Publicação
Multidimensional poverty in Benin : evidence from classic and machine learning analysis
| dc.contributor.advisor | Arranhado, Esmeralda | |
| dc.contributor.advisor | Bastos, João Ferreira | |
| dc.contributor.author | Barbosa, Lágida Kórcia Almeida Coimbra Monteiro | |
| dc.date.accessioned | 2023-12-11T10:25:18Z | |
| dc.date.available | 2023-12-11T10:25:18Z | |
| dc.date.issued | 2023-09 | |
| dc.description | Mestrado Bolonha em Econometria Aplicada e Previsão | pt_PT |
| dc.description.abstract | This dissertation provides new insights on immediate factors affecting multidimensional poverty in Benin. Ordered probit and fractional probit models are compared to the random forest model, and poverty-targeting indicators are derived for the country, using 2018/2019 individual-level cross-sectional data. In most cases, the effects of regressors on the response variable have the same direction of impact in both glass box and black box models, whereas accumulated local effects plots on random forest suggest a highly nonlinear relationship between individual’s welfare condition and the age of household head and inequality, as well as a nonlinear but non-concave relationship with household size and child dependency ratio. While all models corroborate suggesting that education, agroecological zones, financial access, household size, and employment sector are among most important variables associated with welfare condition, only the black box model, through SHAP values, ranked variables with highly nonlinear effects among the most important regressors, as well child dependency ratio. Moreover, the random forest model, by computing more complex interactions between variables, was able to present a broader range of important variables in the top 15. In general, my findings are consistent with most literature on poverty in Africa and Benin, with all models indicating that education is the most important "proximate" determinant of the welfare condition in Benin. The most important poverty-targeting indicators are household size, food diversification, household head without education, households that gather wood for home cooking, and child dependency ratio. | pt_PT |
| dc.description.abstract | Esta dissertação fornece novos insights sobre fatores imediatos que afetam a pobreza multidimensional no Benim, comparando resultados dos modelos probit ordenado e probit fracionado com o modelo de floresta aleatória, e deriva indicadores de pobreza para a política de intervenção, utilizando dados cross-section de 2018/2019 ao nível individual. Na maioria dos casos, os efeitos dos regressores têm a mesma direção de impacto esperada nos modelos glass box e black box. O ALE plot aplicado à floresta aleatória sugere uma relação altamente não linear entre a condição de bem-estar do indivíduo e a idade do chefe do agregado familiar e a desigualdade, bem como uma relação não linear, mas não côncava, com a dimensão do agregado familiar e o rácio de dependência infantil. Embora todos os modelos corroborem que a educação, as zonas agroecológicas, o acesso financeiro, a dimensão do agregado familiar e o sector do emprego estão entre as variáveis mais importantes associadas à pobreza no Benin, apenas o modelo black box, através de valores SHAP, classificou as variáveis com efeitos altamente não lineares entre os regressores mais importantes, bem assim o rácio de dependência infantil. Além disso, a floresta aleatória, ao calcular interações mais complexas entre variáveis, conseguiu apresentar um leque mais vasto de variáveis importantes no top 15. Em geral, os resultados dos modelos são coerentes com a maior parte da literatura sobre a pobreza em África e no Benim, com todos os modelos a indicarem que a educação é o determinante "próximo" mais importante da condição de bem-estar no Benim. Os indicadores do perfil de pobreza mais importantes são a dimensão do agregado familiar, a diversificação alimentar, o chefe de família sem instrução, os agregados familiares que recolhem lenha para cozinhar e o rácio de dependência infantil. | pt_PT |
| dc.description.version | info:eu-repo/semantics/publishedVersion | pt_PT |
| dc.identifier.citation | Barbosa, Lágida Kórcia Almeida Coimbra Monteiro (2023). “Multidimensional poverty in Benin : evidence from classic and machine learning analysis”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.5/29567 | |
| dc.language.iso | eng | pt_PT |
| dc.publisher | Instituto Superior de Economia e Gestão | pt_PT |
| dc.subject | Multidimensional Poverty | pt_PT |
| dc.subject | Ordered Probit | pt_PT |
| dc.subject | Fractional Probit | pt_PT |
| dc.subject | Random Forest | pt_PT |
| dc.subject | Explainable Model Techniques | pt_PT |
| dc.subject | Pobreza Multidimensional | pt_PT |
| dc.subject | Probit Ordenado | pt_PT |
| dc.subject | Probit Fracionado | pt_PT |
| dc.subject | Floresta Aleatória | pt_PT |
| dc.subject | Interpretação de Modelos Black Box. | pt_PT |
| dc.title | Multidimensional poverty in Benin : evidence from classic and machine learning analysis | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |