Logotipo del repositorio

Estimación de la pobreza multidimensional en los municipios de Colombia mediante la metodología de estimación en áreas pequeñas para 2022

Vista sencilla de ítem
dc.contributor.advisorTellez Piñerez, Cristian Fernando
dc.contributor.authorMelo Buitrago, Laura Alejandra
dc.contributor.authorRodríguez Molina, Laura Daniela
dc.date.accessioned2025-03-05T14:53:47Z
dc.date.available2025-03-05T14:53:47Z
dc.date.issued2024-12
dc.description.abstractEl Índice de Pobreza Multidimensional (IPM) proporciona una medición integral de la pobreza al considerar múltiples dimensiones que afectan la calidad de vida, como la educación, la salud y el acceso a servicios básicos. No obstante, su estimación a nivel municipal enfrenta retos significativos debido a la falta de datos suficientemente desagregados. Este artículo propone el uso del modelo FayHerriot, basado en la metodología de Estimación en Áreas Pequeñas (SAE), para calcular con mayor precisión el IPM municipal correspondiente al año 2022. El modelo permite mejorar la exactitud de las estimaciones en municipios con limitaciones de datos. Los resultados evidencian la generación de estimaciones detalladas y confiables, proporcionando una base sólida para la medición de la pobreza a un nivel más desagregado.
dc.description.abstractenglishThe Multidimensional Poverty Index (MPI) provides a comprehensive measurement of poverty by considering multiple dimensions that affect quality of life, such as education, health, and access to basic services. However, its estimation at the municipal level faces significant challenges due to the lack of sufficiently disaggregated data. This article proposes the use of the Fay-Herriot model, based on the Small Area Estimation (SAE) methodology, to calculate the municipal MPI for 2022 with greater accuracy. The model improves the precision of estimates in municipalities with data limitations. The results demonstrate the generation of detailed and reliable estimates, providing a solid foundation for measuring poverty at a more disaggregated level.
dc.identifier.urihttps://hdl.handle.net/20.500.12495/14057
dc.language.isoes
dc.relation.referencesM. P. Burgard, Esteban. A Fay–herriot model when auxiliary variables are measured with error. Spanish Society of Statistics and Operations Research, 29(2):166–195, March 2020.
dc.relation.referencesC. W. S. Chen, F. Liu, and R. Gerlach. Desagregación de datos en encuestas de hogares: metodologías de estimación en áreas pequeñas. 2019.
dc.relation.referencesDANE. Estimación e Interpretación del coeficiente de variación de la encuesta cocensal. DANE, pages 1–7, Junio 2008.
dc.relation.referencesR. E. Fay and R. A. Herriot. Estimates of income for small places: An application of james-stein procedures to census data. Journal of the Royal Statistical Society. Series B (Methodological), 74 (366):269–277, 1979.
dc.relation.referencesS. Frühwirth-Schnatter. Data augmentation and dynamic linear models. Journal of Time Series Analysis, 15(2):183–202, March 1995.
dc.relation.referencesM. Ghosh and J. N. K. Rao. Small area estimation: An appraisal. Statistical Science, 9(1):55–76, March 1994.
dc.relation.referencesH. Gutierrez. Estrategias de muestreo diseño de encuestas y estimación de parámetros. Universidad Santo Tomas, 2016.
dc.relation.referencesR.-P. S. T. T. Kreutzmann, Pannier. The r package emdi for estimating and mapping regionally disaggregated indicators. Journal of Statistical Software, (91), 2019a.
dc.relation.referencesR. Lehtonen and A. Veijanen. Design-based methods of estimation for domains and small areas. In Handbook of Statistics. Sample Surveys. Inference and Analysis. Elsevier Scientific Publ. Co., 29: 219–249, 2009.
dc.relation.referencesH. Li and P. Lahiri. An adjusted maximum likelihood method for solving small area estimation problems. Journal of Multivariate Analysis, 101(4):882–892, 2010b.
dc.relation.referencesI. Molina and J. Rao. Small area estimation of poverty indicators. Statistics and Computing, 38(3): 369–385, 2010.
dc.relation.referencesI. Molina and J. Rao. Variable Selection Via Gibbs Sampling. Maret, 2015a.
dc.relation.referencesI. Molina and J. Rao. Small area estimation under a Fay-Herriot model with preliminary testing for the presence of random area effects. Statistics Canada, 2015b.
dc.relation.referencesN. N. Prasad and J. N. Rao. The estimation of the mean squared error of small-area estimators. Journal of the American statistical association., 85(409):163–171, 1990.
dc.relation.referencesR Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2013. URL http://www.R-project.org/.
dc.relation.referencesN. Rojas-Perilla. The Use of Data-driven Transformations and Their Applicability in Small Area Estimation. Freie Universitaet Berlin (Germany), 2018.
dc.relation.referencesA. Santiago Moreno. Aportaciones a la estimación en áreas pequeñas. Estimación de proporciones. Universidad de Granada, 2012.
dc.relation.referencesC. F. Tellez. Estimación de áreas de áreas pequeñas utilizando imputación múliple en modelos logísticos de tres parámetros, PhD thesis. 2020.
dc.relation.referencesN. Unidas. La Agenda 2030 y los Objetivos de Desarrollo Sostenible: una oportunidad para América Latina y el Caribe. 1(1):1–93, 2018.
dc.relation.referencesZ. Yang. A modified family of power transformations. Economics Letters, 92(1):14–19, 2006.
dc.relation.referencesL. M. R. Ybarra and S. L. Lohr. Small area estimation when auxiliary information is measured with error., volume 95. Biometrika., 2006.
dc.relation.referencesH. Zhang and H. A. G. Rojas. Teoría estadística: aplicaciones y métodos. Hugo Andrés Gutiérrez Rojas., 2010.
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 Internationalen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectSAE
dc.subjectEstimación en Áreas Pequeñas
dc.subjectmunicipios
dc.subjectPobreza Multidimensional
dc.subjectModelo Fay Herriot
dc.subjectPobreza
dc.subjectColombia
dc.subject.keywordsSAE
dc.subject.keywordsSmall Area Estimation
dc.subject.keywordsmunicipalities
dc.subject.keywordsMultidimensional Poverty Index
dc.subject.keywordsFayHerriot model
dc.subject.keywordsPoverty
dc.subject.keywordsColombia
dc.titleEstimación de la pobreza multidimensional en los municipios de Colombia mediante la metodología de estimación en áreas pequeñas para 2022
dc.title.translatedEstimation of Multidimensional Poverty in the Municipalities of Colombia Using the Small Area Estimation Methodology for 2022

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
Trabajo de grado.pdf
Tamaño:
4.56 MB
Formato:
Adobe Portable Document Format
Descargar

Bloque de licencias

Mostrando 1 - 3 de 3
Miniatura
Nombre:
license.txt
Tamaño:
1.95 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Miniatura
Nombre:
Carta de autorizacion.pdf
Tamaño:
343.4 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
Anexo 1 acta de aprobacion.pdf
Tamaño:
299.7 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar

Colecciones

Maestría Estadística Aplicada y Ciencia de Datos

Software DSpace copyright © 2002-2025 LYRASIS