.569819
## XIV. Los Ríos               7.995456
## XV. Arica y Parinacota      4.651773
tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)

# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
#           options = list(dom = 'Bfrtip',
#           buttons = list('colvis', list(extend = 'collection',
#           buttons = list(
#           list(extend='copy'),
#           list(extend='excel',
#             filename = 'hitStats'),
#           list(extend='pdf',
#             filename= 'hitStats')),
#           text = 'Download')), scrollX = TRUE))

4.5 2015

casen2015 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
tabla_matp <-xtabs(casen2015$expr~region+casen2015$pobreza, data = casen2015)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total
indigente_por <- data.frame(indigente_por)
indigente_por
##                                                   indigente_por
## Región de Tarapacá                                     7.145764
## Región de Antofagasta                                  5.414097
## Región de Atacama                                      6.865710
## Región de Coquimbo                                    13.803189
## Región de Valparaíso                                  12.015034
## Región del Libertador Gral. Bernardo O Higgins        13.743612
## Región del Maule                                      18.684565
## Región del Biobío                                     17.551887
## Región de La Araucanía                                23.577519
## Región de Los Lagos                                   16.061625
## Región de Aysén del Gral. Carlos Ibáñez del Campo      6.469157
## Región de Magallanes y de la Antártica Chilena         4.412145
## Región Metropolitana de Santiago                       7.108910
## Región de Los Ríos                                    16.753344
## Región de Arica y Parinacota                           9.720732
tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)

# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
#           options = list(dom = 'Bfrtip',
#           buttons = list('colvis', list(extend = 'collection',
#           buttons = list(
#           list(extend='copy'),
#           list(extend='excel',
#             filename = 'hitStats'),
#           list(extend='pdf',
#             filename= 'hitStats')),
#           text = 'Download')), scrollX = TRUE))

4.5.1 Caso ejemplo: 2006, Antofagasta. Region II. Estimación pobres extremos 23.593 según la nueva metodologia. Nosotros contamos 10716.

4.6 Intento de correccion (2006-2013)

# casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
casen2006 <- mutate_if(casen2006, is.factor, as.character)
# tabla_matp <-xtabs(casen2006$EXPC~COMUNA+R+CORTE, data = casen2006)
# head(tabla_matp,20)
region_2 <- filter(casen2006, casen2006$R == "II")
# region_2

Filtramos por Region II

tabla_matp <-xtabs(region_2$EXPC~COMUNA+CORTE, data = region_2)
head(tabla_matp,20)
##                       CORTE
## COMUNA                 Indigente No pobre Pobre no indigente
##   Antofagasta               8968   305199              10778
##   Calama                     935   128269              13218
##   María Elena                 79     4585                180
##   Mejillones                 114     8867                357
##   Ollague                      6      112                 18
##   San Pedro de Atacama        32     5282                167
##   Sierra Gorda                 3     1517                 39
##   Taltal                     144     8675                365
##   Tocopilla                  435    19175               2135
tabla_matp <- as.data.frame(tabla_matp)

Consideramos sólo los pobres extremos:

frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$CORTE == "Indigente")
frec_man_com_parcial_total
##                 COMUNA     CORTE Freq
## 1          Antofagasta Indigente 8968
## 2               Calama Indigente  935
## 3          María Elena Indigente   79
## 4           Mejillones Indigente  114
## 5              Ollague Indigente    6
## 6 San Pedro de Atacama Indigente   32
## 7         Sierra Gorda Indigente    3
## 8               Taltal Indigente  144
## 9            Tocopilla Indigente  435
codigos_com <- frec_man_com_parcial_total$COMUNA
#codigos_com

y los sumamos:

sum(frec_man_com_parcial_total$Freq)
## [1] 10716

Expandiremos las frecuencias de pobres ty pobres extremos para que lleguen al nivel oficial de la nueva metodología y lo haremos por comuna.

frec_man_com_parcial_total2 <- data.frame()
for(i in codigos_com){
  frec_man_com_parcial <- filter(frec_man_com_parcial_total, frec_man_com_parcial_total$COMUNA == i)
  frec_man_com_parcial$p <- frec_man_com_parcial$Freq*100/sum(frec_man_com_parcial_total$Freq)/100
  frec_man_com_parcial_total2 <- rbind(frec_man_com_parcial_total2,frec_man_com_parcial)
}

Calculando una proporción poblacional

   frec_man_com_parcial_total2
##                 COMUNA     CORTE Freq            p
## 1          Antofagasta Indigente 8968 0.8368794326
## 2               Calama Indigente  935 0.0872527062
## 3          María Elena Indigente   79 0.0073721538
## 4           Mejillones Indigente  114 0.0106382979
## 5              Ollague Indigente    6 0.0005599104
## 6 San Pedro de Atacama Indigente   32 0.0029861889
## 7         Sierra Gorda Indigente    3 0.0002799552
## 8               Taltal Indigente  144 0.0134378499
## 9            Tocopilla Indigente  435 0.0405935050
sum(frec_man_com_parcial_total2$p)
## [1] 1

y multiplicandola con el valor al que deseamos llegar:

 frec_man_com_parcial_total2$p_mul <- round(frec_man_com_parcial_total2$p *23593)
 frec_man_com_parcial_total2 
##                 COMUNA     CORTE Freq            p p_mul
## 1          Antofagasta Indigente 8968 0.8368794326 19744
## 2               Calama Indigente  935 0.0872527062  2059
## 3          María Elena Indigente   79 0.0073721538   174
## 4           Mejillones Indigente  114 0.0106382979   251
## 5              Ollague Indigente    6 0.0005599104    13
## 6 San Pedro de Atacama Indigente   32 0.0029861889    70
## 7         Sierra Gorda Indigente    3 0.0002799552     7
## 8               Taltal Indigente  144 0.0134378499   317
## 9            Tocopilla Indigente  435 0.0405935050   958
sum( frec_man_com_parcial_total2$p_mul)
## [1] 23593

La columna p_multi sería la que que contenga la cantidad de pobres extremos por comuna corregidos.




5 Referencias






  1. https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0719-12432021000100041↩︎

  2. Evaluación de modelos de clasificación Carlos Zelada↩︎

  3. TEMAS PÚBLICOS www.lyd.org Nº 1206 15 de mayo de 2015 ISSN 0717-1528↩︎

  4. TEMAS PÚBLICOS www.lyd.org Nº 1206 15 de mayo de 2015 ISSN 0717-1528↩︎

  5. Observatorio Social↩︎

  6. TEMAS PÚBLICOS www.lyd.org Nº 1206 15 de mayo de 2015 ISSN 0717-1528↩︎