UNIVERSIDAD NACIONAL DEL CENTRO DEL PER FACULTAD DE ECONOMA
PLAN DE INVESTIGACIN
ENFOQUE MULTIDIMENSIONAL DE LA POBREZA PARA EL CASO DEL DISTRITO
DE CULLHUAS 2015 ASIGNATURA : ECONOMETRIA II.
CATEDRTICO:OSWALDO QUIROZ MARIN.ALUMNO
: GONZALES SANTOS. EDGAR. ARMAS QUISPEALAYA KAREN
LIZSEMESTRE
: SEXTO.
I. GENERALIDADES
1.1. TtuloEnfoque multidimensional de la pobreza para el caso
del distrito de Cullhuas 20151.2. Tipo de investigacin
Descriptiva, transversal. 1.3. LocalidadDistrito de Cullhuas
Huancayo Junn -20151.4. Unidad de anlisis
Hogares jefe de hogar
II. PLAN DE INVESTIGACIN2.1. REALIDAD PROBLEMTICA
Es prctica comn utilizar las lneas de pobreza segn el consumo o
el ingreso. Desde esta perspectiva, pobres son aquellas personas
que no logran tener un ingreso para satisfacer un estndar mnimo de
vida, no cubren sus necesidades bsicas; las cuales estn
relacionadas con los requerimientos humanos de nutricin, salud,
vivienda, vestuario, agua y saneamiento. Por lo general, se
especifica una canasta de productos y servicios que satisfagan esas
necesidades bsicas.La pobreza medida como consumo difiere de la
pobreza medida como ingreso; el primer criterio mide el bienestar
logrado y el segundo la capacidad de un consumo futuro, es
importante aclarar que se utilizarn sin distincin las lneas de
pobreza calculadas por consumo o por ingreso, salvo indicacin
contraria.
En la actualidad se retoma el estudio de la pobreza como la
privacin pronunciada de bienestar, pero tambin se incluyen otras
dimensiones como la vulnerabilidad y la exposicin al riesgo, y la
falta de voz y de poder debida a la exclusin que sufren los pobres
de las instituciones del Estado y de la sociedad en su
conjunto.
La pobreza es multidimensional y que se han hecho esfuerzos para
mejorar los mtodos de medicin de la misma, pero todava falta mucho
en el desarrollo de sistemas de informacin robustos en los pases y
en la definicin de indicadores que sean medibles y comparables
entre pases.
Por lo expuesto el presente estudio buscar determinar la pobreza
en sus diferentes dimensiones a travs de un modelo de eleccin
discreta (Logit y Probit). 2.2. FORMULACIN DEL PROBLEMA.2.2. 1.
Problemas Generales1. Cules son las determinantes
multidimensionales de la pobreza en el distrito de Cullhuas en el
2015? 2. Cul es el modelo que permite identificar las variables que
son determinantes de la pobreza de los hogares en el distrito de
Cullhuas en el 2015?
2.2.2. Problemas Especficos.
1. Cul es el nivel de pobreza en el distrito de Cullhuas en el
2015?
2. Cul es el nivel de pobreza a nivel de manzanas y de hogares
en el distrito de Cullhuas en el 2015?
3. Cul es la distribucin geogrfica de la pobreza en el distrito
de Cullhuas en el 2015?
2.3. Objetivos
2.3.1. Objetivos Generales1. Establecer las determinantes
multidimensionales de la pobreza en el distrito de Cullhuas en el
2015.2. Obtener un modelo que permita identificar las variables que
son determinantes de la pobreza de los hogares.2.3.2. Objetivos
Especficos
1. Obtener estimaciones de pobreza a nivel de distrito.
2. Obtener estimaciones de pobreza a nivel de manzanas y de
hogares en el distrito de Cullhuas.
3. Poder en el futuro, en base a la informacin censal y al
modelo obtenido, georeferenciar cada una de las variables e
identificar geogrficamente las reas de pobreza existentes en el
distrito.
