Aplicación de un Modelo Logit sobre la pobreza en el Perú

CURSO:
ECONOMETRIA DE CORTE
TRANSVERSAL Y DATOS DE PANEL
PROFESORA:
QUISPE QUISPE MILAGROS ROSARIO
INTEGRANTES:
 JIMENEZ BUENO JORGE
MAXIMILIANO
 GARCIA TAPIA PATRICK
ALEJANDRO
 CASIQUE CALONGOS CLARYS
ARACELLY

RESUMEN
La investigación titulada “DETERMINANTES DE LA POBREZA EN EL
PERU EN EL AÑO 2017” relacionados con los servicios básicos y
educación, explica la magnitud de impacto de estos determinantes de
pobreza en el periodo mencionado.
Definiremos los conceptos de nuestras variables a tratar (dependiente e
independientes) para una mejor comprensión al hacer el análisis de nuestro
modelo, asimismo realizaremos la fundamentación y formulación del problema,
tomando en cuenta las variables ya definidas y por qué escogemos estas
variables para explicar nuestro modelo de manera óptima, seguidamente
formulamos los objetivos, que es lo que nos mueve y motiva a desarrollar este
trabajo para una explicación de nuestra problemática.
Realizando el análisis de corte transversal, obtendremos mediante el programa
stata, los resultados obtenidos de las corridas con los datos de nuestra fuente,
que ya fueron etiquetados de forma correcta para evitar cualquier tipo de
problema o error, para poder darle la interpretación correspondiente y así con
una imagen del panorama dar nuestras conclusiones y posteriormente las
recomendaciones para una mejora de esta situación, los datos proporcionados
fueron por la ENAHO.
ABSTRACT
The research entitled "DETERMINANTS OF POVERTY IN PERU IN 2017"
related to basic services and education, explains the magnitude of impact of
these determinants of poverty in the aforementioned period.
Define the concepts of our variables to be treated (dependent and independent)
for a better understanding when doing the analysis of our model, likewise we
will make the foundation and formulation of the problem, taking into account the
already defined variables and why we choose these variables to explain our

model optimally, then we formulate the objectives, which is what moves us and
motivates us to develop this work for an explanation of our problems.
Performing the cross-sectional analysis, we will obtain through the stata
program, the results obtained from the runs with the data from our source,
which were already labeled correctly to avoid any type of problem or error, in
order to give the corresponding interpretation and thus with an image of the
panorama, we give our conclusions and later the recommendations for an
improvement of this situation, the data provided were by the ENAHO.

INTRODUCCIÓN
En el Peru´, como en otros pa´ıses del tercer mundo, la pobreza es uno
de los factores que dificultan el desarrollo econ´omico del pa´ıs, y se
reconoce la importancia del estudio de los determinantes de la pobreza
con el fin de evaluar y establecer pol´ıticas y programas para erradicarla.
El problema de la pobreza es que se presenta como un fenómeno que
abarca diferentes aspectos interrelacionados como el bajo nivel educativo,
la falta de oportunidades laborales, la dificultad para acceder a servicios
básicos y la situacion precaria de las viviendas. Estos factores, ejercen
presión en el deterioro de las condiciones de vida de las personas
afectadas y les ocasiona mayores obstaculos para subsistir.
El presente estudio tiene como objetivo establecer, con base en la evidencia
empírica presentada en el Perú y en otros países, los principales
determinantes de la pobreza en nuestro territorio y evaluar la medida en la
que impactan en la probabilidad de que una familia caiga en situación de
pobreza. Para ello, se hizo uso del modelo de regresión logística y del
paquete econométrico “STATA”, con el fin de obtener los efectos marginales
de cada variable incorporada al modelo en la probabilidad de ser pobre.
En ese sentido, se ha estructurado el trabajo en tres capítulos. El primero
está constituido por el marco teórico, en el que se plantea los antecedentes
de la investigación con el propósito de ofrecer al lector un panorama de los
trabajos previos concernientes al tema en cuestión; además, se presentan, a
manera breve, los niveles de pobreza en el Perú´ durante los últimos años y la
metodología utilizada por el Instituto Nacional de Estadística e Informática
(INEI) para medirla. En el segundo capítulo, se abarcan los aspectos
metodológicos de la investigación así como la descripción de las variables
explicativas. En el tercer capítulo, en cambio, se presentan los resultados del
modelo econométrico y sus respectivas interpretaciones.

