Curso de Análisis de la Pobreza

Multidimensional

30 Agosto–9 Septiembre 2013

Managua, Nicaragua

Repaso del Curso

7 Septiembre, 2013

Sabina Alkire

¿Por qué el énfasis en medición?

Podemos: Técnico 1) Incremento en datos disponibles

2) Las medidas multidimensionales han proliferado

Necesitamos: Política pública 3) La pobreza por ingresos es importante, pero no da cuenta de

indicadores clave

4) El crecimiento económico es insuficiente.

5) No existe una medida única de pobreza que no sea por

ingresos

6) El ingreso no es una representación suficiente de la pobreza

multidimensional

Estamos dispuestos: Política 7) “Demanda” nacional e internacional

8) Espacio político para nuevas medidas concurrentes

Source: Whelan Layte Maitre 2004 Understanding the

Mismatch between Income Poverty & Deprivation

Europa 2020: Pobreza multidimensional

En Europa, mientras 20%

de la población es

persistentemente pobre por

ingresos, y 20% sufre

persistentemente carencias

materiales, SOLO 10% de la

población son

persistentemente pobres por

ingresos Y sufren privación

material.

Esta observación motivó la

implementación de una

medición multidimensional

de pobreza en Europa (EU

2020). El ingreso no cuenta

la historia completa.

4. ¿Crecimiento económico?

Los argumentos son sólidos…y

debatibles

François Bourguignon, Agnès Bénassy-Quéré, Stefan Dercon,

Antonio Estache, Jan Willem Gunning, Ravi Kanbur, Stephan

Klasen, Simon Maxwell, Jean-Philippe Platteau, Amedeo

Spadaro

‘La correlación entre el

crecimiento del PIB per capita y

los ODMs no monetarios es

practicamente cero…”

7

Motivation: Launched July 2013 in Kolkata,

An Uncertain Glory: India and its Contradictions

(Drèze and Sen 2013) documents the mismatch between

glittering growth and social achievements in India.

IPM vs ingreso: El ingreso no es un buen proxy para el IPM

Los cambios en IPM vs. ingreso son variables

El crecimiento económico vs. reducciones del

IPM son variables

El IPM generalmente añade nueva información

Enfoques de la Medición

Multidimensional de la Pobreza

Indicadores

Múltiples

Conjuntos

Difusos

Estadísticos

Axiomático

Conteo

No son mutuamente excluyentes; existen

traslapes.

Dominación

Enfoques de la Medición

Multidimensional de la Pobreza

Bourguignon & Chakravarty (2003)

Bossert, Chakravarty

& D’Ambrosio (2009)

Alkire & Foster (2007, 2011)

1 1

1( , ) ( ) with 0

n d

j ij

i j

M X z w g knd

Chakravarty & D’Ambrosio (2006)

Métodos Estadísticos Multivariados

Enfoque de Conteo - Implementaciones

América Latina

• Enfoque de Necesidades Básicas Insatisfechas (Unsatisfied

Basic Needs, NBI) – Prominente en América Latina

• Utilizaron 5 indicadores censales: – Hacinamiento (3+ people/room)

– Vivienda

– Instalaciones Sanitarias

– Niños que atendían primaria

– Hogar: (la cabeza tiene escolaridad de 2 años o menos) o alta dependencia

(4+/trabajador).

• Identificación: Proporción de conteo con 1+, 2+ y 3+

privaciones.

• Poderoso en términos de políticas: utilizado para focalizar

políticas (Información censal)

AF Metodología

Método de conteo

Método axiomático

Revisión: FGT Mediciones Variable – ingreso

Identificación – línea de pobreza

Agregación – Foster-Greer-Thorbecke ’84

Ejemplo Ingreso = (7,3,4,8) Línea de Pobreza z = 5

Vector de Privación g0 = (0,1,1,0)

Tasa de incidencia P0 = μ(g0) = 2/4

Vector de Brecha normalizado g1 = (0, 2/5, 1/5, 0)

Brecha de Pobreza P1 = μ(g1) = 3/20

Cuadrado del vector de la brecha g2 = (0, 4/25, 1/25, 0)

Medida FGT = P2 = μ(g2) = 5/100

AF Método: Matriz de Logros

Matriz de valores de bienestar para n personas en d dominios

Dominios

Personas

z ( 13 12 3 1) Cortes

y

13.1 14 4 1

15.2 7 5 0

12.5 10 1 0

20 11 3 1

AF Método: Matriz de Privaciones, y Censurada

Deprivation Matrix Censored Deprivation Matrix, k=2

g0

0 0 0 0

0 1 0 1

1 1 1 1

0 1 0 0

0

2

4

1

g0(k)

