Características del hogar y pobreza: una aplicación de las máquinas de soporte vectorial
DOI:
https://doi.org/10.46661/revmetodoscuanteconempresa.5377Palabras clave:
algoritmo de aprendizaje, hogares censales, máquinas de soporte vectorial, métodos de clasificación, pobrezaResumen
El uso de técnicas cuantitativas para la clasificación de segmentos poblacionales es una fase crítica para evaluar sus condiciones de materiales de existencia, información que sirve como input para los procesos de planificación de estrategias dirigidas a paliar la pobreza y la intervención discrecional de tales grupos, bajo los criterios de racionalidad económica e instrumental. En este artículo se construye un modelo de máquinas de soporte vectorial, entendido éste como un algoritmo de aprendizaje supervisado que proporciona un clasificador lineal no probabilístico con un superlativo nivel de precisión. De este modo, se segmenta una muestra de núcleos familiares residentes en Cartagena de Indias, en función de ciertas variables económicas y sociodemográficas. La obtención de los resultados analíticos refrenda el hecho de que los factores con mayor poder de discriminación entre los agentes económicos son el estatus laboral, la accesibilidad a servicios públicos y la renta percibida por los núcleos familiares. Por otra parte, se corrobora que las condiciones de vecindario y la recepción de transferencias monetarias corrientes tienen un poder clasificatorio reducido.
Descargas
Citas
Arias, R., Sánchez, L., & Agüero, O. (2018). Impacto de la educación sobre la pobreza en regiones de planificación de Costa Rica. Revista Estudios del Desarrollo Social: Cuba y América Latina , 6(1), 1-21. https://doi.org/10.35622/j.rie.2019.01.009
Awad, M., & Khanna, R. (2015). Support Vector Machines for Classification: Theories, Concepts, and Applications for Engineers and System Designers. En M. Awad, & R. Khanna, Efficient Learning Machines (págs. 39-66). Apress, Berkeley, CA. https://doi.org/10.1007/978-1-4302-5990-9_3
Bastias, F., Cañadas, B., Sosa, V., & Moya, M. J. (2019). Explicaciones sobre el origen de la pobreza según área de formación profesional. Propósitos y Representaciones, 7(2), 107-120. https://doi.org/10.20511/pyr2019.v7n2.282
Bracco, J., Gasparini, L., & Tornarolli, L. (mayo de 2019). Explorando los Cambios de la Pobreza en Argentina: 2003-2015. Centro de Estudios Distributivos Laborales y Sociales. http://sedici.unlp.edu.ar/bitstream/handle/10915/75173/Documento_completo.pdf-PDFA.pdf?sequence=1&isAllowed=y https://doi.org/10.24215/18521649e009
Carmona, E. (11 de Julio de 2014). Tutorial sobre Máquinas de Vectores Soporte (SVM). Recuperado el 17 de Marzo de 2018 de http://www.ia.uned.es/~ejcarmona/publicaciones/[2013-Carmona]%20SVM.pdf
Cuentas, S., Peñabaena-Niebles, R., & Gar, E. (2017). Support vector machine in statistical process monitoring: a methodological and analytical review. The International Journal of Advanced Manufacturing Technology, 91(1-4), 485-500. https://doi.org/10.1007/s00170-016-9693-y
García, F. (2017). Responsabilidad y legitimidad en las transferencias monetarias condicionadas. Diánoia, 62(79), 193-216. https://doi.org/10.22201/iifs.18704913e.2017.79.1514
González, R., Barrientos, A., & Toa, M. (2017). Aplicación de las Máquinas de Soporte Vectorial (SVM) al diagnóstico clínico de la Enfermedad de Párkinson y el Temblor Esencial. Revista Iberoamericana de Automática e Informática Industrial, 14(4), 394-405. https://doi.org/10.1016/j.riai.2017.07.005
Jara, J., Giral, D., & Martínez, F. (2016). Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema. Revista Tecnura, 20(48), 149-170.
Jiménez, L., & Rengifo, P. (2010). Al interior de una máquina de soporte vectorial. Revista de Ciencias, 14, 73-85. https://doi.org/10.25100/rc.v14i0.655
L. Roos, L., Wall-Wieler, E., & Boram Lee, J. (2019). Poverty and Early Childhood Outcomes. Pediatrics, 143(6). https://doi.org/10.1542/peds.2018-3426
L.Harrison, J., & Montgomery, C. A. (2019). A spatial, simultaneous model of social capital and poverty. Journal of Behavioral and Experimental Economics, 78, 83-192. https://doi.org/10.1016/j.socec.2018.09.001
Markowetz, F., Edler, L., & Vingron, M. (2003). Support Vector Machines for Protein Fold Class Prediction. Biometrical Journal, 45(3), 377-389. https://doi.org/10.1002/bimj.200390019
Mohamoud, Y., Kirby, R., & Ehrenthal, D. P. (2019). Poverty, urban-rural classification and term infant mortality: a population-based multilevel analysis. BMC Pregnancy Childbirth, 19(40), 1-11. https://doi.org/10.1186/s12884-019-2190-1
Saidi, L., Fnaiech, F., & Ben Ali, J. (2015). Application of higher order spectral features and support vector machines for bearing faults classification. ISA Transactions, 54, 193-206. https://doi.org/10.1016/j.isatra.2014.08.007
Sánchez, N. (2015). Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario. ODEON(9), 113-172. https://doi.org/10.18601/17941113.n9.04
Sanogo, T. (2019). Does fiscal decentralization enhance citizens' access to public services and reduce poverty? Evidence from Côte d'Ivoire municipalities in a conflict setting. World Development, 113, 204-221. https://doi.org/10.1016/j.worlddev.2018.09.008
Suchacka, G., Skolimowska-Kulig, M., & Potempa, A. (2015). Classification Of E-Customer Sessions Based On Support Vector Machine. ECMS, 1-7. https://doi.org/10.7148/2015-0594
Wainer, J., & Cawley, G. (2017). Empirical Evaluation of Resampling Procedures for Optimising SVM Hyperparameters. Journal of Machine Learning Research, 18(15), 1-35.
Wen, Z., Li, B., Ramamohanarao, K., Chen, J., Chen, Y., & Zhang, R. (2017). Improving Efficiency of SVM k-Fold Cross-Validation by Alpha Seeding. AAAI, 2768-2774. https://doi.org/10.1609/aaai.v31i1.10785
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Bruno de Jesús Rahmer, Hernando Garzón Saénz, Gustavo Ortiz Piedrahita, José Solana Garzón

Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
El envío de un manuscrito a la Revista supone que el trabajo no ha sido publicado anteriormente (excepto en la forma de un abstract o como parte de una tesis), que no está bajo consideración para su publicación en ninguna otra revista o editorial y que, en caso de aceptación, los autores están conforme con la transferencia automática del copyright a la Revista para su publicación y difusión. Los autores retendrán los derechos de autor para usar y compartir su artículo con un uso personal, institucional o con fines docentes; igualmente retiene los derechos de patente, de marca registrada (en caso de que sean aplicables) o derechos morales de autor (incluyendo los datos de investigación).
Los artículos publicados en la Revista están sujetos a la licencia Creative Commons CC-BY-SA de tipo Reconocimiento-CompartirIgual. Se permite el uso comercial de la obra, reconociendo su autoría, y de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original.
Hasta el volumen 21 se ha estado empleando la versión de licencia CC-BY-SA 3.0 ES y se ha comenzado a usar la versión CC-BY-SA 4.0 desde el volumen 22.