1. MARCO TEÓRICO
1.1- POBREZA
Este adjetivo hace referencia a las personas que no tienen lo necesario para
vivir dignamente, que son humildes o que son desdichadas.
Se suele considerar que una familia cae por debajo de la línea de pobreza
cuando sus ingresos no le permiten alcanzar la canasta básica de alimentos.
Cuando dicha situacion desesperada se extiende en el tiempo, se habla de
pauperización.
1.2- POBREZA EXTREMA
La pobreza extrema o penuria es el estado más grave de pobreza, cuando las
personas no pueden satisfacer varias de sus necesidades básicas para vivir,
como la disponibilidad de alimento, agua potable, techo, sanidad, educación o
acceso a la información. Este estado de pobreza no depende exclusivamente
del nivel de ingresos, sino que también se tiene en cuenta la disponibilidad y
acceso a servicios básicos. Para determinar la población a nivel mundial en
situación de pobreza extrema, el Banco Mundial define la pobreza extrema
como las personas que viven con menos de 1,25 dólares estadounidenses al
día.
1.3- ACTUALIDAD EN EL PERU
La pobreza monetaria afectó al 21.7% de la población del país en el último año,
según informó el Instituto Nacional de Estadística e Informática (INEI) al dar a
conocer los Resultados de la Pobreza Monetaria en el Perú 2017. Asimismo,
dio a conocer que tal condición en el decenio (2007-2017) disminuyó en 5.2
millones de personas y en el quinquenio (2013-2017) lo hizo en 872 mil
personas, la pobreza monetaria se redujo en 20,7 puntos porcentuales en la
última década y 4,1 puntos porcentuales en los últimos cinco años.

Sin embargo, en la Encuesta Nacional de Hogares que realiza el INEI, en el
año 2017, se reveló que la pobreza se incrementó en 375 mil personas, es
decir, un punto porcentual más que el año 2016 y afectó a 6.9 millones de
peruanos. Cabe mencionar que en el Perú, la pobreza se mide bajo el enfoque
monetario y se utiliza el gasto como indicador de bienestar. Así, para medir la
pobreza es necesario contar con el valor de la canasta mínima alimentaria y no
alimentaria, este valor se le conoce como Línea de Pobreza, cuyo costo para el
año 2017 fue S/ 338 por persona (para una familia de cuatro miembros el costo
de la canasta es de S/ 1,352).
Las personas cuyo gasto per cápita es menor a la Línea de Pobreza son
considerados pobres. Pobres extremos son aquellos que no cubren el
valor de la canasta alimentaria de S/ 183 per cápita (S/ 732 para una
familia de cuatro miembros).
A-Gasto
En el año 2017, el gasto real promedio per cápita mensual fue de S/ 732 y en
comparación con el nivel de gasto del año 2016, disminuyó en 0,2%. En tanto,
en los últimos cinco años aumentó en 4,9%, al pasar de S/ 698 a S/ 732 en el
año 2017. Asimismo, el gasto real per cápita mensual disminuyó en la mayoría
de estratos de la población, excepto en el quinto quintil (20% más rico de la
población), donde se incrementa en 0,8 punto porcentual.
B-Ingreso
En el año 2017, el ingreso real promedio mensual por persona se situó en S/
962 y respecto al año 2016 disminuyó en 1,5%. En los últimos cinco años, el
ingreso real promedio per cápita aumentó en 3,8%. De igual modo, el ingreso
real per cápita mensual disminuyó del segundo al quinto quintil. Por otro lado,
el primer quintil (20% más pobre) se mantuvo en el mismo nivel del año 2016.

C-Gini
Al comparar el coeficiente de Gini que mide la desigualdad en el ingreso se
observó que en los últimos cinco años disminuyó en 0,01 punto porcentual y en
los últimos diez años disminuyó en 0,07 al pasar de 0,50 a 0,43.
Pobreza afectó al 44,4% de la población rural y al 15,1% de la población
urbana
Según área de residencia, la pobreza en el área rural afectó el 44,4% de la
población incrementándose en 0,6 puntos porcentuales respecto al año anterior
y en el área urbana incidió en el 15,1% de la población, es decir, 1,2 puntos
porcentuales más que en el año 2016.
En la Sierra rural incidencia de pobreza alcanzó al 48,7% de la población
Por dominios geográficos, los mayores niveles de pobreza se registraron en la
Sierra rural (48,7%), la Selva rural (41,4%) y la Costa rural (24,6%). Sin
embargo, disminuyó la pobreza en la Costa rural (al pasar de 28,9% a 24,6%)
en -4,3 puntos porcentuales y en la Sierra urbana (de 16,9% a 16,3%).

El 13,3% de la población de Lima Metropolitana vive en situación de
pobreza
En el año 2017, la pobreza en Lima Metropolitana afectó al 13,3% de la
población, es decir, 2,3 puntos porcentuales más que en el año 2016, seguido
de la Selva rural donde creció en 2,1 puntos (39,3% a 41,4%), Costa urbana en
1,3 puntos (13,7% a 15,0%) y Selva urbana en 0,9 puntos porcentuales (19,6%
a 20,5%).
Pobreza monetaria en el departamento de Cajamarca se encuentra entre
43,1% y 52,0%
En el año 2017, se registraron cinco grupos de departamentos con niveles de
pobreza estadísticamente semejantes. En el primer grupo se encuentra
Cajamarca como el departamento con mayor incidencia de pobreza monetaria
del país entre 43,1% y 52,0%. En el quinto grupo, estuvieron los departamentos
con menores tasas de pobreza, es el caso de Ica y Madre de Dios con
incidencia de pobreza entre 2,1% a 4,8%.
Brecha de pobreza disminuyó en 1,9 puntos porcentuales en los últimos
cinco años
La brecha de pobreza cuantifica la distancia del gasto necesario para que todos
los pobres estén justo sobre la línea de pobreza dividida entre la población
total. Esta brecha se calculó en 5,2% para el año 2017. Asimismo, se informó
que en los últimos cinco años, la brecha de pobreza se redujo en 1,9 puntos
porcentuales.

