Resumen de Medición de la Pobreza: Conceptos y Métodos

## Introducción Los métodos estadísticos de medición son herramientas centrales para analizar fenómenos socioeconómicos complejos, permitiendo transformar datos observados en información útil para la toma de decisiones públicas y la investigación. En este material nos enfocaremos en técnicas y consideraciones estadísticas extraídas de la literatura especializada, con énfasis en modelos, pruebas y aplicaciones prácticas relevantes para el estudio empírico. > Definición: Los métodos estadísticos de medición son procedimientos formales que incluyen técnicas de recolección, modelado, estimación y validación de datos con el objetivo de cuantificar características de una población o proceso social. ## 1. Componentes básicos de una medición estadística ### 1.1 Diseño del estudio - Objetivo claro y población de interés - Selección de la muestra: aleatoria, estratificada, por conglomerados - Tamaño de muestra y poder estadístico > Definición: El poder estadístico es la probabilidad de detectar un efecto verdadero dado un tamaño de muestra, un nivel de significación y la magnitud del efecto. ### 1.2 Recolección de datos - Instrumentos: cuestionarios, registros administrativos, mediciones físicas - Calidad: precisión, sesgo de medición, errores sistemáticos y aleatorios ### 1.3 Preparación y limpieza - Depuración de valores atípicos - Imputación de datos faltantes - Transformaciones y normalización ## 2. Medidas y estimadores comunes - Media, mediana, moda - Varianza y desviación estándar - Proporciones y tasas > Definición: Un estimador es una regla o función que convierte datos muestrales en una estimación de un parámetro poblacional. ### Ejemplo práctico Suponga que tiene una muestra de ingresos $x_1, x_2, \dots, x_n$. La media muestral se calcula como $$\bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i$$ La varianza muestral (insesgada) es $$s^2 = \frac{1}{n-1} \sum_{i=1}^{n} \left(x_i - \bar{x}\right)^2$$ ## 3. Modelos econométricos para medición ### 3.1 Modelos lineales simples - Regresión lineal para estimar relaciones entre variables - Supuestos clásicos: linealidad, independencia, homocedasticidad, normalidad del error (cuando corresponde) ### 3.2 Modelos para datos sesgados o no normales - Transformaciones (logaritmos) para variables de ingreso - Modelos de cuantiles para estudiar distribución completa > Definición: Un modelo de cuantiles estima el efecto de las covariables en distintos puntos de la distribución condicional de la variable dependiente. ### 3.3 Modelos para variables discretas y de conteo - Regresión logística para variables binarias - Modelos Poisson o binomiales negativos para conteos ## 4. Técnicas de construcción y validación de umbrales metodológicos Aunque este material no cubre líneas de pobreza y umbrales específicos (tema tratado por separado), sí es importante entender técnicas generales aplicables a la validación de cualquier umbral empírico: - Sensibilidad y especificidad (en pruebas binarias) - Análisis de robustez: variación de supuestos y reestimación - Métodos de calibración usando datos externos o validación cruzada ## 5. Medición de cambios y comparaciones en series temporales - Índices de crecimiento y tasas de variación - Decomposición: tendencia, estacionalidad y ciclo - Pruebas de raíz unitaria y cointegración cuando corresponde ### Ejemplo práctico Para una serie $y_t$, la tasa de crecimiento aproximada es $$g_t = \frac{y_t - y_{t-1}}{y_{t-1}}$$ Si $y_t$ es estrictamente positiva, se puede usar la diferencia de logaritmos: $$\Delta \ln y_t = \ln y_t - \ln y_{t-1}$$ ## 6. Técnicas para datos no comparables y ajustes La literatura sugiere procedimientos para comparar información heterogénea: - Equivalencias y ponderaciones por tamaño de hogar o composición - Standardización por estructura demográfica - Métodos de imputación para series incompletas > Definición: La estandarización es el ajuste de una métrica para una estructura de referencia, permitiendo comparaciones entre pob