Capítulo VI: Discusión de los resultados
6.3. Comparación crítica con la literatura existente
La literatura internacional existente ha evaluado la rentabilidad de la alcachofa y la importancia de la industrialización. De acuerdo con el estudio de (Sgroi, Foderà, Di Trapani, Tudisca, & Testa, 2015), la alcachofa ha sido un elemento estable de los sistemas de producción de la región, pero la competencia de países norafricanos ha llevado a la crisis de sus productores, causando una baja rentabilidad en la producción de alcachofa. Los investigadores sugieren una estrategia de integración horizontal. En comparación con la presente investigación, se ha encontrado que la presencia de agroindustria tiene efectos significativos en la reducción de pobreza, ya que ha generado una alta rentabilidad, en
contraste con el estudio de (Sgroi, Foderà, Di Trapani, Tudisca, & Testa, 2015). Por otro lado, (Goletti, 1999) y (Sgroi, Foderà, Di Trapani, Tudisca, & Testa, 2015) estudian el impacto de la diversificación agrícola, industrialización rural, cambios estructurales en la economía y su influencia en la pobreza, para el caso de Indochina y Myanmar y la India, los investigadores encuentran efectos positivos en la reducción de la pobreza cuando hay una mayor presencia de agroindustria, en línea con los resultados obtenidos en la presente investigación.
A nivel nacional y local se estudian las estrategias para la competitividad en la agroexportación de alcachofa (Fernández L. , 2009), estrategias para el desarrollo de la sierra rural (Escobal, Fort, & Zegarra, 2015), el primero indica que la agroexportación de alcachofa depende de la implementación de políticas enfocadas al desarrollo de las zonas rurales que la producen, proporcionando el marco conceptual para las políticas públicas en pro del desarrollo rural. Por último, la literatura local (Fernández D. Y., 2017) y (Orosco, 2018) encuentran que la exportación de alcachofa y el valor agregado que ofrece la planta procesadora tienen efectos importantes en las condiciones de vida de la Comunidad Campesina de Markjo, la presente investigación corrobora lo encontrado en estos estudios no experimentales a nivel de la provincia de Anta, es decir, la evidencia sugiere que el impacto de la agroindustria de Alcachofa se ha expandido a las partes de la provincia más cercanas a la planta procesadora.
A nivel teórico, se ha encontrado que las teorías de la riqueza de los hogares de (Deaton, 1989) y la teoría de diversificación de ingresos predicen correctamente un aumento de ingresos cuando (1) el hogar maximiza su utilidad total y (2) cuando el hogar encuentra nuevas formas de obtener ingresos, ya que los productores agrícolas directamente afectados por la agroindustria de alcachofa tuvieron un incremento de ingresos esperada por muchos años. Por otro lado, este resultado, además de medirse por ingresos, se puede medir por
pobreza multidimensional, que es el objetivo del estudio. Se ha encontrado evidencia de una fuerte reducción en la pobreza multidimensional en aquellos grupos afectados directamente por la agroindustria de alcachofa.
Conclusiones
La presencia de Agroindustria de Alcachofa ha reducido la incidencia de pobreza multidimensional (H), la intensidad de pobreza multidimensional (A), y la tasa de recuento multidimensional ajustada (M0) de los hogares de la provincia de Anta en el período 2014-2018, los resultados son estadísticamente significativos al 1%
La presencia de Agroindustria de Alcachofa ha reducido la incidencia de pobreza de un hogar afectado directamente por la planta procesadora de alcachofa (grupo de tratamiento) en un 12.8% en comparación con un hogar que no fue afectado directamente (grupo de control), el resultado es estadísticamente significativo al 1%.
La presencia de Agroindustria de Alcachofa ha reducido la intensidad de pobreza de un hogar afectado directamente por la planta procesadora de alcachofa (grupo de tratamiento) en un 14.9% en comparación con un hogar que no fue afectado directamente (grupo de control), el resultado es estadísticamente significativo al 1%.
La presencia de Agroindustria de Alcachofa ha reducido la tasa de recuento multidimensional ajustada de un hogar afectado directamente por la planta procesadora de alcachofa (grupo de tratamiento) en un 17.7% en comparación con un hogar que no fue afectado directamente (grupo de control), el resultado es estadísticamente significativo al 1%.
