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

Dit artikel past gegroepeerde vaste effecten toe op een roterend panel van Peruaanse huishoudens om armoedebeweging en -persistentie nauwkeuriger te schatten dan met synthetische panelmethoden, waardoor langlopende welvaartsdynamiek beter kan worden onderzocht ondanks beperkte langetermijndata.

De kern

De Grote Uitdaging: Het Ontbrekende Puzzelstukje

Stel je voor dat je wilt begrijpen hoe het leven van arme gezinnen in Peru verandert. Wil je weten: Blijven ze arm? Of komen ze eruit? En waarom?

Om dit te weten te komen, heb je idealiter een "longitudinale studie" nodig: je volgt dezelfde gezinnen jaar na jaar, van wie ze zijn tot wat ze verdienen. Maar hier zit een probleem. Dergelijke studies zijn extreem duur en moeilijk om te organiseren. In de praktijk hebben we vaak alleen maar "rotatiepanelen".

De Rotatiepanel-Metafoor:
Stel je voor dat je een groep mensen volgt, maar niet iedereen blijft even lang.

• In jaar 1 zie je 100 gezinnen.
• In jaar 2 zie je 70 van die gezinnen, maar 30 zijn vertrokken en 30 nieuwe zijn gekomen.
• In jaar 3 zie je weer een mix: een deel van de oude, een deel van de nieuwe.

Het is alsof je een film kijkt, maar er zijn steeds wisselende acteurs. Je ziet de plot (arm vs. niet-arm), maar je mist de continuïteit van het verhaal van het individu. Traditionele methoden proberen dit op te lossen door gezinnen in "cohorten" te groeperen (bijv. "alle gezinnen uit het dorp X"), maar dat is als het proberen te raden van een individueel verhaal door alleen naar de gemiddelde stem van de hele menigte te luisteren. Het mist de nuance.

De Oplossing: De "Groeps-Fix" (Grouped Fixed Effects)

De auteurs van dit paper, Hongdi Zhao en Seungmin Lee, gebruiken een slimme nieuwe techniek genaamd GFE (Grouped Fixed Effects).

De Analogie van de Dansgroepen:
Stel je voor dat je een grote danszaal hebt met duizenden mensen die willekeurig bewegen. Je wilt weten wie met wie dansen, maar je ziet ze maar een paar minuten tegelijk.
In plaats van te proberen elke danser individueel te volgen (wat onmogelijk is omdat ze verdwijnen), kijkt de GFE-methode naar patronen.

De methode zegt: "Oké, laten we deze duizenden gezinnen indelen in een paar vaste 'dansgroepen' op basis van hoe ze bewegen."

• Groep 1: Mensen die altijd hoog springen (rijk).
• Groep 2: Mensen die langzaam dalen (worden armer).
• Groep 3: Mensen die eerst stijgen en dan dalen.
• Groep 4: Mensen die een enorme sprong maken (worden veel rijker).

Het slimme aan GFE is dat het de gezinnen niet op basis van hun naam of adres groepeert, maar op basis van hun gedrag. Als een gezin in de data een patroon toont dat lijkt op "Groep 3", dan krijgt het die label, zelfs als we ze maar een paar jaar hebben gezien.

Wat hebben ze ontdekt?

Ze hebben deze methode toegepast op de data van Peru (ENAHO) van 2007 tot 2019. Hier zijn de belangrijkste bevindingen, vertaald naar begrijpelijke termen:

1. Het werkt beter dan de oude methoden:
   De oude methoden (zoals "synthetische panelen") waren als het proberen een film te reconstrueren door alleen de bioscoopkaarten te tellen. Ze gaven een ruw beeld. De nieuwe GFE-methode is als het hebben van een AI die de ontbrekende scènes van de film invult op basis van hoe de acteurs zich normaal gedragen. De voorspellingen van GFE kwamen veel dichter bij de werkelijkheid dan de oude methoden.

2. Vier duidelijke levenspaden:
   Ze vonden dat er in Peru vier duidelijke types gezinnen zijn:

   • De "Top": Deze groep blijft rijk en stabiel. Ze hebben vaak een hogere opleiding en spreken Spaans.
   • De "Bodem": Deze groep blijft arm. Ze hebben minder toegang tot water, stroom en onderwijs.
   • De "Opkomers": Een groep die in de beginjaren vooruitgang boekte, maar later weer terugviel.
   • De "Opklimmers": Een groep die een enorme sprong voorwaarts maakte en zich uit de armoede werkte.

3. Het voorspellen van de toekomst:
   Omdat ze weten welk "dansgroepje" een gezin bij hoort, kunnen ze voorspellen wat er gebeurt in de jaren dat ze niet in de enquête zaten. Het is alsof je een speler kent die altijd naar rechts springt; als je hem even niet ziet, weet je toch dat hij waarschijnlijk nog steeds naar rechts springt. Ze konden de armoede voor de komende jaren voorspellen met een nauwkeurigheid van ongeveer 83%.

