Espanhol (pdf)
Artigo em XML
Referências do artigo
Tradução automática
Enviar este artigo por email
Citado por SciELO 
Similares em
SciELO 
Permalink
1. Introducción
En la actualidad, los programas de transferencias monetarias se han consolidado como una herramienta esencial para combatir la pobreza y mejorar el bienestar de los hogares vulnerables, especialmente en países en desarrollo (CAF, 2018). Un ejemplo destacado es el programa Juntos implementado en Perú desde el año 2005, el cual otorga subsidios en efectivo condicionados al cumplimiento de requisitos como enviar a los niños a la escuela o asistir a controles de salud. La efectividad de estas intervenciones radica en su capacidad para llegar a los hogares con mayores carencias. Por lo tanto, contar con modelos predictivos que permitan identificar a los potenciales beneficiarios resulta crucial para optimizar la focalización y la distribución eficiente de los fondos públicos destinados a este programa.
Estas iniciativas han demostrado un impacto positivo en la reducción de la pobreza y en la mejora del bienestar en economías emergentes (Banerjee & Duflo, 2019). En este contexto, diversas investigaciones han implementado algoritmos avanzados para abordar el desafío de identificar a los beneficiarios de manera precisa, como árboles de decisión (Lee, Lessler, & Stuart, 2010; Linden & Yarnold, 2018), gradient boosting machine (Autenrieth et al., 2021; Maciel & Duarte, 2023; Tu, 2019) y bosque aleatorio (Goller et al., 2020; Nufus et al., 2024; Peñarreta & Armas, 2024; Watkins et al., 2013; Zhao et al., 2016). Estas técnicas, reconocidas por su capacidad para modelar relaciones complejas y no lineales, han encontrado aplicaciones relevantes en áreas como salud, economía y educación, donde es fundamental identificar con precisión a los beneficiarios.
El presente estudio tiene como objetivo comparar una serie de modelos predictivos para identificar a los hogares beneficiarios del programa de transferencias monetarias condicionadas Juntos, haciendo uso de técnicas de machine learning como: regresión logística, árboles de decisión, máquina de soporte vectorial, gradient boosting machine, bosque aleatorio, LightGBM, XGBoost y CatBoost. Se seleccionará el modelo con mayor desempeño que permita mejorar la focalización de este programa y fortalecer la gestión de recursos económicos por parte del gobierno peruano.
Este enfoque no solo busca perfeccionar la distribución de las ayudas económicas, sino que también pretende maximizar el impacto social al garantizar que los beneficios lleguen a quienes más los necesitan (Crespo, 2020). En este contexto, evaluar la efectividad de diferentes algoritmos de machine learning resulta fundamental para la toma de decisiones informadas y basadas en evidencia.
El documento está estructurado de la siguiente manera: la primera sección introduce el contexto y los objetivos del estudio. La segunda sección detalla la revisión de literatura relevante. En la tercera sección presenta la metodología empleada. Posteriormente, se analizan los resultados, y finalmente, se exponen las conclusiones.
2. Revisión de la literatura
Una serie de estudios han resaltado el potencial de los modelos predictivos de machine learning en la selección de beneficiarios para programas sociales. Tal es el caso del aporte realizado por Chen (2018) sobre el programa Progresa en México, donde comparó algoritmos como bosque aleatorio y AdaBoost con modelos econométricos. Los resultados evidencian un rendimiento superior de las técnicas de machine learning en la predicción de asistencia escolar. No obstante, cuando los datos disponibles son limitados, los modelos econométricos estructurales pueden ofrecer una mayor precisión, subrayando la importancia de adaptar las metodologías a las características específicas del contexto.
En un trabajo más reciente, Dietrich et al. (2024), evidenciaron que métodos como XGBoost presentan ventajas significativas frente a enfoques tradicionales en la identificación de hogares en situación de pobreza. Sin embargo, los autores también advierten que la presencia de sesgos en los datos puede limitar el desempeño de estos modelos, lo que subraya la necesidad de enfoques más robustos.