Recomendaciones
La evidencia de la literatura y la presente investigación han encontrado efectos positivos de la industrialización en las zonas rurales y semirrurales, tales como algunos distritos de la provincia de Anta, en este sentido, se hace imperante replicar el caso de éxito de la planta procesadora de Alcachofa en la reducción de la pobreza multidimensional en otros lugares idóneos para añadir valor agregado a los productos agrícolas de la región del Cusco.
Una reducción de la proporción de personas pobres multidimensionales en un 12.8% en los distritos directamente afectados por la planta procesadora de alcachofa muestra el gran efecto que puede tener la agroindustria en la producción rural. Se recomienda tener un índice de pobreza multidimensional rural que permita comparar la intervención de diferentes políticas sociales y emprendimientos empresariales, tales como la planta procesadora de Alcachofa.
La intensidad de pobreza multidimensional mide el promedio de privaciones que una persona experimenta al mismo tiempo, se ha encontrado que la planta procesadora puede reducir la intensidad de pobreza multidimensional hasta en un 14.9% menos. Se sugiere realizar investigaciones que permitan separar los efectos directos (en los trabajadores de la planta) con los efectos indirectos, con el fin de tener datos más exactos acerca de la influencia en la intensidad de pobreza multidimensional.
El índice de pobreza multidimensional y su reducción de 17.7% a causa de la Agroindustria pone en evidencia la importancia de añadir valor agregado a los
productos tradicionalmente producidos en la región del Cusco, esto nos permitirá librar a muchas más personas de la zona rural de la trampa de pobreza.
Referencias Bibliográficas
Aggarwal, A., & Kumar, N. (2012). Structural Change, Industrialization and Poverty Reduction: The Case of India. South and South-West Asia Development Papers 1206, Subregional Office for South and South-West Asia (SRO-SSWA), Economic and Social Commission for Asia and the Pacific (ESCAP).
Banco Mundial. (2017). Gaining momentum in Peruvian agriculture : Opportunities to increase productivity and enhance competitiveness. Washington, DC: World Bank.
Clausen, J., & Trivelli, C. (2019). Explorando la pobreza multidimensional rural: Una propuesta comprehensiva y sensible al contexto peruano. Documento de Trabajo;264, Instituto de Estudios Peruanos.
Escobal, J., & Valdivia, M. (2004). Perú: Hacia una estrategia de desarrollo para la sierra rural. GRADE PERÚ.
Escobal, J., Fort, R., & Zegarra, E. (2015). Agricultura Peruana: Nuevas Miradas desde el Censo Agropecuario. Lima: Grupo de Análisis para el Desarrollo (GRADE).
Fernández, D. Y. (2017). Impacto de la agroindustria de la alcachofa en la dinámica productiva y las condiciones de vida de la comunidad campesina de Markjo de la provincia de Anta, una análisis comparativo entre 1978-2016. Universidad Andina del Cusco, Escuela Profesional de Economía, Cusco.
Fernández, L. (2009). Estrategias para la competitividad en la Agroexportación de Alcachofa. Anales Científicos, 70(3), 25-34.
Goletti, F. (1999). Agricultural Diversification and Rural Industrialization as a strategy for Rural Income Growth and Poverty Reduction in Indochina and Myanmar.
MSS Discussion Paper No. 30, International Food Policy Research Institute, Markets and Structural Studies Division.
INEI. (2017). Crecimiento y Distribución de la Población, 2017. Primeros resultados.
Obtenido de
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1 530/libro.pdf
Ministerio de Agricultura y Riego. (2017). Estrategia de la Plataforma de Servicios Agrarios del Sector Agricultura y Riego - SERVIAGRO. Informe, Comisión Sectorial , Lima.
Orosco, P. (2018). Condiciones y Oportunidades del mercado de Bélgica y viavilización de la exportación de Conservas de Alcachofa Anta Cusco 2017. Universidad Austral, Departamento de Economía, Cusco.
Pacifico, D., & Poege, F. (2017). Estimating measures of multidimensional poverty with Stata. The Stata Journal, 687-703.
Red Cusco Norte. (2014). Análisis de la situación de salud de la provincia de Anta.
Documento de Investigación Operativa, Red Norte, Cusco.