2.4. Marco Terico
2.4.1. Base Terica 2.4.1.1. POBREZA Y SU MEDICIN
La pobreza se puede resumir simplemente como la falta de
recursos, va ms all de la carencia de bienes econmicos, tambin
involucra la falta de oportunidades para el desarrollo de una vida
decente para mantener y conservar la dignidad, la autoestima y el
respeto de otros, trascendiendo de los bienes materiales.
Se caracteriza por ser un fenmeno especialmente econmico con
dimensiones sociales, polticas y culturales. La pobreza est
asociada a la escasa participacin de las personas en los distintos
mbitos de la vida del pas y se expresa en el subconsumo en los
hogares. Las personas que se encuentran en esta situacin se ven
obligadas a elegir la satisfaccin de unas necesidades sacrificando
otras igualmente apremiantes para ellos.
Los enfoques ms utilizados para medir la pobreza son el de la
desigualdad (Miller S.M. 1967) y el biolgico (CEPAL 1990). El
enfoque de la desigualdad consiste en medirla en base a la privacin
relativa de la poblacin, en trminos de su distribucin de ingresos,
y supone concebir la pobreza como un problema de desigualdad.
El enfoque biolgico es el que se utiliza en Amrica Latina para
medir pobreza y define a las familias en situacin de pobreza como
aquellas cuyos ingresos totales resultan insuficientes para cubrir
las necesidades bsicas relacionadas con el mantenimiento de la
simple eficiencia fsica. Segn esta metodologa, la pobreza se define
un conjunto de necesidades bsicas (alimentacin, acceso a la
educacin, salud y vivienda, etc), para cada una de stas, se
especifican caractersticas mnimas de sus satisfactores, normas por
debajo de los cuales se presenta una situacin de insatisfaccin. Los
umbrales definidos tienen validez temporal restringida, motivo por
el cual deben revisarse peridicamente.
De acuerdo con este mtodo, a un individuo se le considera pobre
si su nivel de ingreso se sita por debajo de un nivel mnimo que le
permita satisfacer sus necesidades bsicas; e indigente, si ste no
le permite satisfacer sus necesidades alimentarias. Estos mnimos se
denominan "lnea de pobreza" y "lnea de indigencia",
respectivamente. As, estas lneas constituyen el lmite entre quines
son pobres y quines no lo son, es el mtodo utilizado por la
CEPAL.
Entre las crticas que se realizan a este enfoque, est que los
requerimientos varan segn el clima, la actividad que se realiza, y
caractersticas demogrficas tales como edad y sexo.
Adems los requerimientos nutricionales son difciles de precisar,
an ms los no alimentarios, por lo que generalmente su medicin es
arbitraria. Las canastas bsicas resultantes tienen un costo
excesivamente. No obstante, aun con estos cuestionamientos, este
mtodo presenta gran utilidad y algunos de los planteamientos se
pueden ir superando, como puede ser a travs del clculo de los
requerimientos nutricionales considerando las caractersticas
climticas de cada pas, la estructura etaria y laboral de su
poblacin, as como tambin se ha avanzado en construir canastas de
consumo que consideran los hbitos de la poblacin de referencia.En
Amrica Latina, en los ltimos aos han predominado tres mtodos de
medicin de la pobreza, los cuales consideran solamente las
necesidades econmicas de las personas (enfoque biolgico):
(i) El enfoque del ingreso o Lnea de Pobreza (LP)
(ii) El de las Necesidades Bsicas Insatisfechas (NBI)
(iii) El Mtodo Integrado de medicin de la pobreza
A nivel mundial existen otras mediciones que permiten su
comparacin, como la propuesta por el Banco Mundial. Esta lnea de
pobreza se basa en el consumo de bienes y servicios:
En los pases muy carentes de recursos una lnea de pobreza fijada
en 1 dlar por persona diarios (US$ 30 mensuales)
Se sugiere una lnea de pobreza de 2 dlares diarios para Amrica
Latina y el Caribe.