En ese sentido, Aiken et al. (2023) demostraron que al combinar datos no tradicionales, como los registros de llamadas móviles, con los algoritmos de machine learning, es posible mejorar la detección de hogares elegibles para programas de transferencias monetarias en situaciones de emergencia. Este enfoque fue casi tan preciso como los métodos convencionales basados en activos y consumo, incluso superando a estos métodos cuando se añaden datos de encuestas, ofreciendo una alternativa más rentable, especialmente en contextos donde la recolección de información es difícil y costosa, como en zonas afectadas por conflictos o ante una emergencia sanitaria.
Asimismo, estrategias de validación cruzada y ensambles de modelos, logran minimizar errores en los procesos de clasificación de hogares vulnerables (McBride & Nichols, 2018). En esta misma dirección, el estudio de Tito et al. (2023) refuerza la utilidad de las métricas de evaluación (precisión, exhaustividad) y las técnicas de limpieza de datos para optimizar modelos predictivos en ámbitos educativos.
En consecuencia, el presente trabajo se enmarca en esta línea de investigación, evaluando el desempeño de algoritmos de machine learning que contribuyan a la mejora en el diseño e implementación de políticas sociales basadas en datos.
3. Metodología
En esta sección se detallan las etapas implementadas para seleccionar la técnica de machine learning más adecuada en la estimación de la probabilidad de hogares beneficiarios de las transferencias monetarias.
De acuerdo a la Figura 1, se inició recopilando la información estadística en los diferentes módulos disponibles en la Encuesta Nacional de hogares (ENAHO) del año 2023; luego se realizaron una serie de pasos correspondientes al preprocesamiento, como la detección de outliers y la imputación de registros faltantes. Durante la fase de ingeniería de características, las variables continuas fueron normalizadas y se codificaron las variables categóricas. Posteriormente, en la fase de entrenamiento se implementaron siete algoritmos: regresión logística, árboles de decisión, máquina de soporte vectorial, gradient boosting machine, bosque aleatorio, LightGBM, XGBoost y CatBoost. La optimización de hiperparámetros se realizó mediante un enfoque de optimización bayesiana. Seguidamente, los modelos fueron evaluados utilizando métricas como F1-score, precisión y exhaustividad, seleccionando el que mostró mejor desempeño global.
3.1. Recopilación datos
La base de datos empleada proviene del Instituto Nacional de Estadística e Informática (INEI) que de forma anual lleva a cabo la ENAHO que se encuentra estructurada en 6 módulos. El módulo 100 presenta características físicas de los hogares, el módulo 200 expone información estadística sobre los miembros del hogar, el módulo 300 brinda información relacionada al nivel de educación alcanzado por los miembros del hogar, el módulo 400 incorpora datos relacionados a la salud de los entrevistados, el módulo 500 detalla la situación laboral de los miembros mayores a 14 años y finalmente el módulo sumaria, que calcula una serie de indicadores socioeconómicos a nivel hogar.
3.2. Preprocesamiento de datos e ingeniería de características
Para garantizar la calidad de los datos, se verificó la correlación entre las variables seleccionadas y los criterios oficiales de elegibilidad del programa Juntos, asegurando que capturen dimensiones clave de vulnerabilidad reconocidas por el marco normativo.
Respecto al preprocesamiento, se consolidaron los registros por hogar, utilizando principalmente las características del jefe de hogar, como edad y años de educación. Asimismo, se incluyeron variables generales del hogar, como el total de horas trabajadas por sus miembros y condiciones de la vivienda. También, se tomó en cuenta las características sociodemográficas como la región y el estrato al que pertenecen.
La Tabla 1 resume las variables seleccionadas para identificar hogares beneficiarios del programa Juntos. Adicionalmente, se presenta el módulo de origen, el tipo de variable y una breve descripción.
Los hogares considerados outliers según el nivel de ingresos de sus miembros fueron eliminados utilizando el método Isolation Forest desarrollado por Liu, Ting, y Zhou (2008). Como resultado, se obtuvo un conjunto de datos compuesto por 11464 hogares. Cabe destacar que un bajo porcentaje de datos requirió imputación. Para estos casos, como estrategia, se emplearon la mediana para las variables numéricas y la moda para las categóricas.
En lo que respecta a la ingeniería de variables, se normalizaron las variables numéricas (edad, educación, horas de trabajo) mediante el método Min-Max Scaler, el cual ajusta los valores al rango de 0 a 1. En cuanto a las variables categóricas, como estrato y región, fueron transformadas mediante one-hot encoding, generando columnas binarias que indican la presencia o ausencia de cada categoría.
