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.

Il Problema: Il Puzzle Incompleto della Povertà

Immagina di voler capire come cambia la vita delle famiglie in Perù nel corso degli anni. Per farlo, avresti bisogno di un "film" continuo: osservare la stessa famiglia dal 2007 al 2019, anno dopo anno, per vedere chi esce dalla povertà, chi ci rimane intrappolato e chi ci cade dentro.

Il problema? Non esiste questo film.
I sondaggi sulle famiglie sono costosi. Spesso, le interviste sono come un puzzle con pezzi mancanti:

Alcuni pezzi (famiglie) appaiono solo per 2 o 3 anni e poi spariscono.
Altri pezzi nuovi entrano ogni anno.
Non abbiamo mai la stessa famiglia per tutto il tempo.

I metodi tradizionali (come i "pannelli sintetici") cercano di ricostruire il film usando solo le foto scattate in anni diversi, come se ogni anno fosse una scena di un film diverso con attori diversi. Funziona, ma è come guardare un film con i salti: perdi i dettagli su come le persone cambiano davvero.

La Soluzione: Il "Gruppo di Amici" (GFE)

Gli autori, Hongdi Zhao e Seungmin Lee, usano un metodo intelligente chiamato Effetti Fissi Raggruppati (GFE). Ecco come funziona con un'analogia semplice:

Immagina di non poter seguire ogni singola persona per sempre. Invece, decidi di raggruppare le famiglie in "tipi" o "club" basati su come si comportano quando le vedi.

L'osservazione: Vedi una famiglia per 3 anni. Noti che i loro soldi aumentano lentamente.
Il raggruppamento: Cerchi altre famiglie che, anche se le vedi per pochi anni, mostrano lo stesso andamento (i soldi aumentano lentamente). Le metti nello stesso "Club".
La magia: Una volta che hai creato questi "Club" (ad esempio, 4 gruppi principali), puoi dire: "Ah, questa famiglia appartiene al Club che tende a migliorare la sua situazione economica. Anche se non la vedo quest'anno, posso prevedere che probabilmente starà meglio l'anno prossimo, basandomi sulla media del suo Club."

È come se avessi un oracolo statistico: non devi vedere ogni persona ogni giorno per sapere cosa succederà; basta sapere a quale "tipo" appartiene e come si comporta quel tipo nel tempo.

Cosa hanno scoperto in Perù?

Usando i dati del Perù (dove le famiglie vengono intervistate in modo rotante), hanno scoperto che esistono 4 tipi principali di famiglie che vivono esperienze molto diverse:

I "Fortunati" (Top): Vivono bene, hanno istruzione alta, acqua e luce. La loro situazione è stabile e buona.
I "Medi" (Upper-mid & Lower-mid): Sono la grande maggioranza. La loro vita oscilla un po', ma tendono a stare nella fascia media.
I "Disagiati" (Bottom): Hanno meno istruzione, meno accesso a servizi base e partono già svantaggiati.

La scoperta chiave:
Mentre i metodi vecchi pensavano che la povertà fosse un po' casuale, il metodo GFE ha mostrato che queste famiglie sono intrappolate in percorsi prevedibili.

Le famiglie del "Club Fortunato" rimangono benestanti.
Le famiglie del "Club Disagiato" faticano enormemente a uscire, anche se ci sono tentativi di miglioramento.
Il metodo riesce a prevedere con grande precisione (circa l'83%) se una famiglia sarà povera o meno l'anno dopo, anche senza averla vista quell'anno.

Perché è importante? (La Metafora del Medico)

Immagina di essere un medico.

Il metodo vecchio (Pannello Sintetico): Ti dà una foto della salute della popolazione ogni anno. Sai quanti malati ci sono oggi e quanti ce n'erano l'anno scorso, ma non sai chi si è ammalato e perché.
Il metodo nuovo (GFE): Ti permette di creare una "cartella clinica" per ogni tipo di paziente. Sai che il "Paziente Tipo A" tende a guarire velocemente, mentre il "Paziente Tipo B" ha bisogno di cure specifiche e costanti.

Perché questo cambia le cose per la politica?
Se sai che certi gruppi sono "intrappolati" in una povertà cronica (non sono solo sfortunati per un mese, ma hanno una struttura che li blocca), il governo non deve dare solo un aiuto temporaneo (come un sussidio di emergenza). Deve costruire strade, scuole e ospedali per rompere quella struttura e permettere a quel "Club" di uscire dalla povertà per sempre.

In Sintesi

Questo paper ci dice che anche se non abbiamo un film completo della vita delle famiglie, possiamo ricostruirlo molto bene raggruppando le persone in base alle loro somiglianze nascoste. È come guardare le orme sulla sabbia: anche se non vedi la persona che le ha lasciate, puoi capire se sta camminando veloce, se è zoppa o se sta correndo, e prevedere dove andrà dopo.

