Enfoque híbrido Bagging y Boosting para predecir el Bienestar Subjetivo en Colombia con interpretabilidad SHAP

Abstract

Este estudio parte de la hipótesis de que los modelos de aprendizaje automático explicables permiten predecir con mayor precisión los niveles de Bienestar Subjetivo (BS) en Colombia que los enfoques estadísticos tradicionales, y que su uso facilita la identificación de los principales determinantes para orientar políticas públicas. Para ello, se utilizaron datos de la Encuesta Nacional de Calidad de Vida (2023), aplicando modelos de clasificación multiclase tipo Boosting y Bagging (para una red neuronal de entrada híbrida), integrados posteriormente en un modelo Stacking. Estos modelos se optimizaron mediante ajuste de hiperparámetros con validación cruzada estratificada y optuna. La metodología incluyó, además, técnicas de interpretabilidad SHAP y Deep SHAP. El modelo final alcanzó un rendimiento competitivo, lo que permitió realizar un análisis en términos demográficos y geográficos. Se identificaron como principales determinantes la felicidad experimentada, la satisfacción con la salud, el sentido de la vida y la satisfacción con el ingreso, con diferencias regionales y por grupos poblacionales.