1.4- TERMINOS A USAR EN NUESTRO MODELO
A-ELECTRICIDAD
Si observamos esta variable, entenderemos que hay una diferencia en las
facilidades que tiene una persona que puede usar este servicio con otra que no
puede utilizarlo.
B-AGUA
Tomamos en cuenta esta variable debido a que el agua es un servicio básico y
fundamental para la vida humana, la carencia de este servicio básico dificulta
las actividades diarias y salud de las familias.
C-DESAGUE
Esta variable es fundamental para las condiciones de sanidad en las familias.
D- TELEFONO
Si bien es cierto, antes tener un teléfono no era una necesidad básica; sin
embargo, en la actualidad este concepto toma suma importancia ya que en

este mundo globalizado es importante la comunicación y sobre todo en los
lugares más alejados de las ciudades.
E- EDUCACION O GRADO DE INSTRUCCIÓN
Entendemos por educación a la formación destinada a desarrollar la capacidad
intelectual, moral y afectiva de las personas de acuerdo con la cultura y las
normas de convivencia de la sociedad a la que pertenecen, en este sentido se
presentan tres variables:
 PRIMCOMP: Si tiene primaria completa.
 SECCOMP: Si tiene secundaria completa.
 SUPCOMP: Si tiene estudios superiores tales como técnicos o
universitarios.
F-LENGUA
Tomamos en cuenta esta variable debido a que, en la actualidad es de
importancia que siquiera la persona sepa leer o escribir para obtener una plaza
en el mercado laboral, tal vez no para un trabajo calificado sino uno de menor
rango.
G-PENSION
Si las personas reciben una pensión y de cuánto sería el monto exacto.
H-EDAD
Tomamos esta variable ya que es de suma importancia tener en cuenta las
edades pertinentes de los integrantes de las familias.
I-MIEMBROS POR HOGAR
Es importante también saber la cantidad de integrantes de cada familia para
que nos ayude a determinar su condición.

1.5- MODELO LOGIT
La función logit es una parte importante de la regresión logística.
El logit de un número p entre 0 y 1 es:
La base de la función logaritmo usada aquí es de poca importancia en el
presente artículo, siempre y cuando sea mayor que 1, aunque se usa a
menudo el logaritmo natural con base e. La función logit es la inversa del
"sigmoide", o función "logística".
Si p es una probabilidad entonces p/(1 − p) es el correspondiente odds, y el
logit de la probabilidad es el logaritmo de los odds; similarmente la diferencia
entre los logits de dos probabilidades es el logaritmo del odds ratio (OR),
obteniéndose así un mecanismo aditivo para combinar odds-ratios:
1.6- OBJETIVOS DE LA INVESTIGACIÓN
A-Objetivo general
Debemos prestar atención al impacto que ha tenido la pobreza (variable
explicativa) con respecto a los servicios básicos (electricidad, agua, desagüe,
teléfono), nivel de educación alcanzado (primaria completa, secundaria
completa, superior completa), edad, el impacto que tiene en la pobreza si es
que la persona habla una lengua distinta al castellano y si recibe una pensión.
B-Objetivos específicos
Saber cuál de nuestras variables independientes tuvo mayor o menor impacto
en nuestro modelo en el año estudiado.

2. METODOLOGÍA
Para realizar un análisis de la pobreza en el Perú en el corto plazo, se justifica
con el uso de modelos econométricos de corte transversal, ya que tomaremos
un año en específico, que es el 2017.
Asimismo, para garantizar la obtención de resultados consistentes y eficientes,
las estimaciones deben realizarse a través de distintas variables dependientes
que recojan la explicación de la pobreza.
Es por ello que debemos considerar un tamaño de muestra lo suficientemente
grande para que el modelo presentado sea consistente.
Por consiguiente, debemos prestar atención al impacto que ha tenido la
pobreza (variable explicativa) con respecto a los servicios básicos (electricidad,
agua, desagüe, teléfono), nivel de educación alcanzado (primaria completa,
secundaria completa, superior completa), edad, el impacto que tiene en la
pobreza si es que la persona habla una lengua distinta al castellano y si recibe
una pensión. Se deben probar especificaciones de variables explicativas que
capturan las distintas interacciones que tienen con la variable que se trata de
explicar.
2.1- Modelos y métodos de estimación
Se estima utilizando el estimador de Máxima Verosimilitud. Nuestras variables
independientes son:
 Electricidad (E)
 Agua (A)
 Desagüe (D)
 Teléfono (T)
 Primaria Completa (PC)
 Secundaria Completa(SC)
 Superior Completa (SC)
 Lengua (L)
 Pensión (P)
 Edad(Ed)