0 0 0 0

0 1 0 1

1 1 1 1

0 0 0 0

0

2

4

0

Matriz de Privaciones Matriz de Privaciones Censuradas

k=2

Agregación: AF Familia

AF Familia es Mα = μ(gα(t)) para α > 0

Dominios

Personas

Teorema 1 Para cualquier vector de ponderación y líneas de corte, la metodología Mka

=(ρk,M) satisface: descomponibilidad, replicación invariancia, simetría, axioma de foco

en pobreza y en privación, monotonicidad débil y dimensional, no trivialidad,

normalización, y reordenamiento débil para alpha>0; monotonicidad para alpha>0; y

transferencia débil para alpha>1.

g (k)

0 0 0 0

0 0.42

0 1

0.04

0.17

0.67

1

0 0 0 0

¿Qué es el enfoque de las

capacidades? • El enfoque de las capacidades de Sen es un marco teórico

moral que propone que las estructuras sociales deben ser

evaluadas según el alcance de las libertades de las

personas para promover o alcanzar los funcionamientos

que valoran.

• “Lo esencial en este caso es la libertad real que tenga la

persona de hacer esto o ser aquello – cosas que el o ella

valoraría hacer o ser.” Idea of Justice p 232.

Las capacidades • Son varias combinaciones de los funcionamientos (hechos y

estados) que una persona puede alcanzar. Es entonces, un conjunto de vectores de funcionamientos que reflejan la libertad de una persona para llevar un estilo de vida u otro…de escoger entre posibles maneras de vivir (Inequality Re-examined).

Funcionamientos • Son las diferentes cosas que una personas puede valorar y

que tiene razón para valorar, hacer o ser

Los funcionamientos permiten la existencia de

diferentes factores de conversión interpersonales

Recursos Capacidades Funcionamientos Utilidad

Bicicleta Capacidad Montar

para montar

Comida Capacidad Alimentado

para alimentarse

Cosas que X

valora Cosas que X

tiene razón para

valorar

Agencia

“Lo que una persona tiene la libertad de hacer y alcanzar in la búsqueda de cualesquiera objetivos o valores le parecen importantes.” Sen “Well-being Agency and Freedom” J of Philosophy 1985: 203

“Alguien que actúa y genera cambio, y cuyos logros pueden ser juzgados en términos de sus propios valores y objetivos, aún si los evaluamos bajo criterios externos” Sen Development as Freedom. 1999: 19

Capacidades y Agencia

“Este enfoque… es esencialmente un enfoque ‘centralizado en las personas’…

El rol de las oportunidades sociales es expandir la esfera de la agencia humana y la libertad, tanto como un fin en sí mismo y como un medio para continuar la expansión de la libertad.

Las opciones que una persona tiene dependen en en las relaciones con otros y en lo que hace el Estado y las demás instituciones.”

(Drèze & Sen, 2002, p. 6).

Reporte de Desarrollo Humano 2010, PNUD

El desarrollo humano es la expansión de las libertades

de las personas para vivir vidas largas, saludables y

creativas; para llevar a cabo otros objetivos que tienen

razón para valorar, y para involucrarse activamente en

formar un desarrollo equitativo y sostenible en un

planeta que todos compartimos.

Las personas, como individuos o en un grupo, son

tanto beneficiarias como líderes del desarrollo

humano.

Resumen de Formulas Útiles del

Método AF

1( ; )

n

k iix z q

Hn n

1( )

n

iic k

Adq

0

1 10

0

( )( ( ))

n d

iji jg k

M g knd

Resumen de Formulas Útiles del

Método AF 0

1( )

n

ijC ij

j

g kH

w n

0 1

d j C

jj

wM H

d

0

( / ) C

j j

j

w d HC

M

0 1

d j C

jj

wM H

d

Tasa de Privación Censurada

Contribución por indicador

Resumen de Formulas Útiles del

Método AF 0

1( )

n

ijC ij

j

g kH

w n

0 1

d j C

jj

wM H

d

0

( / ) C

j j

j

w d HC

M 0 1

d j C

jj

wM H

d

Tasa de Privación Censurada

Contribución por indicador

1 20 0 1 0 2( ; ) ( ; ) ( ; )

n nM X z M X z M X z

n n

0

0

/ ( ; )