Sgroi, F., Foderà, M., Di Trapani, A. M., Tudisca, S., & Testa, R. (2015). Profitability of Artichoke Growing in the Mediterranean Area. HortScience, 50(9), 1349-1352.
Talukder, D. (2014). Assesing Determinants of Income of Rural Households in Balbladesh: A Regression Analysis. Journal of Applied Economics and Business Research, 4(2), 80-106.
Torres, G. (2007). Agroindustria Rural y Mercados de Trabajo. ¿Alternativa a la Pobreza Rural? Cadernos PROLAM/USP, 7(2), 9-32.
UNDP. (25 de Febrero de 2020). Multidimensional Poverty Index 2019 FAQs. Obtenido de http://hdr.undp.org/en/mpi-2019-faq
Anexos Anexo 1. Matriz de consistencia
PROBLEMA OBJETIVOS HIPÓTESIS VARIABLES INDICADORES DISEÑO
Problema General
¿Cuál ha sido el impacto de la agroindustria de Alcachofa en el nivel de pobreza
multidimensional de los hogares de la provincia de Anta en el período 2014- 2018?
Problemas Específicos
¿Cuál es la incidencia de la agroindustria de Alcachofa en la incidencia de pobreza en los hogares de la provincia de Anta en el período 2014- 2018?
¿De qué manera la presencia de agroindustria de alcachofa influye en
Objetivo General
Determinar el impacto de la agroindustria de Alcachofa en la pobreza multidimensional de los hogares de la provincia de Anta en el período 2014-2018.
Objetivos Específicos
Determinar en qué medida la agroindustria de Alcachofa influye en la incidencia de pobreza en los hogares de la provincia de Anta en el período 2014-2018.
Identificar en qué medida la presencia de agroindustria de Alcachofa influye en la intensidad de la pobreza en los hogares de la
Hipótesis General
La presencia de agroindustria de Alcachofa reduce la incidencia de pobreza en hogares de la provincia de Anta en el período 2014-2018.
Hipótesis Específicas
La presencia de
agroindustria de Alcachofa reduce la intensidad de la pobreza en los hogares de la provincia de Anta en el período 2014-2018.
La presencia de
agroindustria de Alcachofa reduce la intensidad de la pobreza en los hogares de la provincia de Anta en el período 2014-2018.
La presencia de
agroindustria de Alcachofa
Variable Dependiente
Pobreza
multidimensional Variable Independiente
Presencia de Agroindustria
Variable Dependiente Incidencia de pobreza (H)
Intensidad de la pobreza (A)
Tasa de recuento multidimensional ajustada (M0) Variables Independientes -Existe agroindustria en la zona (variable binaria)
La investigación es cuasi-experimental:
No se realizará experimentos ni habrá intervención en los fenómenos, pero se aproximará a un experimento con técnicas
econométricas Es causal: busca describir las variables y además conocer la relación causal entre ellas.
Tiene un enfoque cuantitativo La recolección de datos se fundamenta en la medición, se
la intensidad de la pobreza en los hogares de la provincia de Anta en el período 2014- 2018?
¿Cuál ha sido el impacto de la agroindustria de Alcachofa en la tasa de recuento
multidimensional ajustada de los hogares de la provincia de Anta en el período 2014- 2018?
provincia de Anta en el período 2014-2018.
Analizar la incidencia de la presencia de
agroindustria de Alcachofa en la tasa de recuento
multidimensional ajustada de los hogares de la provincia de Anta en el período 2014-2018.
reduce la tasa de recuento multidimensional ajustada de los hogares de la provincia de Anta en el período 2014-2018.
analizarán los datos en base a métodos cuantitativos.