 Miembros por Hogar(MPH)
El modelo lineal a estimar es el siguiente:
1 pobre
0 no pobre
𝑌𝑖 = 𝐵0 + 𝐵1( 𝐸)+ 𝐵2( 𝐴) + 𝐵3( 𝐷) + 𝐵4( 𝑇)+ 𝐵5( 𝑃𝐶)+ 𝐵6( 𝑆𝐶) + 𝐵7( 𝑆𝑃𝐶) + 𝐵8( 𝐿)
+ 𝐵9( 𝑃) + 𝐵10( 𝐸𝑑) + 𝐵11( 𝑀𝑃𝐻) + 𝑒𝑖
Donde 𝑦𝑖 es la pobreza, 𝐵0 el término independiente
𝐵1, 𝐵2, 𝐵3, 𝐵4, 𝐵5, 𝐵6, 𝐵7, 𝐵8, 𝐵9, 𝐵10, 𝐵11 son los parámetros de las variables
explicativas y 𝑒𝑖 es el error del modelo y se distribuye coo una binomial.
BASE DE DATOS Y VARIABLES UTILIZADAS EN LA ESTIMACIÓN
Para analizar el impacto de la infraestructura sobre la probabilidad de ser
pobre, se utiliza la base de datos a nivel de hogares de la Encuesta Nacional
de Hogares sobre 25 Condiciones de Vida y Pobreza (ENAHO) realizada en el
año 2017. Dicha encuesta es de tipo probabilística, de áreas, estratificada,
multietápica e independiente en cada departamento. El nivel de confianza de
los resultados muestrales es de 95%19. La encuesta permite obtener
información recogida a lo largo del año a nivel nacional (24 departamentos y la
Provincia Constitucional del Callao) con representatividad a nivel de país,
departamento y área de residencia (urbana y rural).
La base de datos utilizada para estos modelos recoge información de 34 584
hogares a nivel nacional
𝑌𝑖=

2.1- RESULTADOS OBTENIDOS
2.1.1- Análisis de corte transversal
En este modelo binomial estimamos un impacto de cómo afecta las variables
explicativas sobre la probabilidad de ser Pobre en Perú. Asimismo, se estimó
estos modelos con ayuda de variables que causen un impacto alto, medio o
bajo, pero que de alguna manera influyen para el análisis del modelo
planteado.
En este modelo, asumimos una función de distribución acumulada logística
(modelo Logit) debido a que esta distribución permitió la obtención de modelos
con un mayor ajuste.
Con un total de 35 581 observaciones, el modelo logit puede presentar los
siguientes resultados:
Las estimaciones realizadas para la muestra completa, para explicar si las
personas pueden contar pueden ser pobres arrojan efectos significativos (prob
>chi2 =0.000). Y que son conjuntamente significativo (LR chi2(11) = 6639.78)
Asimismo, encontramos un buen nivel de significancia individual de los
coeficientes, a excepción de la variable Agua y Primaria Completa, esta
irregularidad se puede deber a un error al tomar la variable de la encuesta
para el caso del agua, y para el caso de primaria completa; nos da a entender
que quizás en la realidad en la que vivimos, tener solo educación primaria
completa no nos asegura que podamos no ser pobres.
Se tratará de corregir estas variables más adelante.

Podemos interpretar los signos:
 La probabilidad de ser pobre si una persona cuenta con el servicio
básico de electricidad es menor que si no contara con este servicio.
básico de agua es mayor si es que no tuviera agua (esta variable no es
significativa)
básico de desagüe es mucho menor si es que no contara con este
servicio.
básico de telefonía es menor si es que no contara con este servicio.
 La probabilidad de ser pobre si una persona cuenta con primera
completa es mayor que si no la tuviera.
 La probabilidad de ser pobre si una persona cuenta con secundaria
completa es menor que si no la tuviera
 La probabilidad de ser pobre si una persona cuenta con superior
completa es menor que si no la tuviera.
 La probabilidad de ser pobre si una persona habla otra lengua (quechua,
aymara, etc.) es mayor que si hablara castellano.
 La edad no es una variable significativa para el modelo.

 La probabilidad de ser pobre si una persona recibe una pensión es
menor que si no la recibiera.
 La probabilidad de ser pobre si un hogar tiene más miembros por familia,
es mayor si es que tuviera menos miembros por familia.
Calidad del ajustamiento del modelo.
Nos indican los valores correctamente clasificados
Entonces, podemos afirmar que en general, el modelo prevee el 83 % de las
observaciones correctamente.
Correctly classified 83.01%
False - rate for classified - Pr( D| -) 15.49%
False + rate for classified + Pr(~D| +) 37.64%
False - rate for true D Pr( -| D) 77.30%
False + rate for true ~D Pr( +|~D) 3.15%
Negative predictive value Pr(~D| -) 84.51%
Positive predictive value Pr( D| +) 62.36%
Specificity Pr( -|~D) 96.85%
Sensitivity Pr( +| D) 22.70%
True D defined as pobre != 0
Classified + if predicted Pr(D) >= .5
Total 6457 28124 34581
- 4991 27239 32230
+ 1466 885 2351
Classified D ~D Total
True
Logistic model for pobre