Tabla 1 Descripción de variables
| Variable | Fuente | Tipo | Descripción |
|---|---|---|---|
| Juntos | Módulo Sumaria | Binaria | 1 si el hogar es beneficiario del programa Juntos, 0 caso contrario |
| Edad | Módulo Miembros | Numérica | Edad en años del jefe de hogar |
| Educación | Módulo Educación | Numérica | Años de educación del jefe de hogar |
| Horas de trabajo | Módulo Empleo | Numérica | Horas de trabajo de todos los miembros del hogar |
| Vivienda propia | Módulo Hogar | Binaria | 1 si cuenta con una vivienda propia, 0 caso contrario |
| Pared de ladrillo | Módulo Hogar | Binaria | 1 si las paredes del hogar son de ladrillo, 0 caso contrario |
| Agua potable | Módulo Hogar | Binaria | 1 si el hogar cuenta con agua potable, 0 caso contrario |
| Cocinar a leña | Módulo Sumaria | Binaria | 1 si el hogar solo cuenta con cocina a leña, 0 caso contrario |
| Internet | Módulo Hogar | Binaria | 1 si el hogar cuenta con servicio de internet, 0 caso contrario |
| Concreto | Módulo Hogar | Binaria | 1 si el piso del hogar es de concreto, 0 caso contrario |
| Región | Módulo Sumaria | Categórica | 1 si el hogar se ubica en la costa, 2 en la sierra y 3 en la selva |
| Estrato | Módulo Miembros | Ordinal | 0 si el hogar se encuentra en la zona rural, 1 si es del estrato E, 2 si es del D y 3 si es del estrato C |
3.3. Técnicas de machine learning
Para la estimación de la probabilidad de que un hogar participe en el programa Juntos, se enfrenta un desbalance en la variable objetivo donde la muestra cuenta con el 30.14% de hogares beneficiarios frente a 69.86% de no beneficiarios. Por ello, se implementaron siete técnicas de machine learning: regresión logística, árboles de decisión, máquina de soporte vectorial, gradient boosting machine, bosque aleatorio, LightGBM, XGBoost y CatBoost.
Las cuatro primeras se desarrollaron con Scikit-learn (Pedregosa et al., 2011), mientras que las tres últimas se implementaron siguiendo sus respectivas documentaciones oficiales (Chen & Guestrin, 2016; Ke et al., 2017; Prokhorenkova et al., 2018). A continuación, se presenta una breve descripción de los modelos seleccionados:
3.3.1 Regresión logística
Es un modelo estadístico ampliamente utilizado que estima la probabilidad de ocurrencia de un evento mediante una función logística, siendo especialmente valorado por su interpretabilidad en diversas disciplinas como economía, finanzas y ciencias sociales (Hosmer, Lemeshow, & Sturdivant, 2013). Se implementó utilizando el solver liblinear, adecuado para bases de datos con pocas muestras. Los hiperparámetros optimizados incluyeron C, que controla la regularización para prevenir sobreajuste, y max_iter, que ajusta el número máximo de iteraciones requeridas para alcanzar la convergencia del modelo.
3.3.2 Árboles de Decisión
Los árboles de decisión son modelos no paramétricos que representan procesos de decisión en forma jerárquica, permitiendo capturar relaciones no lineales. Aunque efectivos, su principal desafío radica en evitar el sobreajuste (Breiman et al., 1984). Para optimizar el rendimiento, se ajustaron los hiperparámetros: max_depth, que controla la profundidad del árbol; min_samples_split, que establece el número mínimo de observaciones para dividir un nodo; min_samples_leaf, que define el tamaño mínimo de hojas; y max_features, que selecciona la proporción de variables evaluadas en cada división.
3.3.3 Máquina de Soporte Vectorial
Es un modelo de clasificación supervisada que busca encontrar el hiperplano que mejor separa las clases, maximizando el margen entre ellas (Cortes & Vapnik, 1995). En esta investigación se utilizó kernel RBF, optimizando los hiperparámetros C y gamma. El parámetro C regula la penalización por errores en el entrenamiento, controlando el equilibrio entre sobreajuste y generalización. Por su parte, γ determina la influencia de cada muestra en la función de decisión, afectando la forma y complejidad de la frontera de separación.
