Predicciones agregadas de pobreza con información a escala micro y macro: evaluación, diagnóstico y propuestas

En este documento se discuten y revisan diversas alternativas para realizar pronósticos de pobreza para varios países de América Latina. El punto de partida es el modelo base desarrollado por CEPAL y luego se generan variantes que exploran estrategias novedosas asociadas a las técnicas de machine learning (aprendizaje automático). Se parte de la construcción de un panel para 12 países de la región entre 2000 y 2019 y se realiza un análisis comparativo de las proyecciones realizadas de las tasas agregadas de pobreza y pobreza extrema. Se evalúan distintas alternativas de pronóstico de pobreza que buscan explotar la naturaleza micro-macro de los datos, la dinámica temporal de las series, la heterogeneidad del panel y el uso de técnicas de machine learning que permiten lidiar con la complejidad de los modelos. El desempeño predictivo fue evaluado tanto a nivel agregado como a través de grupos de individuos (i.e. mujeres, desocupados y jóvenes).