📈 economics

Global Ease of Living Index: a machine learning framework for longitudinal analysis of major economies

Este artículo presenta un marco de aprendizaje automático reproducible que aborda las brechas de datos y utiliza la reducción de la dimensionalidad para construir un Índice Global de Facilidad de Vida exhaustivo y longitudinal para las principales economías desde 1970, proporcionando a los responsables de la formulación de políticas una herramienta transparente para identificar y mejorar áreas socioeconómicas y de infraestructura clave.

Autores originales: Arun Kumar Selvaraj, Tanay Panat, Rohitash Chandra

Publicado 2026-06-19

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Arun Kumar Selvaraj, Tanay Panat, Rohitash Chandra

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina intentar calificar la boleta de calificaciones de un estudiante, pero en lugar de mirar solo sus puntajes de matemáticas y lectura, quieres saber qué tan feliz, saludable, seguro y próspero es en general. Ahora, imagina hacer esto para cada país del mundo, pero con un gran problema: algunas boletas tienen páginas faltantes, esquinas rotas o materias enteras que nunca fueron calificadas porque no se recolectaron los datos.

Eso es exactamente lo que los autores de este artículo se propusieron hacer. Construyeron una nueva "boleta de calificaciones" para el mundo llamada Índice Global de Facilidad de Vida (Global-Ease of Living Index o Global-EoLI). Así es como lo hicieron, explicado de forma sencilla:

1. El Problema: Piezas faltantes del rompecabezas

El mundo está lleno de diferentes formas de medir qué tan buena es la vida (como el "Índice de Felicidad" o el "PIB"), pero los autores argumentan que estos son defectuosos.

La trampa de la "Felicidad": Algunos índices dependen de preguntar a la gente: "¿Eres feliz?". Pero el artículo dice que esto es como preguntarle a una persona tímida si es ruidosa; los sesgos culturales y la forma en que las personas quieren ser vistas pueden distorsionar los resultados.
Los datos faltantes: Muchos países, especialmente los países en desarrollo, no tienen registros para todo. Tal vez olvidaron rastrear el costo del pan durante 20 años, o no contaron cuántos médicos hay en una región específica. Si simplemente descartas los países con datos faltantes, pierdes una gran parte de la imagen completa.

2. La Solución: El "Taller de Reparación de IA"

Para arreglar las páginas faltantes en las boletas de calificaciones, los autores usaron el Aprendizaje Automático (Machine Learning) como un taller de reparación.

La analogía: Imagina que tienes un rompecabezas con el 40% de las piezas faltantes. No puedes simplemente adivinar al azar. En su lugar, observas las piezas que sí tienes. Si ves un patrón de cielo azul y pasto verde, puedes deducir razonablemente que la pieza faltante en el medio probablemente también sea azul o verde.
La herramienta: Utilizaron dos modelos computacionales inteligentes (llamados Random Forest y MICE) para actuar como expertos en adivinanzas. Estos modelos observaron las relaciones entre diferentes hechos (como cómo el PIB suele relacionarse con la esperanza de vida) para llenar los espacios en blanco con los números más probables. Probaron estos modelos para asegurarse de que las "conjeturas" encajaran perfectamente con la imagen original.

3. Construyendo el Índice: Los Cuatro Pilares

Una vez que tuvieron un conjunto completo de datos, no solo los sumaron todos. Organizaron los datos en cuatro "pilares" o categorías principales, como las cuatro patas de una mesa robusta:

Económico: ¿Cuánto dinero hay? (Crecimiento, empleos, costo de vida).
Institucional: ¿Qué tan bien funciona el gobierno? (¿Es justa la ley? ¿Hay corrupción? ¿Puede la gente hablar libremente?).
Calidad de Vida: ¿Qué tan saludables y seguros son las personas? (Esperanza de vida, acceso a la salud, tasas de criminalidad).
Sostenibilidad: ¿Se está tratando bien al planeta? (Contaminación, energía renovable, emisiones de carbono).