2.1.2- Efectos marginales
Nos da el efecto marginal de las variables, el resultado que nos arroja es la
probabilidad de una persona de ser pobre en promedio. En este modelo la
probabilidad de que una persona sea pobre es de aproximadamente 12.53%.
2.1.3.- Interpretación de los resultados de los efectos marginales:
 Se observa que, si una persona cuenta con electricidad, disminuye en
4% la probabilidad de que sea pobre. Si una persona cuenta con el
servicio de electricidad puede mejorar su calidad de vida, ya que puede
contar con electrodomésticos que le faciliten el día a día.
 Podemos notar que la variable agua no es significativa en el modelo,
porque nos arroja resultados que son incongruentes con la realidad. Lo
cual no ocurre en el caso de que una persona cuente con el servicio de
desagüe, ya que disminuye la probabilidad de que una persona sea
pobre 11%.
 El contar con el servicio de teléfono disminuye la probabilidad de que
una persona sea pobre en 15%
 Observamos para las variables referidas a la educación que solo tener
primaria completa aumenta la probabilidad de ser pobre pero no
considerablemente, lo cual no es significativo para el modelo. Tener

secundaria completa disminuye la probabilidad de ser pobre en 5% y
tener superior completa disminuye la probabilidad en 12%.
 Hablar otra lengua que no sea el castellano, aumenta la probabilidad de
ser pobre en 6%
 Recibir una pensión disminuye la probabilidad de ser pobre en 8%,
debido a que puede mejorar su calidad de vida con un ingreso extra que
pueda tener una persona.
 La edad no es significativa en este modelo porque no explica el modelo
 Y por último cuando aumentan los miembros por hogar aumentan la
probabilidad de ser pobre en 3%
Probabilidades en un punto específico.
CASO I
Es así que analizaremos cuál es la probabilidad de pobreza de una persona
que tiene 30 años de edad, que tiene como lengua al quechua, que no tiene
primaria completa, cuya familia está constituida por 5 miembros y carece de
los servicios básicos.
(*) dy/dx is for discrete change of dummy variable from 0 to 1
mieperho .0574831 .00222 25.94 0.000 .05314 .061826 5
edad -.0010097 .00018 -5.74 0.000 -.001354 -.000665 30
pension* -.2210687 .02754 -8.03 0.000 -.275039 -.167098 0
lengua* .1028189 .00692 14.85 0.000 .089253 .116385 1
supcomp* -.3867503 .02203 -17.55 0.000 -.429935 -.343565 0
seccomp* -.0976419 .0093 -10.50 0.000 -.115869 -.079415 0
primcomp* .0053069 .00661 0.80 0.422 -.00764 .018254 0
telefono* -.2223176 .00994 -22.37 0.000 -.241795 -.20284 0
desague* -.2110449 .01077 -19.59 0.000 -.232158 -.189932 0
agua* .0095557 .00685 1.39 0.163 -.003877 .022988 0
electr~d* -.0620954 .00955 -6.50 0.000 -.080819 -.043372 0
variable dy/dx Std. Err. z P>|z| [ 95% C.I. ] X
= .78410178
y = Pr(pobre) (predict)
Marginal effects after logistic

 Para esta persona con las características descritas líneas arriba, la
probabilidad de que sea pobre es muy alta, 78%.
 Podemos observar que si tuviese el nivel de educación superior
completa, la probabilidad de pobreza disminuiría considerablemente en
un 38%
 El no contar con el servicio de teléfono aumenta la probabilidad de que
esta persona sea pobre en 22%
 El contar con el servicio de desagüe disminuiría la probabilidad de que
 El que hable una lengua distinta al castellano, aumenta la probabilidad
de que sea pobre en un 10%.
 Si hubiesen más miembros en su hogar, aumentaría aún más la
probabilidad de ser pobre en un 5%.
CASO II
Una persona de 40 años de edad, que habla castellano, que tiene primaria
completa, cuya familia está constituida por 4 miembros y carece de los
servicios básicos.
mieperho .0817094 .00196 41.60 0.000 .07786 .085559 4
edad -.0014352 .00027 -5.31 0.000 -.001965 -.000905 40
pension* -.2524794 .02447 -10.32 0.000 -.300432 -.204527 0
lengua* .1186933 .00754 15.74 0.000 .10391 .133477 0
supcomp* -.3849942 .01582 -24.34 0.000 -.415994 -.353995 0
seccomp* -.1252601 .01078 -11.62 0.000 -.146391 -.104129 0
primcomp* .0076347 .00953 0.80 0.423 -.01104 .02631 1
telefono* -.2536241 .01108 -22.88 0.000 -.275347 -.231901 0
desague* -.2431985 .00838 -29.02 0.000 -.259624 -.226773 0
agua* .0137281 .00988 1.39 0.165 -.005644 .0331 0
electr~d* -.0825909 .01234 -6.70 0.000 -.106768 -.058414 0
= .59678882

 Esta persona con las características anteriormente descritas, tiene un
59% de probabilidad de ser pobre.
 Si tuviese educación superior completa, disminuiría la probabilidad de
ser pobre en un 12%
 Si contara con el servicio de teléfono y desagüe, disminuiría su
probabilidad de pobreza en un 25% y un 24%, respectivamente.
 El acceso a una pensión también sería de mucha ayuda para que la
probabilidad de pobreza disminuya en un 25%
 El no contar con el servicio de teléfono aumenta la probabilidad de que