( ; )

i i

Gi

n n M X zC

M X z

Descomposición por Grupo

Fórmula: MPI = M0 = H × A

29 29

La mitad de la población

mundial considerada en

el IPM vive en Asia del

Sur, y 29% en África Sub-

Sahariana

Individuos pobres

por IPM, por región

Población Total en los 104 países del IPM 2013

Europe and Central Asia

7.5% Arab States 4.2%

Latin America and Caribbean

9.5%

East Asia and Pacific

34.6%

South Asia 29.8%

Sub-Saharan Africa 14.3%

Europe and Central Asia

0.7%

Arab States 2.12%

Latin America & Caribbean

2.2% East Asia &

Pacific 14.9%

South Asia 51.3%

Sub-Saharan Africa 28.90%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%N

iger

Eth

iop

ia

Mal

i

Bur

und

i

Bur

kin

a F

aso

Lib

eria

Gui

nea

Som

alia

Mo

zam

biq

ue

Sier

ra L

eon

e

Sen

egal

DR

Co

ngo

Ben

in

Uga

nd

a

Rw

and

a

Tim

or-

Les

te

Mad

agas

car

Mal

awi

Tan

zan

ia

Zam

bia

Ch

ad

Mau

rita

nia

Co

te d

'Ivo

ire

Gam

bia

Ban

glad

esh

Hai

ti

To

go

Nig

eria

Ind

ia

Cam

ero

on

Yem

en

Pak

ista

n

Ken

ya

Lao

Cam

bo

dia

Nep

al

Rep

ubli

c o

f C

on

go

Nam

ibia

Zim

bab

we

Les

oth

o

Sao

To

me

and

Pri

nci

pe

Ho

nd

uras

Gh

ana

Van

uatu

Dji

bo

uti

Nic

arag

ua

Bh

utan

Gua

tem

ala

Ind

on

esia

Bo

livi

a

Swaz

ilan

d

Taj

ikis

tan

Mo

ngo

lia

Per

u

Iraq

Ph

ilip

pin

es

Sout

h A

fric

a

Par

agua

y

Ch

ina

Mo

rocc

o

Suri

nam

e

Guy

ana

Est

on

ia

Tur

key

Egy

pt

Tri

nid

ad a

nd

To

bag

o

Bel

ize

Syri

an A

rab

Rep

ubli

c

Co

lom

bia

Sri

Lan

ka

Aze

rbai

jan

Mal

div

es

Kyr

gyzs

tan

Do

min

ican

Rep

ubli

c

Hun

gary

Cro

atia

Vie

t N

am

Mex

ico

Cze

ch R

epub

lic

Arg

enti

na

Tun

isia

Bra

zil

Jord

an

Uzb

ekis

tan

Ecu

ado

r

Ukr

ain

e

Mac

edo

nia

Mo

ldo

va

Uru

guay

Th

aila

nd

Lat

via

Mo

nte

neg

ro

Pal

esti

nia

n T

erri

tori

es

Alb

ania

Rus

sian

Fed

erat

ion

Serb

ia

Bo

snia

an

d H

erze

govi

na

Geo

rgia

Kaz

akh

stan

Un

ited

Ara

b E

mir

ates

Arm

enia

Bel

arus

Slo

ven

ia

Slo

vaki

a

Comparing the Headcount Ratios of MPI Poor and $1.25/day Poor

Intensity 69.4% & More Intensity 50-69.4% Intensity 44.4-50% Intensity 33.3-44.4% $1.25 a day