4. El "Filtro Mágico": Encontrando la Historia Real

Tenían cientos de números diferentes (indicadores). Para darles sentido, utilizaron una técnica estadística llamada Análisis Factorial.

La analogía: Imagina que tienes una bolsa de 100 canicas de diferentes colores. Algunas son rojas, otras azules, otras verdes. El Análisis Factorial es como un filtro mágico que las clasifica en cuatro cubetas distintas basadas en sus patrones de color. Te dice: "Bien, estos 25 números se mueven juntos y representan la 'Salud Económica', mientras que estos 15 números representan la 'Calidad del Gobierno'".
Esto les permitió crear cuatro subpuntajes claros para cada país, que luego combinaron en una puntuación final única.

5. Lo que Encontraron: El Panorama General

Ejecutaron este índice desde 1970 hasta 2022 y observaron las principales economías como EE. UU., China, India, Australia y Alemania.

Las Naciones Desarrolladas: Países como Australia, Alemania y Japón puntuaron consistentemente alto. Tienen "mesas" fuertes con las cuatro patas (economía, gobierno, calidad de vida, medio ambiente) manteniéndose firmes.
Los Gigantes en Ascenso: Países como China e India mostraron un crecimiento masivo en su pierna Económica. ¡Están construyendo la mesa muy rápido! Sin embargo, sus piernas de Sostenibilidad y Calidad de Vida aún están alcanzando el nivel, lo que significa que están creciendo en riqueza pero aún enfrentan desafíos con la contaminación y el acceso a la salud.
El Choque entre "Felicidad" y "Facilidad de Vida": El artículo comparó su nuevo índice con el famoso "Índice Mundial de la Felicidad". Encontraron una gran desconexión. Por ejemplo, la India clasifica mucho más alto en el nuevo índice de "Facilidad de Vida" (puesto 51) que en el índice de "Felicidad" (puesto 139).
- ¿Por qué? Los autores argumentan que el Índice de la Felicidad es defectuoso porque depende de pequeñas encuestas que no representan a miles de millones de personas y se enfoca demasiado en el dinero (PIB) sin considerar qué tan caro es vivir. Su nuevo índice dice: "India puede no ser el país más 'feliz' en una encuesta, pero las condiciones reales de vida allí están mejorando y son mejores de lo que el Índice de la Felicidad sugiere".

6. La Conclusión

Los autores no solo hicieron una lista de números; construyeron una herramienta transparente y reproducible.

Código Abierto: Pusieron todo su código y datos en internet (GitHub) para que cualquiera pueda revisar su trabajo o usarlo para actualizar el índice.
Para los Responsables de Políticas: Esta herramienta ayuda a los líderes a ver exactamente dónde es débil su país. Si un país lo hace genial en dinero pero terriblemente en contaminación, el índice enciende una bandera roja en la pierna de "Sostenibilidad", diciéndoles: "Oye, arregla esta parte específica de la mesa".

En resumen, este artículo trata sobre la construcción de una boleta de calificaciones más justa y completa para el mundo, utilizando computadoras inteligentes para llenar los huecos, de modo que podamos ver el verdadero estado de cómo vive la gente, no solo cuánto dinero ganan.

Resumen Técnico: Índice Global de Facilidad de Vida (Global-EoLI)