3. CONCLUSIONES
El acceso de los servicios básicos que puede tener un hogar disminuye la
probabilidad de ser pobre, ya que estos activos funcionan como generadores
de una utilidad para los hogares, ya que permite mejorar las condiciones de
vida de las personas.
Contar con los servicios básicos genera que las personas puedan obtener
ingresos para el hogar. La electricidad y desagüe son las variables que tienen
mayor impacto a reducir la pobreza en el Perú. Asimismo, estos resultados
muestran evidencia de la existencia de factores que hacen que algunos tipos
de infraestructura no contribuyan de manera significativa a la reducción de la
pobreza.
Para el caso de la educación que puedan tener los individuos del hogar (para
este estudio se tomó como referencia personas que estén entre los 15 a 98
años) podemos notar que para el 2017 contar solo con estudios de primaria
completa no nos asegura que el individuo sea no pobre, al contrario, puede que
contribuya a aumentar la probabilidad de que el individuo sea pobre. Caso
contrario no ocurre con el tener secundaria completa y superior completa, son
variables que contribuyen a disminuir la probabilidad de ser pobre en el Perú
Los resultados de corte transversal nos muestran que la probabilidad de que
una persona sea pobre utilizando los datos obtenidos de la ENAHO 2017, es
de 12.53%

BIBLIOGRAFÍA
 Perú: Determinantes de la pobreza, 2009. 2011. Lima. Centro de
Investigación y Desarrollo del Instituto Nacional de Estadística e
Informática (INEI)
 HERRERA, Javier. La Pobreza en el Perú en 2001: Una visión
departamental. 2002. Lima. Instituto Nacional de Estadística e
Informática.
 Evolución de la pobreza monetaria 2009-2014- Informe Técnico.2015. Li-
ma. Instituto Nacional de Estadística e Informática (INEI).
 Metodología para la Medición de la Pobreza en el Perú. 2000. Lima.
Instituto Nacional de Estadística e Informática (INEI).
 WOOLDRIDGE, Jeffrey. Introducción a la Econometría. 2014. México
DF. Cengage Learning Editores S.A.

ANEXOS
Total 34,584 100.00
no tiene 3,422 9.89 100.00
otra 376 1.09 90.11
r�o, acequia o canal 459 1.33 89.02
pozo ciego o negro 3,013 8.71 87.69
pozo s�ptico 3,580 10.35 78.98
letrina 2,595 7.50 68.63
red p�blica de desag�e fuera de la vivi 1,160 3.35 61.12
red p�blica de desag�e dentro de la viv 19,979 57.77 57.77
su hogar esta conectado a: Freq. Percent Cum.
el ba�o o servicio higi�nico que tiene
. tab p111
. do "C:UsersClarysAppDataLocalTempSTD2ea4_000000.tmp"
end of do-file
.
(6,012 real changes made)
. replace agua=0 if p110>2 & p110<.
(14,973 missing values generated)
. g agua=1 if p110<=2
Total 34,584 100.00
otra 1,436 4.15 100.00
r�o, acequia, manantial o similar 2,696 7.80 95.85
pozo 809 2.34 88.05
cami�n - cisterna u otro similar 470 1.36 85.71
pil�n de uso p�blico 601 1.74 84.35
red p�blica, fuera de la vivienda pero 1,305 3.77 82.62
red p�blica, dentro de la vivienda 27,267 78.84 78.84
procede de : Freq. Percent Cum.
el abastecimiento de agua en su hogar
. tab p110
end of do-file
.
. use enaho01-2017-100, clear

Total 34,584 100.00
1 31,632 91.46 100.00
0 2,952 8.54 8.54
d Freq. Percent Cum.
electricida
del hogar:
alumbrado
tipo de
. tab p1121, nolab
p112a byte %8.0g p112a el servicio el�ctrico de su hogar es:
p1127 byte %8.0g p1127 no utiliza alumbrado en el hogar
p1126 byte %8.0g p1126 tipo de alumbrado del hogar: otro
p1125 byte %8.0g p1125 tipo de alumbrado del hogar: generador
p1124 byte %8.0g p1124 tipo de alumbrado del hogar: vela
p1123 byte %8.0g p1123 tipo de alumbrado del hogar: petr�leo/gas (l�mpara)
p1121 byte %8.0g p1121 tipo de alumbrado del hogar: electricidad
variable name type format label variable label
storage display value
. d p112*
end of do-file
.
. replace desague=0 if p111>2 & p111<.
. g desague=1 if p111<=2
p1145 34,584 .1024173 .3032007 0 1
p1144 34,584 .2301353 .4209254 0 1
p1143 34,584 .3380465 .4730513 0 1
p1142 34,584 .8819107 .3227185 0 1
p1141 34,584 .1653366 .3714894 0 1
Variable Obs Mean Std. Dev. Min Max
. su p114*
p1145 byte %8.0g p1145 el hogar no tiene: tel�fono fijo, celular, tv. cable, internet
p1144 byte %8.0g p1144 su hogar tiene: internet
p1143 byte %8.0g p1143 su hogar tiene: tv. cable
p1142 byte %8.0g p1142 su hogar tiene: celular
p1141 byte %8.0g p1141 su hogar tiene: tel�fono (fijo)
. d p114*