Comparando las tasa de recuento de IPM y $1.25/dia

32

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%N

iger

Eth

iop

ia

Mal

i

Buru

ndi

Burk

ina

Fas

o

Lib

eria

Guin

ea

So

mal

ia

Mo

zam

biq

ue

Sie

rra

Leo

ne

Sen

egal

DR

Co

ngo

Ben

in

Uga

nda

Rw

anda

Tim

or-

Les

te

Mad

agas

car

Mal

awi

Tan

zan

ia

Zam

bia

Ch

ad

Mau

rita

nia

Co

te d

'Ivo

ire

Gam

bia

Ban

glad

esh

Hai

ti

To

go

Nig

eria

India

Cam

ero

on

Yem

en

Pak

ista

n

Ken

ya

Lao

Cam

bo

dia

Nep

al

Rep

ub

lic

of

Co

ngo

Nam

ibia

Zim

bab

we

Les

oth

o

Sao

To

me

and P

rin

cip

e

Ho

ndura

s

Gh

ana

Van

uat

u

Djib

outi

Nic

arag

ua

Bh

uta

n

Guat

emal

a

Indo

nes

ia

Bo

livia

Sw

azilan

d

Taj

ikis

tan

Mo

ngo

lia

Per

u

Iraq

Ph

ilip

pin

es

So

uth

Afr

ica

Par

aguay

Ch

ina

Mo

rocc

o

Suri

nam

e

Guya

na

Est

on

ia

Turk

ey

Egy

pt

Tri

nid

ad a

nd T

ob

ago

Bel

ize

Syr

ian

Ara

b R

epub

lic

Co

lom

bia

Sri

Lan

ka

Aze

rbai

jan

Mal

div

es

Kyr

gyzs

tan

Do

min

ican

Rep

ub

lic

Hun

gary

Cro

atia

Vie

t N

am

Mex

ico

Cze

ch R

epub

lic

Arg

enti

na

Tun

isia

Bra

zil

Jord

an

Uzb

ekis

tan

Ecu

ado

r

Ukra

ine

Mac

edo

nia

Mo

ldo

va

Uru

guay

Th

aila

nd

Lat

via

Mo

nte

neg

ro

Pal

esti

nia

n T

erri

tori

es

Alb

ania

Russ

ian

Fed

erat

ion

Ser

bia

Bo

snia

an

d H

erze

govin

a

Geo

rgia

Kaz

akh

stan

Un

ited

Ara

b E

mir

ates

Arm

enia

Bel

arus

Slo

ven

ia

Slo

vak

ia

Comparando las tasa de recuento de la pobreza por IPM y $1.25/dia

Intensity 69.4% & More Intensity 50-69.4% Intensity 44.4-50% Intensity 33.3-44.4% $1.25 a day

33

Que rápido el cambio por estado de IPM y ingreso?

Por ano

MPI Income

Andhra Pradesh

Arunachal Pradesh

Assam

Bihar

Goa

Gujarat

Haryana

Himachal Pradesh

Jammu & KashmirKarnataka

Kerala

Madhya Pradesh

Maharashtra

Manipur

Meghalaya

Mizoram

Nagaland

OrissaPunjab

Rajasthan

Sikkim

Tamil Nadu

Tripura

Uttar Pradesh

West Bengal

-3.5

-3.0

-2.5

-2.0

-1.5

-1.0

-0.5

0.0

0.5

1.0

10 20 30 40 50 60 70 80

Ch

an

ge in

Po

vert

y P

er

An

nu

m T

ill 2

004

-5 (

in P

erc

en

tag

e P

oin

ts)

Income Poverty Headcount Ratio in 1993-4 (in Percentages)

Andhra Pradesh

Arunachal Pradesh

Assam

Bihar

Goa Gujarat

Haryana

Himachal Pradesh

Jammu & Kashmir

Karnataka

Kerala

Madhya Pradesh

Maharashtra

ManipurMeghalaya

Mizoram

Nagaland

Orissa

Punjab

Rajasthan

Sikkim

Tamil Nadu

Tripura

Uttar Pradesh

West Bengal

-3.5

-3

-2.5

-2

-1.5

-1

-0.5

0

0.5

1

10 20 30 40 50 60 70 80

Ch

ang

e in

Po

vert

y P

er A

nn

um

Til

l 20

06 (

in P

erce

nta

ge

Po

ints

)

Multidimensional Headcount Ratio in 1999 (in Percentages)

1999: 1 en 2 de los pobres por IPM tiene pobreza profunda

1 en 3 tiene pobreza profunda e intensa (>50%) 26.6% and 19.3% of 56.8% respectively - Alkire and Seth 2013

