¿Cómo puede contribuir el Machine Learning a la focalización de programas sociales?. Modelo XGBoost para la determinación de pobreza monetaria interpretado mediante Shap Values: Caso Colombia 2019-2020

La implementación de programas de ayuda social ha sido la principal estrategia llevada a cabo por los gobiernos latinoamericanos para mitigar el impacto de la pobreza y el desempleo. Estos programas incluyen subsidios y transferencias de recursos condicionadas que buscan mejorar la situación económica de los hogares fomentado: la permanencia educativa, el acceso a la salud, la obtención de vivienda, la adquisición de una canasta básica de alimentos, etc. Debido a que estos programas tienen presupuestos limitados se han diseñado métodos para enfocar la inversión pública en poblaciones específicas, por ejemplo: los hogares cuyos ingresos son menores a la línea de pobreza monetaria. En el presente trabajo se utiliza el modelo de machine learning conocido como XGBoost (Chen, T., 2016) para predecir diferentes condiciones económicas en individuos. Entre estas, el nivel de ingresos, la condición de pobreza y la situación desempleo, a partir de características como: el genero, el número de personas en el hogar, los años de educación, las características de la vivienda, los bienes y posesiones, el estrato socioeconómico, entre otras. Permitiendo establecer un proxy que determine si cumplen con condiciones de acceso para ser beneficiarios potenciales programas sociales. El desempeño del modelo es satisfactorio en la estimación de ingresos, presentando errores de inclusión del 23% al 27%, que son inferiores a los presentados por el agregado de ayudas institucionales a nivel Colombia que se estimó en un rango de error entre el 51.8% al 58%. Por último, se aplicó la técnica Shap (SHapley Additive exPlanations) (Lundberg, S. 2017) para explicar la forma en la que se correlacionan las características que se utilizaron en los modelos predictivos y el índice de ingresos. Esto facilita proponer una aplicación de este tipo de técnica como soporte para la operación de programas sociales focalizados, pues permite que la toma de decisiones basada en algoritmos sea más transparente y auditable.

• Autores: Galvis Caballero, Ángel
• Fecha de publicación: 2021
• Institución: Universidad Autónoma de Bucaramanga - UNAB
• Repositorio: Repositorio UNAB
• Idioma: spa
• OAI Identifier: oai:repository.unab.edu.co:20.500.12749/16448
• Acceso en línea: http://hdl.handle.net/20.500.12749/16448
• Palabra clave: Economic development; Economy; Economic analysis; Proxy means tests; Machine learning; Interpretable machine learning; Methods Assembly and Shap values; Artificial intelligence; Machine theory; Explanation-Based Learning; Análisis económico; Economía; Desarrollo económico; Inteligencia artificial; Teoría de las máquinas; Aprendizaje basado en explicaciones; Pruebas de medios proxy; Aprendizaje automático; Aprendizaje automático interpretable; Métodos valores de ensamble y Shap
• License: http://creativecommons.org/licenses/by-nc-nd/2.5/co/