Normative Translation and Pre-Screening to Overcome Domain Collapse and Epistemic Shielding in Non-Compensatory Composite Indicators

Resumen Técnico: Traducción Normativa y Pre-cribado para Superar el Colapso del Dominio y el Escudo Epistémico

Planteamiento del Problema
El artículo aborda un fallo computacional y metodológico crítico en la construcción de indicadores compuestos (IC) no compensatorios para políticas multidimensionales, como los índices de pobreza o progreso social. Cuando los indicadores están anclados a umbrales normativos absolutos (por ejemplo, los ODS de la ONU), las regiones deprimidas generan inevitablemente puntuaciones negativas. Las funciones estándar de Elasticidad de Sustitución Constante (CES), particularmente aquellas que se aproximan al límite de Leontief ($\rho \to -\infty$) para imponer una "necesidad dual fuerte" (donde los déficits severos no pueden ser compensados por la excelencia), encuentran un colapso del dominio computacional. Debido a que el software estándar evalúa $X^\rho$ mediante $\exp(\rho \ln(X))$, introducir valores negativos en el logaritmo resulta en números complejos indefinidos o errores NaN.

Además, el artículo identifica un grave peligro metodológico denominado la Trampa del Escudo Epistémico. Los profesionales suelen intentar resolver el problema del dominio negativo derivando buffers de traducción a partir de la varianza de los datos empíricos o los márgenes de error de medición. El artículo demuestra que este enfoque blinda geométricamente a las regiones mal medidas frente a las penalizaciones no compensatorias. En un espacio Leontief, las dimensiones con alto ruido estadístico generan buffers de traducción masivos, alejando sus puntuaciones del cuello de botella. En consecuencia, la ignorancia estadística (la mala calidad de los datos) recompensa inadvertidamente a las regiones al ocultar su verdadera desposesión estructural. Adicionalmente, aplicar penalizaciones de incertidumbre multiplicativas a puntuaciones negativas es matemáticamente inválido, ya que puede mejorar inadvertidamente (reducir la negatividad de) las puntuaciones de privación, recompensando así la ignorancia.

Metodología
El artículo propone una arquitectura metodológica unificada que consta de dos resoluciones principales:

1. CES con Anclaje Normativo Global Traducido:
   Para resolver el colapso del dominio sin destruir el punto cero normativo, los autores introducen una función CES de tipo Stone-Geary con un Buffer Normativo Global ($C_{global}$). A diferencia de los buffers específicos de cada dimensión derivados de la varianza de los datos, $C_{global}$ es una constante estrictamente normativa anclada al suelo absoluto de la escala de política (por ejemplo, la máxima distancia de privación posible).

   • La fórmula de agregación traduce las puntuaciones ($X_d = S_d + C_{global}$) para asegurar la positividad, aplica la función CES y luego resta el buffer para restaurar la escala original.
   • Para evitar la "Deriva de Compensabilidad Inducida por la Traducción" (donde buffers masivos fuerzan al agregador hacia una media aritmética ponderada), el artículo deriva un Umbral de Puerto Seguro Derivado de Simulación para el parámetro de sustitución $\rho$. Esto asegura que $\rho$ sea lo suficientemente negativo en relación con la magnitud del buffer y la dispersión teórica de la política para preservar la geometría del cuello de botella de Leontief.

2. Deducción de Equivalencia de Certeza Epistémica (Pre-cribado):
   Para abordar la Trampa del Escudo Epistémico, el artículo introduce un mecanismo de pre-cribado aditivo basado en la teoría de la Utilidad Esperada Máximo-Mínimo (MEU) y la teoría de la decisión bajo ambigüedad.