34

Puntaje de Privaciones de la persona

Privados

Sin

Privaciones

50% 33%

19.1%

Moderada

Umbrales de

Privación IPM

Umbral de Pobreza

Pobreza Intensa 11.3%

Umbrales de

privación profunda

Ambos – Pobreza

Profunda y Intensa 19.3%

Profunda

7.3%

35

-.030 -.025 -.020 -.015 -.010 -.005 .000 .005 .010

Annualized Absolute Variation in MPI

-.030 -.020 -.010 .000 .010

Nepal

Rwanda

Bangladesh

Ghana

Tanzania

Cambodia

Bolivia

Uganda

Ethiopia 1

Ethiopia 2

Lesotho

Nigeria

Kenya

Malawi

Zimbabwe

India

Peru

Colombia

Senegal

Guyana

Jordan

Armenia

Madagascar

Annualized Absolute Variation in MPI-.030 -.020 -.010 .000 .010

Nepal

Rwanda

Bangladesh

Ghana

Tanzania

Cambodia

Bolivia

Uganda

Ethiopia 1

Ethiopia 2

Lesotho

Nigeria

Kenya

Malawi

Zimbabwe

India

Peru

Colombia

Senegal

Guyana

Jordan

Armenia

Madagascar

Annualized Absolute Variation in MPI

79%

68%

67%

79%

21%

32%

33%

21%

71%

74%

85%

78%

37%

45%

83%

94%

83%

60%

79%

88%

86%

90%

16%

95%

107%

29%

26%

15%

22%

63%

55%

17%

6%

17%

40%

21%

12%

14%

10%

16%

Intensidad e Incidencia: ambos reducen IPM

Para ver estes cambios

necesitamos reporter el

M0, no solo H.

Pobres moderados

Derechos sociales

Carencias

Políticas públicas en el ámbito económico y social

LBE

Pobres extremos

0 3

Vulnerables por carencia

social

Vulnerables por ingreso

5 2 4 1 6

Población no pobre y no vulnerable

LBM

Bie

ne

sta

r In

gre

so

¿Cóme se construye el índice?

Cinco dimensiones de

empoderamiento (5DE)

Una medición directa del empoderamiento de las

mujeres en 5 dimensiones

Índice de Paridad de

Género (IPG) Logros de las mujeres en comparación a los

logros del hombre principal en el hogar

Índice de

Empoderamiento

de las Mujeres en

la Agricultura

(IEMA)

IEMA está formado por dos sub índices

Varía de cero a uno;

valores altos = mayor empoderamiento

5DE = (1-M0) GPI = (1-P1)

El Índice de Empoderamiento de las Mujeres en la Agricultura

5DE = He + HdAe = (1- HdA) He es el porcentaje de mujeres empoderadas

Hd es el porcentaje de mujeres desempoderadas

A es el promedio absoluto de puntaje de empoderamiento entre las desempoderadas

IPG = Hp+ HwRp = (1- HwI) Hp es el porcentaje de mujeres con paridad de género

Hd es el porcentaje de mujeres sin paridad de género

R es el puntaje de paridad relativa de las mujeres en comparación a los hombres = (1-I)

He + Hd = 100% Hp + Hw = 100%

Fórmula

El Índice de Empoderamiento de las

Mujeres en la Agricultura (IEMA)

IPM de Colombia: Una Herramienta del Monitoreo

Siete Decisiones Fundamentales

para tu Propia Medida AF:

1. Propósito

2. Unidad de Análisis – individuos u hogares

3. Dimensiones (si es útil)

4. Indicadores - columnas de la matriz

5. Umbrales de Pobreza para cada indicador

6. Ponderación/Valores para cada indicador

7. Línea de Pobreza para identificar a los pobres

Otras cuestiones claves:

IPM Nacional

1. ¿Base legal/institucional? (a respetar)

2. ¿Quién tiene autoridad para actualizar (institución)?

3. ¿Cuándo/Cómo actualizar encuesta/metodología?

4. ¿Qué incentivos genera (Ministerios)?

5. Proceso de desarrollo de medida:

a. ¿Consultas Públicas?

b. ¿Grupo de Expertos – Instituto de Estadística, Académicos, Expertos por Sector, etc.

c. ¿Expertos Internacionales/Regionales?

6. Consideraciones Políticas

Posibles dimensiones

Stiglitz-Sen-Fitoussi

Salud

Educación

Seguridad Económica

Seguridad Personal

Balance del Tiempo

Voz Política & Governabilidad

Conexiones Sociales

Condiciones Ambientales

Medidas Subjetivas de la calidad de vida

Voces de los

Pobres

Bienestar Físico

Bienestar Material

Bienestar Social

Seguridad

Bienestar Psicológico

Finnis

Salud y Seguridad

Conocimiento

Ocio y Trabajo

Agencia y

empoderamiento

Relaciones

Armonía – Arte,

Religión,

Naturaleza

Paz interior

GNH de

Bután

Salud

Educación

Standard de

Vida Material

Uso del Tiempo

Governabilidad

Comunidad

Medio Ambiente

Cultura &

Espiritualida

d

Bienestar

Emocional

Sobre los pesos:

