Factores asociados a la pobreza multidimensional en Ecuador año 2017.

Abstract

La presente investigación se desarrolla con el propósito de identificar los factores demográficos, socioeconómicos y vivienda-hábitat asociados a la pobreza multidimensional en los hogares del Ecuador en el año 2017. Como fuente de datos se utiliza la Encuesta de Empleo, Desempleo y Subempleo (ENEMDU) del año 2017. En la primera parte de la investigación se describen conceptos fundamentales y las distintas teorías acerca de la pobreza y composición del Índice de Pobreza Multidimensional – IPM-. La segunda parte de la investigación comprende un análisis de los factores y su relación con los hogares que cuentan con pobreza multidimensional. En el cuarto capítulo se desarrollan dos modelos que permiten establecer las variables que aportan y tienen mayor influencia a la pobreza multidimensional de los hogares ecuatorianos, un modelo de respuesta binaria Logit como una primera aproximación del efecto que tienen las variables asociadas a la pobreza multidimensional, y el algoritmo de aprendizaje supervisado Random Forest que permita identificar el efecto que tiene las variables que están asociadas con la pobreza multidimensional.

The aim of this research is to identify the demographic, socioeconomic and housing-habitat factors associated with multidimensional poverty in households in Ecuador in 2017. The 2017 Employment, Unemployment and Underemployment Survey (ENEMDU) is used as the data source. The first part of the research describes fundamental concepts and the different theories about poverty and the composition of the Multidimensional Poverty Index (MPI). The second part of the research includes an analysis of the factors and their relationship with households with multidimensional poverty. In the fourth chapter, there are two models developed to establish the variables that contribute to and have the greatest influence on the multidimensional poverty of Ecuadorian households, a binary response Logit model as a first approximation of the effect of the variables associated with multidimensional poverty, and the Random Forest supervised learning algorithm to identify the effect of the variables associated with multidimensional poverty.