Fuente: Elaboración propia
Anexo 2. Resultados de Pobreza Multidimensional Resultados – Año 2014
Summary of mpi indicators ---
Indicator Type Weight Deprived --- Domain 1
i1_noatencion Binary .06 58.209 % i2_noseguro Binary .06 97.015 % Domain 2
i3_inasistencia Binary .06 4.478 % i4_nologroedu Binary .06 89.552 % Domain 3
i5_noaccesoclorada Binary .06 89.552 % i6_nosaneamiento Binary .06 22.388 % Domain 4
i7_nosegvivienda Binary .04 82.090 % i8_nomateriales Binary .04 95.522 % i9_hacinamiento Binary .04 11.940 % Domain 5
i10_noelectricidad Binary .06 11.940 % i11_combustible Binary .06 94.030 % Domain 6
i12_noespacios Binary .06 97.015 % i14_noconectividad Binary .06 98.507 % Domain 7
i15_nodemocracia Binary .04 82.090 % i16_noconfianza Binary .04 4.478 % i17_norespeto Binary .04 11.940 % Domain 8
i21_shock Binary .13 38.806 % ---
Deprived: Percentage of individuals whose indicator values are below the threshold.
Main results N = 67 --- | Coef. Std. Err. [95% Conf. Interval]
---+--- Main |
H | 0.970 0.021 0.929 1.011 M0 | 0.578 0.017 0.544 0.611 ---+--- Additional |
A | 0.596 0.012 0.572 0.619 --- Note: Adjusted Multidimensional Headcount M0 = H*A
+---+
| Indicator | M0 |
|---+---|
|domain 1 | |
| i1_noatencion | 0.061 |
| i2_noseguro | 0.103 |
|domain 2 | |
| i3_inasistencia | 0.005 |
| i4_nologroedu | 0.097 |
|domain 3 | |
| i5_noaccesocl~a | 0.097 |
| i6_nosaneamie~o | 0.024 |
|domain 4 | |
| i7_nosegvivie~a | 0.058 |
| i8_nomateriales | 0.069 |
| i9_hacinamiento | 0.009 |
|domain 5 | |
| i10_noelectri~d | 0.013 |
| i11_combustible | 0.102 |
|domain 6 | |
| i12_noespacios | 0.103 |
| i14_noconecti~d | 0.105 |
|domain 7 | |
| i15_nodemocra~a | 0.058 |
| i16_noconfianza | 0.003 |
| i17_norespeto | 0.009 |
|domain 8 | |
| i21_shock | 0.084 |
|---+---|
| | |
| Total | 1.000 | +---+
Contribution of each indicator (%)
+---+
| Domain | M0 |
|---+---|
| domain 1 | 0.165 |
| domain 2 | 0.102 |
| domain 3 | 0.121 |
| domain 4 | 0.136 |
| domain 5 | 0.115 |
| domain 6 | 0.208 |
| domain 7 | 0.070 |
| domain 8 | 0.084 |
|---+---|
| Total | 1.000 | +---+
Contribution of each domain (%)
Type ereturn list to see the list of saved results and more information on the estimation sample.
Note: Missing values encountered, excluding them.
Resultados – Año 2015
Summary of mpi indicators ---
Indicator Type Weight Deprived --- Domain 1
i1_noatencion Binary .06 60.000 % i2_noseguro Binary .06 92.308 % Domain 2
i3_inasistencia Binary .06 0.000 % i4_nologroedu Binary .06 89.231 % Domain 3
i5_noaccesoclorada Binary .06 98.462 % i6_nosaneamiento Binary .06 7.692 % Domain 4
i7_nosegvivienda Binary .04 75.385 % i8_nomateriales Binary .04 95.385 % i9_hacinamiento Binary .04 4.615 %
Domain 5
i10_noelectricidad Binary .06 12.308 % i11_combustible Binary .06 90.769 % Domain 6
i12_noespacios Binary .06 98.462 % i14_noconectividad Binary .06 98.462 % Domain 7
i15_nodemocracia Binary .04 73.846 % i16_noconfianza Binary .04 1.538 % i17_norespeto Binary .04 3.077 % Domain 8
i21_shock Binary .13 36.923 % ---
Deprived: Percentage of individuals whose indicator values are below the threshold.
