Estimating Long Run Welfare Outcome in Rotating Panel with Grouped Fixed Effects: Application to Poverty Dynamics in Peru

Each language version is independently generated for its own context, not a direct translation.

¡Claro que sí! Imagina que este paper es como una receta de cocina para entender cómo cambia la vida de las familias pobres en el Perú, pero con un truco especial porque no tenemos todos los ingredientes a la mano.

Aquí te lo explico paso a paso, con analogías sencillas:

1. El Problema: La "Fotografía" vs. La "Película"

Imagina que quieres entender cómo crece un niño.

El problema: Si solo tienes fotos de ese niño cada 5 años (como hacen las encuestas tradicionales), no sabes si creció de golpe, si se enfermó o si saltó. Es como intentar adivinar la trama de una película viendo solo 3 fotogramas sueltos.
La realidad en Perú: Tienen datos de hogares (familias), pero no los siguen a todos durante 10 o 20 años seguidos porque es muy caro. En su lugar, tienen un panel rotativo: siguen a una familia por 3 o 4 años, luego la "sacan" de la lista y meten a una familia nueva. Es como si en una carrera de relevos, cambiaras al corredor cada pocas vueltas. Tienes trozos de película, pero no la película completa.

2. La Solución Antigua: "Adivinar" (Paneles Sintéticos)

Antes, los economistas usaban un método llamado "panel sintético".

La analogía: Imagina que quieres saber cómo viaja un coche, pero solo tienes fotos de coches diferentes en cada parada. El método antiguo decía: "Bueno, el coche de la foto 1 es como el de la foto 2, así que asumamos que es el mismo coche y que viaja igual".
El fallo: Es como adivinar la historia de un personaje basándose en que "todos los hombres de 30 años se parecen". A veces funciona, pero a menudo se equivocan porque ignora que cada familia es única.

3. La Nueva Herramienta: "El Grupo de Amigos" (Efectos Fijos Agrupados - GFE)

Los autores (Hongdi Zhao y Seungmin Lee) proponen usar una técnica llamada GFE.

La analogía: En lugar de tratar a cada familia como un extraño o agruparlas por cosas obvias (como "todos los que viven en Lima"), el GFE actúa como un detective social.
Cómo funciona: El detective mira los trozos de película que tiene (los 3 o 4 años que siguió a cada familia). Ve que la Familia A y la Familia B, aunque viven en lugares distintos, tienen un patrón de gastos muy similar: ambas suben sus gastos un poco, luego bajan, luego suben otra vez.
El truco: El algoritmo dice: "¡Eh! Estas familias son 'primos lejanos' en su comportamiento. Vamos a ponerlas en el mismo Grupo".
Una vez que las agrupa, el algoritmo aprende la "historia típica" de ese grupo. Si la Familia A desaparece de la encuesta en el año 5, pero sabemos que pertenece al "Grupo de los que siempre suben", podemos predecir con mucha seguridad que en el año 5 también subió, incluso sin tener la foto.

4. ¿Qué descubrieron en Perú?

Aplicaron esto a los datos de Perú (2007-2019) y encontraron 4 "tipos" o "grupos" de familias:

Los "Estables y Ricos": Siempre están arriba, su vida mejora poco a poco pero se mantiene bien.
Los "Estables pero Bajos": Siempre están abajo, con mucha dificultad.
Los "Altibajos": Empezaron bien, luego tuvieron un bajón fuerte (como una crisis) y no lograron recuperarse del todo.
Los "Ascensores": Empezaron muy mal, pero tuvieron un crecimiento espectacular y mejoraron mucho.

Lo importante: El método no solo adivina si alguien es pobre o no, sino que clasifica a las familias en estos 4 grupos basándose en su comportamiento real. Esto es mucho mejor que solo decir "este año hubo 20% de pobres". Ahora sabemos quiénes son esos pobres y qué tipo de pobreza tienen (si es temporal o crónica).

5. ¿Por qué es mejor que los métodos viejos?

Precisión: Cuando probaron su método contra el antiguo (el de "adivinar"), el nuevo acertó mucho más. Fue como comparar un GPS moderno con un mapa de papel de hace 50 años.
Estabilidad: El método antiguo a veces daba resultados que saltaban de un lado a otro. El nuevo (GFE) es suave y coherente.
Utilidad para el futuro: Como el método entiende el "patrón" de cada grupo, puede predecir qué pasará en el futuro con mucha más confianza.

6. La Lección Final (Para los políticos y la gente)

El papel nos dice que para ayudar a los pobres, no podemos tratar a todos por igual.

Si una familia es del "Grupo de los Ascensores", necesita un pequeño empujón (un préstamo, un curso) para seguir subiendo.
Si una familia es del "Grupo de los Estables pero Bajos", necesita ayuda estructural (infraestructura, salud) porque están atrapados.

