Metodología - Nowcast de Pobreza

Resumen Ejecutivo

El nowcast de pobreza utiliza un modelo de panel departamental con Gradient Boosting Regressor (GBR) que predice cambios año-a-año en tasas de pobreza para 24 departamentos. El modelo combina indicadores económicos departamentales (crédito, empleo) con datos satelitales de luces nocturnas (NTL) para estimar pobreza monetaria con 6-12 meses de anticipación respecto a la publicación oficial anual de INEI.

1. Arquitectura del Modelo

1.1 Panel PovertyNowcaster con GBR

El modelo opera sobre un panel de 24 departamentos × 20 años (2004-2024). Usa un change-prediction approach: predice el cambio en pobreza, luego lo suma al valor observado en t-1.

Donde:

• d: Departamento (24 unidades, Callao fusionado con Lima)
• X_d,t: Features departamentales agregadas a frecuencia anual
• pobreza_d,t-1: Rezago de pobreza (muy predictivo)
• GBR: Gradient Boosting Regressor (scikit-learn) con 100 árboles, max_depth=3

1.2 ¿Por qué Change-Prediction?

Intentos anteriores de predecir niveles directos fallaron:

• Fixed-effects demeaning: RMSE = 24.5 pp (inestable con N=24, produce predicciones negativas)
• Level prediction con Ridge: RMSE = 13.7 pp (pierde info del rezago AR tras estandarización)
• Change prediction (actual): RMSE = 2.54 pp ✓ — preserva información del rezago

1.3 Gradient Boosting vs Ridge

GBR superó dramáticamente a Ridge lineal:

GBR captura no-linealidades en la relación entre crédito/empleo/NTL y pobreza que Ridge no puede modelar.

1.4 Manejo de COVID-19

Similar a GDP/Inflación, excluimos 2020-2021 de training Y evaluación:

• Resultado: RMSE mejora de 4.6 pp (con COVID) a 3.2 pp (sin COVID) — reducción de 30%
• "2018 structural break" = 100% COVID: pre-2018 RMSE=1.39pp vs post-2018 excl. COVID RMSE=1.57pp (p=0.79, NO significativo)
• El supuesto "quiebre en 2018" desapareció al excluir COVID — era un artefacto del shock 2020

2. Fuentes de Datos

2.1 Features Departamentales

Panel departamental mensual (25 depts × ~260 meses) agregado a frecuencia anual:

2.2 Luces Nocturnas (NTL) como Proxy

NTL mensual se agrega a anual y se transforma con log(1+x) para estabilizar varianza:

Ventajas:

• Cobertura universal (25 departamentos sin gaps)
• Frecuencia mensual → permite nowcasting intra-año
• Correlaciona negativamente con pobreza (más luz = menos pobreza)
• Sin rezago de publicación (~15 días desde fin de mes)

2.3 Target: Pobreza Monetaria Departamental (INEI)

Tasa de pobreza monetaria (% población bajo línea de pobreza) por departamento. Publicado anualmente con ~6-7 meses de rezago (ej: datos 2024 publicados en Mayo 2025).

Cobertura: 24 departamentos (Callao fusionado con Lima en datos oficiales), 2004-2024.

3. Desempeño y Validación

3.1 Backtest Anual (2012-2024, excl. COVID)

Primera vez que GBR supera AR(1) en backtests de pobreza (Rel.RMSE = 0.953, -4.7% error). Anteriormente Ridge no lograba vencer benchmarks naive.

3.2 Nowcasting Mensual (2012-2024)

El modelo también produce nowcasts mensuales usando rolling windows de 12 meses sobre el panel:

• RMSE mensual: ~4.3-4.5 pp (estable en meses 3, 6, 9, 12)
• Within-year noise: 0.5-0.7 pp (bien debajo de 2pp threshold)
• Monthly revisions: 0.6-0.7 pp (pequeñas y estables)
• Rel.RMSE vs AR1: 0.989 (-1.1% vs AR1) — ligeramente mejor que anual

El ruido intra-año es bajo, por lo que NO se requiere suavizado adicional.

3.3 Nowcast Actual (2024)

4. Nowcasting Trimestral

Complemento a nowcasts anuales/mensuales: predicciones trimestrales usando desagregación temporal (Chow-Lin) para interpolar entre años.

4.1 Método Chow-Lin

Desagrega observaciones anuales a frecuencia trimestral usando indicadores de alta frecuencia como related series:

Ventajas:

• Preserva totales anuales (suma de 4 trimestres = valor anual)
• Captura variación intra-año usando indicadores mensuales agregados a trimestral
• Métodos GLS minimizan autocorrelación residual

Ver gráficos trimestrales para series desagregadas.

Referencias