Datos faltantes y análisis multidimensional con el método Alkire-Foster: Una revisión de la literatura
DOI:
https://doi.org/10.23881/idupbo.025.2-3ePalabras clave:
Alkire and Foster, Datos faltantes, Pobreza multidimensional, Imputación múltiple, Etica de datos, Redes neuronales BayesianasResumen
Este artículo aborda el problema de los datos faltantes en la medición de pobreza multidimensional, con especial atención a su impacto sobre la validez axiomática del método Alkire-Foster, empleado regularmente para medir este concepto amplio de pobreza. Se sostiene que la ausencia de datos no es un problema puramente técnico y proclive a generar sesgos, sino que también puede comprometer la identificación de privaciones y vulnerar alguno de los axiomas fundamentales del método: monotonicidad, descomposición por subgrupos y descomposición dimensional. A partir de una revisión crítica de la literatura, se comparan cuatro enfoques de imputación: análisis de casos completos, imputación múltiple por ecuaciones encadenadas (MICE), técnicas de descomposición matricial (como Soft-Impute) y redes neuronales bayesianas. Se discuten sus fortalezas y limitaciones en relación con la preservación de las propiedades axiomáticas mencionadas. Además, se presentan argumentos a favor de una metodología híbrida que combine algoritmos imputativos con criterios de validación normativa para garantizar coherencia ética y solidez inferencial. El artículo concluye que la elección de métodos de imputación en contextos sociales debe considerar no solo la eficiencia estadística, sino también la compatibilidad estructural con el modelo teórico que subyace el ejercicio de medición de la pobreza. Se proponen líneas futuras para el desarrollo de marcos integradores que articulen métodos de imputación, el respeto de axiomas y el uso en política pública.Descargas
Referencias
S. Alkire y J. Foster, “Counting and multidimensional poverty measurement,” J. Public Econ., vol. 95, no. 7-8, pp. 476–487, 2011, doi: 10.1016/j.jpubeco.2010.11.006.
S. Alkire, J. M. Roche, P. Ballon, J. Foster, M. E. Santos, y S. Seth, Multidimensional Poverty Measurement and Analysis. Oxford, UK: Oxford Univ. Press, 2015. [En línea]. Disponible: https://ophi.org.uk/multidimensional-poverty-measurement- and-analysis/
S. Alkire y M. E. Santos, “Measuring acute poverty in the developing world: Robustness and scope of the multidimensional poverty index,” World Dev., vol. 59, pp. 251–274, 2014, doi: 10.1016/j.worlddev.2014.01.026.
P. D. Allison, Missing Data. Thousand Oaks, CA, USA: Sage Publications, 2001. [En línea]. Disponible: https://us.sagepub. com/en-us/nam/missing-data/book9438
M. J. Azur, E. A. Stuart, C. Frangakis, y P. J. Leaf, “Multiple imputation by chained equations: What is it and how does it work?” Int. J. Methods Psychiatr. Res., vol. 20, no. 1, pp. 40–49, 2011, doi: 10.1002/mpr.329.
J. Bound, C. Brown, y N. Mathiowetz, “Measurement error in survey data,” en Handbook of Econometrics, vol. 5, J. J. Heckman y E. Leamer, Eds. Amsterdam, Netherlands: Elsevier, 2001, pp. 3705–3843, doi: 10.1016/S1573-4412(01)05012-7.
S. van Buuren, Flexible Imputation of Missing Data. Boca Raton, FL, USA: CRC Press, 2018. [En línea]. Disponible: https:// stefvanbuuren.name/fimd/
E. Chen, M. S. Andersen, y R. Chandra, “Deep learning framework with Bayesian data imputation for modelling and forecasting groundwater levels,” Environ. Model. Softw., vol. 178, Art. no. 106072, 2024, doi: 10.1016/j.envsoft.2024.106072.
J.-Y. Duclos, D. E. Sahn, y S. D. Younger, “Robust multidimensional poverty comparisons,” Econ. J., vol. 116, no. 514, pp. 943–968, 2006, doi: 10.1111/j.1468-0297.2006.01118.x.
I. Dutta, R. Nogales, y G. Yalonetzky, “Endogenous weights and multidimensional poverty: A cautionary tale,” J. Dev. Econ., vol. 151, Art. no. 102649, 2021, doi: 10.1016/j.jdeveco. 2021.102649.
F. H. G. Ferreira y M. A. Lugo, “Multidimensional poverty analysis: Looking for a middle ground,” World Bank Res. Obs., vol. 28, no. 2, pp. 220–235, 2013, doi: 10.1093/wbro/lks013.
D. Filmer y L. H. Pritchett, “Estimating wealth effects without expenditure data—or tears: An application to educational enrollments in states of India,” Demography, vol. 38, no. 1, pp. 115–132, 2001, doi: 10.1353/dem.2001.0003.
J. Foster, J. Greer, y E. Thorbecke, “A class of decomposable poverty measures,” Econometrica, vol. 52, no. 3, pp. 761–766, 1984, doi: 10.2307/1913475.
Y. Gal y Z. Ghahramani, “Dropout as a Bayesian approximation: Representing model uncertainty in deep learning,” en Proc. 33rd Int. Conf. Mach. Learn. (ICML), New York, NY, USA, 2016, pp. 1050–1059. [En línea]. Disponible: http://proceedings.mlr.press/v48/gal16.html
L. Gondara y K. Wang, “MIDA: Multiple imputation using denoising autoencoders,” en Advances in Knowledge Discovery and Data Mining (PAKDD), Melbourne, VIC, Australia, 2018, pp. 260–272, doi: 10.1007/978-3-319-93040- 4_21.