Waarom is dit belangrijk?

Stel je voor dat de overheid geld wil uitgeven om armoede te bestrijden.

• Als je alleen kijkt naar het gemiddelde, weet je niet wie je moet helpen.
• Met deze methode kun je zeggen: "Oké, Groep 3 (de opklimmers die weer terugvallen) heeft dringend hulp nodig om niet terug te vallen in de valkuil. Groep 4 (de opklimmers) heeft een beetje duwtje in de rug nodig om de top te bereiken."

Het helpt beleidsmakers om te begrijpen dat armoede niet voor iedereen hetzelfde is. Sommige mensen zijn tijdelijk arm (door een tegenslag), anderen zijn structureel arm (door gebrek aan middelen).

Conclusie in één zin

Dit onderzoek toont aan dat je, zelfs als je niet elke gezin het hele jaar door kunt volgen, door slimme wiskunde en het groeperen van gezinnen op basis van hun gedrag, toch een heel betrouwbaar beeld kunt krijgen van hoe armoede in de loop der tijd beweegt, stijgt of daalt. Het is een nieuwe manier om het ontbrekende puzzelstukje van de economische toekomst in te vullen.

Technische samenvatting

Probleemstelling

Het bestuderen van huishoudelijke armoedegedrag (armoedynamiek) is vaak moeilijk vanwege het gebrek aan langetermijnpaneldata. Bestaande methoden, zoals pseudo-panel en synthetische panel methoden, lossen dit op door herhaalde dwarsdoorsneden te gebruiken en cohorten te definiëren op basis van vooraf bepaalde kenmerken (bijv. geboortejaar, dorp). Deze methoden hebben echter twee belangrijke beperkingen:

1. Ze negeren de variatie binnen huishoudens die wel aanwezig is in roterende panelen (waarbij een subset van huishoudens periodiek wordt vervangen, maar er een korte overlap is van 2 tot 6 jaar).
2. Ze vertrouwen op sterke aannames over de autocorrelatie van welvaart op cohortniveau, wat op de lange termijn vaak niet holdt, wat leidt tot vertekende schattingen van chronische armoede en mobiliteit.

Roterende panelen (zoals in Peru) bieden waardevolle informatie over korte termijn dynamiek, maar zijn onvoldoende voor het schatten van langetermijntrends. De auteurs stellen dat bestaande methoden de beschikbare overlap binnen huishoudens niet optimaal benutten om de correlatie in onwaargenomen schokken te disciplineren.

Methodologie: Grouped Fixed Effects (GFE)

Het paper past de Grouped Fixed Effects (GFE) schatter (Bonhomme en Manresa, 2015) toe op roterende paneldata. In plaats van een vast effect per individueel huishouden te schatten (wat onnauwkeurig is bij korte panels), worden huishoudens gegroepeerd in een eindig aantal latente typen (groepen) die vergelijkbare tijdspatronen in onwaargenomen heterogeniteit vertonen.

Het Model:
De welvaart ($y_{it}$, gemeten als de inverse hyperbolische sinus-transformatie van de consumptie per hoofd) wordt gemodelleerd als:
$$y_{it} = x'_{it}\theta + \alpha_{g_i t} + \mu_{p_i} + \varepsilon_{it}$$
Waarbij:

• $x_{it}$: Waargenomen covariaten (bijv. geslacht, leeftijd, onderwijs).
• $\theta$: Gemeenschappelijke coëfficiënten.
• $\alpha_{g_i t}$: Groep-tijd effecten. Dit is het kernpunt; huishoudens in dezelfde latente groep $g_i$ delen een gemeenschappelijk tijdsverloop van onwaargenomen heterogeniteit.
• $\mu_{p_i}$: Provincie-vaste effecten (om tijd-invariante regionale verschillen te controleren).
• $\varepsilon_{it}$: Idiosyncratische foutterm.

Schattingsprocedure:

1. Algoritme: Het paper gebruikt het VNS (Variable Neighborhood Search) + Local Search algoritme van BM2015, aangepast voor onbalans roterende panelen. Het minimaliseert de som van kwadratische residuen over de waargenomen huishouden-jaar observaties.
2. Behandeling van ontbrekende data: Omdat huishoudens niet elk jaar worden geïnterviewd, worden alleen de waargenomen cellen ($d_{it}=1$) gebruikt voor de schatting. Groeptoewijzingen worden gebaseerd op de residuen over de jaren waarin het huishouden wel werd geobserveerd.
3. Selectie van het aantal groepen ($G$): Het optimale aantal groepen wordt bepaald via een combinatie van de Bayesian Information Criterion (BIC) (voor in-sample fit) en Root Mean Square Error (RMSE) (voor out-of-sample voorspellingsvermogen).
4. Validatie: Een "one-step-ahead" validatie wordt uitgevoerd waarbij het laatste geobserveerde jaar van elk huishouden wordt weggehouden (testset) om de voorspellingsnauwkeurigheid te testen.