3.3.4 Gradient Boosting Machine
Es un método de ensamble basado en árboles de decisión débiles entrenados secuencialmente, donde cada iteración corrige errores previos minimizando una función de pérdida mediante descenso de gradiente (Friedman, 2001). Este enfoque destaca por su capacidad para manejar datos desbalanceados y su alto rendimiento predictivo. Se optimizaron los hiperparámetros: max_depth para controlar la complejidad de los árboles, min_samples_split para definir las divisiones mínimas y max_features para garantizar diversidad en las divisiones.
3.3.5 Bosque Aleatorio
Es un modelo de ensamble basado en la construcción de varios árboles de decisión. Cada árbol se entrena con una muestra aleatoria del conjunto de datos y un subconjunto aleatorio de las variables. La predicción se realiza mediante el voto mayoritario entre todos los árboles, lo que reduce la varianza y mejora la capacidad de generalización del modelo (Breiman, 2001). Se consideraron los hiperparámetros: max_depth, que regula la profundidad de los árboles; min_samples_split, para dividir nodos con un número mínimo de observaciones y max_features que selecciona un subconjunto de variables en cada división.
3.3.6 LightGBM
Es un algoritmo de boosting basado en árboles de decisión que optimiza la velocidad y eficiencia del entrenamiento mediante histogramas y reducción del tamaño de los datos, sin sacrificar precisión. Su capacidad para manejar grandes conjuntos de datos y características categóricas lo hace especialmente útil en aplicaciones de machine learning modernas (Ke et al., 2017).
Se optimizaron los siguientes hiperparámetros: num_leaves, que controla la complejidad de los árboles, max_depth que limita la profundidad máxima, feature_fraction que selecciona una fracción de características para cada iteración, bagging_fraction que define la proporción de datos usada en cada paso, min_split_gain que regula la ganancia mínima para dividir nodos y min_child_weight, que restringe el tamaño mínimo de hojas.
3.3.7 XGBoost
Es también un algoritmo de boosting que combina precisión, velocidad y eficiencia computacional mediante optimizaciones como el uso de memoria fuera del núcleo y la paralelización. Su versatilidad lo ha consolidado como una herramienta líder en competencias de machine learning (Chen & Guestrin, 2016). En este estudio, se ajustaron los hiperparámetros: max_depth que limita la profundidad de los árboles y controla el sobreajuste; gamma que establece la ganancia mínima requerida para dividir un nodo; colsample_bytree que selecciona una fracción de características para construir cada árbol y subsample que define la proporción de datos utilizada para cada árbol, favoreciendo la robustez y diversidad del modelo.
3.3.8 CatBoost
Es un algoritmo de boosting que se destaca por su manejo eficiente de variables categóricas sin necesidad de preprocesamiento, lo que minimiza el riesgo de sobreajuste y mejora el rendimiento en tareas supervisadas con técnicas avanzadas de regularización (Prokhorenkova et al., 2018).
Se optimizaron los hiperparámetros: depth que define la profundidad máxima de los árboles; l2_leaf_reg que ajusta la fuerza de regularización, bagging_temperature que controla la aleatoriedad en el muestreo de datos y border_count que determina la cantidad de divisiones usadas para variables continuas, mejorando su precisión en conjuntos de datos complejos.
3.4. Optimización de hiperparámetros
Como parte del proceso de entrenamiento, el conjunto de datos fue dividido en un 80% para el entrenamiento del modelo y un 20% para test, donde se evaluaron las métricas que permitieron seleccionar al mejor modelo. Dado que la variable a predecir se encontró desbalanceada, se tomó el F1-score como métrica principal ya que combina de forma equilibrada la precisión y la exhaustividad, lo que permitió evaluar el rendimiento del modelo considerando tanto los falsos positivos como los falsos negativos (Abhishek & Abdelaziz, 2023).
La optimización de hiperparámetros se llevó a cabo mediante validación cruzada con 10-folds, utilizando la función BayesianOptimization desarrollado por Gardner et al. (2014). Este enfoque permitió identificar configuraciones óptimas al predecir el rendimiento del modelo y ajustar iterativamente los hiperparámetros. La Tabla 2 muestra los hiperparámetros optimizados y sus rangos para cada algoritmo.