Main results N = 65 --- | Coef. Std. Err. [95% Conf. Interval]
---+--- Main |
H | 0.954 0.026 0.902 1.005 M0 | 0.545 0.018 0.509 0.581 ---+--- Additional |
A | 0.572 0.011 0.550 0.593 --- Note: Adjusted Multidimensional Headcount M0 = H*A
+---+
| Indicator | M0 |
|---+---|
|domain 1 | |
| i1_noatencion | 0.065 |
| i2_noseguro | 0.104 |
|domain 2 | |
| i3_inasistencia | 0.000 |
| i4_nologroedu | 0.102 |
|domain 3 | |
| i5_noaccesocl~a | 0.109 |
| i6_nosaneamie~o | 0.009 |
|domain 4 | |
| i7_nosegvivie~a | 0.056 |
| i8_nomateriales | 0.071 |
| i9_hacinamiento | 0.004 |
|domain 5 | |
| i10_noelectri~d | 0.014 |
| i11_combustible | 0.104 |
|domain 6 | |
| i12_noespacios | 0.108 |
| i14_noconecti~d | 0.109 |
|domain 7 | |
| i15_nodemocra~a | 0.056 |
| i16_noconfianza | 0.001 |
| i17_norespeto | 0.002 |
|domain 8 | |
| i21_shock | 0.085 |
|---+---|
| | |
| Total | 1.000 | +---+
Contribution of each indicator (%)
+---+
| Domain | M0 |
|---+---|
| domain 1 | 0.169 |
| domain 2 | 0.102 |
| domain 3 | 0.118 |
| domain 4 | 0.131 |
| domain 5 | 0.118 |
| domain 6 | 0.217 |
| domain 7 | 0.060 |
| domain 8 | 0.085 |
|---+---|
| Total | 1.000 | +---+
Contribution of each domain (%)
Type ereturn list to see the list of saved results and more information on the estimation sample.
Note: Missing values encountered, excluding them.
Resultados – Año 2016
Summary of mpi indicators ---
Indicator Type Weight Deprived --- Domain 1
i1_noatencion Binary .06 50.000 % i2_noseguro Binary .06 91.071 % Domain 2
i3_inasistencia Binary .06 5.357 % i4_nologroedu Binary .06 94.643 % Domain 3
i5_noaccesoclorada Binary .06 91.071 % i6_nosaneamiento Binary .06 14.286 % Domain 4
i7_nosegvivienda Binary .04 87.500 % i8_nomateriales Binary .04 96.429 % i9_hacinamiento Binary .04 10.714 % Domain 5
i10_noelectricidad Binary .06 5.357 % i11_combustible Binary .06 89.286 % Domain 6
i12_noespacios Binary .06 98.214 % i14_noconectividad Binary .06 98.214 % Domain 7
i15_nodemocracia Binary .04 82.143 % i16_noconfianza Binary .04 12.500 % i17_norespeto Binary .04 1.786 % Domain 8
i21_shock Binary .13 39.286 % ---
Deprived: Percentage of individuals whose indicator values are below the threshold.
Main results N = 56 --- | Coef. Std. Err. [95% Conf. Interval]
---+--- Main |
H | 0.982 0.018 0.947 1.017 M0 | 0.564 0.018 0.529 0.599 ---+--- Additional |
A | 0.574 0.015 0.545 0.603 ---
Note: Adjusted Multidimensional Headcount M0 = H*A
+---+
| Indicator | M0 |
|---+---|
|domain 1 | |
| i1_noatencion | 0.055 |
| i2_noseguro | 0.099 |
|domain 2 | |
| i3_inasistencia | 0.006 |
| i4_nologroedu | 0.105 |
|domain 3 | |
| i5_noaccesocl~a | 0.101 |
| i6_nosaneamie~o | 0.016 |
|domain 4 | |
| i7_nosegvivie~a | 0.063 |
| i8_nomateriales | 0.070 |
| i9_hacinamiento | 0.008 |
|domain 5 | |
| i10_noelectri~d | 0.006 |
| i11_combustible | 0.099 |
|domain 6 | |
| i12_noespacios | 0.107 |
| i14_noconecti~d | 0.107 |
|domain 7 | |
| i15_nodemocra~a | 0.061 |
| i16_noconfianza | 0.009 |
| i17_norespeto | 0.001 |
|domain 8 | |
| i21_shock | 0.087 |
|---+---|
| | |
| Total | 1.000 | +---+
Contribution of each indicator (%)
+---+
| Domain | M0 |
|---+---|
| domain 1 | 0.154 |
| domain 2 | 0.111 |
| domain 3 | 0.117 |
| domain 4 | 0.141 |
| domain 5 | 0.105 |
| domain 6 | 0.214 |
| domain 7 | 0.071 |
| domain 8 | 0.087 |
|---+---|
| Total | 1.000 | +---+
Contribution of each domain (%)
Type ereturn list to see the list of saved results and more information on the estimation sample.
