Estimación municipal de la pobreza por ingresos en México mediante un modelo espacial para áreas pequeñas: una propuesta metodológica
DOI:
https://doi.org/10.22267/rtend.26272.299Palabras clave:
econometría, México, modelo económico, modelo espacial, pobrezaResumen
Introducción: La medición de la pobreza subnacional es clave para políticas públicas focalizadas; sin embargo, las encuestas en México no tienen representatividad municipal. Objetivo: Desarrollar y validar una metodología para generar estimaciones municipales de pobreza monetaria con medidas explícitas de incertidumbre. Metodología: Este estudio presenta la metodología ALIVIO, orientada a la estimación municipal de la pobreza monetaria en contextos de baja representatividad muestral. Se empleó un predictor empírico a nivel unidad, combinado con una estructura espacial Intrinsic Conditional Autoregressive. La estimación se realizó mediante inferencia bayesiana aproximada, integrando microdatos de la ENIGH 2024 y variables auxiliares del Censo 2020. Resultados: El modelo redujo sustantivamente la incertidumbre frente a estimadores directos y permitió generar información para todos los municipios, incluso aquellos sin muestra, y no evidenció autocorrelación espacial residual relevante en los diagnósticos agregados. Discusión: La incorporación espacial fortaleció la capacidad predictiva respecto a modelos tradicionales, aunque depende de supuestos de normalidad y armonización temporal entre fuentes. Conclusiones: ALIVIO constituye un marco metodológico potencialmente robusto, eficiente y replicable para generar mapas municipales de pobreza y priorizar territorios con baja disponibilidad de datos primarios.
Descargas
Citas
(1) Arias, A. (2023). Small area estimates of poverty incidence in Costa Rica under a Structure Preserving Estimation (SPREE) approach. Journal of Official Statistics, 39(4), 435–458. https://doi.org/10.2478/jos-2023-0021
(2) Arima, S., Datta, G. S. & Liseo, B. (2015). Bayesian estimators for small area models when auxiliary information is measured with error. Scandinavian Journal of Statistics, 42(2), 518–529. https://doi.org/10.1111/sjos.12120
(3) Ballini, F., Betti, G., Carrette, S. y Neri, L. (2006). Mapeo de la pobreza y la desigualdad en la Mancomunidad de Dominica. Estudios Económicos, 2, 123–162. https://doi.org/10.24201/ee.v0i0.384
(4) Besag, J. (1974). Spatial interaction and the statistical analysis of lattice systems. Journal of the Royal Statistical Society: Series B (Methodological), 36(2), 192–236. https://doi.org/10.1111/j.2517-6161.1974.tb00999.x
(5) Besag, J., York, J. & Mollié, A. (1991). Bayesian image restoration, with two applications in spatial statistics. Annals of the Institute of Statistical Mathematics, 43(1), 1–20. https://doi.org/10.1007/BF00116466
(6) Blangiardo, M. & Cameletti, M. (2015). Spatial and spatio-temporal Bayesian models with R-INLA. John Wiley & Sons. https://doi.org/10.1002/9781118950203
(7) Brinegar, S. J. & Popick, S. J. (2010). A comparative analysis of small area population estimation methods. Cartography and Geographic Information Science, 37(4), 273–284. https://doi.org/10.1559/152304010793454327
(8) Cameletti, M., Finazzi, F. & Lindgren, F. (2013). Spatio-temporal integrated nested Laplace approximation for disease mapping. Advances in Statistical Analysis, 97(2), 241–261. https://doi.org/10.1007/s10182-012-0196-3
(9) Chandra, H., Salvati, N. & Chambers, R. (2018). Small area estimation under a spatially non-linear model. Computational Statistics & Data Analysis, 126, 19–38. https://doi.org/10.1016/j.csda.2018.04.002
(10) Comisión Económica para América Latina y el Caribe [CEPAL]. (2025). Definición de ingreso corriente per cápita. Naciones Unidas. https://www.cepal.org/es
(11) Consejo Nacional de Evaluación de la Política de Desarrollo Social [CONEVAL]. (2020). Metodología para la medición multidimensional de la pobreza en México (3.ª ed.). CONEVAL. https://www.coneval.org.mx/InformesPublicaciones/InformesPublicaciones/Documents/Metodologia-medicion-multidimensional-3ed.pdf
(12) Duan, N. (1983). Smearing estimate: A nonparametric retransformation method. Journal of the American Statistical Association, 78(383), 605–610. https://doi.org/10.1080/01621459.1983.10478017
(13) Fay, R. E. & Herriot, R. A. (1979). Estimates of income for small places: An application of James-Stein procedures to census data. Journal of the American Statistical Association, 74(366a), 269–277. https://doi.org/10.1080/01621459.1979.10482505