Tabla 2 Rango de hiperparámetros a optimizar
| Modelo | Parámetro | Rango |
|---|---|---|
| Regresión Logística | C | (0.0001, 10) |
| max_iter | (50, 300) | |
| Árboles de decisión | max_depth | (3, 30) |
| min_samples_split | (20, 150) | |
| min_samples_leaf | (3, 2) | |
| max_feature | (0.1, 0.999) | |
| Máquina de Soporte Vectorial | C | (0.01, 10) |
| gamma | (0.001, 1) | |
| rowspan=”3”Gradient boosting machine | max_depth | (3, 30) |
| min_samples_split | (3, 30) | |
| max_features | (0.1, 0.999) | |
| Bosque Aleatorio | max_depht | (3, 30) |
| max_features | (0.1, 0.999) | |
| min_samples_split | (3, 25) | |
| LightGBM | num_leaves | (20, 100) |
| max_depth | (3, 15) | |
| feature_fraction | (0.7, 0.9) | |
| bagging_fraction | (0.7, 0.9) | |
| min_split_gain | (0.001, 0.5) | |
| min_child_weight | (5, 50) | |
| XGBoost | max_depth | (3, 15) |
| gamma | (0, 3) | |
| colsamples_bytree | (0.5, 1) | |
| subsample | (0.2, 0.8) | |
| CatBoost | depth | (4, 10) |
| l2_leaf_reg | (1, 10) | |
| bagging_temperature | (0, 1) | |
| border_count | (32, 255) |
3.5. Métricas para la evaluación de algoritmos de machine learning
La evaluación del desempeño de los modelos de clasificación binaria requiere métricas específicas que capturen la capacidad predictiva del modelo. Entre las métricas que se evaluaron en este trabajo se encuentran:
Formato de una lista con marcas:
F1-score: es la media armónica entre precisión y exhaustividad, especialmente útil en conjuntos de datos desbalanceados. Brinda una métrica que balancea la capacidad del modelo para identificar correctamente los casos positivos y evitar falsos positivos (Sokolova & Lapalme, 2009).
Precisión: mide la proporción de casos positivos correctamente identificados por el modelo respecto al total de predicciones positivas realizadas. Es fundamental en contextos donde los falsos positivos tienen un mayor costo, como asignar recursos económicos limitados a hogares no elegibles.
Exhaustividad: también conocida como la tasa de verdaderos positivos, mide la proporción de casos positivos correctamente identificados por el modelo respecto al total de casos positivos reales. Esta métrica es importante en contextos donde los falsos negativos tienen consecuencias sociales graves, como excluir hogares elegibles del programa Juntos.
Exactitud: es una métrica ampliamente utiliza ya que mide la proporción de predicciones correctas (tanto positivas y como negativas) realizadas por el modelo respecto al total de casos evaluados.
4. Resultados
En la evaluación del desempeño de los modelos, se utilizó validación cruzada con 10 particiones para abordar el problema de desbalance de clases, donde la clase minoritaria corresponde a los hogares beneficiarios del programa Juntos. Este diseño permitió estimar métricas robustas y confiables en términos de rendimiento de clasificación.
La Figura 2 ilustra el F1-score obtenido para cada modelo en los 10 k-folds. Dado el desequilibrio en los datos, esta métrica fue priorizada debido a su capacidad para balancear precisión y exhaustividad. En términos generales, los modelos XGBoost, LightGBM y CatBoost mostraron un desempeño más consistente, destacándose sobre el resto.
De forma complementaria, las Figuras 3 y 4 presentan los resultados para las métricas de precisión y exhaustividad, respectivamente. El modelo Gradient Boosting Machine obtuvo la mayor precisión promedio, mientras que Regresión Logística destacó por alcanzar la mayor exhaustividad (81.33%). Sin embargo, estos modelos no lograron un equilibrio ideal entre ambas métricas, lo que impactó negativamente en su F1-score.
Para seleccionar el modelo óptimo, los hiperparámetros ajustados durante la etapa de validación cruzada fueron evaluados en el conjunto de datos de test. La Tabla 3 resume el desempeño de los modelos implementados, considerando métricas como F1-score, precisión, exhaustividad y exactitud.