Para Europa oriental y las repblicas de la ex Unin Sovitica se
ha utilizado una lnea de pobreza de 4 dlares diarios.
Para la comparacin entre los pases industrializados, se ha
utilizado una lnea de pobreza que corresponde a la de los Estados
Unidos, de 14,40 dlares diarios por persona.
La Unin Europea ha sugerido que para determinar la lnea de
pobreza de esos pases se utilice la mitad de la mediana del ingreso
personal disponible.2.4.1.2. MTODO DE ANLISIS
Para encontrar los determinantes de la pobreza, se utilizar un
modelo que permita primero caracterizar y luego clasificar los
hogares que requieren ayuda social en forma ms prioritaria, para lo
cual se utilizar un modelo de regresin.
En los casos en que el marco conceptual lleva a la especificacin
de un modelo en el cual existe una variable explicada (nivel de
pobreza) por un conjunto de variables explicativas (X1, X2,
X3..........., Xk), la tcnica estadstica adecuada es el anlisis de
regresin. En este caso como el objetivo es determinar tanto las
caractersticas de la pobreza como la probabilidad de ser pobre, se
usar regresin logstica que permite predecir probabilidades.
La proposicin terica que lleva a emplear esta herramienta supone
que la variabilidad de la variable dependiente se puede explicar a
travs de las variables explicativas. El modelo estadstico
correspondiente agrega que, adems, opera como variable
independiente un factor aleatorio no observable (x), llamado error
aleatorio.
El ajuste del modelo estadstico especifica una serie de
condiciones que debe satisfacer el error aleatorio y que permiten
estimar, no slo si el modelo ajusta adecuadamente, para lo cual se
tienen pruebas de hiptesis e ndices de bondad, sino tambin la
significacin y magnitud de los efectos de las variables
explicativas.
La medicin de los impactos de las variables explicativas
requiere que no haya relacin entre ellas o que sta sea baja, cuando
esto no ocurre se presentan dificultades para estimar la magnitud
real de los efectos debido a que el modelo es incapaz de separar
cul corresponde a cada variable. Los procedimientos de estimacin se
complican si se detecta que no se cumplen los supuestos relativos
al trmino de error. Por lo cual se deben realizar las pruebas
estadsticas para verificar los supuestos.
El planteamiento clsico del modelo de regresin supone que todas
las variables son mtricas (medidas en escala de intervalo o de
razn). Esta condicin se convierte en una fuerte barrera para
aplicar esta tcnica estadstica a los problemas tpicos de las
ciencias sociales. Sin embargo, esta limitacin fue superada al
introducir, variables explicativas dicotmicas (dummys) que dieran
cuenta de la presencia o ausencia de un evento particular. Es as
como la regresin se ha convertido en una herramienta de gran
utilidad para las ciencias sociales. Este modelo an mantiene la
restriccin a la variable dependiente, la cual implica la
continuidad de sta y que sus valores pueden variar entre menos
infinito e infinito. Estos problemas se superaron aplicando
transformaciones logartmicas a la variable dependiente y utilizando
un modelo denominado de regresin logstica que permite que la
variable dependiente sea cualitativa.
En las ciencias sociales se recurre cada vez ms a utilizar
tcnicas de anlisis de variables mltiples para analizar los
distintos fenmenos. En el ajuste de este tipo de modelos tienden a
predominar los mtodos de estimacin mnimo cuadrtico y de mxima
verosimilitud. Si bien hay razones tcnicas para preferir uno u otro
dependiendo del problema de que se trate.
