Dr. Carlos Javier Regazzoni, MD, PhD
La diferenciación entre pobreza y prosperidad ha sido un tema de genuino interés en economía, sociología y para la formulación de políticas públicas. Tradicionalmente se ha dependido de indicadores observables como el acceso a necesidades básicas, estándares de vida y niveles de ingreso. Sin embargo, este enfoque convencional simplifica en exceso la compleja naturaleza de las circunstancias económicas que terminan definiendo la condición de pobreza. Sin mencionar la existencia de una «zona gris», donde la frontera entre pobreza y prosperidad se vuelve menos definida.
La privación implica una falta de acceso a recursos esenciales, abarcando aspectos como alimentación, vivienda, educación y atención médica, culminando en condiciones de vida empobrecidas. Por el contrario, la prosperidad o “comodidad” implica disponibilidad de recursos para sostener un estándar de vida, oportunidades educativas mejoradas, y perspectivas socioeconómicas. Las fluctuaciones económicas, las disparidades en la distribución de la riqueza y las complejidades socioculturales contribuyen al desarrollo de este continuo entre pobreza y prosperidad y la zona gris entre ambas.
Desde el punto de vista estadístico la pobreza es una variable categórica. Una variable es una función que mapea desde un conjunto de individuos a una escala o línea numérica (para simplificar). Se asigna un número a una realidad. Recordemos que las hay continuas, como la estatura, donde el individuo expresa la variable con cualquier número entre 0 e infinito, o categóricas, donde los individuos del conjunto en estudio son mapeados a una o más etiquetas o categorías, como ser alto, regular, o bajo. Pobreza es una variable de este tipo. El conjunto de individuos u hogares de la sociedad es mapeado por la variable a una de dos categorías: pobre, o no pobre. El problema es que la propia categoría “pobreza” puede ser atribuida a un individuo de dos maneras. O bien definiendo un umbral a partir del cual se es “pobre” en una variable continua como ser nivel de ingreso. O bien definiendo un conjunto de atributos que cuando están presentes, se adscribe el individuo a la categoría de “pobreza”, o a su complemento, “no pobreza”. Ambos procesos están sometidos a dos fuentes de variabilidad aleatoria. Primero, nunca puedo medir a todos los individuos, luego necesariamente en mi evaluación entra una muestra, con todos los pormenores de la teoría del muestreo. Segundo, sea mediante la medición del nivel de ingreso como de la medición de presencia o ausencia de atributos armadores de grupo, el proceso es estadísticamente variable. Por ello es por lo que necesariamente debe recurrirse a medidas de estimación del error.
Finalmente, existen dos enfoques extremos para contabilizar la condición de pobreza; en cantidad de individuos y hogares pobres; o como su proporción respecto del total de individuos u hogares de la comunidad.
Medición de niveles de pobreza
Los niveles de pobreza, medidos en términos absolutos (cantidad de individuos pobres) o relativos (proporción de individuos pobres respecto del total), constituyen un tipo de datos denominados “series de tiempo”. El fenómeno es dinámico, obedece a múltiples drivers o promotores, y desde el punto de vista fenomenológico se advierte como un valor indexado por el tiempo.
Para confeccionar esta serie de tiempo existen dos métodos posibles: uno es mediante la medición en una muestra, de los atributos que definen la pertenencia a la categoría: “situación de pobreza”. Esto se obtiene por la medición periódica de la variable que determina pobreza, como ser nivel de ingreso individual o familiar, en nuestro país mediante la EPH, o determinar pertenencia o no del agente al conjunto de interés mediante otras variables como ser nivel de ingreso, tipo de vivienda, condición de empleo, nivel educativo, y otras. Esto no se realiza en nuestro país regularmente, y requería del uso de técnicas de lógica difusa o de inteligencia artificial para clasificar a la población. De todos modos, en esencia el paso inicial sería una medición muestral periódica, con los problemas de inferencia propios del error muestral al momento de extrapolar los datos a la población general o universo.
El segundo modo de inferir niveles poblacionales de pobreza es mediante una estimación del nivel actual desconocido, a partir del comportamiento pasado de los datos en la serie de tiempo. Entonces podemos simplemente extrapolar los niveles de pobreza pasados al momento presente mediante diferentes técnicas, o bien podemos inferir los niveles actuales de pobreza mediante el comportamiento del fenómeno estocástico que origina el dato; por ejemplo, nivel de empleo, nivel salarial, estructura familiar, etc. En el primer caso busco una función que se ajuste a los datos pasados y la extrapolo al presente, por ejemplo, ARIMA, u otra. En el segundo aplico un modelo predictivo donde los valores actuales de variables determinantes del resultado de interés (pobreza) si son conocidos, y me permiten estimar a este.
En el caso de los datos relevados por el observatorio de la deuda social de la UCA se explicó que se aplica un método de nowcasting. El nowcasting, término derivado de la contracción en inglés de «now» (ahora) y «forecasting» (pronóstico), se refiere a la técnica de pronóstico que busca predecir el estado presente o muy cercano en el futuro de una variable indexada por el tiempo y susceptible de análisis predictivo. A diferencia de los pronósticos tradicionales que se enfocan en periodos más extensos, el nowcasting se centra en el corto plazo, a menudo en tiempo real o en horizontes temporales muy próximos. Esta técnica es especialmente valiosa en situaciones donde la toma de decisiones depende de información actualizada y precisa, permitiendo a los usuarios reaccionar rápidamente a cambios y tendencias emergentes. Durante la pandemia de COVID19 fue sumamente utilizado este tipo de metodologías.
Se puede realizar nowcasting mediante el análisis de series temporales, en cuyo caso se utiliza un método estadístico para concebir un modelo cuya función se ajusta a los datos pasados y permite estimar el punto presente, faltante. Alternativamente se puede buscar un método explicativo donde en base a otras variables, en este caso económicas, de valor conocido, se estima el valor de la variable de interés. Este método es particularmente apropiado para evaluar los niveles de pobreza con relativa frecuencia. Por ejemplo, conocida la distribución de los niveles de ingreso en la Argentina, y conocido el nivel de ingreso, y el nivel general de precios, uno podría estimar los niveles de pobreza en la comunidad. Cabe aclarar que en el nivel de ingreso se incluye la población “sin ingreso”, relacionada obviamente con el nivel de empleo. Finalmente existe un amplio desarrollo de técnicas de inteligencia artificial, que no contemplan el proceso estocástico generador de datos, como ser los procesos gaussianos, o que sí pretenden estimar el nivel de la variable objetivo mediante conocimiento de variables predictoras; en este caso, modelos lineales generalizados o redes neuronales.
Como se ve, es posible y deseable contar con modelos que permitan estimar los niveles de pobreza, alternativos a la EPH. Esto aumenta la velocidad del dato, au que evidentemente aumenta los niveles de incertidumbre. En ambos casos el problema se subsana informando medidas de incertidumbre como ser intervalos de confianza u otras, que son necesarias en todo método de estimación, con o sin medición muestral directa de la variable de interés.