(14) Foster, J., Greer, J. & Thorbecke, E. (1984). A class of decomposable poverty measures. Econometrica, 52(3), 761–766. https://doi.org/10.2307/1913475
(15) Gutiérrez, A., Mancero, X. & Guerrero, S. (2022). Poverty mapping in Latin America. Statistical Journal of the IAOS, 38(3), 1021–1033. https://doi.org/10.3233/SJI-220037
(16) Gutiérrez, A., Mancero, X. & Trujillo, L. (2024). Poverty mapping in Latin America using advanced small area estimation models. Journal of Official Statistics, 40(3), 615–639. https://doi.org/10.3233/SJI-220037
(17) Possolo, A. (2023). Tracking truth through measurement and the spyglass of statistics. Statistical Science, 38(4), 655–671. https://doi.org/10.1214/23-STS899
(18) Instituto Nacional de Estadística y Geografía [INEGI]. (2020). Censo de Población y Vivienda 2020. INEGI. https://www.inegi.org.mx/programas/ccpv/2020/
(19) INEGI. (2024). Encuesta Nacional de Ingresos y Gastos de los Hogares (ENIGH) 2024. INEGI. https://www.inegi.org.mx/programas/enigh/nc/2024/
(20) Jiang, J. & Rao, J. N. K. (2020). Small area estimation. John Wiley & Sons. https://doi.org/10.1002/9781118445112.stat03310.pub2
(21) Lange, S., Pape, U. J. & Pütz, P. (2022). Small area estimation of poverty under structural change. Review of Income and Wealth, 68(S2), S264–S281. https://doi.org/10.1111/roiw.12558
(22) Marchetti, S., Giusti, C., Schirripa, F., Bertarelli, G. & Biggeri, L. (2024). The impact of local cost of living differences on relative poverty incidence: An application using retail scanner data and small area estimation models. Statistical Methods & Applications, 33(4), 1117–1143. https://doi.org/10.1007/s10260-023-00742-w
(23) Molina, I. & Rao, J. N. K. (2010). Small area estimation of poverty indicators. Canadian Journal of Statistics, 38(3), 369–385. https://doi.org/10.1002/cjs.10051
(24) Morales, D., Esteban, M. D., Pérez, A. & Hobza, T. (2021). A course on small area estimation and mixed models. Springer. https://doi.org/10.1007/978-3-030-63757-6
(25) Mweemba, C., Hangoma, P. & Masiye, F. (2022). Estimating district HIV prevalence using SAE. Population Health Metrics, 20(1), Artículo 22. https://doi.org/10.1186/s12963-022-00286-3
(26) Newhouse, D., Ramakrishnan, A., Swartz, T., Merfeld, J. & Lahiri, P. (2022). Small area estimation of monetary poverty in Mexico using satellite imagery (Policy Research Working Paper N.º 10123). Banco Mundial. https://doi.org/10.1111/obes.12678
(27) Purwa, T., Rumiati, A. T. & Zain, I. N. (2019). Small area estimation with bivariate hierarchical Bayes (HB) approach to estimate monthly average per capita expenditure of food and non-food commodities in Province of Bali. IOP Conference Series: Materials Science and Engineering, 546(5), Artículo 052054. https://doi.org/10.1088/1757-899X/546/5/052054
(28) Rao, J. N. K. & Molina, I. (2015). Small area estimation (2.ª ed.). John Wiley & Sons. https://doi.org/10.1002/9781118735855
(29) Rue, H., Martino, S. & Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 71(2), 319–392. https://doi.org/10.1111/j.1467-9868.2008.00700.x
(30) Saeed, M. & Salvati, N. (2024). Spatial autocorrelation and business-cycle effects on regional poverty mapping. Spatial Economic Analysis, 19(2), 201–224. https://doi.org/10.3390/ijgi12120501
(31) Molina, I. (2024). Frontiers in small area estimation research: Application to welfare indicators (Policy Research Working Paper No. 10828). World Bank. https://doi.org/10.1596/41801
(32) Simpson, D. P., Rue, H., Riebler, A., Martins, T. G. & Sørbye, S. H. (2017). Penalising model component complexity: A principled, practical approach to constructing priors. Statistical Science, 32(1), 1–28. https://doi.org/10.1214/16-STS576
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
Esta revista está bajo una Licencia Creative Commons Reconocimiento-NoComercial 4.0 Internacional License. Los artículos se pueden copiar, distribuir, adaptar y comunicar públicamente, siempre y cuando se reconozcan los créditos de la obra y se cite la respectiva fuente. Esta obra no puede ser utilizada con fines comerciales.
Para aumentar su visibilidad, los documentos se envían a bases de datos y sistemas de indización.
El contenido de los artículos es responsabilidad de cada autor y no compromete, de ninguna manera, a la revista o a la institución.