Note: Missing values encountered, excluding them.
* Resultados – Año 2017
Summary of mpi indicators ---
Indicator Type Weight Deprived --- Domain 1
i1_noatencion Binary .06 72.093 % i2_noseguro Binary .06 95.349 % Domain 2
i3_inasistencia Binary .06 0.000 % i4_nologroedu Binary .06 86.047 % Domain 3
i5_noaccesoclorada Binary .06 97.674 % i6_nosaneamiento Binary .06 13.953 % Domain 4
i7_nosegvivienda Binary .04 72.093 % i8_nomateriales Binary .04 90.698 % i9_hacinamiento Binary .04 6.977 % Domain 5
i10_noelectricidad Binary .06 11.628 % i11_combustible Binary .06 81.395 % Domain 6
i12_noespacios Binary .06 95.349 % i14_noconectividad Binary .06 0.000 % Domain 7
i15_nodemocracia Binary .04 83.721 % i16_noconfianza Binary .04 0.000 % i17_norespeto Binary .04 11.628 % Domain 8
i21_shock Binary .13 39.535 % ---
Deprived: Percentage of individuals whose indicator values are below the threshold.
Main results N = 43 --- | Coef. Std. Err. [95% Conf. Interval]
---+--- Main |
H | 0.977 0.023 0.931 1.022 M0 | 0.562 0.021 0.520 0.603 ---+--- Additional |
A | 0.575 0.017 0.541 0.608 --- Note: Adjusted Multidimensional Headcount M0 = H*A
+---+
| Indicator | M0 |
|---+---|
|domain 1 | |
| i1_noatencion | 0.078 |
| i2_noseguro | 0.104 |
|domain 2 | |
| i3_inasistencia | 0.000 |
| i4_nologroedu | 0.096 |
|domain 3 | |
| i5_noaccesocl~a | 0.106 |
| i6_nosaneamie~o | 0.016 |
|domain 4 | |
| i7_nosegvivie~a | 0.053 |
| i8_nomateriales | 0.066 |
| i9_hacinamiento | 0.005 |
|domain 5 | |
| i10_noelectri~d | 0.013 |
| i11_combustible | 0.091 |
|domain 6 | |
| i12_noespacios | 0.106 |
| i14_noconecti~d | 0.109 |
|domain 7 | |
| i15_nodemocra~a | 0.062 |
| i16_noconfianza | 0.000 |
| i17_norespeto | 0.009 |
|domain 8 | |
| i21_shock | 0.088 |
|---+---|
| | |
| Total | 1.000 | +---+
Contribution of each indicator (%)
+---+
| Domain | M0 |
|---+---|
| domain 1 | 0.181 |
| domain 2 | 0.096 |
| domain 3 | 0.122 |
| domain 4 | 0.124 |
| domain 5 | 0.104 |
| domain 6 | 0.215 |
| domain 7 | 0.071 |
| domain 8 | 0.088 |
|---+---|
| Total | 1.000 | +---+
Contribution of each domain (%)
Type ereturn list to see the list of saved results and more information on the estimation sample.
variable A2018 already defined r(110);
**2018
Summary of mpi indicators ---
Indicator Type Weight Deprived --- Domain 1
i1_noatencion Binary .06 70.455 % i2_noseguro Binary .06 95.455 % Domain 2
i3_inasistencia Binary .06 0.000 % i4_nologroedu Binary .06 86.364 % Domain 3
i5_noaccesoclorada Binary .06 0.000 %
i6_nosaneamiento Binary .06 20.455 % Domain 4
i7_nosegvivienda Binary .04 79.545 % i8_nomateriales Binary .04 90.909 % i9_hacinamiento Binary .04 2.273 % Domain 5
i10_noelectricidad Binary .06 6.818 % i11_combustible Binary .06 86.364 % Domain 6
i12_noespacios Binary .06 88.636 % i14_noconectividad Binary .06 0.000 % Domain 7
i15_nodemocracia Binary .04 81.818 % i16_noconfianza Binary .04 2.273 % i17_norespeto Binary .04 4.545 % Domain 8
i21_shock Binary .13 47.727 % ---
Deprived: Percentage of individuals whose indicator values are below the threshold.