Questo ci aiuta a capire non solo chi è povero oggi, ma chi rimarrà povero domani e, soprattutto, come aiutarli davvero.

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

Titolo: Stima degli Esiti di Benessere a Lungo Termine in Pannelli Rotanti con Effetti Fissi Raggruppati: Applicazione alla Dinamica della Povertà in Perù

Autori: Hongdi Zhao e Seungmin Lee
Data: Aprile 2026

1. Il Problema di Ricerca

La dinamica della povertà a livello familiare è difficile da investigare a causa della scarsità di dati panel di lungo periodo. Le metodologie esistenti, come i pseudo-panel e i pannelli sintetici, offrono soluzioni basate su dati trasversali ripetuti, ma presentano limiti significativi:

Perdita di informazione: Non sfruttano la variazione intra-familiare presente nei disegni di pannelli rotanti (dove un sottoinsieme di unità viene ruotato fuori e nuove unità entrano periodicamente).
Limiti delle stime: I pannelli sintetici forniscono stime di confine o punti basati su assunzioni parametriche forti (es. autocorrelazione a livello di coorte) che potrebbero non valere nel lungo termine, portando a stime distorte o imprecise.
Sfide dei pannelli rotanti: Sebbene i pannelli rotanti (come l'ENAHO in Perù) offrano informazioni intra-familiari per brevi periodi (2-6 anni), l'uso di effetti fissi a livello di unità singola è spesso impreciso a causa della breve durata temporale ( $T$ ) e non fornisce implicazioni economiche interpretabili per l'estrapolazione a lungo termine.

L'obiettivo è sviluppare un metodo per stimare la mobilità e la persistenza della povertà a lungo termine sfruttando le sovrapposizioni osservate nei pannelli rotanti, colmando il divario tra i veri pannelli di lungo periodo e le ripetute sezioni trasversali.

2. Metodologia: Effetti Fissi Raggruppati (GFE)

Il paper applica l'estimatore Grouped Fixed Effects (GFE), proposto da Bonhomme e Manresa (2015), adattato alla struttura dei pannelli rotanti.

Modello Teorico:
Il benessere familiare ( $y_{it}$ ) è modellato come:
$y_{it} = x'_{it}\theta + \alpha_{g_i t} + \mu_{p_i} + \varepsilon_{it}$
Dove:
- $y_{it}$ : Spesa pro capite (trasformata con Inverse Hyperbolic Sine - IHS).
- $x_{it}$ : Caratteristiche osservate (es. istruzione, età, genere, servizi).
- $\mu_{p_i}$ : Effetti fissi per provincia (per catturare l'eterogeneità spaziale non osservata).
- $\alpha_{g_i t}$ : Effetti fissi gruppo-tempo, che catturano l'eterogeneità non osservata specifica per un "tipo" latente $g$ che evolve nel tempo.
- Le famiglie sono assegnate a uno di $G$ gruppi latenti ( $g_i$ ) in base alla similarità dei loro percorsi di benessere non osservati.
Algoritmo di Stima:
Viene utilizzato un algoritmo iterativo basato sulla Ricerca nel Vicinato Variabile (VNS) combinata con una ricerca locale.
1. Assegnazione dei gruppi: Le famiglie vengono assegnate al gruppo che minimizza la somma dei quadrati dei residui sulle anni osservati.
2. Stima dei parametri: Dati i gruppi, si stimano $\theta$ , $\alpha_{gt}$ e $\mu_p$ tramite OLS sui dati osservati.
3. Gestione del Pannello Rotante: L'algoritmo è adattato per gestire dati sbilanciati, utilizzando solo le celle osservate $(i,t)$ per la stima e l'assegnazione, ignorando gli anni in cui la famiglia non è stata intervistata senza penalizzarla.
Selezione del Numero di Gruppi ( $G$ ):
Il numero ottimale di gruppi viene selezionato combinando il Criterio di Informazione Bayesiano (BIC) e l'Errore Quadratico Medio (RMSE) su dati di test (hold-out dell'ultimo anno osservato per ogni famiglia).
Costruzione dei Percorsi Completati:
Una volta stimati i percorsi gruppo-tempo ( $\hat{\alpha}_{gt}$ ), è possibile ricostruire il benessere per gli anni non osservati ( $y^{comp}_{it}$ ) assumendo regole di imputazione per le covariate mancanti (es. portare avanti le caratteristiche fisse, aggiornare l'età). Questo permette di stimare le transizioni di povertà oltre la finestra temporale osservata.

3. Dati e Implementazione

Fonte: Indagine Nazionale sulle Condizioni di Vita e la Povertà (ENAHO) del Perù, dal 2007 al 2019.
Design: Pannello rotante dove il 30% del campione è seguito fino a 6 anni.
Campionamento:
- Campione principale: Famiglie osservate per almeno 3 anni con il capofamiglia tra i 25 e i 55 anni (per ridurre attriti non casuali e cambiamenti demografici drastici).
- Campione totale: ~471.000 osservazioni famiglia-anno.
- Campione stimato: ~56.000 osservazioni da 14.886 famiglie uniche.
Specifiche: Sono state testate due specifiche di covariate (una conservativa con caratteristiche fisse e una più ricca con variabili temporali come stato civile e accesso a servizi).