Finalmente, los desarrollos estadsticos recientes tienden a
abandonar la naturaleza determinstica de la experiencia y a
reemplazarla por una concepcin que reconoce el carcter aleatorio de
la misma y a reconocer el papel activo del sujeto en la construccin
del objeto.
a. Modelo de Regresin Logstica
Es un modelo no lineal, los datos no se ajustan a una lnea
recta, a las variables explicativas no se les exige una distribucin
determinada. Permite construir modelos donde las variables
dependientes pueden ser cuantitativas o cualitativas, adems stas
ltimas pueden ser dicotomcas o politmicas, y dentro de stas las
variables pueden ser ordinales o nominales.
Las variables explicativas pueden ser cualitativas y/o
cuantitativas.
La funcin logstica es una curva sigmoidea en forma de letra S,
utilizando los logaritmos es posible linealizar el modelo.
Si la variable dependiente es dicotmica, se utiliza para
predecir la probabilidad estimada de que la variable dependiente Y
presente uno de los valores posibles (1=s o 0=no) en funcin de los
diferentes valores que adoptan el conjunto de variables
independientes Xi.
Las variables predictoras Xi pueden ser categricas, medidas a
nivel nominal u ordinal, y de intervalo o razn, los objetivos del
modelo logstico son determinar la existencia o ausencia de relacin
entre una o ms variables independientes y la variable dependiente;
medir la magnitud de dicha relacin y estimar o predecir la
probabilidad de que se produzca un suceso Y=1 en funcin de los
valores que adopten las variables independientes Xi.
b. Definicin:
Sea Y una variable dependiente binaria que toma dos valores
posibles (0 y 1).
Sean X1,...........,Xk un conjunto de variables independientes
observadas con el fin de explicar y/o predecir el valor de Y.
El objetivo es determinar:
P [Y=1/ X1,...........,Xk], donde P indica probabilidad
As P [Y=0/ X1,...........,Xk] = 1- P[Y=1/
X1,...........,Xk]).
Se construye un modelo:
P [Y=1/ X1,...........,Xk] = p(X1,...........,Xk ;_)
Donde p(X1,...........,Xk;_) es una funcin que recibe el nombre
de funcin de enlace (funcin de probabilidad) cuyo valor depende de
un vector de parmetros = (1,........,k)'.c. Funcin de
Verosimilitud
Con el fin de estimar y analizar el comportamiento modelo,
observamos una muestra aleatoria simple de tamao n dada por {(Xi')
,Yi ;i=1,...... ,n} donde Xi = (Xi1,....... ,Xik), es el valor de
las variables independientes e Yi= {0,1} es el valor observado de Y
en el i-simo elemento de la muestra.
Y/(X1.........,Xk) se distribuye Binomial (1, p(Y=1/
X1.........,Xk ; _ )).
La funcin de verosimilitud es:
L (/(x1, y1),.............. , (Xn, Yn)) = .(1)Donde pi = p (xi,
) = p (xi1,....... , xik ; ) con i=1,........,n
2.4.2.3. Modelo de regresin logstica mltiple
El modelo matemtico se construye en base a probabilidades, las
cuales se obtienen considerando la probabilidad de que ocurra un
suceso determinado P (Y) en relacin con la dependencia de que dicha
probabilidad no ocurra 1- P(Y).
La probabilidad proporciona predicciones consistentes y fciles
de los resultados en trminos del "Odds del evento Y=1.
(2)El modelo de regresin logstica mltiple, relaciona la
probabilidad de que ocurra un determinado suceso denotado por el
vector X= (X1,....... , Xk ) con probabilidad condicional P(Y=1| X)
en funcin de k variables independientes que pueden ser
cuantitativas, cualitativas o ambas segn sea el tipo de diseo de
estudio.
El modelo logstico mltiple es:
(3)
O tambin: ..(4)
Donde:
ln es el logaritmo natural de Odds tambin denominado Logit o
L.
0, 1, ..............,k son constantes.
X una variable explicativa que puede ser continua o
discreta.
Como los coeficientes del modelo logstico no tienen
restricciones stos son fcilmente interpretables en trminos de
independencia o asociacin entre las variables.
