A machine learning proposal to predict poverty

Solís-Salazar, Martín; Madrigal-Sanabria, Julio

Una propuesta de aprendizaje automático para predecir la pobreza

dc.creator	Solís-Salazar, Martín
dc.creator	Madrigal-Sanabria, Julio
dc.date	2022-09-30
dc.date.accessioned	2026-05-18T21:27:58Z
dc.date.available	2026-05-18T21:27:58Z
dc.identifier	https://revistas.tec.ac.cr/index.php/tec_marcha/article/view/5766
dc.identifier	10.18845/tm.v35i4.5766
dc.identifier.uri	https://hdl.handle.net/2238/17958
dc.description	Due to the high rate of inclusion and exclusion errors of traditional methods (Proxy Mean Test) used for the identification of households in poverty condition and selection of the social assistance programs beneficiaries, this research analyzed different perspectives to predict households in poverty condition, using a machine learning model based on XGBoost. The models proposed were compared with baseline methods. The data used were taken from the 2019 household survey of Costa Rica. The results showed that at least one of our approaches using XGBoost gave the best balance between inclusion and exclusion errors. The best model to predict poverty and extreme poverty was build using an XGBoost with a classification approach.	en-US
dc.description	Debido a la alta tasa de errores de inclusión y exclusión de los métodos tradicionales (Proxy Mean Test) utilizados para la identificación de hogares en condición de pobreza y la selección de los beneficiarios de los programas de asistencia social, esta investigación analizó diferentes perspectivas para predecir hogares en condición de pobreza, utilizando un modelo de aprendizaje automático basado en XGBoost. Los modelos propuestos se compararon con métodos de referencia. Los datos utilizados fueron tomados de la encuesta de hogares del 2019 de Costa Rica. Los resultados mostraron que al menos uno de nuestros enfoques utilizando XGBoost dan el mejor balance entre el error de exclusión e inclusión. El mejor modelo se construyó utilizando XGBoost con un enfoque de clasificación.	es-ES
dc.format	application/pdf
dc.format	text/html
dc.language	eng
dc.language	spa
dc.publisher	Editorial Tecnológica de Costa Rica (entidad editora)	es-ES
dc.relation	https://revistas.tec.ac.cr/index.php/tec_marcha/article/view/5766/6188
dc.relation	https://revistas.tec.ac.cr/index.php/tec_marcha/article/view/5766/6208
dc.rights	Derechos de autor 2021 Revista Tecnología en Marcha	es-ES
dc.rights	https://creativecommons.org/licenses/by-nc-nd/4.0	es-ES
dc.source	Tecnología en marcha Journal; 2022: Vol. 35 Núm. 4: Octubre-Diciembre 2022; Pág. 84-94	en-US
dc.source	Revista Tecnología en Marcha; 2022: Vol. 35 Núm. 4: Octubre-Diciembre 2022; Pág. 84-94	es-ES
dc.source	2215-3241
dc.source	0379-3982
dc.subject	Machine Learning	en-US
dc.subject	poverty prediction	en-US
dc.subject	Proxy Mean Test	en-US
dc.subject	Aprendizaje automático	es-ES
dc.subject	predicción de la pobreza	es-ES
dc.subject	Proxy Mean Test	es-ES
dc.title	A machine learning proposal to predict poverty	en-US
dc.title	Una propuesta de aprendizaje automático para predecir la pobreza	es-ES
dc.type	info:eu-repo/semantics/article
dc.type	info:eu-repo/semantics/publishedVersion

Files in this item

Files	Size	Format	View
There are no files associated with this item.

This item appears in the following Collection(s)

Tecnología en Marcha [1993]
Es una revista que se publica por trimestres

Show simple item record