4. Risultati Chiave

A. Selezione del Modello e Stabilità

Il numero ottimale di gruppi latenti selezionato è $G=4$ .
Sebbene il BIC diminuisca all'aumentare di $G$ (indicando un miglior fit interno), l'RMSE fuori campione (sull'ultimo anno osservato) raggiunge un minimo a $G=4$ e peggiora per $G$ più grandi a causa dell'overfitting e della scarsa supporto nelle celle gruppo-anno.
La struttura dei gruppi è stabile rispetto a diverse inizializzazioni casuali e specifiche di covariate.

B. Traiettorie di Benessere Latenti

I quattro gruppi identificati mostrano dinamiche distinte e economicamente interpretabili:

Gruppo "Top" (Superiore): Benessere costantemente alto, stabile nel tempo. Caratterizzato da alta istruzione, accesso a servizi e lingua spagnola.
Gruppo "Lower-mid" e "Upper-mid": Traiettorie intermedie con dinamiche miste (alcuni miglioramenti iniziali seguiti da declino o stagnazione).
Gruppo "Bottom" (Inferiore): Benessere inizialmente basso, con un miglioramento significativo nel tempo (riduzione della povertà), ma che parte da livelli di svantaggio strutturale.

Le caratteristiche di base (istruzione, accesso all'acqua/elettricità) differiscono sistematicamente tra i gruppi, confermando che la classificazione non è arbitraria ma riflette tipi familiari distinti.

C. Validazione e Confronto

Validazione "One-step-ahead": Il modello predice lo stato di povertà dell'ultimo anno osservato (tenuto fuori dal training) con un'accuratezza di classificazione del ~83%. Le transizioni previste (ingresso/uscita dalla povertà) seguono da vicino i dati reali.
Confronto con Pannelli Sintetici: Rispetto alle stime puntuali dei pannelli sintetici (metodo Dang et al., 2014), l'approccio GFE:
- Produce errori medi (RMSE) più bassi nelle transizioni di povertà.
- È più stabile nel tempo.
- Fornisce una struttura latente interpretabile che i pannelli sintetici non offrono.

D. Dinamiche a Lungo Termine

Utilizzando i percorsi completati, il modello stima la persistenza della povertà e la mobilità su orizzonti temporali superiori alla durata osservata del pannello, identificando la quota di famiglie cronicamente povere rispetto a quelle transitorie.

5. Check di Robustezza

Rimozione del vincolo di età: L'eliminazione del limite di età del capofamiglia (25-55 anni) non cambia il numero ottimale di gruppi ( $G=4$ ) né le conclusioni principali, suggerendo che i risultati non sono guidati da questo filtro.
Sottocampione a lungo termine (5+ anni): Limitare il campione alle famiglie osservate per almeno 5 anni riduce drasticamente la dimensione del campione. Sebbene $G=4$ rimanga ottimale, le traiettorie stimate diventano meno stabili tra le diverse specifiche di covariate, evidenziando il compromesso tra informazione intra-familiare e supporto statistico nelle celle.
Previsione a medio termine: Il modello predice con successo (accuratezza >80%) lo stato di povertà per due anni di test consecutivi.

6. Contributi e Significato

Ponte Metodologico: Fornisce un quadro per studiare la dinamica della povertà nei pannelli rotanti, sfruttando le sovrapposizioni per stimare gruppi latenti e profili temporali, colmando il divario tra pannelli veri e sezioni trasversali ripetute.
Estensione Temporale: Dimostra come il GFE possa recuperare misure di transizione della povertà su orizzonti più lunghi della durata osservata del pannello, offrendo un approccio pratico per studiare la mobilità a medio-lungo termine quando i dati panel completi non sono disponibili.
Alternativa ai Pannelli Sintetici: È il primo studio ad applicare il GFE alla dinamica della povertà, fornendo un'alternativa basata sui dati che riduce la sensibilità alle definizioni arbitrarie di coorte e produce stime più stabili.
Implicazioni Politiche: La capacità di identificare "tipi" familiari distinti con traiettorie diverse aiuta a distinguere tra povertà transitoria e cronica, permettendo di progettare politiche mirate (es. assistenza sociale per la povertà transitoria vs. accumulo di asset per quella cronica).

In sintesi, il paper dimostra che l'uso di effetti fissi raggruppati su dati di pannelli rotanti permette di ottenere stime robuste e interpretabili della dinamica della povertà a lungo termine, superando i limiti delle metodologie tradizionali basate su sezioni trasversali ripetute.