Grficamente la funcin es simtrica
Continua y creciente sobre el intervalo 0 y 1
Sigue una curva sigmoidea2.4.2.4. Estimacin de los Parmetros
Sea una muestra de n observaciones independientes definido por (
Xi1,Xi2,......, Xik,,Yi) ,i=l,......,n; se elige el vector = (0, 1,
..............,k) el mtodo ms usado es el de verosimilitud, con k+1
ecuaciones de verosimilitud que se obtienen derivando el ln de la
funcin de verosimilitud respecto a k+1 coeficientes.
Las ecuaciones de verosimilitud son:
Mediante calculo diferencial se encuentran las soluciones a este
conjunto de ecuaciones, actualmente existen software estadsticos
para estimar los parmetros.
2.6.2.5. Pruebas de Significacin
Una vez estimado los coeficientes del modelo, se tiene que
verificar si el modelo predice de manera adecuada a la variable
dependiente. Para evaluar la bondad del modelo se utiliza el
logaritmo del cociente de verosimilitud y la prueba de
Hosmer-Lemeshow.2.6.2.6. Modelo
Se procede de la siguiente manera
1.- Se prueba la hiptesis de que el modelo encontrado es el que
mejor se ajusta a travs de la razn de verosimilitud.
D = -2ln =Verosimilitud del modelo con la variable (modelo
saturado)
Verosimilitud del modelo sin la variable (modelo analizado)
La diferencia entre estos dos valores de 2nL se llama Devianza y
prueba si la o las variables Xi son significativas.
H0 : 0=1=.=k =0
H1 : Algn i distinto de 0.
Estadstico de prueba D ~ X2 con n-k-1 grados de libertad.
Regin de Rechazo: si D > X2,( n-k-1) si se rechaza H0,
significa que al menos uno de los coeficientes es diferente de cero
y la variable correspondiente es significativa con respecto a la
probabilidad de que ocurra o no el suceso en estudio
2. Cuando el nmero de variables del modelo es grande y/o tiene
variables independientes cuantitativas, se debe utilizar la prueba
de Hosmer-Lemeshow, como consecuencia de la gran cantidad de
variables, el nmero de pautas de variacin existente entre ellas es
tan elevado que puede invalidar la utilidad de los estadsticos de
bondad de ajuste clsicos.
Evala la bondad del modelo construyendo una tabla de
contingencia, divide la muestra en 10 grupos a partir de los
deciles de las probabilidades estimadas (a los 10 grupos
resultantes se les denomina deciles de riesgo). En cada decil de
riesgo se calcula el nmero de casos que pertenecen a cada categora
de la variable dependiente (nmero observado) y el nmero de casos
que el modelo pronostica que pertenecen a cada categora de la
variable dependiente (nmero esperado). A continuacin se compara el
nmero de casos observado con el nmero de casos esperado (esta
comparacin se realiza en cada una de las 20 casillas definidas por
la combinacin de las 2 categoras de la variable dependiente con los
10 deciles de riesgo).
Este estadstico permite contrastar la hiptesis nula de igualdad
de distribuciones, es decir, la hiptesis de que la variable
dependiente se distribuye de la misma manera en los 10 deciles de
riesgo o, que no existen diferencias entre las frecuencias
observadas y las esperadas. El estadstico de contraste tiene
siempre k grados de libertad.
Las hiptesis que se contrastan son:
H0 : El modelo es adecuado
H1 : El modelo ajustado no es adecuado
Decisin si el estadstico de prueba es mayor o igual que X ,( n
de grupos-2), se rechaza H0 y se concluye que el modelo no es
adecuado con un nivel de significacin .
2.4.2.7. Pruebas de coeficientes
Una vez encontrado el mejor conjunto de variables explicativas
que predicen la variable dependiente Y, se debe evaluar cada
coeficiente para determinar cul o cules ingresan al modelo, este
proceso se realiza mediante el estadstico Wald.
