2016年-世界发展银行全球_Estimating_Poverty_Rates_in_Target_Populations___An_Assessment_of_the_Simple_Poverty_Scorecard_and_Alternative_Approaches_56页_4mb

报告摘要

详细总结：估算目标人群的贫困率——对简单贫困评分卡及替代方法的评估

核心内容

本研究旨在比较“简单贫困评分卡”（Simple Poverty Scorecard, SPS）与其他基于回归的贫困率估算方法的性能。研究使用了9个国家近十年来的全国代表性家庭调查数据，涵盖了多个子国家层面的样本，并通过多种统计方法对贫困率进行估算。研究发现，当模型使用与目标子人群相似的“训练集”数据时，基于回归的方法在偏差和方差方面优于SPS。

主要观点

SPS的局限性
- SPS是一种基于逻辑回归的简单估算方法，依赖于10个预设问题和一个查找表，但其查找表的数据粗化限制了其估算精度。
- SPS仅适用于与原始训练数据相似的全国样本，无法有效估算子人群的贫困率。
- SPS的偏差校正因子反而可能增加估算与实际贫困率之间的差异。
基于回归的方法更优
- 在使用与目标子人群结构相似的训练集时，基于回归的方法（如普通最小二乘法、加权最小二乘法、逻辑回归和Lasso惩罚回归）在估算子人群贫困率时表现出更小的偏差和更小的方差。
- 这些方法能够利用额外的子人群特定信息，从而提高估算的准确性。
数据与方法
- 研究使用了14个国家的全国代表性家庭调查数据，样本量从3,579到293,715不等。
- 所有估算方法都基于相同的10个变量，但基于回归的方法在处理数据时更加灵活。
- 使用Bootstrap方法计算置信区间，以评估估算结果的不确定性。
估算目标
- 研究关注全国贫困率和子人群贫困率的估算。
- 估算结果的实用性取决于其与研究者目标人群的匹配程度。

关键信息

数据来源

国家与年份：研究覆盖了9个国家，包括孟加拉国、印度尼西亚、约旦、尼泊尔、巴拉圭、秘鲁、塞拉利昂和泰国。
样本量：从3,579到293,715不等。
调查类型：全国代表性家庭调查，涵盖家庭支出或收入、人口统计信息、劳动经验等详细数据。
贫困线：基于国家贫困线确定家庭贫困状态。

方法比较

SPS方法：基于10个问题和查找表，估算家庭贫困概率。适用于全国样本，但不适用于子人群。
基于回归的方法：
- 普通最小二乘法（OLS）：假设贫困概率是线性函数，通过最小化平方误差进行估算。
- 加权最小二乘法（WLS）：使用观察权重，减少异方差性对估算的影响。
- 逻辑回归（Logit）：使用非线性模型，更符合贫困概率的分布特性。
- Lasso惩罚回归：通过引入惩罚项减少模型复杂性，提高预测稳定性。

估算结果

全国贫困率估算：
- 在未加权样本中，基于回归的方法（尤其是WLS）优于SPS。
- 在加权样本中，SPS表现有所改善，但仍不如基于回归的方法。
子人群贫困率估算：
- SPS在估算与原始训练数据相似的子人群时表现尚可，但在其他子人群上偏差较大。
- 基于回归的方法在估算子人群贫困率时更准确，尤其是在目标子人群与训练数据差异较大的情况下。

结构清晰的总结

一、引言

世界银行的双重目标（消除极端贫困和促进共同繁荣）促使对特定目标人群贫困率的估算需求增加。
SPS因其简便性被广泛采用，但其估算精度有限，尤其在子人群上。
研究旨在评估SPS与其他基于回归的估算方法的相对性能。

二、数据

研究使用了9个国家近十年来的全国代表性家庭调查数据。
数据涵盖家庭支出、收入、人口统计信息等。
每个调查包含多个变量，如612个变量（孟加拉国2010年调查为例）。
样本量从3,579到293,715不等，覆盖不同子国家层面。

三、方法与符号

SPS方法：基于逻辑回归，使用10个问题和查找表估算贫困概率。
基于回归的方法：
- OLS：线性模型，最小化平方误差。
- WLS：加权模型，考虑观察权重。
- Logit：非线性模型，使用逻辑函数。
- Lasso：惩罚回归，减少模型复杂性。
训练与测试集：每个国家调查数据被随机分为训练集和测试集，SPS和回归模型均基于训练集进行训练。

四、结果

全国贫困率估算：
- 在未加权样本中，基于回归的方法优于SPS。
- 在加权样本中，SPS表现有所改善，但仍不如基于回归的方法。
子人群贫困率估算：
- SPS在估算与训练数据相似的子人群时表现尚可，但在其他子人群上偏差较大。
- 基于回归的方法在估算子人群贫困率时更准确，尤其是在目标子人群与训练数据差异较大的情况下。
不确定性评估：
- 使用Bootstrap方法计算置信区间，以评估估算结果的可靠性。