Planteamiento del Problema
Los índices existentes para evaluar la calidad de vida y la facilidad de vida, como el Índice Mundial de la Felicidad o el Índice Global de Habitabilidad, sufren limitaciones significativas. Estas incluyen una fuerte dependencia de datos subjetivos autoinformados (lo que introduce sesgos culturales y efectos de deseabilidad social), una falta de transparencia en las metodologías de ponderación y una excesiva dependencia de datos agregados que pueden no reflejar las realidades locales. Además, muchos índices no logran capturar adecuadamente la naturaleza multidimensional del bienestar, aislando a menudo los factores económicos de las condiciones socioeconómicas e infraestructurales. Un desafío técnico crítico es la prevalencia de datos faltantes en indicadores económicos y sociales históricos, particularmente para naciones en desarrollo y períodos de tiempo específicos (por ejemplo, el Índice de Costo de Vida faltante de 1970 a 2012, el Índice de Atención Médica con un 92.44% de ausencia en ciertos períodos). Los métodos de imputación simples, como la sustitución por la media o la eliminación por lista, pueden distorsionar los patrones de datos subyacentes y provocar una pérdida de información.

Metodología
Los autores proponen un marco de aprendizaje automático para construir un Índice Global de Facilidad de Vida (Global-EoLI) longitudinal que cubra las principales economías desde 1970 hasta 2022. La metodología avanza a través de siete pasos distintos:

Recopilación de Datos: Los datos fueron agregados de fuentes que incluyen el FMI, la OMS y el Banco Mundial, cubriendo 70 países. El conjunto de datos incluye cuatro subíndices primarios: Económico, Institucional, Calidad de Vida y Sostenibilidad.
Imputación de Datos: Para abordar los valores faltantes (que oscilan entre aproximadamente el 2% y más del 90% para variables específicas), el estudio compara dos técnicas avanzadas de imputación:
- Regresor de Bosques Aleatorios (RFR): Un método de ensamble capaz de capturar relaciones no lineales complejas sin supuestos distributivos estrictos.
- Imputación Múltiple por Ecuaciones Encadenadas (MICE): Una técnica estadística que genera múltiples conjuntos de datos plausibles para dar cuenta de la incertidumbre de la imputación.
- Selección: El estudio evalúa ambos métodos utilizando el Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE) sobre datos faltantes sintéticos. El RFR demostró un desempeño superior, particularmente en el manejo de datos ambientales no lineales y complejos, y fue priorizado para la construcción del índice final. Se utilizaron gráficos de Estimación de Densidad de Kernel (KDE) para verificar que las distribuciones imputadas se alinearan con los datos observados.
Preprocesamiento y Estandarización: Los datos se agruparon por país y año. Las variables ordinales y categóricas fueron eliminadas antes de la estandarización. Las variables continuas se sometieron a una estandarización de puntuación z ( $x - \mu / \sigma$ ) después de la imputación para asegurar que los parámetros de escala se derivaran del conjunto de datos completo, evitando así sesgos.
Reducción de la Dimensionalidad y Construcción de Subíndices:
- Análisis de Componentes Principales (PCA): Se utilizó como herramienta exploratoria para determinar el número apropiado de factores latentes basado en el análisis de valores propios (criterio de Kaiser) y para evaluar la varianza explicada.
- Análisis Factorial (FA): Se empleó con rotación varimax como el método principal para extraer dimensiones latentes y calcular las puntuaciones de los factores. Este paso identificó cuatro factores distintos correspondientes a los cuatro subíndices (Institucional, Calidad de Vida, Económico y Sostenibilidad). Se utilizó la prueba de Kaiser-Meyer-Olkin (KMO) para verificar la adecuación del muestreo; notablemente, el subíndice de Sostenibilidad mostró una adecuación más débil (KMO < 0.5 con RFR), lo que llevó a los autores a tratar sus resultados con cautela y preferir las especificaciones basadas en MICE para esta dimensión específica.
Ponderación y Agregación: Los cuatro subíndices se agregaron en el Global-EoLI final utilizando pesos fijos inspirados en el Índice de Facilidad de Vida del Ministerio de Vivienda y Asuntos Urbanos de la India, pero ajustados para reducir la dependencia de factores puramente económicos. Los pesos asignados fueron:
- Calidad de Vida: 0.35
- Económico: 0.25
- Institucional: 0.25
- Sostenibilidad: 0.15
Análisis Longitudinal: El índice resultante se utilizó para clasificar a los países anualmente de 1970 a 2021, con un enfoque en los miembros del G20 y una mezcla de naciones desarrolladas (ej. EE. UU., Alemania, Australia) y en desarrollo (ej. India, China, Malasia).