(100885 differences between p300a and lengua)
. recode p300a (1 2 3=1 "leng indig") (4/8=0 "otra leng"), g(lengua)
p300a 119,143 3.487414 1.130507 1 8
. su p300a
119,188
. count
8 es sordomudo/a, mudo/a
7 otra lengua extranjera
6 portugu�s
4 castellano
3 otra lengua nativa
2 aymar�
1 quechua
p300a:
. lab list p300a
p300a byte %8.0g p300a �cu�l es el idioma o lengua materna que aprendi� en su ni�ez?
p300i byte %8.0g c�digo de informante
p300n byte %8.0g n�mero de la persona
. d p300*
. use enaho01a-2017-300, clear
.
file data1.dta saved
. save data1, replace
end of do-file
.
> agua desague electricidad telefono
. keep conglome vivienda hogar ubigeo estrato dominio ///
end of do-file
.
. replace telefono=0 if telefono==.
. g telefono=1 if p1141==1 | p1142==1
Total 119,144 100.00
b�sica especial 127 0.11 100.00
postgrado universitario 1,314 1.10 99.89
superior universitaria completa 6,450 5.41 98.79
superior universitaria incompleta 6,035 5.07 93.38
superior no universitaria completa 6,997 5.87 88.31
superior no universitaria incompleta 3,685 3.09 82.44
secundaria completa 21,758 18.26 79.35
secundaria incompleta 18,432 15.47 61.08
primaria completa 13,674 11.48 45.61
primaria incompleta 25,465 21.37 34.14
educaci�n inicial 6,228 5.23 12.76
sin nivel 8,979 7.54 7.54
estudios y nivel que aprob�? - nivel Freq. Percent Cum.
�cu�l es el �ltimo a�o o grado de
. tab p301a

p203 byte %8.0g p203 �cu�l es la relaci�n de parentesco con el jefe(a) del hogar?
. d p203
. rename p208a edad
p208a byte %8.0g �qu� edad tiene en a�os cumplidos ?
Total 93,106 100.00
2 89,960 96.62 100.00
1 3,146 3.38 3.38
: pen Freq. Percent Cum.
concepto de
por
ingresos
ud.
�recibi�
... a ...
meses, de
�ltimos 6
en los
Total 34,584 100.00
no pobre 28,126 81.33 100.00
pobre no extremo 5,246 15.17 18.67
pobre extremo 1,212 3.50 3.50
pobreza Freq. Percent Cum.
. tab pobreza
mieperho byte %8.0g total de miembros del hogar
mieperho 34,584 3.589579 1.920329 1 21
edad 34,584 52.70281 15.7492 15 98
pension 34,584 .0811936 .2731362 0 1
lengua 34,581 .2901304 .4538289 0 1
supcomp 34,584 .1468598 .3539712 0 1
seccomp 34,584 .2286896 .4199949 0 1
primcomp 34,584 .1652787 .3714373 0 1
telefono 43,545 .708164 .4546125 0 1
desague 34,584 .6112364 .4874765 0 1
agua 34,584 .8261624 .3789753 0 1
electricidad 34,584 .9146426 .2794168 0 1
pobre 34,584 .1867337 .3897033 0 1