   • En lugar de usar la varianza de los datos para desplazar las puntuaciones, el método aplica una deducción de equivalencia de certeza en el espacio de entrada: $S^*_{d} = S_d - Z \cdot \sigma_{\epsilon, d}$, donde $Z$ es un umbral de confianza normativa y $\sigma_{\epsilon, d}$ es la desviación estándar del error de medición.
   • Este desplazamiento aditivo penaliza la ignorancia estadística al reducir efectivamente la puntuación de las regiones con alta incertidumbre antes de la agregación.
   • El marco distingue entre riesgo aleatorio (aleatoriedad) e incertidumbre epistémica (ignorancia), tratando a esta última como una realización del peor caso dentro de un conjunto de soporte acotado.
   • Para los datos con un patrón de ausencia no aleatorio (MNAR, por sus siglas en inglés), comunes en regiones deprimidas, el método exige una Imputación Única Pesimista (por ejemplo, extrayendo del percentil 10 de la distribución predictiva posterior) en lugar de la imputación múltiple estándar, que diluiría la prima de ambigüedad.
   • Se introduce un Flag de Disparador de Circuito de Diagnóstico para identificar el "desplazamiento del cuello de botella epistémico", donde una región que ha alcanzado los objetivos de política es arrastrada al dominio de la privación únicamente debido al alto ruido de medición.

Resultados Clave

• Traza Numérica y Validación de Monte Carlo: Una traza numérica estilizada y una simulación de Monte Carlo de 10,000 regiones sintéticas demuestran que los modelos CES con buffer de ruido ingenuos elevan artificialmente las regiones deprimidas y con pocos datos (por ejemplo, desplazando una puntuación de -60 a -28). En contraste, el modelo propuesto de CES Normativo + Deducción Epistémica identifica correctamente estas regiones como las más deprimidas (por ejemplo, -100), aplicando la prima de ambigüedad.
• Prueba de Concepto Empírica: La aplicación del marco a los datos subnacionales de la Encuesta Nacional de Salud Familiar de la India (NFHS-5) revela la Trampa del Escudo Epistémico en datos reales. Una región profundamente deprimida y con pocos datos (Jharkhand) fue elevada artificialmente en los rankings bajo un modelo ingenuo debido a los masivos márgenes de error de la encuesta. El marco propuesto penalizó correctamente esta región, mientras que una región con pocos datos pero adecuada (Goa) activó el flag de diagnóstico por desplazamiento del cuello de botella epistémico.
• Análisis de Sensibilidad: El análisis de Efectos Elementales de Morris confirma que el umbral de confianza normativa ($Z$) ejerce la mayor influencia en el índice dentro de los límites del puerto seguro, validando su papel como el dial principal para la aversión a la ambigüedad.

Significancia y Reivindicaciones
El artículo sostiene que proporciona una solución matemáticamente rigurosa al problema de las "puntuaciones negativas" en la agregación no compensatoria, preservando el cuello de botella de Leontief (necesidad dual fuerte) mientras evita que la ignorancia estadística blinde a las regiones frente a las penalizaciones.

• Contribución Metodológica: Establece que los buffers computacionales deben ser normativos (basados en objetivos de política) en lugar de empíricos (basados en la varianza de los datos) para evitar la Trampa del Escudo Epistémico.
• Contribución Ética/Política: El marco transforma el punto cero de la puntuación de un artefacto estadístico a un umbral de política sustantivamente interpretable. Enmarca explícitamente la eliminación de las penalizaciones epistémicas a lo largo del tiempo como un "dividendo de calidad de datos", permitiendo el seguimiento longitudinal de la capacidad institucional.
• Advertencia Crítica: Los autores emiten una advertencia estricta contra el uso del índice penalizado para la asignación de fondos transversales. Debido a que la calidad de los datos es endógena al desarrollo, las regiones con pocos datos enfrentan un "doble castigo" (pobreza estructural + déficit estadístico). El índice está diseñado como una herramienta de seguimiento longitudinal y auditoría diagnóstica interna, no como un mecanismo directo de distribución de recursos espaciales sin ajustes suplementarios.

El artículo concluye que, al integrar una deducción de equivalencia de certeza dentro de la geometría no compensatoria, es posible penalizar la incertidumbre sin violar los axiomas de la teoría de la decisión bajo ambigüedad ni distorsionar la premisa de la necesidad dual fuerte.