“ninguna fórmula mágica …existe, ya que el tema de la ponderación es un proceso de valoración y juicio, y no de una tecnología impersonal”. ~ Sen 1999:79

Clave: Explica los pesos claramente al publico

In practice…your paper or report should:

1. Write out the purpose of the measure – what evaluative exercise(s) it will serve

2. Identify the ‘criteria’ used to select indicators/ deprivation cutoffs / weights / poverty cutoff

3. Justify each calibration choice using normative and empirical grounds & the literature

4. Identify plausible alternatives (e.g. a range of possible weights; alternative indicators), which you will then use to test robustness

5. Identify relevant processes (consultation, participation)

6. Caveat: identify systematically the limitations and weaknesses; tests Quality difference between two papers/reports with the same final measure & analysis but systematic vs lazy articulation of the calibration choices is very large. Why?

Algunas veces no se necesita tener cada detalle de manera correcta

No imoprta en que oredn etsén las letars en

una plaabra, lo úinco que imoprta es que la

priemra y la úlitma lerta etsen en el luagr

coerrcto. El rseto pudee ser un lio pero

pudees leelro sin ninúgn porbelma. Es asi

poqrue nosortos no lmeeos cada palarba

por sepaardo sino cada palarba cmoo un

tdoo.

STATA

Datos Multidimensionales Matriz de logro de 4 personas en 4 dimensiones

Ingreso Escolarid. Indice de

Material.

Mal

Nutricion

y =

700 14 4 No Ana

300 13 5 Yes Jose

400 10 1 Yes Maria

800 11 3 No Antonio

z = 500 12 3 No

Quien es privado en que?

. tab water [aw=weight], miss

Drinking Water | Freq. Percent Cum.

----------------------------------------+-----------------------------------

piped into dwelling | 345.276658 6.75 6.75

piped to yard/plot | 309.02379 6.04 12.78

public tap/standpipe | 1,342.9821 26.24 39.02

tube well or borehole |1,709.79777 33.40 72.42

dug well/protected well | 280.695062 5.48 77.90

dug well/unprotected well | 121.958089 2.38 80.28

protected spring | 1.41716748 0.03 80.31

unprotected spring | 71.6447815 1.40 81.71

rainwater | 22.4582991 0.44 82.15

tanker truck | 73.87955 1.44 83.59

cart with small tank | 13.6526331 0.27 83.86

surface water (river/dam/lake/pond/stre | 474.903988 9.28 93.14

bottled water | 12.6214404 0.25 93.38

other | 338.688665 6.62 100.00

----------------------------------------+-----------------------------------

Total | 5,119 100.00

Matriz de Privaciones Reemplazar entradas: 1 si esta privado, 0 si no esta

privado

Ingreso Escolarid. Indice de

Material.

Mal

Nutricion

g0 =

0 0 0 0 Ana

1 0 0 1 Jose

1 1 1 1 Maria

0 1 0 0 Antonio

z = 500 12 3 No

. tab water hh_d_water [aw=weight], miss

| RECODE of water

| (Drinking Water)

Drinking Water | 0 1 | Total

----------------------+----------------------+----------

piped into dwelling | 345.27666 0 | 345.27666

piped to yard/plot | 309.02379 0 | 309.02379

public tap/standpipe | 1,342.982 0 | 1,342.982

tube well or borehole | 1,709.798 0 | 1,709.798

dug well/protected we | 280.69506 0 | 280.69506

dug well/unprotected | 0 121.95809 | 121.95809

protected spring | 1.4171675 0 | 1.4171675

unprotected spring | 0 71.644782 | 71.644782

rainwater |22.4582991 0 |22.4582991

tanker truck | 0 73.87955 | 73.87955

cart with small tank | 0 13.652633 | 13.652633

surface water (river/ | 0 474.90399 | 474.90399

bottled water | 12.62144 0 | 12.62144

other | 0 338.68866 | 338.68866

----------------------+----------------------+----------

Total | 4,024.272 1,094.728 | 5,119

Tabla de contingencia (cross-tab)

Tasas de Incidencia Brutas o Censuradas

“P” = 75%

Mortalidad infantil (J)

Agua potable (I) No Privado = 0 Privado = 1

Total

No Privado =0 4 (67%, 80%) 2 (33%, 40%) 6

Privado = 1 1 (25%, 20%) 3 (75%, 60%) 4

Total 5 5 10

Tasas de incidencia (bruta): Agua potable=40%, Mortalidad infantil=

50%

Pregunta: Que información de la tabla podemos utilizar para

medir la asociación?

