Resumen
El artículo resalta la importancia de medir la pobreza multidimensional de manera precisa y frecuente para implementar programas de reducción de pobreza más efectivos.
Aunque el Índice de Pobreza Multidimensional (MPI, por sus siglas en inglés) ofrece una medida más completa que los indicadores basados en ingresos, su disponibilidad es limitada en muchos países del mundo en desarrollo debido al alto costo administrativo que requiere llevar a cabo las encuestas necesarias.
Este estudio propone varios métodos de aprendizaje estadístico para predecir los valores del MPI utilizando la base de datos de World Development Indicators del Banco Mundial. Además, a diferencia de otras aplicaciones de aprendizaje automático para predecir variables socioeconómicas, se adapta la metodología para tener en cuenta la naturaleza del indicador acotada en el intervalo (0,1), demostrando una mejora en la precisión de las predicciones. Al reconstruir las series del MPI desde 2000 hasta 2021, se identifican no sólo tendencias de pobreza, sino también factores específicos que influyen en los cambios, como crisis económicas o transformaciones estructurales. El marco propuesto es flexible, reproducible y puede aplicarse a cualquier país donde los datos del MPI no estén disponibles.