T. Hastie, R. Mazumder, J. D. Lee, y R. Zadeh, “Matrix completion and low-rank SVD via fast alternating least squares,” J. Mach. Learn. Res., vol. 16, no. 1, pp. 3367–3402, 2015. [En línea]. Disponible: https://jmlr.org/papers/v16/hastie15a.html
J. M. Hernández-Lobato y R. Adams, “Probabilistic backpropagation for scalable learning of Bayesian neural networks,” en Proc. 32nd Int. Conf. Mach. Learn. (ICML), Lille, France, 2015, pp. 1861–1869. [En línea]. Disponible: http://proceedings.mlr.press/v37/hernandez-lobato15.html
E. R. Hruschka, E. R. Hruschka, y N. F. F. Ebecken, “Bayesian networks for imputation in classification problems,” J. Intell. Inf. Syst., vol. 29, no. 3, pp. 231–252, 2007, doi: 10.1007/s10844-006-0004-5.
J. Krishnakumar y P. Ballon, “Estimating basic capabilities: A structural equation model applied to Bolivia,” World Dev., vol. 36, no. 6, pp. 992–1010, 2008, doi: 10.1016/j.worlddev. 2007.10.008.
R. J. A. Little y D. B. Rubin, Statistical Analysis with Missing Data, 3ra ed. Hoboken, NJ, USA: Wiley, 2019, doi: 10.1002/9781119482260.
E. Maasoumi, “The measurement and decomposition of multi-dimensional inequality,” Econometrica, vol. 54, no. 4, pp. 991–997, 1986, doi: 10.2307/1912845.
R. Mazumder, T. Hastie, y R. Tibshirani, “Spectral regularization algorithms for learning large incomplete matrices,” J. Mach. Learn. Res., vol. 11, pp. 2287–2322, 2010. [En línea]. Disponible: https://www.jmlr.org/papers/v11/mazumder10a.html
R. C. Pereira, P. H. Abreu, P. P. Rodrigues, y M. A. T. Figueiredo, “Imputation of data missing not at random: Artificial generation and benchmark analysis,” Expert Syst. Appl., vol. 249, Art. no. 123654, 2024, doi: 10.1016/j.eswa.2024.123654.
D. B. Rubin, “Inference and missing data,” Biometrika, vol. 63, no. 3, pp. 581–592, 1976, doi: 10.1093/biomet/63.3.581.
J. L. Schafer y J. W. Graham, “Missing data: Our view of the state of the art,” Psychol. Methods, vol. 7, no. 2, pp. 147–
D.A. Revilla Cabrera Investigación & Desarrollo, Vol. 25, No. 2: 5 – 16 (2025) - ISSN 1814-6333 15 177, 2002, doi: 10.1037/1082-989X.7.2.147.
A. Sportisse, C. Boyer, y J. Josse, “Imputation and lowrank estimation with missing not at random data,” Stat. Comput., vol. 30, no. 6, pp. 1629–1643, 2020, doi: 10.1007/s11222- 020-09963-5.
K. Tsui, “Multidimensional poverty indices,” Soc. Choice Welf., vol. 19, no. 1, pp. 69–93, 2002, doi: 10.1007/s003550100155.
S. van Buuren y K. Groothuis-Oudshoorn, “mice: Multivariate imputation by chained equations in R,” J. Stat. Softw., vol. 45, no. 3, pp. 1–67, 2011, doi: 10.18637/jss.v045.i03.
G. Vink, L. E. Frank, J. Pannekoek, y S. van Buuren, “Predictive mean matching imputation of semicontinuous variables,” Stat. Neerl., vol. 68, no. 1, pp. 61–90, 2014, doi: 10.1111/stan.12023.
S. Vyas y L. Kumaranayake, “Constructing socio-economic status indices: How to use principal components analysis,” Health Policy Plan., vol. 21, no. 6, pp. 459–468, 2006, doi: 10.1093/heapol/czl029.
J. N. Wulff y L. Ejlskov, “Multiple imputation by chained equations in praxis: Guidelines and review,” Electron. J. Bus. Res. Methods, vol. 15, no. 1, pp. 41–56, 2017. [En línea]. Disponible: https://academic-publishing.org/index.php/ejbrm/article/view/1344
J. Xiao y O. Bulut, “Evaluating the performances of missing data handling methods in ability estimation from sparse data,” Educ. Psychol. Meas., vol. 80, no. 5, pp. 932–954, 2020, doi: 10.1177/0013164420911136.
Descargas
Archivos adicionales
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Daniel Alejandro Revilla Cabrera
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Reconocimiento-NoComercial-CompartirIgual
CC BY-NC-SA
Esta licencia permite a otros entremezclar, ajustar y construir a partir de su obra con fines no comerciales, siempre y cuando le reconozcan la autoría y sus nuevas creaciones estén bajo una licencia con los mismos términos.
Los autores pueden realizar acuerdos contractuales adicionales separados para la distribución no exclusiva de la versión publicada del artículo publicado en la revista (por ejemplo, publicarlo en un repositorio institucional o en un libro), sujeto a un reconocimiento de su publicación inicial en esta revista