Main results N = 44 --- | Coef. Std. Err. [95% Conf. Interval]
---+--- Main |
H | 0.977 0.023 0.933 1.022 M0 | 0.571 0.019 0.534 0.608 ---+--- Additional |
A | 0.584 0.014 0.557 0.611 --- Note: Adjusted Multidimensional Headcount M0 = H*A
+---+
| Indicator | M0 |
|---+---|
|domain 1 | |
| i1_noatencion | 0.077 |
| i2_noseguro | 0.105 |
|domain 2 | |
| i3_inasistencia | 0.000 |
| i4_nologroedu | 0.095 |
|domain 3 | |
| i5_noaccesocl~a | 0.107 |
| i6_nosaneamie~o | 0.022 |
|domain 4 | |
| i7_nosegvivie~a | 0.056 |
| i8_nomateriales | 0.065 |
| i9_hacinamiento | 0.002 |
|domain 5 | |
| i10_noelectri~d | 0.007 |
| i11_combustible | 0.095 |
|domain 6 | |
| i12_noespacios | 0.095 |
| i14_noconecti~d | 0.107 |
|domain 7 | |
| i15_nodemocra~a | 0.058 |
| i16_noconfianza | 0.002 |
| i17_norespeto | 0.003 |
|domain 8 | |
| i21_shock | 0.105 |
|---+---|
| | |
| Total | 1.000 | +---+
Contribution of each indicator (%)
+---+
| Domain | M0 |
|---+---|
| domain 1 | 0.182 |
| domain 2 | 0.095 |
| domain 3 | 0.129 |
| domain 4 | 0.123 |
| domain 5 | 0.102 |
| domain 6 | 0.202 |
| domain 7 | 0.063 |
| domain 8 | 0.105 |
|---+---|
| Total | 1.000 | +---+
Contribution of each domain (%)
Type ereturn list to see the list of saved results and more information on the estimation sample.
. end of do-file
Anexo 3. Resultados de regresión de dobles diferencias
Regresión – Incidencia de pobreza
Linear regression Number of obs = 275 F(4, 5) = .
Prob > F = .
R-squared = 0.2890 Root MSE = .14575
(Std. Err. adjusted for 6 clusters in dis) Robust
mpi_H Coef. Std. Err. t P>t [95% Conf. Interval]
treatment -.1281575 .0115204 -11.12 0.000 -.1577716 -.0985434 aÑo
2015 -.0162966 .0074698 -2.18 0.081 -.0354985 .0029052 2016 .0164027 .0164221 1.00 0.364 -.0258116 .058617 2017 .0227736 .0443478 0.51 0.629 -.0912259 .1367732 2018 .0222503 .0196277 1.13 0.308 -.0282044 .0727049 dis
80302 -.0481134 .0233852 -2.06 0.095 -.108227 .0120002 80305 .089449 .0254821 3.51 0.017 .0239451 .1549528 80306 -.0520909 .0323544 -1.61 0.168 -.1352606 .0310787 80307 0 (omitted)
80308 .0737264 .0353646 2.08 0.092 -.0171812 .1646339 i10_noelectricidad .0027984 .012887 0.22 0.837 -.0303287 .0359256 i6_nosaneamiento .0058634 .0165794 0.35 0.738 -.0367553 .048482 i4_nologroedu .2436591 .0821049 2.97 0.031 .0326018 .4547164 i3_inasistencia -.0016621 .001946 -0.85 0.432 -.0066646 .0033403 i1_noatencion .0272571 .0271853 1.00 0.362 -.0426249 .0971391 _cons .7833093 .0790681 9.91 0.000 .5800583 .9865604
(est1 stored)
note: 80307.dis omitted because of collinearity
Regresión – Intensidad de pobreza
Linear regression Number of obs = 275 F(4, 5) = .
Prob > F = .