Tabla 3 Comparación de modelos sobre el dataset de test
| Modelo | F1-score (%) | Precisión (%) | Exhaustividad (%) | Exactitud (%) |
|---|---|---|---|---|
| Regresión logística | 65.42 | 54.72 | 81.33 | 74.10 |
| Árboles de decisión | 63.85 | 54.25 | 77.57 | 73.53 |
| Máquina de Soporte Vectorial | 63.99 | 52.94 | 80.90 | 72.57 |
| Gradient boosting machine | 62.84 | 64.72 | 61.07 | 78.24 |
| Bosque Aleatorio | 66.21 | 58.57 | 76.12 | 76.58 |
| LightGBM | 67.44 | 60.62 | 75.98 | 77.89 |
| XGBoost | 67.54 | 61.55 | 74.82 | 78.33 |
| CatBoost | 67.23 | 60.65 | 75.40 | 77.85 |
El modelo XGBoost fue identificado como el más adecuado, alcanzando un F1-score de 67.54 %, lo que refleja un balance óptimo entre precisión (61.55 %) y exhaustividad (74.82 %). Aunque la Regresión Logística obtuvo la mayor exhaustividad (81.33 %), su baja precisión resultó en un menor F1-score. De manera similar, Gradient Boosting Machine destacó en precisión (64.72 %), pero a expensas de una exhaustividad considerablemente menor.
Estos resultados evidenciaron que el modelo XGBoost logra el mejor rendimiento global al equilibrar métricas clave, lo que lo hace particularmente adecuado para predecir la probabilidad de ser beneficiario del programa Juntos en un contexto de datos desbalanceados.
Asimismo, el análisis de interpretabilidad del modelo mediante valores SHAP (SHapley Additive exPlanations) propuesto por Lundberg y Lee (2017), permite identificar las variables con mayor impacto sobre la probabilidad de pertenecer al programa Juntos. Como se muestra en la Figura 5, características como residir en una zona rural, tener un bajo nivel educativo y utilizar cocina a leña se asocian con un aumento significativo en la probabilidad estimada por el modelo, lo que sugiere que estas condiciones son altamente predictivas de la elegibilidad al programa. En contraste, características asociadas a mejores condiciones de vida, como el acceso a agua potable o vivir en viviendas con paredes de ladrillo, contribuyen negativamente a dicha probabilidad. Además, variables como edad y región de residencia mostraron un menor impacto relativo. Estos hallazgos no solo respaldan la capacidad del modelo para capturar patrones relevantes en poblaciones vulnerables, sino que también ofrecen evidencia empírica sobre los determinantes sociales que podrían estar influyendo en los criterios de focalización del programa.
5. Conclusiones
El presente estudio evaluó distintas técnicas de machine learning para predecir la probabilidad de ser beneficiario del programa Juntos en un contexto de datos desbalanceados. Para abordar este desafío, se aplicaron métodos como validación cruzada y optimización bayesiana para encontrar la mejor combinación de hiperparámetros, priorizando el F1-score como métrica clave al equilibrar precisión y exhaustividad. Este enfoque es especialmente relevante en la gestión de programas sociales, donde la clasificación errónea de hogares elegibles puede generar costos sociales significativos.
Los resultados indicaron que XGBoost presentó el mejor desempeño, lo que resalta su capacidad para identificar beneficiarios en programas sociales. Su integración en procesos de clasificación automatizada podría contribuir a la modernización de la gestión pública al mejorar la distribución de transferencias monetarias con criterios basados en datos.
No obstante, la implementación de estos modelos requiere considerar desafíos éticos fundamentales: la posible amplificación de sesgos históricos presentes en los datos y la necesidad de mecanismos de auditoría que garanticen equidad en las decisiones automatizadas, particularmente para poblaciones vulnerables
Este estudio aporta evidencia sobre la utilidad de las técnicas de machine learning en la selección de beneficiarios, proporcionando un enfoque que puede fortalecer la toma de decisiones en políticas públicas. No obstante, su capacidad predictiva podría potenciarse con la integración de información macroeconómica regional y datos geoespaciales, lo que permitiría capturar dinámicas socioeconómicas más precisas y adaptar mejor la identificación de beneficiarios a distintos contextos territoriales.
Como futuras líneas de investigación, se recomienda explorar arquitecturas de deep learning y modelos híbridos que permitan capturar patrones más complejos en los datos. Esto permitiría desarrollar sistemas más adaptativos y precisos en la identificación de beneficiarios, especialmente en escenarios de alta incertidumbre.