Data en Implementatie

• Data: De Nationale Huishoudensurvey voor Leefomstandigheden en Armoede (ENAHO) van Peru, periode 2007–2019.
• Steekproef: Huishoudens die minstens drie rondes hebben doorlopen en waarbij het hoofd van het huishouden tussen de 25 en 55 jaar is (om demografische verstoringen door huishoudenvorming/opheffing te minimaliseren).
• Specificaties: Twee sets covariaten worden getest: een conservatieve set (demografisch) en een uitgebreide set (inclusief huishoudelijke voorzieningen zoals water en elektriciteit).

Belangrijkste Resultaten

1. Optimaal Aantal Groepen:
   De analyse toont aan dat $G=4$ de beste voorspellingsnauwkeurigheid biedt (minimale RMSE). Hoewel de BIC blijft dalen bij meer groepen (wat wijst op overfitting), stabiliseert de voorspellingsfout bij 4 groepen. Dit suggereert dat 4 latente typen voldoende zijn om de heterogeniteit in armoedynamiek te vangen zonder ruis toe te voegen.

2. Gedetailleerde Groepsprofielen:
   De 4 gegroepeerde typen vertonen duidelijke en economisch betekenisvolle verschillen:

   • Top-groep: Hoogste basiswelvaart, hoogste opleidingsniveau, hoogste toegang tot basisvoorzieningen (water/elektriciteit) en spreken Spaans.
   • Bottom-groep: Laagste welvaart, laagste onderwijs, minder toegang tot voorzieningen.
   • Tussengroepen: Vertonen verschillende trajecten; sommige stijgen, andere dalen of stabiliseren.
     De groepen zijn niet willekeurig; ze corresponderen met systematische verschillen in observabele levensstandaarden.

3. Voorspellingsvermogen en Validatie:

   • Aggregate niveau: De door het GFE-model voorspelde armoedecijfers komen zeer nauw overeen met de werkelijke waargenomen cijfers in de testdata.
   • Transities: De GFE-methode reproduceert de waargenomen overgangen (armoede-naar-niet-armoede, enz.) nauwkeuriger dan synthetische panel methoden. De RMSE voor GFE is lager (ca. 0.020-0.021) dan die van synthetische panel schattingen (ca. 0.028-0.031).
   • Voorspellingsnauwkeurigheid: In een medium-termijn validatie (voorspellen van 2 jaar vooruit) bereikt het model een classificatie-nauwkeurigheid van ongeveer 83%.

4. Vergelijking met Synthetische Panel:
   In tegenstelling tot synthetische panel methoden, die alleen grenswaarden of punt-schattingen geven op cohortniveau, biedt GFE:

   • Een interpreteerbare structuur van latente groepen.
   • De mogelijkheid om volledige welvaartspaden te reconstrueren voor huishoudens in niet-geobserveerde jaren (door covariaten te imputeren en groep-tijd effecten te gebruiken).
   • Stabilere schattingen van langetermijndynamiek.

Robuustheidstests

• Zonder leeftijdsrestrictie: Het verwijderen van de leeftijdsbeperking (25-55 jaar) verandert het optimale aantal groepen niet ($G=4$ blijft gelden) en de trajecten blijven stabiel. Een grotere steekproef stabiliseert de schattingen zelfs.
• Lange termijn huishoudens (minimaal 5 jaar): Het beperken van de steekproef tot huishoudens met zeer lange observatieperiodes verkleint de steekproef drastisch. Hoewel $G=4$ nog steeds de beste fit is, worden de geschatte trajecten tussen verschillende specificaties minder stabiel. Dit benadrukt dat bij roterende panelen een bredere dekking met kortere observaties vaak beter is dan een kleine subset van zeer lange panels.

Significantie en Bijdrage

Dit paper biedt een belangrijke methodologische bijdrage aan de ontwikkelings economie:

1. Brug tussen data-types: Het vult de kloof tussen korte roterende panelen en langetermijnpanelstudies door gebruik te maken van de overlap in data om latente groepen te identificeren.
2. Praktische toepassing: Het biedt een concrete methode om langetermijn armoedepersistentie en mobiliteit te schatten wanneer lange panels ontbreken, wat cruciaal is voor beleidsvorming (bijv. onderscheid maken tussen tijdelijke en chronische armoede).
3. Interpreteerbaarheid: De data-gedreven groepering levert inzichtelijke "types" van huishoudens op, wat beleidsmakers helpt om gerichte interventies te ontwerpen voor specifieke kwetsbare groepen.
4. Validatie van methode: Het toont aan dat GFE superieur is aan traditionele synthetische panel methoden in termen van voorspellingsnauwkeurigheid en het vermogen om heterogeniteit te modelleren in een roterende panel setting.

Kortom, de auteurs demonstreren dat GFE een krachtig en robuust instrument is om de dynamiek van armoede op de lange termijn te analyseren in landen waar alleen beperkte paneldata beschikbaar is.