En resumen:
Los autores crearon un lente mágico (el algoritmo GFE) que toma trozos de información incompletos (encuestas rotativas) y los une para reconstruir la película completa de la pobreza. Nos permite ver no solo cuántos son pobres hoy, sino quiénes son, cómo se mueven y hacia dónde van, ayudando a diseñar políticas que realmente funcionen para cada tipo de familia.

¡Es como pasar de tener un mapa borroso a tener un GPS en tiempo real de la pobreza!

Each language version is independently generated for its own context, not a direct translation.

Aquí presento un resumen técnico detallado del artículo "Estimating Long Run Welfare Outcome in Rotating Panel with Grouped Fixed Effects: Application to Poverty Dynamics in Peru", escrito por Hongdi Zhao y Seungmin Lee (abril de 2026).

1. El Problema de Investigación

El estudio aborda la dificultad de investigar la dinámica de la pobreza a nivel de hogares debido a la falta de datos de panel a largo plazo (donde se observa a los mismos hogares durante muchos años).

Limitaciones de los métodos existentes: Los enfoques tradicionales como los paneles pseudo (Deaton, 1985) y los paneles sintéticos (Dang et al., 2014) utilizan datos de encuestas transversales repetidas. Aunque útiles, estos métodos agrupan a los individuos en cohortes basadas en características observables y pierden la variación intra-hogar (información dentro del mismo hogar a lo largo del tiempo).
El desafío de los paneles rotativos: Muchos países en desarrollo (como Perú) utilizan diseños de paneles rotativos, donde una muestra de hogares se entrevista durante un periodo limitado (ej. 3-5 años) y luego es reemplazada por nuevos hogares. Estos diseños ofrecen una superposición parcial (overlap) que contiene información valiosa sobre la persistencia y los choques, pero los métodos de paneles sintéticos ignoran esta información al tratar cada ronda como un corte transversal independiente.
Objetivo: Desarrollar un método que aproveche la información de la superposición en paneles rotativos para estimar la dinámica de la pobreza a largo plazo (movilidad y persistencia) de manera más precisa que los métodos existentes.

2. Metodología: Efectos Fijos Agrupados (GFE)

Los autores aplican el estimador de Efectos Fijos Agrupados (Grouped Fixed Effects - GFE), desarrollado por Bonhomme y Manresa (2015), adaptado al contexto de un panel rotativo desbalanceado.

Modelo Económico:
Se modela el bienestar (gasto per cápita transformado con Inverso Hiperbólico Seno - IHS) como una función de características observables ( $x_{it}$ ) y un componente de heterogeneidad no observada que varía en el tiempo y es compartido por grupos de hogares con patrones similares:
$y_{it} = x'_{it}\theta + \alpha_{g_i t} + \mu_{p_i} + \varepsilon_{it}$
Donde:
- $g_i$ : Grupo latente al que pertenece el hogar $i$ .
- $\alpha_{g_i t}$ : Efecto fijo grupo-año (captura la heterogeneidad no observada específica del grupo que evoluciona en el tiempo).
- $\mu_{p_i}$ : Efecto fijo de ubicación (provincia) para controlar diferencias geográficas persistentes.
Algoritmo de Estimación:
Se utiliza un algoritmo de Búsqueda de Vecindad Variable (VNS) combinado con búsqueda local.
1. Asignación de Grupos: Los hogares se asignan a uno de $G$ grupos latentes basándose en qué grupo minimiza la suma de cuadrados de los residuos de sus observaciones disponibles.
2. Estimación de Parámetros: Dada una asignación, se estiman los coeficientes comunes ( $\theta$ ), los efectos grupo-año ( $\alpha$ ) y los efectos de provincia ( $\mu$ ) mediante Mínimos Cuadrados Ordinarios (MCO) utilizando solo las celdas observadas (evitando el sesgo por datos faltantes).
3. Iteración: El proceso alterna entre actualizar la asignación de grupos y los parámetros hasta la convergencia, utilizando múltiples puntos de inicio para evitar mínimos locales.
Selección del Número de Grupos ( $G$ ):
Se utiliza el Criterio de Información Bayesiano (BIC) y el Error Cuadrático Medio (RMSE) en una validación "out-of-sample" (dejando fuera el último año observado de cada hogar) para determinar el número óptimo de grupos.
Reconstrucción de Trayectorias:
Una vez estimados los grupos y sus perfiles temporales, el modelo permite imputar el bienestar en años no observados (completar el panel) asumiendo reglas para las covariables faltantes (ej. llevar adelante valores invariables o actualizar la edad mecánicamente). Esto permite calcular transiciones de pobreza a horizontes más largos que la duración de la observación del hogar.

3. Datos y Contexto Empírico

Fuente: Encuesta Nacional de Hogares sobre Condiciones de Vida y Pobreza (ENAHO) de Perú, periodo 2007-2019.
Diseño Muestral: Panel rotativo donde los hogares son entrevistados hasta por 6 años.
Muestra Principal: Hogares observados en al menos 3 rondas, con jefes de hogar de 25 a 55 años (para evitar sesgos demográficos por formación o disolución de hogares).
- Total: ~56,390 observaciones-hogar-año de 14,886 hogares únicos.
Especificaciones: Se prueban dos especificaciones de covariables: una conservadora (características demográficas fijas) y una más rica (incluyendo estado civil, acceso a servicios, urbanización).

