Imagina una situación en la que tu homólogo —el ministro de Desarrollo Económico del país X— está a punto de presentar ante el Congreso de su país las últimas tendencias de la pobreza. La presentación se realiza en una audiencia sobre el próximo plan de desarrollo económico del país, de 5 años (o 10 años). Como profesional del desarrollo, tienes la tarea de ayudarle con el análisis técnico, pese al conocido desafío de que la ronda más reciente de datos de encuestas de hogares no es comparable con las rondas anteriores debido a diversos cambios en el diseño de las encuestas. O, peor aún, la ronda más reciente de la encuesta ya tiene varios años y, por tanto, no refleja las últimas tendencias. ¿Qué deberías hacer?
Aunque es hipotético, este ejemplo puede ser pertinente para bastantes países de distintos niveles de ingreso y contextos geográficos. Por ejemplo, en la década de 1990 hubo un animado debate sobre el ritmo de reducción de la pobreza en India, provocado por cambios que dieron lugar a cuestionarios incompatibles entre distintas rondas de encuestas (véase, por ejemplo, el libro “The Great Indian Poverty Debate”, editado por Angus Deaton y Valerie Kozel (2005)). El Gobierno de India proclamó que 60 millones de personas habían salido de la pobreza, pero otros investigadores independientes tenían opiniones distintas y también presentaron estimaciones menores. Algunas de sus estimaciones incluso sugerían que ninguna persona había salido de la pobreza. Otro ejemplo es Jordania —el país de nuestro reciente estudio—, donde la encuesta más reciente sobre consumo de los hogares solo está disponible actualmente para 2010, pero queremos saber qué ha ocurrido con la pobreza desde entonces.
A falta de datos reales sobre consumo (o ingresos), una estrategia natural sería utilizar las fuentes de datos existentes para generar datos imputados, que luego podrían emplearse para estimar las cifras más recientes de pobreza. Las ideas (supuestos) básicas son bastante sencillas: si las encuestas disponibles pueden proporcionar datos comparables sobre otras características observadas de los hogares (por ejemplo, edad, género, grupo étnico, educación, ocupación y activos) que permitan estimar de forma fiable el consumo de los hogares mediante un modelo estadístico, y cuyos cambios puedan reflejar los cambios en la pobreza, podemos imputar los datos faltantes sobre consumo.
Como era de esperar, sin embargo, el diablo estadístico está en los detalles. Se han propuesto diversas técnicas de imputación, no solo en economía, sino también en otras disciplinas, como la estadística, la psicología y las ciencias de la salud. En particular, los estudios económicos que se basan en una técnica de imputación de encuestas a censos, conocida comúnmente como “cartografía de la pobreza”, han utilizado la imputación de una encuesta a otra para estimar las tendencias de la pobreza en distintos contextos (véase nuestro artículo para un examen detallado de la bibliografía). Nuestro artículo busca integrar todos estos debates en un marco sistemático con supuestos estadísticos explícitos y opciones de modelización que puedan aplicarse de manera más general a distintos tipos de encuestas.
A continuación presentamos un resumen breve y no técnico de los procedimientos de estimación que proponemos (hay otro resumen más extenso aquí). Primero, comprueba que las encuestas utilizadas para la imputación sean comparables. Segundo, utiliza los datos de la encuesta 1 que incluyen información sobre el consumo para estimar los parámetros del modelo de consumo de los hogares y las distribuciones de sus términos de error. Tercero, aplica estos parámetros previstos y las distribuciones simuladas de los términos de error a los datos de la encuesta 2 (que no incluyen información sobre el consumo) para predecir (imputar) el consumo de los hogares. Por último, estima los errores estándar y realiza otras pruebas de robustez según sea necesario.
Para ayudar a automatizar este procedimiento de estimación, ofrecemos un programa de Stata llamado “povimp” (abreviatura de imputación de la pobreza), fruto de un trabajo conjunto con nuestro colega del Banco Mundial Minh Nguyen. La mejor manera de instalar este programa es simplemente escribir “ssc install povimp” en Stata, para que Stata lo descargue directamente del archivo SSC. Nuestro programa también permite utilizar la estructura del diseño complejo de las encuestas de tus datos, con todas las opciones habituales de conglomeración y estratificación de Stata. Ten en cuenta que, además de los tres métodos de estimación (es decir, regresión lineal normal, distribución empírica de los términos de error y probit) analizados en nuestro artículo, este programa ofrece una opción adicional de modelización con el modelo logit.
Volviendo a nuestra aplicación en Jordania, la figura 1 a continuación presenta un resumen gráfico de los principales resultados de la estimación. La línea verde representa las tasas de pobreza estimadas a partir de los datos reales de consumo de los hogares, mientras que la línea naranja representa nuestras estimaciones basadas en las encuestas de población activa. Para 2008 y 2010, los dos años en que se dispone de ambos tipos de encuesta, nuestras estimaciones muestran un desempeño razonable y se sitúan dentro del intervalo de confianza del 95 por ciento de las tasas reales.
La figura 1 muestra una tendencia sostenida a la baja en las tasas de pobreza con el paso del tiempo, pero esta tendencia es menos pronunciada durante los años 2010-2013 que en el período anterior, 2008-2010. Quizá esto se deba a diversos acontecimientos ocurridos en la economía durante ese período, como las reformas de los subsidios, la persistente debilidad del mercado laboral, el aumento de los precios de la energía y la llegada de un gran número de refugiados de guerra procedentes de Siria.
Curiosamente, ¡la historia podría repetirse en la estimación de la pobreza! En general, se considera que el cuestionario de la ronda más reciente de la Encuesta Nacional por Muestreo de India (NSS), de 2011/12, no es exactamente idéntico a los de rondas anteriores. Por ello, la drástica reducción de la pobreza de 8 puntos porcentuales en un período de dos años (desde una tasa de pobreza del 29.9 por ciento en 2009/10) ha provocado, como era de esperar, cierto debate en el país. Sin embargo, nuestras estimaciones preliminares mediante imputación son bastante cercanas a esa cifra, lo que sugiere que quizá no se haya exagerado la disminución de la pobreza entre 2009/10 y 2011/12. Tal vez volvamos a escribir sobre nuestro artículo en curso acerca de este interesante tema en una publicación posterior.
Dada la creciente atención que se presta a la estimación de la pobreza en entornos con escasez de datos, esperamos que nuestro artículo aporte más evidencia de que los métodos de imputación de una encuesta a otra pueden ser una herramienta valiosa para hacer seguimiento de la pobreza. También nos encantaría aprender de tu experiencia, pues nuestra investigación y nuestras ideas sobre este tema siguen evolucionando. No dudes en compartir con nosotros tu técnica favorita.
Esta publicación apareció originalmente en el blog Development Impact del Banco Mundial
Autor: Hai-Anh H. Dang es economista de la Unidad de Pobreza y Desigualdad del Grupo de Investigación para el Desarrollo del Banco Mundial.
Imagen: Un agricultor recoge granos de cacao mientras los extiende para que se sequen al aire libre en la aldea de Iragbiji, en el suroeste de Nigeria, el 25 de agosto de 2014. REUTERS/Akintunde Akinleye.