La hiptesis que se plantea es la siguiente:
H0 : i= 0
H1 : i no es igual a 0
Para contrastar la hiptesis sealada se usa el estadstico de
Wald:
En el caso de la regresin logstica multivariada corresponde a un
vector donde cada celda es la divisin entre el coeficiente i y el
error estndar de ste. Donde S 1, es el error estndar del
coeficiente de regresin logstica muestral y k es el nmero de
variables independientes.
Se formula la hiptesis
H0: La variable independiente no influye sobre pi.
H1: La variable independiente influye sobre pi.2.4.2.8.
Interpretacin de los Resultados
La interpretacin de los resultados obtenidos se realiza a partir
de los coeficientes del modelo. Para ello basta tener en cuenta que
si el modelo ajustado es adecuado, entonces se dice que el modelo
es significativo. Adems, se debe analizar el grado de asociacin
estadstica que existe en sus parmetros. Si:
1 > 0 el factor de riesgo ser mayor que 1 y
p(X1,X2...........,Xk;) aumentar
1 < 0 el factor de riesgo ser menor que 1 y
p(X1,X2...........,Xk;) disminuir.
1 = 0 la variable X1 no ejerce ningn efecto sobre la
probabilidad de riesgo.
Si el modelo de Regresin Logstica es significativo y una de
variables independientes es dicotmica con valores de 0 y 1, el
nmero e]i es el OR, denominado factor de riesgo o proteccin que
implica un aumento unitario de la variable independiente.
En el caso de una variable cuantitativa, ei es el nmero de veces
que aumenta la chance de que ocurra el suceso, en este caso de ser
pobre, por cada unidad de aumento de la variable independiente.III.
METODOLOGIA3.1. Tipo de estudio.
El estudio es descriptivo trasversal de regresin logstica.
Descriptivo porque trabajar con un solo grupo muestral en el que
se valorar la pobreza multidimensional.
Transversal porque lo datos se recogern en un solo momento.
3.2. Variables del Estudio La variable dependiente ser el nivel
de pobreza, pudiendo tomar dos valores: pobre y no pobre.
Las variables independientes consideran las siguientes
dimensiones y variables independientes en los modelos
explicativos:
3.3. Poblacin y muestraLa poblacin de referencia sern 830
viviendas asumiendo que en cada una de ellas existe un hogar, con
un jefe de familia. MUESTRA:
Para seleccionar a los hogares que conformarn la muestra, se
utilizar el mtodo del muestreo por estratificado con asignacin
proporcional, de forma preliminar se calcula el tamao muestral
utilizando, la frmula de clculo de tamao muestral por proporciones,
que responde a la siguiente expresin matemtica:
Donde:
:Z, correspondiente al nivel de confianza elegido para el
estudio y ser de 95% (1.96).
p :Proporcin de hogares pobres (32.5% , fuente: INEI)
q:Proporcin de hogares no pobres (67.5 %)
e:Error de estimacin se considera 0.05.
Reemplazado valores en la formula inicial, tenernos:
Donde:
:Z, correspondiente al nivel de confianza elegido para el
estudio y ser de 95% (1.96).
p :Proporcin de adolescentes que poseen un estilo de vida
saludable y tienen un buen autoconcepto (79%, Romero L y Otero L,
2009).
q:Proporcin de adolescentes con un estilo de vida no saludable y
un buen autoconcepto (21 %)
e:Error de estimacin se considera 0.05.
Reemplazado valores en la formula inicial, tenernos:
Por tratarse de una muestra finita:
Para prevenir posibles prdidas de elementos de la muestra por
diversos motivos, consideramos a 245 hogares. CUADRO 01NUMERO DE
ENCUESTAS POR ANEXO
Anexo Viviendas Proporcin Nmero de encuestas
Chuamba 1820.22355
Pampa Cruz 1200.14737
Azacruz 530.06517
San Luis De Retama Ata 810.09925
San Pedro De Pihuas 700.08621
Poblacin Dispersa 3070.37790
Total 8131245
3.4. Plan general de anlisisa) Preparacin de la base de
datos.