Resultados Clave

Desempeño de la Imputación: El RFR superó al MICE en términos de RMSE y MAE en la mayoría de los subíndices, particularmente en los dominios de Sostenibilidad y Calidad de Vida, donde las relaciones de los datos son no lineales.
Estructura Factorial: El Análisis Factorial identificó con éxito cuatro factores latentes coherentes. El factor Institucional estuvo dominado por indicadores de gobernanza (Estado de Derecho, Control de la Corrupción), mientras que el factor de Calidad de Vida fue impulsado por métricas de desarrollo humano (IDH, Esperanza de Vida).
Clasificación de Países (2021): Las naciones desarrolladas (Australia, Japón, Canadá, Alemania) se clasificaron consistentemente alto en el Global-EoLI. Australia ocupó el 4.º lugar, seguida de Japón (8.º) y Canadá (17.º). Las economías emergentes como la India (51.º) y China (41.º) mostraron clasificaciones generales más bajas a pesar de un fuerte crecimiento económico, resaltando brechas en estabilidad institucional, calidad de vida y sostenibilidad.
Comparación con el Índice de la Felicidad: El estudio encontró disparidades significativas entre el Global-EoLI y el Índice Mundial de la Felicidad. Por ejemplo, la India ocupó el 51.º lugar en el Global-EoLI pero el 139.º en el Índice de la Felicidad. Los autores atribuyen esto a la dependencia del Índice de la Felicidad en muestras pequeñas (2,000–3,000 encuestados) para poblaciones masivas y su fuerte ponderación del PIB per cápita sin ajustar por el costo de vida.
Robustez: El análisis de sensibilidad utilizando esquemas de ponderación alternativos (ej. pesos iguales, mayores pesos de sostenibilidad) mostró que las clasificaciones de las naciones desarrolladas con mejor desempeño se mantuvieron relativamente estables, mientras que las economías emergentes mostraron mayor volatilidad, reflejando su desempeño desigual a través de las cuatro dimensiones.

Significancia y Reivindicaciones
El artículo afirma ofrecer un marco transparente, reproducible y exhaustivo para evaluar los estándares de vida que aborda las limitaciones de los índices existentes. Las contribuciones clave incluyen:

Rigor Metodológico: La integración del aprendizaje automático (RFR) para manejar altos niveles de datos faltantes en conjuntos de datos longitudinales, asegurando la completitud de los datos sin recurrir a la eliminación simplista.
Perspectiva Multidimensional: Al combinar las dimensiones Económica, Institucional, de Calidad de Vida y de Sostenibilidad, el índice proporciona una visión más holística del bienestar que los índices centrados en el PIB o de un solo factor.
Utilidad para Políticas Públicas: El marco sirve como una herramienta práctica para los responsables de políticas para identificar áreas específicas que requieren intervención (ej. sistemas de salud, seguridad pública, sostenibilidad ambiental) a través de diversos contextos económicos.
Transparencia: Los autores enfatizan que el código y los datos son de código abierto, lo que permite la verificación independiente y la aplicación a otros contextos.

Los autores reconocen modestamente las limitaciones, señalando que las variables con una ausencia extremadamente alta (ej. >80%) dependen fuertemente de la reconstrucción basada en modelos y deben interpretarse con cautela. También señalan que el subíndice de Sostenibilidad exhibió una estructura de factor más débil en comparación con otras dimensiones. El estudio concluye que, si bien el Global-EoLI mejora sobre las métricas existentes, el trabajo futuro debería explorar la inferencia bayesiana para la cuantificación de la incertidumbre e incorporar métricas ambientales más granulares.