4. Resultados Principales

A. Selección del Modelo y Validación

Número Óptimo de Grupos: El análisis de sensibilidad indica que $G=4$ es el número óptimo de grupos latentes. Este valor minimiza el RMSE en la validación fuera de muestra, equilibrando la flexibilidad del modelo con la estabilidad de la estimación.
Precisión Predictiva:
- La validación "one-step-ahead" (predecir el último año observado basándose en la historia previa) muestra que el modelo GFE predice el estado de pobreza con una precisión del 83% (83.3% y 83.1% para las dos especificaciones).
- Las transiciones de pobreza (entrada, salida, persistencia) predichas por GFE siguen muy de cerca las transiciones reales observadas en los datos.

B. Comparación con Paneles Sintéticos

Al comparar con los estimadores puntuales de paneles sintéticos (Dang et al., 2014), el enfoque GFE produce menores errores (RMSE promedio de ~0.021 frente a ~0.031 del panel sintético) en la reproducción de las tasas de transición de pobreza.
Ventaja Estructural: A diferencia de los paneles sintéticos, GFE asigna a cada hogar a un "tipo" latente, permitiendo analizar la heterogeneidad y reconstruir trayectorias completas, no solo estimar promedios agregados.

C. Dinámica de la Pobreza y Grupos Latentes

Los cuatro grupos identificados muestran perfiles socioeconómicos y trayectorias de bienestar claramente diferenciados:

Grupo "Top" (Superior): ~11-13% de la población. Mayor gasto base, alta educación universitaria, acceso a servicios y habla española. Mantiene un bienestar alto y estable.
Grupos "Medios" (Lower-mid / Upper-mid): ~60% de la población. Presentan niveles intermedios de bienestar y educación.
Grupo "Bottom" (Inferior): ~23-24% de la población. Menor gasto base, baja educación, menor acceso a servicios básicos.

Trayectorias: El Grupo 4 muestra la mayor mejora en el tiempo, mientras que el Grupo 3 experimenta un deterioro después de 2013. Esto revela que la movilidad no es uniforme; diferentes tipos de hogares responden de manera distinta a los choques macroeconómicos y políticas.

D. Pruebas de Robustez

Sin restricción de edad: Al incluir jefes de hogar de todas las edades, el número óptimo de grupos sigue siendo 4, y las trayectorias se vuelven incluso más estables debido al mayor tamaño de muestra.
Restricción a 5 años: Al limitar la muestra a hogares observados por al menos 5 años (reduciendo drásticamente el tamaño muestral), aunque el número óptimo de grupos sigue siendo 4, las trayectorias estimadas se vuelven más sensibles a la especificación del modelo, destacando la importancia del soporte de datos en las celdas grupo-año.

5. Contribuciones Clave

Marco Metodológico: Proporciona un marco para estudiar la dinámica de la pobreza en paneles rotativos, cerrando la brecha entre los paneles verdaderos (largos) y las encuestas transversales repetidas.
Innovación en Estimación: Adapta el estimador GFE para manejar paneles desbalanceados y descomponer la heterogeneidad no observada en grupos con patrones temporales específicos, superando la sensibilidad a la definición de cohortes de los métodos sintéticos.
Aplicación Práctica: Demuestra cómo reconstruir trayectorias de bienestar completas (llenando años faltantes) para analizar la persistencia y movilidad a largo plazo cuando no se dispone de paneles largos.
Evidencia Empírica: Ofrece una descripción detallada de la dinámica de la pobreza en Perú, identificando tipos de hogares con vulnerabilidades estructurales distintas.

6. Significado e Implicaciones

Política Pública: La identificación de "tipos" de hogares permite diseñar políticas más dirigidas. Por ejemplo, los programas de asistencia social pueden enfocarse en la pobreza transitoria (choques temporales), mientras que las políticas de acumulación de activos y formalización son necesarias para los grupos atrapados en la pobreza crónica (Grupo "Bottom").
Viabilidad de Datos: El estudio demuestra que los paneles rotativos, a menudo subutilizados para análisis de largo plazo, contienen suficiente información para estimar dinámicas robustas si se utilizan métodos avanzados como GFE.
Recomendación: Se sugiere que los investigadores utilicen GFE en lugar de paneles sintéticos cuando existan datos de paneles rotativos, ya que ofrece una estructura latente interpretable y una mayor precisión predictiva, siempre que se manejen con cuidado las suposiciones sobre la imputación de covariables en años no observados.

En resumen, el artículo valida el uso de Efectos Fijos Agrupados como una herramienta superior para desentrañar la dinámica de la pobreza en contextos de datos limitados, ofreciendo una visión más matizada y precisa de la movilidad y la persistencia de la pobreza en Perú.