mieperho .0372393 .00094 39.60 0.000 .035396 .039082 3.58954
edad -.0006541 .00012 -5.29 0.000 -.000896 -.000412 52.7035
pension* -.0824853 .0058 -14.22 0.000 -.09385 -.07112 .081201
lengua* .0633041 .00422 15.02 0.000 .055042 .071566 .29013
supcomp* -.1231895 .00375 -32.81 0.000 -.130549 -.11583 .146873
seccomp* -.0501948 .00388 -12.94 0.000 -.057796 -.042593 .228709
primcomp* .0034968 .00441 0.79 0.427 -.005137 .012131 .165293
telefono* -.1526977 .00872 -17.50 0.000 -.169795 -.1356 .891646
desague* -.1197884 .00486 -24.67 0.000 -.129307 -.11027 .611232
agua* .0062055 .00442 1.40 0.160 -.002455 .014866 .826176
electr~d* -.0407703 .00676 -6.03 0.000 -.054025 -.027515 .914635
= .12539191
. mfx
end of do-file
.
Note: _cons estimates baseline odds.
_cons .4680369 .0425234 -8.36 0.000 .3916916 .5592627
mieperho 1.404332 .0114634 41.60 0.000 1.382043 1.426981
edad .9940535 .0011174 -5.31 0.000 .9918659 .996246
pension .3547823 .0384722 -9.56 0.000 .2868525 .4387985
lengua 1.699031 .0551146 16.34 0.000 1.59437 1.810561
supcomp .1815463 .0165219 -18.75 0.000 .1518876 .2169963
seccomp .6028352 .0260248 -11.72 0.000 .5539258 .656063
primcomp 1.032139 .0408019 0.80 0.424 .9551882 1.115289
telefono .3529865 .0165559 -22.20 0.000 .3219843 .3869738
desague .3695765 .0136266 -27.00 0.000 .3438112 .3972728
agua 1.059061 .0438867 1.38 0.166 .9764452 1.148667
electricidad .7151265 .0359326 -6.67 0.000 .6480567 .7891376
pobre Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]
Log likelihood = -13328.555 Pseudo R2 = 0.1994
Prob > chi2 = 0.0000
LR chi2(11) = 6639.78
Logistic regression Number of obs = 34,581
> primcomp seccomp supcomp lengua pension edad mieperho
. logistic pobre electricidad agua desague telefono ///
.
_cons -.7592081 .0908549 -8.36 0.000 -.9372804 -.5811359
mieperho .3395618 .0081629 41.60 0.000 .3235629 .3555607
edad -.0059642 .0011241 -5.31 0.000 -.0081674 -.0037611
pension -1.036251 .1084388 -9.56 0.000 -1.248787 -.8237149
lengua .5300579 .0324388 16.34 0.000 .4664789 .5936368
supcomp -1.706245 .0910066 -18.75 0.000 -1.884614 -1.527875
seccomp -.5061115 .0431707 -11.72 0.000 -.5907245 -.4214984
primcomp .0316332 .0395314 0.80 0.424 -.0458469 .1091133
telefono -1.041325 .0469024 -22.20 0.000 -1.133252 -.9493984
desague -.9953974 .0368707 -27.00 0.000 -1.067663 -.9231322
agua .0573828 .0414393 1.38 0.166 -.0238367 .1386022
electricidad -.3352958 .0502465 -6.67 0.000 -.4337771 -.2368146
pobre Coef. Std. Err. z P>|z| [95% Conf. Interval]
Log likelihood = -13328.555 Pseudo R2 = 0.1994
Prob > chi2 = 0.0000
LR chi2(11) = 6639.78
Logistic regression Number of obs = 34,581
Iteration 5: log likelihood = -13328.555
> primcomp seccomp supcomp lengua pension edad mieperho
. logit pobre electricidad agua desague telefono ///

Correctly classified 83.01%
False - rate for classified - Pr( D| -) 15.49%
False + rate for classified + Pr(~D| +) 37.64%
False - rate for true D Pr( -| D) 77.30%
False + rate for true ~D Pr( +|~D) 3.15%
Negative predictive value Pr(~D| -) 84.51%
Positive predictive value Pr( D| +) 62.36%
Specificity Pr( -|~D) 96.85%
Sensitivity Pr( +| D) 22.70%
True D defined as pobre != 0
Classified + if predicted Pr(D) >= .5
Total 6457 28124 34581
- 4991 27239 32230
+ 1466 885 2351
Classified D ~D Total
True
mieperho .0574831 .00222 25.94 0.000 .05314 .061826 5
edad -.0010097 .00018 -5.74 0.000 -.001354 -.000665 30
pension* -.2210687 .02754 -8.03 0.000 -.275039 -.167098 0
lengua* .1028189 .00692 14.85 0.000 .089253 .116385 1
supcomp* -.3867503 .02203 -17.55 0.000 -.429935 -.343565 0
seccomp* -.0976419 .0093 -10.50 0.000 -.115869 -.079415 0
primcomp* .0053069 .00661 0.80 0.422 -.00764 .018254 0
telefono* -.2223176 .00994 -22.37 0.000 -.241795 -.20284 0
desague* -.2110449 .01077 -19.59 0.000 -.232158 -.189932 0
agua* .0095557 .00685 1.39 0.163 -.003877 .022988 0
electr~d* -.0620954 .00955 -6.50 0.000 -.080819 -.043372 0
= .78410178
mieperho .0817094 .00196 41.60 0.000 .07786 .085559 4
edad -.0014352 .00027 -5.31 0.000 -.001965 -.000905 40
pension* -.2524794 .02447 -10.32 0.000 -.300432 -.204527 0
lengua* .1186933 .00754 15.74 0.000 .10391 .133477 0
supcomp* -.3849942 .01582 -24.34 0.000 -.415994 -.353995 0
seccomp* -.1252601 .01078 -11.62 0.000 -.146391 -.104129 0
primcomp* .0076347 .00953 0.80 0.423 -.01104 .02631 1
telefono* -.2536241 .01108 -22.88 0.000 -.275347 -.231901 0
desague* -.2431985 .00838 -29.02 0.000 -.259624 -.226773 0
agua* .0137281 .00988 1.39 0.165 -.005644 .0331 0
electr~d* -.0825909 .01234 -6.70 0.000 -.106768 -.058414 0
= .59678882

Aplicación de un Modelo Logit sobre la pobreza en el Perú

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Similar a Aplicación de un Modelo Logit sobre la pobreza en el Perú

Similar a Aplicación de un Modelo Logit sobre la pobreza en el Perú (20)

Último

Último (17)

Aplicación de un Modelo Logit sobre la pobreza en el Perú