Una medida de similitud *: “P”

Si dos indicadores de privación/pobreza no son independientes,

y por lo menos una de las distribuciones marginales n1+ , n+1 es

diferente de cero, P se define como:

Fuentes de información utilizadas para calcular P:

n11 numero de personas que están privadas en los dos

indicadores (concordancias) → Distribución conjunta

n1+ , n+1 tasa de privación (censurada o no) → Dist. marginales

* Similitud refleja la fuerza de las “concordancias”;

Usamos tasas de privaciones brutas o censuradas

11

1 1

0,1min ,

n

nP

n

Errores Estándar

¿Cuál es la precisión de mis medidas?

Si uso estas medidas para definir

políticas, ¿cuál es la probabilidad que

estén equivocadas?

? ? ? ? ?

¿Son los valores de M0 diferentes? –

Intervalos de Confianza

10%

15%

20%

25%

30%

35%

Manipur Andhra

Pradesh

Tripura Arunachal

Pradesh

Lower Bound M0 (subgroup) Upper Bound

Fuente: Alkire y Seth (2012)

0.1

.2.3

.4

Multid

imensio

nal P

overt

y I

ndex (

MP

I)

0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1Poverty cutoff (k)

Lower Limit T1

MPI T1

Upper Limit T1

Lower Limit T2

MPI T2

Upper Limit T2

Bangladesh 2004-2007

0

.05

.1.1

5.2

.25

Multid

imensio

nal P

overt

y I

ndex (

MP

I)

0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1Poverty cutoff (k)

Lower Limit T1

MPI T1

Upper Limit T1

Lower Limit T2

MPI T2

Upper Limit T2

Bolivia 2003-2008

0.1

.2.3

.4

Multid

imensio

nal P

overt

y I

ndex (

MP

I)

0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1Poverty cutoff (k)

Lower Limit T1

MPI T1

Upper Limit T1

Lower Limit T2

MPI T2

Upper Limit T2

Ghana 2003-2008

0.1

.2.3

.4

Multid

imensio

nal P

overt

y I

ndex (

MP

I)

0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1Poverty cutoff (k)

Lower Limit T1

MPI T1

Upper Limit T1

Lower Limit T2

MPI T2

Upper Limit T2

Nepal 2006-2011

0.1

.2.3

.4.5

Multid

imensio

nal P

overt

y I

ndex (

MP

I)

0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1Poverty cutoff (k)

Lower Limit T1

MPI T1

Upper Limit T1

Lower Limit T2

MPI T2

Upper Limit T2

Rwanda 2005-2010

Entre países que muestran un progreso substancial

0.1

.2.3

.4.5

Mu

ltidim

ensio

na

l Povert

y Ind

ex (

MP

I)

0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1Poverty cutoff (k)

Lower Limit 2008

MPI 2008

Upper Limit 2008

Lower Limit 2010

MPI 2010

Upper Limit 2010

Análisis de robustez – cambios en la línea de pobreza, k

¿Cuál es la Tasa de Recuento Censurada por dimensión?

Ingreso: 1/4 Educación: 2/4

Saneamiento: 1/4 Electricidad: 1/4

Composición Dimensional

Ingreso Años de

educación

Saneamiento

(Mejorado)

Acceso a

Electricidad

g0(k) =

0 0 0 0 Ana

0 0 0 0 José

1 2 0.5 0.5 María

0 2 0 0 Antonio

Descomposición por dimensión

MPI para India

¿Cómo redujeron los países el IPM?

-8.00

-7.00

-6.00

-5.00

-4.00

-3.00

-2.00

-1.00

0.00

Nepal(.350)

Bangladesh(.365)

Rwanda(.460)

An

nu

ali

zed

Ab

solu

te C

han

ge

in p

rop

ort

ion

wh

o i

s p

oo

r an

d d

epri

ved

in

...

