Modelo Probit Sesgado Latente para Áreas Pequeñas mediante Inferencia Bayesiana Variacional

Ponente(s): Sergio Pérez Elizalde, Saul Arturo Ortíz Muñoz

Se propone un modelo probit sesgado latente para la estimación en áreas pequeñas, el cual incorpora asimetría en la función de enlace mediante una distribución normal sesgada generada por truncamiento oculto. El modelo introduce una variable latente específica por dominio que induce dependencia entre observaciones dentro del mismo, funcionando de manera análoga a un efecto aleatorio y permitiendo representar la heterogeneidad no observada entre dominios. La estimación se realiza mediante inferencia bayesiana variacional, lo que permite aproximar las distribuciones a posteriori con eficiencia computacional. Se presenta una aplicación al análisis de pobreza extrema en los municipios del estado de Puebla, utilizando datos provenientes de encuestas y censos. Los resultados muestran mejoras significativas en la precisión de las estimaciones en comparación con modelos simétricos convencionales, especialmente en contextos con alta asimetría o información escasa por dominio.