R-squared = 0.5860 Root MSE = .07445
(Std. Err. adjusted for 6 clusters in dis) Robust
mpi_A Coef. Std. Err. t P>t [95% Conf. Interval]
treatment -.1486972 .0161149 -9.23 0.000 -.1901218 -.1072726 aÑo
2015 -.016141 .0133438 -1.21 0.280 -.0504424 .0181604 2016 .0101102 .0313266 0.32 0.760 -.0704175 .0906379 2017 -.0015016 .0251833 -0.06 0.955 -.0662373 .063234 2018 .0057931 .0294863 0.20 0.852 -.0700039 .0815901 dis
80302 -.0536055 .0113321 -4.73 0.005 -.0827354 -.0244755 80305 .1236958 .0079854 15.49 0.000 .1031685 .144223 80306 -.0606492 .0103978 -5.83 0.002 -.0873776 -.0339208 80307 0 (omitted)
80308 .1358864 .0072001 18.87 0.000 .117378 .1543949
i10_noelectricidad .0474446 .0311889 1.52 0.189 -.0327291 .1276183 i6_nosaneamiento .0683645 .0115058 5.94 0.002 .0387878 .0979412 i4_nologroedu .1396867 .0130625 10.69 0.000 .1061085 .1732649 i3_inasistencia .048686 .0077803 6.26 0.002 .0286861 .0686859 i1_noatencion .0779441 .0047854 16.29 0.000 .0656428 .0902453 _cons .4348116 .0153426 28.34 0.000 .395372 .4742511
Regresión – Tasa de recuento multidimensional
Linear regression Number of obs = 275 F(4, 5) = .
Prob > F = .
R-squared = 0.5860 Root MSE = .09101
(Std. Err. adjusted for 6 clusters in dis) Robust
mpi_M0 Coef. Std. Err. t P>t [95% Conf. Interval]
treatment -.1773839 .0153498 -11.56 0.000 -.2168418 -.1379261 aÑo
2015 -.0227346 .0130636 -1.74 0.142 -.0563156 .0108464 2016 .0109924 .0299393 0.37 0.729 -.065969 .0879537 2017 .0004079 .0307264 0.01 0.990 -.0785769 .0793927 2018 .0071438 .0261477 0.27 0.796 -.0600711 .0743586 dis
80302 -.0643186 .012773 -5.04 0.004 -.0971526 -.0314845 80305 .1439471 .0097983 14.69 0.000 .1187597 .1691344 80306 -.07204 .012656 -5.69 0.002 -.1045733 -.0395067 80307 0 (omitted)
80308 .1526766 .0122168 12.50 0.000 .1212724 .1840809
i10_noelectricidad .048226 .0290756 1.66 0.158 -.0265151 .1229671 i6_nosaneamiento .0696345 .0134758 5.17 0.004 .034994 .104275 i4_nologroedu .1998585 .0259264 7.71 0.001 .1332127 .2665043 i3_inasistencia .0474971 .0076716 6.19 0.002 .0277767 .0672176 i1_noatencion .0843713 .0083771 10.07 0.000 .0628373 .1059053 _cons .3826754 .0265332 14.42 0.000 .3144697 .450881
Regresión – Resumen
(1) (2) (3) mpi_H mpi_A mpi_M0
treatment -0.128*** -0.149*** -0.177***
(0.0115) (0.0161) (0.0153)
2015.aÑo -0.0163* -0.0161 -0.0227 (0.00747) (0.0133) (0.0131)
2016.aÑo 0.0164 0.0101 0.0110 (0.0164) (0.0313) (0.0299)
2017.aÑo 0.0228 -0.00150 0.000408 (0.0443) (0.0252) (0.0307)
2018.aÑo 0.0223 0.00579 0.00714 (0.0196) (0.0295) (0.0261)
80302.dis -0.0481* -0.0536*** -0.0643***
(0.0234) (0.0113) (0.0128)
80305.dis 0.0894** 0.124*** 0.144***
(0.0255) (0.00799) (0.00980)
80306.dis -0.0521 -0.0606*** -0.0720***
(0.0324) (0.0104) (0.0127)
80308.dis 0.0737* 0.136*** 0.153***
(0.0354) (0.00720) (0.0122)
i10_noelec~d 0.00280 0.0474 0.0482 (0.0129) (0.0312) (0.0291)
i6_nosanea~o 0.00586 0.0684*** 0.0696***
(0.0166) (0.0115) (0.0135)
i4_nologro~u 0.244** 0.140*** 0.200***
(0.0821) (0.0131) (0.0259)