Objetivo: Verificacin y recodificacin de los datos
originales.
b) Anlisis ExploratorioObjetivo: Obtencin de la informacin
acerca del comportamiento de cada variable.
Verificacin de supuestos principales.
c) Anlisis de Regresin Logstica con Respuesta BinariaObjetivo: A
partir del primer modelo predictivo completo, se seleccionaran las
variables con mejor capacidad predictiva, y se analizaran los
efectos de la interaccin de las variables.
d) Validacin del modelo obtenidoObjetivo: Se validar el modelo
obtenido.IV. REFERENCIAS BIBIOGRFICAS.1. Altimir, Oscar; La
dimensin de la pobreza en Amrica Latina, Naciones Unidas, Cuadernos
de la CEPAL, N27, Santiago, 1979.2. BRIONES, G. (1995) Mtodos y
Tcnicas de Investigacin para las Ciencias Sociales, Editorial
Trillas. Mxico.3. Cea Dncona; M. ngeles; Anlisis Multivariable.
Teria y prctica en la Investigacin Social; Editorial Sntesis.
Madrid, 2002.4. CEPAL; Una estimacin de la magnitud de la pobreza
en Chile; Santiago, octubre 1990.
5. CEPAL; Medicin y anlisis de la pobreza: Notas Tcnicas, 26 de
abril del 2002 (mimeo).6. Contreras, D.; Cooper, R.; Herman J. Y
Neilson C.; Dinmica de la Pobreza y Movilidad Social: Chile
1996-2001; Depto. De Economa; U. De Chile (mimeo) agosto 2004.
7. Crtes Fernando; Regresin Logstica en la investigacin social:
potencialidades y limitaciones; CES, COLMEX, pgina web.8. Feres,
J.C. y Mancero X.; El mtodo de las necesidades bsicas insatisfechas
y sus aplicaciones en Amrica Latina; Estudios Estad sticos y
prospectivos, CEPAL, mimeo, Santiago 2001.
9. Gujarati, Damodar; Econometra; INE, Chile 2004. Ed. Mc Graw
Hill, 5 edicin, Colombia, 2010.10. MIDEPLAN; Volumen 1: Pobreza,
Distribucin del Ingreso e Impacto Distributivo del Gasto Social;
Santiago; agosto 2004.ANEXOS
CUESTIONARIO DE POBREZA MULTIDIMENSIONAL
Instrucciones:
a) En este cuestionario se pregunta sobre el modo en que vives y
las cosas que tienes en tu hogar.
b) No hay respuesta correcta o incorrecta.
c) Marca con una X o escribe la respuesta que corresponda.
GEOGRFICA
1.En qu zona vives?
DEMOGRFICAS
2.Sexo del jefe de hogarMF
3.Edad del jefe de Hogar
4.Tiene alguna Discapacidad?Si No
5.Nmero de Personas en el hogar
MERCADO LABORAL
6.Es ocupado el jefe de Hogar?Si No
7.Es inactivo?Si No
EDUCACIN
8.Cuantos aos estudio el jefe de hogar?
PATRIMONIO
9.El hogar tiene?
10.Lavadora Automtica Si No
11.RefrigeradorSi No
12.Telfono fijo Si No
13.VideograbadorSi No
14.MicroondasSi No
15.ComputadorSi No
16.ClefontSi No
17.Telfono MvilSi No
18.InternetSi No
19.TvcableSi No
VIVIENDA
20.La vivienda tiene agua potable?Si No
21.La vivienda tiene Alcantarillado?Si No
22.La vivienda es de buena calidad?Si No
23.Ms de 1 hogar en la vivienda?Si No
24.Hay Hacinamiento en el hogar?Si No
Gracias por su colaboracin
HUANCAYO 2015