Nutrition

Child MortalityYears of SchoolingAttendance

Cooking FuelSanitation

Water

Electricity

Floor

Assets

Alkire & Roche (2013)

Descomposición por incidencia e intensidad (valores de Roche 2013, pobreza infantil)

Variación absoluta

1997 2000 1997-2000

M0 0.555 0.495 -6% ***

H 82.9% 75.8% -7.1% ***

A 66.9% 65.3% -1.6% ***

Tasa de recuento bruta

Salud 43.5% 39.8% -3.7% **

Nutrición 74.3% 62.2% -12.1% ***

Agua 4.7% 3.6% -1.1%

Saneamiento 72.5% 68.4% -4.1% **

Vivienda 95.9% 94.1% -1.8% **

Información 68.5% 65.3% -3.2% *

Tasa de recuento censurada

Salud 41.3% 37.1% -4.1% **

Nutrición 68.4% 56.0% -12.5% ***

Agua 4.6% 3.4% -1.2%

Saneamiento 69.8% 63.8% -6.0% ***

Vivienda 82.6% 75.4% -7.3% ***

Información 66.0% 61.3% -4.7% ***

Note: *** estadísticamente significativo al α=0.01, **

estadísticamente significativo al α=0.05, * estadísticamente

significativo al α=0.10

Contribución

M0 100%

H 72%

A 28%

ΔA 100%

Salud 63%

Nutrición 24%

Agua 3%

Saneamiento 14%

Vivienda 0%

Información -3%

La contribución es útil para

entender la relación entre los

cambios de la pobreza

multidimensional y los

cambios en la tasa de

recuento bruta y censurada.

Así mismo, es útil para

analizar la mediación del

paso de identificación. Alkire & Roche (2013)

La descomposición también se

puede hacer simultáneamente (valores de Roche 2013, pobreza infantil)

% Contribution (based on 2007 figures):

Population 6.5% 21.1% 31.4% 10.0% 22.1% 8.9% 100%

Multidimens ional Headcount ratio (H) 7.5% 19.9% 31.3% 8.8% 22.9% 9.6% 100%

Multidimens ional Chi ld Poverty Index (M0) 7.6% 20.3% 31.1% 8.6% 22.2% 10.3% 100%

Decomposition variation in Multidimensinal Child Poverty (Period 1997/2000)

Total % contribution (ΔM0 for Bagladesh = 100) 3.5% 31.5% 34.1% 9.4% 21.0% 0.4% 100%

Demographic effect 0.8% 8.5% -0.1% 0.5% -2.8% -8.2% -1.4%

Within-group effect: 2.7% 23.1% 34.3% 8.9% 23.8% 8.6% 101.4%

Incidence of poverty effect (H) 0.9% 19.0% 22.9% 7.4% 16.5% 6.2% 73.0%

Intensity of poverty effect (A): 1.8% 4.0% 11.4% 1.5% 7.3% 2.3% 28.4%

Health effect (in reducing intensity) 0.8% 3.6% 6.1% 1.5% 4.3% 1.1% 17.3%

Nutrition (in reducing intensity) 0.7% 1.2% 1.9% 0.9% 1.2% 0.8% 6.6%

Water (in reducing intensity) 0.5% -0.7% 0.6% -0.5% 0.8% 0.4% 1.1%

Sanitation (in reducing intensity) 0.1% 0.2% 2.1% -0.4% 1.6% 0.4% 4.0%

Shelter (in reducing intensity) 0.0% 0.1% 0.0% 0.0% -0.1% 0.0% -0.1%

Information (in reducing intensity) -0.3% -0.3% 0.8% 0.0% -0.4% -0.4% -0.7%

BagladeshBarisal Chittago Dhaka Khulna Rajshahi Sylhet

Podemos analizar la contribución de cada

subgrupo en M0 de manera simultánea,

mientras observamos también la

contribución de la reducción en la

incidencia y la intensidad (al igual que para

cada dimensión en la reducción de la

intensidad).

Alkire & Roche (2013)

Cuales son las variables ‘clave’ que podemos

regresionar?

Variable dependiente

medida AF: 𝑌

Rango

de

𝑌

Modelo de

Regresión

Nivel Distribución

conditional

𝑝𝑌(𝑦)

Binaria (𝑐𝑖 ≥ 𝑘) 0,1 Probabilidad Micro Bernoulli

𝑀0 ,𝐻 [0,1] Proportion Macro Binomial

(𝑛00 ,𝑛01 ,𝑛01 ,𝑛11) 0,1,2,.. Count Micro Poisson

IPM es como un lente de alta resolucion…

IPM es como un lente de alta resolucion…

Puedes hacer zoom

El IPM es como una camara de alta resolucion…

Puedes hacer zoom

- y ver mas

De una medición a un herramienta

La Tasa de Recuento nos dice

quien es pobre.

De una medición a un herramienta

El IPM nos

dice quien es pobre

.

Pero tambien como

son pobres

Thank you from whole the OPHI team